데스크톱 앱의 작은 마스코트는 사소해 보이지만, 소프트웨어 제작 관점에서는 꽤 좋은 실험 대상입니다. 캐릭터 정체성, 상태 표현, 반복 애니메이션, 파일 패키징, 배경 처리 같은 문제가 한꺼번에 등장하기 때문입니다. simonw/pedalican이 흥미로운 이유도 여기에 있습니다. 이것은 단순히 “AI가 귀여운 펠리컨을 그렸다”는 이야기가 아니라, 생성형 이미지 모델이 실제 앱 자산 제작 과정에 어느 정도 들어올 수 있는지를 보여주는 작은 사례입니다.1
작은 펫 프로젝트가 왜 기술적으로 의미가 있나
Codex Desktop에는 애니메이션 로봇 형태의 “pet” 기능이 있습니다. 이런 펫은 대규모 게임 그래픽처럼 복잡하지는 않지만, 정적인 일러스트와도 다릅니다. 화면 위에서 반복 재생되어야 하고, 작은 크기에서도 알아볼 수 있어야 하며, 여러 동작을 일관된 캐릭터로 보여줘야 합니다.
이런 조건은 이미지 생성 모델에 꽤 까다롭습니다. 한 장의 예쁜 이미지를 만드는 것과, 같은 캐릭터가 여러 프레임과 루프에서 유지되는 것은 다른 문제입니다. 따라서 Pedalican은 결과물의 미적 완성도만 볼 프로젝트가 아닙니다. 더 중요한 질문은 “생성된 이미지를 실제 UI 자산으로 다룰 수 있는가”입니다.
배경: ‘자전거 타는 펠리컨’이라는 반복 실험
Simon Willison의 사이트에는 pelican-riding-a-bicycle 태그가 붙은 게시물이 125개 있습니다.2 이 소재는 일회성 농담이라기보다, 여러 모델과 도구를 시험하는 반복적인 기준점에 가깝습니다. 같은 주제를 계속 사용하면 모델별 표현력, 일관성, 지시 준수 능력을 비교하기 쉬워집니다.
Pedalican은 이 반복 소재가 Codex Desktop의 펫이라는 구체적 형식으로 옮겨간 경우입니다. 캐릭터 설명에는 둥근 크림색 몸, 산호색 부리와 발, 작은 하늘색 자전거가 포함됐습니다. 초기 캐릭터 레퍼런스 프롬프트는 Codex pet용 ‘Pedalican’ 전신 레퍼런스 스프라이트 생성을 요청했습니다.2
즉 여기서 프롬프트는 단순한 그림 요청이 아닙니다. 캐릭터 설정, 출력 목적, 애니메이션 가능성까지 포함한 제작 지시서의 역할을 합니다.
확인된 사실: 저장소에 남은 제작 흔적
2026년 7월 14일 게시된 이 프로젝트의 GitHub 저장소 이름은 simonw/pedalican입니다.1 제작 과정에서는 GPT-5.6 Sol xhigh가 gpt-image-2를 여러 차례 사용해 스프라이트 자산을 생성했습니다.
Pedalican 저장소에는 생성된 이미지, 결합된 스프라이트 시트, 애니메이션 루프별 GIF가 포함됐습니다.2 또한 제작 중간 단계와 메모도 GitHub 저장소에 기록됐습니다. waving.gif는 gpt-image-2가 만든 단일 이미지에서 컴파일됐습니다.2
스프라이트 프롬프트에는 실무적인 제약도 들어갔습니다. 배경은 순수 마젠타 #FF00FF 크로마키로 지정됐고, 캐릭터는 192x208 크기에서 읽기 쉽고 애니메이션하기 쉬워야 한다는 조건이 포함됐습니다.2
또한 관련 스킬인 openai/skills의 hatch-pet과 openai/codex의 imagegen은 Apache 2.0 라이선스의 오픈소스 스킬입니다. 이 점은 비슷한 실험을 직접 검토하려는 개발자에게 중요한 출발점이 됩니다.
핵심은 ‘생성’이 아니라 ‘제어’다
Pedalican에서 주목해야 할 부분은 이미지 모델이 캐릭터를 만들었다는 사실 자체가 아닙니다. 이미지는 이제 많은 도구가 생성할 수 있습니다. 실제 제작 현장에서 더 어려운 것은 제어입니다.
예를 들어 작은 앱 자산에는 다음 조건이 필요합니다.
작은 해상도에서도 형태가 식별되어야 한다.
배경 제거 또는 크로마키 처리가 쉬워야 한다.
프레임 간 캐릭터 정체성이 흔들리지 않아야 한다.
루프 애니메이션으로 묶었을 때 어색함이 적어야 한다.
나중에 수정하거나 재생성할 수 있도록 과정이 남아 있어야 한다.
Pedalican의 프롬프트가 색상, 크기, 배경, 애니메이션 용이성까지 지정한 이유도 여기에 있습니다. 생성형 AI를 디자인 파트너로 쓰려면 “귀엽게 그려줘”보다 훨씬 구체적인 제작 조건이 필요합니다.
개발자에게 주는 실무적 시사점
이 사례는 전문 아트 파이프라인을 대체한다는 주장으로 읽을 필요가 없습니다. 오히려 적절한 적용 범위를 보여주는 쪽에 가깝습니다. 데스크톱 펫, 프로토타입용 캐릭터, 내부 도구의 상태 표시용 애니메이션, 작은 실험용 게임 자산처럼 위험이 낮고 반복이 중요한 영역에서는 생성형 이미지 모델이 빠른 탐색 도구가 될 수 있습니다.
다만 장점과 한계는 함께 봐야 합니다.
장점은 초기 탐색 속도입니다. 캐릭터 콘셉트와 동작 후보를 빠르게 만들어보고, 마음에 드는 방향을 골라 스프라이트 시트나 GIF로 정리할 수 있습니다. Pedalican처럼 생성 이미지와 중간 메모를 저장소에 남기면, 나중에 어떤 지시가 어떤 결과를 냈는지도 추적할 수 있습니다.
반면 한계도 분명합니다. 작은 크기에서의 가독성, 프레임 간 일관성, 반복 애니메이션의 자연스러움, 실제 앱에 넣기 위한 후처리는 여전히 검토가 필요합니다. AI가 이미지를 만들었다고 해서 곧바로 제품 품질의 자산이 되는 것은 아닙니다. 생성 이후의 정리, 선택, 결합, 테스트가 필요합니다.
오픈소스 스킬이 의미하는 것
hatch-pet과 imagegen이 Apache 2.0 라이선스의 오픈소스 스킬이라는 점은 단순한 부가 정보가 아닙니다. 이미지 생성과 앱 자산 제작을 연결하는 흐름이 닫힌 데모에 머물지 않고, 개발자가 직접 살펴보고 변형해볼 수 있는 형태로 존재한다는 뜻입니다.
물론 오픈소스 스킬이 있다고 해서 모든 작업이 자동화되는 것은 아닙니다. 하지만 반복 가능한 제작 절차를 만들 수 있는 가능성은 커집니다. 캐릭터 프롬프트, 이미지 생성, 스프라이트 구성, GIF 루프, 앱 적용이라는 흐름을 팀의 실험 환경에 맞게 조정할 수 있기 때문입니다.
앞으로 볼 지점
Pedalican 같은 프로젝트에서 다음에 확인해야 할 것은 더 화려한 이미지가 아닙니다. 중요한 관찰 포인트는 다음 세 가지입니다.
첫째, 같은 캐릭터를 얼마나 안정적으로 유지할 수 있는가. 둘째, 생성된 결과물이 실제 앱 안에서 얼마나 자연스럽게 동작하는가. 셋째, 프롬프트와 중간 산출물이 얼마나 재사용 가능한 제작 자산으로 남는가.
AI 이미지 생성의 실용성은 단발성 결과물보다 워크플로에서 드러납니다. simonw/pedalican은 그 점을 보여주는 작지만 유용한 사례입니다. 귀여운 펠리컨보다 더 중요한 것은, 생성형 도구가 소프트웨어 제작 파이프라인 안에서 어떤 역할을 맡을 수 있는지에 대한 실험이라는 점입니다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.