기본 콘텐츠로 건너뛰기

자동 수도 꼭지와 LED 스마트 수온링크의 A/S 리뷰

옛날 옛날 한 옛날에 제가 아래 리뷰를 올린 적이 있습니다.

자동 수도 꼭지
https://murianwind.blogspot.com/2015/12/blog-post_23.html

그리고 LED 스마트 수온 링크
https://murianwind.blogspot.com/2018/05/led.html

두 제품 모두 제가 추천했던 제품인지라.. 시간이 흐르고 A/S 리뷰를 하고자 합니다.

왜냐하면 두 제품 모두 치명적인 문제가 있습니다.

바로 신뢰성에 문제가 있습니다. 그리고 회사의 A/S에 대해서도 일부 얘기해 보고자 합니다.

먼저 자동 수도 꼭지

이 제품을 2015년 11월에 구매했는데.. 1년 정도 지난 2016년 12월에 고장이 생겼고 2017년 1월에 유상으로 수리를 받았습니다.

그리고 다시 1년 정도 지난 2018년 1월에 다시 고장이 났습니다.

2018년 3월 고객센터와 통화를 한번 했지만 지금은 그냥 고장이 난 상태로 쓰고 있습니다. 통화 당시 무상으로 수리를 해주겠다고 했지만 수리를 받으려면 수도 꼭지를 분리해서 택배로 보내야 하는데, 이게 그렇게 막 쉽고 그렇지 않습니다. 수도 꼭지 연결 부위가 잘 보이는 집이라면 큰 문제가 없겠지만 저희 집의 경우는 수도 꼭지 연결 부위가 거의 보이지 않기 때문에 거의 손의 감으로 드러 누워서 분리해야 합니다. 분리 이후에는 수리 기간동안 사용할 다른 수도 꼭지를 연결해야 하고 수리가 끝다고 돌아오면 다시 연결하고.. 에휴.. 생각만 해도 너무 갑갑해서 그냥 포기했습니다.

돌이켜서 생각해보면 제가 산 제품은 배터리로 구동하는 제품이었는데 배터리 전원이 모두 소진되고 난 후 고장이 발생한 걸로 보아 수리 받는다 해도 다시 고장날 확률이 너무 높아 보여 그냥 포기했습니다.

중소기업에게 너무 큰걸 바라는 것일 수도 있지만 이런 제품이라면 출장 서비스 정도는 해주었으면 좋겠는데.. 그러지 않으니.. 수리가 쉽지 않습니다.

혹시나 이 제품을 구매하실 분은 A/S가 쉽지 않다는 것과 배터리로 구동되는 제품은 구매하지 마시기 바랍니다.

제 경험으로 내구도가 썩 좋지 않은 것 같습니다. 한번도 아니고 두번이나 고장난 걸로 보아.. 다음에도 고장날 확률이 높아 보입니다.

아래는 현재 제품 상태를 찍은 동영상입니다. 이 제품은 자동과 수동을 전환할 수 있는데, 배터리가 소진된 후 수동으로 전환해서 사용하다가 다시 배터리를 연결했지만 그 뒤로는 자동이 아예 동작하지 않습니다. 새 배터리로 교체해도 센서에 반응조차 없는걸 봐서는 내부 센서와 구동부가 모두 고장나 버린 것 같습니다.


그 다음은 LED 스마트 수온 링크

이 제품은 지난 5월에 구매했는데 8월에 고장이 나서 교환 받았습니다.

그리고 11월 말에다시 고장이 나서 이번에는 그냥 새로 샀습니다.

구매 페이지의 후기에도 자주 고장난다는 리뷰가 꽤 있는 것으로 보아 내구도는 그냥 폭망 수준이라고 보셔도 무방할 듯 합니다.

제 경험으로 대략 3개월 정도의 내구도를 보여주고 있습니다.

현재 제품 판매가가 2만원이 조금 넘으니..

대략 한달에 만원짜리 렌트 서비스라고 생각하시면 되지 않을까 싶습니다.

싼 제품에 너무 많은 걸 기대하는건 무리일지 모르지만 약해도 너무 약합니다.

제가 경험한 고장은 LED가 아예 표시가 되지 않거나 섭씨가 아닌 화씨가 표시되거나 아예 수온 측정이 안되거나 등등 다채롭습니다.

문제가 발생했을 때 딱히 대처할 방법이나 연락할 곳이 마땅치 않은 것도 문제입니다.

품질에 조금만 신경 써주면 좋을텐데 말이죠.

혹시나 구매하실 분은 쉽게 고장이 난다는 부분에 대해 충분히 숙지하시고 구매하시기 바랍니다.

아래는 수온 측정이 아예 되지 않는 경우를 촬영한 것입니다.


둘 다 아이디어는 좋은데 신뢰성이 좀 아쉽습니다. 중소기업이라고 해도 기본적인 품질은 좀 챙겼으면 좋겠습니다. 그리고 사후 A/S에 대한 부분도 어려운 것은 알지만 좀 더 고객 입장에서 고민해 줬으면 하는 마음입니다.

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...

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...