앤트로픽 테크니컬 스태프가 알려주는 Claude Fable 활용법 6가지

한 줄 핵심

Claude Fable 같은 강력한 모델일수록 프롬프트를 더 길게 쓰는 것이 아니라, 내가 모르는 지점을 먼저 찾아 맥락과 검증 절차를 설계해야 결과물이 좋아진다.

시간별 요약

1. 0:00
   이 영상은 Anthropic의 개발자가 공개한 Claude Fable 활용법 여섯 가지를 바탕으로, 최신 모델을 제대로 쓰지 못하는 이유가 모델 성능보다 사용자의 지시·맥락 설계에 있다는 점을 짚는다. 특히 능력 과잉(capability overhang) 때문에 모델이 이미 할 수 있는 일을 사용자가 꺼내지 못하는 상황이 핵심 전제다.
2. 1:00
   모델은 설계하는 것이 아니라 길러지는 존재이며, 예시와 금지 목록이 오히려 가능성을 좁힐 수 있다. 그래서 Claude Code의 시스템 프롬프트를 크게 줄이고, 제약을 늘리기보다 필요한 맥락을 주는 방향으로 바뀌었다.
3. 3:00
   문제의 본질은 지도와 영토의 차이이며, AI가 프롬프트에 없는 지형을 만나면 사용자가 지정하지 않은 결정 지점을 스스로 만들어낸다. 따라서 성능 향상의 출발점은 더 긴 지시가 아니라, 내가 무엇을 모르는지 찾는 일이다.
4. 5:00
   모르는 것을 싸게 찾는 여섯 가지 방법은 사각지대 점검, 브레인스토밍·프로토타입, 인터뷰, 레퍼런스, 구현 노트, 퀴즈다. 시작 전에는 무지의 영역을 드러내고, 진행 중에는 이탈을 기록하며, 끝난 뒤에는 내가 결과를 설명할 수 있는지 검증해야 한다.
5. 7:00
   후반부는 코딩이 AI로 인해 몇 주짜리 작업이 몇 시간으로 줄어든 현실과, 동시에 손코딩의 즐거움과 고통을 잃어버린 감정을 함께 다룬다. 결론은 트레이드오프를 합리적으로 접는 대신, AI로 더 많은 일을 동시에 밀어붙이는 비합리성이 새로운 경쟁력이 될 수 있다는 점이다.

실무 인사이트

• 새로운 모델을 쓸 때는 프롬프트를 먼저 늘리기보다, 작업 시작 전 '내가 뭘 모르는지'를 적는 체크리스트를 두는 것이 효과적이다.
• 결과물이 자주 빗나간다면 요구사항 부족보다 결정 지점 누락을 의심하고, 프로토타입·인터뷰·레퍼런스로 불확실성을 먼저 줄여야 한다.
• AI가 만든 결과를 내가 설명하지 못하면 아직 내 작업이 아니므로, 완료 기준에 '설명 가능성'과 짧은 퀴즈 검증을 포함하는 것이 좋다.