기본 콘텐츠로 건너뛰기

효과적 테스트와 효율적 테스트 - 리스크 기반 테스팅

테스트 프로젝트의 경우 수많은 형태의 프로젝트가 존재하고 수많은 형태의 방법론이 적용되고 있는 것이 현실이다.

그 많은 프로젝트들을 일일이 나열하기는 힘들지만 대다수의 프로젝트들이 수행되는 형태를 본다면 크게 2가지를 생각해 볼 수 있다.

하나는 효과적 테스트이고 다른 하나는 효율적 테스트이다.

효과적 테스트는 말 그대로 테스트의 효과를 극대화 하는 것을 목적으로 하는 테스트이다. 즉, 결함을 많이 발견하거나 품질을 극대화 하는 방향으로 모든 테스트의 방향이 결정되는 테스트를 말한다.

이러한 유형은 공식적인 테스트 설계기법을 적용하고 커버리지 등의 매트릭으로 품질을 측정하며 여러 특정 분야의 전문가들이 테스트 프로젝트에 투입되게 된다.

결론적으로는 결함이 적은 제품이 출시되게 되겠지만 문제가 된다면 개발기간과 예산이 한없이 들어갈 수 있다는 것이다.

대표적인 예로는 의료, 항공, 우주 산업과 같은 경우를 들 수 있다.

반면 효율적 테스트는 시간과 예산을 절감하는 방향을 목적으로 하는 테스트 이다. 주변의 많은 프로젝트들이 겉으로는 효과적 테스트를 말하지만 실상은 효율적 테스트를 수행하는 곳들이 많은 것이 사실이다.

왜냐하면 테스트 프로젝트를 수행함에 있어서 예산과 시간은 항상 정해져 있는 경우가 많기 때문이다. 이렇게 정해진 예산과 시간마저도 다른 개발 일정과 예산에 따라 우선순위에서 뒤로 밀리는 경우도 다반사이다.

효율적 테스트의 가장 대표적인 방법은 테스트 자동화이다. 테스트 자동화는 시간을 넘어서 테스트 업계에서 가장 큰 이슈로 누구나 꿈꾸는 이상향이다.

하지만 테스트 자동화의 치명적인 약점이라면 살충제 페러독스이다. 테스트 자동화가 분명 효율적 테스트에 일부 기여하는 바는 있지만 그 유지보수에 있어서 오히려 효율이 떨어질 수도 있으며, 유지보수가 지속되지 않는다면 제품의 품질 또한 떨어질 수도 있다.

효율적 테스트의 또다른 부작용이라 한다면 일정과 예산에 따라 반드시 수행되어야 할 테스트가 생략되거나 계약직과 같은 비전문가들에 대한 테스트 수행 등으로 인해 신뢰성이 저하된다거나 테스트 결과를 신뢰할 수 없는 등의 부작용이 있을 수 있다.

이러한 효과적 테스트와 효율적 테스트는 반비례 관계에 있다.

즉, 효과적 테스트를 강조하다보면 테스트 프로젝트는 그만큼 비효율적이 되고 효율적인 테스트를 강조하다 보면 효과적 테스트를 소홀히 하게 된다.

이 두가지 유형의 테스트는 절대로 공존할 수 없는 것처럼 보인다.

실제로 많은 회사에서는 매번 이 두가지 유형의 테스트 사이에서 갈등하며 그때 그때마다 그 상황에 맞는 한쪽을 선택하게 된다.

이러한 선택이 아슬 아슬하게 맞아 떨어져 간다면 회사는 그럭저럭 유지되겠지만 어떤 포인트를 넘어서게 된다면 회사는 돌이킬 수 없는 타격을 받을 수 있고 그런 경우 회사가 망하는 경우도 있을 수 있다.

아래는 그러한 순환 논리를 간단하게 도식화 해 본 것이다. 실제의 경우에는 좀 더 구체적인 정황이 들어가겠지만 그다지 큰 차이는 없다고 생각한다.

그렇다면 과연 이 두가지 유형의 테스트 사이에서 시소게임을 하는 것만이 최선의 방법인 것일까? 다른 방법은 정말 없는 것일까?

적은 예산과 짧은 개발 기간동안 사용자가 원하는 좋은 품질의 제품을 개발할 수는 없는 것일까?

테스트 수행에 관한 수많은 방법론들이 위 질문에 대한 해답을 내놓기 위해 수많은 사례와 연구를 반복했었다.

그리고 그 중 가장 성공확률이 높고 이론적으로 완성도가 높은 방법론을 꼽는다면 리스크 기반 테스트를 추천해 줄 수 있다.

결론적으로 리스크 기반 테스팅은 리스크가 높은 곳은 효과적 테스트를 수행하고 리스크가 낮은 곳은 효율적 테스트를 수행하는 것을 말한다.

리스크에 따라 제한된 리소스를 적절하게 배분하고 각각의 목적을 다르게 설정함으로써 그 중도를 찾고자 하는 것이다.

즉, 사람들은 효과와 효율이 모두 높은 A 영역에 해당하는 방법을 찾고 있지만 실제적으로 그러한 방법은 없다고 볼 수 있다. 그러한 방법을 찾고자 하는 노력으로 인하여 갈등만 증폭되고 문제는 해결되지 않고 점점 더 어려워지는 것이다.

현실은 B와 D사이를 시소게임을 하는 것과 같이 진동하고 있는 것이다. 그리고 그러한 과정에서 많은 자원이 낭비되고 있고 조직과 회사 자체의 리스크는 항상 아슬아슬한 상태로 조절되고 있다.

어떤 회사들은 C 영역에서 머물면서 현실을 인식하지 못하는 곳들도 있다.

리스크 기반 테스팅은 제품의 리스크에 따라 두 영역을 모두 취함으로써 평형상태에 이르고자 하는 것이다. 리스크가 높은 곳에서는 B 영역의 방법을 리스크가 낮은 곳은 D 영역의 방법을 취하는 것이다.

하지만 이론적으로 완벽해 보이고 설득력이 있는 리스크 기반 테스트 역시 실무에 적용할 경우 많은 어려움이 있다.

대표적인 어려움만 생각해 본다면
  1. 리스크를 판별할 기준 선정(리스크 펙터)
  2. 리스크를 식별할 범위 선정(리스크 아이템)
  3. 리스크를 분석하는 사람들의 개인적인 수준차와 리스크 아이템에 대한 이해와 인식의 수준차
  4. 분석 및 협의에 들어가는 시간적인 지연
  5. 개발기간동안 변동되는 리스크에 대한 통제와 제어
등을 생각해 볼 수 있다.

하지만 실제적으로 리스크 기반 테스팅은 조직에서 그 수행이 체득화 될수만 있다면 현재까지 소개된 수많은 방법론 중에서는 가장 합리적인 방법론 중 하나인 것만은 의심의 여지가 없는 사실이라고 생각된다.

댓글

이 블로그의 인기 게시물

20년 차 테스터가 고른 최근 IT 소식: 기술의 속도, 그리고 사람의 자리

20년 넘게 IT 업계에서 테스팅하고 강의하고 공부하고 여러 일을 해왔지만... 정말이지 단 하루도 편하게 쉴 틈을 주지 않는 세상입니다. 특히 최근 4~5년 동안 가속화된 AI의 물결은 기술의 스펙트럼뿐만 아니라 우리가 일하고, 협업하고, 조직을 이끄는 방식 전체를 뒤흔들고 있습니다. 이번 주에도 수많은 뉴스레터와 아티클을 훑어보았습니다. 그중에서도 기술의 화려함 뒤에 숨겨진 ‘사람, 조직, 그리고 커리어의 본질’을 찌르는 글 몇 개가 눈에 띄어 메모해 둡니다. 제 평소 생각과 맞닿아 있는 6가지 이야기입니다. --- 1. 인지부채(Cognitive Debt): 바이브 코딩 시대에 우리가 지게 되는 진짜 빚 (출처: ROBOCO - 인지부채: 바이브 코딩 시대의 새로운 부채 관리법 / 정도현 수석 컨설턴트 ) 요즘 커서(Cursor)나 클로드 코드(Claude Code) 같은 에이전트를 붙여 "이거 만들어줘" 하고 승인(Approve) 버튼만 누르면 눈 깜짝할 사이에 코드베이스가 완성되는 '바이브 코딩(Vibe Coding)'이 유행입니다. 그런데 속도는 엄청나게 빠른데, 정작 서비스에 장애가 나면 "AI가 짜서 잘 모르겠는데요?"라는 답이 나오는 이상한 현상이 벌어집니다. 정도현 컨설턴트는 이를 '인지부채(Cognitive Debt)'라고 정의합니다. 코드는 쌓이는데, 정작 인간의 시스템 이해도는 쌓이지 않는 격차죠. * Human-in-the-loop의 환상: AI가 초당 수백 줄을 뽑아내는데 사람이 일일이 검토한다? 결국 검토자는 병목이 되고, 시간 압박에 쫓겨 영혼 없이 승인 버튼만 누르게 됩니다. 40년 전 자동화 연구(Bainbridge, 1983)가 지적했듯, 자동화될수록 사람은 감시만 하다가 정작 개입해야 할 결정적 순간에 숙련도를 잃어버립니다. * 부채는 0으로 만드는 게 아니라 '관리'하는 것: AI가 만든 모든 코드를 사람이 외울 수는 없습니다. 핵심은 ...

우리는 AI로 '더 빠른 말'을 키우고 있는걸까요? 아니면 '자동차'를 만들고 있는걸까요?

20년 넘게 IT 현장에서 뒹굴거렸는데... 요즘처럼 "우리가 지금까지 당연하게 여겨온 일하는 방식의 본질"에 대해 근본적인 질문을 던지게 만드는 때가 없었던 것 같습니다. 최근 읽은 UX 관련 글 하나가 가슴을 쿵 치고 지나갔습니다. UX 및 디지털 트렌드를 다루는 블로그 ux4dotcom에 올라온 "Beyond Faster Horses — Why AI Challenges One of UX's Oldest Assumptions"라는 글입니다. (출처: ux4dotcom - Beyond Faster Horses — Why AI Challenges One of UX's Oldest Assumptions ) 혁신을 말할 때 늘 인용되는 헨리 포드의 유명한 말이 있습니다. "사람들에게 무엇을 원하느냐고 물었다면, 그들은 '더 빠른 말'이라고 답했을 것이다." 사람들은 자신이 경험해 본 범위 안에서만 미래를 상상합니다. 말만 탈 줄 아는 사람에게 자동차는 상상 밖의 범주(Mental Model)니까요. 저자는 그동안 UX(사용자 경험)라는 학문과 필드 자체가 '더 빠른 말을 만드는 일(기존 과업의 효율화)'에 집중해 왔다고 지적합니다. 사용자의 행동을 관찰하고, 마찰(Friction)을 줄이고, 화면을 간소화하고, 기존 워크플로우를 최적화해 주는 작업 말입니다. 실제로 주변을 봐도 우리가 AI를 쓰는 방식도 대부분 이 범주를 벗어나지 못하고 있습니다. 더 빠르게 이메일을 작성하고, 문서 요약을 3초 만에 끝내고, 프레젠테이션 장표나 일정표를 순식간에 만들어내는 일. 분명 유용하고 저 역시 매일 요기하게 쓰고 있지만, 이건 어디까지나 '기존에 인간이 하던 일의 프로세스를 흉내 내어 속도만 올린 것(Faster Horse)'에 불과합니다. 정작 "이 워크플로우 자체가 과연 계속 존재해야 하는가?"라는 근본적인 질문은 던지지 못하고 있는 것이죠....

'자동화 편향'과 '대중적 불신' 을 고려 AI 테스팅 시나리오 설계

최근 생성형 AI나 자율주행, 에이전트 기술의 테스팅 시나리오를 작성할 때 우리가 당연하게 전제(Assumption)로 깔고 가는 중요한 인간 행동 방식이 하나 있습니다. 바로 '자동화 편향성(Automation Bias)'입니다. 인간은 시스템이 자동화되고 스마트해질수록 기술을 과도하게 신뢰하고 주의력을 놓아버립니다. 차량을 운전하면서 운전자 보조 시스템을 켜고 전방 주시를 태만히 하고 스마트폰을 보거나 영상을 시청하는 운전자라던지 AI 의료 진단 보조 도구가 내놓은 결과를 의사가 깊은 의심 없이 그대로 승인해 버리는 현상이라던지 AI 챗봇이 추천한 잘못된 정보를 사용자가 사실로 믿고 행동하는 케이스 같은 게 있을 겁니다. 우리는 항상 이러한 "사람들이 AI를 너무 믿어서 발생하는 위험"을 핵심 리스크로 정의하고, 이를 검증하기 위한 안전장치(Safety Guardrail)나 경고 알림, 오용 방지(Misuse) 테스팅 시나리오를 도출해 왔습니다. 그런데 최근 Gizmodo에 보도된 미국 설문조사 결과는 매우 흥미로운 사실을 보여줍니다. (출처: Gizmodo - Survey Finds Americans See AI as Comparable to Humans—It’s Making Them Trust It Less )   기사에서 언급된 설문조사의 결과는 AI가 사람을 닮아갈수록 완벽함에 대한 기대와 실수가 충돌하고 책임이 모호해져 대중의 신뢰는 오히려 떨어진다는 것이었습니다.  자세히 살펴보면 해당 조사는 일반 대중을 대상으로 AI에 대한 인지적 반응을 측정했습니다. AI가 인간과 유사한 대화/추론 능력을 보일 때 유저가 느끼는 '인지적 불쾌한 골짜기(Uncanny Valley)' 현상을 정량 지표로 포착해 냈다는 점에서 의미가 있다고 생각합니다. 단순히 "AI가 좋다/나쁘다"를 넘어, 의인화(Anthropomorphism)의 수준과 신뢰도(Trust) 사이의 음(-)의 상관관계를 입증했기 때문...