기본 콘텐츠로 건너뛰기

호손 효과

호손 효과라는 것이 있습니다.

간단히 정의하면

호손 효과
(Hawthorne effect)는 근로자의 행동을 관찰함으로서 그들의 행동이 변하며 따라서 일시적으로 효율이 변화하는 현상을 말한다. 이 현상은 1924년에서 1932년 사이에 호손 웍스라는 공장에서 수행된 일련의 실험에서 얻어진 결과에서 처음 관찰된데서 유래한다. 최근 들어서는 호손 효과의 의미는 확장되어 어떤 새로운 관심을 기울이거나 관심을 더 쏟는 것으로 대상의 사람들이 행동과 능률에 변화가 일어나는 현상을 말하는 것으로 변했다.
-위키피디아-

로 정의되어 있다.

어떤 분들은 호손 효과를 인정하지 않는 분도 있지만 우리는 이러한 현상을 주변에서 아주 쉽게 접할 수 있습니다.

약간 어려운 얘기 하나와 쉬운 예기 하나를 해보겠습니다.

우선 어려운 얘기부터..

여러분은 혹시 고등학교 물리에 나오는 전자의 준위에 대해 기억하시나요? 우리의 주변의 모든 사물은 분자로 구성됩니다. 그리고 분자는 원자핵과 전자로 구성되죠.. 원자핵은.. 도 어쩌고 저쩌고...
여기서 고등학교 물리책을 보면 가운데 원자핵을 그리고 주변에 원자핵 주변을 도는 태양계와 비슷한 그림 혹시 기억하시나요?
하지만 그건 진실이 아닙니다. 전자의 위치를 확인하기 위해 바깥에서 에너지를 주입할 경우 전자의 준위는 변하게 되고 우리는 실제 전자의 위치가 아닌 확률상의 위치만을 가늠할 수 있을 뿐이죠..
이걸 전자 구름이라고 합니다.
즉, 전자가 자신의 위치에서 외부의 에너지로 인하여 일시적으로 자신의 위치가 변경되는 것도 어떻게 보면 호손 효과라 할 수 있습니다.

쉬운 예기를 해볼까요?
전 컨설턴트도 해보았고 테스트 팀의 매니저나 리드도 해보았습니다.
이때 재미있는 것이 제가 어떤 조직에 컨설팅을 나갈 경우 제가 있을 때는 성과도 나오고 효율도 올라간 팀이 제가 철수하고 나면 원상 복귀되는 현상이 생긴다는 겁니다.
이것도 일종의 호손 효과라 할 수 있습니다.
실제 조직의 효율에 제가 일시적으로 변화를 일으킨 것입니다.
문제는 이러한 것들이 컨설팅의 성과로 인식된다는 것입니다.
전 그래서 특정 조직에 컨설팅을 나갈 때 그 조직에 영향을 끼치지 않고 그 조직의 자력갱생하도록 굉장히 신경을 쓰는 편입니다.

만약 여러분의 조직이 컨설팅을 받고 있는 동안 효율이 올라가고 있다면 호손 효과를 의심해 보시기 바랍니다. 만약 여러분의 컨설턴트가 호손효과를 모른다면 걍 짤라버리십시오. 그 컨설턴트는 여러분에게 그다지 도움이 될 확률이 없습니다.

이외에도 우리는 주변에서 특정 외부의 영향으로 일시적으로 생산성이 높아진다거나 효율이 높아지는 호손 효과를 쉽게 접할 수 있습니다.

여러분이 테스터이든 테스트 매니저이든 아니 그 누구든지 간에 호손효과로 인한 개선효과와 실제 개선효과를 혼동하지 않도록 항상 주의할 필요가 있습니다.

다르게 접근하면 호손 효과를 통하여 우리는 지속적인 개선 효과를 얻을 수도 있습니다.

한번 잘 고민해 보시면 여러가지를 생각해 보실 수 있을 것입니다.

댓글

이 블로그의 인기 게시물

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...

AI의 UX, 단 5개 문항으로 측정하는 방법: SUXAI

테스트 관리에는 아주 유명한 명언이 있습니다. 어쩌면 이 말은 테스트 관리에서만 유용한 얘기는 아닐거고.. 어쩌면 여러분도 다른 곳에서 들었을 수도 있습니다. "측정할 수 없으면 개선할 수 없다" 지난 글(https://murianwind.blogspot.com/2026/07/ai_01010698011.html)에서 생성형 AI 시대에는 기존의 일반적인 사용성 지표(SUS 등)만으로는 부족하며 정확성, 신뢰성, 설명 가능성, 제어 가능성이라는 AI 에 특화된 품질 특성이 필요하다고 정리해 드린 바 있습니다. 하지만 실무자의 입장에서 항상 부딪히는 현실적인 고민이 있습니다. "이론은 좋은데, 당장 매주 업데이트되는 AI 기능의 UX를 바쁜 현장에서 어떻게 빠르고 정량적으로 측정할 것인가?"라는 점이죠. MeasuringU에서 이에 대한 명확하고 실용적인 해답을 제시하는 후속 아티클을 공개했습니다. 바로 "Streamlined Measurement of the UX of AI"입니다. (출처: MeasuringU - Streamlined Measurement of the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/streamlined-measurement-of-the-ux-of-ai/ Jeff Sauro와 Jim Lewis 박사는 실무 연구자들과 테스터들이 긴 설문이나 복잡한 프레임워크 없이도 AI 제품의 핵심 품질을 빠르게 측정할 수 있도록 SUXAI(Streamlined UX of AI)라는 간소화된 측정 모델을 구축했습니다. 기존에 수많은 문항으로 분산되어 있던 지표들을 통계적 요인 분석을 통해 쥐어짜고 압축하여, 핵심적인 5가지 5점 척 문항 으로 표준화했습니다. SUXAI를 구성하는 5가지 핵심 평가 문항 정확성 (Accuracy): "이 AI가 생성한 결과물은 정확하다." 신뢰성 (Trust/Re...

'자동화 편향'과 '대중적 불신' 을 고려한 AI 테스팅 시나리오 설계

최근 생성형 AI나 자율주행, 에이전트 기술의 테스팅 시나리오를 작성할 때 우리가 당연하게 전제(Assumption)로 깔고 가는 중요한 인간 행동 방식이 하나 있습니다. 바로 '자동화 편향성(Automation Bias)'입니다. 인간은 시스템이 자동화되고 스마트해질수록 기술을 과도하게 신뢰하고 주의력을 놓아버립니다. 차량을 운전하면서 운전자 보조 시스템을 켜고 전방 주시를 태만히 하고 스마트폰을 보거나 영상을 시청하는 운전자라던지 AI 의료 진단 보조 도구가 내놓은 결과를 의사가 깊은 의심 없이 그대로 승인해 버리는 현상이라던지 AI 챗봇이 추천한 잘못된 정보를 사용자가 사실로 믿고 행동하는 케이스 같은 게 있을 겁니다. 우리는 항상 이러한 "사람들이 AI를 너무 믿어서 발생하는 위험"을 핵심 리스크로 정의하고, 이를 검증하기 위한 안전장치(Safety Guardrail)나 경고 알림, 오용 방지(Misuse) 테스팅 시나리오를 도출해 왔습니다. 그런데 최근 Gizmodo에 보도된 미국 설문조사 결과는 매우 흥미로운 사실을 보여줍니다. (출처: Gizmodo - Survey Finds Americans See AI as Comparable to Humans—It’s Making Them Trust It Less )   기사에서 언급된 설문조사의 결과는 AI가 사람을 닮아갈수록 완벽함에 대한 기대와 실수가 충돌하고 책임이 모호해져 대중의 신뢰는 오히려 떨어진다는 것이었습니다.  자세히 살펴보면 해당 조사는 일반 대중을 대상으로 AI에 대한 인지적 반응을 측정했습니다. AI가 인간과 유사한 대화/추론 능력을 보일 때 유저가 느끼는 '인지적 불쾌한 골짜기(Uncanny Valley)' 현상을 정량 지표로 포착해 냈다는 점에서 의미가 있다고 생각합니다. 단순히 "AI가 좋다/나쁘다"를 넘어, 의인화(Anthropomorphism)의 수준과 신뢰도(Trust) 사이의 음(-)의 상관관계를 입증했기 때문...