런치 영상은 Claude Code를 통해 편집되었으며,

AI에게 코딩을 맡기면 의도와 다르게 작동하거나 엉뚱한 방향으로 구현되는 경우가 잦다. Fable은 사용자가 제시하는 프롬프트와 실제 코드베이스 사이의 간극인 미지(Unknowns)를 식별하고 좁히는 방식으로 이 문제를 해결한다.

런치 영상 제작 전 과정에 Claude Code(터미널 기반 AI 코딩 도구)가 투입되었다. Remotion(React 기반 영상 제작 프레임워크)과 전사 데이터를 활용해 프로토타입을 검증하고, 전문 지식이 없는 컬러 그레이딩 영역은 AI에게 직접 학습을 요청해 미지를 해결했다. 비전문 분야의 기술적 공백을 AI와의 상호작용으로 메운 사례다.

구현 과정의 변수를 관리하기 위해 `implementation-notes.md` 파일에 엣지 케이스와 결정 사항을 기록해 모델에 학습시킨다. 작업 완료 후에는 Claude에게 변경 사항에 대한 퀴즈를 내달라고 요청해 AI의 이해도를 검증한다. 퀴즈를 완벽히 통과한 결과물만 머지(Merge, 코드 병합)하는 실무적 기준을 적용한다.

기술이 실제로 작동하는 방식

코딩 지시를 내렸을 때 의도와 다르게 작동하거나 엉뚱한 방향으로 구현되는 이유는 무엇인가. Claude Fable 5는 사용자가 제공하는 지도(map)와 실제 작업이 일어나는 영토(territory) 사이의 간극인 미지(unknowns)를 좁히는 방식으로 작동한다. 여기서 지도는 사용자가 입력하는 프롬프트, 보유한 스킬, 제공된 컨텍스트 등 모든 가이드 정보를 의미한다. 반면 영토는 실제 구현 대상인 코드베이스와 현실의 물리적 환경, 그리고 시스템의 실제 제약이 작동하는 영역을 뜻한다. 작업의 최종 품질이 모델의 기본 성능이 아니라, 이러한 미지를 명확히 정의하고 좁히는 사용자의 역량에 의해 결정되는 첫 모델이다.

낯선 작업에서 발생하는 unknown unknowns(알지 못하는 미지)를 식별하기 위해 blindspot pass(블라인드 스팟 패스, 누락된 요구사항 식별 기법) 기법을 활용한다. 사용자가 누구이며 현재 무엇을 알고 있는지에 대한 컨텍스트를 모델에 먼저 제공하는 과정이 선행되어야 한다. 그 다음 Claude에게 blindspot pass 또는 unknown unknowns라는 표현을 그대로 사용하여 미지를 찾아 설명해달라고 요청하는 방식이다. 모델의 추론 성능에만 의존하기 전, 이러한 식별 기법을 통해 요구사항의 누락을 먼저 찾아내는 것이 실무적인 판단 기준이 된다.

미지는 Known Knowns, Known Unknowns

프롬프트에 의도를 상세히 적었음에도 AI가 엉뚱한 방향으로 코드를 구현하는 경험은 흔하다. 이러한 결과의 괴리는 사용자가 제시한 지도와 실제 코드베이스라는 영토 사이의 간극, 즉 미지(Unknowns)에서 발생한다. 미지는 네 가지 유형으로 구분해 관리한다. Known Knowns는 프롬프트에 담겨 에이전트에게 명시적으로 요구한 사항이다. Known Unknowns는 아직 구체적으로 파악하지 못했으나 정보가 부족하다는 사실 자체는 인지하고 있는 상태를 의미한다.

Unknown Knowns는 너무 당연해 굳이 적어두지 않았지만 모델이 코드를 보면 즉시 알아보는 지식이다. 마지막으로 Unknown Unknowns는 개발자가 전혀 고려하지 않았거나 인지조차 하지 못한 지식이며, 성능이 어느 수준까지 좋아질 수 있는지조차 모르는 영역을 포함한다. 이 네 가지 범주를 통해 미지의 영역을 식별하고 좁히는 과정이 실제 구현의 성패를 결정한다.

원하는 바를 텍스트로 상세히 묘사하기 어려울 때 소스 코드는 최선의 레퍼런스가 된다. 다이어그램이나 문서, 그림보다 소스 코드가 절대적으로 높은 효율을 제공하기 때문이다. 특정 방식으로 구현된 라이브러리나 디자인 컴포넌트의 폴더를 가리키면 Claude(클로드, 앤스로픽의 AI 모델)는 기반 코드를 직접 읽어 분석한다. 단순한 스크린샷이 아니라 실제 마크업과 구조, 구현 방식을 파악해 풍부한 정보를 제공하는 방식이다. 구체적인 코드 레퍼런스를 활용해 요구사항의 누락을 식별하는 것이 모델 성능에만 의존하는 것보다 실무적인 해결책이 된다.

프롬프트에 의도를 상세히 적어도 AI가 엉뚱한 방향으로 코드를 구현하는 것은 지도와 영토 사이의 간극인 미지가 존재하기 때문이다. Fable은 이를 네 가지 유형의 미지로 구분해 관리하며 모델의 추론 능력에만 의존하는 한계를 극복한다. 모델 성능을 따지기 전 블라인드 스팟 패스와 인터뷰 기법으로 요구사항의 누락을 식별하고, 퀴즈를 통과한 결과물만 머지하는 기준을 적용해야 한다. 에이전틱 코딩의 성패는 모델의 체급이 아니라 미지를 정의하는 정교함에서 결정된다.