테스팅 히치하이커를 위한 안내서

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...

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 ...

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 ...

최근 AI가 엔지니어링 생태계 전반을 뒤흔드는 모습을 볼 때마다 깊은 생각을 하게 됩니다. 생산성이 몇 배로 올랐다는 화려한 마케팅 문구 뒤편에서, 실제로 소프트웨어 엔지니어링의 본질과 엔지니어들의 성장 과정이 어떻게 바뀌고 있는지에 대한 경고음이 현장 곳곳에서 들려오기 때문입니다. 최근 InfoQ에 올려진 "AI Disrupts Engineering Progress"라는 기사는 바로 이 지점을 날카롭게 지적하고 있습니다. *(출처: InfoQ - AI Disrupts Engineering Progress)* ( https://www.infoq.com/news/2026/08/AI-disrupts-engineering-progress/ ) 이 아티클의 핵심 메시지는 간단하지만 무겁습니다. AI 도구의 급격한 도입이 단기적으로는 코딩 속도나 산출물의 양을 늘려준 것처럼 보이지만, 장기적으로는 엔지니어링의 진정한 '발전(Progress)'을 저해하고 역설적인 혼란과 병목을 만들어내고 있다는 점입니다. 기사에서는 AI 도구가 엔지니어링 생태계에 미치는 파괴적 영향을 크게 세 가지 관점에서 짚어냅니다.  첫째는 단순한 코드 생성의 증가가 소프트웨어의 복잡도(Complexity)와 유지보수 비용을 폭증시키고 있다는 사실입니다. AI가 1초 만에 쏟아내는 수백 줄의 코드는 당장 눈앞의 기능을 구현해 준 것처럼 보이지만, 전체 아키텍처적 맥락을 고려하지 않은 파편화된 코드들이 쌓이면서 코드베이스의 정돈 상태를 망가뜨리고 있습니다. 그 결과 미래의 엔지니어들이 이를 다듬고 결함을 수정하는 데 더 많은 시간을 허비하게 만드는 역효과를 냅니다. 둘째는 주니어 엔지니어들의 성장 사다리가 파괴되고 있다는 점입니다. 과거 엔지니어들은 디버깅을 하고, 기초적인 코드를 짜고, 치열하게 고민하는 과정 속에서 시스템의 밑바닥 원리를 터득하고 시니어 엔지니어로 성장해 왔습니다. 하지만 이 구체적이고 손때 묻는 작업들을 AI가 대신해 버리면서, 정작 문제 발생 시...

최근 AI 에이전트와 바이브 코딩의 바람을 타고 가장 뜨거운 화두로 떠오른 분야 중 하나가 바로 'AI를 활용한 자동화 테스팅'입니다. 특히 사용성 평가(Usability Testing) 영역에서 "사람 평가자 대신 AI가 사용성 문제를 자동으로 찾아낼 수 있는가?"에 대한 논쟁은 현장의 리더들과 테스터들에게 대단히 흥미로운 관심사입니다. 최근 UX 및 사용성 측정 분야의 권위 있는 기관인 MeasuringU에서 이 질문에 대해 매우 현실적이고 명확한 답을 내려주는 실험 결과를 공개했습니다. 바로 "Does AI Find Real Usability Problems? A Replication"이라는 아티클입니다. (출처: MeasuringU - Does AI Find Real Usability Problems? A Replication / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/does-ai-find-real-usability-problems-a-replication/ 이 글은 AI가 실제 사용성 문제를 발견할 수 있는지에 대한 이전 연구를 다시 엄격하게 재현(Replication)하고 검증한 결과를 다룹니다. 기존의 일부 낙관적인 연구나 마케팅적 주장에서는 AI가 사용자의 사용성 문제를 사람만큼, 혹은 사람보다 잘 찾아낸다고 말하곤 했습니다. 하지만 MeasuringU의 연구진이 동일한 조건에서 통제된 실험을 수행해 보니 매우 흥미롭고 냉정한 결론에 도달했습니다. 실험의 핵심 결론은 AI가 사용성 문제를 '전혀 못 찾는 것'은 아니지만, 사람이 직접 관찰하고 발견해 내는 '진짜 사용성 문제(Real Usability Problems)'와는 질적으로 큰 차이가 있다는 점입니다. AI가 도출해 내는 사용성 문제들을 면밀히 분석해 보면, 실제 사용자가 화면에서 겪는 치명적인 마찰이나 혼란보다는 가이드라인에 기반한 정적 ...

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...