기본 콘텐츠로 건너뛰기

순환논리의 함정 - 인식의 한계를 넘어서

내재된 단순성을 찾는 다는 것은 사물을 명확하게 이해한다는 것이다.

그런데, 우리는 인식의 한계를 넘어서서 왜 사물을 명확하게 인지하지 못하는 것일까?

그 원인에는 순환 논리가 숨어 있다. 이 순환 논리는 너무나 강력해서 아주 당연한 것처럼 생각되고 절대 깰 수 없을 것처럼 보인다.

실제로 우리가 어떤 현상에 대해 왜? 라는 질문으로 파고 내려가다 보면 점점 우리가 쫓는 원인은 점점 추상화 되어 간다. 그리고 추상화의 범위는 점점 더 애매모호해지고 광범위해진다.

이렇게 추적하던 원인을 우리의 감각을 통해서 더 이상 검증 할 수 없는 단계에 다다르면 그 원인을 추상적 실체라고 한다.

예를 들면 물은 우리가 인식할 수 있는 범위에 속한다. 하지만 물을 구성하는 원인을 파고 든다면 물은 두개의 수소와 하나의 산소가 결합한 분자로 이루어진다. 그리고 각 분자는 핵과 전자로 구성되고 핵은 다시 중성자와 양성자로 구성된다. 그 아래로는 소립자와 쿼크와 같은 것들로 구성된다고 한다.

하지만 물 이후의 단계들은 우리의 감각을 통해서 더 이상 검증 할 수 없다. 그 이후의 단계는 논리적인 구조에 따라 증명된 것일 뿐 그 누구도 아직까지 본적도 만진적도 없는 완벽한 추상적 실체이다.

그런데 이건 과학의 얘기이다. 실제 생활에서는 어떨까?

우리 회사의 소프트웨어는 잘 팔리지 않는다. 그렇다면 왜 잘 팔리지 않는지 그 원인을 찾아야만 한다.

그런데 이러한 원인을 찾을 때 우리가 직접 관찰해서 검증 할 수 없는 실체에 다다르게 되면 그 이후의 원인을 찾고자 하는 노력을 멈춰버린다. 그냥 그 단계에서 대충 끝내 버리게 된다.

예를 들면, '소프트웨어가 잘 팔리지 않는 이유는 고객이 원하지 않는 것을 개발해서이다.' 같이 귀결되는 것을 생각해 볼 수 있다

그런데 대부분 이런 결론이 첨부된 보고서에는 그 어느 곳에도 고객이 원하지 않는다는 것에 대한 직접적인 증거의 흔적은 없는 경우가 많다. 물론 사용자 조사도 했을 것이고, 설문조사도 했을 것이고 각종 자료가 첨부되어 있겠지만 그것들이 정말로 우리 회사의 소프트웨어를 고객이 원하지 않는 다는 것에 대한 직접적인 증거는 아니다.

그런데, 이런 결론이 우리의 기존의 경험을 증폭시키는 역할을 하게 되면 아주 놀라운 효과를 보인다.

고객이 우리 소프트웨어를 원하지 않는 이유가 뭐지요? 라는 질문에 대한 답은 소프트웨어가 잘 팔리지 않았지요. 잘 팔리지 않았으니 그 소프트웨어는 고객이 원하지 않는 것입니다. 라는 대답을 하게 된다.

'소프트웨어가 잘 팔리지 않는 이유는 고객이 원하지 않는 것을 개발해서이다.'
'고객이 원하지 않는 것을 개발했기 때문에 소프트웨어는 잘 팔리지 않은 것이다.'

두 문장이 모두 그럴싸하게 보이는가? 논리적으로 아무 문제가 없어 보이는가? 이것이 바로 동어반복이자 순환논리이다.

이러한 예를 우리는 주변에서 아주 쉽게 찾아볼 수 있다.

OO 축구팀이 패배한 것은 투지가 부족해서이다.
OO 선수가 금메달을 따지 못한 것은 심리적 부담감때문이다.
품질이 낮은 제품은 잘 팔리지 않는다.

찾아보면 정말 많은 예를 찾아볼 수 있다.

이러한 순환논리에 빠지면 인식의 한계를 넘어서 내재된 단순성에 도달하지 못하게 된다.

많은 경우 이러한 순환논리가 우리의 경험과 함께 증폭된다면 순환논리가 옳은 것처럼 보이게 되고, 그걸 직접 검증할 수 없다면 우리는 그걸 당연한 것으로 받아들이는 경향이 있다.

그럼 이것을 어떻게 해서 극복할 수 있을까?

다시 한번 문제의 문장을 살펴보자.

소프트웨어가 잘 팔리지 않는 이유는 고객이 원하지 않는 것을 개발해서이다.

이 문장을 두 부분으로 나누어 보자.

소프트웨어가 잘 팔리지 않는다. / 고객이 원하지 않는다.

여기서 원인이 무엇인가? '고객이 원하지 않는다.'가 원인이다. 그런데 소프트웨어가 잘 팔리지 않는 이유가 과연 '고객이 원하지 않는다.' 뿐일까?

새로운 경쟁 소프트웨어가 먼저 출시되어서라든지 우리의 AS 가 개판이 되어서라든지 우리가 가격을 인상해서라든지 다른 여러 이유를 더 생각해 볼 수 있다.

이렇게 발견된 원인은 검증할 필요가 있다. 우리가 원인이라고 여기는 많은 것들이 원인이 아닌 경우도 있다.

원인이 되기 위해서는 그 원인으로부터 비롯되는 결과가 최소한 2개 이상이어야 한다. 그리고 이 원인과 결과는 직접적인 관찰을 통해 검증 가능한 것이어야 한다.

예를 들면, '고객이 원하지 않는다.'가 원인이 되기 위해서는 우리의 소프트웨어가 잘 팔리지 않는 만큼 다른 회사의 제품을 잘 팔려야 한다. 하지만 다른 회사의 제품 역시 잘 팔리지 않는다면 '고객이 원하지 않는다.' 는 원인이 될 수 없다.

이렇게 원인이 증명되면 다시 더 생각해서 더 깊은 원인을 찾고 이러한 과정을 반복해서 근본 원인을 찾아야 한다.

즉, 우리는 원인에 대한 이해의 폭을 더 넓게 생각해 볼 필요가 있다. 너무 쉽게 포기하기 전에 더 깊이 생각해 볼 필요가 있다.

그런데, 우리는 왜 원인을 확장하지 않고 멈추는 것일까?

이것은 안전지대와 연관되어 있다. 우리는 우리가 통제할 수 있는 범위 안에서 편안함을 느낀다.

즉, 우리는 안전지대를 넘어서서 원인을 확장하려 하지 않는다. 안전지대를 넘어서는 것은 불확실성의 세계에 진입하는 것이고 이러한 불확실성은 그 존재만으로도 우리의 판단력을 마비시킬 수 있다.

때문에 우리는 그러한 안전지대 안에서 더 이상 다른 결과가 없다면 찾는 것을 포기하고 동어 반복에 빠지게 되는 것이다.

하지만 안전지대를 넘어서서 생각하는 것을 멈추지 않도록 훈련할 필요가 있다. 우리가 원인을 아무리 확장하고 싶어도 확장된 원인들은 언젠가는 다시 수렴하게 되어 있다.

수렴이 되는 것을 확인하는 방법은 결과가 많은 원인을 찾아가는 것이다. 결과가 많을수록 더 강력하고 유효성이 높은 원인인 것이다.

그것이 내재된 단순성에 대한 확신의 힘이다.

결론적으로 우리가 왜? 라는 질문을 통해서 도달한 원인이 추상적 실체를 포함하게 된다면 그것을 올바른 것으로 받아들이지 않아야 한다.

그것은 진실이 아닌 가설일 뿐이다. 그러한 원인에 의해 도달할 수 있는 결과가 2개 이상이 되는지 검증해 보자. 그리고 그러한 원인과 결과에 대해 우리가 실질적으로 검증할 수 있는 것인지 생각해 보자.

그리고 2개 이상의 결과를 찾을 수 없다면 자신이 안전지대 안에 머물러 있는지 살펴보도록 하자.

순환논리를 부정하고 한번 더 생각해 볼 수 있는 힘을 길러보도록 하자.

댓글

이 블로그의 인기 게시물

에이전틱 AI 프로젝트에서 테스터의 5가지 핵심 원칙

AI 코딩 에이전트와 자율형 에이전트가 빠르게 개발 워크플로우에 통합되면서, 단순히 코드를 잘 짜는 것을 넘어 '에이전트와 어떻게 협업하고 통제할 것인가'가 개발자와 아키텍트들의 가장 큰 화두로 떠올랐습니다. 윤석찬 님의 아티클 "AI 에이전트 시대, 개발자는 어떻게 일해야 하는가? – 프론티어 엔지니어링의 10가지 원칙"은 에이전틱 AI 시대에 엔지니어가 마주하는 패러다임 변화와, 실무 현장에서 일하는 방식을 어떻게 재정의해야 하는지 아주 명확한 가이드라인을 제시해 줍니다. (출처: channy.creation.net - 윤석찬 님의 블로그) https://channy.creation.net/blog/1989 비록 대규모 에이전트 오케스트레이션이나 초거대 인프라 시스템을 개인이 직접 구축하고 운용하는 것은 비용적·기술적으로 현실적인 한계가 있습니다. 하지만 개인 프로젝트에서 AI와 바이브 코딩(Vibe Coding)을 활용하며 겪었던 맥락 손실, 환각, 통제 불능의 경험들을 떠올려보면, 이 아티클이 제시하는 10가지 프론티어 엔지니어링 원칙은 소규모 개인 개발 환경에서도 대단히 깊은 공감을 불러일으킵니다. 이 글은 단순히 "AI 도구를 잘 쓰자"는 수준에 머무르지 않습니다. AI 에이전트가 생성해내는 불확실성 속에서 인간 엔지니어가 시스템의 맥락을 주도하고, 오작동을 제어하며, 품질의 키(Steering Wheel)를 쥐기 위한 구조적 사고법을 다룹니다. 그렇다면 프론티어 엔지니어링의 원칙을 바탕으로, 시스템의 신뢰성과 안전성을 검증해야 하는 테스터는 과연 어떤 실무 원칙을 세워나갈 수 있을까요? 윤석찬 님이 제시한 엔지니어링 원칙을 테스팅 관점으로 재해석해 보면, 다음과 같은 5가지 원칙으로 정리할 수 있을 것 같습니다. 1. 결정론적 검증에서 '경계선 및 허용 오차(Boundary)' 테스팅으로 전환하라 에이전트 기반 시스템은 같은 입력을 주어도 매번 다른 추론 경로를 거치는 확률적(Stoc...

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 ...

결국 테스팅은 어렵다

 AI 코딩 에이전트와 대형 언어 모델(LLM)이 코드를 순식간에 쏟아내고 테스트 스크립트까지 자동으로 만들어주는 시대가 되면서, 일각에서는 "이제 테스팅도 버튼 하나 누르면 끝나는 쉽고 단순한 일 아닌가?"라는 착각에 빠지곤 합니다. 하지만 품질 전문가 매슈 하이저(Matthew Heusser)가 자신의 블로그 Quality Remarks에 기고한 "Turns Out Testing is Hard" 아티클은, 기술이 아무리 화려하게 발전하더라도 소프트웨어의 '진짜 품질'을 검증하는 일은 여전히 지독하게 어렵고 복잡하다는 현실을 서늘하게 되짚어 줍니다. (출처: Quality Remarks - Turns Out Testing is Hard / Matthew Heusser) https://qualityremarks.com/turns-out-testing-is-hard/ 이 아티클이 말하는 핵심은 간단합니다. 단순한 스크립트 실행이나 표면적인 기능 작동 여부를 확인하는 '체크(Checking)'는 AI나 도구를 통해 얼마든지 자동화하고 속도를 높일 수 있지만, 시스템의 숨겨진 리스크를 탐색하고 비판적으로 질문을 던지는 '진짜 테스팅(Testing)'의 난이도는 오히려 이전보다 더 올라갔다는 점입니다. AI 코딩 에이전트가 단 몇 초 만에 수백 줄의 코드를 생성을 해내면서 당장 눈앞의 기능은 돌아가는 것처럼 보입니다. 하지만 그 이면에서는 오작동이 일어날 수 있는 엣지 케이스, 시스템 간의 미묘한 맥락 단절, 그리고 나중에 거대한 장애로 돌아올 인지부채가 순식간에 쌓여갑니다. 매슈 하이저는 왜 테스팅이 여전히 지독히 어려운 과제로 남아있는지 몇 가지 근본적인 이유를 제시합니다. 첫째, '모호함과의 싸움'입니다. 소프트웨어 요구사항은 언제나 비어있는 행간과 모호함을 품고 있습니다. AI는 주어진 텍스트 그대로 명시적인 조건만 테스트하지만, 실제 인간 테스터는 명시되지 않은 사용...