YouTubeJay E·2026년 11월 20일·1

Anthropic Just Shipped Claude''s BIGGEST Harness Change Yet (Code Mode)

Quick Summary

Anthropic의 Claude Code ‘Code Mode’는 도구 처리 과정의 컨텍스트 부담을 줄이는 하네스 변화로 소개되며, 실제 토큰 절감 효과는 업무별 비교 평가로 확인해야 한다.

영상 보기

클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.

원본 열기

🖼️ 인포그래픽

Anthropic Just Shipped Claude''s BIGGEST Harness Change Yet (Code Mode) 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

Anthropic Just Shipped Claude''s BIGGEST Harness Change Yet (Code Mode)의 핵심 내용을 4단계로 요약한 인포그래픽
Anthropic Just Shipped Claude''s BIGGEST Harness Change Yet (Code Mode) 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 결론

Anthropic의 Claude Code ‘Code Mode’는 도구 처리 과정의 컨텍스트 부담을 줄이는 하네스 변화로 소개되며, 실제 토큰 절감 효과는 업무별 비교 평가로 확인해야 한다.

📌 핵심 요점

  1. Code Mode의 핵심은 중간 데이터를 대화에 반복해서 담는 부담을 줄이는 것이다. 영상은 도구 사이의 데이터 처리를 코드로 수행하고 필요한 결과만 모델에 전달하는 방식으로 설명한다.
  2. 영상에 따르면 아이디어 자체는 새롭지 않다. Cloudflare가 2025년 9월 관련 접근을 소개했고, Goose·Pi·OpenCode 등에도 유사한 방식이 있었다. 이번 변화의 초점은 Anthropic의 Claude Code 구현이다.
  3. 발표자는 일상 업무 5개를 같은 모델·설정에서 일반 모드와 Code Mode로 각각 비교해, 전체 토큰 사용량이 약 35% 줄었다고 보고한다. 소규모 초기 평가이므로 다른 업무의 기대 절감률로 일반화하기는 어렵다.
  4. 외부 사례로는 Anthropic의 약 15만→2천 토큰, Datadog의 약 16만→4만3천 토큰 및 정답률 74%→90%, Browser Use의 작업당 비용 약 5분의 1이 소개된다. 모두 영상이 인용한 개별 평가 결과다.
  5. 영상에서 Code Mode는 기본 비활성화된 실험 기능이며 터미널의 Claude Code에서만 사용할 수 있다고 설명된다. 도입 판단에는 절감 효과뿐 아니라 결과 품질과 작업 환경 전환 부담도 포함해야 한다.

🧩 배경과 문제 정의

영상이 제시하는 문제는 AI가 도구를 사용할 때 실제 결과에 필요하지 않은 중간 데이터와 방대한 도구 설명까지 컨텍스트에 담을 수 있다는 점이다. 회의록을 다른 서비스로 옮기는 작업에서도 본문 전체가 대화에 반복해서 들어오면 컨텍스트와 토큰 사용량이 늘어난다는 예시를 든다.

Code Mode는 이러한 처리를 대화 바깥의 코드 실행으로 옮기는 접근으로 설명된다. 영상은 기존 아이디어와 Claude Code의 새 구현을 구분하고, 기업별 평가와 발표자의 초기 비교를 바탕으로 자신의 업무에서 효과를 확인해야 한다고 강조한다.

🕒 시간순 섹션별 상세정리

1. Code Mode의 등장과 토큰 절감 주장

  • 발표자는 Anthropic이 Claude Code에 큰 하네스 변화를 도입했다고 소개하며, Cloudflare·Anthropic·Browser Use·Datadog의 절감 사례를 인용한다. Datadog은 정답률 개선도 보고한 것으로 드러난다. [00:34]
  • 발표자 자신의 초기 업무 평가에서는 약 35%의 토큰 절감이 관찰됐다고 드러낸다. 다만 업무마다 효과가 다르므로 기능의 원리와 자체 평가 방법을 설명하겠다고 예고한다. [01:06]

2. 기존 아이디어와 컨텍스트 부담을 줄이는 원리

  • 영상에 따르면 Cloudflare는 2025년 9월 Code Mode를 소개했고, 다른 일부 하네스에도 유사한 접근이 있었다. 새롭게 강조되는 부분은 Anthropic과 Claude Code의 자체 구현이다. [01:51]
  • Granola의 회의록을 Notion으로 옮기는 예시로, 일반적인 도구 호출에서는 본문이 대화에 반복해서 들어와 토큰을 늘릴 수 있다고 보여준다. Anthropic 사례로는 2시간 회의록을 한 번 받아들이는 데 약 5만 토큰이 추가될 수 있다는 수치를 인용한다. [02:58]
  • Code Mode에서는 데이터 전달을 대화 바깥의 코드로 처리한다고 보여준다. 발표자는 이를 주방에서 조리를 마친 뒤 완성된 음식만 내오는 방식에 비유한다. [03:51]

3. Cloudflare 사례와 하네스 변화의 의미

  • Cloudflare 사례에서는 2,500개가 넘는 도구 설명이 약 117만 토큰에 달했다고 보여준다. 필요한 기능을 찾고 실행하는 두 도구 중심의 구성으로 바꾸면서 도구 목록 관련 토큰이 약 1천 개로 줄었다고 보여준다. [04:47]
  • 발표자는 적은 토큰, 낮은 비용, 일부 평가에서의 더 나은 답변을 기대 효과로 정리하고, 이를 모델의 역량이 하네스 역할을 흡수하는 흐름과 연결한다. [05:06]
  • 이후 자신의 AI 교육 커뮤니티와 강좌를 홍보하는 구간을 거쳐 Claude Code 구현 설명으로 돌아간다. [05:48]

4. 지원 범위와 발표자의 초기 비교

  • 영상은 Anthropic의 구현이 MCP 연결뿐 아니라 파일·명령·웹 관련 도구까지 포괄한다고 보여준다. 동시에 실험 기능이며 기본 비활성화 상태이고, 당시에는 터미널에서만 지원된다고 안내한다. [06:16]
  • 사용 설명 이후에는 자신의 업무에서 토큰이 실제로 줄어드는지 먼저 평가해야 한다는 점을 강조한다. [07:30]
  • 발표자는 일상 업무 5개를 같은 모델과 설정으로 각 모드에서 한 번씩 수행했다고 드러낸다. 전체적으로 Code Mode의 토큰 사용량이 약 35% 적었다고 보고한다. [07:57]

5. 외부 평가 수치와 도입 판단 기준

  • Anthropic의 회의록 전송 사례에서는 필요한 도구만 활용하면서 토큰 사용량이 약 15만 개에서 2천 개로 줄었다고 보여준다. [08:18]
  • Datadog의 모니터링 업무 25개 평가에서는 작업당 약 16만 토큰이 4만3천 토큰으로 감소했고, 정답률은 영상 앞부분에서 제시한 74%보다 높은 90%였다고 보여준다. [08:47]
  • Browser Use는 토큰 수 대신 API 크레딧 비용이 작업당 약 5분의 1로 줄었다고 묶인다. 발표자는 자체 평가 결과와 터미널로 작업 환경을 옮기는 부담을 함께 고려하라고 권한다. [09:42]

6. 기본 동작 전환 전망과 마무리

  • 발표자는 Anthropic이 더 넓은 사용 환경에서 효과를 확인하고 있을 것이라고 해석하며, 효율 개선이 이어지면 이 방식이나 유사한 구현이 기본 동작이 될 수 있다고 전망한다. [10:07]
  • 하네스가 모델을 과도하게 제약할 수 있다는 논지를 제시하고, Claude Code의 하네스 지침이 전년 대비 약 80% 줄었다는 주장을 Boris Cherny의 발언으로 보여준다. [10:34]
  • 적은 도구와 간결한 컨텍스트로도 모델이 업무를 수행할 수 있다는 방향성을 강조한다. 추가적인 토큰 절감과 속도 개선 가능성을 언급한 뒤, 시청자의 경험 공유를 요청하며 끝맺는다. [11:06]

🧾 결론

  • 영상의 중심 주장은 모델 성능 개선 외에도 도구와 컨텍스트를 다루는 하네스 설계가 비용 효율을 크게 바꿀 수 있다는 것이다.
  • 중간 데이터나 도구 설명이 많은 업무는 절감 가능성을 살펴볼 만하지만, 모든 업무에서 같은 효과가 난다는 근거는 제시되지 않는다.
  • Code Mode가 향후 기본 동작이 될 수 있다는 전망은 발표자의 해석이다. 영상에 공식 전환 일정은 제시되지 않는다.

📈 투자·시사 포인트

  • AI 서비스의 경제성을 평가할 때 토큰 가격과 모델 성능 외에 도구 처리 구조가 만드는 비용 차이도 살펴볼 필요가 있다.
  • 도구를 많이 연결하는 기업용 AI에서는 컨텍스트 사용량과 작업 성공률을 함께 개선하는 설계가 경쟁 요소가 될 수 있다는 시사점을 준다.
  • 하네스 단순화가 확산되면 복잡한 사전 지침보다 모델의 판단과 간결한 도구 구성을 중시하는 방향으로 제품 설계가 바뀔 수 있다. 다만 이는 영상의 전망이다.
  • 소개된 수치만으로 특정 기업의 이익 증가나 투자수익을 추정할 수는 없다. 실제 이용량, 과금 구조, 운영 부담에 관한 자료는 제공되지 않는다.

⚠️ 불확실하거나 확인이 필요한 부분

  • 출시 시점은 ‘지난주’라는 상대적 표현으로만 제시된다. 제공된 자료만으로 정확한 공개일이나 현재 지원 범위를 확정할 수 없다.
  • 기업별 절감 수치는 서로 다른 업무와 평가 환경에서 나온 것으로 소개된다. 원문 보고서와 세부 조건이 제공되지 않아 수치를 직접 비교하거나 독립적으로 검증할 수 없다.
  • 발표자의 약 35% 절감 결과는 업무 5개를 각 모드에서 한 번씩 수행한 초기 비교다. 반복 측정에 따른 변동이나 업무별 편차는 제시되지 않는다.
  • 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
  • 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
  • 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

  • 자주 수행하는 대표 업무를 기준으로 일반 모드와 Code Mode의 토큰 사용량과 결과 품질을 비교 평가한다.
  • 비교 결과에 모델·설정·입력 조건을 함께 기록하고, 초기 수치를 지속적인 효과로 판단하기 전에 반복 평가한다.
  • 토큰 수, 실제 비용, 작업 성공 여부를 구분해 기록하고 자신의 이용 환경에서 어떤 이득이 생기는지 확인한다.
  • 터미널 환경으로 옮기는 학습·운영 부담을 예상 절감 효과와 함께 검토한다.

❓ 열린 질문

  • 어떤 업무 특성에서 절감 효과가 크고, 어떤 업무에서는 효과가 제한적일까?
  • 발표자의 초기 평가에서 업무별 절감률과 결과 품질은 어떻게 달랐을까?
  • Datadog 사례의 정답률 개선이 다른 종류의 업무에서도 재현될까?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.