기본 콘텐츠로 건너뛰기

SOS 죽어가는 프로젝트 살리기

SOS! 죽어가는 프로젝트 살리기 - 8점
E.M. 베나탄 지음, 박재호 옮김/에이콘출판

드디어 다 읽었다..

완변한 컨설팅 이후로 이처럼 읽기 힘든 책은 없었던 같다..

머 앞으로도 분명 읽기 힘든 책이 무수히 많겠지만...

최근 들어 읽기 힘든 책을 2권이나 읽었더니 진이 다 빠지는 느낌이다..

왜? 이 책이 읽기 힘든가?

어려운가?

어렵지 않다.. 매우 상식적인 이야기를 하고 있다.

문제는 이 책을 읽어야 할 대상이 내 개인적인 생각으로는 매우 애매모호할 수 있을 것 같다.

초보자에게는 이 책은 매우 갑갑한 책이 될 가능성이 있다. 왜냐하면, 실제적인 해결책을 제시하지는 않기 때문이다.

어떻게 해야 한다는 얘기만을 하고 있을 뿐, 구체적인 이야기는 쏙 빠져 있다.

내가 읽으면서 가장 싫었던 해결책은 '선도관리자에게 지원을 요청한다.' 였다. 누가 모르냐고.. 그걸 얻어내는것이 간단할까?

반면 고급자에게는 이 책은 너무 당연한 얘기이다. 어떤 사람들은 이미 몇번의 프로젝트 복구를 해본 경험도 있을 것이다.

그런 사람들에게도 이 책은 갑갑할 것 같다.

이 책은 가이드 북이지 실전서는 아니라고 결론을 내리고 싶다.

각 장 끝부분마다 생각해 볼 문제도 제시하고 있지만 혼자서 풀기 매우 어려운 문제들 뿐이다.

만약 이 책을 읽고자 하는 사람들이 있다면 꼭 여러 사람들과 스터디를 통해서 읽는 것을 추천해 주고 싶다.

그렇다고 이 책을 읽을 가치가 없는 것은 전혀 아니다.

이 책은 프로젝트가 재난에 빠지기 전에 가능하다면 프로젝트를 시작하기 전에 꼭 읽었으면 하는 책임에는 분명하다.

우리는 너무나 당연한 사실을 쉽게 잊어먹는다. 그러지 않기 위해 프로젝트를 시작하기 전 다시 한번 자신을 돌아보고 프로젝트 성공을 위한 체크리스트로서 이 책의 가치는 무척 소중하다고 생각한다.

이 책을 읽는 내내 처음에는 왜 이 순서에 따라 프로젝트를 복구해야 하는가? 라는 의문과 질문에 끊임없이 시달렸다. 하지만 마지막 책장을 넘기면서 전체를 바라보니 이 책은 매우 논리적이고 설득력 있게 프로젝트 복구의 과정을 제시하고 있다.

책의 처음이 이해되지 않고 불만이 있더라도 꼭 끝까지 읽어볼 것을 추천한다.

개인적으로 이책에는 5점 만점에 3.5점을 허하는 바이다.

댓글

이 블로그의 인기 게시물

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...

피드백 루프: AI 시대 테스터가 지켜내야 할 핵심 엔진

소프트웨어 개발과 테스팅 현장에서 가장 자주 언급되지만, 막상 시스템이 복잡해질수록 쉽게 경시되곤 하는 핵심 개념이 바로 '피드백 루프(Feedback Loop)'입니다. 코드를 수정하고, 빌드하고, 테스트 결과를 확인하고, 다시 개선하는 그 순환 과정의 속도와 정확도가 결국 소프트웨어의 품질을 결정짓기 때문입니다. 품질 전문가 매슈 하이저(Matthew Heusser)가 자신의 블로그 Quality Remarks에 기고한 "One Loop After Another" 아티클은 바로 이 피드백 루프의 다층적 구조와, AI 시대에 우리가 놓치지 말아야 할 품질 검증의 본질을 날카롭게 되짚어 줍니다. (출처: Quality Remarks - One Loop After Another / Matthew Heusser) https://qualityremarks.com/one-loop-after-another/ 매슈 하이저는 소프트웨어 개발 생태계가 단순히 하나의 커다란 테스트 루프로 돌아가는 것이 아니라, 시간 축과 관점에 따라 겹겹이 쌓인 '연쇄적인 피드백 루프들(One Loop After Another)'로 이루어져 있다고 설명합니다. 초단기 루프 (Inner Loop): 개발자가 코드를 작성하는 몇 초~몇 분 단위의 루프입니다. 단위 테스트(Unit Test)나 IDE의 Linter, AI 자동 완성이 즉각적인 피드백을 주는 영역입니다. 단기 루프 (Daily / CI Loop): 커밋과 푸시가 이루어지고, CI/CD 파이프라인에서 통합 테스트와 정적 분석이 실행되는 몇 시간 단위의 루프입니다. 중기 루프 (Iteration / Exploration Loop): 스프린트 단위로 탐색적 테스팅(Exploratory Testing)을 수행하고, 실제 사용자 시나리오나 엣지 케이스를 사람이 직접 검증하며 시스템의 유기적 작동을 확인하는 며칠~몇 주 단위의 루프입니다. 장기 루프 (Outer / Market Loop): 실제 ...

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 ...