1. 맞춤형 마케팅 도구 구축의 배경
콜린 슈네틀러는 숙련된 Ruby on Rails 개발자로서 시중에 출시된 다양한 AI 기반 LinkedIn 마케팅 도구를 사용해 보았으나, 결과물이 지나치게 기계적이고 일반적이라는 한계를 느꼈습니다. 그녀는 빌더로서의 역량을 발휘해 단 이틀 만에 자신의 목소리와 톤을 반영할 수 있는 전용 도구를 직접 구축하기로 결정했습니다. 이는 단순히 도구를 만드는 것을 넘어, 개발자가 AI를 통해 어떻게 자신의 업무 효율성을 극대화(Leverage)할 수 있는지를 보여주는 사례입니다.
2. 음성 기반 LinkedIn 콘텐츠 워크플로우
그녀가 구축한 시스템의 핵심은 ‘생각의 캡처’와 ‘자동 변환’입니다. - Super Whisper 활용: 일상 속에서 떠오르는 아이디어나 팟캐스트 청취 중 얻은 인사이트를 Super Whisper를 통해 음성 메모로 기록합니다. - 로컬 파일 시스템 연동: 생성된 텍스트 트랜스크립트는 특정 폴더에 저장되며, 커스텀 앱이 이 폴더를 실시간으로 모니터링합니다. - Claude Code 기반 생성: Claude Code를 사용하여 음성 메모의 핵심 내용을 분석하고, 이를 LinkedIn 포스트 형식으로 자동 변환합니다. 이 과정을 통해 아이디어 캡처부터 초안 작성까지의 시간을 획기적으로 단축했습니다.
3. Compound Engineering 프레임워크와 계획 수립
복잡한 기능을 추가할 때 콜린은 Every에서 제공하는 ‘Compound Engineering’ 프레임워크를 활용합니다.
- 구조화된 계획(Spec-driven): 단순한 프롬프트 입력을 넘어 workflow plan 명령어를 통해 구현하고자 하는 기능의 상세 설계도를 먼저 작성합니다. 예를 들어, LinkedIn 포스트 수정을 위한 AI 채팅창 추가와 같은 큰 기능은 데이터 모델과 디자인 결정을 포함한 상세 계획이 선행됩니다.
- 가드레일 역할: 작성된 계획서는 AI가 엉뚱한 방향으로 코드를 작성하지 않도록 방지하는 가드레일 역할을 하며, 개발자는 이를 상위 수준에서 검토하여 방향성을 수정합니다.
4. 다중 에이전트 기반의 코드 리뷰 및 실행
콜린은 Claude Code 내에서 여러 서브 에이전트를 동시에 실행하는 고도화된 방식을 사용합니다. - 전문화된 에이전트: Security Sentinel(보안), Architect(아키텍처), Strategist(전략) 등 11개의 전문 에이전트가 병렬로 작동하며 코드를 검토합니다. - 비판적 검토: AI가 생성한 코드의 보안 취약점이나 확장성 문제(예: 파일 수가 10,000개로 늘어날 때의 성능 저하)를 에이전트들이 지적하면, 이를 바탕으로 수정 작업을 진행합니다. - 모델 교차 검증: Claude가 특정 문제에서 막힐 경우 Windsurf 환경에서 GPT-5 등의 다른 모델을 사용하여 해결책을 비교하고 최적의 결과를 도출합니다.
5. 브랜드 전략의 내재화
단순히 글을 쓰는 것을 넘어, 콜린은 자신의 Notion에 정리된 개인 브랜드 전략을 AI에게 학습시킵니다. - 콘텐츠 버킷: 모든 포스트를 ‘Teach me(교육)’, ‘Help me(도움)’, ‘Inspire me(영감)’, ‘Show me(사례)’의 네 가지 카테고리로 분류합니다. - 전략적 배치: 특정 카테고리의 글이 연달아 게시되지 않도록 AI가 전체적인 흐름을 관리하게 함으로써, 마케팅 컨설턴트로서의 전문성을 유지합니다.
6. 인간의 직관과 ‘Feel’의 중요성
모든 자동화 과정에도 불구하고 콜린은 최종 단계에서 인간의 개입을 강조합니다. - 직접 테스트: AI가 생성한 기능은 반드시 브라우저에서 직접 클릭하며 사용자 경험(UX)을 확인합니다. AI가 포착하지 못하는 앱의 ‘결(Feel)’이나 미세한 불편함을 잡아내기 위함입니다. - 수동 검토: PR(Pull Request)을 병합하기 전, AI의 수정 제안을 일괄 적용하기보다 하나씩 직접 확인하며 개발자로서의 직관을 유지합니다.