기본 콘텐츠로 건너뛰기

뮤리안은 누구일까요?

트위터에 처음 발을 들인 날은 잘 기억이 나지 않습니다.

http://www.whendidyoujointwitter.com/ 에서는 4월 9일이라고 하지만.. 제가 본격적으로 트위터를 사용하기 시작한 것은 6월 경쯤인것 같습니다.

제가 왜 트위터를 시작하게 되었는지는 잘 기억이 나지 않지만 트위터를 하면서 궁금한 점이 생겼습니다. 그래서 지난 2009년 7월 29일 트위터에 자그마한 설문을 하나 올렸었고 24분의 귀중한 분들이 의견을 주셨습니다.

트위터에 올렸던 설문은 과연 나를 누구라고 생각하느냐? 에 대한 질문으로 트위터에 아무런 정보가 제공되지 않은 상태에서 사람들은 트윗만으로 나를 과연 누구라고 추측하고 있는지에 대한 것을 알고 싶었습니다.

과연 내가 많은 사람들에게 인식되고 싶었던 모습으로 비치고 있는지에 대한 것도 돌아보고 싶었습니다.

결론은 혹시나? 했지만 역시나였습니다.

24 분중 내 정체를 정확히 아는 분은 3분이었습니다. 11분은 모른다고 답하셨습니다. 소개글에 적힌 테스팅 에반젤리스트나 테스팅 컨설턴트로 아시는 분이 8분, 개발자 아니면 공대생 같다는 분도 계셨습니다.

그래서 추가로 저를 follow 하게 된 이유를 물어보았습니다. 8분은 왜 follow 하게 되었는지 정확히 기억하지 못하셨습니다. 소개글이나 프로필 사진이 특이해서 follow 하신 분이 6분, IT 또는 테스팅 분야에 관심이 있으시거나 같은 분야라서 follow 하신 분이 3분, RT 트윗을 통해 follow 하신 분이 2분, 그밖에 게임이나 검색, 동호회, 메일링 리스트 등을 통해 나를 follow 하셨습니다.

2가지 사항을 놓고 보았을 때 대체로 많은 분들이 나를 follow 하실 때 특정한 동기가 없는 듯 했습니다. 그리고 그러다 보니 저에 대해 잘 파악하지 못하고 있었습니다. 머.. 물론 저의 잘못도 있었지만..

그래서 결심하게 되었습니다. 블로그를 다시 시작해보자.. 트윗 만으로는 나의 생각이나 내가 하고 싶은 말은 전달하는데 한계가 있다는 것을 알게 되었으니 우선 내 생각이나 내가 하고 싶은 말은 잘 전달하고 그들의 대답을 귀기울여 들어보기로 결힘했습니다. 이것이 이 블로그를 다시 시작한 계기가 되었습니다.

전 글을 잘 쓰지 못합니다. 생각도 짧습니다. 하지만 이 블로그와 트위터를 통해 좀 더 많은 사람과 대화를 하고 싶습니다. 많은 사람들이 나의 이 외침에 대답을 해주었으면 하는 바램입니다.

마지막으로 저에 대한 간략한 소개를 하고 끝을 맺을까 합니다.

이름: 비밀이라기에는 이미 아시는 분은 다 아시더군요. 하지만 그냥 뮤리안으로 불러주셨으면 좋겠습니다.

나이: 40대 초반.. (아직 젊어요!!)

결혼 했습니다. 그리고 세 아이의 아버지입니다.

술, 담배, 커피 전혀 먹지도 피지도 않습니다. 각종 인스턴스 식품도 별로 안좋아합니다. 좋아하는 것은 아내가 해주는 음식..

그리고 일상에서 항상 우리옷을 입고 다닙니다. 회사에서만 캐쥬얼한 옷을 입습니다.

하는 일은 테스팅에 관련된 모든 일은 다합니다. 프로세스 개선 및 구축, 팀 구축, 매니지먼트, 수행 등등등..

저는 확인한 바로는 국내 유일이자 국내 최초의 테스팅 에반젤리스트입니다. 명함에도 제 직함은 테스팅 에반젤리스트로 적혀 있습니다.

제가 어디서 일하는 지는 당분간 비밀로 하고 있습니다. 국내에서 테스팅에 대해 알고 계시는 분들은 제가 다니는 회사에 대해 다 알고 계십니다. 하지만 제가 아직 제가 다니는 회사의 다른 분들보다 경력이나 지식이 부족해서 괜히 회사에 누가 되지 않을까? 싶습니다. 어느 회사의 누구라기 보다는 테스팅에 대한 열정이 가득한 누구로 기억되고 싶습니다.

그리고 저를 불러주시는 곳이 있으시면 어디든 달려가서 테스팅에 대해 얘기하고 싶습니다.

무료로 코칭을 해드릴 수도 있습니다.

긴 글 읽어주셔서 감사드립니다. 지금까지 뮤리안의 시작하는 글이었습니다.

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...

'자동화 편향'과 '대중적 불신' 을 고려한 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...