기본 콘텐츠로 건너뛰기

사람들은 누군가가 그것을 제시해 주기 전까지는 자신이 무엇을 원하는지 모른다

정확한 출처는 알수 없지만 최근에도 사용자에 대해 가장 많이 인용되는 문장이 있다.

'사람들은 누군가가 그것을 제시해 주기 전까지는 자신이 무엇을 원하는지 모른다.'
'사용자는 어리석다.'
'사용자는 뭘 원하는지 모른다.'

등과 같은 내용들이다.

요구사항의 수집, 사용성 테스트, 사용자 리서치 등 많은 곳에서 인용되는 이러한 문장들이 정확히 어디서 시작되었는지는 잘 모르겠다.

혹자는 애플사의 CEO인 스티브잡스를 얘기하는 사람들도 있고(사실 스티브잡스는 이러한 얘기를 한적이 없다고도 한다.) 어떤 사람들은 테렌스 콘란이라는 영국의 디자이너로서 갑부가 된 사람이 말했다고도 합니다.

누가 말했든 위의 문장들이 얘기하는 바는 하나같이 사용자는 자신이 원하는 것을 실제적으로 제시할 수 없다는 것이다.

하지만 개인적으로 이러한 생각은 일부는 맞을수도 있지만 사실상 틀렸다고 생각한다.

아니, 사실은 매우 위험한 발상이라고 생각한다.

왜냐하면 사용자는 왕이자 진실이기 때문이다.

기본적으로 사용자는 자신이 원하는 것과 필요한 것을 이미 알고 있다.

하지만 왜 사용자가 그러한 것을 모르다는 말이 널리 퍼진 것일까?

그것은 사용자 리서치 등을 통해 사용자의 요구를 수집하는 사람들의 방법이 잘못된 것도 있고, 사용자가 전체 제품을 이해하지 못하는 것이 이유가 될 수도 있다.

무슨 얘기인고 하니, 사용자에게 개선사항이나 요구사항을 물어볼때 우리는 흔히 아래와 같이 질문을 한다.

'무엇을 원하시나요?'
'무엇을 개선하면 좋겠습니까?'

하지만 이런 질문들은 근본적인 개선을 유발시키지 못한다. 이런 질문들은 기존의 기능 위에 쓸모없는 볼썽 사나운 기능만을 덕지 덕지 붙이는 결과만을 가져오게 된다.

사용성을 개선하고 뭔가 혁신적인 변화를 꾀하고 싶다면 질문을 아래와 같이 바꿀 필요가 있다.

'불편한 것이 무엇입니까?'
'어떤 부분이 불쾌한 경험을 하게 하였습니까?'

우리가 생각할 때는 두가지 경우의 질문에 사용자들이 같은 답을 할 것 같지만 실제적으로는 다른 대답을 하게 된다.

위의 경우에는 기존의 제품과 기능에서 불편하거나 실제 개선해야할 부분보다 자신이 이해하기에 제품에 더 필요할 것 같은 또는 자신이 필요한 기능을 얘기하게 되고, 아래의 경우에는 실제적으로 제품에 집중하여 답을 하게 된다.

하지만 이 때 한가지 더 염두에 두어야 할 것이 있다.

사용자에게 개선 방법을 묻지 않는 것이다. 왜냐하면 사용자는 눈에 보이지 않는 것에 대해서 특정 부분을 변경할 경우 그 변경이 전체에 어떤 변화를 일으키는지 실제적으로 잘 이해하지 못하기 때문이다.

예를 들어, 우리가 옷을 고를때 옷의 모양, 색깔 등은 바로 그 순간에 변화에 대한 결과를 확인할 수 있다. 아파트를 살 때에도 가구의 배치, 조명의 차이 등에 대한 결과도 시뮬레이션으로 바로 확인할 수 있다.

하지만 소프트웨어는 실제적으로 변경에 대한 영향을 직접 확인할 방법은 사실상 없다고 봐도 무방하다.

하드웨어는 부분부분의 개선이 전체의 개선에 영향을 줄 수 있지만 소프트웨어는 부분부분의 개선이 곧 전체의 개선으로 이어지지 않을 수 있다.

사람들은 누군가가 그것을 제시해 주기 전까지는 자신이 무엇을 원하는지 모를 수 있다. 그것은 어떤 면에서는 분명 사실이다.

하지만 진실로는 사용자는 자신이 진정 원하는 것이 무엇인지 알고 있다. 다만 그것을 표현하지 못할 뿐이다.

예를 들면, 최근의 스마트폰의 확대로 인해 불거지게 된 인터넷 뱅킹을 들 수 있다.

아이폰으로 촉발된 스마트폰의 빠른 보급 이전에 누구도 인터넷 뱅킹에 대한 문제를 제기하지 않았다. 아니 들으려고 하지 않았다.

금융권은 매번 새로운 서비스를 내놓으면서 이것이 사용자가 원하는 것이라고 했다. 누구도 우리에게 무엇이 불편한지 무엇이 우리에게 불쾌한 경험을 하게 했는지 물어보지 않았다.

하지만 사용자들은 이미 지긋지긋한 액티브엑스의 충돌 때문에 브라우저와 운영체제의 여러 문제들에 어려움을 호소했었다.

그것이 사용자가 진정으로 바라는 것이라는 것을 아무도 귀기울여 듣지 않았을 뿐이다.

그런데 아직도 금융권에서는 스마트폰으로 야기된 이러한 변화에 귀를 기울이려고 하지 않는다.

진정 사용자가 원하는 소원, 요구를 파악하고 그것에 근접하게 무엇인가를 만든다는 것은 사용자가 그것을 표현할 수 있도록 도와주는 과정이라고 생각한다.

만약 사용자가 진정 원하는 것을 구현하지 못한다면 소프트웨어에 대한 인식을 바꾸지 못한다면 대한민국의 소프트웨어 산업은 희망이 없다. 어쩌면 정말 일순간에 전부 공멸해버릴지도 모른다.

댓글

  1. trackback from: 엡케알의 생각
    사람들은 누군가가 그것을 제시해 주기 전까지는 자신이 무엇을 원하는지 모른다

    답글삭제
  2. "A lot of times, people don’t know what they want until you show it to them.” — 스티브 잡스, 비즈니스위크, 1998년 5월 25일 인터뷰

    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 ...

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...

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...