Field Guide to Fable — Thariq Shihipar, Anthropic

한 줄 핵심

Fable 같은 새 세대 모델은 단순히 더 길게 프롬프트를 넣는 방식이 아니라, 도구·컨텍스트·질문 루프를 설계해 모델과 사람의 한계를 함께 풀어야 진짜 성능이 나온다는 주장이다.

시간별 요약

1. 0:01
   Fable은 기존 챗봇보다 훨씬 넓은 가능성을 여는 모델로, 이제는 무엇이 가능한지 탐색하는 단계에 들어섰다. 이 변화는 모델을 더 잘 쓰는 법보다, 모델을 어떤 환경과 규칙에 넣어야 하는지 이해하는 일이 더 중요해졌음을 뜻한다.
2. 3:00
   모델은 고정된 지능이 아니라 도구와 하네스에 따라 능력이 급격히 달라지는 존재이며, Claude Code의 bash 도구나 질문 도구처럼 새로운 수단이 생기면 새로운 능력이 튀어나온다. 따라서 시스템 프롬프트를 늘리는 것보다, 더 작은 제약과 더 적절한 도구 조합으로 모델의 잠재력을 풀어내는 방향이 중요하다.
3. 9:00
   실무의 핵심은 모델의 한계를 보완하는 것만이 아니라, 사용자가 스스로 모르는 지점을 찾아내는 것이다. blind spot pass, 브레인스토밍, 인터뷰, 참조 코드 제공, 구현 로그 기록처럼 다양한 방법으로 unknown unknowns를 드러내면, 모델이 예상 밖의 문제를 만나도 더 안정적으로 진행할 수 있다.
4. 14:02
   Fable을 쓰면 생산성은 크게 오르지만, 동시에 직접 코딩하던 방식이 사라지는 상실감도 생긴다. 그럼에도 중요한 것은 그 변화를 회피하지 않고 끝까지 따라가며, 더 빠르게 더 큰 결과를 내는 쪽으로 작업 방식을 재구성하는 일이다.
5. 16:01
   이제는 tradeoff를 당연한 전제로 받아들이기보다, AI를 활용해 더 많은 일을 동시에 해내는 쪽으로 목표를 높여야 한다. 빌드 속도 자체보다 가치 창출이 최종 목적이며, AI가 실제로 일의 방식을 바꿀 수 있음을 증명하려면 더 대담하게 실험하고 결과를 만들어야 한다.

실무 인사이트

• 새 모델을 도입할 때는 프롬프트 개선보다 먼저 도구, 제약, 질문 흐름을 재설계해 모델이 스스로 컨텍스트를 확장하게 만드는 것이 효과적이다.
• 작업 시작 전 blind spot pass와 참조 예시를 붙이면 요구사항 누락을 크게 줄일 수 있어, 복잡한 개발·기획 업무에서 재작업 비용을 낮출 수 있다.
• AI 활용의 성패는 만드는 속도보다 가치 검증 속도에 달려 있으므로, 빠른 프로토타입을 여러 번 돌려 실제 유효한 문제를 찾는 루프를 만들어야 한다.