생성형 AI를 활용한 역사 영상 콘텐츠 제작 워크플로우와 고증 방식에 관한 탐색적 연구

1. 생성형 AI와 역사 영상 콘텐츠 제작 워크플로우

생성형 AI의 등장은 방송 영상 제작 워크플로우의 패러다임을 재편하며 창작 주체의 역할 변화를 이끌어내고 있다. 생성형 AI는 기획자가 제작자의 역할을 동시에 수행할 수 있도록 도울 뿐만 아니라^[1] 제작 과정 전반에 걸쳐 창작자가 결과물을 제어할 수 있는 환경을 제공한다^[11]. 특히 최근의 영상 생성 모델은 기존 촬영이나 CG(Computer Graphics), VFX(Visual Effects), XR(eXtended Reality) 등의 방식으로 구현하기 어려웠던 장면을 단기간에 시각화하고 있다^[14]. 나아가 프로그램 고유의 스타일과 톤을 유지하면서 방송 그래픽을 제작할 수 있는 등 제작자가 반복적인 작업에서 벗어나 창의적 아이디어에 집중할 수 있는 기반이 마련되고 있다^[15].

생성형 AI의 도입 양상은 제작 단계별 특성에 따라 다르게 나타난다. 사전 제작 단계에서는 기획, 시나리오 작성, 스토리보드 구성에 활용되며, 본 제작 단계에서는 이미지·영상의 생성에, 후반 작업 단계에서는 편집과 합성을 중심으로 적용된다^[11]. 이처럼 생성형 AI 기반 제작은 일회적인 자동 생성이 아니라 인간의 판단과 반복적인 수정이 필수적으로 개입되는 과정이므로, 워크플로우를 하나의 덩어리가 아닌 각 단계 단위로 세분화하여 분석할 필요가 있다.

이러한 워크플로우의 변화는 제작진의 기술 수용 양상 및 인식과 밀접하게 연관된다. TV 방송 제작진의 생성형 AI에 대한 인식은 수용 태도와 의도에 영향을 미치게 되는데^[2], 이는 생성형 AI의 도입이 제작 주체의 인식 속에서 이루어지는 사회기술적 과정임을 시사한다. 이 현상을 파악하기 위해서는 기술이 행위자에게 부여하는 가능성과 제약을 동시에 조망하는 Affordance(어포던스)와 제약의 관점이 유용하다. 어포던스는 행위자와 환경 사이의 관계적 속성으로서 목표 달성을 촉진하는 행위 잠재력을 의미하며^[13], 제약은 이를 저해하는 속성을 뜻한다^[16]. 이를 역사 영상 제작에 대입하면, 각 제작 단계에 따라 발현되는 행위 가능성과 제약이 서로 다르기에 본 연구에서 생성형 AI를 활용한 역사 영상 콘텐츠 제작 워크플로우의 단계별 적용 양상과 그 과정에서 나타나는 기술적 특성을 탐색하고자 한다. 그림 1은 기존 방송 시스템의 워크플로우와 생성형 AI를 활용한 워크플로우를 비교한 것이다.

Fig. 1.

Comparison of conventional and generative AI-based production workflows

2. 역사 영상 콘텐츠의 역사적 사실성과 고증

역사 영상 콘텐츠는 과거의 인물과 사건을 단순 복제하는 것이 아니라, 현재의 제작자가 사료를 선택하고 배열하여 재해석한 결과물이다. 이는 대중의 역사 인식 형성에 영향력을 미치며 역사의 대중화에 기여하지만, 사실성과 신뢰성을 확보해야 할 과제를 안고 있다^[17]. 최근 디지털 플랫폼에서 유통되는 한국사 콘텐츠는 역사 지식의 유통을 촉진하는 긍정적 기능과 더불어, 사실 왜곡, 단순화, 제작자의 편향된 역사관으로 인한 신뢰성 문제를 노출하고 있다^[5]. 역사 영상 콘텐츠의 영향력이 커질수록 사실성 확보를 위한 규범적·제도적 관리 체계가 더욱 중요해지고 있다.

역사 영상의 신뢰성을 논의하기 위해서는 역사적 사실성과 진정성의 개념을 체계적으로 구분할 필요가 있다. 역사적 사실성은 콘텐츠에 나타난 인물, 사건, 시기, 장소, 의복, 건축 등이 확인 가능한 사료와 역사적 지식에 부합하는 정도를 뜻한다. 미디어를 통한 역사 재현은 사료에 근거한 사실 전달과 극적 재구성 사이에 위치하며, 재현물이 당대의 역사적 실제에 얼마나 부합하는지가 진정성의 핵심이 된다^[6]. 역사적 사실성을 높이려면 활용된 연구 자료를 체계적으로 평가하고, 근거에 기반한 부분과 가설적 복원에 해당하는 영역을 명확히 구분해야 하며, 이 모든 판단 과정을 문서화하여 이용자가 검증할 수 있도록 해야 한다^[18]. 이러한 원칙은 생성형 AI 기반 역사 영상 제작에도 동일하게 적용되기에 본 연구에서는 역사적 사실성을 ‘생성된 콘텐츠가 사료에 근거한 역사적 실제에 부합하는 정도’로 정의하고, 이를 실현하는 실천적 수단으로서 고증과 검증을 탐구하고자 한다.

고증과 검증은 역사적 사실성을 담보하는 핵심 기제이지만 개념적으로 구별된다. 고증은 복식, 건축, 소품, 언어 등 다양한 재현 대상을 해당 시대의 역사적 사실에 부합하도록 만드는 활동이다. 국내 사극 연구에서 고증은 주로 극적 재미를 위한 연출적 허용과 대비되는 개념으로 사용되어 왔으며, 전통 복식이나 세부 소품의 재현 등을 통해 구체화되어 왔다^[19]. 반면, 검증은 고증을 거쳐 도출된 산출물이 실제로 역사적 사실에 부합하는지를 사후적으로 확인하는 절차와 주체를 의미한다. 즉, 고증이 제작 과정에서의 기준이라면 검증은 산출물에 대한 사후적 확인 절차로서 두 개념은 모두 역사적 사실성을 실현하는 상호보완적 수단으로 위치한다.

Fig. 2.

Example of a Generative AI Application in Broadcasting

생성형 AI의 도입은 역사 콘텐츠의 새로운 지평을 열어주는 동시에, 고증과 검증의 차원에서 새로운 문제를 야기한다. 진정한 역사적 자료로 인정받기 위해서는 생존자 증언 등에 기반한 사회적 검증과 진정성 확보 과정이 선행되어야 한다^[4]. 생성형 AI가 매개하는 역사 재현에서 기술적 사실성이 곧 역사적 사실성을 보장하지 않기 때문이다.

3. 생성형 AI의 기술적 한계와 신뢰성

생성형 AI는 역사 영상 콘텐츠 제작에 새로운 가능성을 제공하는 한편, 사실성을 위협하는 기술적 한계를 지닌다. 생성형 AI는 방대한 데이터를 확률적 정보에 의거해 합성하므로, 실제 사료에 근거하지 않은 결과물을 생성할 위험성이 크다^[7]. 이러한 환각 현상은 텍스트를 넘어 이미지와 영상 생성에서도 빈번히 발생한다. 아울러 학습 데이터의 불균형으로 인한 알고리즘 편향 역시 심각한 왜곡을 초래한다^[8]. 특히 비서구권 및 한국 관련 역사 데이터의 부족은 국내 역사적 복식·건축·인물 재현에서 심각한 시각적 왜곡과 편향성으로 이어질 수 있다는 점에서 한계를 지닌다. 또한 생성형 AI 기반 영상 제작은 감정 표현의 미세 조정이 어렵고 데이터 의존성이 높으며, 캐릭터의 일관성 유지와 장면 간 연속성 확보가 어려운 문제로 부각된다^[20]. 또한, 건축물이나 소품이 프레임 전환에 따라 사라지거나 형태가 변하고, 인물의 동작과 사물의 물리적 관계가 부자연스럽게 표현되는 현상이 발생한다^[21].

문제는 생성 결과물의 시각적 사실감이 높아질수록 이러한 고증 오류를 발견하기 어려워진다는 점이다. 시청자는 사실적인 조명, 카메라 구도, 필름 질감 등이 적용된 화면 속 세부 요소가 실제 사료에 근거한 것인지 임의로 생성된 것인지 구분하기 어렵다. 역사적 장면의 생성 모델을 평가한 연구에서, 생성형 AI는 특정 시대에 고정된 시각적 양식을 왜곡하여 부여하거나, 근현대 소품을 전근대 장면에 삽입하는 시대착오적 오류를 범하며, 해당 시기의 인구 구성과 맞지 않는 인종·성별 분포를 나타내기도 했다^[22]. 역사적 프롬프트를 입력한 것만으로는 역사를 올바르게 반영할 수 없으며, 생성 결과물의 미적 완성도와 역사적 사실성은 별개임을 의미한다.

결국 생성형 AI를 활용한 역사 영상 콘텐츠에서 검수와 검증은 결과물의 역사적 의미와 방영 가능성을 결정하는 핵심 과정이므로, 기술적 생성 능력과 최종 결과물에 대한 책임 소재를 명확히 해야 하며, 역사적 재현과 고증이라는 특수한 맥락에서 제작 현장의 구체적인 검증 및 활용 방안을 검토해야 한다.

1. 연구 문제

본 연구의 목적은 생성형 AI를 활용한 역사 영상 콘텐츠 제작 현장에서 제작 워크플로우와 고증 방식이 실제로 어떻게 작동하는지를 경험적으로 탐색하는 것이다. 구체적으로 ⅰ) 생성형 AI 기반 역사 영상 콘텐츠 제작 워크플로우의 단계별 적용 양상과 그 과정에서 나타나는 기술적 특성을 파악한다. ⅱ) 생성형 AI가 매개된 제작 공정 내에서 역사적 사실성을 확보하기 위한 고증과 검증 체계의 작동 방식을 규명한다. ⅲ) 역사적 재현과 고증 과정에서 발현되는 기술적 한계와 이를 극복하기 위한 과제를 도출한다. 이를 통해 실제 제작 현장의 워크플로우와 검증 관행에 대한 경험적 자료를 축적하고, 실무자들이 생성형 AI를 올바르게 활용할 수 있는 방향과 시사점을 제공하고자 한다. 이를 위해 본 연구는 다음과 같은 연구 문제를 설정하였다.

• 연구 문제 1. 생성형 AI 기반 역사 영상 콘텐츠 제작 워 크플로우의 단계별 적용 양상과 기술적 특성은 어떠한가?
• 연구 문제 2. 생성형 AI가 매개된 제작 공정 내에서 역사적 사실성을 위한 고증은 어떻게 작동하는가?
• 연구 문제 3. 생성형 AI를 활용한 역사적 재현 및 고증 과정에서 발현되는 기술적 한계와 극복 과제는 무엇인가?

2. 조작적 정의와 심층 인터뷰 분석 방법

본 연구의 핵심 개념은 다음과 같이 조작적으로 정의하였다. ⅰ) 워크플로우 제작 과정은 아이템 기획부터 포스트 프로덕션에 이르는 제작 단계별 업무 절차와 인력 구성을 의미한다. ⅱ) 사실성과 고증 확보 방안은 복식·건축·소품·언어 등 재현 대상을 해당 시대의 역사적 사실에 부합하도록 만드는 제작 과정상의 활동으로 정의하였고, 검증은 고증을 거쳐 도출된 산출물이 실제로 역사적 사실에 부합하는지를 사후적으로 확인하는 절차와 주체로 정의하였다. ⅲ) 생성형 AI 제작 과정의 한계는 생성형 AI의 확률적 생성 방식에 기인하여 발생하는 환각, 시대착오적 오류, 학습 데이터 편향, 일관성 결여 등 산출물의 신뢰성을 저해하는 특성으로 정의하였다. 인터뷰 항목은 <표 1>과 같다.

Table 1.

In-depth Interview Items

인터뷰 항목은 연구 문제에 맞게 반구조화 방식으로 설계하였다. 구체적으로 워크플로우 제작 과정, 사실성과 고증 확보 방안, 생성형 AI 제작 과정의 한계로 구분하였으며, 각 영역 내 세부 문항으로 나누어 구성하였다. 질문 문항의 타당성 확보를 위해 선행연구에서 제시된 생성형 AI 제작 워크플로우 및 검증 관련 논의를 토대로 예비 문항을 도출한 후, 최근 역사 콘텐츠의 생성형 AI 작업 경험이 있는 현업 종사자 2인을 대상으로 사전 인터뷰를 실시하여 문항의 이해도와 응답 가능성을 점검하고, 현장 용어와 부합하지 않는 문항을 수정하였다. 심층 인터뷰는 사전에 도출된 질문 항목을 토대로 하되 필요한 경우 유연하게 추가 질문을 하였다.

본 연구의 인터뷰 대상은 생성형 AI를 활용한 역사 영상 콘텐츠 제작에 참여한 경험이 있고, 생성형 AI를 활용하지 않은 영상 제작 경험을 보유하여 두 제작 방식의 차이를 비교할 수 있는 자로 한정하였다. 이를 통해 방송사 PD, 독립제작사 PD, 영화감독, 프로듀서, 방송 기술감독 등 8명이 참여하였다.

Table 2.

Interview Participants

이후 인터뷰 내용은 참여자의 사전 동의를 득한 후 녹취를 통해 전사하였으며, 전사 과정에서 불명확한 내용은 추가 질의를 통해 보강하였고, 최종 분석을 수행하였다. 인터뷰 전사 자료는 질문 영역에 따라 재구성·범주화하였으며, 참여자의 발화는 원문 표현을 그대로 직접 인용하고, 참여자 식별 부호(A~H)와 소속·역할을 병기하였다.

1. 생성형 AI 기반 역사 영상 콘텐츠 제작 워크플로우의 단계별 적용 양상과 기술적 특성

생성형 AI의 도입 후 영상 제작 워크플로우의 기본 골격은 유지되고 있으나 각 단계의 작업 방식과 인력 구성은 근본적으로 재편되고 있다. 참여하는 제작 스태프의 수가 급감하고, 실제 촬영 단계는 생성형 AI의 레퍼런스 확보를 위한 의상 및 소품 촬영이나 합성용 소스 촬영 위주로 축소되었다. 포스트 프로덕션(CG·VFX) 역시 일부분 수정이 불가능한 생성형 AI의 한계 탓에, 여러 결과물을 생성한 뒤 원하는 결과물을 선택하거나 전체를 재생성하는 방식으로 전환되었다.

“기존 방송 제작의 단계 틀 자체는 유지되지만, 각 단계별로 투입되던 인력, 예를 들어 리서처, 아트디렉터, 로케이션 디렉터, 세트·소품팀, 촬영감독 등 실사 다큐 기준 100여 명이 생성형 AI 도입 후 거의 필요 없어지는 ‘스태프와의 이별 프로세스’로 요약할 수 있다.” — A, 방송사 PD

하지만 기획 및 프리 프로덕션 단계의 업무 부담을 크게 증가시켰다. 생성형 AI 결과물의 불확실성을 통제하기 위해, 기존 워크플로우에서 방송 1-2주 전에 이루어졌던 결정들이 방송 8주 전으로 앞당겨졌다. 연출진은 생성형 AI 구현 가능성 테스트는 물론, 대량의 레퍼런스 수집 및 컨펌, 잦은 재생성, 외주 업체와의 소통 등 기획 단계에서 전례 없는 부담을 안게 되었다. 구체적으로 1회차 5분 분량의 생성형 AI 파트를 위해 약 100기가바이트 분량의 자료를 생성형 AI 업체에 전달하고, 해당 업체가 색감·앵글·장면 등을 상세 지정한 후 결과물을 취합하여 최종 편집을 하는 것으로 나타났다.

“방송일 기준 12주 전 기획 착수 → 10주 전 대본·구성 확정, 콘티 완성 → 8주 전 전체 스태프(연출·AI·XR·CG) 기술 회의로 당겨졌어요. 기존에는 편집 직전에 내려도 됐던 결정들을 방송 8주 전으로 앞당겨 확정해야 하는 구조입니다.” — F, 방송사 PD

기획 단계가 길어지고 복잡해지는 요인으로는 역사 영상 장르 특유의 ‘비교 기준 상존’이 지목되었다. 상상력의 제한이 없는 판타지나 SF 장르와 달리, 역사물은 실제 기록과 유물이라는 명확한 고증 기준이 존재한다. 생성형 AI 영상의 오류는 기술적 결함으로 간주되기에 더욱 엄격한 기준을 적용할 필요가 있기에 제작진은 복식, 문양, 제례 요소 등 민감한 디테일을 생성형 AI에 치밀하게 사전 학습시켜야 하는 부담을 안게 되었다.

“판타지·우주·미래 소재는 비교 대상 자체가 없어 상상력을 마음껏 구현할 수 있지만, 역사물은 실제 기록·유물이라는 비교 기준이 존재하기 때문에 오히려 AI 제작물에 대해 역차별적으로 더 엄격한 기준이 적용됩니다. 특히 한중일 외교사에서 민감하게 다뤄지는 복식·문양·제례 요소(왕관의 구슬 개수, 갑옷의 용 문양 개수 등)를 사전에 지정해 AI를 학습시키지 않으면 매번 결과가 달라지는 문제가 발생합니다.” — A, 방송사 PD

다음으로 참여자 다수가 물리적 움직임의 부자연스러움을 공통된 한계로 지적했다. 인물이 움직일 때 수반되는 옷자락이나 머리카락 등 2차 움직임 구현이 미흡하여 위화감을 주거나, 다수 인물이 등장하는 전투신에서 형태가 붕괴되는 현상이 대표적이다. 다만 현장 전문가들은 이른바 ‘AI룩’을 단순한 기술 결함이라기보다 수용자의 시각적 적응과 맞물린 상대적 현상으로 이해하고 있었다.

Fig. 3.

Example of a Battle Scene Created Using Generative AI

“인물이 움직일 때 옷자락·머리카락 등 뒤따라야 할 ‘제2·제3의 움직임’(세컨더리 액션)이 자연스럽게 표현되지 않아 위화감을 준다. 전투신의 부자연스러움, 불쾌한 골짜기, 등장인물이 다수일 때 형태가 붕괴되는 경향이 있다.” — A, 방송사 PD

한편, 낮은 생성 성공률로 인한 작업 시간 지연 등의 문제가 여전히 존재하지만, 인물 표현의 기술적 한계는 실시간 디에이징 등 특정 영역에서 상당 부분 해소되고 있다. 이에 따라 현재 산업 현장에서는 생성형 AI 산출물의 일관성을 유지하고 오류를 최소화하기 위해 ‘에셋(캐릭터 가이드) 사전 고정 전략’을 핵심 방법론으로 채택하여 대응하고 있다.

2. 생성형 AI가 매개된 제작 공정 내 역사적 사실성을 위한 고증 방식

생성형 AI를 활용한 역사 영상 제작에서 고증을 통한 역사적 사실성을 확보하기 위해 참여자들이 공통적으로 채택한 핵심 전략은 제작 초기 단계에 고증 요소를 확정하여 생성형 AI에 고정 레퍼런스로 제공하는 것이었다. 제작진은 텍스트에만 의존하여 영상을 생성할 경우 환각이 심하게 발생한다는 점을 지적하였다. 이에 따라 내용, 구도, 복식 등이 담긴 실제 소품과 공간을 실사로 먼저 촬영하여 레퍼런스로 제공하고, 이를 생성형 AI의 입력값으로 활용해 이미지를 생성하고 비로소 영상으로 전환하는 절차를 따르고 있었다. 조선시대처럼 사료가 명확한 경우는 복식과 디자인 에셋을 사전에 확정해 생성형 AI 엔지니어에게 전달하지만, 삼국시대처럼 사료가 부족해 교차 검증이 어려운 아이템은 기획 단계에서 배제하는 사례도 확인되었다.

Fig. 4.

Examples of Reference Materials for Ensuring Historical Accuracy in Generative AI-Generated Content

“사전에 캐릭터 가이드·의상·왕관·갑옷 디자인 등 ‘에셋’을 확정해 생성형 AI에 고정 레퍼런스로 제공하는 것이 핵심 전략이다. 삼국시대처럼 삼국사기·삼국유사 정도만 기록이 남아 있는 시기는 복식 검증 자체가 불가능해 회의 끝에 아이템을 접은 사례가 있다.” — A, 방송사 PD

“텍스트만으로 곧바로 영상을 만드는 경우는 거의 없다. 고증 요소가 담긴 실제 의상·소품을 실촬영하고 그 이미지를 생성형 AI의 인풋으로 넣어 이미지를 생성하며, 이미지가 확정되면 비로소 비디오로 전환하는 절차를 고수한다. 곧바로 Text-to-video를 시도할 경우 서구 중세풍으로 결과가 나오는 등 할루시네이션이 심했던 경험 때문이다.” — F, 방송사 PD

AI 생성 결과물에 대한 고증 검수는 기존 CG나 재연 결과물의 검수와 근본적으로 다른 차원의 작업 강도를 요구하는 것으로 나타났다. 초기 레퍼런스 설정 후 톤앤매너 위주로 확인하는 기존 CG와 달리, 생성형 AI는 결과물이 매번 달라진다. 특히 카메라 무빙 과정에서 현판의 한자나 태극 문양 등 미세한 디테일이 변형될 위험이 커, 연속성을 유지하기 위해 기존보다 훨씬 촘촘한 컷 단위의 크로스체크가 필요하다는 진술은 역사 영상 고증의 작업 강도를 잘 보여준다.

“생성형 AI는 결과물이 매번 확률적으로 달라져 컷마다 문양·색상 등의 미세한 변형까지 재확인해야 하는 등 꼼꼼한 검증이 필요하다.” — B, AI·XR 총괄 감독

이러한 검증 부담에 대응하는 방식은 조직의 자원과 재정 규모에 따라 뚜렷한 차이를 보였다. 대형 방송사는 연출부와 그래픽 제작자 간의 교차 검증은 물론, 외부 전문가 섭외 및 공식 AI 심의위원회를 신설하는 등 다중 주체가 참여하는 검증 시스템을 마련하고 있었다. 또한 국가유산청이나 국립중앙박물관이 제공하는 3D 스캔 문화재 데이터를 활용하여 신뢰도를 높이고 있다.

반면 상대적으로 자원이 제한된 외주 제작사에서는 이러한 다중 검증이 이상적 수준으로 작동하지 못하였다. 자문료 등 예산 문제로 인해 전문가의 충분한 검토를 거치지 못하거나, 전수 스크리닝을 포기한 채 위험을 감수하는 상황이 발생하고 있었다. 이는 생성형 AI 제작물의 고증 수준이 조직의 물적 자원과 직접적으로 연동되어 있음을 시사한다.

“연출부·그래픽 제작자 간 상호 크로스체크에 더해, 외부 제작업체가 역사 고증으로 유명한 인물을 별도로 섭외해 검증에 참여시키는 등 방송사 본사와 외주 업체 두 축에서 동시에 검증이 이뤄진다. 국가유산청·국립중앙박물관이 무료로 배포하는 3D 스캔 유물·문화재 데이터를 활용해 신뢰도를 높이는 방법도 사용한다.” — B, AI·XR 총괄 감독

“제작 여건상 AI 생성물의 전수 스크리닝이 사실상 어려워, 문제가 없기를 바라며 위험을 감수한 채 넘어가는 상황이 벌어지고 있다. 이는 순전히 예산 문제이다.” — E, 제작사 PD

고증 오류 발견 시 이를 수정하고 보완하는 과정에서도 기술적 불완전성에 기인한 애로 사항이 두드러졌다. 부분 수정을 요청하더라도 생성형 AI가 이미지 내의 다른 요소까지 무작위로 변형시켜버리는 경우가 잦아, 전체를 다시 생성해야 하는 이른바 무한 수정 루프 현상을 공통적으로 토로했다. 이에 일부 제작진은 서사적 장치로 은폐하는 연출적 우회 전략을 채택하기도 했다. 일례로 특정 캐릭터의 눈동자 렌더링 실패를 가리기 위해 안대를 착용시키는 설정이 추가되었는데, 이는 생성형 AI의 기술적 한계가 서사 구성에까지 영향을 미칠 수 있음을 보여준다.

“애니메이션에서 실제로 캐릭터가 안대를 착용하는 장면이 AI의 눈동자 렌더링 실패로 인해 불가피하게 삽입되었는데, 이는 연출 의도가 아닌 ‘기술적 한계를 가린 것’이었다.” — A, 방송사 PD

3. 생성형 AI를 활용한 역사적 재현 및 고증 과정에서의 기술적 한계와 극복 과제

생성형 AI를 적용한 역사적 재현 과정에서 제작진이 가장 빈번하게 지적하는 기술적 한계는 대규모 인물이 등장하는 ‘몹신(Mob Scene)’의 구현이다. 개별 인물이 ‘점’ 단위로 취급되어 디테일 표현이 훼손되며, 배경까지 세밀하게 요구할수록 전체적인 품질이 저하된다. 이에 현장에서는 3D로 뼈대를 제작한 뒤 생성형 AI로 재가공하는 방식을 채택하고 있다. 또한 생성형 AI 모델 특유의 블랙박스 현상, 즉 생성 과정의 불투명성은 결과물의 신뢰성을 판단하는 근본적인 장벽으로 작용한다. 제작진은 생성형 AI가 어떤 데이터를 근거로 산출물을 도출했는지 역추적할 수 없어, 지시가 정확히 반영된 것인지 무작위 생성 중 우연히 얻은 결과인지 구별하기 어려운 상황에 놓이곤 한다.

Fig. 5.

Example of a Crowd Scene Generated Using Generative AI

“세부 정보를 처리할 때 앞부분 정보에 편중되는 경향이 있어, 클로즈업에 집중한 프롬프트일수록 결과가 좋고 배경까지 세세히 요구하면 품질이 떨어진다.” — C, 영화감독

“생성형 AI가 어느 단계에서 어떤 자료를 실제로 반영했는지 알려주지 않아 결과물이 정말 지시대로 만들어졌는지, 단순히 여러 번 돌린 끝에 우연히 좋은 결과가 나온 것인지 구분할 수 없다.” — H, 제작사 PD

또한 역사적 사실 왜곡을 최소화하기 위해 현장에서 일관되게 채택하는 전략은 ‘텍스트가 아닌 구체적 이미지 레퍼런스의 제공’이다. 생성형 AI 자체는 팩트 체크 도구로 신뢰받지 못하고 있으며, 구체적인 시각 자료 없이 텍스트만으로 수정을 요청하는 것은 매우 비효율적인 것으로 확인되었다. 그러나 이러한 조치에도 불구하고 환각을 완벽히 통제할 기술적 해법은 아직 부재하다. 향후 고증 오류를 막기 위해서는 전문적이고 검증된 데이터 위주의 모델 학습과 데이터 품질 관리가 필수적임을 시사한다.

“구체적 이미지 레퍼런스 제공이 핵심이다. 생성형 AI에게도 구체적 이미지 레퍼런스 없이 언어만으로 수정을 요청하는 것은 비효율적이다. LLM 자체는 팩트 체크 도구로 신뢰하지 않는다.” — C, 영화감독

결과적으로 제작 현장에서는 동일한 기술적 제약을 마주하더라도 ‘시스템적으로 보완해야 할 결함’으로 인식하는 태도와 ‘창작적 기교로 극복해야 할 조건’으로 인식하는 태도가 공존하고 있었다. 제작진은 물리적 재현의 한계를 단순히 기술 부족으로 치부하기보다, 각 생성형 AI 툴 고유의 특성을 파악하여 개별 신의 성격에 맞게 최적의 툴을 선택하고 조합하는 관행을 정착시켜 나가고 있다.

1. 연구 결과 요약

본 연구는 생성형 AI를 활용한 역사 영상 콘텐츠 제작자를 대상으로 심층 인터뷰를 실시하여, 제작 워크플로우의 변화 양상, 역사적 사실성을 위한 고증 방식, 그리고 기술적 한계와 극복 전략을 탐색하였다.

첫째, 기존 워크플로우의 기본 골격은 유지되지만 세부 수행 방식과 인력 구조가 근본적으로 변화하였다. 생성형 AI는 단독으로 쓰이기보다 실사 촬영, XR, 3D, CG·VFX 등과 결합하는 하이브리드 방식으로 활용되고 있다. 특히 AI 산출물은 사후 수정이 어려워 의사결정 및 에셋 사전 승인이 제작 초기에 집중되기에 레퍼런스 수집과 반복 검수 등 ‘보이지 않는 노동’이 가중되었고, 생성형 AI 검수 및 고증 자문을 위한 전문 인력이 추가로 요구되면서 투입 인력이 증가하는 구조가 나타났다. 아울러 통합형 역량과 최종 판단 책임이 핵심 연출자에게 집중되는 방향으로 책임과 역할이 변화되었고, 역사물은 실사 콘텐츠보다도 엄격한 사회적 검증이 적용되고 있음이 확인되었다.

둘째, 예상 불가능한 생성형 AI의 특성으로 인해 엄격하고 사전 통제된 고증 방식이 요구된다. 제작진은 캐릭터, 복식, 공간 등의 요소를 사전에 확정해 고정 레퍼런스로 투입하는 사전 입력 통제 방식을 활용하고 있었다. 서구 중세풍 왜곡을 방지하고자 실물 촬영 자료를 입력해 이미지를 확정한 뒤 영상화하는 절차를 고수한다.

검증 단계에서는 매번 무작위로 생성되는 생성형 AI의 특성 때문에 기존 CG보다 훨씬 촘촘한 프레임 및 컷 단위의 교차 확인이 필요하다. 이에 대형 방송사는 AI 심의위원회 신설, 다단계 검증, 공공기관 3D 데이터 활용 등 절차를 제도화하고 있다. 반면 자원이 영세한 외주 제작사는 전수 검증을 포기하는 등 조직의 재정 규모에 따라 고증 수준이 달라지는 한계를 보였다. 또한 사료가 부족한 소재는 기획 단계부터 배제되거나, 기술적 오류를 서사적 장치로 가리는 연출적 우회 전략이 이루어지고 있었다.

셋째, 제작진들은 기술적 한계를 극복하기 위해 생성형 AI의 강점이 돋보이는 컷에만 기술을 선별 적용하고, 몹신 회피, 클로즈업 중심 연출, 짧은 컷 분할 등 연출적 우회 전략을 활용하고 있었다. 최근 다중 레퍼런스 투입 및 편집 도구의 발전으로 일관성 문제는 다소 개선되고 있으나, 컷 단위 검수의 필요성 자체를 없애지는 못하였다. 환각 현상을 억제하기 위해 이미지 레퍼런스를 제공하고 있으며, 제작진은 문제의 근원이 웹상의 비전문적 자료를 학습한 기반 모델에 있다고 보았다. 이는 환각과 왜곡을 해소하기 위해서는 모델 학습 단계에서의 데이터 품질 관리가 선행되어야 함을 시사한다.

2. 생성형 AI와 역사 영상 콘텐츠 제작 워크플로우의 발전을 위한 정책 제언

생성형 AI는 소수 인력으로 대규모 재현을 가능하게 하는 혁신적 어포던스를 제공하지만, 동시에 의사결정의 조기 확정과 컷 단위 검증 노동을 유발하는 제약으로도 작용한다. 성공적인 생성형 AI 도입과 역사적 사실성 확보를 위해 다음과 같은 제언을 제시한다.

첫째, 제작 워크플로우 내에 사전 고증 기준의 문서화와 입력 통제 절차를 상시적으로 내장해야 한다. 기획 단계부터 철저한 고증이 필수적인 요소와 창작적 재량이 허용되는 요소를 명시적으로 구분해야 한다. 또한 환각 발생 가능성을 낮추기 위해, 텍스트 프롬프트에만 의존하기보다 실사 촬영 레퍼런스나 공공기관의 3D 스캔 데이터를 초기 인풋으로 활용하는 절차를 원칙화하는 것이 바람직하다.

둘째, 공용 검증 체계가 필요하다. 현재 고증 및 검증 강도는 조직 예산에 따라 양극화를 보이고 있다. 외주 제작사와 같이 자문 예산이 제한적인 현장에서도 최소한의 검증 기준선을 충족할 수 있도록 개별 프로젝트 단위를 넘어 여러 제작사가 공동으로 활용할 수 있는 시대별 고증 자문단이나 공공 자문 플랫폼을 산업 차원에서 구축할 필요가 있다.

셋째, 국가 차원의 특화 AI 인프라 지원 정책으로서 공공 3D 역사 에셋 데이터베이스 구축이 요구된다. 현재 개별 기관 단위로 배포되고 있는 3D 스캔 문화재·복식·건축 데이터를 시대별·유형별로 통합한 <공공 역사 비주얼 에셋 플랫폼> 등을 구축하고, 이를 생성형 AI 모델의 학습 및 레퍼런스 입력용으로 개방할 필요가 있다. 이는 예산이 제한된 외주 제작사의 초기 자문·레퍼런스 확보 비용을 낮추고, 조직 규모에 따른 고증 수준의 격차를 완화하는 데 기여할 것이다. 아울러 환각과 왜곡의 근본 원인이 학습 데이터 품질에 있기 때문에, 한국인·한국 문화 특화 AI 모델 개발을 국가 연구개발 과제로 지원하는 방안도 병행되어야 할 것이다. 이와 함께 AI 고증 검수·데이터 큐레이션 전문 인력을 양성하는 정책도 논의되어야 할 것이다.

넷째, 현행 「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」에 따른 AI 생성물 표시 의무 제도를 역사 영상 콘텐츠의 특수성에 맞게 구체화할 필요가 있다. AI 생성 여부의 단순 고지를 넘어, 활용된 사료 및 레퍼런스의 출처, 창작적 재구성이 개입된 구간을 구분하여 고지하는 등 표시 기준을 마련할 필요가 있다. 투명한 표시 체계는 생성형 AI의 오류에 대한 수용자의 과도한 불신을 완화하는 동시에, 역사 영상 콘텐츠에 대한 장기적 신뢰를 제고하는 데 기여할 것이다.

본 연구는 다음과 같은 한계를 지닌다. 첫째, 심층 인터뷰 참여자가 8인으로 제한되어 있고 대다수가 공영방송 및 협력 외주 제작사에 편중되어 있어, 본 연구 결과를 상업 영화나 유튜브 등 1인 창작자 생태계를 포함한 미디어 산업 전반으로 일반화하기에는 신중을 기해야 한다. 둘째, 기술 발전 속도에 따른 시차 문제이다. 생성형 AI 기술은 극히 빠른 속도로 고도화되고 있어, 생성형 AI의 성능이나 기술적 한계가 단기간 내에 해소되거나 다른 양상으로 변화할 가능성이 크다. 따라서 후속 연구에서는 현장 제작진을 대상으로 한 대규모 양적 조사를 통해 연구 결과를 확장하고, 기술 변화를 장기적으로 추적하는 종단 연구가 이어지기를 기대한다. 아울러 산업 현장에서 즉시 활용 가능한 생성형 AI 역사물의 고증 및 검증 절차에 대한 표준 가이드라인 개발 연구가 이루어지기를 기대한다.