요구사항 도출 (Requirements elicitation) 인터뷰는 인터뷰어가 실시간으로 이해관계자(stakeholders)에게 대응하면서 주제 범위 (topic coverage), 경청 (active listening), 그리고 적응형 탐색 (adaptive probing) 사이의 균형을 맞출 것을 요구합니다. 이전 연구들이 스크립트 생성 (script generation) 및 후속 질문 생성 (follow-up question generation)과 같이 고립된 인터뷰 작업에 대한 AI 지원을 탐구해 왔지만, 통합된 지원이 인터뷰에 어떤 영향을 미치고 어떤 요구사항 산출물 (requirements artifacts)이 나타나는지에 대해서는 알려진 바가 거의 없습니다. 또한, 인터뷰어가 실시간으로 주제 범위를 추적하고 언제 더 깊이 탐색할지 결정하도록 돕는 스크립트 관리 (script management)는 여전히 연구가 미진한 상태입니다. 본 논문은 비즈니스 목표 (business goals)에 기반한 이론 유도형 스크립트 생성 (theory-guided script generation)과 주제 범위 추적을 위한 실시간 지원 및 온디맨드 후속 질문 생성을 결합한 AI 지원 도출 워크플로우 (AI-assisted elicitation workflow)를 제시합니다. 우리는 교육을 받지 않은 AI 지원 조건과 교육을 받은 AI 비지원 조건을 비교하는 피험자 간 유사 실험 연구 (between-subjects quasi-experimental study)를 통해 이 워크플로우를 평가합니다. 도출 모범 사례에서 유도된 루브릭 (rubric)을 기준으로 했을 때, AI 생성 스크립트는 교육만 받은 스크립트보다 높은 점수를 기록했습니다 (100점 만점에 92.8 대 74.8). AI 지원 인터뷰는 더 적은 주제를 다루지만 (9.6 대 14.5), 더 많은 스크립트 질문을 다루고 (86% 대 69%), 주제당 더 많은 후속 질문을 던지며 (3.43 대 1.15), 더 정교한 목표 모델 (goal models)을 생성합니다 (최하위 수준 목표 비율 0.653 대 0.598). 참가자들은 스크립트 관리가 유용하다고 느꼈으며, 주제 추적 (topic tracking)을 가장 유용한 워크플로우 기능으로 평가했습니다 (86% 동의). 종합적으로, 이러한 결과는 AI 지원 조건이 교육 전용 조건과는 다른 인터뷰 궤적과 다른 도출된 요구사항을 수반함을 보여주며, AI 지원 워크플로우를 향후 연구를 위한 도출 스캐폴딩 (elicitation scaffolds)으로 자리매김하게 합니다.