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

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...