기본 콘텐츠로 건너뛰기

테스트 레벨과 부분 최적화

테스트는 그 수행 주체와 목적, 환경 등에 따라 크게 4단계의 레벨로 구분한다.

물론 각 조직이나 회사, 프로젝트의 성격, 환경 등에 따라 더 세분화 되는 경우도 있고 축소되기도 하지만 기본적으로 테스트 레벨은

  1. 단위 테스팅
  2. 통합 테스팅
  3. 시스템 테스팅
  4. 인수 테스팅

로 나뉘어 진다.

각 테스트 레벨에 대한 자세한 설명은 다른 곳을 참조하시고..

내가 하고 싶은 말은 다른 것이다.

이러한 테스트 레벨은 원래 V-모델이라 불리는 모델에서 나온 것이다.

V-모델은 폭포수 모델의 변형 모델로 폭포수 모델에 테스트 수행에 대한 활동을 강화한 모델이라고 이해해도 무방하다.

즉, 폭포수 모델의 각 개발 단계와 대응되는 테스트의 활동을 도식화 한것이 V-모델이다.

그말은 이 테스트 레벨도 폭포수 모델의 컨셉을 그대로 물려받고 있다는 것이다.

무슨 의미냐 하면 단위 테스팅이 끝나야 통합 테스팅을 할 수 있고 통합 테스팅이 끝나야 시스템 테스팅을 할 수 있다는 것이다.

그래서 테스트 계획 문서에는 시작 조건과 완료 조건 추가로 지연 조건이나 재개 조건과 같은 시작과 끝점에 대한 항목을 협의하여 명시하도록 권고하고 있다.

이러한 테스트 레벨은 테스트 수행 활동을 체계적으로 이해하고 개발 단계와 테스트 단계의 대치점에 대한 이해를 하기에는 좋지만 한가지 취약한 점이 있다.

조금 추상적이긴 하지만.. 품질이라는 관점에서 살펴보도록 하자..

우리는 각 연예인들의 가장 이쁜 부분 또는 가장 호감이 가는 부분만을 모아서 몽타쥬를 만들었을 경우 완성된 모습이 우리가 꿈꾸던 모습과는 사뭇 거리가 있다는 것을 익히 들어서 알고 있다.

중요한 것은 조화이다. 아무리 아름다운 것을 모아 놓는다고 해서 그 전체가 아름답지는 않다.

하지만 우리는 아주 자주 이러한 사실을 잊어버린다.

그것은 우리가 1+1=2라는 논리적이고 수리적인 사고 방식에 아주 익숙해져 있기 때문이다. 하지만 이것이 언제나 참이라고는 죽어도 확신할 수는 없다.

1+1=2가 아닐 수도 있다. 그런 예는 언제 어디서나 차고도 넘치도록 찾을 수 있다. 1+1=2일 수도 있고 그 이상 또는 그 이하일 수도 있다.

이것은 우리 주변의 사물이 분명 수학자들의 주장대로 숫자 위에 있을 수는 있지만 조화라는 과정 종속성이라는 속성에 따라 변하기 때문이다.

테스트 레벨도 마찬가지의 영향을 받는다.

각 테스트 레벨을 아무리 잘한다고 해도 완벽한 테스팅을 했다고 말할 수는 없다.

잘한다는 것과 적절하게 했다는 것은 전혀 다른 의미가 된다.

이것은 ISTQB의 테스팅의 기본원리 7가지 중

  1. 완벽한 테스팅은 불가능하다.
  2. 오류-부재의 궤변

과 닿아있다.

많은 경우 테스트 프로세스를 구축하고 개선하는 데 있어서 초점이 빗나간 경우가 많다.

각각의 테스트 레벨에 대해 잘 수행하는 것도 분명 중요하다.

하지만 각 테스트 레벨의 목적이 서로간에 잘 조화되지 못한다면 오합지졸이나 마찬가지이다.

때문에 각 테스트 레벨을 조율하고 목적한 바 즉, 고객이 만족하는 품질의 제품이 개발될 수 있도록 전체적인 품질 지표를 측정하고 결정하기 위한 계획이 필요하다.

즉, 조직 차원의 테스트 정책과 전략이 필요하다는 것이다.

하지만 국내에서 조직 차원의 테스트 정책이나 전략을 가진 조직은 생각보다 찾기가 쉽지 않다.

대부분의 조직은 거의 따로 국밥이다. 개발자들이 하는 테스트는 개발팀에서 테스팅 팀에서 하는 테스트는 QA 부서에서 각자 관리하고 각자의 결과에 대한 커뮤니케이션이 원할하지 못하고 서로의 목적을 모르기 때문에 곳곳에서 충돌이 나고 결국에는 목적하는 품질에 도달하지 못하는 경우를 많이 볼 수 있다.

각 테스트 레벨을 아무리 최적화 한다고 해도 제품의 품질은 나아지지 않는다. 전체적인 입장에서 프로젝트에 관련된 모든 조직과 부서를 아울러 관통할 수 있는 흐름을 살피고 조율할 수 있는 정책과 전략에 대해서 고민하고 계획을 수립할 수 있어야 할 것이다.

최근에 ISO/IEC 29119에서는 이러한 테스트 레벨에 대한 관점에서 벗어나서 소프트웨어의 속성과 목적에 따른 Fundamental Test Process 라는 것을 제안하고 있다. 이 프로세스에는 기존의 레벨 프로세스 뿐만 아니라 보안성, 성능, 사용성과 관련된 특정 테스트 수행에 관련된 프로세스를 모두 언급하고 있다.

중요한 것은 프로세스가 아니라 우리가 원하는 품질 목표를 달성하기 위해 프로젝트에 관련된 모든 부서, 조직, 인원, 자원이 얼마나 효과적이고 효율적으로 계획되고 수행되는 가이다.

단순히 개발자는 단위 테스트를 잘 수행하고 테스터는 시스템 테스트를 잘 수행해야한다는 것이 아니다.

개발자도 고객의 요구와 품질에 대한 인식을 가져야 하고 그에 따라 개발을 하고 테스트를 할 수 있어야 하는 것이고 테스터 역시 제품의 설계와 구성, 작동 원리 등에 대한 기본적인 이해를 가지고 있어야 하는 것이고 그러한 것이 고객의 요구에 최적으로 동작할 수 있도록 구성되었는지 테스트 할 수 있어야 한다.

프로젝트의 모든 구성원이 프로젝트의 목적하는 바 즉, 고객이 바라는 것 그리고 품질에 대한 이해를 공유할 필요가 있다.

그러기 위해서는 부분 최적화의 관점에서 벗어나 전체를 바라보고 기획할 수 있는 조직 차원의 정책과 전략을 수립할 필요성이 있다.

댓글

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 ...