프로덕트 소식은 넘쳐나지만 대부분 이런 게 나왔대에서 끝납니다. 그래서 뭘 어떻게 하라고? 내 작업에 어떻게 써먹지? 거기까진 연결이 잘 안 되죠. 따라서 요즘 프로덕트 메이커는 바로 쓸 수 있는 것, 그 중에서도 주목해볼 만한 것을 엄선해서 매주 금요일에 전달드리려 합니다.

요즘 프로덕트 메이커는 매주 세 가지를 골라 전합니다:

써볼 것: opencodex - Codex와 Claude Code에서 아무 AI 모델이나 바꿔 끼우는 도구
참고할 것: Supabase State of Startups 2026 - 창업자 2,000명 조사로 본 요즘 스타트업의 진짜 고민
적용해볼 것: 데이터 웨어하우스의 아버지가 정리한 AI 시대 데이터 관리법 5가지

1. 써볼 것: Codex와 Claude Code에서 아무 AI 모델이나 바꿔 끼우는 도구

opencodex는 오픈AI의 Codex나 앤트로픽의 Claude Code에서, 원래 정해진 모델 대신 다른 AI 모델을 골라 쓸 수 있게 해주는 도구입니다. lidge-jun이라는 개발자가 만들어 GitHub에 공개했고, 스타 3,700개를 넘기며 개발자들 사이에서 주목받고 있어요. 개인 개발자가 만든 오픈소스라 공식 도구는 아니고, MIT 라이선스로 공개돼 있습니다.

원래 Codex는 오픈AI 모델로, Claude Code는 클로드 모델로 돌아갑니다. 그런데 opencodex를 끼우면 같은 Codex 화면에서 클로드나 Gemini, Grok, DeepSeek, 로컬 모델까지 골라 쓸 수 있어요. 도구는 손에 익은 걸 그대로 두고, 그 안에서 도는 모델만 바꾸는 겁니다.

무슨 문제를 해결해 주나요?

AI 코딩 도구를 쓰다 보면 이 작업은 다른 모델이 더 잘할 텐데 싶을 때가 있습니다. 그런데 도구마다 쓸 수 있는 모델이 정해져 있어서, 모델을 바꾸려면 도구 자체를 갈아타야 했어요. Codex를 쓰다가 클로드를 쓰고 싶으면 Claude Code로 옮기고, 익숙해진 설정과 작업 흐름을 다시 맞추는 식이죠.

opencodex는 이 사이에 얇은 중개 프로그램을 하나 끼웁니다. Codex가 보내는 요청을 중간에서 받아, 사용자가 지정한 다른 모델에게 전달하고 답을 되돌려주는 방식이에요. 그래서 도구는 그대로 둔 채 모델만 바꿀 수 있습니다.

지원하는 AI는 40개가 넘습니다. 주요한 것만 추려보면 이렇습니다.

익숙한 모델: 앤트로픽 Claude, 구글 Gemini, xAI Grok, 그리고 Codex의 원래 모델인 오픈AI
중국 오픈소스 모델: DeepSeek, Kimi, Qwen, GLM
추론 서비스: OpenRouter, Groq, Fireworks, Mistral 등
내 컴퓨터나 서버에서 직접 돌리는 로컬 모델: Ollama, vLLM, LM Studio

스트리밍이나 이미지 인식 같은 기능도 모델을 바꿔도 그대로 작동합니다.

어떻게 쓰나요?

터미널에서 명령어 몇 개로 시작합니다. npm install -g @bitkyc08/opencodex로 설치하고, ocx init으로 기본 설정을 잡은 뒤, ocx start로 중개 프로그램을 켜면 됩니다. 그다음부터는 Codex를 평소처럼 쓰되, 요청이 opencodex를 거쳐 원하는 모델로 가요. (실행에는 Bun이라는 자바스크립트 실행 환경이 필요합니다.)

모델을 지정할 때는 공급자와 모델을 함께 정하는 방식입니다. 예를 들어 앤트로픽의 클로드 Opus를 고르면, Codex 화면에서 그 모델로 작업하게 돼요. 대시보드(localhost:10100)를 열면 공급자를 추가하고 API 키를 넣을 수 있고, 앤트로픽·xAI·Kimi는 로그인만으로 연결할 수도 있습니다. 다만 각 모델을 쓰려면 그 모델의 계정이나 API 키는 따로 있어야 해요. opencodex는 없던 모델을 공짜로 주는 게 아니라, 이미 가진 계정을 Codex에서 쓰게 연결해주는 도구입니다.

한 가지 눈에 띄는 기능은 작업마다 다른 모델을 지정해두는 겁니다. 복잡한 추론이 필요한 작업은 강력한 모델로, 빠르게 처리하면 되는 작업은 싸고 빠른 모델로 미리 나눠둘 수 있어요. Codex의 서브에이전트 목록에 모델을 최대 다섯 개까지 등록해두는 방식입니다.

누구에게 좋을까요?

Codex나 Claude Code를 쓰는데, 다른 모델도 같이 써보고 싶은 사람. 도구를 갈아타지 않고 모델만 바꿀 수 있어요.
여러 모델을 비교하며 쓰는 사람. 같은 작업을 클로드, Gemini, Grok에 각각 시켜보고 결과를 견줘볼 수 있습니다.
로컬 모델을 쓰는 사람. 자기 컴퓨터에서 도는 Ollama 같은 모델도 Codex에 연결할 수 있어요.
반대로 지금 쓰는 도구와 모델 조합에 만족한다면 굳이 필요하진 않습니다. 이건 여러 모델을 오가고 싶을 때 쓸모가 커지는 도구예요.

2. 참고할 것: 창업자 2,000명 조사로 본 요즘 스타트업의 진짜 고민

프로덕트를 만들다 보면 다들 어떻게 일하고 있나 궁금할 때가 있죠. Supabase(수파베이스)가 창업자와 개발자 2,000명 넘게 조사한 State of Startups 2026이 그 궁금증에 참고가 됩니다. 어떤 기술을 쓰고, 어떻게 파는지, AI를 어떻게 쓰는지를 정리한 조사예요.

다만 이 조사는 Supabase가 직접 진행했고, 데이터베이스·인증·호스팅에서 Supabase 관련 선택지가 1위로 나옵니다. 인증 72%, 호스팅 65%처럼 유독 높은 걸 보면, 조사에 참여한 사람 중에 원래 Supabase를 쓰던 사람이 많았을 가능성이 커요. 그러니 특정 도구의 점유율보다 도구와 무관한 흐름을 보는 쪽으로 참고하면 되겠습니다.

무엇이 달라졌나요?

가장 큰 변화는 창업자 구성입니다. 1인 창업이 61%로 가장 많아졌고, 40세 이상 창업자가 25%로 늘었어요. 코드를 직접 짜지 않는 비기술 창업자도 22%를 차지했고요. 조사는 이걸 경험 많은 사람들이 AI를 손에 쥐고 다시 창업에 나선다고 표현했습니다.

AI로 코드를 짜는 건 이제 예외가 아니라 기본이 됐습니다. 코드베이스의 절반 이상을 AI가 작성한 곳이 62%, 76~100%를 AI로 만든 곳도 40%였어요. AI를 전혀 안 쓰는 곳은 2%뿐이었고요. 흥미로운 건 나이가 많을수록 AI를 더 많이 쓴다는 점입니다. 50대 창업자 중에서는 코드의 76~100%를 AI로 만든 비율이 60%까지 올라갔어요.

어떤 도구를 쓰나요?

도구 지형도 크게 움직였습니다. 꼭 필요한 개발 도구를 자유롭게 적어달라는 질문에서는 Claude가 32%로 가장 많이 꼽혔고, Cursor 12%, ChatGPT/Codex 10%가 뒤를 이었어요. 쓰는 AI 코딩 도구를 모두 고르라는 질문에서는 Claude Code가 63%로 1위였고, Visual Studio Code 44%, Cursor 31% 순이었습니다. Cursor는 작년보다 19%포인트 떨어졌고요.

모델 공급자를 묻는 항목에서는 앤트로픽 클로드가 작년 38%에서 64%로 뛰며 오픈AI(69%에서 52%로 하락)를 처음 앞질렀습니다. 유료 구독에서도 클로드에 돈을 내는 곳이 28%에서 59%로 늘어, 오픈AI(57%에서 39%로 하락)를 넘어섰어요. 나온 지 1년 된 MCP는 프로덕션에서 쓰거나 실험 중인 곳을 합쳐 57%에 이르렀고요.

물론 이건 Supabase 조사라 클로드나 MCP 쪽에 기울었을 수 있으니 수치 그대로 받기보다 방향만 참고하면 됩니다. 그래도 오픈AI가 오래 지키던 모델 공급자 1위 자리를 클로드가 넘어섰다는 흐름은 눈여겨볼 만해요.

만들기는 쉬워졌는데, 파는 건 어렵다

이 조사에서 가장 눈에 띄는 변화가 하나 있습니다. 사업의 가장 큰 어려움으로 기술적 복잡성을 꼽은 비율이 작년 24%에서 올해 11%로 반토막 났어요. 조사 전체에서 가장 큰 변동입니다. AI가 만드는 일의 어려운 부분을 상당히 덜어준 거죠.

그럼 그 자리를 뭐가 채웠을까요. 고객 확보(32%)가 가장 큰 과제로 올라섰고, 번아웃과 AI 경쟁에 대한 불안이 새로 등장했습니다. 특히 1~10인 팀에서는 번아웃이 이미 기술적 복잡성을 넘어 두 번째로 큰 과제가 됐어요. 만드는 건 쉬워졌는데 파는 것과 버티는 게 어려워진 거죠. 조사에 인용된 한 창업자의 말이 이 분위기를 잘 보여줍니다.

“만드는 건 쉬운 부분이고, 유통이 가장 어렵다. 요즘은 경쟁이 너무 많아서 더는 독창적인 제품이 없다시피 하다”

무엇을 얻어가야 하나요?

이 조사가 프로덕트 메이커에게 주는 메시지는 분명합니다. AI 덕에 만드는 장벽은 낮아졌지만, 그래서 오히려 만든 다음이 더욱 중요해졌습니다. 누구나 만들 수 있으니 어떻게 알리고 어떻게 파느냐에서 갈리는 거죠.

조사에서 또 하나 눈에 띄는 건, 창업팀이 영업·분석·모니터링 같은 운영 도구를 점점 안 산다는 점입니다. 정식 CRM이 없는 곳이 53%로 늘었고, 관측 도구를 안 쓰는 곳도 56%였어요. 대신 필요하면 직접 만들거나 그냥 안 쓰는 쪽으로 갔습니다. AI로 웬만한 건 직접 만들 수 있게 되면서, 도구를 사는 대신 만드는 흐름이 생긴 거죠. 도구를 파는 입장이라면 곱씹어볼 대목이고, 도구를 쓰는 입장이라면 남들은 뭘 직접 만들어 쓰는지 참고할 만합니다.

<출처: William Inmon, Data Management in the Age of AI>

3. 적용해볼 것: 데이터 웨어하우스의 아버지가 정리한 AI 시대 데이터 관리법 5가지

AI에게 자료를 주고 일을 시켰는데 뭔가 애매한 느낌의 결과물을 받으신 적이 있으실 겁니다. 이는 보통 넣은 자료가 부실해서인 경우가 많습니다. 이 문제를 데이터 관리라는 오래된 분야의 눈으로 짚은 글이 있어서 소개합니다.

글을 쓴 William Inmon(윌리엄 인먼)은 데이터 웨어하우스라는 개념을 만든 사람으로, 데이터 업계에서 데이터 웨어하우스의 아버지로 불립니다. 이 글은 40년 넘게 기업 데이터를 다뤄온 사람이 생성형 AI 시대에 데이터 관리가 어떻게 달라지는지 정리한 내용이죠. (참고로 인먼은 LLM에 넣을 텍스트를 정제해주는 회사를 운영하고 있어서, 데이터를 걸러야 한다는 주장이 본인 사업과 맞닿아 있다는 점은 감안하고 보면 됩니다.)

요즘 많은 사람이 회사 문서로 챗봇을 만들거나, GPTs에 자료를 올리거나, AI에 사내 자료를 물려 씁니다. 그리고 나온 결과가 신통찮으면 대개 모델부터 바꾸려고 하죠. 인먼은 그전에 넣은 자료부터 보라고 말합니다. 이 글은 기업의 데이터 담당자를 위해 쓰였지만, 핵심 원칙은 AI에 자료를 넣어 쓰는 누구에게나 적용될만한 것들입니다. 전문 용어를 빼고 실제 적용할 수 있는 원칙 다섯 가지로 정리했습니다.

무슨 문제를 해결하려 하나요?

인먼의 출발점은 간단합니다. AI가 믿을 수 없는 데이터로 돌아가면, AI가 내놓는 분석도 믿을 수 없다는 거예요. 예전에는 데이터 담당자가 데이터베이스를 직접 열어 고쳤지만, AI 시대에는 AI 자체를 그렇게 뜯어고칠 수 없습니다. 대신 AI에 무엇을 넣을지를 관리해서 결과를 다스려야 하죠. 그래서 넣는 자료를 어떻게 다루느냐가 핵심이 됩니다.

적용해볼 원칙 다섯 가지

좋은 자료를 넣어야 좋은 답이 나옵니다. 아무리 뛰어난 모델도 부실한 자료를 주면 부실한 답을 내놓습니다. 새 모델을 찾기 전에, 지금 AI에 주는 자료부터 살펴보는 게 먼저입니다.
넣기 전에 거릅니다. 업무와 상관없는 자료를 미리 걷어내면 두 가지가 좋아집니다. AI가 처리할 양이 줄어 비용이 내려가고, AI가 무엇을 다루는지도 분명해져요. 회사 문서 100개를 통째로 넣기보다 지금 물어볼 것과 관련된 20개만 골라 넣으면, 답이 더 정확하고 비용도 줄어듭니다. 인먼은 데이터 담당자가 다른 건 몰라도 이것 하나는 꼭 해야 한다고 강조했습니다.
표와 글은 다루는 법이 다릅니다.숫자와 표로 된 자료는 정해진 틀로 관리하지만, 회의록이나 문서 같은 글은 주제별로 묶어 정리하는 게 맞습니다. 표 다루던 방식을 글에 그대로 쓰면 별 효과가 없다는 게 인먼의 지적입니다. 표는 표대로, 문서는 주제별로 정리해두면 AI가 훨씬 잘 찾는다고 하죠.
이제 데이터는 고치는 게 아니라 고르는 겁니다. 예전엔 문제가 있으면 데이터베이스를 직접 수정했지만, LLM은 그렇게 고칠 수 없습니다. 대신 무엇을 넣을지 골라서 결과를 조절하죠. 인먼은 이걸 꼭두각시 인형에 비유했습니다. 직접 손대는 대신 줄을 당겨 움직이는 거죠.
한 번 정리하고 끝이 아닙니다. 업무도 세상도 계속 바뀌니, 무엇을 넣을지 정하는 기준도 그때그때 갱신해야 해요. 지금 잘 맞춰둔 자료도 반년 뒤엔 낡을 수 있습니다.

적용을 위해 실행해볼 수 있는 것

지금 AI에 자주 시키는 작업을 하나 골라서, 거기 넣는 자료에 업무와 상관없는 게 섞여 있는지 살펴보세요. 빼는 것만으로 답이 또렷해지는 경우가 많습니다.
회사 자료를 AI에 넣어 쓴다면, 표로 된 것과 글로 된 것을 나눠서 정리해보세요. 섞어둘 때보다 AI가 필요한 자료를 더 잘 찾아냅니다.
한번 정리한 자료라도 몇 달에 한 번은 다시 보고, 낡았거나 안 맞는 걸 걷어내세요.

다음 주에도 여러분이 놓치지 말아야 할 프로덕트 메이커 소식을 정리해서 찾아뵙겠습니다. 요즘 프로덕트 메이커 콘텐츠가 도움이 되셨다면, 꼭 작가 알림 설정을 부탁드립니다. 콘텐츠 내용 중 잘못된 정보나 정정이 필요한 부분이 있다면 댓글로 알려주세요. 빠르게 수정하겠습니다. 다음 주에 또 만나요!

콘텐츠가 마음에 드셨다면, 꼭꼭 작가 알림 설정과 좋아요를 부탁드립니다!