기본 콘텐츠로 건너뛰기

사용성 테스팅 결과 조작하기 - 리플레밍 효과

여러분 앞에 물이 반 정도 찬 물잔이 놓여있다고 가정해 봅시다.

물이 반 정도 찬 물잔을 바라보면서 어떤 사람은 '이것밖에 없다'고 생각하는 사람도 있겠지만 '아직 이렇게나 남아 있다'고 생각하는 사람도 있을 것입니다.

이 예제는 긍정적 사고와 부정적 사고를 대표하는 유명한 예제 중 하나입니다.

언제나 '아직 이렇게나 남아 있다'라는 긍정적 사고를 해야한다고 강요하는데 사용되는 예제입니다.

하지만 사실 이 예제는 긍정적 사고나 부정적 사고와는 별 상관이 없습니다.

이 예제는 사실 같은 수치라 하더라도 사람에 따라 받아들이는 방식이 달라지는 현상에 대한 예제로 이러한 현상을 '리플레밍 효과'라고 합니다.

위 예제가 긍정적 사고나 부정적 사고와 큰 연관이 없는 것은 물이 반 정도 찬 물잔에 들어있는 물 또는 주변 상황에 따라 우리가 물잔을 인식하는 결과가 아주 크게 바뀌기 때문입니다.

만약 물잔 안에 까나리 액젖이 차 있다면 어떨까요? '아직 이렇게나 많이 남아 있나?'가 될것입니다. 이건 긍정적 사고는 아닐 것입니다.

반며에 물잔 안에 콜라가 차 있다면 어떨까요? '이것밖에 없다'고 생각하게 될 것입니다.

즉, 여러분이 목이 마르거나 그렇지 않을때, 맛있는 물이냐 아니냐에 따라 결과는 엄청나게 달라질 수 있다는 얘기입니다.

비슷한 예로 저희 집은 부동산 광고에는 지하철 역에서 15분 거리에 있다고 적혀 있습니다. 도데체 누구 걸음으로 15분이라는 정보는 어디에도 없습니다. 실제로 지하철역에서 집까지 걸어가보면 족히 30분이 걸립니다. 언덕길, 교통신호 등으로 15분만에 집에 도착하는 것은 거의 불가능에 가깝습니다.(뜀박질 하면 가능할수도 있겠죠.. 하지만.. 도보라고 적혀 있습니다. 광고에는..)

이 도보 15분이라는 광고는 어떤 사람에게는 아파트를 구매하는데 있어서 어떤 문제도 아닐 수 있지만, 어떤 사람에게는 구매를 포기할 아주 큰 원인이 될 수도 있습니다.

이러한 리플레밍 효과는 사용성 테스팅 결과를 작성할 때도 아주 유용하게 적용될 수 있습니다.

바로 주변 상황을 바꾸거나 수치를 살짝 바꿔줌으로 해서 결과를 받아보는 사람에게 아주 큰 영향을 끼칠 수 있다는 얘기입니다.

예를 들어 '가'라는 시제품의 사용성에 대해 10명중 단 3명만 매우 좋다고 답변했습니다.

이후에 사용성을 개선한 '나'라는 시제품에 대하여 동일한 테스트를 수행한 결과 10명중 6명이 좋다고 답변했습니다.

그렇다면 처음에는 30%였던 사용성이 60%로 개선이 되었습니다. 하지만 우리가 인식하기에 60%의 사용성은 그다지 좋은 사용성으로 인식되지 않을 수 있습니다.

그렇다면 배경 상황을 모두 숨기고 단 한문장으로 엄청난 개선 효과가 있는 것처럼 포장할 수 있습니다.

'이번 시제품은 이전 시제품에 비해 무려 200%의 개선효과가 있었습니다.'

라고 적는 것입니다.

많은 사람들은 이런 문장의 배경 상황보다는 200%라는 숫자에 주목하게 됩니다.

이처럼 어떤 사람의 경험과 지식, 그때그때의 상태에 따라 같은 데이터라도 보는 방식이 달라질 수 있습니다.

때문에 사용성 테스팅 뿐만 아니라 어떤 결과에 대한 결과를 제시할 때에는 객관적으로 제시할 수 있도록 노력해야하며, 배경 상황에 대해서도 충분한 데이터를 제공해야 합니다.

물론 결과를 받아보는 사람들도 어떤 숫자 등에 현혹되지 않고 객관적으로 주변 상황을 고려하여 판단할 수 있도록 노력해야합니다.

리플레밍 효과는 잘만 사용한다면 매우 효과적인 수단이지만 잘못 사용한다면 사기에 가까운 아주 좋지 않은 결과를 가져올 수 있습니다.

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...