안녕하세요. 라포랩스 QA Chapter lead 김성아 입니다.
QA 팀이 ‘기획 이후 검증’만 담당하는 조직이라고 생각하시나요?
라포랩스는 조금 다르게 움직입니다.
우리는 QA를 단순한 테스트 역할로 한정하지 않고,
제품의 품질을 시스템 차원에서 설계하고 유지하는 엔지니어링 팀으로 확장하고 있습니다. 오늘은 우리가 어떻게 테스트를 넘어, 품질 그 자체를 구조로 만들어가고 있는지 그 여정을 공유하려 합니다.
QA는 기획이 시작되는 순간부터 함께 합니다.
라포랩스에서 QA는 ‘개발이 끝나고 테스트하는 역할’로만 머물지 않습니다.
스쿼드에서 기획이 시작되는 그 순간부터 함께 논의에 참여합니다.
“이 흐름은 실제 사용자 입장에서 자연스러울까?”
“정책이 모호하게 해석될 여지는 없을까?”
“기존 기능과 충돌할 가능성은?”
이런 질문들은 QA가 가장 먼저 던집니다.
자동화 병목을 빠르게 해결하기 위한 PRD 구조를 실험하고 있습니다.
2025년부터는 PRD의 완성도를 QA가 함께 책임지는 실험단계에 들어갔습니다. PRD가 명확하고 탄탄할수록 이후 자동화와 품질 시스템이 안정적으로 작동하기 때문입니다.
완성된 PRD가 있다고 해서 자동화 시스템이 그대로 이해할 수 있는 건 아닙니다. 그래서 우리는 자동화 가능한 테스트케이스로 전환하기 좋은 구조를 계속 실험하고 있습니다.
Google Sheet, Notion, 그리고 AI 도구들을 활용해 테스트 가능한 요소, 정책 조건, 예외 시나리오를 명시적이고 구조적으로 표현합니다.
✅ 예시
자연어 PRD: “반품 쿠폰은 일부 카테고리에만 적용되지 않음 (예: 패션, 주얼리)”
구조화된 기준:
항목
적용 여부
예외 카테고리
반품 쿠폰
적용
패션, 주얼리
자연어로만 작성된 PRD는 AI가 정확히 해석하기 어렵습니다.
이처럼 명시적인 형태로 재정리해야 자동화 프로세스와 안정적으로 연결됩니다.
우리는 지금도 어떤 구조가 가장 효율적인지 계속 실험 중이며,
향후에는 QA가 없는 스쿼드에서도 일관된 품질 기준이 유지되도록 포맷과 가이드를 정착시키는 것을 목표로 하고 있습니다.
AI가 테스트케이스를 만들고, QA가 다듬습니다.
라포랩스 QA 팀은 AI를 단순한 도구로 보지 않습니다.
AI가 테스트케이스 초안을 만들고, 사람이 품질 맥락을 보완하는 협업 구조를 실험하고 있습니다.
지금은 여러 모델과 접근 방식을 테스트하며 시행착오를 겪는 중이에요.
AI가 우리가 원하는 수준의 품질과 포맷으로 결과를 내기까지는 아직 손이 많이 갑니다.
그럼에도 우리가 그리고 있는 방향은 분명합니다.
PRD를 기반으로 AI가 테스트케이스 초안을 생성하고
QA가 누락된 UX 흐름이나 정책 조건을 보완하며
반복적인 작성 부담은 줄이고, 품질 기준 유지에 집중하는 구조
아직 완전한 자동화 단계는 아니지만,
우리는 AI가 생성하는 테스트케이스의 품질과 문맥 인식력을 높이기 위해 계속 실험 중입니다.
Python+OpenAI API + Playwright MCP 기반 테스트 자동화 실험 중입니다.
우리는 Python을 중심으로 OpenAI API와 Playwright MCP를 결합한 테스트 자동화 환경을 구축하고 있습니다.
자동화 흐름은 아래와 같은 단계로 설계되어 있습니다:
Python이 구글 드라이브에서 테스트케이스를 읽어오고OpenAI API가 각 테스트케이스의 목적과 조건을 해석한 뒤Playwright MCP가 실제 브라우저 상에서 테스트를 수행합니다.실패하거나 미수행된 케이스는 QA가 후속 검토를 진행합니다.
테스트 실행 코드는 이미 완성된 상태이지만
아직은 AI API 호출 비용과 실행 타이밍 최적화와 같은 현실적인 문제를 해결하는 단계입니다.
💰 AI API 비용 최적화와 다양한 AI 모델
AI를 활용한 테스트케이스 생성과 실행은 매우 유용합니다.
하지만 동시에 API 호출 비용이 빠르게 증가한다는 현실적인 한계도 있습니다.
이 문제를 해결하기 위해 다음과 같은 실험을 병행하고 있습니다.
중복 테스트 절차 최소화
테스트 범위의 정밀 타겟팅
테스트케이스 형식 리팩토링으로 호출 횟수 절감
비용 효율이 높은 모델로 전환 시도
단순히 비용을 줄이는 게 아니라, 품질과 효율을 함께 잡는 방향으로 최적화를 진행하고 있습니다.
우리는 다양한 AI 모델을 비교하며
응답 품질, 문맥 이해도, 속도, 비용을 종합적으로 검증하고 있습니다.
정해진 툴을 그대로 사용하는 대신,
우리의 워크플로우에 가장 잘 맞는 조합을 찾기 위한 실험을 반복하고 있습니다.
결국 중요한 건 ‘무엇을 쓰느냐’가 아니라,
‘우리의 품질 구조 안에서 어떻게 쓰이느냐’입니다.
다음 단계에서는 두 가지 고도화 목표를 가지고 있습니다.
실패 케이스를 Slack으로 자동 리포트하고 후속 조치를 안내하는 기능
배포나 PR로그를 분석해 정책 변경 여부와 테스트 충돌 가능성을 자동 감지하는 기능
사람의 판단이 필요한 지점에만 집중합니다.
우리가 설계하는 QA 사이클의 핵심은 단순합니다.
사람이 판단해야 하는 부분에만 사람의 시간을 씁니다.
자동화로 반복적인 업무를 줄이고,
QA는 오로지 제품의 감각적인 품질과 맥락적 판단이 필요한 영역에 집중합니다.
예를 들어 이런 부분들입니다.
UI의 미묘한 변화
사용자가 헷갈릴 수 있는 흐름
정책상 문제는 없지만 경험적으로 어색한 시나리오
복잡한 예외 조합과 경계값
AI가 놓친 케이스의 원인 분석
이렇게 사람의 감각이 필요한 영역을 명확히 정의하고,
그 외의 반복 업무는 자동화로 위임하는 구조를 만들고 있습니다.
그렇게 확보된 QA 리소스는 다시 기획 초기 단계로 되돌아가, PRD 완성도를 높이고 테스트 전략을 설계하는 데 투자합니다.
즉, 우리는 테스트를 줄이는 대신 품질 설계에 더 깊게 관여하는 사이클을 만들고 있습니다.
지금, 라포랩스 QA 사이클은 ‘진화 중’입니다
지금까지 소개한 QA 사이클은 아직 완성되지 않았습니다. 일부는 이미 실현됐고, 일부는 실험 중이며, 나머지는 여전히 설계 중입니다.
2025년 F/W 시즌 안에 이 사이클을 실제 운영 가능한 품질 시스템으로 정착 시키는 것.
그게 지금 라포랩스 QA 팀이 집중하고 있는 목표입니다.
라포랩스 QA 팀이 만들어가고 있는 방향
라포랩스 QA팀은 단순히 테스트를 수행하는 팀이 아닙니다.
제품을 더 빠르고 안정적으로 성장시킬 수 있는 품질 시스템을 설계하는 팀입니다.
우리가 집중하는 건 속도를 늦추지 않으면서도
일관된 품질을 유지할 수 있는 구조를 만드는 것입니다.
변화가 생기면 빠르게 감지하고
자동화와 AI를 능동적으로 활용하며
사람이 판단해야 할 지점을 명확히 구분하고
모두가 신뢰할 수 있는 프로세스 안에서 일하는 환경을 구축합니다.
지금 QA 팀은 이 사이클을 설계하고 문서화하며,
누가 합류해도 바로 품질 흐름에 자연스럽게 참여할 수 있는 시스템을 만들고 있습니다.
우리가 추구하는 건 ‘개인의 숙련도에 기대지 않는 품질’입니다.
품질이 사람의 노력에 의존하지 않고 시스템 안에서 자동으로 유지되는 상태,
그게 우리가 정의하는 다음 단계의 QA입니다
우리는 품질을 ‘테스트’하지 않습니다.
라포랩스 QA 팀은 매일 같은 질문을 던집니다.
“테스트를 더 많이 하는 게 품질을 높이는 일일까?”
우리가 찾은 답은 조금 달랐습니다.
품질은 테스트로 검증하는 게 아니라, 구조로 설계하는 것이다.
그래서 우리는 기획 단계부터 품질을 설계하고,
자동화로 반복을 줄이며,
사람의 판단이 필요한 지점에만 집중하는 사이클을 만들고 있습니다.
빠른 배포와 안정적인 품질,
이 두 가지를 동시에 가능하게 만드는 구조.
“품질을 보장하는 QA가 아니라,
제품의 속도를 가속하는 QA.”
이것이 우리가 매일 실험하고 있는 라포랩스식 품질 엔지니어링입니다.
더 나은 품질 시스템, 더 빠른 제품 팀.
이 여정에 함께할 사람을 기다립니다🙌