Teaching Agile Requirements Engineering: A Stakeholder Simulation with Generative AI

이 논문은 생성형 AI 를 활용한 이해관계자 시뮬레이션을 통해 학생들이 애자일 요구사항 공학 실무를 습득하고 AI 의 기술적·윤리적 한계를 이해하도록 돕는 교육 방법론을 제시합니다.

핵심

이 논문은 **"생성형 AI(인공지능) 를 이용해 대학생들이 소프트웨어 개발 과정에서 '고객'과 대화하는 법을 배우는 새로운 수업 방식"**에 대한 이야기입니다.

기존의 소프트웨어 공학 수업에서는 학생들이 진짜 고객과 대화하기 어렵거나, 고객이 수업 시간에 항상 옆에 있을 수 없다는 문제가 있었습니다. 이 논문은 그 문제를 해결하기 위해 AI 가 가상의 고객 (페르소나) 이 되어 학생들과 대화하게 만드는 시뮬레이션을 소개합니다.

이 내용을 일상적인 비유와 함께 쉽게 설명해 드릴게요.

---

🎭 1. 수업의 핵심: "AI 가 연기하는 가짜 고객"

상상해 보세요. 학생들이 새로운 공공 서비스 앱을 개발해야 하는 상황입니다. 하지만 진짜 시민들이나 공무원들이 수업 시간에 모두 모일 수는 없죠.

이때 교수님은 **AI(챗봇)**에게 "너는 이제부터 3 가지 다른 시민 역할을 해줘"라고 지시합니다.

• 역할 1: 디지털에 익숙하지 않은 어르신 (접근성 문제 제기)
• 역할 2: 바쁜 직장인 (빠른 처리를 원함)
• 역할 3: 공무원 (규정과 절차에 민감함)

학생들은 이 AI 가 연기하는 가짜 고객들과 인터뷰를 하며 "이 기능이 필요해요", "저건 불편해요"라고 요구사항을 수집합니다. 마치 연극 연습을 하듯이, AI 가 대본 (프롬프트) 에 따라 연기하는 것입니다.

🛠️ 2. 수업의 3 단계 과정 (요리 레시피처럼)

이 수업은 크게 세 단계로 진행됩니다.

1. 재료 찾기 (요구사항 발견):
   학생들은 AI 고객들에게 질문을 던져 "이 앱에 뭐가 필요할까?"를 알아냅니다. 이때 중요한 건, AI 가 무조건 좋은 말만 하는 게 아니라, 때로는 "그건 안 돼요", "전에 실패한 적이 있어요"라고 거부하거나 반박할 수도 있다는 점입니다.

2. 요리하기 (요구사항 정리):
   수집한 정보를 바탕으로 '사용자 스토리'나 '스토리 맵' 같은 개발 문서로 만듭니다.

   • 중요한 교훈: AI 가 바로 문서를 만들어주면 너무 완벽해 보일 수 있습니다. 하지만 학생들은 **"AI 가 만든 게 진짜 쓸모 있을까?"**를 스스로 고민하고, 팀원들과 의논해서 다듬어야 합니다. AI 가 만든 초안을 그대로 쓰면, 실제 개발에 쓸 수 없는 얕은 내용일 수 있기 때문입니다.

3. 식후경 (비판적 성찰):
   가장 중요한 단계입니다. "방금 AI 와 대화했는데, 뭐가 문제였을까?"를 토론합니다.

   • "AI 가 특정 성별이나 장애인을 편견 있게 묘사하지 않았을까?"
   • "AI 가 사실과 다른 거짓말 (할루시네이션) 을 하지 않았을까?"
   • "AI 는 효율성만 쫓아서 인간적인 감정이 부족하지 않았을까?"
     이 과정을 통해 학생들은 AI 의 한계와 윤리적 문제를 깨닫게 됩니다.

⚠️ 3. 저자들이 발견한 '현실적인 문제들'

이 수업을 진행하면서 교수님들은 몇 가지 재미있고 중요한 점을 발견했습니다.

• AI 는 너무 효율적일 수 있어요:
  처음엔 AI 가 사람처럼 자연스럽게 대화하다가, 나중에 AI 를 업데이트하니 너무 직설적이고 효율적으로 변했습니다. "질문하면 바로 답만 주고, 추가 질문은 안 해요." 그래서 학생들은 금방 인터뷰를 끝내고 말았죠. 진짜 인간은 대화할 때 감정을 섞고, 질문을 이어가는데, AI 는 그게 부족할 수 있다는 것을 배운 것입니다.

• AI 가 만든 문서는 '겉만 번지르르'할 수 있어요:
  학생들이 AI 에게 "사용자 스토리를 만들어줘"라고 하면, AI 가 아주 그럴듯한 문장을 만들어냅니다. 하지만 학생들은 그걸 보고 "완벽하다!"라고 생각하다가, 막상 개발하려니 구체적인 기준이 없어서 쓸모없다는 걸 깨닫습니다. AI 는 '생각'을 대신해주지 못한다는 것을 배워야 합니다.

• 데이터 보안과 편견:
  AI 는 학습된 데이터에 있는 편견 (예: 특정 성별이나 인종에 대한 고정관념) 을 그대로 반영할 수 있습니다. 또한, 학생들의 개인정보가 AI 서버로 넘어가는 것에 대한 우려도 있었습니다. 그래서 교수님들은 어떤 AI 도구를 쓰든 상관없이, 학생들 스스로가 '메타 프롬프트(명령어)'를 입력해서 AI 를 조종할 수 있게 시스템을 바꿨습니다.

💡 4. 결론: 왜 이 수업이 중요한가요?

이 수업의 목적은 단순히 "AI 를 잘 쓰는 법"을 가르치는 것이 아닙니다.

"AI 는 훌륭한 조수지만, 마법사는 아니다"

학생들에게 AI 가 만들어준 결과물을 맹신하지 않고, 비판적으로 검토하고, 윤리적 문제를 고민하며, 진짜 인간 고객의 마음을 이해하는 법을 가르치는 것입니다.

마치 요리 학교에서 AI 가 만든 요리를 맛보게 해주는 게 아니라, **"AI 가 만든 재료를 어떻게 요리해야 맛있는 음식이 되는지, 그리고 그 재료가 안전한지 직접 확인하는 법"**을 가르치는 것과 같습니다.

🚀 요약

이 논문은 **"AI 가 연기하는 가짜 고객과 대화하며 소프트웨어를 기획하는 수업"**을 소개합니다. 이를 통해 학생들은 AI 의 편리함을 경험하면서도, AI 의 한계와 편견을 깨닫고, 진짜 인간 중심의 요구사항을 찾는 법을 배웁니다.

기술 요약

논문 요약: 생성형 AI 를 활용한 애자일 요구사항 공학 교육 및 이해관계자 시뮬레이션

1. 문제 제기 (Problem)

• 실무적 도전: 애자일 소프트웨어 개발에서 사용자와 고객의 적극적인 참여는 여전히 지속적인 과제로 남아 있습니다.
• 교육적 필요성: 고등교육 과정에서 학생들은 실제 환경에서 요구사항 공학 (RE) 을 수행할 때 발생하는 이러한 참여의 어려움을 경험해 보지 못하는 경우가 많습니다.
• AI 리터러시 부재: 생성형 AI (GenAI) 의 급격한 발전으로 인해 교육 환경이 변화하고 있지만, 충분한 AI 리터러시와 윤리적 고려 없이 이 기술을 사용할 경우 오용이 발생하거나 기존 가이드라인이 무시되는 문제가 대두되고 있습니다.
• 기존 방법론의 한계: 전통적인 페르소나 (Persona) 기법은 유용하지만, 실제 개발에 적용하기에는 한계가 있으며, GenAI 기반의 '인공 페르소나 (AI Personas)'는 훈련 데이터의 편향성으로 인해 실제 사용자 집단을 완벽하게 반영하지 못할 수 있습니다.

2. 방법론 (Methodology)

저자들은 애자일 요구사항 공학 교육에 GenAI 기반 이해관계자 시뮬레이션을 통합하는 새로운 교수법을 제안하고 적용했습니다.

• 핵심 도구:
  • 메타 프롬프트 (Meta-prompt): 특정 LLM 제공자에 종속되지 않도록 설계된 범용 프롬프트. 이를 통해 ChatGPT 등 다양한 GenAI 툴에서 사전 설정된 'AI 페르소나'를 실행합니다.
  • AI 페르소나: 특정 역할 (예: 공공행정 전문가, 접근성 중심 시민, 파워 유저) 을 수행하도록 프롬프트된 생성형 AI 챗봇.
• 수업 프로세스 (3 단계):
  1. 요구사항 발견 (Requirements Discovery): 학생들은 메타 프롬프트를 입력하여 AI 페르소나와 인터뷰를 진행합니다. 학생들은 요구사항을 elicitation(도출) 하고, 페르소나는 사전 정의된 역할에 따라 답변하거나 저항 (counter-questions) 을 보입니다.
  2. 요구사항 명세 (Requirements Specification): 인터뷰 결과를 바탕으로 애자일 산출물 (유저 스토리, 스토리 맵, 임팩트 맵 등) 을 작성합니다. 이 단계에서는 GenAI 가 생성한 초안을 학생들의 협업과 토론을 통해 정제 (Refinement) 하는 과정이 필수적입니다.
  3. 반성 및 토론 (Reflection): 그룹 토론을 통해 GenAI 의 한계 (할루시네이션, 맥락 상실, 훈련 데이터 편향, 윤리적 문제 등) 와 애자일 실천법의 적용에 대해 비판적으로 성찰합니다.
• 적용 사례: 하노버 응용과학대학교 (Hannover) 의 '요구사항 분석' 모듈 (2024/25 겨울 학기) 에서 디지털 행정 앱 개발 시나리오를 통해 90 분의 워크숍 형태로 적용되었습니다.

3. 주요 기여 (Key Contributions)

• 교육적 프레임워크 제시: GenAI 를 단순히 도구로 사용하는 것을 넘어, AI 의 기술적/윤리적 한계를 이해하고 비판적으로 사고할 수 있도록 설계된 구조화된 교육 모델을 제시했습니다.
• 플랫폼 독립성 확보: 특정 LLM 벤더에 종속되지 않는 '메타 프롬프트' 방식을 도입하여, 다양한 GenAI 도구를 활용하면서도 교육의 일관성을 유지할 수 있음을 입증했습니다.
• 실무 역량 강화: 학생들에게 실제 이해관계자와의 소통, 충돌되는 기대치 관리, 그리고 이를 구조화된 애자일 요구사항으로 변환하는 실전 경험을 제공합니다.
• AI 리터러시 교육 통합: AI 의 편향성 (Bias), 할루시네이션, 데이터 프라이버시 (GDPR, EU AI Act 등) 에 대한 논의를 교육 과정에 자연스럽게 통합했습니다.

4. 결과 및 경험 (Results & Experiences)

• 학습 효과: 학생들은 최신 애자일 실천법 (스토리 매핑, 임팩트 매핑 등) 을 적용하여 요구사항을 도출하고 문서화하는 실전 경험을 쌓았습니다. 동시에 GenAI 의 기술적 한계와 윤리적 문제를 깊이 있게 이해하게 되었습니다.
• 기술적 발견:
  • GenAI 의 한계: 초기에는 GenAI 가 생성한 유저 스토리가 표면적으로 그럴듯해 보였으나, 실제 구현을 위한 '준비 정의 (Definition of Ready)'나 측정 가능한 수용 기준이 부족하여 학생들의 추가 정제가 필요했습니다.
  • 프롬프트 최적화의 역설: 프롬프트를 최적화하여 효율성을 높였을 때, AI 페르소나의 인간적인 상호작용이 줄어들고 질문이 적어지는 등 '인간다움'이 감소하는 현상이 관찰되었습니다.
  • 산출물 생성: 스토리 맵이나 임팩트 맵과 같은 시각적/구조적 산출물은 초보자의 프롬프트 기술로는 GenAI 가 제대로 생성하지 못하거나, 너무 단순한 기능 나열로 변질되는 경향이 있었습니다.
• 교육적 통찰: 학생들은 초기에 요구사항 엔지니어의 역할을 명확히 이해하지 못했으나, 역할 부여를 명확히 하고 GenAI 생성물의 비판적 검토를 강조함으로써 학습 효과가 향상되었습니다.

5. 의의 및 의의 (Significance)

• 교육 패러다임의 전환: 이 연구는 GenAI 를 '대체 도구'가 아닌 '비판적 사고를 유도하는 시뮬레이션 도구'로 재정의합니다.
• 실무 대비성: 실제 현장에서의 이해관계자 참여 부재 문제를 교육 환경에서 해결할 수 있는 안전한 실험 공간을 제공합니다.
• 윤리적 책임감 함양: AI 기술의 맹목적인 수용을 방지하고, 편향성과 윤리적 쟁점을 인지하는 소프트웨어 엔지니어를 양성하는 데 기여합니다.
• 확장 가능성: 이 교수법은 다양한 모듈, 사례 연구, 그리고 다른 소프트웨어 공학 교육 맥락으로 쉽게 확장 및 적용될 수 있는 유연성을 가집니다.

결론적으로, 이 논문은 생성형 AI 를 활용한 이해관계자 시뮬레이션이 고등교육에서 애자일 요구사항 공학을 가르치는 데 있어 매우 효과적이며, 동시에 AI 기술의 본질적인 한계를 이해하는 중요한 교육적 도구임을 입증했습니다.