기본 콘텐츠로 건너뛰기

생산성 지표 - 효과와 효율

생산성에 대한 패러다임에 대해 생각해 보도록 하자.

아래 그림을 보도록 하자.


앞부분의 화살표는 요구사항, 중간의 녹색 원통은 개발팀, 마지막 파란 원통은 테스팅 팀이라고 가정해 보자.

A의 경우에 개발팀은 10의 요구사항을 개발할 수 있는 능력이 있지만 요구사항은 5만 들어오고 있다. 개발팀만을 생각한다면 현재 개발팀의 생산성은 50%이다.

반면에 테스팅 팀은 5만큼의 개발 결과물을 테스팅 할 수 있고 개발팀으로부터는 5만큼의 개발 결과물이 만들어지고 있기 때문에 테스팅 팀의 생산성은 100%이다.

따라서 전체 프로젝트의 생산성은 75%이다.

B의 경우에는 개발팀은 100%의 생산성을 테스팅 팀 역시 100%의 생산성을 보인다. 반면에 테스팅 팀은 5의 능력뿐이지만 개발팀에서는 10만큼이 오고 있기 때문에 언제나 5의 재고가 쌓여있게 된다. 하지만 전체 프로젝트의 생산성은 100%이다.

당신은 어떤 팀이 더 훌륭한 팀이라고 생각되는가?

A팀은 효과적인 팀이라고 한다. 여기서 효과라는 것은 목표 달성율을 말한다. A팀의 경우에는 모든 요구사항과 모든 개발 결과물을 처리하고 있기 때문에 할당된 모든 목표를 달성하고 있다.

B팀은 효율적인 팀이라고 한다. 효율이라는 것은 자원 활용 능력을 말한다. A팀의 개발팀의 경우는 자원 활용율은 겨우 50%이다. 반면 B 팀은 모든 팀의 자원 활용율이 100%이다.

우리는 일반적으로 효과보다는 효율적인 팀에 집중한다.

B팀은 개발팀의 결과물을 테스팅 팀에서 모두 소화하지 못하고 만성적인 지연에 시달리고 있다. 이럴 때 많은 경우 테스팅 팀은 계속되는 야근과 철야 등으로 자원 활용율을 200%로 올리는 방식으로 최적화를 하게 된다.

이게 정말 좋은 방식일까?

여기서 생각해 볼 개념은 TOC의 Throughput, 투자, 운영비용 이다. 쓰루풋은 Input 대비 Output의 비율이다.

TOC에서는 개선을 할 때 투자와 운영비용의 추가 지출을 지양한다. 추가 지출을 하더라도 투자와 운영비용의 합이 쓰루풋보다 반드시 작아야 한다.

그리고 어떠한 경우에도 쓰루풋은 손상되서는 안된다.

위의 경우를 테스팅 팀의 관점에서 다시 한번 살펴보자.

B팀의 경우 테스팅 팀의 문제는 개발 결과물을 모두 테스팅할 능력이 부족해서 테스팅이 계속 지연되고 있는 것이 문제이다. 이것을 해결하고자 할 때 기존 방식대로 야근과 철야를 밥 먹듯이 한다면 일시적으로 투자와 운영비용이 상승하게 된다. 그런데 이러한 투자와 운영비용의 상승이 쓰루풋을 10으로 만든다는 보장이 없다.

오히려 장기적인 관점에서 팀원의 이직등으로 쓰루풋이 손상될 수가 있다.

이러한 부작용은 우리가 효과보다는 효율에 집중하기 때문에 전체를 바라보는 시각이 부족해서이다. 즉, 종속성을 고려하지 못하는 것이다.

쓰루풋과 효과로 본다면 A팀의 생산성은 100%이다. 개발팀은 모든 요구사항을 처리하고 있고 테스팅 팀 역시 모든 개발 결과물을 테스팅 하고 있다.

반면 B팀은 개발팀의 생산성은 100%지만 테스팅팀의 생산성은 겨우 50%이다. 즉, 전체적인 생산성은 50%이다.

즉, 가장 생산성이 낮은 팀이 전체 팀의 생산성을 결정하게 된다. 이러한 곳을 제약 혹은 병목이라도 한다.

이러한 결과가 나오게 된 것은 패러다임에 있다.

기존의 패러다임은 합의 법칙이라고 볼 수 있다.

즉, 부분 최적의 합이 전체 최적이 된다는 것이다. B팀은 부분 부분의 생산성이 100%이고 이러한 생산성의 합으로 전체 생산성을 100%로 보는 것이다.

반면 TOC는 곱의 법칙으로 생각한다. 제약이 전체 생산성을 결정짓는다고 생각한다.

그렇다면 B팀의 생산성을 높이기 위해서는 어떠한 방법이 좋을 것인가?

개선해야할 팀은 테스팅 팀이다. 문제는 테스팅 팀만을 고려해서는 절대로 개선이 이루어질 수 없다는 것이다.

하나의 프로젝트에는 많은 부서가 연관되어 있고 각 부서는 종속되어 있다. 그 많은 부서 중 가장 대표되는 부서라면 역시 개발팀과 테스팅 팀이다. 두 부서는 독립적인 부서가 아니라 서로 연관되어 있는 프로젝트라는 마차의 바퀴와 같은 존재이다. 서로의 균형이 맞지 않는다면 마차는 앞으로 나아갈 수가 없다.

B팀의 테스팅 팀을 개선하기 위해서는 그 앞단에 있는 개발팀의 협력이 필수불가결하다.

많은 개선 방법이 있을 수 있지만, 개발팀의 쓰루풋을 줄이는 것이 하나의 방법이 될 수 있다. 현재 들어오고 있는 요구사항을 우선순위에 따라 선별해서 조절할 수 있다. 그렇게 될 경우 개발팀은 자원활용에 대해 여유가 생기게 된다.
이러한 여유분은 단위 테스팅이나 테스트 자동화를 통해 테스팅 팀의 쓰루풋을 증대하는데 쓸 수 있다. 이러한 결과로 전체 최적화를 하고 이에 따라 이익이 증대하게 된다면 훗날 전체적인 쓰루풋을 증대하기 위한 투자로 이어질 수 있을 것이다.

이러한 개선이 되기 위해서는 경영진의 지원이 필수 불가결한 요소이다.

그리고 전문적인 컨설턴트의 도움이 필요하다.

왜냐하면 기존의 패러다임은 그렇게 쉽게 바뀌지 않기 때문이다.

생산성에 관련해서 컨설팅을 제공하는 업체나 컨설턴트는 매우 많다. 하지만 그러한 컨설턴트 중 테스팅 프로세스를 잘 아는 컨설턴트는 매우 드물다.

거기다 테스팅 팀만의 효율이 아닌 효과와 전체 프로젝트의 연관성에 대한 조언을 해주는 컨설턴트는 더욱 드물다.

위와 관련되어 강연이나 컨설팅이 필요하다면 murian.mentor@gmail.com 으로 연락을 주시기 바란다.

필요하다면 무료 컨설팅을 제공해 드릴 수도 있다.

무료 컨설팅에 대한 내용이 궁금하시다면 http://murian.textcube.com/notice/12 을 참고하시면 된다.


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...

합성 사용자(Synthetic Users)의 5가지 유형과 AI 테스팅 현장에서의 활용법

AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다. 하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다. UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다. (출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/what-are-the-different-types-of-synthetic-users/ Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다. 첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다. 둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용...