생성형 AI와 전통적 영상 제작 방식의 정량적 비교를 통한 품질 향상 워크플로우 재구성 : 하이브리드 모델 제안과 적용 방향 = Quality Improvement in Video Production Reconstructing Workflows via Quantitative Comparison of Generative AI and Traditional Methods : Hybrid Workflow Model Proposal and Implementation Directions

국문 초록 (Abstract)

최근 생성형 인공지능(Generative AI)의 급속한 발전은 영상 제작 전반에 새로운 전환점을 마련하고 있다. 광고, 애니메이션, 영화, 뮤직비디오 등 다양한 장르에서 AI는 제작 효율성을 높이고 시각적 표현의 폭을 확장하는 핵심 도구로 활용되고 있다. 그러나 관련 연구가 빠르게 증가하고 있음에도, 다수의 선행연구는 AI 활용의 효율성이나 사례 분석에 국한되어 있으며, 시각적 품질의 정량적 검증과 인간–AI 협업 구조의 장기적 분석은 여전히 부족한 실정이다. 또한, 생성형 AI의 기술 발전 속도로 인해 단기 효율성 중심의 연구는 시간이 지남에 따라 가치가 쉽게 희석되는 한계를 지닌다.
이에 본 연구는 생성형 AI 기반 제작과 전통적 영상 제작 방식을 비교·분석하고, 두 방식을 결합한 품질 향상형 하이브리드 워크플로우를 실증적으로 제시함으로써 기존 연구의 한계를 보완하고자 하였다. 연구자는 동일한 콘셉트를 전통적 방식, AI 기반 방식, 그리고 혼합 방식으로 직접 제작하고, 전문가 평가를 통해 제작 시간(Time), 작업 효율성(Workflow), 해상도(Resolution), 시각적 일관성(Consistency), 수정 용이성(Flexibility) 등 다섯 가지 항목을 중심으로 정량·정성 비교를 수행하였다.
분석 결과, 제작 시간은 전통 방식이 평균 70분 이상, AI 방식은 50분 내외, 혼합 방식은 약 30분으로, 하이브리드 모델이 품질과 효율의 균형을 가장 효과적으로 달성하였다. 특히 아이데이션, 러프 애니메이션, 색감 보정, 장면 전환(Transition) 단계에서 AI의 효율성이 두드러졌으며, 색감 보정 작업에서는 평균 50% 이상의 시간 절감 효과가 확인되었다. 반면 해상도(Resolution)와 시각적 일관성(Consistency)에서는 전통적 방식이 상대적으로 높은 평가를 받았다. 또한, AI 생성물의 약 30%는 시각적 맥락과 부합하지 않아 폐기되었으며, 2D 스타일 요청에도 3D 질감이 자동 적용되는 오류가 반복되었다. 이러한 문제는 “flat design”, “2D animation”, “no 3D rendering” 등 명시적 프롬프트 활용으로 상당 부분 보완 가능함이 확인되었다. 아울러 AI는 윤리적 필터링에 따라 특정 주제의 콘텐츠 생성을 제한하는 경향을 보였다.
본 연구의 차별성은 단순히 최신 AI 기술의 성능을 측정하거나 일시적 효율성을 논의하는 수준을 넘어, 정량적 실험과 통계 분석을 통해 인간과 AI의 협업 구조가 영상 품질에 미치는 영향을 실증적으로 입증했다는 점에 있다. 반복측정 ANOVA 및 Bonferroni 사후 검정 결과, 하이브리드 방식이 생산성과 품질 안정성 간 균형을 가장 효과적으로 달성하는 구조임이 통계적으로 확인되었다. 특히 기획 및 연출, 정밀 모션, 품질 기준 설정, 윤리적 판단 등 인간의 개입은 영상의 서사적 신뢰성과 시각적 완성도를 결정하는 핵심 요소로 나타났다. 이는 생성형 AI가 전 과정을 대체하기보다는, 반복 작업과 탐색 단계에서 효율성을 높이고 인간 디자이너가 최종 품질을 책임지는 방식이 가장 현실적임을 시사한다.
이에 본 연구는 아이디어 탐색, 러프 애니메이션, 배경 생성, 색채 실험 등 초기 제작 단계에서는 AI를 적극 활용하고, 장면 일관성 조정, 모션 정교화, 표현 적합성 검토와 같은 품질 결정 단계에서는 인간의 역할을 강화하는 하이브리드 워크플로우를 제안한다. 이러한 역할 분담은 제작 시간을 줄이는 동시에 저작권 및 표현 적절성과 같은 윤리적 리스크를 관리하며, 시각적 완성도를 확보할 수 있는 실무적 가이드라인으로 기능한다. 따라서 본 연구는 생성형 AI 기반 영상 제작에서 효율성, 품질, 윤리 안정성을 동시에 달성하는 실질적 기준을 제시한다는 점에서 의의를 갖는다.

다국어 초록 (Multilingual Abstract)

The rapid advancement of Generative Artificial Intelligence (Generative AI) has brought a paradigm shift in video production. Across diverse genres such as advertising, animation, film, and music videos, AI has emerged as a key tool that enhances production efficiency and broadens the scope of visual expression. However, despite the growing number of related studies, most prior research has been limited to evaluating efficiency or conducting case-based analyses, while quantitative verification of visual quality and long-term analysis of human–AI collaboration structures remain insufficient. Furthermore, due to the fast-paced evolution of generative AI technologies, research focusing solely on short-term efficiency tends to lose relevance over time.
To address these gaps, this study compares and analyzes traditional and AI-based production methods and presents an empirically validated hybrid workflow model that integrates both approaches to improve quality and efficiency. The researcher produced identical video concepts using traditional, AI-based, and hybrid methods and conducted quantitative and qualitative evaluations across five key criteria: production time, workflow efficiency, resolution, visual consistency, and flexibility.
The results show that average production time was over 70 minutes for traditional methods, around 50 minutes for AI-based methods, and approximately 30 minutes for the hybrid approach, demonstrating that the hybrid model most effectively balanced quality and efficiency. Notably, AI exhibited strong advantages in ideation, rough animation, color correction, and transition stages, achieving over 50% time reduction during color correction. In contrast, traditional methods maintained superiority in resolution and visual consistency. Approximately 30% of AI-generated outputs were discarded due to contextual or stylistic inconsistencies, including unintended 3D rendering in 2D-style requests. However, this issue was mitigated through explicit prompt strategies such as “flat design,” “2D animation,” and “no 3D rendering.” Additionally, AI systems displayed ethical constraints, refusing to generate content containing keywords such as “abuse,” “sexual violence,” or “crime.”
The key contribution of this study lies not merely in evaluating the performance of emerging AI technologies but in empirically verifying, through quantitative experiments and statistical analysis, how human–AI collaboration influences visual quality in video production. Repeated-measures ANOVA and Bonferroni post-hoc tests statistically confirmed that the hybrid workflow achieved the most stable balance between visual consistency and workflow efficiency. Moreover, the study quantitatively demonstrated the indispensable human involvement—such as direction and planning, detailed motion, character modeling, quality evaluation, and ethical judgment—that continues to play a decisive role in creative outcomes, regardless of technological advancement.
Overall, the findings empirically demonstrate that the hybrid workflow represents the optimal structure for maintaining both quality and efficiency in video production, even amid rapid technological change.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 2
• 1.3 연구 내용 및 구성 3
• 제2장 이론적 배경 5
• 2.1 생성형 AI 기술의 발전과 영상 제작 적용에 관한 선행연구 분석 5
• 2.2 전통적 영상 제작 방식의 구조와 한계에 대한 연구 7
• 2.3 생성형 AI 기반 영상 디자인 활용 및 연구 동향 9
• 제3장 연구 방법론 14
• 3.1 연구 절차 및 흐름 14
• 3.2 사례 분석 방법 15
• 3.3 실증적 제작 실험 방법 17
• 제4장 사례 분석 18
• 4.1 광고 사례 분석 20
• 4.1.1 Coca-Cola “Masterpiece” (2023) 20
• 4.1.2 Coca-Cola Holidays Are Coming(2024) 21
• 4.1.3 Heinz AI Ketchup (2022) 24
• 4.2 애니메이션 사례 분석 26
• 4.2.1 Netflix 단편 The Dog & the Boy (2023) 26
• 4.2.2 Twins Hinahima (2025) 28
• 4.2.3 CJ ENM AI 애니메이션 캣 비기 (2025) 31
• 4.3 영화 사례 분석 33
• 4.3.1 Here (2024) 33
• 4.3.2 Indiana Jones and the Dial of Destiny (2023) 36
• 4.3.3 One more pumpkin (2023) 38
• 4.4 사례 분석 종합 논의 40
• 제5장 실증적 제작 실험 42
• 5.1 서울시 아동학대 예방 공모전 프로젝트 43
• 5.2 'Childhood' 애니메이션 프로젝트 49
• 5.3 전문가 평가 설계 및 수행 52
• 5.4 정량·정성 평가 결과 분석 54
• 5.5 평가 결과 종합 64
• 제6장 연구 결과 및 논의 70
• 6.1 생성형 AI와 디자이너의 협업 전략 70
• 제7장 결론 79