How to Reduce Claude AI Tokens by 80% (FREE!)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Claude AI 토큰을 최대 80% 줄이려면 무료 설정과 작업 습관으로 불필요한 컨텍스트를 줄이고, 모델·추론 강도를 조절한 뒤 실제 작업의 총사용량으로 효과를 확인해야 한다.

📌 핵심 요점

1. 토큰 절약의 중심은 질문 길이보다 누적 컨텍스트다. 영상은 대화 기록·파일·명령 결과·도구 설명이 반복해서 전달되므로, 처음 불러오는 정보와 이후 쌓이는 정보를 함께 줄여야 한다고 설명한다.
2. 큰 표는 붙여넣기보다 파일 첨부를 활용한다. 영상이 인용한 실험에서는 같은 표와 25개 질문에 대해 정답이 6개에서 25개로 늘고 토큰은 약 12분의 1로 줄었다.
3. 명령 출력과 도구·규칙의 상시 적재를 줄인다. Token Saver의 단일 테스트에서는 명령 결과가 약 71,000토큰에서 1,400토큰으로 줄었으며, 도구 검색과 불필요한 연결 해제도 제안한다.
4. 작업 경계에서 세션을 정리하고 모델과 추론 강도를 맞춘다. /clear, 인계 메모, /compact를 활용하고, 어려운 설계와 단순 구현에 서로 다른 모델을 배치한다.
5. 부분 절감률보다 작업 전체의 사용량과 품질을 비교한다. 영상에서 RTK는 명령 출력을 77% 줄였지만 별도의 실제 작업 시험에서는 총사용량이 약 7~12% 늘었다.

🧩 배경과 문제 정의

영상은 Claude 사용 한도에 자주 막히는 사용자를 대상으로, 기존 요금제를 더 오래 활용하는 설정과 습관을 소개한다. 핵심 문제는 사용자가 직접 입력한 문장보다 대화 기록, 읽은 파일, 명령 결과, 도구 설명, 상시 규칙처럼 반복해서 전달되는 정보가 커질 수 있다는 점이다.

해결 방향은 처음 불러오는 정보를 줄이고, 불필요한 결과가 대화에 들어오는 것을 막으며, 작업에 필요한 만큼의 모델·추론 자원을 사용하는 것이다. 발표자는 자체 측정과 Anthropic 등의 실험을 인용하지만, 부분적인 토큰 절감이 전체 작업의 절감으로 이어지는지는 별도로 측정해야 한다고 강조한다.

🕒 시간순 섹션별 상세정리

1. 입력 문장보다 큰 누적 컨텍스트

• 무료 설정과 습관으로 토큰을 최대 80% 줄일 수 있다고 예고한다. 영상은 메시지뿐 아니라 이전 답변, 파일, 명령 결과도 후속 요청에 함께 실리며 대화가 길수록 부담이 커진다고 보여준다. [01:51]
• 발표자의 환경에서는 두 토큰인 인사말 앞에 지침·도구 설명·규칙·스킬 등 60,000토큰 이상이 적재됐고, 한 측정에서는 약 70,000토큰에 도달했다고 한다. [02:16]
• 절감 방법을 초기 적재량 축소, 불필요한 정보 유입 방지, 작업에 맞는 사고 자원 배분의 세 가지로 정리한다. [02:36]

2. 큰 표는 붙여넣기보다 파일 첨부

• Anthropic의 실험으로 소개한 사례에서 표를 프롬프트에 붙이면 요청마다 약 91,000토큰이 들어갔고 정답은 25개 중 6개였다. 파일로 올리고 필요할 때 코드로 조회하게 하자 25개 모두 정답을 맞히고 토큰은 약 12분의 1로 줄었다고 보여준다. [03:17]
• 고객 목록·매출 내역·큰 스프레드시트는 파일로 첨부하라고 권한다. 붙여넣은 데이터는 대화에 남지만 파일은 필요한 부분을 조회하는 방식이며, Claude 앱에서도 적용할 수 있다고 드러낸다. [03:40]

3. 긴 명령 출력을 걸러내는 Token Saver

• 테스트 결과와 로그 수천 줄이 대화에 남으면 이후 메시지에서도 부담이 된다. 영상은 오류 줄만 추출하는 훅을 예로 들고, 명령 실행 전후에 자동으로 작동하는 규칙이라고 보여준다. [04:24]
• Token Saver는 긴 결과의 앞·뒤와 문제를 언급한 줄, 그 직후의 몇 줄을 남기고 원문은 파일로 보관한다. 3,000개 결과와 실패 하나가 있는 테스트에서 약 71,000토큰이 1,400토큰으로 줄면서 실패 원인은 유지됐다고 한다. [05:09]
• 이는 단일 명령의 결과이며 세션 전체가 같은 비율로 줄어드는 것은 아니라고 선을 긋는다. 큰 파일의 첫 전체 읽기를 막아 검색을 유도하고, 컨텍스트 계기판과 60% 초과 경고도 제공한다고 보여준다. [05:51]

4. 모드와 운영 자료를 묶은 커뮤니티 홍보

• AI Profit Boardroom에서 Token Saver 설치 단계, 절감 설정 모음, 사용량 점검 프롬프트, 세션 인계 체계를 제공한다고 안내한다. [06:16]
• 모델·메모리를 모은 agent OS, 30일 로드맵, 주간 코칭, 일일 튜토리얼, 회원 지도도 보여준다. 발표자는 사업자 3,400명 이상이 참여한다고 말하며 가입 경로를 안내한다. [06:53]

5. 도구 설명과 상시 규칙 줄이기

• 한 환경에서 도구 88개의 설명이 약 40,000토큰을 차지했다고 한다. 도구 검색은 이름을 먼저 두고 세부 설명을 필요할 때 조회하는 방식이며, Anthropic이 도구 토큰을 최대 85% 줄였다고 보고한 것으로 보여준다. [07:31]
• 발표자의 측정에서는 설정 하나를 바꿔 초기 요청이 약 89,000토큰에서 61,000토큰으로 줄었다고 한다. /context로 구성을 보고 /mcp로 불필요한 연결을 끄며, 가능한 도구는 gh 같은 CLI로 대체하라고 권한다. 프록시·게이트웨이에서는 도구 검색이 꺼질 수 있다고 경고한다. [08:12]
• 상시 규칙 파일은 200줄 미만을 목표로 매일 필요한 내용만 남기고, 특정 업무의 지침은 스킬로 옮기라고 제안한다. 업무와 프로젝트 구조를 설명하는 스킬은 탐색을 위한 반복 파일 읽기도 줄일 수 있다고 보여준다. [09:00]

6. 작업 경계에서 초기화하고 메모로 인계하기

• 관련 없는 작업으로 넘어갈 때 /clear를 사용한다. 작업 도중에는 목표·시도한 내용·다음 단계를 세 줄로 적어 초기화 후 붙여넣고, Token Saver의 /handoff도 활용할 수 있다고 보여준다. [09:40]
• 대화를 이어가려면 컨텍스트가 약 60% 찼을 때 자연스러운 작업 경계에서 /compact를 쓰고 보존할 내용을 지정하라고 권한다. 요약 자체도 기존 내용을 읽으므로 한계에 도달할 때마다 반복하는 방식은 부담이 된다고 보여준다. [10:10]
• 오래된 결과를 작업 경계에서 정리한 장기 에이전트 실험은 약 39% 절감 사례로 제시한다. 긴 휴식 뒤에는 캐시가 식어 다음 요청의 재처리 부담이 커질 수 있으므로 새 작업이라면 먼저 초기화를 고려하라고 한다. [10:39]

7. 설계와 구현에 맞춰 모델 나누기

• 대부분의 코딩에는 Sonnet, 큰 결정과 어려운 버그에는 Opus, 작은 일과 보조 에이전트에는 Haiku를 제안하며 /model로 세션 중에도 바꿀 수 있다고 보여준다. [10:59]
• 큰 모델로 계획을 세우고 가벼운 모델로 구현하는 방식을 권한다. 이전 실험에서 작업 분배는 약 절반, 계획·구현 모델 분리는 약 59% 적은 사용량을 보였지만 작업별로 측정해야 한다고 덧붙인다. [11:31]

8. 추론 강도와 보조 에이전트의 비용 관리

• 동일한 프롬프트에 낮음·높음·매우 높음 강도를 적용했을 때 출력 토큰이 각각 108·358·963이었으며, 돌아온 답은 같은 세 문장이었다고 보고한다. [11:59]
• /effort로 단순 글쓰기나 목록 정리에는 낮음·중간, 실제로 어려운 문제에는 높음을 사용하고 최상위 강도는 필요한 작업에 한정하라고 권한다. [12:11]
• 테스트·문서·로그 탐색은 별도 대화에서 일하는 작은 모델의 보조 에이전트에 맡겨 요약만 받는 방식을 제안한다. 다만 계획 모드의 에이전트 팀은 일반 세션보다 약 7배의 토큰을 쓸 수 있다며 규모와 역할을 제한하고 종료 후 중단하라고 경고한다. [12:54]

9. 명확한 목표와 빠른 방향 수정

• 막연한 프로젝트 개선보다 특정 파일의 로그인 검증 추가처럼 대상과 완료 조건을 명시하라고 권한다. 통과할 테스트나 결과 화면을 제시하면 스스로 확인해 추가 수정 대화를 줄일 수 있다고 보여준다. [13:19]
• 잘못된 방향이 보이면 즉시 Escape로 멈추고, 영상에서 소개한 /re로 이전의 적절한 지점으로 돌아가라고 한다. 잘못 진행한 과정도 이후 컨텍스트에 남는다는 이유다. [13:33]

10. 절감 도구는 전체 사용량으로 검증하기

• Headroom은 코딩 15~20%, 구조화 데이터 60~95% 축소를 보고한다고 보여준다. Ponytail은 코드량 평균 54% 감소와 80쌍 실험의 작업당 약 10% 절감을, Caveman은 광고상 65%와 달리 실제 코딩 약 8~12%, 짧은 질문 약 50% 절감을 제시한다고 보여준다. [14:20]
• RTK는 자체 벤치마크에서 명령 출력을 77% 줄였지만, JetBrains의 낮은 추론 강도 실제 작업 시험에서는 총사용량이 약 7~12% 늘었다고 한다. 정보 축소로 경로가 길어질 수 있으므로 자신의 모드도 포함해 한 번에 하나씩 설치하고 작업 전후를 비교하라고 강조한다. [15:02]
• /usage로 사용량을, /insights로 작업 패턴을 점검하라고 안내한다. 유료 요금제의 분류 표시와 신버전의 F 키 제안 적용도 소개하며, 불필요한 예약 루프를 중단하고 웹 검색은 필요한 때 사용하라고 권한다. [15:42]

11. 운영 습관 전환과 이번 주 실행 순서

• 하루 종일 열린 대화, 표 붙여넣기, 모든 연결 활성화, 최상위 모델·강도 사용 대신 작업별 세션, 파일 첨부, 연결 정리, 짧은 규칙, 모델 분담, 적절한 시점의 압축을 제안한다. [16:25]
• 정보를 줄여도 품질이 좋아질 수 있다는 근거로 표 실험을 다시 들고, 모델이나 강도를 낮춰 품질이 떨어지면 해당 작업에서 올리라고 한다. 최대 80%는 여러 조치를 쌓았을 때의 상단이며 이미 효율적으로 쓰는 사용자는 절감 폭이 작다고 보여준다. [17:24]
• 이번 주에는 사용량·컨텍스트 기록, 연결·규칙 정리, 작업 간 초기화와 파일 첨부, Sonnet 기본 사용과 단순 작업의 강도 하향을 순서대로 시도하라고 권한다. 모드도 한 번에 하나씩 적용해 평소 작업으로 다시 측정하라고 한다. [17:54]

12. 최종 홍보와 핵심 메시지 재확인

• 커뮤니티에서 출력 필터·계기판·인계 명령이 포함된 Token Saver와 설정 자료, 사용량 감사 프롬프트, agent OS, 코칭 등을 제공한다고 다시 홍보한다. [18:42]
• 반복되는 대화와 초기 적재량을 줄이고, 파일 첨부·출력 정리·세션 초기화·모델 및 강도 조정을 조합하라는 메시지를 요약한다. 도구의 표시 수치가 실제 작업에서도 유지되는지 확인해야 한다고 재차 강조한다. [19:26]
• 대부분은 당장 시도할 수 있는 무료 설정이라고 마무리하며, 긴 대화와 과도한 도구 연결 중 무엇이 가장 큰 토큰 소모원인지 시청자의 경험을 요청하고 종료한다. [19:39]

🧾 결론

• 최대 80%는 여러 조치를 조합했을 때 제시하는 상단 수치이며, 모든 사용자에게 보장되는 결과가 아니다.
• 파일 첨부, 작업별 세션 정리, 연결 정리, 적절한 모델·추론 강도 선택이 영상이 제안하는 기본 실천이다.
• 출력 필터와 보조 에이전트도 추가 탐색이나 호출을 유발할 수 있으므로, 작업 완료까지의 총사용량과 결과 품질로 판단해야 한다.

📈 투자·시사 포인트

• 영상의 경제적 초점은 기존 요금제의 활용도다. 같은 작업을 더 적은 사용량으로 끝내면 한도에 막혀 작업이 중단되는 상황을 줄일 수 있다는 주장이다.
• 최상위 모델을 모든 단계에 쓰기보다 설계·구현·보조 작업에 맞춰 배치하는 운영 방식이 비용과 생산성을 평가하는 핵심 변수가 된다.
• 토큰 절감 도구는 광고 수치와 실제 효율이 다를 수 있다. 도입 판단에는 출력 축소율보다 전체 사용량, 추가 작업 단계, 결과 품질을 함께 비교하는 방식이 적합하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 최대 80%, 파일 첨부 시 약 12분의 1, 모델 분담 시 약 59% 절감 등은 영상이 소개한 특정 조건의 결과다. 원자료와 상세한 실험 조건은 제공된 대본만으로 확인할 수 없으며, 수치를 합산해서도 안 된다.
• 초기 60,000~70,000토큰, 도구 88개의 설명에 약 40,000토큰 등은 발표자의 특정 환경 측정이다. 자신의 환경에서도 같은 규모인지 별도로 확인해야 한다.
• 영상은 캐시가 최근 대화의 재처리 부담을 줄인다고 설명한다. 따라서 컨텍스트 크기, 명령 출력 토큰, 실제 요금제 사용량을 같은 지표로 취급하면 효과를 잘못 판단할 수 있다.
• 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

• /usage와 /context로 현재 사용량과 큰 컨텍스트 항목을 기록하고, 비교할 대표 작업을 정한다.
• /mcp에서 당일 사용하지 않는 연결을 끄고, 프록시·게이트웨이를 사용한다면 도구 검색이 작동하는지 확인한다.
• 상시 규칙 파일에는 매일 필요한 규칙을 남기고, 특정 업무의 지침은 필요할 때 불러오는 스킬로 옮긴다. 영상이 제안한 200줄 미만을 정리 기준으로 참고한다.
• 큰 표는 파일로 첨부하고, 다른 작업으로 전환할 때 /clear를 사용한다. 진행 중인 작업은 목표·시도한 내용·다음 단계의 세 줄 메모로 인계한다.

❓ 열린 질문

• 내 작업에서 가장 큰 사용량 원인은 누적 대화, 도구 설명, 명령 출력, 추론 강도 중 무엇인가?
• 출력을 줄인 뒤 추가 탐색이나 재시도가 늘어 총사용량이 오히려 증가하지는 않는가?
• 세션 초기화와 인계 메모를 어느 작업 경계에서 사용해야 맥락 손실과 반복 설명을 함께 줄일 수 있는가?