기본 콘텐츠로 건너뛰기

테스터가 똑똑하게 질문하는 방법 - 단계별 가이드

이 글은 STH 팀 멤버인 Bhumik M 의 글을 번역 요약한 것입니다.

원문은

http://www.softwaretestinghelp.com/how-the-testers-can-ask-questions

에서 보실 수 있습니다.

번역 후 제 블로그에 게시할 수 있는지 물어보았더니.. 전체 게시물을 모두 번역하여 개제할 수 없다고 합니다.

하여 주요 내용만 요약을 했습니다. 요약을 하면서 많은 부분이 의역이 되었으므로 자세한 내용은 꼭 원문을 읽어보시기 바랍니다.

-----

왜 테스터는 질문을 해야 하는가? 그리고 그것은 왜 그렇게 중요한가?

출시 일정과 개발 일정 준수의 압박 또는 불명확한 요구 사항 문서를 기반으로 프로젝트는 진행된다. 이러한 상황에서, 테스터는 여러 가지를 가정하는 경향이 있다. 데이터를 기반으로 결정을 내릴 때 가정은 자연스러운 것이다.

가정, 예제:

에세이 작성 어플리케이션은 저자의이름을 표시해야 한다고 요구사항 문서에 적혀 있다.

테스트 하는 동안, 테스터는 이 같은 에세이에 대해 여러 작가가 있을 수 있으며, 이 에세이의 서로 다른 버전을 유지할 수 있다는 것을 학습했다.

이제 , 이런 상황에서 저자의 이름을 어떻게 표시할 수 있을까?

가정을 기반으로 하는 질문을 아래와 같이 할 수 있다:
  • 여러 저자들이 동시에 에세이를 갱신하면 어떻게 되는가?
  • 같은 이름을 가진 저자가 여러명 있다면?
  • 다른 사람이 제출한 마지막 버전에 저자가 접근하고자 한다면?
테스터가 가정을 만드는 것은 중요하고 어플리케이션에 대해 항상 질문을 해야하는 것은 아니지만, 때로는 '다음에 무엇을, 어떻게, 왜'에 대한 질문을 해야할 수도 있다.

다음에 무엇을, 어떻게, 왜?

단계 1: 조사

호기심 많은 테스터는 예기치 않은 동작을 관찰할 때 조사를 중단하고 조사 결과를 가지고 질문을 만든다.

더 많은 질문에 의한 조사 결과는 올바른 정답을 결정하는 데 실제로 도움이 된다. 

단계 2: 과거 경험 적용

과거에 같은 문제에 직면한 우리 인간의 마음은 즉시 현재의 상황에 적용할 때, 관련 데이터와 그 데이터를 검색해서 더 많은 질문에 대한 방법을 제공한다.

단계3: 데이터 적용

경험이 많은 테스터는 항상 데이터를 분석하고 가능한 패턴에 대하여 질문을 한다.

그러나 테스터는 많은 것을 물어보고 싶어하지만 질문을 하지 않습니다. 다음과 같은 여러가지 이유가 있을 수 있습니다.
  • 끊임없이 계속되는 조사
  • 무엇을 물어야 하는지 알지 못함
  • 의혹에 대한 설명 요구
  • 가정에 대한 해명 요구
  • 전반적인 리스크 평가
  • 의사 결정
그래서 다음 중요한 질문은 '어떻게 질문하는가?' 이다.

어떻게 질문하는가?

질문을 했을 때 최대한의 답변을 얻을 수 있도록 아래와 같은 기술을 적용하는 것이 더 좋다.

똑똑하게 질문하기:
  • 질문 주변을 파고 들어라. 대답은 항상 간단하지 않을 수 있기 때문이다.
  • 들을 수 있도록 준비하고 중단할 필요가 있을때 개입해라.
  • 답을 가정하지 않는다.
  • 유용한 링크 또는 책이나 도움이 되는 다른 소스와 같이 관련된 정보를 많이 요청한다.
  • 당신의 의견을 제시하고 그들의 관점에 관해 질문하라.

질문을 하는 것은 지식의 전체 세계를 열 수 있은 열쇠이다. 호기심을 가지고 지속적으로 질문하는 것은 명확한 설명을 제공하고 테스팅을 더 쉽고 생산적이고 흥미로운 일이 되게 할 것이다.

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...