기본 콘텐츠로 건너뛰기

선택을 구속하는 상황과 맥락의 힘 - 깨진 유리창 이론

깨진 유리창 이론은 범죄학자인 제임스 Q. 윌슨과 조지 Q. 켈링이 주장한 이론으로 만약 한 창문이 깨져 있고 그것을 수리하지 않고 내버려둔다면, 조만간 더 많은 창문이 깨지게 된다는 범죄의 전염 이론이다.

자세한 것은 위키피디아를 통해 확인을 해보시기 바란다.

깨진 유리창 이론(영어: Broken Windows Theory)은 미국의 범죄학자인 제임스 윌슨과 조지 켈링이 1982년 3월에 공동 발표한 깨진 유리창(영어: Fixing Broken ...


새해 첫 포스팅으로 이 이론을 다시금 떠올리게 된 이유는 여러가지이다.

하나는 우리는 사소한 것에는 그다지 관심을 두지 않지만 그 사소한 것이 모든 것을 그르치는 원인이 될 수 있다는 것이다. 우리가 사소하게 지나치는 것들 중요하게 생각하지 않는 것들이 인과관계에 따른 전염으로 커다란 문제들을 야기할 수 있다는 것이다.

실제로 제약이론을 통해 여러 제약들의 근본원인을 찾고 보면 매우 사소한 문제 즉, 아무도 중요하게 여기지 않는 문제나 모두가 당연하다고 생각하는 문제가 근본원인인 경우가 많다는 것이다.

둘째는 상황과 맥락의 힘이다.

많은 곳에서 선택과 집중에 대해 이야기한다. 하지만 우리의 선택은 얼마나 올바르고 얼마나 일관성이 있는 것일까?

많은 사람들이 자신의 행동이 일관되다고 생각하지만 실제로 그러한 것일까?

많은 사람들이 그렇게 믿고 있지만 사실은 사람은 주변 상황과 맥락에 따라 선택과 행동이 달라지는 것이 사실이다.

그 대표적인 예로 방관자 효과라는 것이 있다.

방관자 효과(傍觀者效果, 영어: bystander effect) 또는 제노비스 신드롬(영어: Genovese syndrome)은 주위에 사람들이 많을수록 어려움에 처한 사람을 돕지 않게 되는 ...


우리가 흔히 머피의 법칙이라고 부르는 것은 위 두가지가 복합적으로 작용하여 발생하는 사건이라고 볼 수 있다.

잘못된 것이라는 것을 알고 있다 하더라도 주변 상황에 따라 묵인하는 경우, 사소한 것에 신경쓰지 못하는 경우 등 많은 경우에 따라 많은 문제들이 계속하여 발생하게 되고 나중에 문제가 커지는 경우 근본 원인을 찾기보다는 현재의 문제에만 집중하게 됨으로써 우리가 정작 인지해야할 중요한 근본원인을 놏치는 경우가 많다.

더 큰 문제는 근본원인을 찾는다고 해도 그 해결방법을 복잡하게 생각함으로써 문제를 다시 발생시키거나 근본원인이 너무 단순하기 때문에 그 원인의 심각성을 깨닫지 못하는 경우라고 볼 수 있다.

2010년을 시작하면서 다시 한번 지난 날동안 우리가 놓치거나 무시했던 사소했던 것들에 대해 다시 한번 생각해 보고 그러한 문제들의 중요성과 심각성에 대해 다시 한번 생각해 보았으면 한다.

우리는 많은 경우 문제들의 원인과 해결책을 항상 복잡하고 먼가 있어 보이는 무엇이라고 생각하는 경우가 많다. 하지만 보이는 것보다 원인과 해결책은 훨씬 단순할 수 있다. 실제로도 그렇다.

올 한해에는 그런 사소한 것을 지나치지 말고 타산지석으로 삼아 할 걸음 더 나아가는 한해가 되었으면 한다.

댓글

  1. trackback from: 결정, 알고리즘
    댄 애리얼리의 TED 강연에서 매우 인상 깊은 차트를 보게 되었다. (댄 애리얼리가 묻습니다. "우리는 결정을 내릴 때 우리 마음대로 하고 있는걸까요?")위 차트는 존슨/골드스턴 논문에서 인용한 것인데 면허시험장에서 조사한 '국가별 장기기증 의사가 있는 사람들의 비율'을 나열하고 있다. 왼쪽에 있는 나라들은 비율이 낮고 오른 쪽은 비율이 높게 나오고 있다. 숫자의 높낮이를 결정하는 것이 무엇이라고 생각하는가? 문화? 종교? 마음의 여유? 아니다..답..

    답글삭제

댓글 쓰기

이 블로그의 인기 게시물

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 ...

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...

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...