기본 콘텐츠로 건너뛰기

표준에 대한 단상

요즘 사용성 테스팅 교육과정을 만들면서 시간이 날때마다 ISO에서 관련 표준을 찾고 있습니다.

표준을 찾으면서 문득 표준이란 무엇일까라는 생각이 들었습니다.

최근 아이폰을 기점으로 촉발된 인터넷 뱅킹에서의 액티브 엑스 문제도 긴 연장선상에 보면 표준에 관한 전쟁이라고 할 수도 있습니다.

이전에도 한번 표준에 대한 의견을 썼던 적이 있는데, 제가 항상 생각하는 것은 표준이 과연 필수인가? 선택인가? 에 대한 문제입니다.

여러분은 어떻게 생각하시나요?

실제 대답이야 어떻든 간에 많은 경우 표준은 항상 필수적인 요소로 동작합니다.

하지만 정말로 표준은 필수인것일까요? 표준이라는 것이 항상 이롭고 좋기만 한것일까요?

잘 생각해 보면 꼭 그렇지 않다는 것을 알 수 있습니다.

경우에 따라 다르겠지만 표준이라는 것이 꼭 좋기만 한 것은 아닌 경우도 있습니다.

어떤 경우에는 표준이라는 것이 기술의 발전과 혁신을 지연시키기도 하고 더 나은 기술들이 사장되어버리기도 합니다.

표준이라는 것 자체가 어떤 효과와 효율에 대한 검증과 검토를 통해서 정해진다기 보다는 정치와 군중에 의해서 정해지기 때문에 그럴 것입니다.

특히나 장비 등에 관한 하드웨어의 표준보다 프로세스와 같은 무형의 요소들에 대한 표준은 좀 더 애매모호합니다.

많은 업체들이 ISO 9000 인증이나 CMMI, TMMi와 같은 인증에 매달리는 경우를 많이 볼 수 있습니다.

그러한 인증과 표준들이 과연 경영과 생산성의 혁신을 보장하는 것일까요?

그러한 인증을 얻음으로써 우리가 실제로 얻는 이익과 가치는 무엇일까요?

저는 프로세스와 같은 무형의 요소에 대한 표준은 Best Practice 에 불과하다고 생각합니다.

ISO 9126, ISO 25000, ISO 29119와 같은 표준들은 수많은 기업체들과 전문가들의 경험을 통해 보편타당하고 생각되는 요소들만을 모아 만들어진 Bet Practice 일 뿐, 그것이 강제나 필수가 되어서는 안된다고 생각합니다.

비유로 든다면, 위와 같은 표준은 매실원액이라고 생각합니다.

하지만 웬만한 사람들은 매실원액을 그대로 마시는 경우는 거의 없습니다.

식초원액이라고 생각하더라도 마찬가지입니다.

매실원액이나 식초원액과 같은 것을 사람이 먹기 위해서는 적정량의 물을 섞어주어야 합니다.

즉, 위와 같은 표준을 조직과 회사에 적용하기 위해서는 자신의 조직의 성숙도를 명확히 알고 있어야 할 필요가 있다고 봅니다.

그렇다고 저런 표준이 의미가 없는 것은 아니라고 생각합니다.

그냥 맹물보다 매실원액과 같은 것을 섞어 마시는 물이 더 맛있는 법이니까요.

다만, 3000CC 잔에 물을 가득 담고 매실원액 1방울을 떨어뜨린다고 그 물이 매실차가 되지는 않을 것입니다.

맛있는 매실차가 되기 위해서는 적절한 비율로 맹물과 원액을 섞을 필요가 있습니다.

그렇다면 과연 어느정도의 비율로 섞어야 가장 맛있는 매실차가 되는 것일까요?

가장 맛있는 매실차의 비율을 알아내는 방법은 2가지 정도를 생각해 볼 수 있습니다.

첫번째는 가장 맛있는 비율을 알아낼때까지 몇번이고 만들어 보는 것입니다. 하지만 실제 현장에서 실패를 반복해서 가장 맛있는 비율을 알아내기는 힘든 것이 사실입니다.

그래서 가장 많이 선호하는 방식이 바로 컨설팅을 받는 것입니다.

풍부한 경험을 통해 가장 맛있는 비율을 알고 있는 컨설턴트에게 의뢰해서 배우는 방법이 어떻게 보면 가장 확실하고 간단한 방법처럼 보이는 것은 사실입니다.

하지만 이때 주의해야할 것이 있습니다.

모든 컨설턴트들이 가장 맛있는 비율을 알고 있는 것은 아니라는 것입니다.

어떤 컨설턴트는 3000CC 큰 잔에 매실원액 1방울 떨어뜨려놓고 이것이 매실차라고 부득부득 우기는 컨설턴트가 있습니다.

이런 컨설턴트는 쉽게 알아볼 수 있기 때문에 큰 문제는 없습니다. 회사는 조금의 손해는 보겠지만 계약을 파기하면 되기 때문입니다.

가장 무서운 컨설턴트는 각종 인공착향료를 섞어서 정말로 매실원액을 맛있는 비율로 섞어 만든 매실차가 거의 똑같은 맛을 내는 컨설턴트입니다.

이런 컨설턴트는 매실 원액을 맛있는 비율로 섞어 마셔본 적이 없는 조직이나 회사로서는 알아낼 방법이 거의 없다고 봐도 무방합니다.

이런 컨설턴트를 가려내기 위해서는 조직이나 회사도 컨설팅을 받고자 하는 대상에 대해 열심히 공부하는 방법밖에 없습니다.

그리고 가장 황당한 컨설턴트는 무조건 매실원액을 들이부으려고 하는 컨설턴트입니다. 저는 이런 컨설턴트들을 별로 좋아하지 않습니다.

여러분은 어떻게 생각하시나요? 여러분 조직에 적용하고 있는 표준이나 경영혁신 기법들을 어떻게 적용하고 계신가요?

여러분이 지금 컨설팅을 받고 계시다면 여러분의 컨설턴트는 어떤 컨설턴트인가요?

왜 많은 경우 표준이 강제적으로 필수적으로 적용되어야 한다고 생각하는 걸까요?

왜 표준을 적절하게 변형하여 적용하는 것을 생각하지 못하는 것일까요?

댓글

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...

AI가 만들고 사람이 고친 글, 과연 'AI 생성물'일까? — 무너지는 경계선과 각국의 표기 가이드라인

이미지, 음성, 텍스트를 가리지 않고 생성형 AI의 산출물이 전 세계 디지털 공간에 폭포수처럼 쏟아져 나오고 있습니다. 가짜 뉴스, 딥페이크 오정보, 저작권 침해 등 여러 사회적 문제를 일으키면서, 최근 EU를 비롯한 세계 각국의 규제 기관들이 "AI가 만든 콘텐츠에는 반드시 표시(Labelling)를 하라"는 강제 가이드라인을 잇달아 꺼내 들고 있습니다. 이와 관련해 Smashing Magazine에 비탈리 프리드만(Vitaly Friedman)이 기고한 아티클은 EU의 최신 규제가 실무 인터페이스(UI/UX)에 어떤 변화를 요구하는지 잘 보여줍니다. (출처: Smashing Magazine - New EU Guidelines For AI Labelling / Vitaly Friedman) https://www.smashingmagazine.com/2026/08/eu-guidelines-ai-labelling/ EU AI Act 제50조 투명성 규정에 따르면, 딥페이크나 AI 챗봇 대화, 인간의 검수 없이 AI가 100% 작성한 공공 텍스트 등에는 전용 AI 마크나 암호화된 메타데이터(Watermark)를 반드시 내장해야 합니다. 기존에 서비스들이 유행처럼 쓰던 모호한 '반짝이 아이콘(✨ Sparkles)' 수준으로는 법적 기준을 충족할 수 없게 된 것입니다. 하지만 현장의 개발자, 에디터, 테스터들이 마주한 진짜 혼란은 규제의 유무가 아닙니다. 바로 "도대체 어디까지를 AI가 만들었다고 볼 것이며, 어디서부터를 사람이 만든 것으로 정의할 것인가?"라는 근본적인 경계선의 모호함입니다. 프롬프트 한 줄 던져서 AI가 뽑아낸 초안을 사람이 문장 몇 개 다듬었다면, 이것은 AI 산출물일까요, 인간의 글일까요? AI가 코딩한 1,000줄의 소스 코드를 엔지니어가 한 시간 동안 디버깅하고 검수했다면 이 코드의 주인은 누구일까요? 글로벌 규제 기관들도 이 모호함을 인지하고 명확한 자격 기준을 세우기 위해 격렬한 논의를 ...