John bartz

HTML5 / CSS / UI Design

[향로 @jojoldu]

사내 블로그에 지난 AX 경험기를 정리하려다가, 먼저 초안을 공유하고 그걸 본 분들이 궁금해하시는 내용 위주로 좀 더 보강하자는 생각에 초안을 먼저 공유합니다.
(아직 다 정리된 건 아니에요!)

누적 가입자 수 165만 명, MAU 54만 명의 교육/채용 플랫폼인 인프런/랠릿 서비스를 운영하는 저희는 56명의 팀원이 함께하고 있습니다.
이 안에서 제품 조직은 26명, 운영/사업은 30명으로 운영되고 있으며, 각 제품 스쿼드는 4-6명으로 구성되어 있고, 요즘은 1-4인 스쿼드를 실험적으로 도입 중입니다.

엔지니어링 헤드, 데브옵스 팀장 등 명시적 리더 없이 CTO와 다이렉트로 일하고 있으며, 데브옵스 조직은 제 직속이고 각 스쿼드의 PM 분들이 매니저로서 일하고 있습니다.

AX 전환에 대한 인사이트를 나누는 글들을 보면, 정작 그 인사이트가 어떤 맥락과 환경에서 나온 것인지에 대한 자세한 설명이 부족한 경우가 많다고 느낍니다.
조직마다 규모, 예산, 인프라가 다 다른데 그 전제가 빠지면 좋은 인사이트도 내 상황에 그대로 옮기기 어렵습니다.

저는 오히려 작은 조직일수록 AI 네이티브한 일하는 방식을 훨씬 빠르고 과감하게 실험해 볼 수 있다고 생각합니다.
실제로 그런 실험적인 시도를 앞장서서 보여주는 쪽은 인디해커나 소규모 스타트업인 경우가 많습니다.
다만 그 경험을 300명, 500명, 2,000명 규모의 조직에 옮기려면 조직 구조, 의사결정 방식, 인프라의 복잡도가 달라져서 손봐야 할 지점이 꽤 있을 겁니다.
반대로 큰 조직의 경험을 작은 조직에 그대로 옮기면 과한 프로세스가 되기 쉽습니다.
결국 어느 쪽 경험이든 규모가 다른 조직에 그대로 이식하기는 어렵고, 그만큼 서로의 맥락을 참고하는 게 중요하다고 생각합니다.

사업 규모나 형태도 다를 테고, 보안 레벨도 다르고, 사용할 수 있는 AI 플랜과 할당된 AI 예산도 다르기도 합니다.
(엔터프라이즈 플랜을 쓸 수밖에 없어서 월 15억을 AI 예산으로 잡았는데, 40억 이상이 사용돼 AI 사용에 대해 전체적으로 재점검하는 경우도 있죠.)
구축된 시스템 레벨, 연관된 저장소의 수, 크기, 흩어진 조직 맥락의 크기 등도 서로 너무 다릅니다.

그래서 어떤 조직의 여정이 공유될 때는 항상 그 조직의 맥락도 함께 봐야 한다고 생각하기 때문에 저희의 맥락을 먼저 이야기해 드립니다.
비슷한 조직이시라면 도움이 되실 것 같고, 규모가 다르시다면 참고용으로만 보시면 좋을 것 같습니다.

저희 조직은 AI 도구를 작년 11월부터 본격적으로 사용하기 시작했습니다.
저희 팀의 경험을 돌이켜보면

1. AX를 통해 효율을 증명하더라도, 구체적인 일정 규모 이상의 회사의 성과를 달성했는지는 아직 시간이 필요한 것 같음.
"효율이 좋아진 것"과 "효과가 좋아진 것"은 다른 얘기임.
연매출 100억(거래액 말고 순매출) 이상 규모에서 AX로 50%, 100%, 200% 성장했다는 회사는 주변에서 못 봤음.
이 규모에서 지금까지 증명된 건 "예전 성과를 더 적은 사람으로 낼 수 있다"까지고, "더 큰 성과를 낸다"는 사례는 아직 못 봤음.

2. "A->B->C로 일하면 100의 성과를 낼 수 있다"처럼 어떤 방식으로 하면 어느 정도 성과가 난다는 형식지가 이미 구축되어 있으면, AI가 빠르게 자동화하고 효율을 높이는 데 도움을 줌.
다만 500의 성과를 한 번도 내 본 적 없는 조직이 AI로 500을 내는 건 아직 어려워 보임.
(테슬라 모델 3 사례가 그랬음.
초기에 완전 자동화를 밀어붙였다가 생산이 막혔고, 머스크도 2018년 4월 "과도한 자동화는 실수였다. 인간은 저평가됐다"고 인정함.
이후 로봇이 좌석을 옮기기만 하고 나사 조립과 배선은 사람이 마무리하는 식으로 공정을 다시 나눴음.
머스크가 나중에 정리한 원칙인 "요구사항에 의문을 제기하고, 불필요한 단계를 지우고, 단순화하고, 속도를 높인 다음 마지막에 자동화하라" 도 결국 검증 안 된 프로세스부터 자동화하면 실패한다는 같은 얘기임.)

3. AI로 성과를 더 내기 위해서 관리해야 할 대상은 동기부여임.
의지 없는 팀원에게 AX 하라고 하면 딱 시키는 대로만 AI를 씀.
회사가 정해 놓은 규칙대로만 쓰고, 결과는 책임지지 않음.
리더가 시키는 대로는 다 했으니까.
근데 이러면 AI는 최악의 도구가 됨.
AI는 비결정적 도구라서 세 번, 다섯 번 한다고 원하는 결과가 나온다는 게 보장 안 됨.
즉 능동적인 사람에게는 유효하지만 수동적인 사람에게는 전혀 도움이 안 됨.
회사가 빡빡한 가이드라인을 만들면 결국 구성원들은 그 가이드대로 시키는 대로만 하는데, 원하는 결과가 안 나올 때 더 주도적으로 방법을 바꿔가며 노력해야 하는 게 거의 불가능해짐.
결국 요즘 시대에 리더에게 가장 요구되는 것은 팀원들의 동기부여임.

4. 돈만 내면 누구나 최고급 모델(Fable 5, GPT 5.6 xhigh 등)을 쓸 수 있다면, 조직 간 경쟁력과 해자는 뭐가 될까 고민하게 됨.
잊으면 안 되는 건, 이게 인간 vs AI 경쟁이 아니라 "같은 AI 도구를 쓰는 조직 대 조직" 의 경쟁이라는 점임.
경쟁사도 나랑 똑같은 도구를 쓰는데, 그럼 우리는 뭘로 격차를 벌리고 경쟁력을 키우느냐가 남는 질문임.
같은 도구를 쓴다고 같은 결과물이 나오지 않는다는 건 다들 이미 알고 있음.
결국 예전과 비슷하게, 그 도구를 쓰는 조직 구성원의 역량이 경쟁력이 됨.
조직의 역량은 얼마나 좋은 사람을 채용하고, 얼마나 잘 트레이닝시키고 동기부여하느냐의 문제일 수밖에 없음.
조직의 미션, 비전, 문화, 프로세스가 여전히 강력한 경쟁력이 될 수밖에 없음.

5. 그런데 최근 보면 "돈만 내면 누구나"라는 전제 자체가 흔들리고 있긴 함.
Fable 5 같은 최고급 모델이 정액제에서는 못 쓰고 종량제에서만 쓸 수 있게 바뀌는 중임.
지금까지는 작은 회사가 팀플랜이나 개인 정액제로 거의 무한에 가까운 토큰을 아주 저렴하게 쓰고, 큰 회사는 엔터프라이즈 플랜을 쓸 수밖에 없어서 인당 200-300만 원씩 지원하면서도 개인당 토큰량은 Max 5x에도 못 미치는 경우가 있어서, 오히려 이 영역이 작은 회사가 가지는 경쟁력이였음.
근데 최고급 모델이 정액제에서 빠지면 얘기가 달라짐.
종량제 비용을 감당할 수 있는 회사와 감당하지 못하는 회사로 나뉘게 됨.
즉, 고급 모델을 쓰는 회사 vs 중~저급 모델을 쓰는 회사의 경쟁 구도도 가능함.
이 격차는 더 벌어질 것 같음.
(팀플랜도 결국 종량제로 바뀔까 걱정임.)

우리가 갖고 있는 많은 전제에서 "모델이 계속 발전하는 것" 을 우리 모두가 "충분히 사용" 할 수 있다는 전제위에서 AI 네이티브 논의가 많은데,
우리 회사가 그 좋은 모델을 쓸 수 있는 여력이 있는가,
쓸 수 있다고 해도 얼마나 많이 사용할 수 있느냐,
이에 따라 회사의 운영 방식이 크게 달라짐.

우리가 사용중인 월 $125의 프리미엄 시트, 월 $200의 Max 20x에서는 Fable과 같은 고급 모델을 사용하지 못하고, 대기업 혹은 그에 준하는 큰 투자를 받은 회사들에서는 그걸 적극적으로 쓴다면 무엇으로 경쟁할 것인가? 라는 질문이 남음.

타사보다 낮은 모델을 사용하면서도 타사와 경쟁한다면, 우리는 무엇을 해야 할까? 같은 고민을 시작하게 됨.

[지적 자산]
6. 그동안 팀이 어떤 데이터를 쌓아 왔느냐에 따라 퍼포먼스 차이가 많이 남.
팀 컨벤션 문서가 이미 관리되고 있는지, 테스트 코드를 이미 작성하고 있는지, Jira나 컨플루언스 등에 의사결정 과정을 계속 기록해두고 있는지 등, 팀의 암묵지와 형식지가 얼마나 쌓여 있느냐에 따라 결과가 다름.

7. 회사의 암묵지가 뭔지조차 모르겠다면, 모든 사내 회의를 녹음하는 것부터 시작하면 좋음.
문서로 정리된 것들에는 결과와 후속 액션 정도만 남고, 회사의 진짜 암묵지, 지적 자산은 "의사결정 과정" 그 자체임.
구글의 [아키텍처 결정 레코드](https://t.co/kgL6Ks7ugO)처럼 의사결정 과정 자체를 기록으로 남기는 프레임워크가 있어야 함(여기서 프레임워크는 특정 기술을 의미하는 게 아님).
그때 왜 그런 의사결정을 내렸는지 맥락이 남지 않으면, 조금만 응용된 상황이 와도 성공 경험을 전혀 활용하지 못하고 전혀 다른 의사결정이 나오게 됨.
그러면 AI도 완전히 다른 맥락을 갖게 됨.

8. 녹음 말고 암묵지를 형식지로 만드는 또 다른 방법은, 전담 인력을 그 팀 안에 제대로 밀어 넣고 한 팀으로 일하게 하는 것임.
그 인력이 옆에서 팀원들이 일하는 걸 보면서, AI가 참고할 수 있는 형식지를 계속 뽑아내게 하는 방식임.

[도구]
9. 전사 업무 생산성을 크게 높여준 건 KB(Knowledge Base), 각종 MCP(아틀라시안, 구글 캘린더, 지메일, 빅쿼리, 믹스패널, 데이터독, 깃허브), FDE의 침투(백엔드 엔지니어 한 명이 마케팅 팀 소속의 AX 엔지니어로 옮겨서 일하는 것)였음.

10. AI 도구는 파편화하지 않고 단일 도구로 통일하는 게 좋음. Claude, OpenAI, Gemini 등을 다 같이 쓰게 하기보다는, 전사 AI 도구는 이걸로 간다고 하나를 확정하고 그 안에서 개개인의 노하우를 공유하면 다 같이 효과를 보는 형태로 가야 함.
도구가 파편화되면 노하우도 분산됨.
예전에는 각자 자기한테 가장 잘 맞는 도구를 쓰게 뒀는데, 노하우를 한곳에 모으는 것보다 개개인에게 맞는 도구를 쓰는 게 전체 합이 더 컸기 때문임.
그런데 AI는 가능성과 확장성이 거의 무한대라 한계효용의 법칙이 잘 안 통함.
그래서 수십에서 수백 명이 하나의 도구를 쓰면서 플러그인, 스킬, MCP, 프롬프트 가이드 같은 노하우를 거기에 집중시키는 게, 개개인 입맛에 맞는 도구를 따로 쓰게 하는 것보다 훨씬 나은 조직 성과를 냄.

11. MCP를 연결해도 문서 탐색은 결국 문서 도구의 검색 결과에 의존함.
LLM이 전사 데이터를 다 들고 있는 게 아니라, 우리가 자연어로 질의하면 그걸 문서 도구의 검색 스펙에 맞는 조건으로 바꿔서 대신 호출하는 구조임.
그러니 아무리 데이터를 연결해도, 내가 찾는 그 데이터를 실제로 가져오는 건 LLM 성능보다 문서 도구의 검색 품질이 더 중요함.
그래서 검색 품질이 좋은 도구를 써야 하고, 잘 지원되는 문서 도구에 사내 문서와 데이터를 모아둬야 함(아틀라시안 제품 등).

[인프라]
12. AI 환경에서 가장 안전한 방법은 데이터와 환경을 버전 관리가 되도록 관리하는 것임.
즉 Git을 도입해야 함. 회의록, PRD도 버전관리가 되는 환경에서 작성돼야 함.
AI는 비결정적 도구라 여러 번 작업한다고 항상 더 나은 결과가 나온다는 보장이 없고, 잘못 실행돼서 결과물이 날아가는 경우도 많기 때문임.
git 도입이 어렵다면 최소한 전사 문서 도구만큼은 항상 버전 관리가 되는 걸 써야 함.

13. IaC & GitOps를 꼭 구축하기를 권장함.
GitOps 환경이 되면 개발팀이 인프라팀에 Jira 티켓으로 요청하는 대신 PR로 직접 인프라를 바꾸고 인프라팀은 리뷰만 하면 돼서, 요청 하나하나의 세부 맥락을 인프라팀이 다 짊어지는 부담이 크게 줄어듦.
본인이 Pulumi로 인프라를 직접 수정해보고 테스트 코드를 돌려서 깨지는 게 있는지 확인하고, 인프라 수정이 올라올 때 AI가 리뷰해서 코멘트를 남기는 도구까지 갖춰지고 나면 이런 환경이 주는 심리적 안정감과 속도감은 차이가 큼.
(물론 이건 리소스 설정값 수준의 검증이고, 실제 클라우드 동작까지 확인하려면 별도 통합 테스트가 필요함.)
롤백도 쉬움.
비슷하게 데이터베이스 테이블 관리도 flyway 같은 마이그레이션 도구의 필요성이 예전부터 강조돼 왔지만, 이젠 그게 더 커짐.
버전 관리가 가능한 데이터여야 AI가 의도와 맥락을 이해하고, 혹시 AI가 실수해도 되돌아가서 수정할 수 있음.

[보안]
14. DevSecOps가 대두되듯이 AISecOps도 필요하다고 느낌. DevOps 시대가 오면서 개발과 운영을 함께 보는 문화가 됐는데, 그 안에서 보안팀이 결국 병목이 되는 문제가 있음.
"덮어놓고 안 된다고만 하면 오히려 음지에서 AI를 쓰게 되고, 이게 더 큰 문제를 만듦".
팀의 생산성과 변화는 충분히 주면서 보안도 챙기려면, 보안팀이 AI를 더 잘 이해하거나 AI를 쓰는 사람이 보안을 공부하거나 둘 중 하나는 해야 함.
AI와 보안이 따로 있고 책임이 분리되어 있으면 서로 자기 시야로만 프로세스를 세우게 되는데, 이게 문제를 더 키움.
우리 팀은 원래 데브옵스가 보안을 같이 책임지는 구조라 AI도 이 조직을 중심으로 두고, 데브옵스와 AI와 보안을 한 조직에서 관리함. 편하게 쓰고 싶은 마음과, 최소한 지켜야 할 선이 어디까지인지는 항상 같이 고민할 수밖에 없음.

15. 토큰 비용이 아깝다고 AI 도구를 개인 계정으로 쓰게 해서는 안 됨.
클로드는 팀플랜(150명 이하)에서 정액제로 지원하니까 최대한 이 플랜부터 활용해야 함.
보안팀이 관리하지 못하는 형태로 AI를 쓰게 해서는 안 됨.
MCP를 통한 보안 사고가 너무 많아서 사내에서 화이트리스트로 MCP를 관리해야 하고, 특히 사내 데이터 접근을 AI에 열어줄 거면 절대 개인 계정에 열어두는 방식으로 가면 안 됨.

16. LLM API는 항상 AI Proxy 게이트웨이를 통과하도록 구축해야 함.
기존 API 모니터링은 요청 수(count) 기반으로 이상 패턴을 감지하고 알림을 보내고 추적했는데, AI API는 요청 수가 같아도 토큰 사용량에 따라 비용이 천문학적으로 차이가 날 수 있어서 count만 보는 기존 방식으로는 이 비용 이상을 못 잡음.
그래서 로깅, 알림, 모니터링을 토큰/비용 기준으로 따로 구축해야 하고, 이걸 하려면 중간에 게이트웨이가 필수적임.
구축된 것과 아닌 것의 차이가 큼.
서비스 개발 단계뿐 아니라 실제 서비스에서 나가는 AI 호출도 어디서, 얼마나, 왜 이렇게 나가는지 트래킹해야 함.

17. 구글 워크스페이스 계정이 사내에서 사용하는 서비스들의 Primary 계정이자 권한 단위가 되는 게 맞는 방향인 것 같음.
AI 도구, AWS, 데이터독, 아틀라시안, VPN(Tailscale) 등 대부분은 구글 워크스페이스를 SSO/IdP로 붙일 수 있음.
이후 결국 그 팀원에게 수많은 사내 서비스들의 권한이 어떻게, 어디까지 할당되어 있느냐를 추적/관리하기 위함임.

18. AI를 통해 누구나 자연어로 쉽게 비즈니스, 퍼널 데이터를 보게 만들고 싶다면 계정 단위로 테이블/컬럼 권한 관리가 가능한 도구에 데이터를 모아야 함.
예를 들어 빅쿼리 같은 전문 DW(데이터 웨어하우스) 도구.
단순히 조회용 RDB를 연결하는 방식도 있지만, 개인정보나 민감 정보를 컬럼/계정 단위로 세밀하게 막으려면 계정마다 개별 GRANT를 반복해야 해서 수백 명 규모로는 관리가 너무 복잡함.
조회용 RDB보다 빅쿼리 같은 전문 DW 도구가 유리함.
구글 계정과 바로 통합되고 정책 하나(정책 태그)로 여러 테이블에 걸쳐 컬럼 단위 접근을 관리할 수 있고, 행 단위 보안도 지원함.
DB 테이블, 마케팅 데이터(믹스패널 등), 프로덕트 릴리즈 데이터(서비스 출시 기록, DORA 메트릭 등)가 빅쿼리에 모여있고 계정 단위로 권한 관리까지 되면, MCP로 연결한 뒤 예전부터 이야기하던 "데이터가 흐르는 조직"을 AI의 도움으로 가능하게 할 수 있을 것 같음.
단, 온디맨드 과금은 쿼리가 스캔하는 데이터 크기만큼 부과되는 구조라 로그성 데이터까지 모두 담으면 비용이 늘 수 있음.
정액형(Editions/슬롯 예약) 과금이나 파티셔닝, 클러스터링으로 스캔량을 줄이는 방법을 함께 고려하는 게 좋음.

19. 해커도 AI를 사용하고, AI와 함께하는 해커는 우리가 쓰는 범용 AI보다 더 뛰어나다는 점을 잊으면 안 됨.
데이터독 같은 모니터링 도구를 잘 활용하면, 장애 로그를 AI가 분석해서 문제 해결 코드를 만들고 PR까지 올리는 과정을 자동화할 수 있음.
다만 브라우저나 앱 같은 클라이언트 사이드 에러를 수집하는 SDK를 통해 오히려 공격이 들어오는 경우가 있음.
2026년 6월 공개된 사례가 그런 경우인데, 정확히는 SDK 자체의 결함이 아니라 공개된 에러 수집 키에 조작된 데이터를 주입하고 AI 코딩 에이전트가 MCP를 통해 그걸 신뢰할 수 있는 지시로 착각해서 실행하는 방식임.
(예: https://t.co/LDudG9uPNI)
버그 수정까지 사람 개입 없이 완전 자동화하겠다는 건 둘 중 하나임.
우리 서비스가 해커 입장에서 공격할 만한 가치가 없을 만큼 작거나, 보안팀이 완벽하게 다 막아주고 있거나.
여러 모니터링 도구를 MCP로 연결해서 개발자가 버그를 쉽게 해결하도록 효율화하는 건 좋지만, 사람이 전혀 개입하지 않는 방향으로 완전히 넘어갈 수는 없음.
특히 프론트엔드는 UI 변경이 잦아서 자동화해도 괜찮을 거라 생각하기 쉬운데, 그러다 큰일 날 수 있음.
깃헙 저장소의 시크릿이나 CI 환경 같은 인프라가 백엔드와 프론트엔드로 완전히 격리돼 구현되는 경우가 거의 없어서, 프론트엔드 프로젝트가 오염되면 서비스 전체가 영향을 받을 수 있음.

[안나 @anna_creator00]

유튜브 분석이 어려우신 분들!

라이브위키(https://t.co/19r2H1zctI)를 사용해보세요!

유튜브 링크를 넣으면,
스크립트도 나오고 요약도 해주네요!

스크립트가 너무 많아 읽기 힘들다면,
이런걸 사용해서 읽고 분석하는것도 좋은 것 같아요! 😊

[박사런돈미새 @buddha_for_cash]

[꼭 저장하고 보세요]
흔히 AI를 이용해서 앱을 딸깍 만들 수 있다고 생각하지만
대충 만들면 서버비만 잡아먹는 AI slop, AI 쓰레기만 만들 뿐이다.

남들이 겪은 시행착오를 보면 상당히 도움이 된다.

[angel @angeldot_]

DEJA DE PROMPTEAR. EMPIEZA A LOOPEAR.

Encontré una web que recopila los loops más usados por la comunidad

→ https://t.co/lX59LpOV2r

Los propios creadores de Claude Code lo dicen: el futuro no es promptear, es diseñar loops.

No sabes qué son ni cómo crearlos?

En este articulo te lo explico en detalle👇

[lucas @lucas_flatwhite]

👩🏻‍💻 Claude Fable 5 x Agentic Coding
> Unknowns......

제가 이 아티클을 보고 되게 좋았어요. 좋은 가이드..

왜냐면 Fable 5로 대규모 작업을 할 때, 왜 계획만으로는 부족한지와 실제로 unknowns를 어떻게 빠르게 발견하는지에 대한 학습에 대한 얘기도 같이 있었거든요.

어떤게 우리의 병목으로 작용하고 있을까.

↓

💭 왜 Unknowns가 중요한 걸까요?

프롬프트, 스킬, 컨텍스트 = 이게 바로 Claude에게 주는 지도

Unknowns = 그런데 실제 작업이 일어나는 코드베이스와 현실의 제약

결국 Fable 결과물의 품질은 내가 unknowns를 얼마나 잘 찾아내고 명확히 하는지에 따라 결정됩니다. 저도 많이 느껴요.

중요한건 미리 계획만 세운다고 끝나지 않는다는 점. 구현 중간에 발견되는 unknown도 있고, 때로는 그 unknown 자체가 "사실은 다른 방향으로 풀어야 함!" 이런 신호일 수도 있으니까요.

↓

🗺️ 네 가지 Unknowns 유형

The Rumsfeld Matrix.. 문제를 이렇게 네 가지로 정리해요.

- Known Knowns:
이미 프롬프트에 적힌 것들. 내가 원하는 게 무엇인지 명확히 전달한 부분.

- Known Unknowns:
아직 모르지만, 모른다는 사실은 알고 있는 것들.

- Unknown Knowns:
너무 당연해서 적지 않았지만, 보면 바로 알아차릴 수 있는 것들.

- Unknown Unknowns:
아예 생각조차 못 했던 것들. 얼마나 좋은 결과물이 가능한지조차 모르는 상태.

에이전트 코딩을 잘하는 사람들은 이 unknowns를 상대적으로 적게 가지고 있어요.

동시에 unknowns가 존재한다고 가정하고, 그것을 줄이는 과정을 반복하는 게 바로 에이전트 코딩의 진짜 스킬..

↓

💡 Pre-implementation 단계에서 unknowns 찾기

구현 전에 unknowns를 미리 드러내는 몇 가지 패턴을 얘기합니다.

1. Blind Spot Pass:

"blindspot pass"와 "unknown unknowns"라는 표현을 그대로 써서, 내가 모르는 부분을 Claude가 먼저 찾아주도록 요청하는 방법. 새로운 코드베이스 영역이나 익숙하지 않은 작업을 시작할 때 특히 유용해요.

2. Brainstorm & Prototype:

Unknown Knowns가 많을 때, 여러 방향의 프로토타입을 HTML로 만들어 반응을 보는 방식. 시각적 판단이 필요한 경우 특히 효과적이에요.

3. Interview:

충분히 브레인스토밍을 한 뒤, Claude에게 한 번에 한 질문씩 물어보며 모호함들을 파헤치는 방법. "내 답변이 아키텍처를 바꿀 만한 질문"을 우선순위로 두라고 지시하면 좋아요.

4. Reference:

설명하기 어려운 것은 소스 코드나 실제 모듈을 직접 가리키는 게 가장 정확해요. 다른 언어여도 상관없고, 웹사이트 모듈을 가리키는 것만으로도 Claude가 마크업과 구조를 이해할 수 있어요.

5. Implementation Plan:

구현 계획을 세울 때, 특히 변경 가능성이 높은 부분(데이터 모델, 타입 인터페이스, UX 흐름)을 앞에 배치하고, 기계적인 리팩토링은 뒤로 미루는 방식.

↓

♾️ During & Post implementation

구현 중에도 unknown unknowns는 계속 나타나요.

그래서 Claude에게 임시 implementation-notes.md 파일을 유지하게 해서, 계획에서 벗어난 결정이나 edge case를 기록하게 하는 팁도 공유하고 있어요.

작업이 끝난 후에는..

- Pitch와 explainer 아티팩트를 만들어 팀의 buy-in을 빠르게 얻기

- 변경 사항에 대해 Claude가 quiz를 내게 해서, 내가 정말 이해했는지 확인한 뒤 머지하기

이 모든 과정이 Fable 런치 비디오 편집 같은 새로운 도메인 작업에서도 실제로 어떻게 쓰였는지 구체적인 사례도 함께 보여주고 있네요. 그것도 멋졌어요.

💭

계획만으로는 부족하고, 구현 중에도, 구현 후에도 계속 unknowns를 찾아가는 반복적인 과정이라는 관점이 좋네요.

강력한 모델일수록, 내가 무엇을 모르는지.. 이걸 저렴하게 발견하는 과정이 가장 중요해집니다.

모든 brainstorm, interview, prototype, reference, quiz는..

나중에 토큰 많이 들여 비싸게 고치는 것보다 미리 unknowns를 발견하는 저렴한 방법이겠죠.

결국엔 습관, 실행..

[lucas @lucas_flatwhite]

에이전시.. 업무 방식을 바꿔줄 AI 스페셜리스트

🤖 The Agency
https://t.co/RY3dsXB4iv

엔지니어링, 디자인, 마케팅, 금융, 보안... 등등 굉장히 다양하죠.

제가 좋게 보는건 꾸준히 커밋되는 수개월간 다듬어진 프로젝트라는거예요.

전문화된 AI 에이전트 232개를 모아놓은 대규모 컬렉션이죠.

각 에이전트는 단순한 프롬프트가 아니라, 명확한 페르소나 + 프로세스 + 산출물을 가진 전문성을 가지고 있는데,,

각 에이전트마다 정체성, 미션, 규칙, 산출물, 워크플로우, 성공 지표가 상세히 정의되어 있어요.

그래서 더 전문적이고 일관된 결과를 기대할 수 있죠.

내용만 참고해도 지금 쓰고 계실 Claude Code, Codex 에서도 적용해볼만한 인사이트를 얻을 수 있다고 생각해요.

필요한 에이전트에 대해서 잘 활용해보시길..

[Larus Canus @MrLarus]

🤯用Image2把手机菜品图，改成高端餐饮品牌海报，大片感拉满！

专门拯救随手拍的餐饮店老板，原图再遭，也能变成广告大片！✨

4个餐饮视觉 Before / After案例：
1、支竹焖排骨煲
2、花胶鸡汤
3、古法卤鹅拼盘
4、金汤蟹煲

暗调山水背景+真实质感+蒸汽热感+金字排版…餐饮店摄影自由了！

原图、海报图、提示词在评论区👇

[lucas @lucas_flatwhite]

하나를 뽑으라면 매일 업데이트되는 디자인 영감을 주는 플랫폼 여기!

🖼️ Recent Design
https://t.co/29ymbS7UUw

디자이너, 크리에이터, 프로덕트 빌더라면 누구나 매일 들를 수 밖에 없죠.

X, Dribbble 등에서 가장 최근에 올라온 고품질 디자인 작업만 엄선해 큐레이션함.

Web, Branding, Product, Motion, Illustration, 3D.. 다양한 분야가 매일 업데이트 됨.

자연스레 크리에이터들과 연결될 수 있기도 하구요.

UI/UX 디자이너, 웹 개발자, 프론트엔드 엔지니어, 브랜딩/모션 디자이너, AI × 디자인 워크플로우를 연구하는 사람 등등 모두에게 도움이 되는 곳!

[크롱 @Krongggggg]

오 이거 완전 개꿀이잖아...

개발자를 위한 무료 서비스들.

영상으로 목록 촬영하다가 너무 많아서 나중에는 막 스크롤했어.

일단 사이트를 가봐 정리 너무 잘되어있다.

[lucas @lucas_flatwhite]

앞으로의 엔지니어링 시장에서는 끊임없이 자문해야 함. 진짜로..

Boris가 최근에 "Claude Code & the Future of Engineering" 세션에서 얘기한 것들이 떠오름. 이렇게 조직이 바뀌어가야 함.

모든 구성원은 제너럴리스트.
엔지니어가 직접 프로젝트 범위를 정하고, 매일 사용자와 인터뷰를 하며, 디자인을 하고, 데이터 분석 대시보드까지 직접 구축.

직책에 상관없이 모두가 아이디어를 곧바로 제품으로 구현해내는 빌더의 시대..

그냥 모두가 Member of Technical Staff.
슬랙을 보면 상대방이 엔지니어인지, 디자이너인지, 매니저인지 알 수 없을 정도로 직책이 단순화되어 있음.

이제는 디자이너뿐만 아니라 재무 담당자, 비서실장까지도 에이전트를 활용해 직접 코드를 작성하고 배포함.

직급에 Senior, Principal 같은 수식어를 없애야 구성원들이 잘못된 의견에 맹목적으로 따르지 않고 자유롭게 반론할 수 있는 건강한 문화가 생김.

특정 프로젝트에 4명의 인력이 필요해 보인다면 의도적으로 2명만 투입하고 대신 풍부한 토큰을 쥐여주는 방식.

인력이 부족해진 구성원들은 자연스럽게 업무를 자동화하고 효율화할 방법을 찾아내며, 이는 다음 프로젝트의 비용을 낮추는 효과로 이어짐.

↓

이런 상황에서 그가 얘기한 역할의 변화와 조합이 나타남.

1. Prototyper
완전히 새로운 아이디어를 만들어내는 사람. 수많은 아이디어를 쏟아내지만 대부분은 출시되지 않음.

2. Builder
프로토타입/아이디어를 빠르게 프로덕션급 제품/인프라로 전환하는 사람.

3. Sweeper
UI를 정리하고, 코드와 시스템을 단순화하고, 불필요한 기능을 걷어내고, 성능을 최적화하는 사람.

4. Grower
이미 만들어진 제품을 가지고 반복 개선해서 PMF를 끌어올리는 사람.

5. Maintainer
성숙한 시스템을 책임지고, 규모가 커져도 안전하고 안정적이고 빠르고 효율적으로 유지하는 사람.

지금도 여러 기업, 팀들을 보면 이런 역할의 조합이 나타나는게 느껴짐.

[크롱 @Krongggggg]

저 포함 엑스하시는분들 다 해당됨
30초면 됩니다
잠시 핸드폰을 내려놓고 침대에서 내려와 옆에 있는 벽을 보면서 따라해보세요

[Easycompany @Easycompany333]

Anthropic 工程师用半小时完整讲述如何建立一个完整的自我提高优化的Loop流程

并且使用实际案例验证loop是多么的好用

没有冗余的提示词
没有一轮又一轮的对话

收藏起来

[BMX @bmx_ai13]

GPT Image2

Prompt: Ultra realistic character turnaround sheet of a female barista in her early 40s, displayed as a professional character reference/model sheet on a clean white studio background. The layout includes five views arranged horizontally: face close up, front view, back view, left profile, and right profile. A vertical height measurement scale appears beside each full body view.

The woman has short dark brown hair in a neat pixie cut, light skin, subtle natural wrinkles, soft hazel-green eyes, no makeup, and a calm, neutral expression. She has an average build, standing approximately 5'8" (173 cm) with relaxed posture.

She wears a black long-sleeve button up work shirt with sleeves rolled to the forearms, a dark brown weathered leather/canvas apron with front pockets and waist ties, black slim fit work pants, and black leather work shoes. The clothing shows realistic fabric texture, light wear, wrinkles, and natural folds from everyday café work.

The lighting is soft studio lighting, evenly illuminating every angle with minimal shadows. The image has photorealistic skin texture, highly detailed clothing materials, accurate anatomy, and consistent proportions across all views.

The sheet includes clean typography with labels similar to:
FACE CLOSE UP
FRONT
BACK
LEFT PROFILE
RIGHT PROFILE

In the lower left information panel:

NAME: The Barista
AGE: 40s
HEIGHT: 5'8" / 173
WEIGHT:
GENDER:

Style: AAA game character reference sheet, production ready turnaround, cinematic realism, forensic/model sheet presentation, neutral white background, 8K, ultra detailed, consistent identity across every angle, professional concept art reference.

[크롱 @Krongggggg]

𝕏 Money가 Premium+ 일부 유저 대상으로 미국에서 롤아웃 시작했습니다.

주요 혜택 정리

• 예치금 최대 6% APY 고금리 이자
• 구매 시 3% 캐시백
• X 핸들 각인된 메탈 Visa 데빗카드
• 𝕏 수익(Subscriptions, Tips 등) 자동 입금
• 해외 거래 수수료 0%
• 𝕏 유저 간 즉시 송금
• 급여 직계좌 입금
• 최대 $10M FDIC 보험
• 다양한 곳에서 현금 입금 가능

“앞으로 모든 𝕏 유저에게 확대할 계획”

진짜 everything app으로 가는 길목인가요. 🔥

[lucas @lucas_flatwhite]

많은 사람들이 지나치고 있는데 Vercel 아티클에 담긴 스킬은 결코 지나치면 안됨.

product-design
https://t.co/wJdyzOM4Or

Vercel 제품에서 사용자가 보고, 선택하고, 행동하는 모든 인터페이스를 설계/구현/검토/개선하는 전문적인 스킬이기 때문.

이게 단순한 UI 코딩이 아니라, 제품을 판단하고, 사용자 작업, 상태 설계, 접근성, Geist 컴포넌트 준수, 리뷰 기준까지 체계적으로 정의한 전문가급 제품 디자인 워크플로우 라는 얘기..

스킬 안에 디자인 시스템과 제품 철학이 진하게 녹아있음.

[かし子🍩 @Kashiko_AIart]

ChatGPTのチャットで作れた😳

🏃棒人間モーション生成アプリ

棒人間やカメラを動かして記録、MP4にして出力出来ます。

好きなモーションは「スライディングして立ち上がってドリブルして走り去るモーション追加して」なんて言えば作ってくれます⸜(*˙꒳˙*)⸝

モーションだけじゃなくてオブジェクトも作れる。

ChatGPT Proじゃなくても数分で出来あがりました。(むしろ早いからProじゃない方がいいかも？)

こういうアプリ使ったことないので想像で作ったけど、普段使ってる人ならもっと良いものが作れそうですね👀

プロンプトは長くて貼り付けられなかったんでリプ欄で

[고영혁 (Dylan Ko) @Gonnector]

Anthropic Claude 블로그에 이번 Claude Tag (자기들 말로 중요한 진보라고 이야기하고, 저도 동의) 에 대해 작정하고 쓴 글이 올라왔습니다.

"효과적인 (인간과 협업하는) 에이전트 팀 구축하기"
https://t.co/WLde9nJSN4

AI 와 에이전트에 관심이 깊은 분이라면 숙독을 추천합니다. 혹은 저희 팀이 만든 인포그래픽을 첨부하니 이것으로 핵심 파악하셔도 좋습니다. 원문이 길어서 인포그래픽도 길고, 너무 길면 GPT Images 2.0 조차도 한글 글씨가 깨져서 두 페이지로 나눴습니다. 번호 있으니 순서대로 보세요.

제 글 계속 읽어오신 분들은 아시겠지만, 올해 초부터 이 길을 계속 파오면서 이렇게 될 수밖에 없고 프론티어 모델 공급사들이 이 기반의 프레임웍을 빠르게 직접 제공할 것으로 예상해왔는데, 예상대로 가고 있습니다.

블로그에 공개한 내용을 봐도 그동안 집중해 왔던 역할/페르소나/목표 설정이 역시 틀린 방향이 아니었구나라는 생각을 하게 되네요. 이걸 프론티어 모델 제공사가 직접 챙기니 저는 이제 어떡하냐고 걱정해 주시는 분들께는 걱정해 주셔서 감사드립니다.

하지만 이런 걸 만드는게 제 본업이 아니라 제 본업을 위해서 AI 팀을 셋팅하고 운영하면서 자연스럽게 알아가는 것이라서, 제 때에 필요한 가치를 잘 뽑고 있고, 더불어서 이 방향에 대한 융복합적 이해가 맞는 방향인지에 대한 검증이 되고 있는 셈이라 제 입장에서는 잃을게 없는 상황입니다.

업계 최상의 도구들 기반 위에서, 이 회사들이 직접 깊게 파고들기에는 여러가지로 애매하지만 여전히 중요하고 버티컬과 연관되면서 진짜 도메인 전문가의 입력이 필요한 세세한 부분에 집중하고 있습니다.

좀 다른 이야기인데, 뇌파를 태스크 명령으로 형상화하는 연구가 꽤 진전되고 있는 것으로 알고 있는데, 2~3년 안에 '생각하면 만들어져서 눈앞에 떠 있는' (그게 VR/AR 글래스의 안경면이 됐든 웨어러블 디바이스가 출력하는 홀로그램이 됐든) 것이 현실로 되어도 이상하지 않을 속도입니다.

진짜 지금 속도로 가면 살아 있을 동안 (앞으로 적어도 20년은 더 살겠죠?) 동면 상태로 태양계 밖으로 우주 여행을 하는 것도 기대해 볼만 할 것 같습니다. 어쩌면 워프까지.

결국 무슨 생각을 하느냐가 중요하고, 그게 한 번의 생각이 아니라 chain of thought 이어야 하겠죠.

어찌보면 기술의 발전이 세상을 점점 더 불공평하게 만들어가고 있지 않나 싶습니다. 생각의 힘은 솔직히 후천적인 부분도 있지만 선천적인 부분도 없지 않은데, 이 선천적인 (태어날 때부터 불평등) 부분이 점점 결과에 이어지게 될테니까요.

AI 가 똑똑하니 그걸로 갭을 메꾸면 되는 부분도 없진 않지만, 이 프로세스와 위에서 이야기한 프로세스는 아예 궤를 달리 한다고 봅니다. 그래서 앞으로의 사회는 똑똑한 어린이가 모두에게 베푸는 성향과 자세를 갖게 만드는 것이 중요하지 않나 싶습니다...

#ai #agent #team #ax #career #human #infographic #gonnector

[꿀매 @honeybuzzard0x]

유튜브 할 때 꼭 필요한 핵심만 잘 정리됨!!

유튜브 시작하시는 분들은 꼭 읽어보세요~

[크롱 @Krongggggg]

구글 파이낸스가 드디어 베타 탈출하고 정식출시함.

자연어로 "내 포트폴리오 분석해" 하면 AI가 싹 파악해서 리포트 뱉고, 매일 원하는 타이밍에 금융 브리핑까지 자동 발송.

CSV나 PDF, 심지어 스크린샷만 올려도 포트폴리오 완성 해줌.

구글 검색처럼 "하이닉스 1주도 없으면 어떻게 살아야해 ?" 물어보고 자산상담도 받을수 있음 ㅋㅋㅋ

Android 앱도 나왔고 iOS도 곧 출시 예정

6월 25일에 정식 롤아웃됐으니 관심 있으면 바로 https://t.co/asPK92AhCD 가서 사용해봐.

[LOOPY @VibeEverything]

AI 시대에 변화하는 채용 트렌드 2026 핵심 요약

1. 팀핏(Team Fit) 개념의 확장
이제 팀의 구성원에는 사람뿐만 아니라 AI 에이전트도 포함됨

사람 간의 소통을 넘어, 사람의 협업력과 AI의 활용 능력을
결합한 ‘협업 지능’이 중요한 역량으로 부각되고 있음.

2. AI 리터러시
AI를 얼마나 이해하고 활용해 봤는지가
면접 핵심 질문으로 등장함.

단순히 AI 툴을 쓸 줄 안다는 것만으론 스펙이 되지 않음.
AI를 활용해 프로젝트를 수행하고
결과와 성과를 도출해 본 경험이 중요

AI가 도출한 결과물을 판단하고 검증하려면
스스로 전문성과 판단력이 높아야 함.
따라서 본인의 수준과 역량을 먼저 높이는 것이 중요

3. 업무 해상도
자신의 업무를 세분화해서 어떤 일은 AI에게 맡기고,
어떤 일은 사람이 직접 해야 하는지를 설계할 수 있는
업무 해상도가 중요한 역량으로 꼽힘.

4. 즉투가인(즉시 투입 가능한 인재)⭐️
신입도 이제는 가능성만 보여주는 시대가 아님.

작은 프로젝트라도 직접 설계하고 실행하고
회고한 경험을 쌓아야 함.

인턴십, 개인 프로젝트, 사이드 프로젝트를 통해
개인 포트폴리오를 많이 만들어 두고,
‘바로 투입해도 되는 사람’이라는 근거를 준비해둬야 함.