기본 콘텐츠로 건너뛰기

새로운 도구나 기술은 왜 수용되지 못하는 것일까?

최근 국내에는 때아닌 Agile 바람이 불고 있다.

사실 몇년 전부터 Agile 개발 방법론은 꾸준히 국내 기업들에 도입이 되고 있었지만 올해에는 IBM, MS, HP 모두 Agile 관련 도구들을 시장에 내놓으면서 그 도입 속도에 기름을 붇고 있다.

거기에다 Agile Testing 이라 하며 테스팅 업계마저 Agile 대오에 뛰어든 형국이다.

많은 사람들이 Agile 을 외치고 있지만 실제로 국내에 얼마나 많은 회사들이(팀이나 조직이 아닌 전사적으로) Agile 을 도입하고 있고 얼마나 제대로 실천하고 있는지에 대한 자료는 오리무중이다.

오히려 어떻게 하면 자신의 조직이나 팀에 Agile 을 도입할 수 있을지, 상사와 동료들을 어떻게 하면 설득할 수 있을지 고민하는 사람이 더 많은 듯하다.

Agile은 새롭다. 새로운 방법론이다. 아직까지는..

하지만 Agile 이나 기타 새로운 자동화 도구들이 실제로 조직에 성공적으로 도입되는 경우는 그다지 많지 않다.

왜 그런것일까?

그것은 우리의 문화 자체가 그렇기 때문이다. 이것은 비단 한국의 문제가 아니라 이 세상 어디든 마찬가지인 문제다.

단도직입적으로 말하면 많은 조직이나 회사들은 학습효과라는 것을 수용하지 못하기 때문에 새로운 도구나 기술이 성공적으로 도입되지 못한다고 할 수 있다.

예를 들면, 자동차 조립 공장에 새로운 용접 로봇이 도입되었다고 했을 때, 용접 로봇은 학습이 필요없다. 이미 필요한 모든 것은 프로그래밍되어 있고 설치와 동시에 생산력을 100% 발휘할 수 있다.

그런데, 이것은 제조업의 현실이지 IT 업계의 현실이 아니다. 그런데 많은 사람들은 사람도 로봇과 같은 것이라는 가정을 너무 쉽게 한다.

IT 업계는 사람을 기본으로 하는 산업이고 사람은 로봇과 다르다. 사람은 학습이라는 것이 필요하다. 사람의 생산력이 일정 한계에 도달하기까지는 각 개개인의 능력에 따른 학습곡선이 필요하다.

어느 한 테스트 조직에서 테스트 커버리지 분석기를 단위테스트에 도입하였다면 해당 도구를 배우는데 비용이 든다. 그리고 테스트 커버리지라는 새로운 개념을 배우고 이해해야 하며, 해당 도구가 우리 조직이나 프로세스에 적절한지 살펴보고, 어떻게 적용할지 결정해야 하며, 언제 사용하고 언제 사용하지 말지도 고려해봐야 한다는 것이다.

예전에는 고민하지 않아도 되었던 많은 것들이 추가되면서 당연히 작업속도는 현저하게 느려지게 되어 있다.

이것은 새로운 도구를 도입함으로써 전보다 덜 효율적이고 덜 효과적이 된다는 의미이다.

많은 조직과 회사에서 생산성의 증대와 품질 향상은 해묵은 구호이다. 시대가 변해도 언제나 도달해야만 하는 샹그릴라 정도쯤 되는 곳이다.

그리고 그러한 서방정토에 도달하기 위해서는 새로운 방법론, 새로운 도구를 도입해야만 한다고 수많은 전문가(라 부르고 나는 사기꾼이라 부른다.)들이 입에 침이 마를 날이 없도록 부르짖는다.

하지만 실제로 새로운 방법론, 새로운 도구를 도입한다면 생산성과 품질은 오히려 일순간 퇴행한다.

그리고 많은 조직은 이러한 일시적인 현상을 수용하지 못하고 지레 겁을 먹는다. 이것을 그들은 리스크가 증가하였다고 한다.

회사는 이익 집단이다. 리스크가 증가하고 단기 이익이 감소한다면 새로운 방법론과 도구가 장기적으로 큰 이익을 가져올 수 있다고 하더라도 그걸 수용할 수는 없다.

왜냐하면 그 새로운 방법론과 도구가 정말로 이익을 가져올지 확신할 수 없기 때문이다.

이익을 가져올 수 있다고 해도 그 누구도 그러한 방법론과 도구가 이익을 얼마나 빨리 가져오게 할 수 있는가에 대해 명확하게 답을 할 수 없다는 것이다.

학습곡선은 개인의 능력, 조직의 문화, 상황, 환경등 많은 부분에 대해 영향을 받는다. 그리고 각각의 요소들은 각각의 얼마나 오래라는 질문을 가지게 된다. 영향을 미치는 요소들이 많을 수록 복잡성은 증가하고 결국 그 누구도 새로운 방법론과 도구를 도입함으로써 얼마나 빨리 생산성이 증가하고 품질이 증가하는지 대답할 수 없게 된다.

테스트 커버리지 분석기를 단순히 사용방법만 배우는 것이라면 3~4일 교육만으로도 충분할 수도 있다. 하지만 능숙해지기 위해서는 몇개월 아니 몇년이 걸릴 수도 있다.

그리고 그 기간동안 또다른 도구와 또다른 새로운 개념들과 방법론이 나올 것이다.

결국 우리가 예측할 수 있는 것은 학습곡선이 존재할 뿐 그 기간은 알수 없다는 것이다.

그리고 얼마나 많은 이익을 가져올 것인가에 대해서도 대답을 하기 힘들다.

하지만 아예 답이 없는 것은 아니다. 새로운 방법론이든 새로운 도구이든 우선은 누군가가 이미 그것을 적용하고 사용해 보았기 때문에 시장에 소개되는 것이다.

이미 먼저 가본 사람들에게 도움을 받는다면 대략적인 추정을 할 수도 있다.

다만 도움을 받을 때는 광신도는 피하라고 권하고 싶다. 그저 단순히 자신의 방법론과 도구가 좋다고 열변을 토하는 일부 컨설턴트나 도구 판매상에게 물어보자.

당신의 도구나 방법론을 도입하였을 때 실제로 우리가 어떤 가치를 얻을 수 있는지..

컨설턴트나 도구 판매상은 자원 봉사자나 천사가 아닌 그들도 하나의 이익단체에 소속되어 이익을 창출해야만 하는 사람들이기 때문에 그들은 쉽게 자신들의 방법론이나 도구가 엄청난 이익과 빠른 학습곡선으로 단기에 도입할 수 있다고 주장한다.

그리고 우리의 경영진은 너무 순수하셔서 그런걸 너무 쉽게 믿어버리는 경향이 있다.

마치 공장의 로봇처럼 가져다가 바로 쓸 수 있다는 순진한 생각에 쉽게 젖어버린다.

하지만 진실과 현실은 냉정하다.

이런 딜레마를 극복하기 위한 좋은 방법으로는 무엇이 있을까?

한가지 확실한 것은 새로운 방법론이나 도구는 그 가치가 현실적이어야 하고 조직과 회사가 그 가치를 얻을 때까지 인내심이 큰 회사나 조직이 아니라면 새로운 도구나 기술은 수용되기 힘들다는 것이다.

여러분의 조직과 회사의 인내심은 얼마나 됩니까?

댓글

이 블로그의 인기 게시물

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...

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 ...

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 ...