핵심 요약

  • Claire의 약 20개 실무 과제 테스트에서 Meta의 Muse Wonder는 청구 문의 처리, 받은편지함 분류, 컴퓨터 조작, 이메일 작성에 강점을 보였다. 반면 디자인과 인터페이스 완성도는 부족했다.
  • 복잡한 작업에 더 많은 시간을 쓰는 ‘active focus’는 결과 개선으로 이어지는 모습을 보였다. 다만 작업에 따라 처리 속도 차이가 컸다.
  • TikTok 팔로워가 29만 명을 넘는 Brooke Lacey는 Claude Code와 영상 처리 도구를 연결해 휴대전화 원본 영상을 약 15초 만에 자막과 컷 편집이 들어간 영상으로 만드는 작업 흐름을 소개했다.
  • Brooke의 편집 자동화는 침묵을 제거하는 수준을 넘는다. 웃음을 만드는 쉼과 컷의 위치를 반복해서 가르쳤으며, 주된 효과는 게시량 증가보다 편집에 드는 시간과 수고의 감소였다.

복잡한 업무를 끝까지 처리한 Muse Wonder

Claire는 Muse Wonder를 에이전트 작업, 코딩, 글쓰기, 디자인, 영상 편집 등 약 20개 실무 과제로 평가했다. 여기서 에이전트 작업은 AI가 여러 단계를 수행하며 목표를 처리하는 업무를 뜻한다. Claire는 자신이 테스트한 같은 가격대 모델 가운데 Muse Wonder의 에이전트 성능을 가장 높게 평가했다.

강점은 오래 걸리는 과제에서 뚜렷했다. 한 가지 방법이 통하지 않으면 다른 접근을 시도하며 목표에 도달하려 했다. 청구 문의 테스트에서는 계정 연결 오류를 바로잡고, 중복 환불 처리 로직을 다루고, 고객의 요금제를 변경했다. 이어 답변을 작성하고 문의를 종결했다. 모델의 지시를 바꾸려는 프롬프트 주입 시도에도 저항했으며, 테스트에 심어 둔 복잡한 조건을 모두 해결했다.

이는 Claire가 설계한 테스트에서 나온 결과다. 실제 모든 고객 지원 환경에서 같은 성능을 낸다는 의미로 확대할 수는 없다.

더 오래 생각하는 기능과 자연스러운 문장

Claire는 Muse Wonder의 active focus가 복잡한 작업에 더 많은 시간을 배분하는 실제 능력처럼 보였다고 설명했다. 간단한 요청보다 복잡한 에이전트 과제에 오래 매달렸고, 추가로 들인 시간과 결과의 질 사이의 관계도 경쟁 모델보다 분명하게 관찰했다고 평가했다.

속도는 과제에 따라 달랐다. SVG 이미지나 짧은 프로토타입처럼 한 번에 결과를 만드는 요청은 빨랐다. 받은편지함 분류, 백엔드 구현, 영상 편집에서는 상당히 느려졌다. 원문은 이 차이가 active focus의 시간 배분을 반영할 가능성을 제시한다.

이메일 작성도 좋은 평가를 받았다. Claire는 모델이 불필요하게 격식을 차리거나 장황해지지 않고 자신의 간결한 두 문장 스타일을 재현했다고 설명했다. 음성도 자연스럽고 대화에 가까웠으며, 자신의 테스트에서는 Sonnet에 근접한 품질이었다고 평가했다.

그럴듯한 초안과 완성된 화면 사이의 간극

시각 작업에서는 평가가 달라졌다. Claire가 본 Muse Wonder의 디자인은 두꺼운 세리프 글꼴, 파랑과 보라 계열 색상, 둥근 모서리, 흔한 SaaS 화면 구성에 치우쳤다. ChatPRD 재설계에서는 브랜드 지침을 무시하고 이모지를 추가했으며, 이미지 표시도 깨뜨렸다. 결과물은 기존 사이트와 동떨어졌다.

문제는 외형에만 있지 않았다. 프로토타입의 뼈대는 설득력 있게 만들었지만, 실제로 조작하면 버튼이 작동하지 않거나 테마가 잘못 적용되고 화면을 가리는 요소가 나타났다. 프로토타입의 80%를 만드는 일과 끝까지 완성하는 일은 달랐다.

영상 편집에서도 비슷한 간극이 드러났다. 적절한 40초 구간을 찾고 Claire가 마음에 들어 한 음악을 골랐으며 컷 타이밍도 거의 맞췄다. 그러나 화면 위 그래픽, 자막 배치, 오디오 처리가 미흡했다. Claire는 일부 에이전트 작업에 Muse Wonder를 시험할 계획이지만, 일상적으로 쓰는 주력 모델이나 프런트엔드 디자인 도구로 삼지는 않겠다고 했다.

Brooke Lacey의 편집실은 텍스트 파일에 있다

또 다른 에피소드에서 Brooke Lacey는 Claude Code가 FFmpeg, Whisper, Python을 조율하는 영상 편집 방식을 소개했다. 휴대전화로 찍은 원본을 넣으면 약 15초 뒤 자막, 점프 컷, 확대 효과가 들어간 세로형 짧은 영상이 나온다. 영상을 업로드하거나 전통적인 편집기를 열지 않는 작업 흐름이다.

편집 내용은 TSV, 즉 탭으로 항목을 구분한 텍스트 파일에 담긴다. 각 행에는 컷의 시작과 끝 시점, 화면 크기, 라벨이 들어간다. Claude가 이 파일을 만들면 같은 명령으로 하나의 촬영본에서 15초·30초·60초 버전과 가로형 크롭을 생성할 수 있다.

핵심은 도구 연결만이 아니었다. Brooke는 Claude가 자신의 목소리 리듬, 웃음이 터지기 전의 쉼, 단어 뒤에서 끊어야 할 위치를 알아보도록 가르쳤다. 같은 말을 여러 번 찍었을 때 어느 테이크의 리듬이 가장 좋은지도 판단하게 했다. 이 스타일을 반영하는 데는 의도적인 지시와 반복 수정이 필요했다.

편집 감각과 시청자 반응을 작업 지침으로 바꾸다

Brooke가 편집을 맡길 수 있었던 배경에는 자신의 판단 기준이 있었다. 좋은 컷이 어떻게 들리는지, 확대 효과가 어디에 들어가야 하는지, 타이밍이 왜 중요한지 이미 알고 있었다. 에피소드는 AI가 이런 판단을 증폭할 수 있지만, 그 감각을 쌓는 경험까지 대신하지는 못한다는 점을 강조한다.

소재 발굴에도 실제 시청자의 반응을 쓴다. 각 영상과 댓글을 연결한 뒤 Claude Code에 시청자가 무엇을 물었고, 무엇을 논쟁했으며, 다음에 무엇을 보고 싶어 했는지 분석하게 한다. 여기서 다음 영상 아이디어를 얻는다.

Brooke는 프로젝트 관리에도 자신이 ‘lane OS’라고 부르는 개인 AI 운영 체계를 사용한다. 제품마다 기억, 권한, 상태 파일을 따로 두고, 오류가 나면 관련 지시를 추적한다. 수정 사항은 공통 지침에 기록해 같은 실수가 반복되지 않도록 관리한다.

게시 횟수보다 줄어든 편집 부담

Brooke는 Windows 3.1, 인터넷의 부상, Y2K, 현재의 AI 전환을 겪은 기술자다. 그는 이런 경험이 새로운 플랫폼 변화를 과도한 불안 없이 알아보는 데 도움이 된다고 보며, 경험 많은 실무자들이 그 관점을 더 공유해야 한다고 말한다.

그는 대체로 주 1회 영상을 게시하면서도 시청자를 모았고, 과거 영상도 계속 다시 노출됐다고 설명했다. Claude Code의 효과를 게시 횟수 증가로 설명하지는 않았다. 몇 시간씩 걸리던 편집 부담을 덜어 영상 하나가 하루 전체를 차지하지 않게 된 것이 변화였다.

두 사례에서 실행 능력과 완성도를 가르는 기준은 구체적이었다. Claire는 복잡한 업무를 처리하는 능력과 화면을 완성하는 능력을 따로 평가했다. Brooke는 자신의 편집 판단을 지침으로 옮기는 데 시간을 들였다. AI가 맡는 범위는 달랐지만, 결과를 평가하고 수정하는 기준은 두 작업 모두에 남아 있었다.