Claude Fable 5.2 read a month of my failed attempts and got it right the first time.

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Claude Fable 5.2는 발표자의 한 달치 실패 기록과 피드백에서 원하는 디자인을 추론해 첫 시도에 구현을 성공시켰으며, 핵심은 이런 역량을 비용에 걸맞은 문제에 투입하는 데 있다.

📌 핵심 요점

1. 발표자는 한 달 넘게 여러 모델과 도구로 세 차례 시도했지만 만족하지 못했던 전자잉크 디스플레이를 Fable 5.2로 완성했다고 말한다. 이전 작업 파일 수백 개와 실패 당시의 피드백이 새 설계의 재료가 됐다.
2. 개선의 중심은 코드 작성뿐 아니라 의도 추론이었다. 모델은 발표자가 무엇을 원하는지 완전히 설명하지 못하는 상황에서, 기존 결과에 대한 거절과 불만을 읽고 수용 가능한 디자인을 제안했다.
3. 모델은 설계 대화의 컨텍스트가 차자 인계 파일을 만들고 구현을 새 대화에서 진행하도록 제안했다. 발표자는 이 인계를 통해 설계와 실제 기기 구현이 자연스럽게 이어졌다고 평가한다.
4. 성능 향상이 모든 업무의 경제적 이익으로 연결되지는 않는다. 기존 모델로 충분한 업무, 개선은 있지만 비용을 정당화하기 어려운 업무, 높은 비용을 감수할 가치가 있는 업무를 구분해야 한다.
5. 같은 모델을 써도 문제 선정과 결과 평가 능력에 따라 성과가 갈릴 수 있다. 발표자는 이를 사무실 내부의 K자형 격차로 설명하고, AI 연구소의 연구 가속과 일반 기업의 활용 사이에서도 격차가 커질 수 있다고 주장한다.

🧩 배경과 문제 정의

발표자는 책상 위 전자잉크 정보 디스플레이를 한 달 넘게 만들려 했지만, 여러 AI 모델과 도구를 사용한 세 차례 시도에서 원하는 결과를 얻지 못했다. 어려움은 정보를 표시하는 코드뿐 아니라 무엇을 먼저 보여주고, 무엇을 강조하며, 각 요소를 어떻게 배치할지에 있었다. 원하는 결과를 보면 알아볼 수 있었지만 그 기준을 사전에 충분히 설명하기는 어려웠다.

영상은 Fable 5.2가 이런 실패 기록을 읽고 설계와 구현을 완성했다는 경험을 출발점으로 삼는다. 이어 더 강력한 모델을 어디에 써야 비용을 정당화할 수 있는지, 같은 모델에 접근하는 사람과 기업의 성과가 왜 달라질 수 있는지로 논의를 확장한다. 개인 구현 사례, 발표자가 인용한 평가 수치, 연구 가속에 관한 전망은 근거의 성격을 구분해 읽어야 한다.

🕒 시간순 섹션별 상세정리

1. 한 달간의 실패를 해결한 모델과 비용의 질문

• 발표자는 Fable 5.2가 이전 프로젝트 파일 수백 개를 검토한 뒤 마음에 드는 설계를 제안하고 구현까지 성공시켰다고 보여준다. 앞서 여러 모델과 도구를 활용한 세 차례 시도는 만족스럽지 못했다. [00:42]
• 동시에 사업자들은 실무에 쓰기에는 비용이 높다고 반응한다. 발표자는 개선 효과가 비용보다 큰 업무를 찾는 일 자체가 별도의 과제이며, 이것이 AI 활용 성과가 갈리는 K자형 경제를 설명한다고 드러낸다. [01:24]
• AI 연구소는 더 나은 AI를 다음 세대 모델 개발에 활용할 수 있다고 보여준다. 이어 AI 2027 관계자들의 전망을 소개하며 초인적 AI 연구자의 등장 가능성과 예상보다 빠른 가속을 언급한다. [01:48]

2. 실패한 결과물에서 말로 설명하기 어려운 의도 읽기

• 발표자는 정보의 우선순위와 강조 방식에 민감했지만, 원하는 디자인을 명확하게 지시하기 어려웠다. Fable 5.2에는 이전 시도들과 불만을 주고, 거절했던 피드백 사이에서 의도를 읽어달라고 요청했다. [02:55]
• 모델은 기대를 넘는 설계를 제안했다. 발표자는 무엇이 잘못됐는지 아는 상태에서 무엇을 만들어야 하는지 결정하는 과정이 상당한 작업이며, 모델이 그 사고 과정을 구체적으로 도왔다고 평가한다. [03:40]
• 결과를 승인한 것은 판단을 포기했기 때문이 아니라고 강조한다. 오랜 고민으로 축적한 맥락이 있었기에 원하는 수준에 도달했음을 알아볼 수 있었다는 설명이다. [04:04]

3. 인계 파일로 설계와 구현을 연결하기

• 설계 대화의 컨텍스트가 거의 차자 모델이 먼저 인계 파일을 만들고 새 대화에서 구현하도록 제안했다. 발표자는 설계와 구현 사이의 자연스러운 전환점을 모델이 찾아준 점을 유용하게 평가한다. [04:45]
• 새 대화에서 인계 파일을 전달하자 실제 전자잉크 디스플레이에 구현됐다고 드러낸다. 화면은 시간대에 따라 정보 우선순위가 바뀌고, 다음 날 정보와 날씨, 자주 읽는 작가들의 인용문을 보여준다. [05:18]
• 발표자가 높이 평가한 것은 디자인 제안에 그치지 않고 기기에서 작동하는 결과까지 이어졌다는 점이다. 설계용 대화와 구현용 대화 사이의 인계가 매끄러웠다고 정리한다. [05:41]

4. 단순 보조를 넘어 인지적 파트너로 활용하기

• 전자잉크 사례를 통해, 해결하면 일상과 업무 부담을 줄일 수 있지만 정답의 모양을 완전히 설명하기 어려운 문제를 모델에 맡겨보자고 제안한다. 충분히 고민한 자료를 제공하고 함께 해법을 찾는 방식이다. [06:21]
• 발표자는 이를 보조 도구에서 인지적 파트너로의 이동으로 보여준다. 사람은 계속 집중하고 판단하며 의도를 전달하되, 모델과 동료에 가까운 방식으로 협업해야 한다고 드러낸다. [06:36]
• 영상은 Anthropic이 Remote Labor Index의 유료 원격 과제에서 Fable 5.2는 41%, Opus 5.5는 21%를 인간 전문가 이상으로 수행했다고 보고했다고 전해진다. 발표자는 이 차이를 실무 역량의 개선 신호로 해석하면서도 비용에 맞는 활용법을 찾아야 한다고 강조한다. [07:21]

5. 과제 수준의 포화와 비용을 정당화하는 기준

• 전략 문서 관련 API 대화에 250달러를 썼다는 사례와 크레딧 문제로 테스트가 멈췄다는 사례가 묶인다. 발표자는 기존 모델로 충분한 과제, 개선돼도 비용을 정당화하기 어려운 과제, 어렵지만 해결 가치가 충분한 과제를 구분한다. [08:48]
• 자신의 디스플레이 작업은 기존 주간 플랜 예산 안에서 끝냈다고 드러낸다. 이어 표준 API 가격을 입력 100만 토큰당 8달러, 출력 100만 토큰당 40달러로 소개하고, 대부분의 코딩·지식 업무는 Opus 5.5로 시작하라는 Anthropic의 권고를 전해진다. [09:23]
• 상위 모델은 충분히 어려운 과제를 골랐을 때 사용하자는 제안이다. API 이용자는 수백 달러를 지출해 훨씬 큰 가치를 얻을 수 있는 문제인지 따져야 하며, 1만 달러의 가치를 얻기 위해 수백 달러를 쓰는 상황을 예로 든다. [09:57]

6. 팀의 사용 기준과 사람의 평가 역량

• 기업은 직원에게 고성능 모델의 비용 대비 가치를 판단하게 하거나 접근을 제한하는 선택에 직면한다고 보여준다. 사용을 허용한다면 어떤 프로젝트에 투입하고 언제 저렴한 모델로 돌아갈지 명확한 기준을 제공해야 한다. [10:40]
• 같은 사무실에서도 추가 역량을 성과로 연결하는 사람과 비용·결과물 문제에 막히는 사람이 갈릴 수 있다. 유용한 문제를 알아보고, 제안된 해법을 평가하고, 수정할 부분을 찾는 능력이 중요해진다는 주장이다. [11:15]
• 발표자는 자신이 디자이너로 지시하기보다 고객으로서 품질을 판단하는 데 더 강했다고 보여준다. 자신의 강점이 어디에 있는지 파악하고 그 위치에서 모델과 협업하는 방식을 의도적으로 택했다. [12:08]

7. 연구소의 가속과 당장 적용할 수 있는 ROI

• AI 연구소에는 강력한 모델을 다음 모델의 개선에 투입할 유인이 있다고 보여준다. 발표자는 이를 재귀적 개선과 자율 AI 연구의 맥락에 놓고, 연구소 내부의 역량과 우선순위에 관한 자신의 해석을 제시한다. [13:12]
• 개인과 기업이 당장 집중할 대상은 접근 가능한 모델을 업무 성과로 연결하는 능력이라고 드러낸다. 연구 최전선과 일상 업무의 요구 수준 사이에는 격차가 있으며, 과제 수준의 포화도 계속 고려해야 한다는 설명이다. [13:44]
• 마지막에는 사무실에서 실제 ROI를 만드는 활용에 집중하자고 정리한다. 시청자에게 Fable 5.2를 어디에 쓸 가치가 있는지 묻고, Substack의 전체 글을 안내하며 마무리한다. [14:02]

🧾 결론

• 실패 기록과 피드백은 다음 시도를 위한 맥락이 될 수 있다. 이번 사례에서는 기존 결과물에 담긴 불만이 새로운 설계를 구체화하는 데 쓰였다.
• AI를 인지적 파트너로 활용하더라도 사람의 판단은 계속 필요하다. 발표자가 결과를 승인할 수 있었던 데에는 오랫동안 문제를 고민하며 형성한 품질 기준도 작용했다.
• 고성능 모델의 가치는 해결할 문제의 가치와 함께 평가해야 한다. 일상 업무는 기존 모델로 처리하고, 추가 역량이 필요한 과제에 선택적으로 상위 모델을 쓰는 접근이 영상의 실무적 결론이다.

📈 투자·시사 포인트

• 기업의 AI 활용 성과를 볼 때 모델 접근권뿐 아니라 가치 있는 과제를 찾는 능력, 결과를 평가하는 역량, 저렴한 모델로 되돌리는 운영 기준을 함께 살펴볼 필요가 있다.
• 모델 성능 향상과 고객의 지출 확대를 곧바로 동일시하기 어렵다. 영상에서 말하는 과제 수준의 포화와 비용 부담은 더 좋은 모델이 나와도 사용량이 크게 늘지 않을 수 있는 이유다.
• 발표자는 AI 연구소가 더 나은 AI를 다음 모델 개발에 투입할 수 있다는 점을 일반 기업과의 차이로 제시한다. 다만 연구 가속이 실제 사업 성과로 얼마나 연결되는지는 영상만으로 판단할 수 없다.
• 수백 달러를 들여 훨씬 큰 가치를 얻는다는 설명은 과제 선정의 예시다. 특정 기업이나 투자 자산의 수익률을 입증하는 자료로 해석할 근거는 제공되지 않는다.

⚠️ 불확실하거나 확인이 필요한 부분

• 전자잉크 디스플레이 구현은 발표자의 단일 경험이다. 전체 작업 기록, 평가 기준, 소요 시간과 비용이 공개되지 않아 다른 사용자나 과제에서도 같은 성과가 재현되는지 알 수 없다.
• 영상은 Anthropic이 Remote Labor Index에서 Fable 5.2의 성과를 41%, Opus 5.5를 21%로 보고했다고 전한다. 평가 조건과 원문 자료가 제공되지 않아 이 수치를 일반 업무의 성공률이나 생산성 향상률로 확대 해석하기 어렵다.
• 입력 100만 토큰당 8달러, 출력 100만 토큰당 40달러라는 API 가격과 주간 플랜 내 추가 지출에 관한 설명은 영상 속 주장이다. 실제 적용 모델, 요금 조건, 사용 한도는 별도 확인이 필요하다.
• 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

• 반복해서 실패했지만 해결 가치가 큰 과제 하나를 골라 기존 결과물, 거절 이유, 수정 피드백을 함께 정리한다.
• 모델에 이전 시도에서 드러난 의도와 품질 기준을 추론하게 하고, 제안된 설계를 사람이 검토한 뒤 구현으로 넘어간다.
• 설계 대화가 길어지면 인계 파일에 확정된 요구사항과 남은 작업을 정리하고 새 대화에서 구현을 이어간다.
• 기존 모델로 충분한 업무와 상위 모델이 필요한 업무를 구분하고, 예상 해결 가치와 허용 비용을 먼저 정한다.

❓ 열린 질문

• 이번 성공에서 모델 자체의 개선, 한 달간 축적된 실패 기록, 발표자의 평가 역량은 각각 얼마나 기여했을까?
• 우리 업무 중 기존 모델로 해결되지 않으면서도 수백 달러의 비용을 정당화할 만큼 가치가 큰 문제는 무엇인가?
• 모델이 사용자의 암묵적인 선호를 추론했을 때, 그 결과가 실제 의도에 부합하는지 어떤 기준으로 확인할 수 있을까?