어떤 AI에, 어느 정도의 강도로 의존할지 시스템화하기 — 의료 AI 개발에서의 Claude Code × Codex 의사결정 프레임워크

이전에 'Claude Code /effort ultracode'와 'Codex /goal'을 의료 AI 개발에서 구분하여 사용하는 글을 작성하면서, 의료 AI 개발에서는 상황에 따라 Claude Code의 /effort ultracode와 Codex의 /goal을 다르게 사용하고 있다는 실질적인 경험을 공유했습니다.

글을 작성한 후 저 스스로도 의문이 들었습니다. '사용하고 있다'는 실습 소개만 했을 뿐, '어떤 기준으로 선택하는지'를 일반화된 판단 기준까지는 쓰지 않았다는 것입니다. 이번에는 그 속편으로서, 바로 이 판단 기준 자체를 언어화해보고자 합니다.

먼저 사양을 확인한다 — 이 영역은 변화가 빠르다

/effort와 /goal 모두 사양 변경이 빠른 기능이기 때문에, 우선 공식 문서를 통해 현시점(2026년 10월 기준)의 사양을 확인했습니다.

Claude Code의 /effort와 ultracode

• effort 레벨은 low /medium /high /xhigh /max의 5단계입니다 (지원 모델은 순차적으로 확대 중. 미지원 레벨을 지정하면, 지원 범위 내에서 가장 높은 레벨로 폴백합니다).
• ultracode는 effort 레벨이 아니라 Claude Code의 설정입니다. 이 기능을 켜면(On), 실질적인 태스크에 대해 Claude가 동적 워크플로우를 계획하고 진행하게 됩니다. 작동하는 effort 레벨은 해당 세션에서 설정된 값에 따릅니다.
• /effort ultracode는 'ultracode를 켠 상태에서 effort를 xhigh로 설정'하는 조작이며, /effort ultracode off로 되돌릴 수 있습니다. ultracode의 유효/무효 자체는 effort 레벨을 바꾸지 않습니다.

Codex의 /goal

• 채팅에 영구적인 목표를 설정하고, 태스크가 완료되거나 일시 중지되거나 추가 입력이 필요할 때까지 Codex가 작업을 계속 진행하는 시스템입니다. - 진척도는 컴포저 상단에 표시되며, 일시 정지/재개/목표문 편집/클리어는 버튼 조작으로 합니다.
• 실행 중에도 팔로우업 메시지를 보내 지시를 이어갈 수 있습니다.

결국, Claude Code 쪽은 '워크플로우를 자동으로 짜서 진행하는 담당자', Codex 쪽은 '정해진 완료 조건에 맞춰 구현을 계속 진행하는 담당자'라는 역할 분담 자체는 변하지 않았습니다. 문제는 이 두 가지와 effort 레벨을 어떤 기준으로 선택할 것인가입니다.

의료기기 관리의 판단 기준을 그대로 가져오다

의료기기의 유지보수 점검에서는 '어디까지 엄중하게 확인할지'를 매번 같은 강도로 결정하지 않습니다. **위험도(Risk) × 불확실성(Uncertainty)**에 따라 점검의 깊이나 승인 프로세스를 변경하는 것이 기본입니다. 이를 AI 태스크 난이도 측정에 대응시키면, 다음 세 가지 축으로 나눌 수 있습니다.

① 데이터의 기민성 (機微性)
환자에게 관련된 민감한 정보를 다루는 태스크인지, 아니면 공개 정보나 일반화된 로직만을 다루는 태스크인지. 전자의 경우일수록 개인 식별 정보(PII)를 AI에 투입하거나 로그를 외부로 송출하는 설계를 처음부터 고정해야 합니다.

② 되돌림 비용의 크기 (後戻りコスト)
DB 스키마 변경, 인증 로직, 권한 설계처럼 한 번 들어가면 나중에 원래대로 돌리기 어려운 변경인지, 아니면 시도해 보고 안 맞으면 쉽게 버릴 수 있는 변경인지. 되돌림 비용이 높은 태스크일수록 '어디까지 편집해도 되는지'를 사전에 명시적으로 구분해 두어야 합니다.

③ 탐색의 넓이 (探索の広さ)
정답이 거의 하나로 정해져 있는 구현(기존 패턴 전개, 버그 수정)인지, 설계 여지가 커서 여러 패턴을 시도할 가치가 있는 태스크인지. 탐색 범위가 넓은 태스크일수록, 사람이 그 자리에서 한 수씩 판단하는 것보다 AI에게 폭넓게 조사시키는 것이 효율적입니다.

3축으로부터 도구와 effort 레벨 결정하기

이 세 가지 축을 조합하면 대략 다음과 같은 선택 방식이 나옵니다.

기민성: 낮 × 되돌림 비용: 낮 × 탐색: 넓음 → 조사/비교/초안 작성이 주역. Claude Code로 폭넓게 조사하게 하고, 필요하다면 ultracode를 이용해 자동 워크플로우에 맡깁니다.

• 기민성: 낮~중 × 되돌림 비용: 낮 × 탐색: 좁음 → 정답이 거의 결정된 구현/수정. Codex의 /goal

완료 조건(테스트 통과, lint 통과 등)을 전달하여 맡긴다. - 민감성: 높 또는 되돌림 비용: 높(둘 중 하나라도) → 탐색의 넓이와 상관없이, 먼저 편집을 금지한 조사만 AI에게 시키고, 스코프와 '변경해서는 안 되는 것'을 사람이 먼저 문서화한 후에야 비로소 구현으로 진행한다. effort나 ultracode로 "자율 구동력"을 높이는 것은 이 스코프 확정 이후에 한다.

핵심은, effort 레벨이나 ultracode는 "얼마나 똑똑하고 넓게 작동시킬 수 있는가"의 강도일 뿐, "무엇을 할 수 있는지"에 대한 허가가 아니라는 점입니다. 강도를 높이기 전에, 민감성(機微性)과 되돌림 비용(後戻りコスト)으로 '해서는 안 되는 것'을 먼저 고정합니다. 이것은 의료기기의 유지보수점검에서 배운, 리스크에 따라 확인의 깊이를 바꾸는 생각 방식과 같은 구조입니다.

데이터 거버넌스 한마디

본 기사에서 다루는 것은, Claude Code 및 Codex의 공개 사양(2026년 10월 시점 공식 문서로 확인됨)과 의료기기 관리 현장에서 축적된 일반화된 리스크 판단 사고방식뿐입니다. 실제로 다룬 의료 데이터, 병원 내 구체적인 태스크 내용, 시설 고유의 운영은 일절 포함하고 있지 않습니다.

강도를 선택하는 것도, 주관적 직감에서 시스템으로

"어떤 AI에 의존할지"는 많은 사람이 인식하게 되었지만, "어떤 강도・어떤 허가 범위로 의존할지"는 아직 각 개인의 직감에 의존하기 쉬운 영역이라고 느낍니다. 민감성(機微性)・되돌림 비용(後戻りコスト)・탐색의 넓이라는 3가지 축으로 먼저 구분해 놓으면, effort 레벨이나 ultracode, Codex의 /goal과 같은 "강도를 높이는 기능"을 안심하고 적극적으로 사용할 수 있게 됩니다.

마찬가지로 의료/현장 계열의 판단 축을 AI 개발 의사결정에 전용하고 있는 분이 있다면, 꼭 의견을 들려주세요.

참고

• Claude Code 공식 문서 (model-config / effort levels・ultracode 사양, 2026년 10월 시점)
• Codex 공식 문서 (slash commands・Goal mode 사양, 2026년 10월 시점)

임상공학기사 × AI 엔지니어. 11년간 병원 의료기기 현장에 몸담아 왔습니다.
현재는 AI 엔지니어로 활동하면서, 라쿠노 학원대학교의 연구생으로서 논문 박사 취득을 목표로 유전자 의료의 미래를 연구 주제로 하고 있습니다.

Discussion