결론부터 말씀드리면, 저는 문제 진단과 설계는 제미나이에게, 실제 코드 수정은 클로드에게 나눠 맡겼습니다. 한 AI에게 전부 시키기보다 역할을 쪼개니 삽질이 눈에 띄게 줄었습니다.
봇과 관련해 나눈 대화가 스무 개가 넘습니다. 그 과정에서 어느 AI가 우월한가보다, 어떻게 나눠 쓰느냐가 결과를 갈랐습니다.
왜 분업이 필요한가
대화가 길어지면 AI는 종종 삼천포로 샙니다. 맥락을 놓치고 엉뚱한 제안을 하거나, 시키지도 않은 파일까지 수정합니다. 초보에게는 재앙입니다. 무엇이 바뀌었는지도 모르는데 봇이 안 돌아가니까요. 역할을 나누면 각자 잘하는 일에 집중시킬 수 있습니다.
내가 쓴 분업 방식
| 작업 | 담당 | 이유 |
|---|---|---|
| 문제 진단·설계 | 제미나이 | 큰 그림과 원인 분석에 활용 |
| 코드 수정·실행 | 클로드 | 파일 단위 수정 지시에 활용 |
둘을 잇는 프롬프트는 이런 식이었습니다. “제미나이야, 이 문제를 진단하고, 클로드에게 그대로 시킬 수 있는 복사·붙여넣기용 수정 프롬프트를 파일명과 함께 써줘.” 한 AI의 진단을 다른 AI의 작업 지시로 넘기는 방식입니다.
어느 AI를 쓰든 공통으로 필요한 것
- 맥락 고정: 대화마다 리셋되는 맥락을, 프로젝트 기능과 지침 문서(하네스)로 상시 물려놓습니다.
- 범위 못박기: “이 파일, 이 로직만 수정. 나머지는 글자 하나 바꾸지 마”를 매번 명시합니다.
- 생략 금지: “…으로 줄이지 말고 전체 코드를 통째로 줘”를 요구합니다.
실제 분업 사례 — 호출 한도를 잡던 날
호출 한도 초과가 반복되던 무렵, 저는 두 AI를 이렇게 나눠 썼습니다. 먼저 제미나이에게 로그와 증상을 주고 원인을 진단하게 했습니다. 그다음 “이 문제를 클로드에게 그대로 시킬 수정 프롬프트를 파일명과 함께 써줘”라고 요청했습니다. 제미나이가 만들어준 지시서를 클로드에게 넘겨 실제 코드를 고쳤습니다. 진단과 시공을 분리한 셈입니다.
이 방식의 장점은, 한 AI가 놓친 것을 다른 AI가 잡을 때가 있다는 점입니다. 설계 관점과 실행 관점을 다른 창에서 보게 하니, 한쪽이 삼천포로 새더라도 다른 쪽에서 걸러졌습니다.
한 AI에게 전부 맡길 때 생기는 일
반대로 하나의 긴 대화에서 진단부터 수정까지 다 시키면, 대화가 길어질수록 사고가 늘었습니다. 시키지도 않은 파일을 함께 고치거나, 멀쩡한 로직을 건드려 봇이 안 돌아갔습니다. 초보에게 이건 재앙입니다. 무엇이 바뀌었는지도 모르는데 결과만 망가지니까요.
결국 중요한 건 운영법이다
정직하게 말하면 저는 아직도 이 분업이 최선인지 확신하지 못합니다. 다만 분명한 것은, 어느 모델을 쓰든 맥락을 고정하고(프로젝트 기능·지침 문서), 수정 범위를 못 박고, 생략을 금지하는 운영 습관이 결과를 더 크게 좌우한다는 것입니다. 도구의 우열을 따지기 전에, 도구를 다루는 규칙부터 세워야 합니다.
세 번째 조수를 들이다 — 로컬 AI 실험
분업이 익숙해지자 저는 한 걸음 더 나가봤습니다. 장중에 봇을 감시하고 판단을 거드는 역할을, 내 컴퓨터에서 직접 도는 로컬 AI에게 맡겨보려 한 것입니다. 텔레그램에 로컬 AI 에이전트를 붙여, 클라우드에 매번 묻지 않고도 즉석에서 상황을 정리하게 하려는 시도였습니다.
결과는 절반의 성공이었습니다. 로컬 AI는 빠르고 비용 부담이 없지만, 복잡한 판단에서는 클라우드 모델만 못했습니다. 그래서 지금은 무거운 설계·진단은 클라우드 AI에, 가볍고 잦은 관리는 로컬 AI에 나누는 그림을 그리고 있습니다. 이것도 완성된 답이 아니라 진행 중인 실험입니다.
어느 AI도 ‘알아서’는 못 한다
여러 AI를 써보며 확실해진 게 하나 있습니다. 어떤 모델도 “알아서 잘”은 하지 못한다는 것입니다. 똑똑한 모델일수록 넓게 해석하고, 넓게 해석할수록 초보가 의도하지 않은 곳까지 손댑니다. 그래서 모델을 늘리는 것보다 중요한 건, 각 모델에게 명확한 역할과 범위를 주는 일이었습니다.
결국 좋은 결과는 좋은 모델이 아니라 좋은 지시에서 나왔습니다. 도구를 몇 개 쓰든, 사람이 방향을 잡고 범위를 못 박지 않으면 결과는 흐트러집니다. 저는 그것을 세 개의 조수를 부려보고 나서야 확실히 알았습니다.
정직하게 덧붙이면, 이 분업이 정답인지는 저도 여전히 실험 중입니다. 다만 분명한 건, 클로드냐 제미나이냐의 우열보다 역할을 나누고 맥락을 고정하는 운영법이 결과를 더 크게 좌우한다는 것입니다.
결국 저는 AI를 여러 명 고용한 셈이었습니다. 각자에게 잘 맞는 일을 맡기고, 서로의 결과를 교차 검증하게 하는 것. 사람이 팀을 꾸리듯 AI도 팀으로 부리면, 한 명에게 모든 걸 맡길 때보다 실수가 줄고 결과가 안정됩니다. 다만 팀장은 언제나 사람이어야 합니다. 방향을 정하고 최종 판단을 내리는 자리만큼은 AI에게 넘길 수 없습니다.
한 가지만 기억하면 됩니다. 도구가 늘어날수록 지시는 더 명확해져야 한다는 것입니다. 조수가 많아질수록 팀장의 역할이 커지듯, AI를 여럿 쓸수록 사람이 방향을 또렷이 잡아야 합니다. 그렇지 않으면 여러 AI의 서로 다른 답에 오히려 휘둘리게 됩니다.
답글 남기기