문서 소개
Anthropic이 자사 팀들이 Claude Code를 실제 업무에 어떻게 적용하고 있는지 정리한 문서를 공개했습니다. 팀마다 Claude Code를 다르게 활용하고 있으며, 단순한 코드 자동화 도구를 넘어서 조직 전반의 생산성 향상 도구로 활용되고 있다는 점이 인상적입니다.
Claude Code는 Anthropic이 개발한 AI 코딩 도우미로, 단순한 코드 작성 지원을 넘어 실제 개발, 인프라 운영, 보안, 마케팅, 디자인, 법무 등 다양한 부서에서 실무를 자동화하거나 복잡한 문제를 해결하는 데 활용되고 있습니다. 문서에서는 각 부서가 Claude Code를 어떻게 활용하고 있는지를 구체적인 예시와 함께 소개하고 있으며, 팀 간 격차를 줄이고 생산성을 높이는 데 어떤 방식으로 기여하고 있는지를 잘 보여줍니다.
개발팀은 물론, 비개발 부서에서도 Claude Code를 통해 코드 기반 워크플로우를 직접 구축하거나 운영 자동화를 시도하고 있다는 점에서 매우 흥미로운 시도입니다. 특히, 비개발자가 직접 애플리케이션을 구현하거나, 내부 도구를 만들 수 있다는 점이 인상적이었습니다.
Claude Code는 GitHub Copilot, Cursor, Cody 등 다양한 AI 개발 도구들과 유사한 점이 있지만, Anthropic의 Claude Code는 "기업 내 실무팀"을 중심으로 한 통합적 도입이라는 점에서 차별화됩니다. 단순히 코드 제안 기능만 제공하는 것이 아니라, 문서 기반 작업 자동화, 시각화 도구 구축, 보안 검토, 광고 콘텐츠 생성 등 광범위한 영역을 지원하는 것이 특징입니다.
또한, GitHub 연동을 기반으로 실시간 티켓 자동 처리, Markdown 기반 문서 해석 및 실행, 다양한 언어 간 코드 변환 등 ‘팀 협업’을 위한 기능들이 상대적으로 강화된 느낌입니다.
주요 내용
데이터 인프라 (Data Infrastructure)
데이터 인프라 팀은 회사 전반의 비즈니스 데이터를 조직하고 관리하는 업무를 담당하고 있으며, Claude Code를 활용하여 반복적인 데이터 엔지니어링 작업을 자동화하고 복잡한 인프라 문제를 신속하게 해결하고 있습니다. 또한 기술과 비기술 인력을 아우를 수 있는 문서화된 워크플로우를 구축함으로써, 누구나 데이터를 자율적으로 접근하고 조작할 수 있도록 지원하고 있습니다. 예를 들어, 쿠버네티스 클러스터가 pod를 스케줄링하지 못하는 장애 발생 시, 대시보드의 스크린샷을 Claude Code에 제공하여 Google Cloud의 UI를 단계적으로 탐색한 끝에 IP 주소 풀 고갈 문제를 진단하고, 구체적인 명령어를 통해 문제를 해결할 수 있었습니다. 비개발자인 재무팀 구성원이 자연어로 작성한 텍스트를 Claude Code가 해석하고, 데이터 쿼리부터 Excel 파일 출력까지 전체 프로세스를 자동으로 실행할 수 있도록 하였습니다. 신규 데이터 과학자에게는 Claude.md 파일을 기반으로 대규모 코드베이스 탐색과 파이프라인 이해를 지원함으로써 빠른 온보딩을 돕고 있으며, 각 작업 세션 종료 시 Claude Code가 자동으로 요약과 개선 제안을 제공하여 문서의 지속적인 정제와 개선이 가능해졌습니다. 동시에 여러 작업 인스턴스를 실행하더라도 컨텍스트를 보존할 수 있어, 병렬적이고 연속적인 업무 수행이 가능해졌습니다. Claude.md 파일을 충실히 작성하고, 민감한 데이터 처리 시에는 CLI 대신 MCP 서버를 활용하며, 팀 내 공유 세션을 통해 모범 사례를 확산시키는 방식이 주요한 실천 방안으로 제안되고 있습니다.
제품 개발 (Product Development)
Claude Code 제품 개발 팀은 자체적으로 Claude Code의 기능을 확장하고 엔터프라이즈 기능 및 자율 루프(agentic loop)를 구축하는 데 Claude Code를 적극 활용하고 있습니다. 특히 “Auto-Accept Mode”를 통해 낯선 문제를 Claude에게 전달하고, 코드 작성과 테스트, 반복 작업을 자율적으로 수행하게 한 후, 약 80% 완성된 코드를 기반으로 개발자가 최종 수정을 진행하는 방식으로 신속한 프로토타이핑을 실현하고 있습니다. 핵심적인 비즈니스 로직 개발 시에는 동기적 협업 방식을 채택하여, 상세한 구현 지침을 제공한 후 Claude의 실시간 작업을 감독하며 코드 품질과 스타일 가이드 준수를 동시에 확보하고 있습니다. 예를 들어 Vim 키 바인딩 기능의 경우, 전체 구현의 약 70%를 Claude가 자율적으로 완성하였으며, 이는 소수의 수정을 통해 최종 완료할 수 있었습니다. GitHub PR 리뷰에서도 Claude가 자동으로 테스트를 생성하고 포맷 문제나 함수명 변경 등을 처리함으로써, 개발자의 반복 업무 부담을 줄이고 있습니다. 코드베이스 탐색 또한 Claude를 통해 빠르게 구조를 파악하고 관련 파일을 확인할 수 있게 되면서 문맥 전환 비용을 절감할 수 있었습니다. Claude Code를 효과적으로 활용하기 위해서는 빌드 및 테스트, 린트 과정을 포함한 자율 루프를 구성하고, 추상적인 기능은 비동기적으로, 핵심 로직은 동기적으로 작업하는 구분 감각을 갖추는 것이 중요합니다. 또한 유사한 명칭의 컴포넌트가 있는 경우에는 Claude에게 명확하고 구체적인 프롬프트를 제공하는 것이 바람직합니다.
보안 엔지니어링 (Security Engineering)
보안 엔지니어링 팀은 소프트웨어 개발 생명주기의 전 과정에서 보안을 확보하고, 공급망 보안 및 개발 환경의 안전성을 유지하는 역할을 수행하고 있습니다. 이 팀은 Claude Code를 활용하여 스택 트레이스를 분석하고 코드의 흐름을 추적함으로써 복잡한 인프라 문제를 평균 10~15분에서 약 5분으로 단축하여 해결할 수 있게 되었습니다. Terraform 계획서와 같은 인프라 변경사항에 대해 Claude에게 “이 변경이 어떤 영향을 줄 것인가?”라는 질문을 던짐으로써, 보안팀의 빠른 승인과 병목 현상 감소를 실현하였습니다. 또한 Claude는 여러 문서를 수집하고 이를 기반으로 런북(runbook), 문제 해결 가이드, 시스템 개요 등의 마크다운 문서를 자동으로 생성함으로써, 전체 디버깅 및 문서화 흐름을 간결화시켜주고 있습니다. 과거에는 테스트 없이 진행되던 코드 개발이 이제는 pseudocode 기반의 테스트 주도 개발(TDD) 방식으로 전환되었으며, Claude의 지도를 받으며 점진적으로 코드를 정제해나가는 워크플로우를 정착시켰습니다. 특히 기존 프로젝트에 신규 인력이 투입될 때, 수주가 소요되던 온보딩을 수일 내로 단축시켜 기여를 가능하게 하였습니다. 보안 엔지니어링 팀은 전체 monorepo에서 커스텀 Slash 명령어의 50% 이상을 사용하고 있으며, Claude가 먼저 코드를 작성하도록 유도하고 주기적으로 점검하는 방식이 더욱 종합적인 솔루션을 도출한다고 평가하였습니다. 코드 작성 외에도 문서화, 슬랙 메시지, 구글 문서 등의 출력 형식으로 Claude의 응답을 바로 활용할 수 있도록 포맷팅을 설정하는 것이 효과적인 활용법으로 제시되었습니다.
추론 (Inference)
Inference 팀은 Claude가 사용자 프롬프트를 읽고 응답을 생성할 때 사용하는 메모리 시스템을 관리하고 있으며, 특히 머신러닝 비전공자도 팀의 업무에 빠르게 기여할 수 있도록 Claude Code를 적극적으로 활용하고 있습니다. 복잡한 코드베이스에 투입된 팀원들은 Claude에게 특정 기능을 호출하는 파일이나 시스템 구조를 질의함으로써, 수작업 탐색이나 동료 문의 없이도 몇 초 만에 필요한 정보를 얻고 있습니다. 기능을 구현한 후에는 Claude에게 포괄적인 유닛 테스트 생성을 요청하여, 사람이 놓치기 쉬운 엣지 케이스까지 자동으로 커버할 수 있도록 하고 있으며, 이 과정을 통해 테스트 작성에 소요되는 정신적 부담을 크게 줄이고 있습니다. 또한 Claude는 모델 함수와 설정의 의미를 설명해줄 수 있어, 머신러닝 배경 지식이 부족한 구성원도 문서를 탐독하거나 검색 엔진을 사용하는 시간 없이 빠르게 개념을 습득할 수 있습니다. 기능을 다른 언어로 테스트해야 할 경우에도, Claude에게 의도를 설명하면 필요한 로직을 해당 언어(예: Rust)로 변환해 제공함으로써 언어 장벽을 제거해줍니다. 쿠버네티스 관련 복잡한 명령어도 Claude에게 직접 물어봄으로써 즉각적인 해결이 가능해졌습니다. Claude Code의 효율적인 활용을 위해서는 우선 코드 생성을 시도하고, 그 결과를 검토하며 도구에 대한 신뢰를 형성해가는 방식이 추천됩니다. 특히 테스트 코드를 자동으로 생성하도록 Claude를 활용하는 것은 코드 품질 유지와 생산성 향상에 큰 도움이 되고 있습니다.
데이터 사이언스 및 시각화 (Data Science & Visualization)
데이터 사이언스 및 머신러닝 엔지니어링 팀은 모델의 성능을 직관적으로 이해할 수 있는 시각화 도구를 개발하는 데 Claude Code를 적극적으로 활용하고 있습니다. JavaScript나 TypeScript에 대한 경험이 거의 없더라도, Claude Code를 통해 React 기반의 복잡한 대시보드 애플리케이션을 개발할 수 있었으며, 실제로는 5,000줄에 달하는 TypeScript 앱을 Claude가 거의 단독으로 작성한 사례도 있었습니다. 반복적인 리팩토링 작업이나 병합 충돌과 같이 복잡하지만 자동화가 어려운 작업은 현재 상태를 커밋한 후, Claude에게 약 30분간 자율적으로 작업을 맡기고 결과물을 평가하여 수용하거나 새롭게 시도하는 식으로 처리하고 있습니다. 이전에는 일회성 Jupyter 노트북을 통해 데이터를 분석했다면, 이제는 Claude를 통해 재사용 가능한 시각화 대시보드를 구축함으로써 향후 평가나 모델 훈련 시에도 일관된 도구를 사용할 수 있게 되었습니다. 이와 같은 방식은 Claude의 성능을 보다 심층적으로 분석하고 시각적 신호를 기반으로 모델 개선 결정을 내리는 데 실질적인 도움을 주고 있습니다. 또한 코드베이스나 언어에 대한 사전 지식 없이도 Claude가 맥락을 수집하여 자동으로 구현을 완수할 수 있기 때문에, 본인의 전문 영역을 넘어서는 업무에 대해서도 능동적인 생산성이 가능해졌습니다. Claude를 “슬롯 머신”처럼 활용하여 실패 시 새로 시도하고, 복잡한 설계가 감지되면 “더 간단한 방법을 시도해보라”고 요청하는 방식이 높은 효율을 보이고 있습니다.
API
API 지식 팀은 PDF 처리, 인용 기능, 웹 검색 등 Claude의 확장 기능을 담당하며, 복잡한 코드베이스를 탐색하고 이해하는 데 있어 Claude Code를 중요한 조력자로 활용하고 있습니다. 작업을 시작할 때 Claude에게 어떤 파일을 분석해야 하는지를 먼저 질의함으로써, 수동적인 탐색 과정을 생략하고 효율적으로 문제에 접근할 수 있게 되었습니다. 낯선 영역에서 버그가 발생했을 때도 Claude에게 “이 문제를 해결할 수 있겠는가?”라고 질문하면, 종종 즉시 수정 방향을 제시받아 문제 해결 속도가 빨라졌습니다. 또한 Claude Code는 항상 최신 모델 스냅샷을 활용하고 있기 때문에, 팀은 이를 통해 실시간으로 모델의 변화와 성능을 직접 체험하는 “도그푸딩(dogfooding)” 환경으로 활용하고 있습니다. 이전에는 Claude.ai에 여러 코드 조각을 복사하고 문맥을 설명해야 했으나, 이제는 Claude Code 내부에서 바로 질의하고 응답을 받을 수 있어 문맥 전환에 따른 정신적 피로가 현저히 줄어들었습니다. Claude Code를 효과적으로 사용하기 위해서는 완벽한 결과를 한 번에 기대하기보다는 반복적인 협업 대상으로 접근하고, 최소한의 정보로 시작하여 Claude가 스스로 탐색하고 안내할 수 있도록 하는 방식이 가장 적절한 활용법으로 소개되고 있습니다.
그로스 마케팅 (Growth Marketing)
비개발자 단독으로 운영되고 있는 그로스 마케팅 팀은 Claude Code를 활용하여 성과 기반 광고, 이메일 마케팅, SEO 등 다양한 업무를 자동화하고 있습니다. Google Ads 광고 카피를 자동으로 생성하기 위해, 팀은 성과 데이터가 담긴 CSV 파일을 Claude에 제공하고, 성과가 저조한 항목을 자동으로 식별한 뒤, 제목과 설명을 각각 다른 서브 에이전트를 통해 새롭게 생성하는 시스템을 구축하였습니다. 해당 워크플로우는 수백 개의 광고를 수분 내로 작성할 수 있게 해주었으며, 기존 수작업 대비 생산성이 획기적으로 향상되었습니다. 또한 Figma 플러그인을 통해 정적 이미지의 프레임을 식별하고, 광고 문구를 자동으로 교체하여 최대 100개의 광고 이미지를 일괄 생성하는 기능을 구현함으로써, 기존에는 수 시간 소요되던 작업을 수 초 이내에 처리할 수 있게 되었습니다. Meta Ads API와 MCP 서버를 연동하여 Claude Desktop 환경 내에서 캠페인 분석과 광고 효율 분석을 바로 수행할 수 있게 되었으며, 이는 플랫폼 간 이동 없이 고속 분석을 가능하게 해주었습니다. 실험 기반의 워크플로우에서는 간단한 메모리 시스템을 구축하여, 이전 테스트 결과를 자동으로 맥락에 포함시키고 새로운 카피 생성에 반영할 수 있도록 하였습니다. Claude Code를 효과적으로 활용하기 위해서는 API를 지원하는 반복 업무를 우선 자동화 대상으로 선정하고, 복잡한 워크플로우는 기능별로 분리된 서브에이전트를 활용하는 것이 권장됩니다. 또한 Claude.ai를 통해 충분한 브레인스토밍과 전체 워크플로 설계를 완료한 뒤, Claude Code에 구현을 요청하는 단계적 접근이 가장 성공적인 사례로 평가받고 있습니다.
제품 디자인 (Product Design)
제품 디자인 팀은 Claude Code, Claude.ai, Anthropic API 등 다양한 AI 제품을 디자인하는 팀으로, 기존에는 디자이너와 엔지니어 간의 반복적인 협의가 필요했던 작업들을 Claude Code를 통해 직접 수행함으로써 작업 속도와 품질 모두를 향상시키고 있습니다. 시각적 요소(예: 폰트, 색상, 간격 등)나 상태 관리 변경과 같은 프론트엔드 조정 작업을 디자이너가 직접 Claude Code를 통해 구현할 수 있게 되면서, 상세한 문서 작성과 반복적인 피드백 과정을 줄일 수 있었습니다. 실제로 엔지니어들이 놀랄 정도로 큰 상태 관리 변경 작업을 디자이너가 직접 수행한 사례도 있으며, 이는 디자이너가 본인의 시각적 비전을 보다 정확히 구현할 수 있는 환경을 제공해 주었습니다. GitHub Actions를 활용하여 디자인 관련 티켓을 작성하면, Claude가 자동으로 코드 솔루션을 제안함으로써 디자이너가 Claude Code를 직접 실행하지 않아도 워크플로우가 원활히 진행되고 있습니다. 또한, 목업 이미지를 Claude Code에 붙여넣어 바로 작동 가능한 프로토타입을 생성하고, 이를 기반으로 엔지니어들이 빠르게 이해하고 구현할 수 있도록 돕고 있습니다. 설계 단계에서 Claude와 함께 에러 상태나 논리 흐름을 정리하여 미리 엣지 케이스를 식별함으로써 전체 설계 품질을 높이는 데도 크게 기여하고 있습니다. 조직 내부의 메시지 변경, 예를 들어 ‘research preview’ 문구를 전체 코드베이스에서 제거하는 작업도 Claude Code를 통해 법무팀과 실시간 협의하며 단 두 차례 회의만으로 완료할 수 있었습니다. 효과적인 사용을 위해서는 엔지니어의 도움을 받아 초기 저장소 설정과 권한 구성을 마친 후, Claude에게 자신이 디자이너이며 상세 설명과 작은 단위의 변경이 필요함을 명시한 커스텀 memory 파일을 준비하는 것이 좋습니다. 또한 스크린샷을 붙여넣어 Claude가 시각 정보를 기반으로 코드를 생성하게 하는 방식이 매우 유용하다는 점이 강조되고 있습니다.
강화학습 엔지니어링 (RL Engineering)
강화학습 엔지니어링 팀은 대규모 분산 환경에서의 효율적인 샘플링과 가중치 전송 등을 주된 연구 영역으로 삼고 있으며, Claude Code를 통해 소규모 기능 개발, 디버깅, 복잡한 코드베이스의 이해를 보다 효과적으로 수행하고 있습니다. 이 팀은 특히 Claude에게 코드를 자율적으로 작성하도록 맡긴 후, 그 결과물을 검토하고 필요한 경우 롤백하는 “실험 및 되돌리기” 중심의 개발 방식을 도입하여 빠른 반복 실험이 가능한 환경을 마련하였습니다. 예를 들어, 무게 전송 기능을 위한 인증 시스템을 구현할 때, 대부분의 코드를 Claude가 작성하고 개발자는 흐름을 감시하며 필요한 수정을 적용하는 협업 방식으로 작업을 진행하였습니다. 코드 변경 이후에는 Claude에게 테스트 코드를 자동으로 생성하도록 요청하거나, 기존 코드를 리뷰하게 하여 품질 검토 과정을 자동화하였습니다. 복잡한 디버깅 작업의 경우, Claude가 즉각적인 원인을 찾아내고 관련 테스트를 작성해 주는 경우도 있었으며, 코드베이스 전반의 구조 요약이나 호출 스택 분석을 통해 수작업 탐색 없이도 빠른 이해가 가능해졌습니다. 쿠버네티스 관련 설정이나 배포 작업 시에도 Claude에게 질의함으로써 검색 없이 필요한 명령어를 즉시 확보할 수 있게 되었습니다. 다만, Claude의 완전 자율 구현이 첫 시도에서 성공하는 비율은 약 1/3에 해당하며, 실패 시에는 더 많은 안내와 직접 개입이 필요하다는 점도 함께 인식하고 있습니다. Claude.md 파일에 반복되는 툴 호출 오류를 방지하기 위한 지침(예: cd 명령 생략, 정확한 테스트 경로 사용 등)을 추가함으로써 일관성을 확보하고 있으며, 작업 도중 자주 체크포인트를 커밋하여 언제든지 실험 결과를 되돌릴 수 있는 구조가 실험 중심 개발에 큰 도움을 주고 있습니다. 초기에는 Claude에게 전체 구현을 시도하게 한 후, 성공 시 시간을 절약하고, 실패 시 협업 모드로 전환하는 단계적 접근 방식이 효과적인 전략으로 제안되고 있습니다.
법무 (Legal)
법무 팀은 Claude Code의 가능성에 대한 탐색적 관심과 Anthropic 제품 전반에 대한 이해 증진을 목적으로 이 도구의 활용을 시작하였습니다. 한 구성원은 가족 중 의사소통에 어려움이 있는 분을 위해, 예측 입력 기반의 커뮤니케이션 보조 앱을 단 1시간 만에 Claude Code로 구현하였으며, 이는 기존에 의료진이 추천한 보조 기기에서 해결하지 못했던 기능적 공백을 메워주는 실질적인 대안이 되었습니다. 팀 내에서는 구성원이 전화로 적절한 법무 담당자와 연결될 수 있도록 돕는 자동화된 “전화 트리” 시스템을 구축하였고, 매주 팀 업데이트와 법무 리뷰 현황을 추적할 수 있는 Google Workspace 기반 앱도 직접 개발하였습니다. 이러한 시스템들은 기존에는 개발 리소스 없이는 구현이 불가능했던 업무 자동화 도구들이며, Claude Code 덕분에 비기술 인력도 빠르게 기능을 설계하고 프로토타입을 완성할 수 있게 되었습니다. 법무 팀은 Claude.ai를 아이디어 정리 및 워크플로 설계 단계에서 적극 활용하고 있으며, 이후 Claude Code에서 실제 구현 시에는 “하나씩 단계적으로 수행해달라”는 요청을 통해 복잡함을 방지하고 있습니다. 특히 원하는 UI 레이아웃을 설명하기보다는 스크린샷을 Claude에 전달하여 시각적으로 코드를 생성하게 하는 방식이 더욱 효율적임을 확인하였습니다. 또한 완성도가 낮은 프로토타입이라도 적극적으로 조직 내에서 공유함으로써, 타 부서에 영감을 주고 새로운 도입 아이디어로 확산시키는 태도가 장려되고 있습니다. 한편, 법무 구성원들은 Claude Code와 MCP 시스템의 깊은 통합이 보안 관점에서 민감한 리스크를 수반할 수 있다는 점을 예리하게 지적하고 있으며, AI 도구가 민감 정보에 접근하는 시대에 맞춰 보다 정교한 규제와 컴플라이언스 도구의 개발이 필요하다는 점을 강조하고 있습니다.
원문 PDF 문서 읽어보기
더 읽어보기
이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다. 
파이토치 한국 사용자 모임
이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일
로 보내드립니다! (기본은 Weekly지만 Daily로 변경도 가능합니다.)
아래
쪽에 좋아요
를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~ 