AI로 AI를 만드는 13가지 실전 활용법 — 연구자의 클로드 코드 워크플로

핵심 메시지

• LLM은 모르는 통계 기법을 브레인스토밍하고 개념을 설명받는 '개인 튜터'로 쓰되, 결과는 항상 직접 재확인한다.
• 클로드 코드에게 코드베이스 설명·기획 문서(마크다운)를 만들게 하면 기능 개발·테스트 작성·디버깅 속도가 크게 오른다.
• 이것은 '바이브 코딩'이 아니라 사람이 모든 핵심 결정을 검토·승인하며 루프 안에 있는 실제 기능 개발이다.
• 논문 작성은 직접 요점을 불릿으로 쏟아낸 뒤 LLM이 매끄러운 글로 채우게 하되, 모든 문장과 수치는 사실 검증한다.
• bash 스크립트·의존성 관리·LaTeX 표/그림·회의록 같은 반복적이고 지루한 작업을 자동화해 생산성을 끌어올린다.

쉽게 이해하기

영상의 화자는 세계적으로 주목받는 AI 스타트업에서 일한 AI 연구과학자로, AI 도구 덕분에 2~3주 걸릴 기능을 2~3일 만에 구현했다고 말합니다. 그는 'AI로 AI를 만든다'는 관점에서 연구와 개발 전 과정에 LLM과 클로드 코드를 어떻게 녹여 쓰는지를 구체적인 팁과 함께 소개합니다.

첫 출발점은 지식의 공백을 메우는 일입니다. 정식 통계 수업을 듣지 못한 그는 자신의 실험 설정과 요구사항을 LLM에 그대로 설명해 'G 제곱(G-squared) 분석'이라는 적절한 통계 기법을 제안받았고, 예전 같으면 며칠이 걸렸을 일을 몇 시간 만에 혼자 해결했습니다. 다만 제안을 맹목적으로 받아들이지 않고 원리·장단점·대안을 다시 설명받은 뒤, 구식 구글 검색으로 한 번 더 교차 검증합니다.

코드 이해와 기능 개발에서도 클로드 코드가 핵심 역할을 합니다. 기존 연구 코드베이스 전체를 설명하게 하고 모듈 간 흐름도와 보고서 문서를 생성시키며, 새 기능은 현재 시스템과 원하는 동작을 최대한 자세히 적은 뒤 단계별 구현 계획을 담은 기획 문서를 함께 만들어 갑니다. 그는 이를 주니어 개발자에게 지시하는 매니저에 비유하며, 지시 품질에 비례해 결과 품질이 올라간다고 강조합니다.

자동화의 범위는 넓습니다. 테스트 케이스 작성, dry-run 플래그를 넣은 bash 스크립트, 파이썬 버전·패키지 충돌 해결, 정적·인터랙티브 데이터 시각화, LaTeX 표와 그림 편집까지 지루하고 반복적인 작업을 AI에 맡깁니다. 논문 마무리 단계에서는 딥 리서치로 최종 문헌 조사를 돌리고, 노션의 회의 녹음 도구로 회의 요약·핵심·액션 아이템을 자동 정리합니다.

그러나 영상이 일관되게 던지는 메시지는 '검증'입니다. LLM은 여전히 환각을 일으킬 수 있으므로, 제1저자로서 모든 내용을 이해하고 모든 문장과 코드 한 줄까지 직접 책임져야 한다는 것입니다. 도구가 무엇을 할 수 있고 없는지를 배우는 사람만이 이 생산성 향상을 온전히 누릴 수 있다는 결론으로 이어집니다.

주요 인사이트

• LLM을 정답 제공기가 아니라 '아이디어 제안 + 개념 설명' 도구로 쓰고 검증을 분리하면, 비전공 영역의 진입 장벽을 크게 낮출 수 있다.
• AI 코딩 에이전트와 일할 때 모든 것을 마크다운 기획·보고 문서로 남기면, 컨텍스트가 커져도 새 세션에서 그 문서를 기준으로 이어서 작업할 수 있다.
• 안전이 중요한 핵심 구현과 시각화·도구처럼 결과만 맞으면 되는 작업을 구분하면, 후자에는 과감히 '바이브 코딩'을 적용해도 된다.
• 글쓰기에서 LLM의 가장 큰 효용은 문장을 대신 써주는 것보다, 생각을 명확히 글로 쏟아내도록 강제해 머릿속을 정리하게 만드는 데 있다.
• AGI 도래 여부와 무관하게, 도구를 제대로 쓰는 법을 모르면 오히려 생산성을 해칠 수 있다는 점이 실무의 핵심 변수다.

자주 묻는 질문

관련 AI 소식