Style Reproduction and Creative Agency in Generative AI

생성형 AI 환경에서의 창작 주체와 스타일 재현 구조

Abstract

This study explores how generative AI reconstructs style and reshapes creative authorship in image production. Unlike traditional art, where style reflects an individual artist's expression and experience, generative AI processes style as statistical patterns learned from large-scale datasets. In the present experimental context, the generated images appeared to be constructed through the recombination of learned visual patterns rather than through the direct replication of a specific artwork. The findings suggest that creative production in generative AI environments emerges through the interaction of datasets, algorithms, and user input. As a result, authorship becomes a distributed and relational structure within the generation process.

본 연구는 생성형 AI가 이미지 생성 과정에서 스타일을 어떻게 재구성하고 창작 주체를 어떻게 변화시키는지를 탐구한다. 전통 예술에서 스타일이 작가 개인의 표현과 경험을 반영하는 개념이었다면, 생성형 AI는 이를 대규모 데이터셋으로부터 학습된 통계적 패턴으로 처리한다. 본 실험 사례에서 생성형 AI 이미지는 특정 원본 작품의 직접적 복제라기보다, 학습된 시각적 특징들의 재조합 방식으로 구성되는 경향이 관찰되었다. 또한 생성형 AI 환경에서의 창작은 데이터셋, 알고리즘, 사용자 입력의 상호작용 속에서 이루어지며, 저자성 역시 단일 창작자 중심이 아닌 분산적이고 관계적인 구조로 변화하고 있음을 제시한다.

1. 서론

최근 생성형 인공지능(Generative AI)의 발전은 이미지와 영상 등 시각 콘텐츠 생산 방식에 큰 변화를 가져오고 있다. 특히 Midjourney, Stable Diffusion, DALL·E와 같은 생성형 이미지 모델은 간단한 프롬프트 입력만으로 특정 작가나 장르의 시각적 특징을 연상시키는 이미지를 생성할 수 있게 하였다. 이러한 기술은 이미지 제작의 접근성을 크게 확대시키는 동시에, 기존 창작 개념에 대한 다양한 논의를 촉발시키고 있다. 현재 생성형 AI와 관련된 논의의 상당 부분은 주로 저작권 침해 여부나 AI의 창작자 지위 인정 가능성과 같은 법적 문제에 집중되어 있다. 그러나 이러한 논의는 대체로 결과물의 권리 귀속이나 창작 여부를 중심으로 이루어져 있으며, 생성형 AI가 양식(style)을 어떠한 방식으로 처리하고 재현하는지, 그리고 그 과정에서 창작 행위의 구조가 어떻게 변화하는지에 대해서는 상대적으로 덜 중요하게 여겨지고 있다. 생성형 AI는 기존의 인간 창작 방식과 달리 스타일을 개인의 미학적 표현이나 창작 경험의 축적으로 이해하기보다는, 데이터 학습을 통해 추출된 시각적 특징들의 패턴으로 처리한다는 점에서 기존 창작 개념과 근본적으로 다른 작동 방식을 보인다. 이는 생성형 AI가 기존 데이터로부터 패턴과 관계를 학습하여 새로운 콘텐츠를 생성하는 방식으로 작동한다는 점과도 연결 된다(김은정ㆍ김정윤, 2024)[1]

전통적인 예술 창작에서 스타일은 특정 작가의 미적 감각, 표현 습관, 그리고 세계 인식이 축적된 결과로 이해되어 왔다. 따라서 스타일은 곧 창작자의 개성과 동일시되며, 작품의 저자성을 판단하는 중요한 기준으로 기능할 수 있다. 그러나 생성형 AI 환경에서는 작품의 스타일은 대규모 학습 데이터로부터 추출된 시각적 특징들의 조합으로 재구성되며, 이러한 특징들은 알고리즘을 통해 다시 다양한 형태로 재조합되어 이미지로 생성된다. 이 과정에서 결과물의 형성에는 학습 데이터에 포함된 기존 작가들의 스타일적 특징, 모델 설계 및 알고리즘 구조, 프롬프트를 입력하는 사용자, 그리고 생성된 결과물을 선택하거나 수정하는 사용자의 판단이 복합적으로 개입하게 된다. 이러한 점에서 생성형 AI를 통한 스타일 재현은 단순한 모방이나 자동 생성의 문제가 아니라, 창작 과정에 참여하는 행위자들의 구조적 변화를 동반한다고 볼 수 있다. 즉, 전통적인 창작 체계가 단일 작가 중심의 창작 구조를 기반으로 형성되어 왔다면, 생성형 AI 환경에서는 데이터, 알고리즘, 사용자, 기존 창작자의 스타일 등이 결합된 다층적이고 분산된 창작 구조가 나타나게 되는 것이다. 이는 창작 행위가 특정 개인의 표현 활동으로 귀속되는 것이 아니라, 다양한 요소들의 상호 작용에서 형성되는 새로운 창작 구조로 이해될 필요가 있음을 보여준다. 따라서 본 연구는 생성형 AI의 스타일 재현 과정을 분석함으로써, 해당 기술이 창작 행위의 구조에 어떠한 변화를 가져오는지 살펴보고자 한다. 특히 생성형 AI 환경에서 스타일이 어떠한 방식으로 추출되고 재현되는지, 그리고 이러한 과정 속에서 창작 주체가 어떻게 분산되는지를 중심으로 논의를 전개한다. 이를 통해 생성형 AI 시대에 나타나는 새로운 창작 구조의 특징을 규명하고, 기존 창작 개념이 어떠한 방식으로 재검토될 필요가 있는지를 탐색하고자 한다.

연구는 생성형 AI의 스타일 학습 및 재현 방식과 그 과정에 개입하는 다양한 행위자들을 분석하여, 이러한 구조가 기존의 단일 작가 중심 창작 체계와 비교하여 창작 주체의 개념을 어떻게 변화시키는지를 고찰하고자 한다. 생성형 AI 이미지 생성 사례를 중심으로 스타일 재현 과정의 작동 방식을 분석하고, 이를 바탕으로 생성형 AI 환경에서 나타나는 창작 주체의 분산 구조를 검토한다. 이를 통해 생성형 AI가 단순히 새로운 제작 도구로 기능하는 것을 넘어, 창작 행위의 구조와 저자성 개념에 어떠한 변화를 가져오는지를 고찰하고자 한다.

2. 이론적 배경

2.1 양식(Style)의 개념

미술사와 미학에서 양식(style)은 예술 작품의 형식적 특징과 표현 방식이 일정한 방식으로 조직된 시각적 체계를 의미하며, 이를 통해 특정 작가나 시대, 예술 집단의 특징을 식별할 수 있는 개념으로 이해되어 왔다. 홍지석(2011)에 따르면 양식은 작품 간 형식적 유사성이나 동일성을 바탕으로 예술 작품을 구분하고 집단화하는 미술사적 분석 개념으로, 단순한 외형적 특징이 아니라 작품의 형식적 구조와 표현 방식이 결합된 체계를 의미[2]한다. 또한 양식은 개별 작가의 표현 방식뿐 아니라 사회적·문화적 맥락과도 긴밀하게 연결되어 예술 작품의 특성을 이해하는 중요한 해석 틀로 기능한다.

이러한 양식 개념은 미술사 연구에서 작품을 분석하고 분류하는 중요한 방법론으로 발전해 왔다. 미술사 연구에서는 작품의 선 처리 방식, 색채 사용, 구도 구성 등 형식적 요소에서 반복적으로 나타나는 특징들을 분석함으로써 특정 작가나 시대의 양식을 식별하고 이를 통해 예술적 경향을 설명해 왔다(Wölfflin, 1950; Schapiro, 1953)[3] 이러한 관점에서 양식은 단순한 시각적 특징이 아니라 작품에서 반복적으로 나타나는 형식적 요소와 표현 방식이 결합된 체계로 이해된다. 특히 Schapiro(1953)는 양식을 개인이나 집단의 예술에서 반복적으로 나타나는 형식과 표현 방식의 지속적인 특징으로 정의하며, 이를 “형식들의 체계(system of forms)”로 설명한다[4] 즉 양식은 작품을 구성하는 형식적 요소들이 일정한 방식으로 조직된 구조이며, 이러한 체계를 통해 작가의 개성과 집단의 문화적 세계관이 드러난다고 보았다. 이러한 관점에서 양식은 단순한 형식적 특성이 아니라 예술 작품의 의미와 문화적 맥락을 이해하기 위한 중요한 분석 개념으로 기능한다. 따라서 양식은 예술가의 개별적 표현 방식이 시각적으로 드러나는 형태이자, 작품의 저자성을 판단하는 중요한 기준으로 기능해 왔다. 또한 양식은 단순히 개인적 표현에 국한되는 개념이 아니라 시대적·문화적 맥락과도 긴밀하게 연결된다. 특정 시대나 지역에서 활동한 예술가들은 유사한 미적 경향이나 표현 방식을 공유하는 경우가 많으며, 이러한 특징은 르네상스 양식, 바로크 양식과 같이 특정 시대의 예술적 특성을 설명하는 개념으로 사용된다. 이처럼 스타일은 개인적 표현과 시대적 특징이 결합된 시각적 체계로 이해될 수 있다.

요컨대 전통적인 예술 창작에서 양식(style)은 작가의 경험과 미적 태도가 축적되어 형성된 표현 방식으로 이해되며, 작품의 저자성을 드러내는 중요한 지표로 기능해 왔다. 다시 말해 작품의 형식적 특징과 표현 방식은 특정 작가의 창작 행위를 식별할 수 있는 근거로 작용하며, 이러한 점에서 양식은 예술 작품과 창작 주체를 연결하는 핵심 개념으로 이해될 수 있다. 따라서 예술 작품의 양식은 단순한 시각적 특징을 넘어 작품의 창작 주체와 저자성을 설명하는 중요한 이론적 기반을 형성한다. 이러한 맥락에서 예술 창작에서의 창작 주체와 저자성(authorhip) 개념을 함께 검토할 필요가 있다.

2.2 창작 주체와 저자성의 개념

전통적인 예술 창작에서 작품은 특정 작가의 창작 행위와 밀접하게 연결된 것으로 이해되어 왔다. 예술 작품의 형식적 특징과 표현 방식은 작가 개인의 경험과 미적 태도를 반영하는 것으로 간주되었으며, 작품의 의미 또한 작가의 의도와 창작 배경을 중심으로 해석되는 경향이 있었다. 이러한 관점에서 예술 작품은 작가라는 단일한 창작 주체의 표현으로 이해되었으며, 작품의 저자성(authorhip)은 작가 개인에게 귀속되는 것으로 간주되어 왔다. 그러나 20세기 후반 이후 문학이론과 문화이론에서는 이러한 저자 중심적 창작 개념에 대한 비판이 제기되기 시작하였다. 롤랑 바르트(Roland Barthes, 1967)는 「저자의 죽음(The Death of the Author)」에서 작품의 의미를 작가의 의도나 개인적 경험을 통해 설명하려는 전통적인 해석 방식을 비판하였다[5] 바르트에 따르면 텍스트는 단일한 의미를 전달하는 구조가 아니라 다양한 문화적 코드와 담론이 결합된 다층적 구조로 이해될 수 있다. 그는 텍스트를 여러 문화적 출처에서 유래한 다양한 인용들의 결합으로 설명하며, 텍스트의 의미는 작가의 의도에서 비롯되는 것이 아니라 독자의 해석 과정에서 형성된다고 보았다. 이러한 관점에서 바르트는 텍스트의 통일성이 작가라는 기원에 존재하는 것이 아니라 독자의 해석 행위에서 형성된다고 주장하며 전통적인 저자 중심적 해석을 비판하였다.

미셸 푸코(Michel Foucault, 1969)는 「저자란 무엇인가(What Is an Author?)」에서 저자를 단순히 텍스트를 생산한 개인으로 이해하기보다 담론 속에서 특정한 기능을 수행하는 개념으로 설명하였다[6] 푸코에 따르면 저자는 텍스트의 의미를 창조하는 절대적 주체라기보다 담론을 조직하고 분류를 수행하는“저자 기능(author-function)”으로 이해될 수 있다. 즉 저자의 이름은 단순히 개인을 지칭하는 것이 아니라 특정 텍스트들을 하나의 담론 범주로 묶고 구분하는 기능을 수행한다. 이러한 관점에서 저자성은 작품을 생산한 개인에게 고정적으로 귀속되는 속성이 아니라 담론의 생산과 유통 과정에서 형성되는 기능적 개념으로 이해될 수 있다. 이러한 논의는 예술 작품과 창작 주체의 관계를 새롭게 이해할 필요성을 제기한다. 전통적인 미술사 연구에서 양식은 작품에서 반복적으로 나타나는 형식적 특징들의 체계로 이해되어 왔다(Wölfflin, 1950; Schapiro, 1953)[3]. 이러한 특징들은 특정 작가나 시대의 예술적 경향을 식별하는 중요한 기준으로 기능해 왔다. 한편 생성형 AI 기반 이미지 생성 모델은 대규모 이미지 데이터를 학습하면서 이러한 시각적 특징들을 확률적 패턴의 형태로 학습하고 이를 재구성하는 방식으로 이미지를 생성한다(Rombach et al., 2022)[7] 이러한 점에서 생성형 AI의 스타일 재현 과정은 전통적인 예술에서 양식이 형성되는 방식과 일정한 구조적 유사성을 가지며, 동시에 창작 과정에서 작가의 역할을 재구성하는 새로운 창작 구조를 보여준다. 이는 창작 주체를 단일한 개인이 아닌 의미 생산 과정 속에서 기능적으로 작동하는 구조로 이해할 수 있는 가능성을 제시한다. 그리고 생성형 AI 환경에서 나타나는 창작 구조를 해석하는 데 중요한 이론적 기반을 제공한다. 다만 생성형 AI의 이미지 생성 방식은 모델 계열에 따라 차이를 가진다. 초기 신경망 기반 스타일 전이 연구는 이미지 특징 간 관계를 활용한 스타일 변환에 초점을 두었으며, GAN 기반 모델은 잠재 공간 조작을 통한 이미지 생성을 중심으로 발전하였다. 반면 최근의 Stable Diffusion 계열 모델은 텍스트 조건 기반 확산(diffusion) 구조를 통해 시각적 특징을 생성한다. 본 연구는 이러한 모델 전반을 동일한 기술 구조로 간주하지 않으며, 주로 diffusion 기반 text-to-image 생성 환경을 중심으로 논의를 진행한다.

3. 생성형 AI의 스타일 재현 방식

3.1 생성형 AI 이미지 생성의 기본 구조

최근 이미지 생성 기술의 발전은 인공지능을 활용한 시각 콘텐츠 제작을 가능하게 하였으며, 특히 Stable Diffusion, Midjourney, DALL·E와 같은 생성형 모델은 텍스트 입력을 기반으로 이미지를 생성하는 방식으로 널리 활용되고 있다. 이러한 모델은 대규모 이미지 데이터와 텍스트 정보를 학습하여 이미지의 시각적 특징과 표현 방식을 통계적으로 파악하고, 이를 바탕으로 새로운 이미지를 생성한다. 생성형 AI 기반 이미지 생성 모델은 대규모 이미지 데이터와 이에 대응하는 텍스트 정보를 학습하는 과정을 통해 다양한 시각적 특징을 모델 내부에 학습한다. 이러한 학습 과정에서 이미지에 포함된 색채, 형태, 질감, 구도와 같은 시각적 요소들은 모델의 잠재 공간(latent space)에서 확률적 패턴의 형태로 인코딩된다. 이후 사용자가 텍스트 형태의 프롬프트를 입력하면 모델은 학습된 패턴을 바탕으로 해당 조건에 부합하는 이미지를 생성하게 된다. 이러한 이미지 생성 방식은 텍스트 조건을 기반으로 시각적 특징을 재구성하는 과정으로 이해될 수 있으며, 최근의 확산 기반(diffusion-based) 이미지 생성 모델들은 이러한 방식으로 고해상도 이미지를 생성하는 구조를 사용하고 있다(Rombach et al., 2022)[7] 그림 1.은 텍스트 조건을 기반으로 이미지를 생성하는 잠재 확산 모델의 구조를 보여준다.

Fig 1. 텍스트 조건 기반 잠재 확산 모델의 이미지 생성 구조, 출처: Rombach et al. (2022), ( Text-Conditioned Image Generation Structure of the Latent Diffusion Model, 출처: Rombach et al. (2022))

최근 생성형 AI 기반 콘텐츠 제작에서는 사용자 입력을 텍스트 분석과 이미지 생성 과정으로 연결하여 결과물을 생성하는 워크플로우가 활용되고 있으며, 이는 생성형 AI가 입력 조건을 기반으로 시각적 결과를 구성하는 제작 구조를 갖고 있음을 보여준다(이주헌·조옥희·배윤경, 2026)[8]

이 과정에서 생성된 이미지는 특정 원본 이미지를 직접 복제하는 방식이 아니라, 학습 데이터로부터 추출된 특징들을 확률적으로 재구성하는 방식으로 만들어진다. 정리하면, 생성형 AI의 이미지 생성은 크게 세 가지 요소의 상호작용으로 구성된다. 첫째, 학습 데이터는 시각적 특징의 분포를 제공하는 기반으로 작동하며, 둘째, 모델은 이러한 특징을 분석하고 재조합하는 연산 구조로 기능한다. 셋째, 사용자는 프롬프트 입력과 결과 선택을 통해 생성 과정의 방향성과 결과를 조정한다. 이와 같이 생성형 AI의 이미지 생성은 입력–처리–선택의 단계로 이루어진 구조적 과정으로 이해될 수 있으며, 이는 창작 행위를 단일 주체의 표현이 아닌 복합적 상호작용 과정으로 전환 시킨다.

3.2 생성형 AI에서 스타일 학습과 특징 추출

생성형 AI 모델은 학습 과정에서 이미지에 포함된 다양한 시각적 특징을 분석하고 이를 수치화된 데이터 형태로 변환한다. 이 과정에서 색채의 사용 방식, 선의 처리 방식, 형태의 단순화 정도, 구도 구성과 같은 형식적 요소들은 단순한 시각적 정보가 아니라 통계적 패턴으로 정리되어 모델 내부에 저장된다. 이러한 특징들은 특정 작가나 장르의 스타일을 구성하는 요소로 작용할 수 있으며, 모델은 이러한 특징들의 분포를 학습함으로써 다양한 스타일을 재현할 수 있는 기반을 형성한다. 최근 생성형 AI는 이러한 학습 과정을 바탕으로 기존 스타일을 학습하면서도 새로운 표현을 생성하는 특성을 보이는 것으로 논의되고 있다(엄정원·한상임, 2026)[9] 즉, 생성형 AI는 특정 작품을 그대로 복제하기보다 학습된 시각적 특징을 재구성하여 새로운 이미지를 생성하는 방식으로 작동한다. 특히 스타일을 특징 간의 관계로 이해하는 관점은 신경망 기반 스타일 전이 연구에서 명확하게 제시된다. 초기 신경망 기반 스타일 전이 연구에서 Gatys et al.(2016)은 이미지의 스타일을 개별적인 시각 요소가 아니라 특징 맵 간의 상관관계로 정의하며, 이를 Gram matrix를 통해 수치적으로 표현하였다[10] 이러한 접근은 스타일이 특정 요소의 집합이 아니라, 요소들 간의 관계로 구성된 통계적 구조임을 보여준다. 즉, 생성형 AI 기반 생성 과정에서는 스타일이 특정 작가의 표현 방식이라기보다 데이터 내에서 반복적으로 나타나는 시각적 특징들의 관계적 패턴으로 이해될 수 있다(Gatys et al., 2016)[10] 이러한 특징 추출 방식은 스타일을 하나의 고정된 표현 방식이 아니라 다양한 요소들의 조합으로 분해 가능한 구조로 전환시킨다. GAN 기반 생성 모델인 StyleGAN에서 Karras et al.(2019)은 잠재 공간(latent space)의 구조를 통해 서로 다른 시각적 속성이 분리되어 제어될 수 있음을 제시하였다[11]. 이는 생성 모델에서 스타일이 단일 표현이 아니라 복합적 특징 조합으로 구성될 수 있음을 보여주는 사례로 이해될 수 있다. 따라서 생성형 AI에서 스타일은 전통적인 예술 창작에서와 같이 작가의 경험과 표현이 축적된 결과로 이해되기보다는, 데이터로부터 추출된 시각적 특징들의 통계적 관계와 그 조합 구조로 재정의된다. 이러한 점에서 스타일은 특정 개인의 고유한 표현 방식이라기보다 다양한 이미지 데이터로부터 도출된 패턴의 집합으로 이해될 수 있으며, 이는 스타일 개념의 탈 개인화를 보여주는 중요한 특징이라 할 수 있다.

3.3 생성형 AI의 스타일 재현 과정

생성형 AI에서 스타일이 재현되는 과정은 학습된 시각적 특징들이 다양한 조건과 결합되어 새로운 이미지로 구성되는 생성 과정으로 이해될 수 있다. 모델은 학습 단계에서 축적된 특징 패턴을 기반으로, 입력된 조건에 따라 적절한 시각적 요소들을 선택하고 이를 결합하여 이미지를 생성한다. 이 과정에서 스타일은 고정된 형태로 존재하는 것이 아니라, 다양한 특징들이 조합되는 동적인 구성 과정 속에서 형성된다. 특히 스타일 기반 생성 모델에서는 이러한 조합 과정이 보다 구조적으로 드러난다. Karras et al.(2019)은 생성 과정에서 스타일이 네트워크의 각 계층에서 개별적으로 조절될 수 있음을 보여주었으며, 이를 통해 이미지의 다양한 수준에서 서로 다른 스타일 요소를 적용할 수 있는 구조를 제시하였다(Karras et al., 2019)[11] 이는 스타일이 단일한 표현 방식이 아니라 서로 다른 수준에서 작동하는 복합적 요소들의 집합임을 의미한다.

한편 Text-to-Image 모델에서는 스타일이 사용자 입력과의 관계 속에서 형성된다는 점이 중요하게 나타난다. Radford et al.(2021)은 이미지와 텍스트를 동일한 의미 공간에 정렬함으로써, 텍스트 입력이 이미지의 시각적 특징 형성에 직접적으로 영향을 미칠 수 있는 구조를 제시하였다[12] 이는 스타일이 더 이상 이미지 내부의 특징에만 의존하는 것이 아니라, 언어적 표현을 통해 지정되고 조절될 수 있음을 의미한다(Radford et al., 2021)[12]

또한 이미지 생성 과정에서는 사용자의 선택과 수정 과정 역시 중요한 역할을 수행한다. 동일한 프롬프트를 입력하더라도 다양한 결과 이미지가 생성되며, 사용자는 그 중 특정 이미지를 선택하거나 추가적인 프롬프트를 통해 결과를 반복적으로 수정하게 된다. 이러한 과정은 최종 결과물이 단일한 생성 행위의 산물이 아니라, 모델의 생성 구조와 사용자 선택이 결합된 결과임을 보여준다.

이와 같이 생성형 AI에서의 스타일 재현은 단순한 모방이나 자동 생성의 과정이 아니라, 데이터로부터 학습된 특징, 알고리즘의 구조, 사용자 입력, 선택과 수정 과정이 상호 작용하는 복합적 생성 과정으로 이해될 수 있다. 나아가 이러한 생성 구조는 작품 형성 과정에 다양한 행위자가 개입하는 조건을 형성하며, 이는 전통적인 단일 작가 중심 창작 구조와는 다른 분산된 창작 구조를 나타낸다.

4. 생성형 AI 환경에서 나타나는 창작 주체의 분산

4.1 생성 과정에서의 행위자 구성

생성형 AI 기반 이미지 생성 과정은 단일한 창작 주체에 의해 이루어지는 것이 아니라, 다양한 요소들이 결합된 복합적 구조로 이루어진다. 전통적인 예술 창작에서 작품은 작가 개인의 경험과 표현이 반영된 결과물로 이해되어 왔으며, 팀 창작의 경우에는 역할 분담과 협업 과정을 통해 형성된 집합적 표현으로 인지되어왔다. 그러나 생성형 AI 환경에서는 인간 창작자뿐만 아니라 알고리즘과 시스템이 함께 개입하는 구조가 형성된다. 특히 결과물은 방대한 학습 데이터에 기반해 생성된다는 점에서, 다수의 데이터가 동시에 창작 과정에 개입하는 분산적 생성 방식으로 변화하고 있다.

우선 학습 데이터는 생성형 AI에서 스타일 형성의 기반을 구성하는 핵심 요소로 작용한다. 모델은 대규모 이미지 데이터를 학습하는 과정에서 다양한 시각적 특징을 추출하며, 이 과정에서 기존 작가들의 표현 방식과 시각적 경향이 간접적으로 반영된다. 따라서 생성된 이미지에 나타나는 스타일은 특정 개인의 창작 결과라기보다, 데이터에 포함된 다양한 이미지들의 특징이 축적된 결과로 이해될 수 있다. 또한 알고리즘과 모델 구조 역시 중요한 역할을 수행한다. 생성형 AI 모델은 학습된 특징을 재조합하는 과정에서 특정한 방식으로 시각적 요소를 구성하며, 이러한 과정은 모델의 설계 방식과 구조에 의해 규정된다. 특히 잠재 공간의 구성 방식이나 특징 결합 방식은 생성 결과의 형태를 결정짓는 주요한 요소로 작용한다.

사용자 역시 이미지 생성 과정에 적극적으로 개입한다. 사용자는 텍스트 프롬프트를 통해 생성될 이미지의 조건을 설정하며, 이는 모델이 시각적 특징을 선택하고 조합하는 방식에 영향을 미친다. 나아가 생성된 이미지 중 결과를 선택하거나 추가 수정 과정을 수행하는 행위 역시 최종 결과물 형성에 중요한 영향을 미친다. 이처럼 저작권 판단에서 사용자 개입의 창작성 여부가 중요한 기준으로 작용한다는 점은, 생성형 AI 환경에서 사용자의 능동적이고 적극적인 개입이 요구됨을 시사한다. 이와 같이 생성형 AI 기반 이미지 생성 과정은 데이터, 알고리즘, 사용자 입력, 선택 및 수정 과정 등 다양한 요소들이 결합된 구조로 이루어지며, 이는 창작 행위가 단일 주체에 의해 이루어지는 것이 아님을 보여준다.

4.2 스타일 재현 과정에서의 역할 분화

생성형 AI에서 스타일이 재현되는 과정은 단순한 이미지 생성 과정이 아니라, 다양한 행위자들이 서로 다른 기능을 수행하는 구조적 과정으로 이해될 수 있다. 이 과정에서 각 요소는 서로 다른 역할을 담당하며, 이러한 역할 분화는 창작 행위의 구조를 보다 복합적으로 만든다. 먼저 학습 데이터는 스타일의 원천으로 기능한다. 데이터에 포함된 이미지들은 다양한 시각적 특징을 제공하며, 이러한 특징들은 모델 학습 과정에서 추출되어 스타일 형성의 기초가 된다. 따라서 생성형 AI에서 스타일은 특정 작가의 고유한 표현 방식이라기보다, 데이터에 포함된 다양한 이미지들의 공통적 특징이 축적된 결과로 나타난다. 모델은 이러한 특징들을 분석하고 재구성하는 역할을 수행한다. 생성형 AI 모델은 학습된 특징들을 바탕으로 입력된 조건에 부합하는 시각적 요소를 선택하고 이를 결합하여 이미지를 생성한다. 이 과정에서 스타일은 고정된 형태로 존재하는 것이 아니라, 다양한 요소들의 조합을 통해 구성된다. 사용자는 생성 과정에서 조건을 설정하는 역할을 수행한다. 텍스트 프롬프트는 생성될 이미지의 방향성을 결정하며, 이는 모델이 어떤 특징을 활성화할 것인지에 영향을 미친다. 예를 들어 특정 화가나 장르를 지시하는 프롬프트를 입력할 경우, 모델은 학습 데이터로부터 해당 스타일과 관련된 시각적 특징들을 선택적으로 활성화하여 이미지에 반영한다. 이 과정에서 스타일은 특정 작가의 표현을 직접적으로 복제하는 것이 아니라, 데이터로부터 학습된 특징들의 조합으로 구성된다. 마지막으로 결과 선택과 수정 과정은 생성된 이미지 가운데 특정 결과를 확정하는 역할을 수행한다. 동일한 조건에서도 다양한 이미지가 생성될 수 있다는 점에서, 사용자의 선택 행위는 최종 결과물의 형성에 중요한 영향을 미친다. 이러한 역할 분화는 생성형 AI에서의 스타일 재현이 단순한 자동 생성 과정이 아니라, 다양한 요소들이 기능적으로 분리된 상태에서 상호 작용하는 과정임을 보여준다.

Table 1. 생성형 AI 이미지 생성 과정에서의 행위자별 역할 구조 (Structure of Actor Roles in the Generative AI Image Creation Process)

4.3 생성 사례를 통한 스타일 재현 구조 분석

생성형 AI에서 스타일이 어떠한 방식으로 재현되는지를 탐색적으로 살펴보기 위해, 본 연구에서는 동일한 프롬프트를 기반으로 반복 생성 사례 분석을 수행하였다. 본 분석은 정량적 성능 평가보다는 생성 결과에서 반복적으로 나타나는 시각적 특징과 변형 양상을 질적으로 관찰하는데 목적을 둔다. 실험은 Kling AI를 활용하여 진행하였으며, 동일한 텍스트 프롬프트인 “a girl walking in the rain, in the style of Van Gogh”를 10회 반복 입력하여 생성 결과의 공통점과 차이를 비교하였다. 생성된 이미지들은 색채 구성, 붓 터치 표현, 공간 구성, 인물 배치, 배경 형태 등 반복적으로 나타나는 시각적 특징을 중심으로 비교 분석하였다.

실험의 목적은 생성형 AI가 특정 작가의 스타일을 단일한 원본 이미지처럼 복제하는지, 혹은 학습된 특징들을 재조합하는 방식으로 새로운 이미지를 생성하는지를 분석하는 데 있다. 실험 결과 Fig 2처럼 각기 다른 형태의 결과물이 나타났다. 동일한 프롬프트를 사용하였음에도 생성 결과에서는 공통적으로 유지되는 시각적 특징과 개별적으로 변화하는 요소가 동시에 나타났다. 다만 반복적으로 나타나는 스타일적 특징들은 확인되었는데, 대부분의 이미지에서 강한 붓 터치, 소용돌이 형태의 하늘 표현, 청색과 황색 중심의 색채 대비, 물 반사 표현, 그리고 야간 혹은 우천 환경에서의 빛 반사 효과 등이 공통적으로 나타났다. 특히 일부 이미지에서는 「별이 빛나는 밤(The Starry Night)」을 연상시키는 곡선형 하늘 구조와 원형 광원 표현이 반복적으로 등장하였으며, 이는 생성형 AI가 “반 고흐 스타일(Van Gogh style)”이라는 텍스트 조건을 단일 작품이 아니라 특정 시각적 특징들의 집합으로 학습하고 있음을 보여준다. 반면 세부적인 구성 요소들은 이미지마다 상당한 차이를 보였다. 인물의 시점은 정면, 측면, 원거리 구도 등으로 다양하게 변화하였으며, 우산의 유무와 형태, 거리 배경, 도시와 자연 환경의 구성, 인물의 복장과 색채 또한 일정하지 않게 나타났다. 일부 이미지는 도시 야경 중심의 구성을 보인 반면, 다른 이미지들은 들판이나 마을 풍경과 결합된 형태로 생성되었다. 또한 동일한 “비를 맞으며 걷는 소녀”라는 조건에서도 인물의 움직임, 시선 방향, 공간 깊이감, 그리고 배경의 추상화 정도는 서로 다르게 구성되었다.

Fig 2. Kling 3.0을 활용해 제작된 결과물 ( Images Generated Using Kling 3.0 )

이러한 결과는 생성형 AI의 스타일 재현이 특정 작품의 직접적인 복제가 아니라, 학습 과정에서 추출된 시각적 특징들의 관계와 패턴을 기반으로 새로운 이미지를 생성하는 방식으로 이루어짐을 시사한다. 사례 분석 결과, 생성형 AI는 반 고흐의 개별 작품을 재현하기보다 색채, 질감, 구도, 붓 터치와 같은 화풍의 핵심 요소들을 관계적 패턴으로 학습하고, 이를 다양한 조합으로 재구성하여 새로운 이미지를 생성하는 것으로 나타났다. 이는 생성형 AI의 스타일 재현이 작품 단위의 모방이 아니라 스타일을 구성하는 시각적 특성의 학습과 재조합에 기반하고 있음을 보여준다. 따라서 동일한 프롬프트를 입력하더라도 결과 이미지들은 동일한 스타일적 경향을 유지하면서도 서로 다른 결과물로 생성된다.

또한 본 실험은 생성 과정에서 사용자의 역할 역시 단순한 입력 행위에 그치지 않음을 보여준다. 사용자는 동일한 프롬프트를 입력하더라도 생성된 결과 중 특정 이미지를 선택하거나 추가 수정의 기준으로 활용하게 되며, 이러한 선택 과정은 최종 결과물 형성에 중요한 영향을 미친다. 이는 생성형 AI 환경에서 창작 행위가 단일 창작자의 직접적 표현이라기보다, 데이터 기반 특징 추출, 알고리즘의 재조합 구조, 그리고 사용자의 선택과 해석이 결합된 복합적 생성 과정으로 이루어짐을 시사한다.

결과적으로 생성형 AI에서의 스타일이 특정 작가의 표현을 직접적으로 재현하기보다, 데이터 기반 특징들의 조합 구조를 통해 구성되는 경향이 관찰되었다. 동시에 이미지 생성 과정은 데이터, 알고리즘, 사용자 선택이 동시에 개입하는 다층적 구조를 가지며, 이는 생성형 AI 환경에서 창작 주체가 단일 개인에게만 귀속되기 어려운 분산적 구조로 변화하고 있음을 시사한다. 다만 본 연구의 사례 분석은 제한된 생성 환경과 프롬프트 조건을 기반으로 수행되었으며, 생성형 AI 전반의 작동 원리를 일반화하려는 목적보다는 스타일 재현 과정의 구조적 특징을 탐색적으로 논의하는 데 목적이 있다.

4.4 창작 주체의 분산 구조와 저자성(Authorship)의 재구성

앞선 생성 사례 분석에서 확인할 수 있듯이, 생성형 AI의 스타일 재현은 특정 원본 작품을 직접적으로 복제하는 방식이 아니라, 학습 데이터로부터 추출된 시각적 특징들을 재조합하는 과정으로 이루어진다. 동일한 프롬프트를 반복적으로 입력하였음에도 불구하고 생성 결과에서는 공통적으로 유지되는 스타일적 특징과 함께, 구도·인물 표현·배경 구성·색채 배치 등에서 다양한 차이가 나타났다. 이는 생성형 AI에서 스타일이 하나의 고정된 표현 체계로 저장되는 것이 아니라, 데이터 기반 특징들의 관계적 패턴으로 작동함을 보여준다. 이는 전통적인 예술 창작에서 전제되어 왔던 단일 작가 중심의 창작 주체 개념을 재검토할 필요성을 제기한다. 전통적인 예술 창작에서는 작품이 특정 작가의 표현 행위로 이해되며, 작품의 형식과 의미 역시 작가 개인의 의도와 경험에 기반한 결과물로 설명되어 왔다. 그러나 생성형 AI 환경에서는 작품 형성 과정에 학습 데이터, 알고리즘 구조, 사용자 입력, 결과 선택 과정 등이 동시에 개입하며, 결과물은 이러한 요소들의 상호 작용 속에서 형성된다. 특히 본 연구의 생성 사례에서는 동일한 양식(Style) 조건이 입력되었음에도 결과 이미지마다 서로 다른 공간 구성과 인물 표현 방식이 나타났다. 반면 강한 붓 터치, 곡선형 하늘 표현, 청색과 황색 중심의 색채 구조와 같은 특정 시각적 특징은 반복적으로 유지되었다. 이는 생성형 AI가 특정 작가의 작품 자체를 저장하거나 복제하는 것이 아니라, 데이터 학습 과정에서 반복적으로 등장한 시각적 특징들을 통계적 패턴의 형태로 처리하고 있음을 보여준다. 또한 생성 과정에서 사용자의 역할 역시 단순한 명령 입력에 머물지 않는다. 사용자는 프롬프트를 통해 생성 조건을 설정하고, 반복 생성된 결과 가운데 특정 이미지를 선택하거나 수정 기준으로 활용함으로써 결과 형성 과정에 지속적으로 개입한다. 따라서 생성형 AI 환경에서 결과물은 단일 창작자의 직접적 표현이라기보다, 데이터 기반 특징 추출 구조와 알고리즘의 재구성 과정, 그리고 사용자의 선택과 해석이 결합된 복합적 생성 과정의 산물로 이해될 수 있다.

이러한 구조는 저자성 개념에 대한 재검토로 이어질 수 있다. 전통적으로 저자성은 작품의 기원과 의미를 설명하는 중심 개념으로 기능하며, 작품은 특정 창작자의 고유한 표현으로 이해되어 왔다. 그러나 생성형 AI 환경에서는 작품 형성 과정이 다층적 구조를 가지며, 결과물의 형성을 특정 개인에게만 귀속시키기 어려운 상황이 나타난다. 바르트(1967)는 텍스트를 단일 저자의 의도에 의해 완결된 구조가 아니라, 다양한 문화적 코드와 인용이 결합된 다층적 구성물로 이해하였다[5]. 생성형 AI 환경에서도 이미지 결과물은 특정 창작자의 직접적 표현이라기보다, 학습 데이터에 포함된 다수의 시각적 특징이 재구성된 결과로 형성된다. 즉 생성 이미지는 하나의 고정된 기원으로 환원되기보다, 다양한 시각 코드들의 결합 구조 속에서 형성된다는 점에서 바르트의 논의와 구조적 유사성을 가진다. 또한 생성된 이미지의 의미와 완성 역시 생성 이후 사용자의 선택과 해석 과정에서 확정된다는 점에서, 결과물은 단일 저자의 의도만으로 설명되기 어려운 특징을 가진다. 한편 푸코(1969)의 “저자 기능(author-function)” 개념 역시 생성형 AI 환경의 창작 구조를 이해하는 데 시사점을 제공한다[6]. 푸코는 저자를 텍스트 의미의 절대적 기원이 아니라, 담론을 조직하고 분류하는 기능적 위치로 설명하였다. 생성형 AI 환경에서 사용자 역시 모든 시각 요소를 직접 제작하는 존재라기보다, 프롬프트 입력과 결과 선택, 수정 과정을 통해 생성 구조를 조직하고 방향성을 설정하는 기능적 역할을 수행 한다. 이러한 점에서 생성형 AI 환경의 저자성은 특정 개인의 독점적 표현 개념이라기보다, 데이터·알고리즘·사용자 간 관계 속에서 형성되는 기능적·관계적 구조로 이해될 수 있다.

결과적으로 생성형 AI 환경에서의 창작 행위는 전통적인 단일 작가 중심 구조에서 벗어나, 다양한 행위자들이 동시에 개입하는 분산적 생성 구조로 전환되고 있다. 이는 예술 창작과 저자성 개념이 더 이상 개인 중심의 표현 체계만으로 설명되기 어려우며, 데이터와 알고리즘, 사용자 간의 관계 속에서 새롭게 이해될 필요가 있음을 보여준다.

5. 결론

본 연구는 생성형 AI 기반 이미지 생성 과정에서 나타나는 스타일의 형성과 재현 구조를 분석하고, 이를 바탕으로 생성형 AI 환경에서 나타나는 창작 주체 개념의 변화를 고찰하였다. 특히 본 연구는 스타일을 단순한 시각적 표현이 아니라 데이터 학습 과정에서 형성되는 관계적 패턴으로 이해하고, 생성 과정에 개입하는 다양한 요소들의 상호작용 구조를 중심으로 논의를 전개하였다. 연구 결과, 생성형 AI에서 스타일은 특정 작가의 고유한 표현 방식 자체로 저장되는 것이 아니라, 학습 데이터로부터 추출된 시각적 특징들의 통계적 관계 구조로 처리됨을 확인하였다. 또한 생성 사례 분석을 통해 동일한 프롬프트를 반복적으로 입력하더라도 결과 이미지에서는 공통적인 스타일 특징과 함께 구도·배경·인물 표현 방식의 차이가 동시에 나타남을 확인할 수 있었다. 이는 생성형 AI의 스타일 재현이 특정 원본 작품의 직접적 복제가 아니라, 데이터 기반 특징들의 재조합 과정으로 이루어진다는 점을 보여준다. 또한 이미지 생성 과정은 학습 데이터, 알고리즘 구조, 사용자 입력, 결과 선택 및 수정 과정 등이 복합적으로 결합된 구조로 이루어져 있으며, 결과물은 이러한 요소들의 상호작용 속에서 형성된다. 특히 사용자는 단순한 입력자가 아니라 프롬프트 구성과 결과 선택을 통해 생성 방향에 지속적으로 개입하며, 알고리즘 역시 특징을 분석하고 재조합하는 과정에서 결과 형성에 중요한 영향을 미친다. 이는 생성형 AI 환경에서의 창작이 더 이상 단일 창작자의 직접적 표현만으로 설명되기 어려운 구조임을 보여준다. 이러한 분석은 생성형 AI 환경에서 창작 주체가 단순히 약화되거나 사라지는 것이 아니라, 데이터·알고리즘·사용자 간의 관계 속에서 기능적으로 재구성되고 있음을 시사한다. 따라서 저자성(authorship) 역시 특정 개인에게 귀속되는 절대적 개념이라기보다, 생성 과정 전반에서 형성되는 관계적 개념으로 이해될 필요가 있다. 결과적으로 생성형 AI 환경에서의 창작은 ‘누가 만들었는가’의 문제에서 ‘어떠한 생성 구조 속에서 형성되었는가’의 문제로 이동하고 있으며, 이는 기존 예술 이론에서 전제되어 온 저자 중심적 창작 개념에 대한 근본적인 재검토를 요구한다.

본 연구는 생성형 AI 기술을 단순한 제작 도구로 이해하는 관점을 넘어, 스타일 재현 과정과 생성 구조를 중심으로 창작 메커니즘의 변화를 분석하고자 하였다. 특히 실제 생성 사례 분석을 통해 스타일 재현이 데이터 기반 특징 조합 구조로 이루어진다는 점을 구체적으로 확인하였으며, 이를 통해 생성형 AI 환경에서 나타나는 분산적 창작 구조를 설명하고자 하였다. 다만 본 연구는 제한된 프로그램의 생성 사례를 중심으로 분석을 수행하였으며, 다양한 생성형 AI 모델 간의 구조적 차이나 사용자 개입 방식에 따른 결과 차이까지는 충분히 다루지 못하였다. 또한 생성 결과에 대한 수용자 반응이나 실제 창작 현장에서의 활용 방식 역시 포함하지 못하였다. 향후 연구에서는 모델별 생성 구조 비교, 사용자 개입 수준에 따른 창작성 분석, 그리고 실제 창작 사례를 기반으로 한 실증적 연구가 추가적으로 수행될 필요가 있다.

결론적으로 생성형 AI 환경에서의 창작은 단일한 창작 주체에 의해 이루어지는 것이 아니라, 데이터·알고리즘·사용자 간의 상호작용 속에서 형성되는 분산적 구조를 가진다. 이는 예술 창작과 저자성 개념을 기존의 개인 중심 관점에서 벗어나 관계적·구조적 관점에서 새롭게 이해할 필요성을 제기하며, 향후 디지털 콘텐츠 제작 환경과 예술 이론 전반에 중요한 논의의 기반이 될 것으로 보인다.