The Korean Society of Costume
[ Article ]
Journal of the Korean Society of Costume - Vol. 76, No. 5, pp.83-102
ISSN: 1229-6880 (Print) 2287-7827 (Online)
Print publication date 31 Oct 2026
Received 21 Jun 2026 Revised 13 Jul 2026 Accepted 07 Oct 2026
DOI: https://doi.org/10.7233/jksc.2026.76.5.083

AI 기반 패션 모델 이미지에 나타난 알고리즘적 가시성과 포스트휴먼 신체 재현

이명선
건국대학교 의상디자인학과 조교수
Algorithmic Visibility and the Representation of the Posthuman Body in AI-Based Fashion Model Images
Myeongseon Yi
Assistant Professor, Dept. of Apparel Design, Konkuk University

Correspondence to: Myeongseon Yi, e-mail: myeongseonyi@gmail.com

Abstract

This study analyzes 49 AI-based fashion model images released by H&M and Mango in order to examine how the posthuman body and identity are visually represented. Rather than treating these images as direct outputs of generation algorithms, the study conceptualizes them as final brand images shaped by AI-based production, fashion image conventions, brand curation, human selection, and possible post-production. Grounded in critical algorithm studies and posthuman theory, the study combines systematic visual coding of the body proportions, pose, expression, and background with interpretive coding of identity construction and uses descriptive statistics frequency of coded visual features as supplementary evidence. The findings show that the images repeatedly present idealized body proportions, neutral expressions, minimized imperfections, simplified backgrounds, and product-centered poses. H&M’s generative AI images tend to emphasize platform-friendly and modular bodies, whereas Mango’s generative AI images show stronger tendencies toward typified and synthetic identity construction. These results do not demonstrate direct causal effects of algorithms. Instead, they suggest that AI-based fashion model images align with the visual grammar of algorithmic visibility. This study contributes methodologically by distinguishing observable visual elements from theoretical interpretation. Additionally, it contributes topically by examining posthuman body representation within AI image production, brand strategy, and platform-oriented visual culture.

Keywords:

AI-generated fashion models, critical algorithm studies, posthuman, disembodied identity, algorithmic governmentality

키워드:

AI 기반 패션 모델, 비판적 알고리즘 연구, 포스트휴먼, 탈신체화된 정체성, 알고리즘 통치성

Ⅰ. 서론

최근 인공지능(AI) 기술의 발달로 패션 산업의 이미지 생산 방식이 변화하고 있다. 특히 생성형 AI와 3D 스캐닝 기술로 제작된 AI 기반 패션 모델(AI-generated fashion models)은 패션 이미지 제작의 핵심 주체로 급부상하였으며, 그 영향으로 기존 인간 모델 중심의 패션 이미지 생산 체계 또한 빠르게 재편되고 있다. 이에 Levi’s, Mango, Zalando, Zara, Bershka 등의 글로벌 패션 브랜드들은 인간 모델을 AI로 생성한 모델로 대체하여 광고 캠페인, 제품 이미지, 마케팅 콘텐츠에 적극적으로 활용하고 있다.

그러나 이와 같은 패션 산업의 AI 기술 도입은 단순한 혁신이나 제작 효율성의 문제를 넘어 패션 이미지가 재현하는 정체성의 개념에 대한 근본적인 질문을 제기한다. AI가 생성한 모델은 특정한 개인의 신체나 경험에 기반하지 않을 수 있으며 데이터와 알고리즘의 조합을 통해 만들어진 합성적 존재라는 점에서 실존하는 특정 개인 또는 사회집단을 대표하고 의미를 구성하는 기존의 대표성(representation) 개념과 구별된다. 이는 사회적 상호작용 속에서 정체성이 형성된다는 기존의 관점에서 데이터 선택과 알고리즘적 규칙에 따라 정체성이 구성된다는 계산된 정체성(computed identity) 개념으로 이해의 초점이 이동함을 시사한다.

AI는 단순히 정체성을 반영하는 도구가 아니라 특정한 기준과 목적에 따라 정체성을 선별하고 조합하거나 상품화하는 적극적인 행위자이다(Tadimalla & Maher, 2024). 특히 정체성은 사회문화적 경험과 배경을 가진 존재를 재현하는 결과물에서 피부색, 체형, 젠더 표현, 연령 등의 요소로 분해되어 데이터화되고 알고리즘의 선택과 최적화 과정을 통해 재조합되는 대상으로 전환되는 새로운 국면에 처해 있다. 이러한 과정에서 생성된 정체성은 특정한 미적 기준과 사회적 규범을 내재하며, 겉으로는 다양성을 확대하는 것처럼 보이지만 실제로는 정체성의 표준화 및 단순화를 초래할 가능성이 있다.

최근 생성형 AI의 확산과 함께 AI를 활용한 패션디자인 개발이나 패션디자인 프로세스는 다수의 연구자에 의해 적극적으로 연구되고 있다(Lee, 2024; Park, 2024; Ryu & Lee, 2026; Yang & Lee, 2025). 이와 더불어 디지털 패션(digital fashion), AI 인플루언서, 가상 모델 등에 관한 연구도 활발히 진행되고 있다. Kim and Lee(2024)는 AI 패션 인플루언서 Lil Miquela가 대중에게 패션 문화와 정보를 전달하는 기능적 역할과 함께 자아 투영 및 표현을 매개하는 사회적 역할을 수행한다고 주장했다. Arsenyan and Mirowska(2021)는 가상 인플루언서가 소비자에게 인간 인플루언서와 유사한 신뢰를 형성할 수 있음을 제시하였다. 그러나 기존 연구는 AI의 기술적 활용에 집중한 패션디자인 개발이나 AI로 생성된 인물과의 커뮤니케이션에 초점을 맞춘 경우가 대다수이다.

한편 초기 알고리즘 연구는 기술적 효율성과 자동화에 초점을 두었으나 2010년대 이후 알고리즘을 사회적 권력 장치로 이해하는 비판적 접근이 확장되었다(Gillespie, 2014; Pasquale, 2015; Bucher, 2018). Cheney-Lippold(2017)는 알고리즘적 정체성(algorithmic identity)이라는 개념으로 알고리즘이 개인의 정체성을 통계적 상관관계로 유형화한다고 주장하였으며, van Dijck(2013)는 알고리즘 데이터화로 인해 사회적 상호작용과 문화적 활동이 수치화된 데이터로 전환된다고 분석하였다. 이상의 연구들은 알고리즘이 사회적 가시성과 분류 체계를 조직한다는 점과 데이터화가 주체를 재구성하는 방식을 설명하지만, 신체가 알고리즘으로 구성되는 방식이나 그 과정에 대한 존재론적 분석은 미흡하다.

이러한 문제의식에 따라 본 연구는 AI 기반 패션 모델 이미지의 시각적 구성 방식을 분석하고, 이를 비판적 알고리즘 연구(Critical Algorithm Studies: CAS)와 포스트휴먼 정체성(Posthuman Identity) 이론의 관점에서 해석하는 데 목적을 둔다. 이에 본 연구가 설정한 연구문제는 다음과 같다. 첫째, AI 기반 패션 모델 이미지에는 어떠한 신체 비율, 표정, 포즈, 배경, 질감 등의 시각적 재현 양식이 반복적으로 나타나는가? 둘째, H&M의 디지털 트윈형 모델과 Mango의 생성형 AI 모델은 신체와 정체성의 시각적 구성 방식에서 어떠한 차이를 보이는가? 셋째, 이러한 시각적 구성 경향은 CAS와 포스트휴먼 정체성 관점에서 어떠한 해석 가능성을 가지며, AI 기반 패션 이미지의 시각적 정체성 재현에 어떠한 함의를 내포하는가? 이상의 연구문제 해결을 통해 디지털 패션 환경에서 정체성의 시각적 재현이 인간 모델 중심의 생산 방식에서 AI 기반 이미지 생산, 브랜드 큐레이션, 플랫폼 가시성 조건이 결합된 방식으로 재편되는 양상을 분석하고, AI 기반 시각 재현이 갖는 윤리적·사회문화적 함의를 분석함으로써 향후 패션 산업에서의 책임 있는 시각적 정체성 재현 기준을 모색하는 데 본 연구의 의의가 있다.


Ⅱ. 이론적 배경

1. 비판적 알고리즘 연구(Critical Algorithm Studies)

최근 빅데이터와 알고리즘에 관한 연구는 데이터 과학이 객관성과 중립성을 표방하지만 실제로는 특정한 범주와 지표를 통해 현실을 편향적으로 구성할 수 있음을 지적해 왔다(boyd & Crawford, 2012; Gitelman, 2013). 이러한 비판과 이를 실천하려는 노력에서 출발한 비판적 알고리즘 연구(Critical Algorithm Studies: CAS)는 알고리즘을 단순한 기술적 도구가 아닌 사회적 의미와 권력 관계를 생산하는 일종의 문화적·정치적 장치로 이해하는 연구 분야이다. 이 관점은 알고리즘이 중립적이고 객관적인 계산 체계라고 여기는 전통적 인식을 비판하며, 데이터의 선택, 모델의 설계, 그리고 결과의 적용 과정 전반에 걸쳐 특정한 가치와 규범이 내재되어 있음을 강조한다(Gillespie, 2014; Kitchin, 2017). 즉, 알고리즘은 현실을 반영하는 것이 아니라 특정한 방식으로 현실을 구성하고 재편하는 역할을 수행하는 것이다.

CAS 관점에서 정체성은 알고리즘에 의해 생성되고 규정되는 사회적 구성물로서 개인의 고유한 속성이나 사회적 상호작용의 결과에 국한되지 않는다. 오히려 정체성은 데이터 수집과 분류, 패턴 인식, 그리고 알고리즘적 예측을 통해 계산되고 구성되는 대상으로 전환된다. 이와 같은 맥락에서 Cheney-Lippold(2011)는 알고리즘적 정체성 개념을 통해 개인은 데이터 기반 분류 체계 속에서 끊임없이 재정의된다고 설명한다. 또한 데이터화는 정체성을 개별적 존재가 아닌 분류 가능한 속성들의 집합으로 구성한다(Ortiz Freuler, 2023).

이러한 알고리즘은 통계적 공통성 모델을 사용하여 개인의 특성을 특정 기준에 따라 단순화하고 범주화한다(Cheney-Lippold, 2011). 이 과정에서 알고리즘은 특정 신체 유형이나 외모 기준을 정상 혹은 이상적 범주로 구성하고 이에 부합하지 않는 정체성을 주변화할 가능성이 크다. 예컨대 성별, 인종, 신체적 특징 등은 데이터 세트의 구조와 학습 방식에 따라 제한된 유형으로 환원되며, 이는 현실의 복합적이고 유동적인 정체성을 충분히 반영하지 못할 가능성을 내포한다. CAS는 이러한 문제를 알고리즘적 편향(algorithmic bias)과 규범의 재생산이라는 관점에서 분석한다. 즉, 알고리즘은 기존 사회의 미적 기준, 인종적 코드, 성별 규범 등을 학습하고 이를 강화하는 방향으로 작동하는 것이다.

알고리즘은 정체성을 개인의 행동 데이터를 기반으로 추론하고 사회적 범주를 재구성하는 권력 장치로 기능한다(Cheney-Lippold, 2011). 따라서 알고리즘에 기반한 AI는 어떠한 정체성이 가시화될 수 있는지를 선별하고 구성하는 권력적 매개체가 될 수 있다. 그러므로 알고리즘 분석은 기술적 성능 평가를 넘어 그 이면에 존재하는 사회문화적 맥락과 이데올로기를 함께 검토해야 한다.

2. CAS의 확장: 플랫폼 자본주의와 알고리즘 통치성

CAS의 관점에서 알고리즘 권력은 플랫폼 자본주의와 알고리즘 통치성으로 구체화된다. 먼저 플랫폼 자본주의는 사용자 활동을 데이터로 추출하고 그것을 가공 및 축적하는 경제 모델에 기반한다(Srnicek, 2017). 이 과정에서 추출된 데이터 중 일부는 상품이나 서비스의 개선에 활용되지만 다수의 데이터는 사유화되어 사용자들의 행동을 예상하는 예측상품(prediction product)으로 제조되어 시장에서 거래된다(Zuboff, 2019). 즉, 이와 같은 새로운 유형의 자본주의가 다수의 알고리즘 장치를 통해 수집한 데이터를 기업의 이윤으로 전환하는 것이다.

알고리즘은 사용자의 행동 데이터를 기반으로 정체성을 추론하고 범주화함으로써 이를 시장 세분화와 광고 최적화에 활용한다(Cheney-Lippold, 2011). 이에 디지털 환경에서 정체성은 개인화된 사용자 경험을 구성하는 동시에 경제적 가치로 환원되는 핵심 요소로 기능하게 된다(Couldry & Mejias, 2019). 즉, 플랫폼 자본주의 관점에서 정체성은 사회적 맥락이 아닌 브랜드 전략의 자산으로 기능하고 다양성은 정치적이고 윤리적인 요구가 아니라 마케팅 가치로 전환된다.

이러한 플랫폼 자본주의의 예측적 분류는 개인의 가능 행위를 사전에 조정하는 알고리즘 통치성의 작동 방식과 연결된다(Rouvroy & Berns, 2013). 이를 설명하기 위해 본 연구는 푸코의 통치성(governmentality) 개념을 알고리즘 환경에 적용한다. 통치성은 개인과 집단을 특정한 방식으로 형성하고 조정하는 제도적 합리성과 실천의 결합을 가리키며(Foucault, 1991), 신자유주의적 통치 맥락에서 시장 합리성을 통해 행위를 간접적으로 조율하는 방식으로 확장된다(Foucault, 2008). 핵심적인 것은 통치가 법적 강제나 직접적 명령에 의존하기보다 정상과 비정상, 바람직함과 바람직하지 않음, 가능과 불가능의 경계를 설정하는 규범화(normalization)를 통해 작동한다는 점이다(Foucault, 1991).

오늘날 이미지는 데이터 기반의 생성·유통·배열·최적화 체계 속에서 가시화되며, 알고리즘이 무엇을 선택하고 증폭할 것인지에 의해 구조화된다(Bucher, 2017; Gillespie, 2014). 알고리즘 통치성은 예측과 프로파일링을 통해 개인의 행동 가능성을 선제적으로 조정하는 새로운 통치 형태를 형성하며(Rouvroy & Berns, 2013), 이 과정을 통해 플랫폼은 가시성과 인정의 조건을 설정하는 방식과 긴밀히 연동된다(Gillespie, 2014). 즉, 플랫폼 환경에서 알고리즘적 배열과 추천 체계는 브랜드의 미학적 선택과 결합하여 어떤 신체 이미지가 더 쉽게 노출되고 소비되는지를 조정하는 주요 조건으로 작동한다.

알고리즘 통치성 논의에서 통치는 데이터 기반 예측과 최적화를 통해 수행된다(Rouvroy & Berns, 2013). 이때 신체 비율, 피부 톤, 젠더 표현 등은 단순한 표현 요소를 넘어 플랫폼 환경에서 선택·노출·반응을 조직하는 변수로 재구성될 수 있다(Gillespie, 2014). 이 과정에서 알고리즘은 중립적 도구라기보다 통치 합리성의 번역 장치로 기능한다. 클릭률(click-through rate), 전환율, 체류 시간과 같은 성과 지표는 정체성의 윤리적이고 사회적인 의미를 직접 측정하지 못하지만, 무엇이 성공하는가를 판단하는 기준으로 작동한다. 그 결과 신체 이미지는 사회적으로 구성된 정체성의 복합성을 드러내기보다 측정 가능한 표면적 특징으로 환원된다. 이와 더불어 다양성은 구조적 대표성의 문제라기보다 클릭 가능한 시각적 변수로 재배열되며, 포용성은 탈정치화된 미적 전략으로 수렴될 수 있다. 이러한 작동 방식은 통치가 직접적 억압보다 환경과 선택지를 조정함으로써 이루어진다는 점에서 통치성의 일반적 특징과 일치한다(Foucault, 1991; Rouvroy & Berns, 2013).

알고리즘 통치성은 책임과 주체성을 분산시키는 방식으로 작동한다. 신체 이미지의 생성은 표면적으로 창의적 판단이나 미적 선택의 결과처럼 보이나 그것이 생성 및 선별되고 노출되는 연쇄적 과정이 알고리즘에 의해 매개될 때 통치의 주체는 불명확해진다. 이때 논쟁은 누가 통치했는가보다 무엇이 문제였는가에 집중되며, 데이터 구성, 목표 지표, 필터링 기준, 학습 방식 등의 시스템 설계에 관한 질문은 배후로 밀려난다. 통치는 기술적 절차의 형태로 자연화되며 비가시적 조정의 습관 속에서 일상화된다(Ziewitz, 2016).

본 연구에서 알고리즘적 가시성은 알고리즘 통치성이 이미지 재현의 층위에서 구체화되는 방식으로 이해된다. 알고리즘 통치성이 데이터 기반 예측, 분류, 최적화를 통해 주체와 행위 가능성을 조정하는 상위 이론적 개념이라면 알고리즘적 가시성은 플랫폼 환경에서 특정 신체 이미지가 더 잘 보이고, 더 쉽게 읽히며, 더 빠르게 소비 가능하도록 구성되는 시각적 조건을 의미한다. 다만 본 연구에서 말하는 알고리즘적 가시성은 알고리즘이 브랜드의 창의적 판단을 대체한다는 의미가 아니다. 패션 이미지는 브랜드의 미학적 방향, 캠페인 콘셉트, 상품 기획에 의해 선택되고 조정되며, AI 기반 패션 모델 이미지는 이러한 브랜드 판단이 생성형 AI의 산출 가능성과 플랫폼 가시성 조건 속에서 번역된 결과로 이해되어야 한다. 따라서 본 연구는 알고리즘 통치성의 실제 작동 메커니즘을 실증적으로 규명하기보다 공개된 AI 기반 패션 모델 이미지에서 관찰되는 시각적 표준화, 상품 중심 구도, 감정 표현의 최소화가 알고리즘적 가시성의 문법과 어떠한 정합성을 갖는지를 해석하고자 한다.

3. 존재론적 전환: 포스트휴먼 정체성

포스트휴먼 정체성(posthuman identity) 이론은 인간을 자율적이고 합리적이며 통일된 주체로 상정해온 근대적 인간중심주의(humanism)를 비판하는 데서 출발한다(Ferrando, 2019; Wolfe, 2010). 계몽주의적 인간관은 정체성을 개인 내부에 존재하는 본질적 속성으로 이해해 왔으며, 인간은 세계의 인식 주체이자 도덕적 중심이었다. 그러나 포스트휴먼 사유는 이러한 전제를 해체하고 정체성을 독립적 실체가 아닌 관계적이고 과정적 구성물로 재정의한다(Braidotti, 2013). 이 관점에서 포스트휴먼 주체는 고정된 실체가 아니라 끊임없이 생성되고 변형되는 존재이며, 인간은 기술, 동물, 환경과 얽힌 다층적 네트워크 속에서 형성된다. 즉, 정체성은 독립적 자아의 표현이 아니라 복수의 행위자와 힘의 관계 속에서 발생하는 효과이다.

Haraway(1987)에 의하면 사이보그는 인간과 기계, 자연과 문화, 남성과 여성이라는 근대적 이분법을 붕괴시키는 혼종적 존재이며, 정체성은 이미 기술적이고 사회적 체계와 결합된 산물이다. Haraway에게 사이보그는 단순한 은유가 아니라 인간 정체성이 순수하거나 자율적인 기원에 의해 보장되지 않음을 보여주는 이론적 장치이다. 이는 인간을 예외적 존재로 상정해온 인문주의적 전통에 대한 비판이기도 하다(Wolfe, 2010).

탈신체화된 정체성(disembodied identity)은 정체성이 생물학적 육체의 물리적 한계로부터 상대적으로 분리되어 코드, 이미지, 데이터 흐름 속에서 구성되는 현상을 가리킨다. Hayles(1999)는 정보화 사회에서 인간이 점차 정보 패턴으로 이해되는 과정을 분석하며, 정체성이 물질적 구현과 정보적 재현의 결합 속에서 재구성된다고 지적한다. Hayles는 완전한 탈신체화의 환상을 비판하지만 디지털 환경에서 신체가 정보 구조 속에 통합되는 현실을 강조한다. 즉, 포스트휴먼 조건에서 정체성은 육체적 실존에만 고정되지 않으며 코드, 데이터, 네트워크를 통해 확장되고 변형된다.

반면 탈신체화는 신체의 소멸을 의미하지 않는다. 오히려 디지털 환경에서 신체는 더욱 정밀하게 측정되고 분류되며 최적화된다. 3D 스캔, 모션 캡처, 생성형 모델 학습 데이터 등은 신체를 수치화 가능한 변수들의 집합으로 전환한다. 즉, 탈신체화는 신체의 부재가 아닌 신체의 계산 가능성(calculability)을 강화하는 과정이다. 이러한 데이터화는 행위와 정체성을 확률적 패턴으로 관리하는 알고리즘 통치성의 조건과 맞닿아 있다(Rouvroy & Berns, 2013).

한편 포스트휴먼 정체성이 항상 해방적 잠재성만을 지니는 것은 아니다. Braidotti(2013)는 포스트휴먼 주체가 신자유주의적 기술 자본주의의 맥락에서 쉽게 비주체화(de-subjectification)될 위험을 지닌다고 지적한다. 기술과 자본의 네트워크는 주체를 확장하는 동시에 그것을 관리하고 최적화 및 상품화 가능한 대상으로 전환할 수 있다(Wolfe, 2010). 포스트휴먼 주체는 외형상 다양한 정체성을 구현하는 듯 보이지만 실제로는 발화 능력이나 자기 대표(self-representation)의 권한을 갖지 않는다. 그 정체성은 데이터 설계, 알고리즘 학습 등에 의해 외부에서 구성되고 조정된 대표성을 수행하도록 설계된 객체에 가깝다.

이러한 조건에서 핵심 질문은 탈신체화가 누구의 권한 아래에서 어떤 합리성에 따라 수행되는가이다. 정체성이 물리적 신체로부터 분리될수록 그것은 설계 가능하고 교체 가능한 자산이 된다. AI 기반 패션 모델의 정체성은 디자이너, 데이터셋, 알고리즘, 플랫폼 인프라, 자본의 이해관계가 얽힌 네트워크 속에서 생성된다. 이때 누가 정체성을 구성하고 누가 그 결과에 책임을 지는가라는 윤리적·정치적 문제가 제기된다. 즉, 포스트휴먼 조건은 인간중심주의를 해체하는 동시에 정체성의 통제와 책임이 분산되는 새로운 권력 지형을 드러낸다(Braidotti, 2013; Ferrando, 2019).

본 연구에서 포스트휴먼 신체 재현은 AI 기반 패션 모델 이미지가 인간 신체를 단순히 모방하는 데 그치지 않고, 데이터 기반 생성 과정과 브랜드의 미학적 선택, 플랫폼 환경의 시각적 규범 속에서 새롭게 구성된 합성적 신체를 제시한다는 점에 주목한다. 이러한 포스트휴먼 신체는 생물학적 실재성을 전제하지 않으면서도 인간 모델처럼 인식될 수 있는 신체이며, 동시에 매끄러운 피부, 균질화된 비율, 중립적 표정, 감정의 절제, 상품 중심의 포즈를 통해 인공성과 표준성을 드러낸다. 따라서 본 연구에서 시각적 정체성 재현은 이러한 포스트휴먼 신체가 어떠한 인간성, 젠더성, 개별성, 감정성, 인공성, 상품성의 단서로 읽히도록 구성되는지를 분석하는 개념으로 사용된다.

이상의 이론을 종합하여 본 연구는 CAS를 중심 분석 틀로 삼아 알고리즘을 하나의 권력 장치로 이해하고자 한다. CAS의 확장된 맥락에서 플랫폼 자본주의를 정체성의 데이터화와 상품화를 형성하는 경제적 구조 조건으로, 알고리즘 통치성을 가시성과 노출의 차원에서 구체화하는 작동 메커니즘으로 설명한다. 나아가 인간 중심 정체성의 해체와 관계적 구성을 강조하는 포스트휴먼 이론을 통해 AI 기반 패션 모델의 존재론적 조건을 고찰하고자 한다. 이 네 이론은 병렬적으로 나열되는 것이 아니라 다층적 분석 구조로 통합된다. 이로써 본 연구는 AI 기반 패션 모델 이미지를 단순히 재현된 정체성의 결과보다는 특정한 기준과 규칙에 따라 정체성을 구성하고 규범화하는 과정으로 이해하고자 한다.


Ⅲ. 연구범위 및 방법

본 연구는 AI 기반 패션 모델 이미지에 나타나는 신체 재현 방식과 알고리즘적 구성 논리를 분석하기 위해 질적 내용분석을 중심으로 하되, 코딩 결과를 점수화하여 평균과 표준편차를 산출하는 기술통계 기반 비교를 보조적으로 활용하였다. 이론적 기반은 비판적 알고리즘 연구(CAS)와 그 확장 맥락 이론 및 포스트휴먼 정체성 이론에 두었으며, 이를 토대로 AI 기반 패션 모델 이미지를 단순한 시각적 산출물이 아니라 알고리즘적 가시성 체계 속에서 구성되는 존재 형식으로 파악하였다.

이러한 이론적 전제 위에서 본 연구는 생성형 AI 모델, 추천 시스템, 광고 최적화, 플랫폼 성과 지표를 동일한 기술 과정으로 간주하지 않는다. 이들은 각각 이미지 생성, 이미지 유통, 소비자 반응 측정, 플랫폼 경제라는 서로 다른 층위에 속한다. 따라서 본 연구는 이들을 하나의 직접적 인과관계로 연결하기보다, AI 기반 패션 모델 이미지가 생산·선택·유통되는 환경을 구성하는 다층적 조건으로 이해한다.

본 연구의 실제 분석은 공개된 이미지의 시각적 구성에 한정되며, 추천 알고리즘, 광고 최적화, A/B 테스트, 클릭률, 학습 데이터셋 등 플랫폼 내부 메커니즘을 실증적으로 분석하지 않는다. 또한 분석 대상 이미지는 AI 시스템의 원초적 산출물이 아니라 브랜드의 기획, 선택, 승인, 편집 과정을 거쳐 공개된 최종 이미지이므로 관찰된 시각적 특징을 알고리즘의 직접 효과로 간주하지 않고 AI 기반 이미지 생산과 브랜드 선택이 결합된 결과로 해석한다.

한편 본 연구에서 AI 기반 패션 모델은 패션 브랜드의 공식 이미지 생산 과정에서 인공지능 또는 디지털 생성 기술을 활용하여 구성된 모델 이미지를 가리킨다. 이는 실존 모델의 신체 데이터를 기반으로 한 디지털 트윈형 모델과 생성형 AI를 통해 합성된 생성형 모델을 포괄하는 상위 개념이다. 다만 본 연구는 독립적 페르소나와 서사를 가지고 SNS에서 상호작용하는 AI 인플루언서나 AI 기술과 무관하게 3D 그래픽으로 제작된 일반 가상 모델은 분석 대상에서 제외한다. 따라서 본 연구의 분석 대상은 AI 기술이 패션 브랜드의 공식 이미지 생산과 모델 재현에 활용된 사례로 한정된다.

이에 본 연구는 H&M과 Mango를 분석 대상으로 선정하였다. 두 브랜드는 글로벌 패스트패션 브랜드로 유사한 시장 지위와 유통 구조를 가지며, AI 기반 패션 모델 이미지의 공식 도입 사례가 확인된다. 다만 H&M은 실존 모델의 신체 데이터를 기반으로 한 디지털 트윈 전략을 취하고, Mango는 생성형 AI를 활용한 합성 모델 전략을 채택한다. 따라서 두 사례는 각각 복제적 확장과 조합적 생성이라는 상이한 AI 모델 전략이 신체와 정체성의 시각적 재현 방식에서 어떻게 다르게 나타나는지를 비교하기에 적합하다.

자료 수집은 AI 전략을 먼저 발표한 브랜드 Mango의 최초 공개 시기인 2024년 7월 이후부터 2026년 5월까지를 범위로 한정하였다. 분석 자료는 브랜드의 공식 Instagram 게시물, 공식 웹사이트 캠페인 이미지, 그리고 보도자료 및 공식 발표문을 포함한다. Mango의 경우 2024년 7월부터 2026년 5월까지 공식 웹사이트와 Instagram에 게시된 AI 활용이 명시된 이미지 375개를 1차 수집하였다. 이 가운데 본 연구의 목적이 AI 기반 패션 모델의 신체 재현과 시각적 정체성 구성을 분석하는 데 있으므로, 단순 상품 페이지 이미지, 의복 상세컷, 모델 신체가 충분히 드러나지 않는 이미지, 중복 게시물은 제외하였다. 최종 표본은 공식적으로 AI 활용 캠페인으로 확인되며 모델의 신체 비율, 표정, 포즈, 배경, 의복과 신체의 관계를 코딩할 수 있는 캠페인 이미지 38개로 한정하였다.

H&M의 경우 디지털 트윈 이미지가 2025년 7월 2일 공식 Instagram 게시물을 통해 공개되었으며, 본 연구의 수집 기간과 포함 기준에 따라 확인된 공식 공개 이미지 11개를 모두 분석에 포함하였다. 따라서 H&M의 n=11은 임의적 축소 표본이 아니라, 연구자가 확인 가능한 공식 공개 이미지 전체를 포함한 전수 표집에 해당한다. 다만 두 사례의 자료 생성 조건이 동일하지 않으므로 본 연구는 두 브랜드를 동일한 모집단에서 추출된 비교 집단으로 간주하지 않으며, 디지털 트윈형 모델과 생성형 AI 모델이라는 서로 다른 AI 활용 전략을 비교하는 탐색적 사례 분석으로 한정하였다.

이처럼 두 사례의 표본 수가 상이하므로 본 연구의 수치 비교는 통계적 유의성 검정을 목적으로 하지 않는다. 평균과 표준편차는 각 브랜드 내부에서 반복되는 시각적 경향을 파악하기 위한 기술통계로 사용되며, 브랜드 간 차이는 정량적 우열이 아니라 사례별 구성 논리의 차이를 설명하는 보조 자료로 해석하였다. 나아가 두 브랜드의 AI 전략의 차이를 비교 분석 축으로 명시하여 각 전략이 신체와 정체성의 시각적 재현 방식에 어떠한 차이를 보이는지를 분석하였다.

분석은 1차 시각 코딩, 2차 해석 코딩, 이론적 종합 해석의 세 단계로 진행하였다. 1차 코딩에서는 신체 비율, 피부 질감, 포즈, 조명, 배경 구성 등 이미지 표면의 시각적 요소를 정리하였다. 2차 코딩에서는 이러한 반복 패턴을 알고리즘적 가시성의 관점에서 해석하였으며, 마지막 단계에서는 그 결과를 포스트휴먼 정체성 이론과 연결하여 신체의 변형, 이상화, 비인간화, 혼종화 양상을 검토하였다. 이상의 분석 절차를 정리하면 <Fig. 1>과 같다.

<Fig. 1>

Analysis Process

세부적으로 1차 코딩은 AI 기반 패션 모델 이미지의 시각적 특징을 객관화하고, 이후 해석의 기초가 되는 시각적 자료를 구축하기 위한 절차로 수행되었다. 이를 위해 신체 구성(B), 시각적 표준화(V), 포즈·동작(P), 환경 구성(L), 물질성(C), 인간성 가시성(H)의 6개 범주로 나누고 총 19개 코드<Table 1>를 설정하여 분석하였다. 이러한 범주화는 기존 패션 이미지 분석의 범주를 토대로 하면서도 AI 기반 이미지의 합성성, 물질성, 인간-기계 경계 문제를 포착하기 위해 구성되었으며, 신체를 하나의 자연적 존재가 아닌 시각적으로 조직된 기호 체계로 본다는 전제에 기반한다(Bordo, 1993).

Primary Descriptive Coding Matrix for Visual Representation

각 지표는 항목에 따라 3점 또는 4점의 척도로 설정하여 반복 패턴과 변이 정도를 기록하였으며, 이를 통해 신체 재현이 우연적 산출물이 아니라 일정한 규칙성을 따르는 구조임을 확인하고자 하였다. 본 연구에서 사용한 3점 또는 4점 척도는 이미지에서 관찰되는 시각적 특성의 강도 또는 방향성을 기록하기 위한 제한적 서열척도이다. 따라서 평균과 표준편차는 집단 간 차이를 검정하거나 효과 크기를 산출하기 위한 통계값이 아니라, 동일한 조작적 기준에 따라 코딩된 사례들의 상대적 분포를 요약하기 위한 보조적 기술통계로만 활용하였다. 이에 따라 본 연구는 각 항목의 척도 성격을 Scale Type으로 병기하였으며, 서열형 항목은 기술통계 비교에 활용하고 명목형 및 혼합형 항목은 빈도와 사례 해석을 중심으로 보완하였다.

2차 코딩은 1차 시각 코딩에서 도출된 이미지의 반복 패턴을 CAS, 플랫폼 가시성, 포스트휴먼 정체성 논의와 연결하여 해석하기 위한 이론적 분류 절차이다. 따라서 2차 코딩 결과는 알고리즘 내부 작동 및 데이터화 과정이나 알고리즘 권력의 실제 작동을 직접 입증하는 증거가 아니며, 공개 이미지에서 관찰되는 시각적 구성 양식이 알고리즘적 가시성 담론과 어떠한 정합성을 갖는지를 설명하기 위한 해석적 자료로 사용된다. 이에 본 연구는 데이터화 논리(D), 계산 가능성(K), 가시성 통치(G), 정체성 구조(I)의 범주로 나누어 총 12개의 코드로 세부 지표<Table 2>를 설정하여 분석하였다. 각 코드는 1차 코딩에서 드러난 시각적 표면을 넘어 AI 기반 패션 모델 이미지가 어떤 데이터화 논리와 플랫폼 전략 속에서 구성되는지를 분석하기 위해 설계되었다. 즉, 1차 코딩이 신체의 보이는 형태를 다루었다면 2차 코딩은 관찰된 시각적 구성을 이론적 개념과 연결하여 해석하는 단계라 할 수 있다.

Secondary Interpretive Coding Matrix for Algorithmic Visibility

이후 연구 목적과의 부합성 및 지표의 명확성을 검증하고자 의상학 박사 3인이 코딩 매트릭스를 검토하고 그에 따라 독립적으로 코딩을 진행하였다. 그리고 코딩 체계의 신뢰성을 통계적으로 검증하기 위해 코딩 결과에 대하여 코더 간 일치도를 산출하였다. 초기 독립 코딩 단계에서 코더 간 신뢰도(Krippendorff's Alpha)는 전 지표 평균 0.681로 나타났다. 지표별 검토 결과, 신체 경계 처리(B3), 선택적 선명도(C3), 물리 규칙 비일관성(K2)과 같이 판단 기준이 비교적 명확한 지표에서는 코더 간 일치가 높았던 반면, 인종·민족 표상(B5), 얼굴·표정 구체성(V1), 인간-기계 경계(G3), 디지털 복제/합성 유형(I3)과 같이 시각적 단서의 해석이 개입되는 지표에서는 상대적으로 많은 불일치가 확인되었다. 이에 불일치가 발생한 항목은 이미지 단위로 전수 재검토하였다. 3인의 코더는 각 지표의 조작적 정의와 코딩 기준을 다시 확인한 후, 판단이 갈린 이미지에서 어떤 시각적 단서가 해당 범주에 해당하는지를 논의하였다. 특히 B5, V1, G3, I3와 같이 해석적 판단이 필요한 지표는 단일 수치 비교보다 사례 해석의 보조 자료로만 활용하도록 해석 수준을 제한하였다. 최종 분석에는 초기 독립 코딩값이 아니라 합의 절차를 통해 확정된 최종 코딩값을 사용하였다.

다음으로 코딩된 지표를 수치화하여 통계적으로 집계하였다. 브랜드별 지표 평균은 해당 브랜드의 전체 이미지에 부여된 지표별 코딩값을 합산한 후, 이를 이미지 수로 나누어 산출하였다. 그리고 영역별 평균값은 각 이미지에서 해당 영역의 세부 지표 평균을 먼저 계산한 후 브랜드 단위로 다시 평균하여 산출하였다. 모든 지표는 동일 가중치로 처리하였다. 각 지표는 분석의 편의를 위해 수치화하였으나 평균값은 경향 파악을 위한 기술적 요약으로만 활용하였다. 그리고 B2, B5, V1, P3, L1, G3, I3와 같이 범주 간 위계나 등간성을 전제하기 어려운 명목형 및 혼합형 항목은 평균값 자체를 브랜드 간 차이의 직접 근거로 사용하지 않고, 범주별 빈도, 비율, 대표 사례 해석을 중심으로 분석하였다. 이후 산출된 결과를 토대로 신체의 표준화, 감정 표현의 최소화, 문화적 유형화 등 시각적 구조의 의미를 이론적 틀에 따라 해석하였다.

본 연구는 분석 범주를 명시적으로 설정하고 동일한 기준에 따라 반복적으로 코딩을 수행하였다. 또한 해석 과정에서 이론적 개념과의 대응 관계를 지속적으로 점검함으로써 분석의 일관성을 유지하였다. 다만 본 연구는 알고리즘의 내부 구조나 훈련 데이터, 편집 전후 이미지, 브랜드 내부의 승인 기준에 직접 접근할 수 없으며 공개된 이미지와 공식 자료에 기반하여 분석을 수행한다는 한계를 지닌다. 이와 더불어 공개 이미지 수의 차이와 캠페인 시기의 차이는 비교 결과의 일반화 가능성을 제한할 수 있다. 그러나 본 연구의 목적은 기술적 메커니즘의 규명에 있지 않고 알고리즘이 구성하는 신체의 존재론적 조건을 문화적으로 해석하는 데 있다는 점에서 이러한 한계는 연구 목적과 충돌하지 않는다.


Ⅳ. AI 기반 패션 모델 이미지의 알고리즘적 가시성과 존재론적 재현

1. AI 기반 패션 모델 이미지의 시각적 구성과 알고리즘적 가시성

1) 시각적 구성의 반복 구조

Foucault(1977)의 규율 권력 논의에 따르면 신체는 가시화, 관찰, 측정, 정상화의 대상이 된다. 이러한 관점에서 AI 기반 패션 모델 이미지는 신체가 데이터화된 가시성 체계 속에서 어떻게 표준화되는지를 살펴볼 수 있는 사례이다. 오늘날 신체는 촬영 현장에서만 통제되는 것이 아니라 데이터셋, 학습 모델, 플랫폼 알고리즘을 통해 구성된다. 이는 권력이 물리적 감시에서 벗어나 데이터 기반의 예측 및 최적화 체계로 확장되었음을 의미한다(Beer, 2017; Zuboff, 2019). Gillespie(2014)가 지적하듯 플랫폼 알고리즘은 단순한 기술적 장치가 아니라 사회적 가시성을 조직하는 핵심 인프라이다. 따라서 AI 기반 패션 모델은 단순한 시각적 대체물이 아니라 알고리즘적 가시성 체계 속에서 구성되는 새로운 존재 형식으로 이해할 수 있다. 본 연구는 이러한 문제의식에 따라 H&M의 디지털 트윈 AI 기반 패션 모델 이미지 11개와 Mango의 AI 기반 패션 모델 이미지 38개를 코딩 분석하였다.

1차 코딩 결과를 기술통계로 정리한 표<Table 3>에 따르면 두 브랜드 모두 신체 경계 처리(B3)와 선택적 선명도(C3)가 평균 1.00으로 나타나 선명하고 안정적인 신체 재현을 우선하는 경향을 보였다. 신체 비율(B1) 역시 H&M(Mean = 1.18, SD = 0.39)과 Mango(Mean = 1.34, SD = 0.48) 모두 낮은 수준에 머물러, 분석된 이미지 범위에서는 기존 패션 모델 규범과 유사한 표준적 신체 양식이 반복됨을 확인할 수 있다. 다만 이는 학습 데이터의 구조가 아니라 브랜드가 선택한 최종 이미지에서 관찰되는 시각적 표준화 경향으로 이해해야 한다.

Descriptive Summary of Primary Coding Indicators by BrandH&M(n = 11), Mango(n = 38)

인종 및 민족 표상(B5)은 명목적 판단이 일부 개입되는 혼합형 지표이므로, 해당 수치는 등간척도적 평균 비교라기보다 코딩값의 분포를 요약한 보조 지표로 해석할 필요가 있다. 이러한 전제에서 H&M의 AI 기반 패션 모델은 특정 문화적 맥락에 강하게 귀속되기보다 글로벌 소비 환경에서 보편적으로 수용 가능한 중간값에 가깝게 구성된다<Fig. 2>. 이는 플랫폼 자본주의 환경에서 확장 가능성과 범용성을 우선시하는 전략과 맞닿아 있다(Srnicek, 2017). 즉, 정체성은 차별화의 수단이 아닌 플랫폼 확장을 저해하지 않는 범위 내에서 조정될 수 있다.

<Fig. 2>

One of H&M's Digital Twins (H&M, 2025)

반면 Mango는 H&M보다 정체성의 유형화가 상대적으로 두드러지며, 일부 이미지에서는 문화적 특징과 상품이 결합된 시각적 구성이 관찰된다. 다수 이미지에서 특정 인종적·문화적 특징이 시각적으로 유형화되어 있으며 일부 사례에서는 사막 배경, 건축적 요소, 장식적 패턴, 에스닉한 의복 스타일 등 특정 지역성을 암시하는 시각 코드와 모델 이미지의 결합이 반복적으로 등장한다<Fig. 3>. 이는 단순한 외형 재현을 넘어 정체성과 소비가 동시에 기획된 이미지 전략으로 해석될 수 있다. 정체성은 개별적 서사라기보다 데이터 패턴으로 조직된 기호로 기능함을 시사한다.

<Fig. 3>

Mango’s AI Teen Campaign (Mango, 2024)

두 브랜드 모두 시각적 표준화 영역(V1–V3)에서는 중립적 표정이 반복적으로 관찰되었으며, 강한 감정 표현은 제한적으로 나타났다. 피부 톤은 균질화되어 있고 조작 흔적은 낮거나 최소화되어 있다. 그러나 Mango는 배경과 공간 맥락, 의복 패턴을 통해 문화적 분위기를 적극적으로 암시한다. 이는 단순한 미장센의 차이를 넘어 플랫폼 환경에서 차별화된 가시성을 확보하기 위한 전략으로 이해할 수 있다(Gillespie, 2014). 그러나 이러한 차별화에도 인간적 결함은 최소화되며 물리적 반응은 제한적으로 표현된다. 즉, 문화적 차이는 강조되지만 신체 자체는 통계적 안정성 안에 머무르는 것으로 보인다. 이는 알고리즘적 거버넌스가 차이를 허용하되 관리 가능한 범위 안에서 조직한다는 점과 연결된다(Beer, 2017).

인간성 표지(H1)는 두 브랜드 모두 동일한 평균 1.55로 결함이 완전히 제거되기보다는 최소화된 상태로 유지되고 있다. 이는 인간성을 삭제하지 않으면서도 즉각적 시각 가독성을 강화하는 절충적 전략으로 해석할 수 있다. Cheney-Lippold(2017)는 알고리즘이 개인을 구체적 주체가 아니라 확률적 범주로 재정의한다고 보았는데, 두 브랜드의 AI 기반 패션 모델 역시 개별 인물이라기보다 통계적 평균에 가까운 존재로 구성된 것으로 보인다. 한편 표준편차를 고려하면 Mango는 여러 항목에서 H&M보다 상대적으로 높은 표준편차를 보인다. 이는 Mango가 시각적 구성에서 더 다양한 변형 전략을 사용하고 있음을 시사한다.

한편 <Table 3>에 포함된 1차 코딩 지표 가운데 B2, B5, V1, P3, L1은 범주 간 등간성 또는 명확한 위계가 확보되기 어려운 명목형 또는 혼합형 지표에 해당한다. 따라서 본 연구는 해당 항목들의 평균값을 브랜드 간 차이를 직접적으로 입증하는 근거로 사용하지 않았다. 이들 지표의 수치는 코딩값의 분포를 요약하기 위한 기술적 참고값으로만 병기하였으며, 실제 해석에서는 범주별 출현 양상, 대표 이미지 사례, 그리고 코더 합의 과정에서 확인된 질적 판단을 중심으로 보완하였다.

종합적으로 1차 코딩 매트릭스 분석 결과, 두 브랜드의 AI 기반 패션 모델 이미지는 몇 가지 공통된 반복 패턴을 보였다. 첫째, 신체 비율은 과장되거나 왜곡된 형태보다 길쭉한 실루엣 혹은 표준형 신체가 대부분이었다. 이는 현실 패션 모델 규범이 충실히 재현된 경향을 보여준다. 둘째, 모델 이미지에서는 중립적인 표정이 반복되어 감정 표현은 제한적으로 나타났으며 인간적 결함은 제거되거나 최소화되었다. 즉, 인간성은 완전히 삭제되지 않은 채 매끄럽게 보정되고 이상화된 신체로 구성되었다. 셋째, 자연스러운 포즈나 카탈로그형 포즈가 반복되었으며 과장된 스테이징은 드물었다. 또한 배경은 단순화되거나 구체성이 제한되어 신체와 상품의 가독성을 강화하였다. 이러한 시각적 특징은 알고리즘의 내부 작동을 직접 입증하는 것은 아니지만, AI 기반 이미지 생산과 브랜드 선별 과정에서 형성된 플랫폼 친화적 시각 문법으로 해석할 수 있다(Srnicek, 2017; Zuboff, 2019).

2) 알고리즘적 가시성과 데이터화 논리

2차 코딩의 결과<Table 4>는 데이터화 강도와 정체성 구조에서 두 브랜드 간 차이를 보여준다. 데이터화 논리(D1–D3)에서 H&M은 낮음에 가까운 평균값(D1 = 1.27, D2 = 1.18)을 보이며, 신체가 샘플화된 데이터 단위로 기능하기보다는 여전히 개별 인물처럼 인식되는 수준에 머문다. 이는 신체가 완전히 추상화된 데이터 객체로 환원되기보다는 인간적 외형을 유지한 채 플랫폼 환경에 적응된 상태로 조정되고 있음을 시사한다. 반면 Mango는 중간 이상 수준(D1 = 1.89, D2 = 1.79, D3 = 1.92)을 보이며, 평균화와 선택적 보정이 더 두드러짐을 보여준다. Mango의 이미지에서는 결함 최소화와 시각적 균질화가 상대적으로 더 자주 관찰되며, 이는 생성형 AI 기반 캠페인 이미지가 개별적 인물성보다 유형화된 신체 이미지를 강조하는 방식으로 해석될 수 있다.

Descriptive Summary of Secondary Interpretive Coding Indicators by BrandH&M(n = 11), Mango(n = 38)

계산 가능성(K1-K3) 중 포즈 표준화(K1)의 평균은 H&M(Mean = 2.00, SD = 0.63)이 Mango(Mean = 1.63, SD = 0.54)보다 높아 카탈로그형 또는 최적화된 포즈 범주에 상대적으로 더 가깝게 분포하고 있음을 확인할 수 있다. H&M 이미지에서는 카탈로그형 포즈와 상품 중심 구도가 상대적으로 두드러져, 플랫폼 환경에서 빠르게 인지될 수 있는 시각적 가독성이 강조된 것으로 해석할 수 있다. 이러한 경향은 Gillespie(2014)가 지적한 바와 같이 플랫폼 알고리즘이 단순한 기술 장치가 아니라 사회적 가시성을 조직하는 인프라라는 점을 반영한다. 즉, H&M의 AI 기반 패션 모델은 정체성 전략보다는 상품 중심 가시성 통치에 더 밀접하게 작동한다.

즉각적 가독성(G1) 역시 H&M(Mean = 2.45, SD = 0.52)이 Mango(Mean = 2.29, SD = 0.46)보다 높게 나타났으며, 이는 H&M이 썸네일 환경에 적합한 즉각적 가독성을 상대적으로 강조한 것으로 해석할 수 있다. 따라서 정체성을 적극적으로 정치화하거나 차별화하기보다는 글로벌 플랫폼 환경에서 보편적으로 소비 가능한 평균적 외형을 재생산하는 전략과 맞닿아 있다(Srnicek, 2017). H&M의 11개 이미지 전반에서 플랫폼 친화적인 표준화 신체가 반복 생산되는 경향을 보인다. 이 신체는 감정이 절제되어 있고 문화적 차이가 과도하게 드러나지 않으며, 교체 가능하고 안정적인 모듈처럼 기능한다. 이러한 반복적이고 안정화된 신체 표상은 디지털 환경에 순응하는 신체(docile body) 이미지로 해석할 수 있다(Foucault, 1977). 다만 이는 규율 권력의 실제 작동을 입증하는 것이라기보다는 신체 표준화의 시각적 효과에 대한 이론적 해석이다.

반면 정체성 구조(I1-I3)에서는 Mango가 비교적 높은 평균을 보인다. 디지털 복제 및 합성 유형(I3)은 명목형 지표이므로 평균값의 차이를 등간척도적 의미로 해석하지 않았다. 다만 범주 귀속을 기준으로 볼 때 H&M 표본은 디지털 트윈형 이미지로, Mango 표본은 생성형 AI 기반 합성 이미지로 분류되며, 이는 두 브랜드가 각각 복제적 확장과 조합적 생성이라는 상이한 AI 모델 전략을 취하고 있음을 보여준다. 이는 정체성이 데이터 조합의 결과로 재구성되고 있음을 의미한다. 다수 이미지에서 특정 인종이나 문화적 표상이 반복되며 정체성과 상품이 결합된 방식으로 구성된다. Mango의 사례에서 차이는 해방적 잠재성보다는 전략적 기호로 기능한다. 이러한 경향은 정체성이 삭제되기보다는 소비 전략 속에서 유형화되어 재조직됨을 의미한다.

한편 <Table 4>에 포함된 2차 코딩 지표 가운데 G3와 I3는 범주 간 등간성 또는 명확한 위계가 확보되기 어려운 명목형 또는 혼합형 지표로 분류된다. 이에 본 연구는 G3와 I3의 평균값을 브랜드 간 차이를 직접 비교하기 위한 등간척도적 지표로 해석하지 않았다. 해당 항목들은 코딩값의 기술적 요약으로 제시하되, 실제 분석에서는 각 이미지가 어떠한 범주에 귀속되는지, 그리고 디지털 트윈형 모델과 생성형 AI 모델의 차이가 사례별로 어떻게 나타나는지를 중심으로 해석하였다.

전체 2차 코딩 결과를 종합하면 다음과 같은 구조적 차이가 도출되었다. H&M은 시각적 데이터화 경향과 플랫폼 최적화를 결합한 비정치화된 상품 매개 신체 이미지를 생산한다. 반면 Mango는 중간 이상의 평균화 강도와 정체성 가시화를 결합한 전략적으로 유형화된 알고리즘적 신체 이미지를 재현한다. 그러나 두 브랜드 모두 극단적 왜곡을 배제하고 물리적 일관성을 유지한다. 이는 AI 기반 패션 모델이 비현실적인 가상의 존재라기보다 통계적으로 안정화된 현실적 표상을 재생산하는 장치임을 보여준다.

2. AI 기반 패션 모델 이미지의 존재론적 재현

본 절에서는 1, 2차 코딩 결과를 바탕으로 AI 기반 패션 모델의 존재론적 의미를 세 가지로 정리하고자 한다.

첫째, AI 기반 패션 모델은 Foucault(1977)의 규율적 신체 논의와 연결 가능한 정형화된 신체 표상으로 존재한다. H&M과 Mango의 거의 모든 이미지는 신체 비율(B1), 신체 경계 처리(B3)에서 공통적으로 낮은 분산과 안정적인 평균을 보였다. 해당 지표들은 신체 비율과 경계처리의 시각적 특징을 코딩한 것으로 두 브랜드의 AI 기반 패션 모델은 표준적이거나 이상적 신체 비율 범주에 속하였으며 극단적 왜곡은 발견되지 않았다. 즉, AI는 신체를 해체하는 것이 아니라 오히려 가장 정상적이고 수용 가능한 이미지를 반복적으로 제시한다. 이 과정에서 변이와 결함보다 안정적이고 가독성 높은 신체 범주가 강조되며 신체는 개별 존재가 아니라 확률적으로 안정된 표상으로 나타난다.

이러한 경향은 표정의 영역에서도 동일하게 나타났다. 두 브랜드 모두 얼굴·표정 구체성(V1)에서 중립적 범주에 반복적으로 수렴하였다. 중립적 표정의 반복적 생산은 신체를 비정치적이고 비갈등적인 표면으로 전환하며, 이는 Foucault(1977)가 말한 순응하는 신체(docile body)의 디지털 버전으로 이해할 수 있다. 따라서 알고리즘 통치성의 관점에서 AI 기반 패션 모델의 신체는 기술적 절차의 형태로 자연화되고 규율적 신체의 시각적 효과가 알고리즘 기반 이미지 생산 및 브랜드 선별 과정 속에서 반복적으로 나타난 것으로 해석할 수 있다.

둘째, AI 기반 패션 모델은 포스트휴먼 조건 속에서 신체가 유형화되고 계산 가능한 표상으로 재현된다. Mango는 H&M보다 인체의 패턴 기반 형상화(D2), 명목형 지표(I3)를 제외한 정체성 구조(I1-I2)에서 일관되게 높은 값을 보였다. 이 항목들은 신체가 생물학적 개체로 재현되는지, 아니면 데이터 조합 구조로 존재하는지를 측정하기 위한 범주이다. Mango의 경우 데이터 단위화의 강화와 존재의 합성 구조의 증가가 동시에 나타났는데, 이는 신체가 경험적 개별 존재라기보다 통계적 값에 기반한 구성 단위로 기능하고 있음을 의미한다(Haraway, 1987).

Mango는 H&M에 비해 정체성 구조 관련 지표(I1–I2)에서 상대적으로 높은 평균값을 보여, 생성형 AI 기반 캠페인 이미지에서 정체성의 유형화와 합성적 구성이 더 두드러지는 경향을 보인다. 그러나 더 중요한 점은 정체성의 차이 자체는 삭제되지 않지만, 그것이 계산 가능한 범위 내에서 유형화된다는 점이다. 즉, 포스트휴먼 조건의 특징과 같이 정체성의 차이는 유동적인 채로 남아 있으나 자본주의적 맥락에서 재조직된다(Braidotti, 2013). 따라서 Mango의 AI 기반 패션 모델의 정체성은 그 차이가 저항이 아니라 전략으로 기능함을 시사한다.

한편 Mango의 AI 기반 패션 모델은 결함 제거(D3)에서 선택적으로 보정된 범주에 가까운 경향을 보였다. 즉, AI 기반 패션 모델은 비현실적 환상이 아닌 통계적으로 개선된 인간으로 나타난다. AI 기반 패션 모델 이미지는 실제 인간을 모사하는 시각 문법을 유지하면서도 분석된 사례에서는 개별적 경험성보다 매끄럽고 유형화된 신체 표상이 강조되는 경향을 보인다. 이러한 과정을 통해 경험적 신체는 데이터화된 신체로, 개별적 존재는 유형화된 시각적 표상으로, 유기적 생명은 계산 가능한 조합 단위로 이행한다. 이 전환 속에서 신체는 살아 있는 존재의 경험성보다 즉각적인 시각적 가독성이 강조된 표상으로 제시된다.

셋째, AI 기반 패션 모델은 플랫폼 자본주의와 가시성의 경제 산물로 존재한다. H&M의 높은 즉각적 가독성(G1)과 제품 중심 프레이밍(G2)은 신체가 자율적 미학 단위보다 플랫폼 환경에 적응한 상품 가시성의 단위로 조직되는 경향을 보여준다. 한편 플랫폼은 본질적으로 빠른 소비를 전제로 설계된다(van Dijck, 2013). 강렬한 감정은 서사적 해석을 요구하는 반면 중립적 표정은 즉각적인 상품 인지에 유리하게 작동한다. 따라서 분석된 이미지 대부분에서 나타난 중립적 표정은 단순한 미학적 선택보다 플랫폼 가시성을 최적화하기 위한 전략으로 해석될 수 있다.

H&M은 포즈 표준화(K1)와 제품 중심 프레이밍(G2)에서도 비교적 높은 값을 보였다. 대부분의 이미지들은 카탈로그형 반복 포즈와 상품 중심 구도로 생성되어 서사적 해석보다는 플랫폼 내 가시성의 효율성을 우선하는 경향을 보였다. 이는 플랫폼 친화적 이미지 문법에 부합하는 신체 표상이라 할 수 있다. 즉, 본 연구에서 나타난 상대적으로 높은 플랫폼 친화성 평균은 신체가 자율적인 존재라기보다는 가시성 경제의 효율 단위로 조직되고 있음을 보여준다.

본 연구의 분석 결과는 공개된 AI 기반 패션 모델 이미지의 시각적 구성 방식이 알고리즘적 가시성 논의와 정합적인 표준화 및 최적화 경향을 보여준다. 그러나 이러한 결과를 알고리즘의 자율적 결정으로 환원하는 것은 적절하지 않다. 생성형 AI 시스템이 특정 신체 비율, 피부 톤, 표정, 포즈 유형을 통계적으로 조합하여 이미지를 산출하더라도 실제 캠페인에 게시되는 이미지는 브랜드 디렉터와 마케팅 담당자의 선택과 승인 과정을 거친다. 즉, 정체성의 가능 범위를 데이터 기반 분류 체계가 설정하지만 인간 행위자는 그 범위 내에서 어떤 유형을 반복하고 강조할 것인지 결정하는 역할을 수행한다. 이 과정에서 시각적 균질화 경향이 강화될 수도 있고 전략적 다양성 추구가 개입될 수도 있다.

따라서 AI 기반 패션 모델이 재현하는 시각적 정체성을 인간, 알고리즘, 플랫폼이 결합된 네트워크적 구성의 결과로 이해할 필요가 있다. 특히 플랫폼의 노출 알고리즘과 조회 수, 반응률 등의 성과 지표가 특정 유형의 이미지를 선호하도록 작동할 경우, 브랜드는 그러한 패턴을 전략적으로 재생산할 가능성이 높다. 이에 책임의 문제는 알고리즘 자체에 귀속되기보다는 알고리즘이 제시하는 통계적 경향을 어떻게 수용·조정·비판할 것인가에 대한 인간 행위자의 판단과 제도적 구조에 놓이게 된다.

이에 AI 기반 패션 모델을 기술적 혁신의 산물로만 간주하는 접근을 경계하고, AI 기반 패션 모델이 시각적 정체성 재현의 윤리적 책임이 분산된 행위자 네트워크 속에서 구성된다는 점을 이해하는 것이 중요하다. 결과적으로 알고리즘적 가시성은 기술적 자동성의 문제가 아니라 데이터 구조와 플랫폼 논리, 브랜드 전략이 상호작용하는 환경 속에서 책임이 재배치되는 과정으로 해석될 수 있다.


Ⅴ. 결론 및 제언

최근 패션 이미지 제작의 핵심 주체로 급부상한 AI 기반 패션 모델의 영향으로 패션 이미지 생산 체계는 AI 중심으로 빠르게 재편되고 있다. 그러나 패션 산업의 AI 기술 도입은 단순한 혁신이나 제작 효율성의 문제를 넘어 패션 이미지가 재현하는 정체성의 개념에 대한 근본적인 질문을 제기한다. 이에 본 연구는 패션 산업에 나타난 AI 기반 패션 모델을 단순한 기술적 대체물이 아니라 신체와 정체성, 가시성을 재현하는 알고리즘적 존재로 해석하고자 하였다. 이를 위해 비판적 알고리즘 연구(CAS)와 그 확장 맥락의 플랫폼 자본주의 및 알고리즘 통치성 이론, 그리고 포스트휴먼 정체성 이론을 다층적 분석 구조로 통합하여 분석 틀을 마련하였다. 이후 H&M과 Mango의 공식 캠페인 이미지를 대상으로 1차 시각적 재현 분석 코드와 2차 알고리즘적 가시성 해석 코드의 코딩 분석에 따라 질적 내용분석을 수행하고 코딩 결과의 기술통계를 보조적으로 활용하였다.

본 연구의 결과는 연구문제별로 다음과 같이 정리될 수 있다. 첫째, AI 기반 패션 모델 이미지는 신체 비율, 표정, 포즈, 배경 구성에서 반복적인 시각적 규칙을 보였다. H&M과 Mango 모두 극단적으로 왜곡된 신체보다 표준적이거나 이상화된 실루엣을 반복하였으며, 중립적 표정, 제한된 인간적 결함, 상품 가독성을 높이는 전형적 포즈와 단순한 배경을 공통적으로 제시하였다. 이는 AI 기반 패션 모델이 실험적 가상성을 추구하기보다 기존 패션 산업의 신체 규범을 안정적이고 가독성 높은 형태로 재생산하고 있음을 보여준다.

둘째, 이러한 시각적 구성은 브랜드별로 상이한 알고리즘적 가시성 전략으로 나타났다. H&M은 시각적 데이터화 경향과 높은 플랫폼 최적화를 결합하여 비정치화된 상품 매개적 신체를 생산한 반면, Mango는 중간 이상의 평균화 강도와 높은 정체성 가시화를 통해 전략적으로 유형화된 알고리즘 신체를 구성하는 경향을 보인다. 그러나 두 브랜드 모두 극단적 왜곡을 배제하고 물리적 일관성을 유지한다는 점에서, AI 기반 패션 모델은 비현실적인 가상 존재라기보다 통계적으로 안정화된 현실적 표상을 재생산하는 장치로 해석된다.

셋째, AI 기반 패션 모델의 신체는 알고리즘적 가시성과 플랫폼 최적화의 조건 속에서 계산 가능한 데이터 객체로 재정의된다. 표준적 비율과 중립적 표정으로 반복 생산된 신체는 규율되고 정상화된 디지털 신체로 존재하며, 결함이 최소화된 피부 질감, 즉각적으로 인지 가능한 실루엣, 단순화된 배경은 알고리즘적 가시성의 시각적 조건에 부합한다. 따라서 AI 기반 패션 모델은 인간 모델의 단순한 대체물이 아니라, 플랫폼 자본주의의 가독성, 계산 가능성, 최적화 논리 속에서 구성되는 새로운 신체 표상으로 이해될 수 있다.

본 연구는 알고리즘적 평균화와 플랫폼 가시성 구조 속에서 AI 기반 패션 모델이 특정 시각적 정체성 유형으로 반복 구성되는 경향을 확인하였다. 다만 실제 캠페인 이미지 게시가 브랜드 디렉터와 마케팅 담당자의 판단을 거친다는 점에서 이 결과를 알고리즘의 자율적 결정으로만 귀속하는 것은 바람직하지 않다. 따라서 AI 기반 패션 모델의 활용에 책임 있는 시각적 정체성 기준이 필요하다. 실무적으로는 AI 기반 패션 모델 이미지의 제작 및 선별 과정에서 체형, 피부 질감, 연령, 젠더 표현, 문화적 코드가 반복적으로 평균화되거나 장식적으로 소비되지 않는지를 점검하는 내부 검토 기준이 필요하다. 특히 디지털 트윈형 모델의 경우 실존 모델의 신체 데이터 사용에 대한 동의, 보상, 초상권, 2차 활용 범위를 명확히 해야 하며, 생성형 AI 모델의 경우 특정 문화적 표상이 상품 미학의 장식 요소로 환원되지 않도록 윤리적 검토 절차를 마련할 필요가 있다.

본 연구는 현 패션 산업에 나타난 AI 기반 시각 재현의 윤리적·사회문화적 함의를 분석하고, 책임 있는 시각적 정체성 재현 기준을 모색하는 데 기여하였다는 점에서 실무적 의의를 갖는다. 그리고 AI 이미지 연구에 단순한 미학적 평가를 넘어 알고리즘적 가시성과 정체성 구성의 문제를 시각 자료 분석과 이론적 해석을 결합하여 검토할 수 있는 방법론적 틀을 제시한다는 점에서 학문적 의의를 갖는다. 특히 디지털 트윈형 모델과 생성형 AI 모델을 동일한 기술 유형으로 환원하지 않고, 서로 다른 AI 활용 전략이 공개 이미지의 신체 재현에서 어떻게 다른 시각적 경향으로 나타나는지를 비교했다는 점에서 의의가 있다. 또한 1차 시각 코딩과 2차 해석 코딩을 구분함으로써, AI 이미지 분석에서 관찰 가능한 시각 요소와 이론적 해석 범주를 분리해 제시했다는 방법론적 기여를 갖는다.

그러나 두 글로벌 패션 브랜드의 제한된 표본에 기반한 본 연구의 결과를 패션 산업 전반으로 일반화하는 데는 신중함이 요구된다. 또한 본 연구는 알고리즘의 내부 구조나 학습 데이터셋에 직접 접근하지 못한 채 공개된 이미지와 공식 자료에 대한 코딩 분석에 의존하였다는 한계를 지닌다. 다만 본 연구에서 제시한 평균과 표준편차는 서열척도를 등간척도로 가정한 추론통계에 사용하지 않고, 동일한 조작적 기준에 따라 코딩된 시각적 경향을 요약하기 위한 보조적 기술통계로만 사용하였다. 특히 명목형 및 혼합형 지표는 평균값을 직접 비교하지 않고 범주별 출현 양상과 사례 해석을 중심으로 보완하였다. 따라서 본 연구의 수치 결과는 브랜드 간 통계적 차이를 입증하기 위한 것이 아니라 공개 이미지에서 반복적으로 관찰되는 시각적 구성 경향을 탐색적으로 설명하기 위한 자료로 한정된다. 이러한 한계를 토대로 분석 대상 브랜드와 표본을 확대하여 산업 전반에 걸친 AI 기반 패션 모델의 신체 구성 방식을 더 정교하게 고찰하고, AI 기반 패션 모델에 대한 소비자의 인식과 정체성 동일시 양상을 수용자 연구를 통해 보완하는 후속 연구가 이루어지기를 바란다.

References

  • Arsenyan, J., & Mirowska, A. (2021). Almost human? A comparative case study on the social media presence of virtual influencers. International Journal of Human–Computer Studies, 155, 102694. [https://doi.org/10.1016/j.ijhcs.2021.102694]
  • Beer, D. (2017). The social power of algorithms. Information, Communication & Society, 20(1), 1–13. [https://doi.org/10.1080/1369118X.2016.1216147]
  • Bordo, S. (1993). Unbearable weight: Feminism, Western culture, and the body. University of California Press.
  • boyd, D., & Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication & Society, 15(5), 662-679. [https://doi.org/10.1080/1369118X.2012.678878]
  • Braidotti, R. (2013). The posthuman. Polity Press.
  • Bucher, T. (2017). The algorithmic imaginary: Exploring the ordinary affects of Facebook algorithms. Information, Communication & Society, 20(1), 30–44. [https://doi.org/10.1080/1369118X.2016.1154086]
  • Bucher, T. (2018). If⋯ then: Algorithmic power and politics. Oxford University Press. [https://doi.org/10.1093/oso/9780190493028.001.0001]
  • Cheney-Lippold, J. (2011). A new algorithmic identity: Soft biopolitics and the modulation of control. Theory, Culture & Society, 28(6), 164–181. [https://doi.org/10.1177/0263276411424420]
  • Cheney-Lippold, J. (2017). We are data: Algorithms and the making of our digital selves. New York University Press.
  • Couldry, N., & Mejias, U. A. (2019). The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford University Press. [https://doi.org/10.1515/9781503609754]
  • Ferrando, F. (2019). Philosophical posthumanism. Bloomsbury Academic. [https://doi.org/10.5040/9781350059511]
  • Foucault, M. (1977). Discipline and punish: The birth of the prison (A. Sheridan, Trans.). Pantheon Books. (Original work published 1975)
  • Foucault, M. (1991). Governmentality. In G. Burchell, C. Gordon, & P. Miller (Eds.), The Foucault effect: Studies in governmentality (pp. 87–104). University of Chicago Press.
  • Foucault, M. (2008). The birth of biopolitics: Lectures at the Collège de France, 1978–1979 (G. Burchell, Trans.). Palgrave Macmillan.
  • Gillespie, T. (2014). The relevance of algorithms. In T. Gillespie, P. J. Boczkowski, & K. A. Foot (Eds.), Media technologies: Essays on communication, materiality, and society (pp. 167–194). MIT Press. [https://doi.org/10.7551/mitpress/9042.003.0013]
  • Gitelman, L. (Ed.). (2013). Raw data is an oxymoron. MIT Press. [https://doi.org/10.7551/mitpress/9302.001.0001]
  • H&M. (2025, July 2). H&M’s ongoing creative initiative, anchored in discovering and building the bridge between traditional and modern resources. [Instagram post]. https://www.instagram.com/p/DLmRMjdKmXl/
  • Haraway, D. (1987). A manifesto for cyborgs: Science, technology, and socialist feminism in the 1980s. Australian Feminist Studies, 2(4), 1–42. [https://doi.org/10.1080/08164649.1987.9961538]
  • Hayles, N. K. (1999). How we became posthuman: Virtual bodies in cybernetics, literature, and informatics. University of Chicago Press. [https://doi.org/10.7208/chicago/9780226321394.001.0001]
  • Kim, M. L., & Lee, J. H. (2024). Exploring communication characteristics of virtual fashion influencer Lil Miquela through everydayness from a semiotic perspective. Archives of Design Research, 37(3), 197-213. [https://doi.org/10.15187/adr.2024.07.37.3.197]
  • Kitchin, R. (2017). Thinking critically about and researching algorithms. Information, Communication & Society, 20(1), 14–29. [https://doi.org/10.1080/1369118X.2016.1154087]
  • Lee, J. (2024). A study of 3D digital fashion design using Kazmir Malevich's formative elements as AI prompt. Journal of Fashion Business, 28(3), 122-139. [https://doi.org/10.12940/jfb.2024.28.3.122]
  • Mango. (2024, July 10). Mango creates the first campaign generated by artificial intelligence for its Teen line.https://mangofashiongroup.com/en/w/mango-crea-la-primera-campa%C3%B1a-generada-con-inteligencia-artificial-para-su-l%C3%ADnea-teen
  • Ortiz Freuler, J. (2023). Datafication, identity, and the reorganization of the category individual. Temple Law Review, 95(4), 673-698.
  • Park, K. (2024). A study on the analysis of characteristics of fashion images shown in an AI image generation program. The Journal of the Convergence on Culture Technology, 10(3), 199-207. [https://doi.org/10.17703/jcct.2024.10.3.199]
  • Pasquale, F. (2015). The black box society: The secret algorithms that control money and information. Harvard University Press. [https://doi.org/10.4159/harvard.9780674736061]
  • Rouvroy, A., & Berns, T. (2013). Algorithmic governmentality and prospects of emancipation: Disparateness as a precondition for individuation through relationships? Réseaux, 177(1), 163–196. [https://doi.org/10.3917/res.177.0163]
  • Ryu, Y., & Lee, S. (2026). Translating Hilma af Klint’s abstract aesthetics into LoRA-based AI fashion design. Journal of the Korean Society of Fashion Design, 26(1), 179-197. [https://doi.org/10.18652/2026.26.1.10]
  • Srnicek, N. (2017). Platform capitalism. Polity Press.
  • Tadimalla, S. Y., & Maher, M. L. (2024). AI and identity. arXiv. [https://doi.org/10.48550/arXiv.2403.07924]
  • van Dijck, J. (2013). The culture of connectivity: A critical history of social media. Oxford University Press. [https://doi.org/10.1093/acprof:oso/9780199970773.001.0001]
  • Wolfe, C. (2010). What is posthumanism? University of Minnesota Press. [https://doi.org/10.5749/9781452922751]
  • Yang, Y. H., & Lee, J. S. (2025). A study on the applicability of generative artificial intelligence in each stage of the fashion design process-Focusing on Midjourney. The Research Journal of the Costume Culture, 33(2), 253-268. [https://doi.org/10.29049/rjcc.2025.33.2.253]
  • Ziewitz, M. (2016). Governing algorithms: Myth, mess, and methods. Science, Technology, & Human Values, 41(1), 3–16. [https://doi.org/10.1177/0162243915608948]
  • Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power. PublicAffairs.

<Fig. 1>

<Fig. 1>
Analysis Process

<Fig. 2>

<Fig. 2>
One of H&M's Digital Twins (H&M, 2025)

<Fig. 3>

<Fig. 3>
Mango’s AI Teen Campaign (Mango, 2024)

<Table 1>

Primary Descriptive Coding Matrix for Visual Representation

Category Code Analytical Item Scale Type 1 2 3 4
Body Construction B1 Body Proportion Ordinal Elongated silhouette Standard proportion Exaggerated proportion Unrealistic distortion
B2 Body Framing Nominal Full body Upper body Lower body focus Partial close-up
B3 Boundary Treatment Ordinal Clear outline Blurred boundary Edge distortion Overemphasized contour
B4 Texture Realism Ordinal High-resolution texture Partially flattened Minimal texture presence -
B5 Racial/Ethnic Representation Ordinal/Nominal Hybridized Ambiguous Specific racial typification -
Visual Standardization V1 Facial/Expression Specificity Ordinal/Nominal Distinct facial expression Neutral expression Face not visible -
V2 Skin Tone Uniformity Ordinal Diverse/Natural Uniform Over-uniform -
V3 Manipulation Traces Ordinal Almost none Partially visible Strong -
Pose & Movement P1 Pose Standardization Ordinal Natural pose Catalog-style pose Exaggerated staging -
P2 Hand/Arm Treatment Ordinal Stable Unnatural joint Hand/finger distortion -
P3 Gaze Direction Nominal Direct gaze Averted gaze Blurred/Obscured gaze -
Environmental Composition L1 Lighting Type Ordinal/Nominal Natural light Studio light CG/Rendered light -
L2 Background Specificity Ordinal Concrete location Simplified background Abstract background -
L3 Spatial Depth Ordinal Perspective & shadows present Limited perspective No shadow/inconsistent depth -
Materiality C1 Garment-Body Relation Ordinal Natural interaction Slight smoothing Weak physical response -
C2 Wrinkles & Movement Ordinal Rich and dynamic Reduced Almost absent -
C3 Selective Sharpness Ordinal Overall sharpness Core-area emphasis Excessive uniform clarity -
Visibility of Humanity H1 Human Markers Ordinal Minor imperfections present Imperfections minimized Imperfections removed -
H2 AI Inconsistencies Ordinal None Minor Pronounced -

<Table 2>

Secondary Interpretive Coding Matrix for Algorithmic Visibility

Category Code Analytical Item Scale Type 1 2 3
Datafication Logic D1 Visual Homogenization Ordinal Low (diversity maintained) Medium (tendency toward homogenization) High (appears as statistical representative value)
D2 Pattern-Based Figuration Ordinal Individual-centered (recognized as a person) Pattern-centered (model typified) Sampled unit (body functions as dataset sample)
D3 Imperfection Removal Ordinal Natural condition maintained Selective correction Complete removal
Computational Legibility K1 Pose Standardization Ordinal Diverse poses Catalog-style Optimized pose (symmetrical & simplified)
K2 Physical Rule Inconsistency Ordinal Consistent Partial inconsistency Repeated inconsistency
K3 Background Abstraction Ordinal Concrete Simplified Abstract
Governance of Visibility G1 Immediate Visual Readability Ordinal Conceptual / requires explanation Attention-guiding (logo/silhouette focused) Thumbnail-optimized (immediately readable)
G2 Product-Centered Framing Ordinal Editorial narrative Product detail emphasis Identity-product coupling
G3 Human-Machine Boundary Ordinal/Nominal Boundary visible (humanity emphasized) Boundary blurred (appears natural) Boundary destabilized (inconsistencies visible)
Identity Structure I1 Typification Ordinal Individualized Semi-typified Typified (standardized)
I2 Combinatorial Identity Construction Ordinal Single entity Modular combination Generated composite result
I3 Digital Replication/Synthesis Types Nominal Digital extension (twin/replica) Pure synthetic generation Hybrid

<Table 3>

Descriptive Summary of Primary Coding Indicators by BrandH&M(n = 11), Mango(n = 38)

Code Analytical Item H&M Mean H&M SD Mango Mean Mango SD
Note. Mean and SD are presented as descriptive summaries of coded values, not as inferential statistics. For ordinal indicators, they are used to summarize relative tendencies. For nominal or mixed-type indicators, including B2, B5, V1, P3, and L1, the values are not interpreted as interval-scale means but are used only as supplementary indices alongside category frequencies and qualitative examples.
B1 Body Proportion 1.18 0.39 1.34 0.48
B2 Body Framing 1.73 0.47 1.71 0.46
B3 Boundary Treatment 1.00 0.00 1.00 0.00
B4 Texture Realism 1.00 0.00 1.16 0.37
B5 Racial/Ethnic Representation 2.73 0.47 2.29 0.46
V1 Facial/Expression Specificity 1.82 0.39 1.95 0.23
V2 Skin Tone Uniformity 1.73 0.47 1.79 0.41
V3 Manipulation Traces 1.18 0.39 1.34 0.48
P1 Pose Standardization 1.82 0.39 1.26 0.44
P2 Hand/Arm Treatment 1.27 0.65 1.34 0.63
P3 Gaze Direction 1.27 0.47 1.45 0.69
L1 Lighting Type 1.36 0.50 1.05 0.23
L2 Background Specificity 1.27 0.47 1.13 0.34
L3 Spatial Depth 1.18 0.39 1.11 0.32
C1 Garment-Body Relation 1.27 0.47 1.08 0.27
C2 Wrinkles & Movement 1.91 0.30 2.00 0.63
C3 Selective Sharpness 1.00 0.00 1.00 0.00
H1 Human Markers 1.55 0.52 1.55 0.50
H2 AI Inconsistencies 1.00 0.00 1.16 0.37

<Table 4>

Descriptive Summary of Secondary Interpretive Coding Indicators by BrandH&M(n = 11), Mango(n = 38)

Code Analytical Item H&M Mean H&M SD Mango Mean Mango SD
Note. Mean and SD are presented only as descriptive summaries of coded values. For ordinal indicators, they indicate relative tendencies within the coded sample. For nominal or mixed-type indicators, especially G3 and I3, the numerical values are not interpreted as interval-scale means; they are used only as supplementary coding indices and are discussed primarily through category membership and case-based interpretation.
D1 Visual Homogenization 1.27 0.47 1.89 0.46
D2 Pattern-Based Figuration 1.18 0.39 1.79 0.41
D3 Imperfection Removal 1.55 0.52 1.92 0.27
K1 Pose Standardization 2.00 0.63 1.63 0.54
K2 Physical Rule Inconsistency 1.00 0.00 1.00 0.00
K3 Background Abstraction 1.27 0.47 1.29 0.46
G1 Immediate Visual Readability 2.45 0.52 2.29 0.46
G2 Product-Centered Framing 2.27 0.65 2.05 0.65
G3 Human-Machine Boundary 1.73 0.47 1.68 0.52
I1 Typification 1.18 0.39 1.66 0.48
I2 Combinatorial Identity Construction 1.00 0.00 1.39 0.50
I3 Digital Replication/Synthesis Types 1.00 0.00 1.89 0.31