1. 파괴적 혁신 기술의 정의 (Definition)

a. 크리스텐슨(Christensen)의 고전적 정의
파괴적 혁신 이론은 1997년 하버드 비즈니스 스쿨의 클레이튼 크리스텐슨 교수에 의해 처음 정립되었습니다1. 그는 파괴적 기술을 “초기에는 주류 시장의 요구 성능에 미치지 못하여 하위 시장이나 틈새시장에서 시작되지만, 점차 성능이 개선되면서 더 저렴하고 단순하며 편리한 대안을 제공하여 결국 기존 주류 기술과 선도 기업을 대체하는 기술” 로 정의했습니다. 즉, 기존의 점진적/존속성 기술(Sustaining technology)이 고객의 요구 이상으로 성능을 과잉 공급할 때, 그 빈틈을 파고들어 새로운 가치 네트워크를 형성하는 것입니다.

b. 패러다임 전환과 융합적 관점의 확장 정의
최근 학계에서는 경제학자 슘페터(Schumpeter)의 ‘창조적 파괴’나 쿤(Kuhn)의 ‘과학적 패러다임 전환’ 이론을 접목하여 그 의미를 확장하고 있습니다2. 현대적 관점의 파괴적 기술은 단순히 저가 시장을 공략하는 것을 넘어, “기존의 기술적 궤적(Technological trajectory)을 단절하고 전혀 새로운 기술-경제적 패러다임을 창출하여 산업 구조와 가치 사슬을 근본적으로 재편하는 급진적 혁신” 으로 정의됩니다.

2. 파괴적 혁신 기술의 핵심 특성 (Characteristics)

다른 일반적인 유망 기술이나 점진적 혁신과 구별하기 위해, 논문들은 파괴적 기술이 가지는 고유한 특성을 다음과 같이 정의합니다3.

  • 참신성 및 독창성 (Novelty & Uniqueness): 기존 기술의 단순한 연장선이 아니라, 과학적 원리에 기반한 새로운 발견이거나 기존 지식 요소들의 전례 없는 새로운 조합(Recombination)입니다.
  • 비연속성 및 돌연변이성 (Discontinuity & Mutability): 기존 기술 발전의 비례적이고 선형적인 궤적을 벗어나, 도약과 단절을 통해 새로운 기술 궤도를 만들어냅니다.
  • 융합성 (Fusibility/Convergence): 단일 학문에 국한되지 않고 여러 이기종 기술이나 학문 분야의 지식이 교차하고 융합(Technology convergence)되면서 파괴력이 발생합니다.
  • 성장성 및 확장성 (Scalability/Growth): 초기 잠복기를 거친 후, 특정 임계점을 넘으면 특허 출원이나 시장 채택률이 기하급수적으로 폭발하는 S자형 확산 궤적을 보입니다.
  • 영향력 (Influence/Impact): 단순한 기술적 우위를 넘어 경쟁 구도, 산업의 가치 사슬, 나아가 인류의 사회·경제적 생활 방식 자체에 광범위하고 심원한 영향을 미칩니다.

이외에도 특성들을 더 큰 범위에서 ‘기술적 차원’ 과 ‘시장 차원’ 으로 나누어 분석하거나4 더 나아가 기술적 참신성-시장 영향력-사회적 파급력 관점5에서 다뤄지기도 합니다.

3. 파괴적 혁신 기술의 식별 및 구별 방법 (Identification Methods)

과거에는 전문가의 직관에 의존했으나, 최근에는 객관적인 데이터(논문, 특허, 뉴스 등)를 바탕으로 파괴적 기술을 식별하고 구별하는 정량적 방법론이 주를 이루고 있습니다.

a. 전문가 기반의 정성적 방법 (Qualitative Methods)

  • 방식: 델파이(Delphi) 기법, 시나리오 분석, 기술 로드맵 등을 활용하여 분야별 최고 전문가들이 미래의 파괴적 기술을 브레인스토밍하고 합의하여 도출합니다.6 7 MIT Technology Review나 McKinsey의 파괴적 기술 목록이 대표적입니다.8
  • 한계: 전문가의 인지적 편향이나 주관이 개입될 수 있으며, 방대한 초기 기술 데이터를 모두 검토하기 어렵습니다.7 9

b. 인용 네트워크 및 CD-지수 (Citation Network & CD-index)

  • 방식: 기술의 ‘비연속성’과 ‘독창성’을 정량화하기 위해 Funk & Owen-Smith가 제안한 파괴적 지수(Disruption Index, DI, Consolidation-Disruption index, CD-index 모두 동일한 개념을 의미)를 가장 널리 사용합니다.9 10
  • 원리: 어떤 특허/논문(A)이 발표된 후, 후속 연구자들이 A는 인용하면서도 A가 참고했던 과거의 문헌들은 더 이상 인용하지 않는다면, 이는 A가 과거의 지식 체계를 완전히 대체(파괴)했음을 의미합니다.2 반대로 A와 A의 과거 문헌을 동시에 인용하면 기존 지식을 발전(Consolidating)시키는 것으로 구별합니다.9 10

c. 텍스트 마이닝 및 의미론적 분석 (Text Mining & Semantic Analysis)

  • 방식: 단순히 인용 수만 보는 것의 한계를 극복하기 위해, 특허나 논문의 초록에서 자연어 처리(NLP)를 통해 기술의 ‘내용’ 자체를 분석합니다.
  • 원리: LDA(잠재 디리클레 할당)와 같은 토픽 모델링을 통해 기술 주제를 군집화하거나11 12, SAO(주어-동사-목적어) 의미론적 구조를 추출하여 서로 다른 기술 요소들이 어떻게 융합되는지(Convergence) 그 의미적 거리를 계산하여 파괴적 잠재력을 식별합니다.13 14

d. 수명 주기 및 확산 모델 (Life Cycle & Diffusion Models)

  • 방식: 기술의 폭발적인 ‘성장성’과 ‘확산성’을 구별하기 위해 S-curve 이론을 수학적으로 모델링합니다.
  • 원리: 특허 출원량의 시계열 데이터를 바탕으로 Gompertz 모델, Bass 확산 모델, SIRS 전염병 모델 등을 적용하여, 해당 기술이 정체기를 벗어나 주류 시장으로 기하급수적으로 확산하는 ‘성장 변곡점’에 도달했는지를 통해 파괴적 기술을 구별합니다.4

e. 다차원 데이터 융합 및 기계학습 (Multidimensional Data & Machine Learning)

  • 방식: 특허나 논문 같은 ‘기술적 데이터’에 뉴스, R&D 투자 규모, 시장 지표 등의 ‘사회·시장적 데이터’를 융합한 뒤, 이를 머신러닝, 딥러닝, 대형 언어 모델(LLM) 등 인공지능(AI)에 학습시켜 잠재적인 파괴적 혁신 기술을 조기에 식별하고 예측하는 방식이며 가장 최신의 연구 흐름입니다. 15
  • 원리: 특허/논문 데이터(기술적 우수성)뿐만 아니라 웹 뉴스, 구글 트렌드, R&D 투자 규모 등(시장/사회적 수용성)을 융합합니다.7 이렇게 추출된 다차원 지표를 LSTM, 1-class SVM, 그래프 어텐션 네트워크(GAT) 등의 딥러닝이나 대형 언어 모델(LLM)에 학습시켜, 잠복기에 있는 파괴적 기술을 조기에 식별하고 예측합니다.11 16

4. References

  1. Christenson, C. (1997). The innovator’s dilemma. Harvard Business School Press, Cambridge, Mass, 13. ↩︎

  2. Yu, H., & Liang, Y. (2024). A framework for predicting scientific disruption based on graph signal processing. Information Processing & Management, 61(6), 103863. (2.1. Definition of disruption, 2.2 Perspectives on understanding disruption) ↩︎ ↩︎

  3. Dong, J., Yang, C., Zhang, H., & Zhou, P. (2026). Identifying and understanding disruptive energy technologies: A data-driven integrated approach. Energy Economics, 109178. (Appendix A) ↩︎

  4. Jian-Long, W. U., Yu-Tong, L. I. U., Jin, C. H. E. N., Jin, W. A. N. G., & Meng-Meng, B. A. O. (2024). Research on identification method of disruptive technology based on patent mining and Gompertz Model. Science Research Management, 45(4), 62. (0 引言, １ 基于专利挖掘和Gompertz模型的 识别方法构建) ↩︎ ↩︎

  5. Wu, Y., Qin, H., Liu, S., Yang, Y., Chen, Y., & Xie, Q. (2025, September). A Two-Stage Disruptive Technology Identification Framework Based on Knowledge Graph. In 2025 International Conference on Culture-Oriented Science & Technology (CoST) (pp. 01-06). IEEE. (III. METHODOLOGY - B. Indicator System) ↩︎

  6. Qiu, J., Cao, J., Gu, X., Ge, Z., Wang, Z., & Liang, Z. (2023). Design of an evaluation system for disruptive technologies to benefit smart cities. Sustainability, 15(11), 9109. (2. Background) ↩︎

  7. Cao, K., Bai, G., & Li, L. (2026). Identifying Disruptive Technologies via Dynamic Hypergraph Modeling and Large Language Models. (II. LITERATURE REVIEW, III. METHODOLOGY - F. Validation of the Identification Method) ↩︎ ↩︎ ↩︎

  8. Pylypenko, H., Fedorova, N., & Lytvynenko, N. (2025). BREAKTHROUGH TECHNOLOGIES OF SOCIAL TRANSFORMATIONS: DEVISING AN IDENTIFICATION METHODOLOGY. Eastern-European Journal of Enterprise Technologies, 2. (2. Literature review and problem statement) ↩︎

  9. 赵姝, 郭双瑞, 褚晓泉, 仇瑜, & 刘姝伶. (2023). 面向科技大数据的颠覆性技术多维度识别算法. 中国科技资源导刊, (6), 49-61. (1.1 专家研判法, 2.3.1 技术突破性指标) ↩︎ ↩︎ ↩︎

  10. Huang, S., Lu, W., Xu, Z., Cheng, Q., Yang, J., & Huang, Y. (2025). Identifying potentially disruptive research via a comparative power-based large model. Information Processing & Management, 62(6), 104207. (1. Introduction, 2.1. Identification of disruptive research) ↩︎ ↩︎

  11. Li, A., Luo, S., & Liu, Z. (2024). Disruptive technology identification research based on one-class SVM: a case study in the field of gene editing. Procedia Computer Science, 242, 474-481. (3.1. LDA for Data Preprocessing, 1. Introduction) ↩︎ ↩︎

  12. Xiang, M., Fu, D., & Lv, K. (2023). Identifying and predicting trends of disruptive technologies: An empirical study based on text mining and time series forecasting. Sustainability, 15(6), 5412. (2. Literature Review) ↩︎

  13. Li, X., Gao, N., & Wang, Y. (2025). Identifying disruptive technology using SAOX semantic analysis and web news data mining: A perspective of technology convergence. IEEE Transactions on Engineering Management. ↩︎

  14. Qiao, Y., Wang, X., Huang, Y., Zhang, S., & Yang, X. (2024). Tech mining approach for identifying potentially disruptive technologies: From the perspective of technological alternatives. IEEE Transactions on Engineering Management, 71, 5921-5938. (I. INTRODUCTION) ↩︎

  15. Xu, X., Li, J., Jiang, J., & Hou, S. (2021, October). A Disruptive Technology Identification Method Based on Multisource Data: Take Unmanned Aerial Vehicle Systems As An Example. In 2021 7th International Conference on Big Data and Information Analytics (BigDIA) (pp. 428-435). IEEE. (I. INTRODUCTION) ↩︎

  16. Wu, Y. (2025, January). Prediction of Disruptive Technological Innovation Trends Based on Multidimensional Data Analysis. In Proceedings of the 2025 4th International Conference on Big Data, Information and Computer Network (pp. 440-445). (2.1 Definition and Selection of Data Dimensions) ↩︎