“모두 AI를 너무 보수적으로 사용하고 있어요!” Claude Code 책임자: “내 방법은 더 야심차요.”

저자: QbitAI

비합리적인 목표를 설정한 다음 모델에게 말하세요: 이것은 매우 합리적입니다!

이는 Claude Code 데스크톱 버전 책임자 Felix Rieseberg가 공유한 AI 사용 팁입니다.

구체적으로 어떻게 해야 할까요?

예를 들어, 웹사이트 로딩 시간을 10초에서 5초로 줄이고 싶다면, 그는 목표를 0.2초로 설정하라고 제안합니다.

모델이 불가능하다고 하나요? 그럼 계속해서 말하세요: 이 문제는 완전히 해결할 수 있습니다. 다시 시도해 보세요.

Felix의 관점에서, 우리는 AI에게 과제를 부여할 때 좀 더 대담해질 수 있습니다.

그는 또한 하나의 팁을 공유했습니다: 과제의 명사를 동사로 바꾸세요.

예를 들어, 원래의 과제가 "보고서 PPT 작성"이라면, 다음과 같이 다시 표현할 수 있습니다:

30분 안에 바쁜 사람들에게 사건의 전후 관계에 대한 당신의 설명을 설득하고, 상황이 불확실할 때 결정을 내리게 하세요.

목표를 의도적으로 공격적으로 설정하는 것 외에도, 그는 몇 가지 구체적인 방법을 제시했습니다:

• AI에게 "전문가처럼 생각하라"고 하지 마세요. 그 다음에 질문하세요: 진정한 전문가는 어떤 원자료를 보고, 어떤 도구를 사용하며, 어떤 방법을 채택할지, 그리고 이러한 요구 사항을 과제에 포함시키세요.

• 자신의 판단을 직접 답으로 삼지 마세요. 그것을 AI에게 검증하게 하고, AI가 원자료로 돌아가서 그것을 뒷받침하는 증거와 그것을 반박할 수 있는 반례를 찾게 하세요.

• AI가 스스로 점수를 매기게 하지 마세요. 코드는 실제로 실행되고, 예측 결과는 새로운 데이터로 검증하며, 최종적으로 실제 결과가 말하게 하세요.

다음은 Felix가 Claude를 사용하는 방법에 대한 자세한 튜토리얼입니다. 수정되었습니다.

즐기세요～

AI를 사용하여 우리는 더 야심차게 나아갈 수 있습니다

저는 Claude 팀에서 일하고 있습니다.

이 일의 흥미로운 점은 거의 매일 Claude 덕분에 어떤 일이 이루어졌다는 소식을 듣는다는 것입니다------심지어 Claude가 독립적으로 완료한 경우도 있습니다.

어떤 일은 제가 전혀 생각하지 못했던 것이고, 어떤 일은 제가 불가능하다고 느꼈던 것입니다; 또 어떤 일은 단순히 제가 그렇게 궁금하지도 않았고, 시도할 시간을 내지 않았던 것입니다.

이번 달에 Claude가 새로운 행성을 발견하는 데 도움을 주었을지도 모릅니다; 저는 진정으로 좋아하는 AI 음악 비디오를 처음 보았습니다; 우리는 심지어 수학의 새로운 시대가 다가오고 있는지에 대해 논의하기 시작했습니다.

모델의 각 능력은 동시에 발전하지 않습니다. 타오 제하오가 말했듯이, 그것들은 "어떤 방향에서는 놀랍고, 다른 방향에서는 여전히 부족합니다."

어떤 사람들은 이미 모델의 놀라운 능력을 다루는 법을 배웠고, 마치 정말로 날아오르는 것처럼 보입니다. 제가 직접 만든 제품을 통해 그들이 그러한 높이에 도달하는 것을 보는 것은 정말 매력적입니다.

더 많은 사람들은 여전히 이 새로운 날개를 잘 활용하는 방법을 모색하고 있습니다. 그들은 여전히 고민하고 있습니다: "프랑스의 수도는 어디인가?" 또는 "이 이메일의 어조를 좀 더 부드럽게 바꿀 수 있을까?" 외에 AI가 무엇을 할 수 있을까요?

저와 많은 AI 종사자들은 자주 이렇게 말합니다: AI를 사용하여 더 야심차게 나아가야 합니다.

이 말은 거의 우리의 행동 구호가 되었습니다. 놀라운 결과를 볼 때마다 우리는 그것을 공유하며, "우리는 아직 충분히 야심차지 않습니다."라는 말을 덧붙입니다.

저는 이 말을 하는 것은 쉽지만, 실제로 실행하기는 어렵다는 것을 알고 있습니다. 그래서 여기 "어떻게 더 야심차게 나아갈 것인가"에 대한 튜토리얼이 있습니다.

저는 야심을 네 가지로 나누었습니다: 속도, 높이, 깊이, 그리고 넓이.

△AI 생성

속도: 더 적은 시간으로 동일한 작업을 완료합니다. 이것은 AI가 경제적 가치를 창출하는 가장 기본적인 방법입니다.

예를 들어, 같은 코드를 작성하는 경우 Claude의 도움으로 더 빨리 완료할 수 있습니다. 이러한 사용법은 이미 상당히 성숙해졌고, 더 복잡한 사용 방식을 고민할 필요가 없으므로 여기서는 생략하겠습니다.

높이: 작업의 추상적 수준을 높이고, 최종적으로 달성하고자 하는 결과에 집중하며, 구체적인 작업 하나하나에 집중하지 않습니다.

깊이: 최고의 전문가처럼 작업을 생각하고, 데이터, 도구 및 문제의 근본에 더 깊이 파고듭니다.

넓이: 여러 분야에서 문제 해결의 아이디어를 찾고, 평소에 접하지 않는 지식, 도구 및 방법도 활용합니다.

비록 저는 주로 Claude를 사용하지만, 이러한 제안은 특정 모델에 국한되지 않습니다.

높이: 모델이 더 높은 추상적 수준에서 작업하도록 하기

우리는 종종 이러한 방법을 "모델이 더 높은 추상적 수준에서 작업하도록 하기"라고 부릅니다. 모델에게 작업을 지시할 때, 사실상 당신이 예상 결과를 달성하는 최적의 구상을 실행하고 있는 것입니다.

더 높은 차원에서 생각하고 싶다면, 스스로에게 물어보세요------다음에 당신이 원하는 것은 무엇인가요? 목표 뒤에 숨겨진 목표는 무엇인가요?

작년 초, 저는 Claude에게 단일 프로그램의 충돌 문제를 수정하도록 요청했지만, 이후에는 우리의 애플리케이션이 항상 충돌 없이 실행되도록 보장해 달라고 직접 요청했습니다.

일상적인 사무 작업을 살펴보겠습니다* (솔직히 말하자면, 약간 지루할 수도 있습니다) *.

예를 들어, 당신이 Acme 회사에서 분기 비즈니스 리뷰(QBR)를 위한 PPT를 준비해야 한다고 가정해 보겠습니다. Claude에게 많은 데이터를 주면, 그는 기꺼이 도와줄 것입니다; 아마도 당신은 이미 템플릿을 가지고 있을 것이고, 그는 단지 내용을 채우기만 하면 됩니다.

이것은 새로운 행성을 발견하는 것과는 비교할 수 없습니다. 하지만 분기 보고서를 작성하는 것과 같은 작업에서 AI가 무엇을 할 수 있을까요? 가장 기본적인 요구 사항에서 시작하여 야망을 한 단계씩 높일 수 있습니다:

△AI 생성

첫 번째 단계, 비즈니스에서 무슨 일이 일어났는지 이해하게 하세요.

대부분의 리뷰는 다음 질문에 답해야 합니다: 이번 분기에 어떤 변화가 있었나요? 왜 그런가요? 다음에는 무엇을 해야 하나요?

템플릿의 숫자만 업데이트하고 싶다면, 그 충동을 억제하세요------가능한 한 많은 데이터를 모델에게 제공하여 그가 당신의 비즈니스를 진정으로 이해하도록 하고, 그에게 물어보세요:

이번 분기에 어떤 변화가 있었는지, 왜 그런 일이 발생했는지, 그리고 우리가 어떤 조치를 취해야 하는지 말해 주세요.

두 번째 단계, 그가 내릴 결정을 찾아내게 하세요.

회의는------최소한 좋은 회의는------이상적으로는 특정 결정을 내리는 것으로 끝나야 합니다. Claude에게 이렇게 물어볼 수 있습니다:

당신이 알고 있는 모든 상황을 바탕으로, 현재 가장 시급한 세 가지 결정을 판단하고, 가능한 행동 방향에 대한 분석을 펼치며, 각각의 찬반 이유를 나열하세요.

세 번째 단계, 그가 이 작업 메커니즘을 재설계하게 하세요.

이전에는 분기 비즈니스 리뷰를 잘 수행하기 위해 인간이 데이터를 세심하게 선별하고, 데이터의 의미를 이해하며, 비즈니스 조정이 필요한지를 판단해야 했습니다.

이제 Claude에게 이렇게 물어볼 수 있습니다:

리뷰의 의미는 경영진이 문제를 조기에 발견하고, 자금과 인력을 적절한 곳에 배치하는 것입니다.

분기 PPT보다 더 나은 구현 방식을 설계해 주세요. 우리의 역사적 데이터를 사용하여 어떤 문제를 더 일찍 발견할 수 있었는지를 증명하고, 기존 방법과 병행하여 한 분기 동안 실행되도록 하세요.

당신이 실제로 특정 최종 결과를 추구하고 있다면, 목표 수준을 높이는 방법이 가장 효과적입니다; 그러나 창작 관련 작업에 대해서는 그 적합성이 상대적으로 제한적입니다.

좋은 판단 신호는: 당신이 하고 있는 일이 이후에 회의에서 논의해야 한다면, 목표를 한 단계 더 높이는 것이 가치가 있다는 것입니다.

물론, 현재에도 한계가 존재합니다------최소한 2026년까지는 대부분의 기업에게 "Claude, 돈을 벌어라"라고 말하는 것만으로는 일이 자동으로 돌아가게 할 수는 없는 것 같습니다.

하지만, 제가 전반적으로 관찰한 것은: 능력이 향상됨에 따라 모델이 점점 더 높은 추상적 수준에서 작업할 수 있는 것 같습니다.

목표 수준을 높이는 것은 사람들이 지속 가능한 운영을 찾고, 인간의 지속적인 개입 없이도 작업 흐름을 유지할 수 있도록 도와줍니다. 이를 통해 모델에게 새로운 작업을 하나하나 할당할 필요가 없습니다.

이 일을 잘 수행하기 위해서는 종종 기존 작업 흐름을 변경해야 합니다.

예를 들어, Claude가 우리의 애플리케이션이 충돌하지 않도록 보장하기 위해서는 먼저 충돌 보고서를 쉽게 얻고, 각 애플리케이션 버전이 어떤 Git 커밋에 해당하는지를 이해하며, Windows, macOS 및 Linux 컴퓨터에 대한 접근 권한을 부여해야 합니다. 그래야만 그는 문제를 독립적으로 재현하고, 수정이 효과적인지를 검증할 수 있습니다.

깊이: 최고의 전문가의 방법으로 문제를 철저히 파악하기

때때로, 당신은 단순히 한 작업이 특별히 잘 완료되기를 원합니다.

"깊이"에서 더 야심차게 나아가는 것은 모델이 이 분야의 가장 뛰어난 전문가들이 사용하는 도구, 기술, 매체 및 지식을 활용하도록 촉진하고, 지속적으로 추가하는 것입니다------전문가들조차도 당신의 결과에서 새로운 것을 배울 수 있도록 말입니다.

Acme 회사의 분기 비즈니스 리뷰를 계속 살펴보겠습니다. 이 회사가 사용자 이탈 문제에 직면해 있다고 가정해 보겠습니다. 즉, 고객이 시간이 지남에 따라 계속 떠나고 있습니다.

나는 아래 몇 가지 방법을 결합하여 사용하는 것이 매우 유용하다는 것을 발견했다:

△AI 생성

업계 최고의 전문가들이 사용하는 도구를 고수하라

모델에게 "전문가처럼 작업하라"고 요청할 때, 그것은 종종 전문 용어만 바꾼 것이고 실제 방법은 변하지 않는다.

문제를 깊이 연구하려면 최고의 데이터 과학자와 통계학자들이 사용하는 도구를 사용해야 한다. Claude가 Markdown 표를 가져가려고 할 때, 데이터베이스와 통계 모델로 변경하도록 고수하라.

전문가들이 무엇을 사용할지 미리 알 필요는 없다------Claude는 보통 알고 있다.

"비합리적인" 목표를 설정하고 모델에게 그것들이 매우 합리적이라고 알려라

웹사이트 로딩 시간을 10초에서 5초로 줄이고 싶나? 0.2초를 직접 요구하라.

모델이 어떤 일이 불가능하다고 생각하나? 그 문제는 완전히 해결할 수 있다고 강조하고, 계속 시도해야 한다고 알려라.

△AI 생성

이미 정해진 결론에 도전하라

특히 비즈니스 분야에서는 우리가 사실이라고 믿는 많은 것들이 현실에 대한 대략적인 근사치일 뿐이다.

모델이 원본 정보와 데이터를 접하게 하고, 그 가설을 의심하는 태도로 검증하라.

예를 들어:

우리는 사용자 이탈이 신규 사용자 유도 단계의 문제라고 생각한다. 원본 데이터에서 이 결론을 재현해 보라.

새로운 지식을 찾아라

이 단계는 "기존 인식을 도전하라"는 단계 뒤에 쉽게 이어질 수 있다------Claude가 이미 데이터 내부를 깊이 파고들었으니, 계속해서 맹점을 찾도록 요구하라:

우리의 로그를 기반으로 고객 시뮬레이션 모델을 구축하여 지난 1년의 상황을 재현하라. 그리고 우리가 아직 알지 못하는, 사용자 이탈을 가장 먼저 예고하는 신호를 찾아내고, 그것을 Claude가 보지 못한 데이터로 예측 능력을 검증하라.

외부 평가를 도입하라

모델이 스스로 자신을 평가하게 하지 마라.

모델의 지능이 계속 향상됨에 따라 이 문제는 결국 해결될 것이라고 생각하지만, 2026년 10월까지는 외부 검증을 고수할 것을 강력히 권장한다.

이상적으로 검증 방법은 모델이 스스로 실행할 수 있고 즉시 피드백을 받을 수 있는 도구여야 한다.

아래의 간단한 프롬프트는 나에게 자주 도움이 된다:

나는 이 작업을 더 깊이 있게 수행하고 싶지, 작업 범위를 확장하고 싶지 않다. 작업을 재작성하기 전에, 먼저 네 가지 일을 완료하라:

이 분야의 최고 전문가들이 어떤 일을 할 것인지 설명하라, 그리고 내가 아직 이러한 요구를 제기하지 않았다.

그들이 어떤 가장 원시적인 자료에서 시작할 것인지 나열하라, 이미 나를 위해 정리하고 소화한 내용을 직접 사용하지 말고.

그들이 사용할 구체적인 방법과 도구를 나열하라.

너와 나 외에 결과가 올바르다는 것을 증명할 수 있는 것이 무엇인지 설명하라.

그런 다음, 내 프롬프트를 재작성하여 이러한 요구를 정확하게 포함시켜라.

△AI 생성

폭넓음: 다른 분야의 방법도 활용하라

"폭넓음"에서 더 야심차게, 다른 분야의 시각으로 자신의 작업을 검토하라.

관련된 분야는 과거보다 더 많을 수 있다, 왜냐하면 과거에는 그렇게 하는 것이 비용 면에서 종종 비효율적이었기 때문이다.

이 생각은 새롭지 않다. 거의 모든 고수들이 팀을 구성하는 영화의 처음 30분은 다양한 배경과 각기 다른 장점을 가진 사람들을 모으는 데 할애된다.

AI 제품이 다중 에이전트 시스템을 점점 더 쉽게 운영할 수 있게 하면서------여러 스레드, 조정자, 또는 직접 서브 에이전트를 사용하는 방식으로, Claude에게 다른 분야의 사고를 도입하게 하면 종종 매우 흥미로운 결과를 가져오는 것을 발견했다.

실제로 실행하는 것은 쉽지 않으며, 창의력을 발휘해야 한다.

동료 Alex Albert가 Blender를 사용하여 실내 디자인을 렌더링하는 것을 보기 전까지는 Claude를 사용하여 내 홈페이지에 3D 환경을 만드는 것을 생각해본 적이 없었다.

내가 이전에 비디오 게임을 만들었던 것을 아는가!

하지만, 이것이 내가 가장 자주 놀라운 결과를 보는 부분이기도 하다.

구체적으로 어떻게 해야 할까? 나는 아래의 방법들을 사용할 것이다.

명사를 동사로 바꿔보라

이는 Tom Kelley와 Jonathan Littman이 《혁신의 기술》에서 언급한 오래된 방법이다.

분기별 리뷰의 목적은 단순히 "PPT 한 장"을 만드는 것이 아니다. 당신이 해야 할 일은:

30분 안에 바쁜 사람들로 하여금 사건의 전후 관계에 대한 설명을 믿게 하고, 불확실한 상황에서 결정을 내리게 하는 것이다.

동사로 작업을 설명하면 나와 Claude가 어떤 분야가 독특하고 유용한 시각을 제공할 수 있는지 더 쉽게 파악할 수 있다.

△AI 생성

분야를 초월한 팀을 구성하라

이 PPT가 놀랍지 않으면 외계인이 지구를 폭파할 것이라고 가정해 보라. 인류는 어떤 팀을 소집할 것인가?

최종 품질을 보장하기 위해, 나는 분석가, 기자, 편집자를 찾을 것이다.

현장 발표가 필요하다면, 아마도 모션 디자이너와 오디오 디자이너도 찾아야 할 것이다.

전문적으로 오류를 찾아내는 "레드 팀"을 도입하는 것도 도움이 될 수 있다면, 회의론자와 법무 회계사도 추가로 찾아라.

하지만, 이러한 접근은 쉽게 역할 놀이로 변질될 수 있다. 결과적으로 당신과 모델의 대화가 더 이상해질 뿐, 실제 결과는 개선되지 않는다.

이 방법을 사용하여 유용한 분야와 기술을 찾아야 한다. 모델이 회의론자가 투자 대상을 연구하는 방법으로 조사를 진행하게 하는 것이, 그러한 역할을 작성하게 하는 것보다 더 의미가 있다.

앞서 소개한 모든 방법은 모델이 조작할 수 있는 컴퓨터를 가지고 있어야 하며, 소프트웨어를 설치하고 다양한 관련 데이터에 접근할 수 있어야 한다. MCP 커넥터를 통해서든 다른 방법으로든 말이다.

현재 이러한 조건을 제공할 수 있는 도구가 많이 있으니, 하나를 선택하여 사용하길 권장한다.

자기 효능감: 사람도 자신의 능력에 대한 판단을 업데이트해야 한다

이상으로 "어떻게 더 야심차게"에 대한 구체적인 조언을 마친다.

조금 더 시간을 내어 이 문제를 논의할 필요가 있다고 생각한다.

인간은 항상 자신의 판단에 의해 제한을 받는다: 우리는 무엇이 가능하고 무엇이 불가능한지를 판단한다. 더 문제는, 우리는 보통 매우 좁은 분야에서만 성과를 낼 수 있다고 생각한다.

미켈란젤로가 시스티나 성당을 위해 그림을 그리기를 원하지 않았던 것은 유명한 예이다. 그는 자신이 조각가라고 생각했고 화가의 정체성에 대한 인식이 부족했다.

△프란시스코·고야의 《비행의 방식》(A Way of Flying)

【프란시스코·고야는 스페인 역사상 가장 위대한 화가 중 한 명으로, 낭만주의 회화의 선구자로 여겨지며 고전 대가와 현대 예술을 연결하는 중요한 인물이다】

"야망"이라는 문제를 연구하면서, 나는 심리학에서 관련된 개념인 자기 효능감에 대해 알게 되었다.

간단히 말해, 자기 효능감이 높은 사람은 자신의 능력을 더 믿으며, 따라서 더 많은 일을 성취할 수 있다.

자기 효능감은 몇 가지 방법으로 향상될 수 있다는 증거가 있다.

로크와 레이섬은 35년간의 목표 설정 연구를 정리하여 명확한 결론을 도출했다: 명확하고 도전적인 목표를 부여받은 사람은 "최선을 다하라"는 지시를 받은 사람보다 더 나은 성과를 낸다.

Stripe의 창립자 패트릭 콜리슨은 "Fast"라는 목록을 유지하며, 인류가 대담한 목표와 긴급한 기한 아래에서 어떤 일을 성취했는지를 기록하고 있다.

아래는 충분히 기록된 몇 가지 방법이다.

어려운 일이 가능하다고 믿어라

1939년, 조지 단치그는 버클리에서 통계 수업에 늦었다.

그는 칠판에 적힌 두 문제를 베껴서 숙제라고 생각하고 자신의 해답을 제출했다.

실제로 그것은 통계학에서 아직 해결되지 않은 두 문제였다.

다른 사람이 해내는 것을 보고 어려운 일을 완수하라

수십 년 동안 인류는 1마일을 4분 이내에 달리는 것을 시도해왔다.

1954년 5월, 로저 배니스터가 이 경계를 돌파했다. 그러나 "전 세계에서 그가 유일하게 4분 이내에 달린" 상황은 단 46일 동안만 지속되었다.

달리기에 관심이 있다면, 마라톤의 2시간 경계에서도 유사한 일이 발생하고 있음을 알 수 있다.

올해 4월, 사바스티안 사웨가 런던에서 공식 대회에서 최초로 2시간 이내의 마라톤 기록을 세웠다. 같은 경기의 준우승자도 2시간 이내에 달렸다.

【두 시간 마라톤 장벽 : 마라톤 전체 거리 42.195킬로미터, 인류의 "2시간 이내 완주"는 "4분 1마일"과 동급의 상징적인 체력 기준으로 여겨진다】

△AI 생성

실패를 허용하고, 다시 어려움에 도전하라

《The Inner Game of Tennis》는 모든 사람이 좋아하는 비즈니스 서적처럼 보이며, 나는 지난주에야 그것을 발견했다.

이 책의 핵심 주장은: 당신이 열심히 노력하고 지나치게 힘을 쏟을 때, 오히려 최고의 테니스 실력을 발휘할 수 없다는 것이다.

우리 엔지니어들은 아마도 Linux가 처음 발표되었을 때, 리누스가 이렇게 묘사했던 것을 기억할 것이다:

나는 이걸 재미로 만들었지, GNU처럼 거대하고 전문적이지는 않아～

(누가 알았겠는가, 나중에 Linux가 대세가 되었고, GNU 커널은 지금까지도 완성되지 않았다…)

자기 효능감은 새로운 문제가 아니지만, 지금은 너무나도 중요해졌다!

몇 주마다 능력이 급상승하는 시대에, 우리는 우리가 진지하게 고려해본 적도 없고, 심지어 할 수 있다고 믿지 않았던 일들을 해낼 수 있는 방법이 절실히 필요하다.