기본 콘텐츠로 건너뛰기

신종플루와 판단의 기준 - 당신의 판단을 믿을 수 있습니까?

최근 뉴스에서 가장 큰 화두는 신종 플루이다.

항간에는 음모론까지 나돌 정도이다.

여기저기서 쏟아지는 정보에 정신이 없다. 무엇이 진실인지 거짓인지도 명확하지 않다. 인간의 공포는 무지에서 온다. 진실을 판단할 기준이 명확하지 않다 보니 혼란만 가중되는 것 같다.

강도의 차이는 있지만 영락없는 광우병 사태와 다름이 없다.

솔직히 나로서도 무엇이 진실인지 명확하게 판단하기가 쉽지 않다.

그런데 왜 이러한 혼란이 야기되는지에 대해서는 일부 추측해 볼 수 있다.

한가지 예로 현재까지의 신종플루의 사망율은 과연 얼마나 되는 것일까?

정확한 자료가 없기 때문에 딱 잘라 말할 순 없지만 공식적인 발표에서는 0.03%였다. 0.03%라 하면 1만명이 감염되어 3명이 숨졌다는 얘기이다.

반면에 대한결핵협회에 따르면 2008년 결핵에 의한 사망율은 인구 10만명당 4.7% 즉, 인구 1만명당 470명이라고 발표했다.

단순히 사망율만 놓고 비교해 본다면 신종플루는 결핵에 비하면 병도 아니다. 신종플루에 쏟아지는 관심과 비용등은 당연히 결핵과 같은 병에 쏟아지는 것이 더 옳다.

머 신종플루는 전염성이 강하다고 말씀하시는 분도 있으실텐데.. 결핵도 전염성이라면 만만치 않다.

그렇다면 왜 이런일이 생기는 것일까?

심리학자들은 이것을 '틀 짜기(framing)'라고 부른다.

잘 생각해보자. 사망율 몇%라는 방송과 금일까지 몇명이 죽었다는 방송 사이에서 여러분은 어떤 방송이 더 위험한 내용으로 인식되는가?

즉, 우리는 동일한 내용이라도 판단의 기준을 바꾸면 전혀 다른 내용으로 인식하게 된다는 것이다. 특히 이것이 어떤 것과 비교를 하게 되는 닻 내림 효과와 마주지면 그 효과는 더욱 상승하게 된다.

인구 1만명당 3명이 죽는 신종플루라고 표현한다면 인구 1만명이 일종의 기준점이 되고 사람은 그에 맞추어 판단하게 된다. 이러한 기준이라면 사람들은 신종플루가 그다지 위험한 질병이라고 판단하지 않게 될 것이다.

반면에 금일도 신종플루로 인하여 사망자가 발생하였으며 해당 환자는 신체 건강한 저위험군 환자였다는 뉴스를 접하게 된다면 판단의 기준은 신체가 건강하다는 것이 되고 그런 사람도 죽을 수 있는 그리고 날마다 사망자가 발생하는 아주 위험한 전염병이 되는 것이다.

이러한 것을 우리는 주변에서 아주 쉽게 접할 수 있지만 대부분 그것을 인식하고 사는 사람은 거의 없다.

비슷한 경우로 품질을 들 수 있다.

여러분은 품질을 측정가능한 지표라고 생각하는가? 나는 품질을 측정가능한 지표라기보다는 결정되는 지표라고 말하는 부류이다.

품질을 이루는 신뢰성, 유지보수성, 이식성, 사용성과 같은 비기능적 특성들에 대한 기준이 무엇인가? 그 기준은 정확한 것인가?

다른 예를 들어본다면 결함율 같은 것도 생각해 볼 수 있다. 일반적으로 품질을 측정하는 지표로 가장 많이 쓰이는 것 중 하나가 결함율이다.

결함 잔존율이 20%라고 적혀 있는 제품과 결함 수정 완료율 80%라고 적혀 있는 두 제품을 생각해 보자. 어떤 제품이 더 좋은 제품인가?

두 제품은 같은 제품이다.
하지만 우리가 판단할 때 결함 잔존율은 결함이 수정되지 않고 결함이 제품에 남아 있는 것이라고 생각한다. 하지만 결함 수정 완료율이라고 한다면 이것은 결함이 제거되어 안전하다고 판단한다.

이러한 두 지표 사이의 간극이 사람이 판단하기 어려울 정도로 작아진다면 틀 짜기의 효과는 극대화 된다.

위의 예를 각각 10%와 90%로 바꾸어서 생각해 보라. 이렇게 된다면 판단은 더욱 견고해진다.

이러한 틀짜기는 마케팅에서 가장 흔히 사용되는 기법 중 하나이다.

틀짜기는 판단의 기준을 흔들어 판단을 특정 방향으로 이끄는 효과를 지닌다.

테스터라면 이러한 것을 잘 알고 있어야 한다. 회사가 의도한 대로 제품을 판단하고 테스트 한다면 그 결과는 회사를 위한 제품일 뿐 절대 사용자를 위한 제품은 될 수 없다.

테스트 설계 기법과 같은 기법들이 계속 만들어지는 것은 이러한 인간의 판단이 제품의 테스트에 미치는 영향을 적게 하고자 하는 노력의 일환이라고 할 수 있다.

여러분의 여러분의 판단 자체를 믿을 수 있는가?

판단의 근거는 무엇인가? 우리는 정보의 홍수 속에서 살고 있다. 우리에게 지금 필요한 것은 정보를 찾는 능력이 아니라 정보를 해석하고 판단하는 능력이다.

여러분은 여러분이 접하고 있는 정보의 출처를 고민해 본적이 있는가? 그 정보를 정말로 믿을 수 있는 것인가?
가장 최근에 사람들이 가장 믿을 수 있는 정보의 1차 출처로 블로그를 꼽고 있다. 여러분은 블로거를 얼마나 신뢰할 수 있는가? 여러분이 어떤 블로거의 글을 신뢰하고 있다면 그 이유는 무엇인가?

한번 곰곰히 생각해 보기 바란다.

마지막으로 여러분이 만약 테스터라면 테스터가 되고 싶은 사람이라면 정보를 해석하고 판단하는 능력을 키울 것을 권장하고 싶다.

먼저 의심하고 다르게 생각하는 노력을 하기를 바라는 바이다.

댓글

  1. 솔직히 뉴스에서 단순히 몇 명 죽었다고 보도할 때부터 이미 '또 언론 플레이하고 있구만'이란 생각이 엄청 들더군요. 무슨 수치를 기준도 없이 발표하는지....

    답글삭제
  2. 김주봉19/8/10 18:50

    좋은 글 감사합니다~

    답글삭제

댓글 쓰기

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 ...

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...

AI가 만들고 사람이 고친 글, 과연 'AI 생성물'일까? — 무너지는 경계선과 각국의 표기 가이드라인

이미지, 음성, 텍스트를 가리지 않고 생성형 AI의 산출물이 전 세계 디지털 공간에 폭포수처럼 쏟아져 나오고 있습니다. 가짜 뉴스, 딥페이크 오정보, 저작권 침해 등 여러 사회적 문제를 일으키면서, 최근 EU를 비롯한 세계 각국의 규제 기관들이 "AI가 만든 콘텐츠에는 반드시 표시(Labelling)를 하라"는 강제 가이드라인을 잇달아 꺼내 들고 있습니다. 이와 관련해 Smashing Magazine에 비탈리 프리드만(Vitaly Friedman)이 기고한 아티클은 EU의 최신 규제가 실무 인터페이스(UI/UX)에 어떤 변화를 요구하는지 잘 보여줍니다. (출처: Smashing Magazine - New EU Guidelines For AI Labelling / Vitaly Friedman) https://www.smashingmagazine.com/2026/08/eu-guidelines-ai-labelling/ EU AI Act 제50조 투명성 규정에 따르면, 딥페이크나 AI 챗봇 대화, 인간의 검수 없이 AI가 100% 작성한 공공 텍스트 등에는 전용 AI 마크나 암호화된 메타데이터(Watermark)를 반드시 내장해야 합니다. 기존에 서비스들이 유행처럼 쓰던 모호한 '반짝이 아이콘(✨ Sparkles)' 수준으로는 법적 기준을 충족할 수 없게 된 것입니다. 하지만 현장의 개발자, 에디터, 테스터들이 마주한 진짜 혼란은 규제의 유무가 아닙니다. 바로 "도대체 어디까지를 AI가 만들었다고 볼 것이며, 어디서부터를 사람이 만든 것으로 정의할 것인가?"라는 근본적인 경계선의 모호함입니다. 프롬프트 한 줄 던져서 AI가 뽑아낸 초안을 사람이 문장 몇 개 다듬었다면, 이것은 AI 산출물일까요, 인간의 글일까요? AI가 코딩한 1,000줄의 소스 코드를 엔지니어가 한 시간 동안 디버깅하고 검수했다면 이 코드의 주인은 누구일까요? 글로벌 규제 기관들도 이 모호함을 인지하고 명확한 자격 기준을 세우기 위해 격렬한 논의를 ...