Overcoming AI System Implementation Challenges

Abstract

Artificial intelligence （AI） systems promise transformative potential across industries, yet organizational implementation consistently fails despite technological advances. Through systematic analysis of 18 longitudinal AI implementation cases across Korean public and private sector organizations and comprehensive synthesis of information systems literature, this dissertation identifies organizational distrust as the fundamental barrier to AI adoption. This distrust stems from two interacting sources: AI's genuine technical limitations （algorithmic opacity, performance uncertainty, and resource intensity） and organizational deficiencies （leadership gaps, unclear vision, and insufficient literacy）. Addressing these sources requires four complementary trust dimensions: cognitive trust, affective trust, procedural trust, and performance-based trust.

This research establishes that sustainable AI implementation requires synergistic integration of organizational and technical dimensions through mutually reinforcing mechanisms, as neither organizational preparation nor technical excellence alone proves sufficient. Leadership transformation addresses the two organizational trust dimensions, cognitive trust and affective trust, by developing trust-building, ethical oversight, and collaboration facilitation capabilities that extend transformational leadership, trait theory, and servant leadership to AI contexts. However, organizational readiness without technical credibility ultimately intensifies member resistance, as failed projects reinforce distrust rather than building the experiential evidence adoption requires.

Learning efficiency through curriculum learning addresses the two technical trust dimensions, procedural trust and performance-based trust, by providing the experiential evidence that organizational preparation enables but cannot itself generate. DATIC-CL （Difficulty-Aware Textual Image Classification with Curriculum Learning） establishes procedural trust through feature-based difficulty measurement grounded in five interpretable visual features （Edge Pixel Count, HOG Mean, GLCM Contrast, GLCM Homogeneity, and Image Cosine Similarity）. Statistically significant correlations （p〈0.001） between these features and curriculum learning effectiveness were validated through systematic exploration, achieving 72.30% test accuracy with observable training progression that stakeholders can verify and audit. TiCRL （Textual Image Classification with Reinforcement Learning-based Curriculum Learning） extends this interpretable foundation with RL-based adaptive scheduling to establish performance-based trust. On CNN-based models, TiCRL achieves 83.67% accuracy, representing statistically significant improvements of +3.24 to +7.83 pp over baselines （p〈0.01, Cohen's d=2.46 to 5.86）. On DiT transformer fine-tuning, TiCRL achieves 93.02% accuracy （+1.95 pp, p〈0.05） while using only 57.66% of training data, demonstrating cross-architecture generalization and resource efficiency across diverse learning paradigms.

This dissertation makes four interconnected contributions. First, theoretically, it integrates IS and AI research through a comprehensive trust framework establishing four complementary dimensions: cognitive trust and affective trust （through leadership transformation） alongside procedural trust and performance-based trust （through curriculum learning）, demonstrating that sustainable AI adoption requires simultaneously addressing organizational governance and technical execution. Second, empirically, it validates through 18 Korean organizational cases that organizational distrust constitutes the fundamental implementation barrier, revealing consistent patterns across diverse contexts. Third, organizationally, it provides practical frameworks operationalizing AI leadership through three complementary capabilities: transformational leadership building cognitive trust via AI literacy enhancement, trait-based leadership building affective trust via ethical oversight, and servant leadership enabling collaboration facilitation, demonstrating mutually reinforcing organizational-technical integration. Fourth, technically, it establishes procedural trust through interpretable and systematic training processes and performance-based trust through statistically significant performance improvements via curriculum learning, while achieving resource efficiency that makes AI accessible to resource-constrained organizations.

The integrated framework this research establishes demonstrates that learning efficiency serves as the strategic bridge connecting organizational readiness with technical credibility. Leadership creates conditions enabling technical experimentation, curriculum learning provides experiential evidence validating organizational commitment, and technical achievements provide credible evidence that leaders reference when building stakeholder trust. This virtuous cycle enables sustained organizational AI capability development, contrasting with the failure cycles organizations experience when attempting organizational preparation without technical validation or technical implementation without organizational foundation.;인공지능 （AI） 시스템은 산업 전반에 걸쳐 혁신적 잠재력을 제공하지만, 기술적 진보에도 불구하고 조직 구현은 지속적으로 실패하고 있다. 본 연구는 한국 공공 및 민간 부문의 18개 종단적 AI 구현 사례에 대한 체계적 분석과 정보시스템 문헌의 포괄적 종합을 통해, 조직적 불신이 AI 도입의 근본적 장벽임을 규명하였다. 이러한 불신은 이중 원천, 즉 AI의 기술적 한계 （알고리즘 불투명성, 성능 불확실성, 막대한 자원 필요 등）와 조직적 결함 （리더십 공백, 불명확한 비전, 불충분한 리터러시 등）에서 비롯되며, 이를 해소하기 위해 인지적 신뢰, 정서적 신뢰, 절차적 신뢰, 성과 기반 신뢰라는 네 가지 상호보완적 차원이 요구된다.

본 연구는 지속 가능한 AI 구현이 조직적 준비나 기술적 우수성 단독으로는 불가능하며, 상호 강화 메커니즘을 통한 두 차원의 시너지적 통합을 요구함을 확립하였다. 리더십 변혁은 변혁적 리더십, 특성 이론, 서번트 리더십을 AI 맥락으로 확장하여 신뢰 구축, 윤리적 감독, 협업 촉진 역량을 개발함으로써 인지적 신뢰와 정서적 신뢰라는 조직적 차원의 두 신뢰 차원을 다룬다. 그러나 기술적 신뢰성이 없는 조직적 준비는 오히려 프로젝트 실패로 인해 불신을 강화하면서 최종적으로 구성원들의 강한 저항으로 이어진다.

커리큘럼 학습을 통한 학습 효율성은 조직적 준비만으로는 불가능한 경험적 증거를 제공함으로써 절차적 신뢰와 성과 기반 신뢰라는 기술적 차원의 두 신뢰 차원을 다룬다. DATIC-CL （Difficulty-Aware Textual Image Classification with Curriculum Learning）은 체계적 탐색을 통해 검증된 다섯 가지 해석 가능한 시각적 특징 （에지 픽셀 수, HOG 평균, GLCM 대비, GLCM 동질성, 이미지 코사인 유사도）에 기반한 특징 기반 난이도를 부여하여 절차적 신뢰를 확립한다. 실제로 각 시각적 특징과 커리큘럼 효과성 간 통계적으로 유의미한 상관관계 （p〈0.001）가 나타났으며, 관찰 가능한 훈련 진행을 통해 72.30%의 테스트 정확도를 달성하였다. TiCRL （Textual Image Classification with Reinforcement Learning-based Curriculum Learning）은 이러한 해석 가능한 기반을 강화학습 기반의 적응형 스케줄링으로 확장하여 성능 기반 신뢰를 확립한다. 경량 모델인 CNN의 훈련에서 83.67%의 정확도를 달성하면서, 기준선 대비 +3.24에서 +7.83 pp의 통계적으로 유의미한 개선 （p〈0.01, Cohen's d=2.46에서 5.86）이 나타났다. 또한, DiT 트랜스포머 모델의 미세조정에서 훈련 데이터의 57.66%만 사용하면서도 93.02%의 정확도 （기준선 대비 +1.95 pp, p〈0.05）를 달성하여, 다양한 학습 패러다임에의 적용 가능성과 자원 효율성을 확인하였다.

이러한 연구를 통해 본 논문은 네 가지 상호 연결된 기여를 제시한다: （1） 포괄적인 신뢰 프레임워크를 통해 정보시스템과 AI 연구를 이론적으로 통합하고, 인지적 신뢰와 정서적 신뢰 （리더십 변혁을 통해）, 절차적 신뢰와 성과 기반 신뢰 （커리큘럼 러닝을 통해）라는 네 가지 상호보완적인 차원을 설정하여 지속 가능한 AI 도입을 위해서는 조직 거버넌스와 기술 실행을 동시에 해결해야 함을 보여주었다. 또한, （2） 18개의 한국 조직 사례 연구를 통해 조직적 불신이 AI 도입의 근본적인 장벽임을 실증적으로 검증하고, 다양한 맥락에서 일관된 패턴을 밝혀내었으며, （3） 상호보완적인 조직-기술 통합을 보여주는 세 가지 역량 （AI 활용 능력을 통해 인지적 신뢰를 구축하는 변혁적 리더십, 윤리적 감독을 통해 정서적 신뢰를 구축하는 특성 기반 리더십, 협업을 가능하게 하는 서번트 리더십）을 통해 AI 리더십을 구체화하는 조직 프레임워크를 제시하였다. 마지막으로 （4） 커리큘럼 러닝을 통해 절차적 신뢰 （해석 가능하고 체계적인 교육 과정을 통해）와 성과 기반 신뢰 （통계적으로 유의미한 성과 향상을 통해）를 구축하는 동시에 자원 효율성을 달성하여 자원이 제한된 조직의 AI 접근성을 높이는 기술적 구현 방안을 제시한다.

본 연구가 확립한 통합 프레임워크는 학습 효율성이 조직적 준비와 기술적 신뢰성을 연결하는 전략적 가교 역할을 할 수 있다: 리더십은 기술적 실험을 가능하게 하는 조건을 만들고, 커리큘럼 학습은 조직적 헌신을 검증하는 경험적 증거를 제공하며, 이를 통해 신뢰를 강화할 수 있다. 특히 기술적 성과는 리더가 이해관계자와의 신뢰를 구축할 때 참조할 수 있는 증거로 작용한다. 이러한 선순환은 지속 가능한 조직 AI 역량 개발을 가능하게 하며, 기술적 검증 없는 조직적 준비나 조직적 기반 없는 기술적 구현을 시도할 때 조직이 경험하는 실패 과정과 뚜렷한 대조를 이룬다. AI 시스템이 체계적으로 훈련될 수 있고 우수한 결과를 제공할 수 있음을 입증함으로써, 본 연구는 커리큘럼 학습이 조직적 준비와 기술적 신뢰성 간의 구현 격차를 해소하는 실용적 접근법임을 검증하며, 자원 제약 맥락에서 지속 가능한 AI 도입에 필수적인 완전한 증거 기반을 확립한다.