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

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...