[기획 실무] AI를 기획 프로세스에 제대로 녹여내는 방법 (feat. Claude, Codex)

메인페이지 사용성 개선 업무를 진행하면서, 기존의 기획 방식을 넘어 AI를 실무 깊숙이 활용하는 워크플로우를 세팅했다. 이번 작업의 핵심 목표는 단순한 오류 검증(QA)을 넘어선 '사용성(Usability)의 퀄리티 업그레이드'.

사수분에게 배운, 기획자가 AI를 비서가 아닌 '실무 파트너'로 활용해 기획을 고도화하는 과정을 기록으로 남겨둔다. 부사수나 다른 기획자들에게도 도움이 되길 바라며.

1. 시작은 환경 세팅부터: AI가 일하기 좋은 밥상 차리기

AI를 제대로 쓰려면 우리가 보는 폴더가 아니라, AI가 읽고 쓰기 좋은 폴더 구조를 잡아주는 것이 먼저다. 파일의 가공 상태에 따라 작업 공간을 5단계로 나눴다.

• 📍 작업 경로: [ServiceName]\[ProjectName]_QA\_SubProject\2607_메인페이지 개선

• 📂 00.Inbox: 분류 전 모든 자료가 일단 던져지는 대기 공간

• 📂 01.Source: 회사 소개서, 매뉴얼 등 AI가 바로 읽기 어려운 날것의 Raw 파일

• 📂 02.Benchmark: AI가 벤치마킹을 통해 찾아낸 참고 문서나 개선안

• 📂 03.Resource: Source 파일을 AI가 소화하기 좋게 마크다운(.md)으로 변환한 파일

• 📂 04.Output: AI가 위 재료들을 바탕으로 만들어낸 목업 등 최종 산출물

2. 장비 챙기기: CLI 환경에서 Claude & Codex 다루기

이번 작업은 웹브라우저가 아니라 CLI 환경에서 진행했다. 상황에 따라 두 가지 모델을 스위칭하며 쓴다.

• Claude: 속도가 빠르고 검색이 정확하다. 정책서처럼 논리가 필요한 작업에 유리함.
• Codex: 속도는 살짝 느린 편. 주로 Claude의 토큰이 부족할 때 훌륭한 대안으로 투입한다.

작업 전 필수 루틴 (환경 업데이트) 작업을 시작하기 전 무조건 환경부터 최신으로 맞춘다. 사용할 AI에 따라 아래 명령어들을 CLI 창에 날려준다.

• Claude 업데이트: OMC (Oh My Claude의 약자), claude update
• Codex 업데이트: codex update, hud update (참고로 hud는 Head Up Display의 약자로, Codex의 남은 토큰을 직관적으로 확인하게 해줘서 유용하다.)

기획자 맞춤 모델 세팅 툴에 따라 모델과 옵션을 다르게 세팅해준다.

• Codex 세팅: /model 명령어를 쳐서 기획자가 쓰기 가장 좋은 5.6 sol 모델을 선택하고, 작업 속도를 위해 Extra high 옵션을 준다.
• Claude 세팅: /effort high 명령어로 모델 옵션을 세팅한다.

3. 실무 투입: 기획 고도화 3단계 루프

본격적인 기획은 **[벤치마킹 ➔ 정책 고도화 ➔ 목업]**의 과정을 미친 듯이 빠르게 반복하는 것이다. 이 과정에서 프롬프트를 칠 때 기획자에게 특화된 4가지 스킬을 적재적소에 쓴다.

💡 기획자 전용 4대 스킬

1. insane-search: 심도 있는 정보나 레퍼런스 검색이 필요할 때 쓴다. (단, 툴마다 명령어가 다름. Codex는 $insane-search-codex, Claude는 /insane-search로 입력해야 한다.)
2. grill-me: 정책서를 날카롭게 다듬고 논리의 구멍을 찾을 때 최고다.
3. brainstorming: grill-me로 정책을 까이다가(?) 막혔을 때, 발상을 전환하는 용도.
4. deep-interview: 겉핥기식 대답 말고, 더 깊은 요구사항이나 숨은 의도를 파헤칠 때 쓴다.

🔄 루프 돌리기 실전 (사수의 가이드) 실제 계정 정보를 던져주고 초기 분석을 시킨다. 그 후 *"Benchmark에서 나온 개선안을 기반으로 유려하게 목업 만들어서 04.Output 폴더에 넣어라"*라고 지시한다.

단, 대화가 너무 길어지면 AI도 멍청해진다. Context 신선도가 떨어졌다 싶으면 /rewind 스킬을 써서 맥락을 리셋하거나 뇌를 씻어주어야 한다.

🏃‍♂️ 직접 부딪히며 얻은 나의 팁: "모르겠으면 일단 Go!" 이 과정을 직접 해보면서 얻은 깨달음이 하나 있다. 프롬프트를 짤 때 특정 폴더의 위치나 배경 정보를 구구절절 다 적어야 AI가 알아들을까? 싶을 때가 있는데, 고민할 시간에 일단 엔터를 쳐보는 것이 낫다. 생각보다 AI가 찰떡같이 맥락을 파악하고 결과물을 뱉어내는 경우가 대부분이다.

4. 피드백 및 트러블슈팅: 벤치마크와 목업 고도화

AI가 한 번에 완벽한 결과물을 내놓지는 않는다. 이번 작업에서도 몇 가지 이슈가 있었고, 이를 해결하며 디테일을 끌어올렸다.

① 목업 완성도 개선 및 차이점 비교 (Comparison) 초기 생성된 목업의 퀄리티가 다소 아쉬웠다. 그래서 AI에게 기존 화면과 어떤 점이 달라졌는지 '차이점 분석'을 추가로 요청했다. 그 결과 comparison 문서가 생성되었고, 정적인 화면 구조보다는 **동적 영역(Dynamic interaction area)**의 변경 사항이 많다는 명확한 피드백을 확보할 수 있었다. 이를 바탕으로 목업을 더 정교하게 수정했다.

② 로그인 제약 극복을 위한 벤치마크 업데이트 초기 벤치마크 단계에서도 한계가 있었다. Codex를 이용해 분석을 돌렸는데, 계정 로그인이 되지 않은 상태라 분석 깊이가 얕았다. 이를 해결하기 위해 툴을 바꿨다. Claude에 기존 벤치마크 데이터를 입력값(Input)으로 먼저 제공한 뒤, 동일한 벤치마크 프롬프트를 다시 실행했다. 결과는 성공적이었다. 기존 데이터를 참고하면서도, 로그인 상태에 상응하는 정보와 상세한 개선안이 추가된 '업데이트 버전'의 벤치마크를 획득할 수 있었다.

5. 마무리: 결국 남는 건 사람과의 싱크, 그리고 문서

AI가 04.Output에 훌륭한 목업과 정책을 뽑아냈다면, 이제 개발팀과 만날 시간이다. AI가 만든 결과물을 바탕으로 현실적인 구현 가능성과 디테일을 논의한다.

협의가 끝난 최종 기획 내용은 다시 마크다운(.md)으로 작성해 보관한다. 이래야 다음 번 개선 작업 때 AI가 이 문서를 Resource로 바로 삼킬 수 있기 때문이다.

기획자의 업무 방식이 바뀌고 있다. 툴의 사용법을 넘어 LLM에 대한 근본적인 이해가 필요해졌다. 틈틈이 사수님이 공유해준 LLM Wiki 관련 자료와 Claude 지침서를 파봐야겠다.