기본 콘텐츠로 건너뛰기

하나된 조직을 위하여 - 사일로스

사일로스 - 6점
페트릭 렌시오니 지음, 한근태 옮김/위즈덤하우스

얼마전 모 업체에 테스트 조직 구성에 관한 컨설팅을 진행한적이 있습니다.

개인적으로 그 컨설팅은 실패작이었습니다.

고객을 설득하지도 못했고, 도출된 조직 구성안은 기존의 프로세스를 완벽히 대체하거나 조화롭게 어울리지 못하는 반쪽짜리 구성안이 되었습니다.

짧은 컨설팅 경력이지만 테스트 프로세스와 테스트 조직의 구성에 관한 컨설팅을 나가보면 항상 마주치는 것이 정치적인 알력, 각 부서간의 무한 경쟁과 의심입니다.

무언가 변화가 생긴다는 것은 누군가는 무엇인가를 잃는 것이고 누군가는 무엇인가를 얻는 그런 게임으로 많이들 인식합니다.

어떤 회사에서는 부서간의 경쟁력을 높인다고 부서간 경쟁을 부추기기도 합니다.

하지만 그런 조직에서 제가 목격한 것은 끝없는 자원 낭비로 사그라들어가는 패색 짙은 회사의 그림자 뿐이었습니다.

이러한 현상을 우리는 흔히 '사일로스'라고 부릅니다.

이 책은 '사일로스'라 불리는 현상에 대하여 우화를 통해 한 컨설턴트의 고군분투와 그 해결 과정을 모색하는 책입니다.

하지만 마지막 장을 덮으면서 든 느낌은.. 아쉽다라는 느낌입니다.

책에서 제시된 방법은 이미 저도 알고 있는 방법이었고, 이미 실행해본 방법이었습니다.

지금도 끊임없이 시도하고 있고, 성공하기 위해서 노력하고 있는 방법이기도 합니다.

하지만 제 일천한 국내에서의 컨설팅 경험으로 비추자면 책에서 얘기하고 있는 방법은 우리 나라에서는 성공하기 힘듭니다.

인연을 중시하고 서열을 중시하는 문화속에서 자신의 이해 없이 협력을 한다는 것이 말처럼 쉽지 않더라는 것이 제 경험입니다.

특히 큰 조직일수록 같이 일하고, 서로 이해하는 것에 대한 눈에 보이지 않는 알력이 정말 엄청납니다.

제가 아무리 고용된 컨설턴트라고 하더라도 한자리에 모이는 것 자체가 거의 불가능합니다.

서로 이야기 하려 하지 않는 고객을 상대로 사일로스를 없애는 방법은 과연 무엇이 있을까요?

우리 나라에서 컨설턴트의 의견을 겸허히 받아들이고 귀를 기울이며 수용하려고 애쓰는 그런 좋은 고객이 얼마나 있을까요?

몇번의 실패에 의기소침한 제 변명같지만..

책의 내용은 좋지만 국내 실정에서는 크게 와닿지 않는다는 것이 제 느낌입니다.

그래서 개인적으로 이 책에 5점 만점에 3점을 부여합니다.

혹시라도 이런 부서간의 정치적 싸움에 넌덜머리가 나서 어떻게든 해결하고 싶다는 의지가 있으신 분들은 한번쯤 읽어보시면 좋을 것 같습니다.

책 내용은 어렵지 않고 소설처럼 쉽게 읽힙니다.

다만, 어떻게 된 일인지 이책은 절판되었으므로 중고로 구하시거나 도서관에서 보셔야 할 듯 합니다.

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 ...

AI의 UX, 단 5개 문항으로 측정하는 방법: SUXAI

테스트 관리에는 아주 유명한 명언이 있습니다. 어쩌면 이 말은 테스트 관리에서만 유용한 얘기는 아닐거고.. 어쩌면 여러분도 다른 곳에서 들었을 수도 있습니다. "측정할 수 없으면 개선할 수 없다" 지난 글(https://murianwind.blogspot.com/2026/07/ai_01010698011.html)에서 생성형 AI 시대에는 기존의 일반적인 사용성 지표(SUS 등)만으로는 부족하며 정확성, 신뢰성, 설명 가능성, 제어 가능성이라는 AI 에 특화된 품질 특성이 필요하다고 정리해 드린 바 있습니다. 하지만 실무자의 입장에서 항상 부딪히는 현실적인 고민이 있습니다. "이론은 좋은데, 당장 매주 업데이트되는 AI 기능의 UX를 바쁜 현장에서 어떻게 빠르고 정량적으로 측정할 것인가?"라는 점이죠. MeasuringU에서 이에 대한 명확하고 실용적인 해답을 제시하는 후속 아티클을 공개했습니다. 바로 "Streamlined Measurement of the UX of AI"입니다. (출처: MeasuringU - Streamlined Measurement of the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/streamlined-measurement-of-the-ux-of-ai/ Jeff Sauro와 Jim Lewis 박사는 실무 연구자들과 테스터들이 긴 설문이나 복잡한 프레임워크 없이도 AI 제품의 핵심 품질을 빠르게 측정할 수 있도록 SUXAI(Streamlined UX of AI)라는 간소화된 측정 모델을 구축했습니다. 기존에 수많은 문항으로 분산되어 있던 지표들을 통계적 요인 분석을 통해 쥐어짜고 압축하여, 핵심적인 5가지 5점 척 문항 으로 표준화했습니다. SUXAI를 구성하는 5가지 핵심 평가 문항 정확성 (Accuracy): "이 AI가 생성한 결과물은 정확하다." 신뢰성 (Trust/Re...

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...