Anthropic 사내에서 Claude Tag가 처리한 세 가지 업무를 소요 시간과 산출물 기준으로 정리하고, 잘 작동한 지시의 공통 구조와 국내 조직 도입 시 확인할 항목을 덧붙였습니다.
Anthropic이 2026년 8월 28일 How Anthropic employees use Claude Tag를 공개했습니다. Claude Tag는 Slack 같은 사내 메신저에 Claude를 상주시키는 기능입니다. 스레드에서 동료를 부르듯 @Claude를 태그하면 대화 맥락을 읽고 작업을 수행한 뒤 결과를 같은 스레드에 올립니다. 대화를 계속 따라가면서 자체 메모리와 사전 지시문을 근거로 언제 끼어들지 스스로 판단하기도 합니다.
글에 실린 세 가지 사례는 공통점이 있습니다. 여러 채널에 흩어진 대화를 모아 판단 가능한 형태로 만드는 작업이라는 점입니다. 국내 조직이 도입을 검토할 때 참고할 지점이 여기에 있습니다.
세 가지 사례 요약
원문이 밝힌 소요 시간과 산출물은 다음과 같습니다. 원문은 이 수치가 특정 직원의 개별 경험이며 작업 성격, 연결된 도구, 설정 방식에 따라 달라진다고 명시합니다.
| 사례 | 담당 | 투입한 지시 | 결과 | 소요 |
|---|---|---|---|---|
| Slack 스레드를 문서로 | 제품 마케팅 Hema Thanki | 15개 이상 메시지가 오간 스레드에서 원페이저를 만들어 달라고 태그 | 2페이지 초안. 이후 사실 확인을 요청하자 공개 문서로 검증된 주장과 자체 해석을 분리해 표시 | 4개 버전을 거쳐 45분 |
| 흩어진 기능 요청 취합 | 제품 전략·운영 Steph Soderborg | 검색 대상, 한 문장으로 된 일치 기준, 원하는 출력 형식 예시 | 약 20가지 검색 변형을 돌려 약 24개 계정 목록. 각 줄에 Slack 핸들, 팀, 계정, 원 요청 링크 | 약 26분 |
| 주간 제품 이슈 정리 | 동일 | 장애·에스컬레이션·지원·피드백 채널을 모두 읽으라는 지시 | 원시 발견 약 120건을 제품 영역별로 정리해 미해결 23건과 해결 14건. 재확인 요청 시 15건 추가 발견 | 약 50분 |
| 마케팅 자료 법무 검토 | 법무 Molly Villagra | 전용 Slack 채널에 규칙과 지시문 설정 | 근거 없는 마케팅 주장과 사실관계 오류를 조치 방법과 함께 지적. 사인오프가 필요한 항목만 담당 카운슬 태그 | 자산당 하루 이상에서 약 30분 |
두 번째 사례의 담당자는 이 작업을 직접 했다면 최소 1주일의 전일 근무가 필요했거나 아예 하지 않았을 일이라고 추정합니다.

잘 작동한 지시의 공통 구조
세 사례의 프롬프트를 비교하면 성공한 요청에 세 가지가 공통으로 들어 있습니다.
| 요소 | 사례에서의 형태 |
|---|---|
| 검색 범위 | 어느 채널과 어느 문서를 볼지 명시 |
| 일치 기준 | 무엇을 유효한 항목으로 셀지 한 문장으로 정의 |
| 출력 형식 | 이전 결과물을 그대로 붙여 넣어 예시로 제시 |
첫 번째 사례는 이 세 가지 없이 시작했다가 잘린 스레드 때문에 방향이 틀어졌고, 담당자가 더 넓은 맥락을 붙여 넣어 바로잡았습니다. 사람의 시간은 조사와 초안 작성에서 정확성 검증과 출처 제공과 포함 여부 판단으로 옮겨 갔습니다.
지시문이 스스로 갱신되는 구조
법무 사례가 가장 눈여겨볼 부분입니다. 뉴스레터 검토에서 Claude가 세 항목을 지적한 뒤, 몇 분 지나 요청 없이 사내 문서에서 근거를 찾아 그중 하나를 스스로 해소했습니다. 담당자는 채널에서 Claude를 태그해 앞으로도 지적할 때마다 실시간으로 검증을 시도하라고 요청했고, Claude는 이 항목을 이후 모든 검토에 적용되는 지시문 목록에 추가했습니다.
여기서 한 걸음 더 나아간 것이 금요일 루틴입니다. 그 주에 카운슬들이 남긴 피드백을 Claude가 읽고 공용 지시문 개정안을 제안하면 담당자가 승인합니다. 엔지니어링 배경이 없는 법무 담당자가 이 설정을 직접 구성했다는 점을 원문은 명시합니다.

접근 권한의 처리 방식
원문은 Claude의 접근 범위가 의도적으로 좁게 설정돼 있다고 설명합니다. 초대받은 채널과 권한이 부여된 문서만 사용하고, 필요한 자료에 접근할 수 없으면 그 사실을 알립니다. 두 번째 사례에서 제품 피드백 허브가 직접 접근을 막자 Slack의 상호 참조를 통해 항목을 끌어왔고, 다른 사내 어시스턴트가 먼저 올려 둔 1차 목록을 합치면서 중복을 제거했습니다. 막힌 자원에 대해 접근 권한을 요청하기도 합니다.
두 담당자 모두 Claude와의 개인 채널을 따로 두고 요청마다 별도 스레드를 씁니다. Claude는 그 채널에서 백그라운드로 작업하면서 진행 체크리스트를 갱신해 올립니다.
메신저를 작업 공간으로 쓰는 이유
같은 시기에 나온 The AI-native SDLC playbook은 Claude Tag를 장애 대응의 1차 응답자로 배치합니다. 밤 10시에 장애 채널로 들어온 요청이 사람을 기다리지 않고 즉시 처리되고, 채널 이력 자체가 감사 추적이 된다는 설명입니다. 요청과 진단과 사람의 승인과 수정이 모두 사건이 처리된 자리에 남습니다.
이 관점이 도입 판단의 핵심입니다. 별도 도구를 하나 더 도입하면 기록이 한 군데 더 늘어납니다. 메신저 안에서 처리하면 이미 존재하는 채널 이력이 기록의 원본 역할을 그대로 이어받습니다. 채널에 있는 누구나 가설을 던지고 실시간으로 확인할 수 있다는 점도 같은 구조에서 나옵니다.

국내 조직에서 확인할 것
| 확인 항목 | 내용 |
|---|---|
| 메신저 종류 | Claude Tag는 공개 베타 단계이며 Slack에서 제공됩니다. 사내 표준이 다른 메신저이면 현재로서는 적용 대상이 아닙니다 |
| 요금제 | Team과 Enterprise 플랜에서 Anthropic 자사 서비스로 제공됩니다 |
| 채널 권한 설계 | 접근 범위가 곧 산출물 품질을 결정합니다. 어떤 채널을 초대할지 정하는 일이 도입의 실제 작업량입니다 |
| 개인정보와 사내 규정 | 고객 정보나 인사 정보가 흐르는 채널을 포함할지 여부는 별도 검토가 필요합니다 |
| 기록물 관리 | 채널 이력이 감사 추적 역할을 하게 되므로 보존 정책과의 정합성을 확인해야 합니다 |
| 지시문 소유자 | 채널 지시문을 누가 관리하고 누가 개정을 승인할지 정해야 합니다. 법무 사례의 금요일 루틴이 이 문제의 해법입니다 |
실패하는 지점
- 검증 책임의 이전: 세 사례 모두 사람이 결과를 의심하고 출처를 보강했습니다. 첫 사례에서는 초안을 받은 직후 사실 확인을 별도로 지시했습니다
- 지시문 관리 주체의 부재: 지시문이 누적되기만 하고 정리되지 않으면 채널 동작이 예측 불가능해집니다
- 채널 초대 범위의 방치: 접근 권한을 넓게 열어 두면 편의는 오르지만 무엇이 읽혔는지 추적하기 어려워집니다
- 시간 절감치의 일반화: 45분과 26분과 30분은 특정 작업의 개별 사례입니다. 원문 자체가 이 점을 각주로 밝힙니다
Claude Tag 설정은 claude.ai/admin-settings/claude-tag에서, 문서는 claude.com/docs/claude-tag에서 확인할 수 있습니다. 원문은 How Anthropic employees use Claude Tag입니다.
코텍시스 AI 인사이트 최신 논문 리뷰
활성값을 보고 가중치를 지키는 AWQ 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.ai에서 맞춤 AI 개발 서비스를 확인하세요.


