AI 코딩 도구 5종 체험과 초보자의 비교 방법
마케터가 Gemini CLI, Codex CLI, Kiro, Antigravity, Claude Code로 업무 도구를 만들어 본 경험을 작은 작업, 설계 문서, 동시 작업, 큰 프로젝트, 외부 도구 연결, 비용 여섯 단계로 비교했습니다. 내 업무 과제로 두 도구를 비교하는 순서도 함께 정리했습니다.
세 줄로 먼저 읽기
- 마케터가 Gemini CLI와 Codex CLI, Kiro, Antigravity, Claude Code로 업무 도구를 만들어 본 결과 여러 파일이 얽힌 프로젝트에서는 Claude Code를 주 도구로 골랐습니다.
- 파일 하나짜리 작은 작업은 Gemini CLI와 Codex CLI, 설계 문서부터 만드는 작업은 Kiro, 독립 기능을 동시에 만드는 작업은 Antigravity가 맞았습니다.
- 도구를 고를 때는 실제 업무 과제 하나를 두 도구에 같은 요청문으로 맡기고 결과를 원본과 대조한 뒤 모델명과 고친 횟수, 사용량을 기록합니다.
반복 업무를 해결하려고 다섯 도구를 써봤습니다
2025년 들어 Cursor, Windsurf 같은 IDE에 이어 CLI 방식의 AI 코딩 도구도 나오기 시작했습니다. IDE는 코드 편집과 실행을 한 화면에서 하는 개발 프로그램이고, CLI는 터미널이라는 명령 입력 창에서 쓰는 방식입니다. Google의 Gemini CLI, OpenAI의 Codex CLI, AWS의 Kiro, Google의 Antigravity, Anthropic의 Claude Code까지 선택지가 빠르게 늘었습니다. 새 도구가 나올 때마다 저도 "이것도 써봐야 하나" 고민했습니다.
저는 개발자가 아니라 디지털 마케터입니다. 그런데도 AI 코딩 도구를 다섯 개나 써 본 이유는 마케팅 실무에서 반복해서 겪는 불편을 직접 해결하고 싶었기 때문입니다. 광고 리포트를 자동화하고, 웹사이트 이용을 분석하는 GA4의 데이터를 API(프로그램끼리 데이터를 주고받는 연결 방식)로 가져오고, 나만의 대시보드를 만들고 싶었습니다. AI에게 원하는 결과를 말로 설명하고 코드를 고쳐 가는 방식을 바이브코딩(Vibe Coding)이라고 부르며, 저는 이 방식으로 여러 프로젝트를 만들었습니다.
아래 경험은 글을 처음 쓴 2026년 2월의 개인 기록이고, 도구마다 맡긴 과제가 달랐습니다. 그래서 이 기록은 성능 순위가 아니라 어떤 작업에 어느 도구가 맞았는지를 보여 줍니다. 이용 방식과 비용은 2026년 10월 4일 공식 문서 기준으로 보완했습니다.
모델과 도구도 구분합니다. 모델은 답과 코드를 만들고, 코딩 도구는 그 모델에 파일 읽기와 명령 실행 기능을 붙입니다. 같은 도구에서도 어떤 모델을 고르고 어떤 권한을 주느냐에 따라 결과가 달라집니다.
작업 종류별로 맞았던 도구부터 보여 드립니다. 근거는 아래 여섯 단계 비교에 있습니다.
이런 작업이라면 이 도구
| 도구 |  파일 하나짜리 작업CSV 정리, 스크립트 하나 |  설계나 분담부터문서 먼저, 동시 작업 |  여러 파일 프로젝트화면과 서버, 데이터 연결 |
|---|---|---|---|
| Gemini CLI | 제공 | – | – |
| Codex CLI | 제공 | – | – |
| Kiro | – | 제공 | – |
| Antigravity | – | 제공 | – |
| Claude Code | – | – | 제공 |
1. 파일 하나짜리 작은 작업
Gemini CLI는 Google이 오픈소스로 공개한 터미널 기반 AI 코딩 도구이고 Gemini 모델을 씁니다. 개인 Google 계정에는 무료 이용 범위가 있어 작은 과제로 시작하기 좋습니다. 조직 계정이나 API 키로 쓰면 한도와 요금 조건이 달라지며, 인증 방식별 조건은 공식 한도와 요금 안내에 있습니다.
저는 Gemini CLI로 캠페인 성과 CSV 파일을 읽어 캠페인별로 정리하는 스크립트를 만들었습니다. CSV는 쉼표로 열을 나누는 표 파일입니다. 이 정도 작업에서는 무난하게 동작했습니다. 터미널과 설치가 처음이면 준비에 시간이 드는데, 운영체제별 시작 방법은 Gemini CLI 설치 안내에 정리해 두었습니다.
Codex CLI는 OpenAI가 공개한 오픈소스 터미널 코딩 도구입니다. GPT 모델로 파일을 읽고 고치며 명령을 실행합니다. 작업은 샌드박스 안에서 이뤄지는데, 샌드박스는 도구가 접근할 수 있는 폴더와 명령을 제한한 실행 환경입니다. 샌드박스가 잘못된 수정까지 막아 주지는 않으므로 허용할 경로와 실행 권한은 처음에 정해 둡니다.
저는 Codex CLI로 광고 API에서 리포트 데이터를 가져와 정리하는 스크립트를 만들었습니다. 파일 하나로 끝나는 작업이었고, 응답이 빨랐으며 요청에 맞는 결과가 나왔습니다. ChatGPT 계정으로 로그인해 쓰는 방식과 API 키로 쓰는 방식은 공식 시작 안내와 인증 안내에 나뉘어 있습니다.
두 도구 모두 터미널에서 이렇게 요청하고 결과를 받습니다.
실행하면 캠페인별 합계가 campaign_summary.csv로 저장됩니다.
원본 campaign.csv는 읽기만 합니다.
이 단계에서는 무료로 작게 시작하려면 Gemini CLI가, 파일 하나짜리 스크립트를 빠르게 만들려면 Codex CLI가 유리합니다.
2. 설계 문서부터 만드는 작업
Kiro는 AWS가 발표한 IDE 형태의 AI 코딩 도구입니다. 대표 기능은 스펙 기반 개발(Spec-driven Development)입니다. 스펙은 무엇을 만들고 어떤 조건이면 완성인지 적은 문서이고, 이 방식에서는 요구사항과 설계, 작업 목록을 먼저 정한 뒤 구현합니다. Kiro FAQ에 따르면 일반 대화와 자율 실행 방식도 있어서 작업에 맞게 고를 수 있습니다.
저는 Kiro로 GA4 Data API에서 데이터를 조회하는 프로젝트를 시작했습니다. 요구사항을 입력하자 스펙 문서가 만들어지고 단계별 체크리스트까지 생성됐습니다. 개발 절차를 아는 팀이라면 이 문서를 그대로 작업 기준으로 쓸 수 있겠다는 생각이 들었습니다.
Kiro 스펙 방식의 작업 순서
1. 요구사항 입력만들 기능을
말로 설명- 2. 스펙과 설계완성 조건과
구조를 문서로 
3. 작업 목록단계별
체크리스트 생성
4. 구현목록 순서대로
코드 작성
반대로 간단한 시제품을 만들 때는 문서를 자세히 쓰는 과정이 길게 느껴졌습니다. 작은 시제품은 일반 대화 방식으로, 여러 사람이 함께 볼 프로젝트는 스펙 방식으로 고릅니다. Kiro에서는 모델도 여러 가지 고를 수 있는데, 제가 당시 쓴 모델은 Sonnet이었습니다. 그래서 이 경험은 Kiro와 Claude Code의 성능 차이보다 작업 방식의 차이에 가깝습니다.
이 단계에서는 Kiro가 유리합니다. 요구사항과 작업 목록을 문서로 먼저 맞춰야 하는 프로젝트에 맞습니다.
3. 독립된 기능 여러 개를 동시에 만드는 작업
Antigravity는 Google의 AI 개발 도구이고, IDE 안내에 따르면 편집기와 터미널, 브라우저를 한 개발 환경에서 다룹니다. 가장 눈에 띄는 특징은 멀티 에이전트 구조입니다. 에이전트는 스스로 파일을 고치고 명령을 실행하는 AI 작업자이고, 멀티 에이전트는 하나의 작업을 여러 에이전트가 나눠 동시에 처리하는 방식입니다.
저는 웹 애플리케이션의 서로 독립된 기능 세 개를 동시에 만들어 달라고 요청했습니다. 에이전트가 기능마다 따로 붙어 동시에 작업하는 모습이 인상적이었고, 단순한 작업을 나눠 처리하는 데에는 분명한 장점이 있었습니다.
기능 세 개를 나눠 맡겼을 때의 흐름
- 1. 기능 세 개 요청서로 독립된
웹 기능 
2. 에이전트별 작업기능마다 따로
동시에 진행
3. 결과 합치기같은 파일을 고쳤으면
충돌 발생
4. 전체 점검코드 일관성이
맞는지 확인
아쉬운 점은 위 흐름의 3단계인 결과 합치기에서 나왔습니다. 에이전트들의 결과를 합칠 때 충돌이 생겼고, 전체 코드의 일관성을 유지하기 어려웠습니다. 에이전트 하나하나의 추론 품질도 단일 에이전트 도구보다 아쉬웠습니다. 같은 파일을 여러 에이전트가 동시에 고치면 합치는 과정이 늘어나므로, 처음에는 과제 하나를 에이전트 하나에 맡기는 편이 안전합니다.
이 단계에서는 Antigravity가 유리합니다. 서로 다른 파일을 건드리는 기능을 동시에 만들 때 병렬 처리의 이점이 있습니다. 다만 합치는 단계의 충돌은 직접 정리해야 합니다.
4. 여러 파일이 얽힌 큰 프로젝트
Claude Code는 Anthropic의 터미널 기반 에이전틱 코딩 도구이고 Claude 모델을 씁니다. 에이전틱은 AI가 한 번 답하고 끝내지 않고, 파일을 읽고 고치고 명령을 실행하는 과정을 스스로 이어 간다는 뜻입니다.
저는 Claude Code로 개인 블로그 전체를 만들었습니다. Next.js라는 웹 개발 도구로 화면 구성과 서버의 데이터 연결, 자료 저장 구조, 검색 노출 설정, 배포 자동화까지 진행했습니다. 마케팅 업무 자동화 스크립트와 Notion 연동, GA4 데이터 수집과 가공도 이 도구로 완성했습니다.
파일이 20개를 넘고 사용자 화면과 서버가 연결되며 데이터 저장 구조가 바뀌는 프로젝트에서 도구 사이의 차이가 가장 크게 났습니다. 아래는 제 프로젝트에서 겪은 결과입니다.
큰 프로젝트에서 겪은 차이
| 도구 |  일관성 유지앞 지시와 전체 맥락 |  연결 파일 수정영향 받는 파일까지 |  오류 스스로 수정로그를 읽고 고침 |
|---|---|---|---|
| Gemini CLI | 제공하지 않음 | – | – |
| Codex CLI | – | 제공하지 않음 | 제한적 |
| Antigravity | 제공하지 않음 | – | – |
| Claude Code | 제공 | 제공 | 제공 |
Gemini CLI는 여러 파일에 걸친 코드를 고칠 때 문맥을 잃거나 이전 지시를 무시하는 경우가 있었습니다. 긴 작업이라면 사용 한도도 함께 따져야 합니다. Codex CLI는 파일 사이의 의존 관계를 자주 놓쳤고, 코드를 실행해 오류를 스스로 고치는 과정이 다른 도구보다 제한적이었습니다. 지금 Codex는 여러 파일 수정과 실행을 지원하므로 이 결과는 당시 버전의 경험입니다.
Claude Code는 "이 파일을 고치면 저쪽 파일에도 영향이 있으니 함께 고쳐야 한다"는 판단을 스스로 했습니다. 오류가 나면 로그를 읽고 원인을 분석한 뒤 수정안을 내놓았습니다. 다른 도구들은 프로젝트가 커질수록 문맥을 잃거나 이전 작업과 충돌하는 코드를 만드는 일이 잦아졌고, 이 추론 품질의 차이가 주 도구를 고른 가장 큰 이유였습니다.
이 단계에서는 Claude Code가 유리합니다. 다만 어떤 도구를 쓰든 생성된 코드의 실행 결과는 원본 자료와 대조해 검증합니다.
5. 작업 환경과 외부 도구 연결
Claude Code는 터미널뿐 아니라 VS Code와 JetBrains IDE의 확장 프로그램, claude.ai 웹에서도 쓸 수 있습니다. 빠른 작업은 터미널에서, 바뀐 코드를 눈으로 볼 때는 IDE에서 하고, 휴대폰 웹으로 진행 상황을 볼 수도 있습니다. 계정별로 쓸 수 있는 환경은 Claude Code 공식 개요에 있습니다.
외부 도구 연결에는 MCP(Model Context Protocol)를 썼습니다. MCP는 AI 모델이 외부 도구와 데이터에 접근하도록 연결하는 규약입니다. 이 연결로 Claude Code가 Notion 페이지를 직접 검수하고 데이터베이스를 갱신하는 업무 자동화 에이전트로 동작했습니다.
Claude Code, Notion 연결이번 주 페이지 4개의 맞춤법을 고치고 상태를 '검수 완료'로 바꿨습니다.
저는 이 조합으로 블로그 콘텐츠의 작성부터 검수, 검색 최적화, 배포까지 이어지는 과정을 자동화했습니다. MCP는 Claude Code만의 기능이 아니어서 Gemini CLI도 MCP 서버 연결을 지원합니다.
이 단계에서는 Claude Code가 유리했습니다. 터미널과 IDE, 웹을 오가며 같은 작업을 이어 갈 수 있었고 MCP로 업무 도구까지 연결했습니다. 외부 도구 연결만 놓고 보면 Gemini CLI도 같은 방식을 씁니다.
6. 이용 방식과 비용
비용 구조는 도구마다 다릅니다. 2026년 10월 4일 공식 안내를 기준으로 시작 방식을 나누면 이렇습니다.
도구별로 쓸 수 있는 결제 방식
| 도구 |  무료로 시작정해진 한도 안 |  구독에 포함계정이나 플랜 사용량 |  API 과금쓴 만큼 별도 청구 |
|---|---|---|---|
| Gemini CLI | 개인 계정 | 제공 | 제공 |
| Codex CLI | – | ChatGPT 계정 | 제공 |
| Kiro | Free 플랜 | 유료 크레딧 플랜 | – |
| Antigravity | – | 개인, 조직 플랜 | – |
| Claude Code | – | Pro, Max | 제공 |
Claude Code의 공식 비용 안내는 Pro와 Max 구독에 포함된 사용량과 API 비용을 나눠 설명합니다. 토큰은 모델이 글과 코드를 처리하는 단위이고, 복잡한 작업일수록 사용량이 늘어납니다. Kiro는 Free 플랜과 유료 크레딧 플랜으로 나뉘며 조건은 Kiro 가격에, Antigravity의 플랜별 모델과 한도는 Antigravity 플랜에 있습니다.
무료 한도를 다 쓰면 초기화를 기다릴지, 과제를 줄일지, 유료로 이어 갈지 정합니다. 한 회사의 AI 앱 구독에는 다른 회사 코딩 도구의 사용량이 들어 있지 않습니다.
이 단계에서는 비용 없이 시작하려면 Gemini CLI나 Kiro의 Free 플랜이, 이미 ChatGPT나 Claude를 구독 중이라면 그 계정으로 쓰는 Codex CLI나 Claude Code가 유리합니다.
내 업무 과제로 두 도구를 비교하는 순서
다섯 도구를 모두 설치하거나 결제하지 않아도 비교할 수 있습니다. 이미 쓰는 도구 하나와 궁금한 도구 하나에 같은 업무 과제를 맡깁니다.
두 도구를 같은 조건으로 비교하는 순서
- 1. 과제 하나 고르기매주 하는 집계
캠페인 CSV 합계 같은 일 
2. 새 폴더에 사본회사 프로젝트 말고
파일 사본만
3. 같은 요청문계산 규칙까지 적어
두 도구에 똑같이
4. 원본과 대조합계와 행 수가
원본과 맞는지- 5. 기록 남기기모델명, 고친 횟수
표시된 사용량
요청문에는 결과 모양과 예외 규칙을 함께 적습니다. 광고 매체에서 내려받은 캠페인 CSV라면 이렇게 씁니다.
campaign.csv를 읽어 캠페인별 비용 합계, 클릭 합계, 클릭당 비용을 표로 만들어 주세요.
이 폴더 안에서만 작업하고 원본 파일은 고치지 마세요.
클릭당 비용은 비용 합계 ÷ 클릭 합계이고, 클릭이 0이면 '계산 불가'로 표시합니다.
실행 순서도 알려 주세요.결과가 원본과 다르면 오류 메시지와 함께 기대한 값과 실제 값을 알려 줍니다. 예를 들어 "B는 클릭이 0이므로 0원이 아니라 계산 불가여야 합니다"라고 요청합니다. 합계가 맞아도 AI가 오류를 피하려고 원본 행을 지운 것은 아닌지 행 수까지 봅니다.
크레딧과 토큰, 구독 사용률은 서로 단위가 다릅니다. 그래서 숫자끼리 크기를 비교하지 않고, 기록할 때 각 도구의 과금 기준을 함께 적습니다. 과제 하나의 결과로 모든 프로젝트를 판단할 수는 없으므로, 실제로 자주 하는 과제 두세 개로 넓혀 봅니다.
바이브코딩에서 가장 조심할 보안
AI가 만든 코드에 API 키가 그대로 적혀 있거나, .env 파일이 Git에 함께 올라가거나, 입력값 검증 없이 데이터베이스 조회를 실행하는 경우를 저는 여러 번 봤습니다. API 키는 서비스에 접근하는 비밀값이고, .env는 이런 비밀값을 코드와 따로 보관하는 설정 파일입니다.
개발이 처음이면 이런 문제를 놓치기 쉽습니다. AI에게 "잘 만들어 줘"라고만 요청하면 AI는 동작하는 코드를 만듭니다. 하지만 동작하는 코드가 곧 안전한 코드는 아닙니다. 외부 서비스를 연결할 때는 비밀값을 코드에 넣지 않고 .env 파일이 공개 저장소에 올라가지 않게 관리합니다. 실제 서비스로 배포하기 전에는 접근 권한과 입력 처리를 따로 검토합니다.
키가 이미 공개 저장소에 올라갔다면 순서가 중요합니다.
API 키가 노출됐을 때의 순서
1. 키 폐기해당 서비스 관리 화면에서
노출된 키 삭제
2. 새 키 발급같은 화면에서
새 키 만들기
3. .env에 보관코드에는
키 이름만
4. .gitignore 추가다음부터
저장소에 안 올라가게
.gitignore는 새 파일을 Git 추적에서 빼는 설정일 뿐, 이미 공개된 키를 취소하지는 못합니다. 그래서 1단계 폐기를 먼저 합니다.
바이브코딩 시대의 AI FOMO
사실 다섯 도구를 모두 써 본 것부터가 FOMO(Fear Of Missing Out) 때문이었습니다. FOMO는 새 소식을 놓치면 뒤처질 것 같은 불안입니다. 새 AI 코딩 도구가 나올 때마다 "저걸 안 써보면 뒤처지는 게 아닐까" 싶었고, 실제로 써 봐야 마음이 놓였습니다. 도구의 차이를 알수록 "이 작업에는 다른 도구가 더 낫지 않을까"라는 생각도 자주 들었습니다.
디지털 마케팅 일을 하면서 Google Analytics가 UA에서 GA4로 바뀌고, 광고 성과의 기여도를 계산하는 방식이 바뀌고, 여러 사이트의 이용 기록을 잇는 쿠키를 제한하자는 논의가 이어지는 과정을 겪었습니다. 그때마다 "이전에 배운 것이 쓸모없어지는 게 아닌가" 하는 불안이 있었습니다. 그런데 돌아보면 기존 경험은 새 도구를 판단하는 데 도움이 됐습니다.
이전 경험이 새 도구에서 쓰인 곳
| 구분 |  UA에서 GA4로분석 도구 전환 |  AI 코딩 도구새 도구로 이동 |
|---|---|---|
| 이전에 겪은 일 | 세션 기반 분석 | AI가 앞 조건을 놓친 작업 |
| 새 도구에서 먼저 본 것 | 이벤트 기반 모델과 무엇이 다른지 | 긴 작업에서도 조건을 유지하는지 |
GA4로 넘어갈 때는 UA의 세션 기반 분석을 깊이 이해한 사람이 이벤트 기반 모델과의 차이를 훨씬 빨리 파악했습니다. AI 코딩 도구도 같습니다. AI가 여러 단계로 파일을 고치다가 앞의 조건을 놓치는 상황을 겪어 봤다면, 다음 도구에서는 긴 작업에서도 조건을 유지하는지부터 봅니다. AI가 한 번에 참고하는 자료의 범위를 컨텍스트 윈도우라고 부르며, 작업이 길어지면 이 범위를 넘어 앞의 조건이 빠지기도 합니다.
배운 것이 사라지는 것이 아니라, 쌓인 맥락 위에 새 지식이 더 빨리 붙습니다. 그래서 새 도구는 지금 해결할 문제가 생겼을 때 하나씩 비교해도 늦지 않습니다.
도구는 바뀌어도 문제 정의 능력은 남습니다
다섯 도구를 써 보며 가장 크게 느낀 점은 도구 자체가 아니었습니다. AI에게 무엇을 만들어 달라고 설명하는 과정이 가장 어렵고, 가장 가치 있었습니다.
어떤 도구를 쓰든 문제를 분명하게 정의하지 못하면 결과도 흐릿해집니다. 같은 대시보드를 요청해도 요청문에 담긴 조건에 따라 AI가 알 수 있는 내용이 달라집니다.
같은 대시보드 요청, 다른 요청문
| AI가 알 수 있는 것 |  대시보드 만들어 줘 |  조건을 넣은 요청GA4, 30일, 상위 10개 |
|---|---|---|
| 데이터 출처 | 제공하지 않음 | GA4 API |
| 기간 | 제공하지 않음 | 지난 30일 |
| 지표 | 제공하지 않음 | 페이지별 조회수 |
| 범위 | 제공하지 않음 | 상위 10개 페이지 |
| 보여 주는 형태 | 제공하지 않음 | 막대 차트 |
엑셀 함수를 잘 아는 것과 AI에게 "이 데이터를 이런 기준으로 분석해 줘"라고 정확하게 지시하는 것은 다른 능력입니다. 지시를 잘하려면 문제를 나누고, 원하는 결과의 모양을 정하고, AI의 결과를 검증해야 합니다. 이 능력은 코딩 실력과도 다릅니다.
업무 경험이 있는 사람은 계산 기준이나 빼야 할 행을 설명하는 데 강점이 있습니다. 구현은 AI에게 맡기더라도 그 기준은 직접 정하고, 고친 뒤에도 이전 기능이 그대로 작동하는지 확인합니다. 도구는 앞으로도 계속 바뀌겠지만 문제를 정의하고 결과를 검증하는 능력은 어떤 도구에서든 그대로 쓰입니다.
단계별 판정과 고르는 기준
여섯 단계에서 유리했던 도구를 한 장에 모았습니다.
단계별로 유리했던 도구
| 비교 단계 |  유리한 도구 |  판정 근거 |
|---|---|---|
| 1. 파일 하나짜리 작은 작업 | Gemini CLI Codex CLI | 무료 범위 빠른 응답 |
| 2. 설계 문서부터 만드는 작업 | Kiro | 스펙과 체크리스트 자동 생성 |
| 3. 독립 기능 동시 작업 | Antigravity | 에이전트별 병렬 처리 |
| 4. 여러 파일이 얽힌 프로젝트 | Claude Code | 연결 파일 수정 오류 스스로 수정 |
| 5. 작업 환경과 외부 연결 | Claude Code | 터미널, IDE, 웹 MCP 연결 |
| 6. 비용 없이 시작 | Gemini CLI Kiro Free | 무료 한도 |
캠페인 CSV 정리나 API 조회 스크립트처럼 파일 하나로 끝나는 일이 대부분이라면 Gemini CLI나 Codex CLI로 충분합니다. 팀과 요구사항을 문서로 맞춰야 하면 Kiro를, 독립된 기능을 나눠 만들 일이 많으면 Antigravity를 써 봅니다. 화면과 서버, 데이터가 연결된 프로젝트를 오래 이어 갈 계획이라면 Claude Code가 제 경험에서 가장 잘 맞았습니다. 어느 쪽이든 마지막 선택은 내 업무 과제로 두 도구를 비교한 기록으로 정합니다.
Sources
- Gemini CLI 한도와 요금
- Gemini CLI MCP 서버 연결
- Codex 시작 안내
- Codex 인증 안내
- Kiro FAQ
- Kiro 가격
- Antigravity IDE 안내
- Antigravity 플랜
- Claude Code 개요
- Claude Code 비용 안내
3줄 요약
-
마케터가 Gemini CLI와 Codex CLI, Kiro, Antigravity, Claude Code로 업무 도구를 만들어 본 결과 여러 파일이 얽힌 프로젝트에서는 Claude Code를 주 도구로 골랐습니다.
-
파일 하나짜리 작은 작업은 Gemini CLI와 Codex CLI, 설계 문서부터 만드는 작업은 Kiro, 독립 기능을 동시에 만드는 작업은 Antigravity가 맞았습니다.
-
도구를 고를 때는 실제 업무 과제 하나를 두 도구에 같은 요청문으로 맡기고 결과를 원본과 대조한 뒤 모델명과 고친 횟수, 사용량을 기록합니다.
제대로 이해했는지 한 문제로 확인해 볼까요?
답을 고르면 바로 풀이가 나와요.
두 AI 코딩 도구가 내 업무에 맞는지 비교하는 방법으로 가장 적절한 것은 무엇인가요?
새 글과 AI 소식을 메일로 받아 보세요
AI가 바꾸는 일과 도구, 측정 실무 이야기를 매주 한 번 보내 드려요.
이 글이 도움이 되었나요?
AI에게 맡기기 전에 알아야 할 터미널, Git, 배포 기초입니다
코스 전체 보기 →