기본 콘텐츠로 건너뛰기

테스팅의 목적은 무엇일까요? 가장 중요한 것은 무엇일까요?

소프트웨어 테스팅에서 가장 중요한 것은 무엇일까요?

소프트웨어 테스팅은 왜 하는 걸까요? 목적이 무엇일까요?

ISTQB Foundation Level 에서는 소프트웨어 테스팅의 목적으로 4가지를 얘기하고 있습니다.

1. 결함 발견
2. 결함 예방
3. 의사 결정을 위한 데이터 제공
4. 품질에 대한 자신감 획득

4가지 목적 중 2가지가 결함에 관한 것입니다.

실제로 소프트웨어 테스팅이 무엇이냐 하면 결함을 찾는 것이라 말합니다.

많은 테스터들이 하나라도 더 많은 결함을 찾기 위해 지금 이 순간도 땀을 흘리고 있고 어떻게 하면 적은 금액으로 적은 시간을 들여서 많은 결함을 찾을 수 있을지 연구에 연구를 하고 있습니다.

그런데, 정말 결함을 하나라도 더 찾는것이 정말로 중요할까요?

결함을 하나라도 더 찾는 것이 테스팅의 목적일까요?

결함을 하나라도 더 찾아서 해결하면 정말 소프트웨어의 품질이 좋아지기는 하는걸까요?

얼마전 어느 곳에서 고객이 발견할 수 없는 결함까지 찾아서 해결하는 것이 과연 좋은 것인가? 에 대한 논의를 본적이 있습니다.

과연.. 그러한 결함까지 찾아야 하는 것이 테스팅의 목적이고 우리가 해야할 일인걸까요?

저는 과감하게 아니다라고 얘기하고 싶습니다.

많은 사람들이 테스팅이라고 하면 결함에 집중합니다.

모든 것이 결함에서 시작해서 결함으로 끝납니다.

보고서의 주요 측정 지표도 결함입니다.

그런데, 이렇게 결함만을 추구하다보면 우리가 놓치는 것이 있습니다.

이것은 마치 회중시계를 든 토끼를 이상하다 생각하지 않고 그 토끼를 찾아 엄청난 모험을 벌인 앨리스와 같다고 생각합니다.

우리가 이쁘게 다듬어진 조경수를 볼 때 그것을 멋있다라고 하는 것은 전체적인 모양새와 주변과의 어울림을 보고 멋있다고 합니다.

그 나무에 옹이가 하나도 없고 시들어서 누렇게 된 잎이 하나도 없어야 멋있다고 하지는 않습니다.

ISTQB Foundation Level 에서 얘기하는 테스팅의 7가지 기본 원리 중 저는 2가지에 초점을 맞춰보고 싶습니다.

1. 완벽한 테스팅은 불가능하다.
2. 오류 - 부재의 궤변

모든 결함을 찾는 것은 불가능합니다. 모든 결함을 찾겠다고 하는 것은 무모한 도전이라고 생각합니다.

설사 모든 결함을 다 찾는다고 하더라도.. 그 결함을 모두 해결했다 하더라도 그것을 우리는 품질이 좋은 제품이라고 단정지어서 얘기할 수 없습니다.

저는 테스터가 집중해야할 것은 결함이 아니라고 생각합니다.

물론 결함을 찾는 것은 중요합니다. 하지만 그것보다 더 중요한 것은 소프트웨어를 사용할 사용자라고 생각합니다.

우리가 집중해야 할 것은 사용자와 그 사용자가 소프트웨어를 운용하면서 겪게 될 문제라고 생각합니다.

결함이란 바로 사용자가 실제 소프트웨어를 운용하면서 겪는 문제라고 정의해야 한다고 생각합니다.

전체를 바라보고 거기서 문제를 찾아가는 과정이 중요하다고 생각합니다.

테스터를 처음 시작하는 테스터나 약간 편집광적인 성격을 가지는 테스터들이 하는 가장 빈번한 실수가 결함의 꼬리를 쫓아 또 다른 결함을 찾아 헤메는 것이라고 봅니다.

7가지 원리 중 '결함 집중'의 원리에 따라 발견된 하나의 결함 주변을 탐색하면 더 많은 결함을 발견할 수 있습니다. 그것에 보람과 희열을 느끼는 테스터들도 있습니다.

하지만 한정된 시간과 비용과 인력에서 그렇게 한 곳에만 집중하게 되면 다른 곳은 더욱 더 취약해질 수밖에 없다고 생각합니다.

따라서 테스터라면 좀 더 넓은 시각에서 좀 더 폭 넓게 바라보고 고객을 이해하고 고객의 정황에서 문제를 찾는 과정 그것을 테스팅이라고 생각하고 그것이 우리가 집중해야 할 곳이라고 생각합니다.

결함을 발견하는 것은 중요합니다. 하지만 결함의 꼬리를 쫒아서 뛰지는 말았으면 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...