기본 콘텐츠로 건너뛰기

충분히 좋은 테스팅도 중요하지만 좋지 않은 테스팅을 하지 않는 것이 먼저입니다.(Well-being Testing)

결혼을 하고 가정을 꾸리고 아해를 키우다 보니 먹을거리에 관심이 많습니다.

대학 시절 자취를 하고 1년 정도 외국물도 먹다보니 요리 전문가는 아니더라도 먹을거리와 요리에 꽤 관심이 있습니다.

언제부터인가는 웰빙이라는 것도 유행했었죠.

삶이 윤택해지긴 했나봅니다. 저 어렸을때만 해도 먹는 것만으로도 감사했는데.. 요즘은 좋은 음식, 잘 먹는 것에 사람들이 꽤 관심이 많습니다.

하지만 몸에 좋은 음식을 찾아먹는 것만으로는 충분치 않습니다.

사실 몸에 좋은 음식을 찾아먹는다고 해도 그것이 정말 몸에 좋은지는 한번 생각해볼 문제입니다.

우리 주변에는 어설픈 민간요법으로 아무런 논리적 근거도 없이 몸에 좋다는 음식이 꽤 많습니다.

TV를 틀어도 어디 가게를 가더라도 설명만 들어보면 이보다 좋은 음식이 없고 이것만 먹으면 정말 몸이 쑥쑥 건강해질것 같지만 정말 그럴까요?

'과유불급(過猶不及)'이라는 말처럼 아무리 몸에 좋은 음식이라 하도 과하면 탈이 나는 법이고, 잘못 먹으면 그것 또한 위험한 일이겠지요.

그래서 몸에 좋은 음식을 찾는 것보다는 내 몸에 맞는 그런 음식을 골고루 먹는 것이 중요하고 좋지 않은 음식을 피하면 나머지는 저절로 좋은 음식이 되겠지요.

요즘 세상 모든 일이 이와 같지 않은가라는 생각이 들었습니다.

제가 일하고 있는 테스팅도 마찬가지가 아닌가 싶습니다.

많은 사람들이 효과도 좋고 효율도 좋은.. 건들면 우루루 결함들이 쏟아지는 그런 테스트 방법, 한번만 톡하고 건들면 빠라빠밤 테스트가 수행되는 그런 자동화를 찾습니다.

과연 그런게 가능한 걸까요?

물론, 우리 주변에는 저주받은 손이라해서 건들기만 해도 결함을 빵빵 찾아내는 능력좋은 테스터들이 분명 있습니다.

사람들은 그런 테스터들은 도데체 어떻게 테스트를 하길래 저렇게 결함을 잘 찾는 것인지 테스트를 어떻게 하는지에 관심을 가지고 배우려고 안달입니다.

많은 사람들이 생각하는 것을 즐겨하지 않습니다.

그냥 보고 따라하기를 원합니다. 고민없이 그대로 하기만 하면 성과가 나오기를 기대합니다.

자동화 도구만 사오면 먼가 되기를 기대하고, 배우기만 하면 당장 내일부터 결함이 빵빵 잘 발견되기를 기대합니다.

하지만 세상일은 그렇지 아니하고 그런것에 실망한 사람들은 무엇이 문제였는지는 관심이 없고 그 도구, 그 방법이 잘못되었다고 말합니다.

이 세상에는 충분히 좋은 테스팅을 하기 위한 도구, 방법론, 접근법 등이 정말 많습니다.

배워야 할 것도 많고 알아야 할 것도 많은 시절입니다.

하지만 그런 도구를 많이 도입했다고 해서, 그런 방법론이나 접근법을 많이 알고 있다고 해서 좋은 테스트가 되는 것은 아니라고 생각합니다.

중요한 것은 좋은 재료를 가지고 맛있는 음식을 만들어야 하듯이 좋은 도구와 좋은 방법론을 적재적소에 잘 사용하는 것이 중요하다고 봅니다.

그리고 좋지 않은 테스팅은 하지 않는 것이 중요하다고 봅니다.

좋지 않은 테스팅이 무엇이냐고요?

제가 생각하는 좋지 않은 테스팅은 생각하지 않는 테스팅이라고 봅니다.

다른 사람이 준 테스트 케이스, 누군가가 만들어서 건네 준 테스트 케이스만 수행하면 끝이라고 생각하는 테스트

다른 사람이 작성한 명세를 의심하지 않고 믿어버리는 테스트

이런 테스트는 좋지 않다고 생각합니다.

충분히 좋은 테스트란 좋은 테스트 도구, 좋은 테스트 방법론도 중요하지만 더 중요한 것은 정황(맥락, context)를 이해하고 비판하는 자세로 악착같이 물고 늘어지며 진실을 추구하는 테스트라고 생각합니다.

테스터 여러분.. 제발 생각 좀 하고 테스트를 합시다.

지금 당장 힘들고 어렵고 천대받는다 할지라도 우리 자신이 스스로에게 자존감을 가지고 치열하게 고민하고 생각하며 한걸음 나아간다면 좋은 시절이 오지 않을까요?

그냥 시키는 거니까 이렇다고 하니까 그러니까 그런거라고 하지 맙시다.

소프트웨어 개발에서 운용까지 모든 상황에서 발생할 수 있는 위험을 줄이고 미연에 방지하기 위해 테스터가 있는 것이니 제발 치열하게 고민하고 생각하며 테스트를 하면 좋겠습니다.

테스트를 어떻게 하면 잘 할까?에 대한 고민도 중요하지만 이걸 왜 하는지? 무슨 테스트를 해야할지? 우리가 테스트를 하지 않으면 회사와 고객은 무슨 위험을 감수해야할지를 먼저 고민합시다.

테스트를 어떻게 하면 될지는 그 다음이라고 봅니다.

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 ...

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...

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 ...