기본 콘텐츠로 건너뛰기

프로세스와 프로젝트

프로세스와 프로젝트 ..

우리는 일상에서 이 두 단어를 무척 많이 사용합니다.

그런데.. 이 두 단어가 가지는 의미는 같을까요? 다를까요?

많은 경우 우리는 이 두 단어를 별다른 차이 없이 거의 동일한 의미로 사용합니다.

하지만 이 두 단어는 비슷한 듯 하지만 같지 않은 다른 뜻이 있습니다.

그 차이를 알아보도록 할까요?

한가지 예를 들어보도록 하겠습니다.

여러분이 꿈꾸고 또 꿈꾸던 아파트를 사게 되었습니다. 지난 몇 년 동안 악착같이 돈을 모으기 위해 노력했던 날들이 주마등처럼 스쳐지나갑니다.

아파트를 분양받기 전에 여러분이 가장 먼저 확인하는 곳이 있습니다.

어디일까요?

바로 모델하우스입니다.

직접 현장에 나가서 학교의 위치, 쇼핑몰, 편의 시설, 문화 시설 등도 꼼꼼이 따져봐야겠지만 여러분이 실제 살 집이 어떤 곳인지 확인할 수 있는 방법은 입주 전까지는 모델하우스 뿐입니다.

모델하우스를 통해 우리는 앞으로 살 집의 대략적인 구조나 마감재등을 확인합니다.

그리고 입주를 하고 여러분이 사는 동안 여러분의 집은 어떻게 바뀌나요? 모델하우스와 동일하신가요?

살아가면서 필요하면 발코니를 확장할 수도 있고 벽을 헐어서 방을 합칠 수도 있고 욕실을 개조할 수도 있고 처음의 모델 하우스에서 본 집과는 많은 부분에서 바뀌게 됩니다.

프로세스와 프로젝트도 이와 유사합니다.

모델하우스가 프로세스라고 한다면 프로젝트는 우리가 실제로 살고 있는 집이라고 할 수 있습니다.

프로세스와 프로젝트를 비교하면 아래 표와 같이 비교할 수 있습니다.

 프로세스프로젝트
 지속성, 반복성
시작과 끝이 있는 기간이 정해져 있는 과업
 모든 산출물이 언제나 동일
이전에도 이후에도 동일하지 않은 유일성
 모든 것이 확정적으로 정해져 있음
단계에 따라 구체화, 명확화

프로세스는 여러 프로젝트의 결과물에 대한 일종의 베스트 프랙티스라고 할 수 있습니다.

이러한 베스트 프랙티스는 표준으로 제정되기도 합니다.

분명한 것은 프로세스는 충분히 좋은 선택지라는 것입니다.

방법론 역시 일종의 프로세스라고 할 수 있습니다.

프로세스와 프로젝트의 가장 큰 차이점이라고 한다면 변동성입니다.

프로세스는 확정된 것으로 변동성은 고려되어 있지 않습니다.

우리가 어떤 프로세스를 도입한다고 하였을 때 프로세스가 약속한 성과를 얻기 힘든 것은 현실은 변동성이 내포되어 있기 때문입니다.

프로세스는 이러한 변동성에 대한 충격을 흡수하지 못합니다.

프로젝트는 현업에서 프로세스를 도입하며 겪은 변동성에 따라 고유하게 변경된 산출물이라고 할 수 있습니다.

우리가 프로젝트를 수행하면서 많은 경우 프로세스에 얶메이는 경우를 볼 수 있습니다.

이런 경우 프로젝트는 실패할 확률이 더욱 커진다고 할 수 있습니다.

프로세스는 충분히 좋은 선택 뿐이라는 것을 기억하시길 바랍니다. 그 프로세스를 성공적으로 활용하는 것은 우리의 몫입니다.

표준도 마찬가지인 것입니다.

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...

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...