기본 콘텐츠로 건너뛰기

사용성과 UX - 오류 부재의 궤변

근래에 가장 우리에게 친숙해진 언어를 꼽자면 UX를 꼽을 수 있습니다.

그리고 그 이전에 사용성이라는 것이 있었습니다.

그런데 많은 분들이 사용성과 UX를 동일시 하시는 경우가 있습니다. 결론부터 말하자면 사용성은 UX가 아닙니다. UX가 조금은 더 큰 개념이죠. 사용성은 UX를 구성하는 중요한 요소들 중 하나입니다.

그러면 사용성 테스팅으로 UX를 개선할 수 있을까요?

UX를 이야기 하는 곳에 여러번 나가보고 얘기를 들어보았지만 막상 사용성 테스팅을 이야기하는 것을 많이 듣지 못했습니다.

모두가 UX 개선을 이야기 하지만 그 개선이 정말 개선이 된 것인지에 대한 테스팅은 이야기하지 않습니다.

그 이면에는 사용성 테스팅으로는 UX를 측정할 수도 개선할 수도 없다는 생각이 깔려 있는 것 같습니다.(물론 저 혼자만의 착각일 수도 있겠죠.)

하지만 최근에는 사용성 테스팅도 UX의 발전만큼 많은 부분에서 괄목한만한 발전을 보여주고 있고 몇몇분들께서는 최근의 트렌드를 이끌어 주시는 분들도 계십니다.

지금부터 제가 하는 이야기는 어디까지나 제 개인적인 경험과 생각을 토대로 한 글이므로 딴지는 환영하지만 비방은 사양하겠습니다.

기존의 사용성 테스팅은 목적 중심이었다고 할 수 있습니다.

무슨 이야기인고 하니 사용성 테스팅이 작업 완료 시간, 작업 성공율 과 같은 시험에 의한 데이터를 수집하고 분석해서 그것을 토대로 개선을 이끌어내는 작업이었다고 할 수 있습니다.

하지만 최근의 사용성 테스트는 이러한 기존의 사용성에 더해서 사용자와의 피드백에 좀 더 적극적으로 개입해서 그들의 이야기를 듣고 그 이야기에서 인사이트를 얻고자 하는 방법을 많이 시도하고 있습니다.

이것을 저는 목표 중심의 사용성 테스트라고 부릅니다.

기존에는 제품이 사용자에게 어떤 것을 얼마나 빠르고 간편하게 제공하는 가를 측정하는 것이 사용성 테스팅이였다면 최근의 사용성 테스트는 이것에 더해서 그러한 것들에 대해 사용자가 어떻게 인식하고 어떤 생각을 가지는 가 역시 측정하려는 노력을 많이 하고 있습니다.

예전이 매트릭과 지표 중심의 사용성 테스팅에서 최근에는 좀 더 심리적인 부분에 대한 접근을 더 많이 시도하고 있습니다.

문제는 이러한 접근법은 정량적인 결과로 도출되지 않고 데이터가 정량화되지 못하다 보니 개선 의견에 대한 설득력이 떨어질 수 있다는 것입니다.

물론 지금도 세계 곳곳에서는 이러한 문제점을 극복하고 좀 더 나은 결과를 도출하기 위해 많은 분들이 애쓰고 계시죠.(가장 많이 사용되는 방법은 통계적인 데이터를 제공하는 방법입니다.)

그런데 이러한 사용성과 UX의 차이 그리고 사용성 테스팅의 변화 자체를 바라보면서 문득 든 생각이 오류 부재의 궤변입니다.

오류 부재의 궤변은 오류가 하나도 없는 제품이라도 그것의 품질이 좋다고는 절대 말할 수 없다는 것입니다.

마찬가지로 사용성이 아무리 좋다고 한들 그것이 고객에게 정말 좋은 경험과 상호작용을 갖는지는 여전히 미지수입니다.

어떻게 하면 좀 더 확실하고 간편하게 이러한 것들을 알 수 있을까요? 우리가 만든 제품이 고객에게 어떤 첫인상을 주고 고객은 우리의 제품을 통해 어떤 경험을 하고 어떻게 우리 제품을 사용하고 있는 것인지 그러한 것들을 사용성 테스팅을 통해 미리 예측하고 개선할 수 있을까요?

그러한 질문에 저를 포함한 많은 분들이 도전하고 있습니다. 여러분은 어떤 방법을 가지고 계시나요?

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...