Sauce Labs AURA — Model Choice는 Sauce Labs가 2026년 8월 19일 발표한 기업용 AI 테스트 기능으로, 테스트 작성과 실행, 실패 진단, self-healing으로 이어지는 AURA의 자동화 흐름에서 조직이 사용할 대규모 언어 모델(Large Language Model, LLM)을 선택할 수 있도록 설계됐다. 핵심은 특정 모델 하나를 테스트 플랫폼에 고정하는 대신 오픈소스, 오픈웨이트, 상용 모델 가운데 기업이 신뢰하는 선택지를 적용하는 BYOM(Bring Your Own Model) 접근이다. GPT가 하나의 텍스트 작업에 여러 모델을 교체해 사용할 수 있게 하듯, Model Choice는 소프트웨어 검증 과정에서 모델 선택과 테스트 운영 체계를 분리해 기술 변화에 대응할 여지를 제공한다. 기존 AI 테스트 도구는 테스트 생성이나 실패 설명을 빠르게 만들 수 있어도 플랫폼이 지정한 모델과 데이터 처리 방식에 종속될 수 있다. 기업이 보안 정책, 규제 준수, 비용, 응답 품질 또는 내부 모델 전략 때문에 다른 모델을 도입하려면 테스트 파이프라인과 거버넌스를 다시 구성해야 하는 문제가 생긴다. Model Choice의 차별점은 모델을 바꾸더라도 동일한 테스트 실행 및 릴리스 검증 체계를 유지하도록 지향한다는 점이다. 즉 모델은 교체 가능한 엔진으로 취급하고, 실제·가상 기기에서 얻은 실행 결과와 운영 오류를 연결하는 검증 흐름은 플랫폼 안에 남긴다. 이를 통해 AI가 제안한 테스트와 수정 사항을 실제 실행 결과로 다시 확인하는 폐쇄형 검증 루프(Closed-loop validation)를 구성할 수 있다. 품질 엔지니어링 관점에서는 새 기능의 요구사항을 기반으로 테스트를 작성한 뒤 실제 또는 가상 기기에서 실행하고, 실패 로그를 AURA로 진단해 불안정한 선택자나 변경된 화면 요소를 self-healing 대상으로 처리하는 흐름에 활용할 수 있다. 같은 테스트 묶음을 서로 다른 LLM 선택 정책 아래에서 운용하면 조직은 테스트 생성 품질과 실패 진단 결과를 비교하면서도 기존 릴리스 게이트를 유지할 수 있다. 다만 지원 모델 목록, 모델별 연결 방식, 평가 지표와 세부 설정값은 제공된 공식 발표 정보만으로 확인되지 않으므로 실제 도입 전 제품 문서 또는 Sauce Labs와의 계약 범위 확인이 필요하다. 생명과학 소프트웨어를 개발하는 조직에서는 실험 장비 제어 앱, 임상 연구용 모바일 인터페이스, 연구 데이터 포털처럼 변경 검증과 추적성이 중요한 제품에 적용할 수 있다. 예를 들어 요구사항에서 회귀 테스트를 생성하고 실제·가상 기기에서 실행한 다음 실패 원인을 진단해 릴리스 승인 자료로 연결할 수 있다. 규제 또는 보안 정책에 따라 승인된 모델을 선택하면서 동일한 검증 절차를 유지할 수 있다는 점은 모델 변경 때마다 테스트 체계를 재구축해야 하는 부담을 줄일 가능성이 있다. 단, 의료기기 소프트웨어 규제 준수나 임상 검증을 자동으로 보장하는 기능은 입력 자료에서 확인되지 않았으며, 최종 승인에는 조직의 독립적인 검토와 검증이 필요하다.

Sauce Labs AURA — Model Choice는 Sauce Labs가 2026년 8월 19일 발표한 기업용 AI 테스트 기능으로, 테스트 작성과 실행, 실패 진단, self-healing으로 이어지는 AURA의 자동화 흐름에서 조직이 사용할 대규모 언어 모델(Large Language Model, LLM)을 선택할 수 있도록 설계됐다. 핵심은 특정 모델 하나를 테스트 플랫폼에 고정하는 대신 오픈소스, 오픈웨이트, 상용 모델 가운데 기업이 신뢰하는 선택지를 적용하는 BYOM(Bring Your Own Model) 접근이다

🔬 실험 장비 제어 앱 회귀 검증: 요구사항에서 테스트를 작성하고 실제·가상 기기에서 실행한 뒤 실패 진단과 self-healing을 적용한다. 승인된 LLM으로 모델 선택 정책을 제한하고 실행 결과를 릴리스 검토에 연결하는 시나리오다.