기본 콘텐츠로 건너뛰기

QA와 테스터

여러분은 회사에서 조직에서 테스터를 어떻게 부르고 계신가요?

테스터라고 부르고 있는 곳이 있나요? 테스트 조직을 정말로 테스트 조직으로 부르고 있는 곳이 있나요?

제 경험상으로 분명 그렇게 부르는 곳도 있지만, 많은 경우 테스트 조직을 QA로 부릅니다.

최근에는 TE(Test Engineering)라고 부르는 곳도 있더군요.

그럼 왜 많은 곳에서 테스트 조직을 QA라고 부를까요?

여러 이유가 있겠지만 가장 많은 대답은 속된말로 뽀대가 안난다였습니다.

테스터 조차 자기 자신이 테스터라고 부르는 것에 대해 심각할 정도로 자괴감을 느끼는 경우가 많았습니다.

테스터라고 자기를 소개하면 단순 노가다나 하는 무식한 사람을 비춰지기 때문에 QA라고 부른다는 것이었습니다.

과연 이것은 사실일까요?

이런 편견의 기저에는 테스트는 아무나 할 수 있다. 테스트는 전문직이 아니다. 라는 잘못된 생각이 깔려 있습니다.

그렇게 때문에 최대한 자기를 포장하게 된 것으로 보입니다.

하지만 테스트와 QA는 전혀 다른 업무를 하는 사람들이고 테스트는 아무나 하는 그런 쉬운 노가다 작업이 아니라는 것입니다.

관련해서 두 가지 정도만 말해볼까 합니다.

우선은 테스트는 여러분이 흔히 생각하는 완성된 제품의 기능의 정상 동작이나 확인하는 그런 단순 노무직은 아닙니다.

분명 테스팅 활동 중 가장 많은 부분을 찾지하는 것 처럼 일견 보이는 건 사실입니다.

하지만 최근에 테스팅 활동은 개발 전반에 걸쳐 확대되고 있으며, 많은 곳에서 테스터들에게 그런 능력을 요구하고 있습니다.

대표적으로 보면, 요구사항 분석 및 리뷰, 기술 명세서 리뷰, 테스트 설계, 자동화 도구 개발, 테스트 자동화 구축, 테스트 스크립트 설계, 리스크 분석 등등 정말 많은 작업이 테스팅 활동에 포함되고 있습니다.

외국에서는 관련 직종만 30여가지가 넘는 타이틀로 세분화되어 전문직으로 대우받는 것이 사실입니다.

우리 나라는 최근에서야 테스트 리드라는 타이틀이 더 추가되어 조금씩 테스트 활동에 대한 인식이 개선되어 가고 있는 실정입니다.

결론은 테스터 자신이 자신이 하는 일에 대한 전문성을 깨닫고 자신감을 가져야 한다는 것이고 그에 걸맞는 지식을 갖출 수 있도록 노력을 해야 한다는 것입니다.

다른 하나는 테스팅은 품질을 보장할 수 없다는 것입니다.

ISTQB에서는 오류 부재의 궤변이라고 합니다.

예를 들면 정말로 정말로 결함이 단 한개도 없는 소프트웨어가 있다고 가정을 합시다. 그런데 그 소프트웨어는 구동 하는데만 10분 정도가 소요되고, 한번에 단 하나의 작업만 수행할 수 있고 작업 결과를 출력하는데 3일 정도 걸린다고 한다면 이 소프트웨어를 정말 좋은 소프트웨어라고 할 수 있을까요?

즉, 결함이 전혀 없다고 해서 그 소프트웨어의 품질이 좋다고 절대로 절대로 말할 수 없다는 것입니다.

그렇기 때문에 테스트 조직을 QA라고 부를 수 없다는 것이고 테스터와 QA는 업무의 영역이 전혀 다르기 때문에 겸직을 하기 힘들다는 것입니다.

여기서 하나 더 짚고 넘어간다면 많은 사람들이 테스팅의 목적을 결함을 제거하는 것으로 착각하고 있다는 것입니다. 다른 말로 바꾸면 제품에 결함이 없다는 것을 증명하는 활동으로 착각하고 있다는 것입니다.

하지만 테스팅은 결함이 존재함을 밝히는 활동입니다. 테스팅을 통해서는 절대로 결함이 존재하지 않는 다는 사실을 증명하지 못합니다. 다만 결함이 발생할 확률을 극도록 낮추는 작업 그 모든 것을 테스팅이라고 합니다.

때문에 테스트가 끝나고 나서 결함이 없다는 것과 품질이 좋아졌다라는 사실을 요구하는 것은 어불성설입니다.

물론 테스트 결과를 통해 제품의 품질을 개선하는 작업을 할 수는 있습니다. 즉, 테스트는 QA의 전초 작업 쯤 된다고 볼 수 있습니다. QA에서 사용되는 많은 데이터가 테스트 활동을 통해서 제공되고 그런 면에서 특정 작업이 겹치는 것을 두고 테스터가 QA 활동도 할 수 있다는 오해를 하는 것입니다.

하지만 다시 한번 말하자면 QA와 테스트는 전혀 별개의 활동이고 두 활동은 목적 자체도 전혀 틀리기 때문에 겸직을 할 수 없다는 것입니다.

결론은 테스터 여러분 자기 자신을 QA와 같은 말로 자기 자신을 포장하지 마십시오. 여러분은 QA 말고도 할 수 있는 일은 무궁무진합니다. 여러분 스스로 자부심과 자신감을 가지시기 바랍니다. 그리고 그것에 어울릴 수 있도록 열심히 공부하시기 바랍니다.

여러 이해관계자 여러분, QA와 테스트를 같은 활동으로 착각하지 마십시오. 두 활동은 전혀 별개의 목적도 방법도 다른 전혀 다른 활동입니다. 테스터들에게 품질을 요구하지 마십시오. 그들은 당신의 제품이 고객에게 전달되었을 때 고객이 결함을 발견할 확률을 낮춰주기 위해 주야로 열심히 노력하는 사람들이지 고객이 제품을 사용하기 편하도록 고객이 제품에 감동을 얻도록 하기 위해 노력하는 사람들이 아닙니다.

지금 여러분의 조직을 다시 한번 점검해 보시기 바랍니다. 조직의 정체성과 업무에 혼란이 있다면 그것은 테스트와 품질 활동을 동시에 하고 있기 때문입니다. 두 조직을 분리시키십시오. 여러분의 조직이 훗날 더욱더 성숙된다면 두 활동을 같이 할 수도 있겠지만 그렇지 않다면 분리시키십시오.

그리고 테스터는 전문직입니다. 제발 어디서 듣보잡 계약직 불러다가 테스트 하지 마십시오. 그렇게 테스트 하는 것이 싸고 효율적으로 보일지 모르겠지만 그렇게 몇백년 노력해봐야 여러분의 제품이 고객에게 전달되었을 때 고객이 결함을 발견하지 못할 확률은 절대로 절대로 낮아질 수 없습니다.


댓글

  1. trackback from: QA와 테스터 #2
    트위터에서 @onsooyoung 님이 QA가 무엇을 말하는지.. 그리고 결론적으로 테스터와 QA의 큰 차이가 무엇인지에 대해 물어보셨다.. 내가 이전에 썼던 글이 그다지 친철하지 못했던 것 같아 반성해 본다.. 혹시나 했지만 역시나 글을 쓴다는 건 무척 어려운것 같다. 특히 나에게는 당연한 것을 다른 사람에게 전달할 때는 더 어려운 것 같다. 먼저 QA에 대해서 잠깐 말해보도록 하겠습니다. QA 는 Quality Assuranced의 약자를 말합니다..

    답글삭제
  2. 안녕하세요-

    트위터에서 좌절하셔서 와봤는데 IT쪽은 어렵네요^^;;



    저도 블로그를 운영하면서 댓글 안달리면 서운하고 ㅠㅠ



    그나저나 아가가 태어나서 힘드시지만 좋으시겠어요-

    저도 빨리 2세가 생겼으면 좋겠는데ㅋ

    아가가 건강하길 기원합니다

    좋은 하루보내세요^^

    답글삭제

댓글 쓰기

이 블로그의 인기 게시물

'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...

확률을 다루는 AI 시대, 시스템의 상호작용 능력과 사용 품질을 어떻게 측정할 것인가?

 20년 넘게 소프트웨어 품질과 테스팅, 그리고 UX를 다루어 오면서 최근처럼 "측정(Measurement)"이 모호해진 시기가 없었던 것 같습니다. 과거의 정적인 시스템은 '클릭 몇 번으로 목표 과업을 완료했는가(성공률)', '화면이 직관적인가'처럼 사용성(Usability)의 측정 공식이 비교적 명확했습니다. 하지만 입력값은 물론 출력값마저 매번 달라지는 생성형 AI 시대에, 도대체 "AI 제품의 UX가 좋다"는 것은 어떻게 정량화하고 평가해야 할까요? UX 리서치 및 측정 분야의 권위자인 Jeff Sauro와 Jim Lewis가 MeasuringU에 올린 "Measuring the UX of AI"는 이 매듭을 풀 수 있는 아주 실질적이고 구조적인 힌트를 제공합니다. (출처: MeasuringU - Measuring the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD ) 아티클에서는 기존 소프트웨어 사용성 평가의 표준 틀이었던 SUS(System Usability Scale)나 SUPR-Q 같은 지표만으로는 AI 시스템의 UX를 완벽히 담아낼 수 없다고 말합니다. AI 시스템은 단순한 수동적 도구가 아니라 "스스로 판단하고 결과를 생성하는 자율적인 주체(Agent)"에 가깝기 때문입니다. 따라서 AI 제품의 UX를 측정할 때는 일반적인 지표 외에 다음과 같은 AI 특화 요소들이 반드시 함께 측정되어야 합니다. 정확성과 신뢰성 (Accuracy & Trust): AI가 내놓은 답이 얼마나 정확한가? 그리고 사용자가 그 결과물을 믿고 실제 업무에 활용할 수 있는가? (환각 현상 감지) 투명성과 설명 가능성 (Transparency & Explainability): AI가 왜 이런 결론을 내렸는지 사용자가 이해할 수 있도록 과정을 보여주는가? 제어 가능성 (Controllability): AI가 잘못된 방향...

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 ...