이 네 번째 Anthropic Economic Index 보고서는 2025년 11월 Claude 사용 데이터를 바탕으로, Claude가 경제에서 실제로 어떻게 사용되는지를 더 세밀하게 설명하기 위한 경제적 기본 지표(economic primitives) 를 도입한다. Anthropic은 개인정보 보호 방식으로 Claude.ai와 퍼스트파티(1P) API 전사 기록을 분류해, 과업 복잡성, 인간과 AI의 기술 수준, 사용 목적, AI 자율성(AI autonomy), 과업 성공(task success)이라는 다섯 차원을 추적한다.
보고서는 이러한 지표를 이용해 지리적 채택 차이, 실제 사용 환경에서의 과업 지평(task horizons), 직업별 AI 노출도와 생산성 효과를 다시 평가한다. 핵심 메시지는 분명하다. Claude는 여전히 코딩을 비롯한 일부 과업에 집중적으로 쓰이지만, 채택이 넓어질수록 사용 목적은 다양해지고, 더 복잡한 과업일수록 시간 절감은 커지되 성공률은 낮아진다.
핵심 발견
- Claude 사용은 여전히 특정 과업, 특히 코딩 관련 과업에 집중되어 있다. 그러나 Claude.ai에서는 증강(augmentation) 사용이 다시 자동화(automation)를 앞질렀다.
- 전 세계 채택은 여전히 불균등하지만, 미국 주(州) 사이에서는 1인당 사용량이 더 빠르게 수렴하고 있다.
- 고소득 국가일수록 Claude를 업무와 개인 용도로 더 다양하게 사용하고, 저소득 국가일수록 학업 용도가 상대적으로 크다.
- Claude는 대체로 주어진 과업을 성공적으로 수행하지만, 인간이 오래 걸려 처리하는 복잡한 과업일수록 성공률이 하락한다.
- 성공률을 반영해 직업별 노출도를 다시 계산하면, 단순 과업 커버리지보다 영향이 큰 직업과 작은 직업의 윤곽이 달라진다.
- Claude가 현재 수행하는 과업은 경제 전반 평균보다 더 높은 교육 수준을 요구하는 경향이 있으며, 이 과업들을 제거하면 상당수 직업에서 탈숙련화(deskilling) 가 나타난다.
서론
AI는 경제를 어떻게 재편하고 있는가?
이번 보고서는 Opus 4.5 출시 직전인 2025년 11월의 Claude 사용을 분석한다. 새로 도입된 경제적 기본 지표는 익명화된 Claude.ai 대화와 1P API 기록에 대해 Claude가 특정 질문에 답하도록 해 생성된다. Anthropic은 이 지표가 완벽한 측정치는 아니더라도, 함께 보면 AI가 경제에 미치는 영향을 읽어내는 데 중요한 신호를 제공한다고 주장한다.
Anthropic이 이번 보고서와 함께 공개한 데이터는 소비자와 기업 사용, 국가 및 지역별 차이, 그리고 다섯 개의 새 사용 차원을 포함한다. 이는 이전 보고서보다 더 넓은 범위의 경제 분석을 가능하게 하며, 정책 연구자와 언론, 일반 대중이 AI의 경제적 영향을 실증적으로 검토할 수 있는 기반을 제공한다.
1장: 이전 보고서 이후 달라진 점
개요
Anthropic은 2025년 11월 13일부터 20일까지의 기간에서 Claude.ai Free, Pro, Max 대화 100만 건과 1P API 기록 100만 건을 무작위 표본으로 추출해 분석했다. 이 장은 2025년 8월 이후 Claude 사용과 확산 패턴이 어떻게 달라졌는지를 정리한다.
- Claude.ai의 상위 10개 O*NET 과업이 전체 사용의 24%를 차지해 과업 집중은 여전히 높았다.
- 1P API에서는 상위 10개 과업 비중이 28%에서 32%로 더 뚜렷하게 상승했다.
- Claude.ai에서는 증강 사용 비중이 52%로 올라 다시 자동화를 앞질렀다.
- 미국 내에서는 저사용 주가 더 빠르게 채택을 늘리며 지역 간 수렴 신호가 관찰됐다.
과업과 직업별 사용 패턴의 변화
프런티어 모델은 현대 경제의 거의 모든 영역과 관련된 역량을 보여 주지만, 실제 Claude 사용은 여전히 소수 과업에 매우 집중되어 있다. 2025년 11월 Claude.ai에서 가장 흔한 과업은 여전히 "오류 수정을 위한 소프트웨어 수정"이었고, 이 과업 하나가 전체 사용의 6%를 차지했다.
기업 고객의 1P API 사용은 더 좁은 과업 집합에 집중됐다. 8월 대비 11월에 상위 10개 과업 비중이 4퍼센트 포인트 늘어난 것은, 모델 능력이 넓어졌음에도 경제적 가치가 특히 큰 소수 활용 사례가 계속해서 사용량을 견인하고 있음을 시사한다.
그림 1.1: 플랫폼과 보고서 버전별로 가장 흔한 10개 O*NET 과업이 차지하는 사용 비중. Claude.ai는 2025년 1월 21%에서 2025년 11월 24%로 높아졌고, 1P API는 2025년 8월 28%에서 11월 32%로 상승했다.
컴퓨터·수학 관련 과업은 여전히 Claude 사용의 중심이다. 다만 Claude.ai에서는 이러한 과업의 비중이 2025년 3월 40% 정점에서 11월 34%로 내려왔고, 같은 기간 1P API에서는 44%에서 46%로 소폭 상승했다. Claude.ai에서 교육, 글쓰기, 개인용 상호작용이 늘어난 반면, API에서는 보다 프로그램적이고 자동화 친화적인 코딩·사무 과업이 계속 확대됐기 때문이다.
그림 1.2: Claude.ai와 1P API에서 표본 대화가 어떤 직업 대분류의 과업에 대응하는지 보여 주는 시계열 그래프. Claude.ai에서는 교육·예술 관련 과업이 늘고, API에서는 컴퓨터·수학 및 사무·행정 지원 과업 비중이 높아졌다.
특히 API에서는 사무·행정 지원 과업 비중이 8월 10% 수준에서 11월 13%로 상승했다. 보고서는 이를 이메일 관리, 문서 처리, 고객 관계 관리, 일정 조율 같은 백오피스 업무 자동화 확대의 징후로 해석한다.
Claude.ai에서는 증강이 다시 우세해졌다
Anthropic은 첫 번째 경제 지수 보고서부터 대화를 다섯 가지 상호작용 유형, 즉 지시(Directive), 피드백 루프(Feedback Loops), 학습(Learning), 과업 반복(Task Iteration), 검증(Validation)으로 분류해 왔다. 이 가운데 지시와 피드백 루프는 자동화, 학습·과업 반복·검증은 증강으로 묶인다.
2025년 8월 보고서에서는 Claude.ai에서 자동화 사용이 증강을 처음으로 추월했지만, 11월 데이터에서는 다시 증강이 우세해졌다. 증강 비중은 47%에서 52%로 5퍼센트 포인트 상승했고, 자동화는 49%에서 45%로 4퍼센트 포인트 하락했다. Anthropic은 파일 생성 기능, 지속 메모리, 워크플로 맞춤형 Skills 같은 제품 변화가 인간이 중간에 개입하는 협업적 사용을 늘렸을 가능성을 제시한다.
그림 1.3: Claude.ai와 1P API에서 자동화와 증강 비중이 어떻게 변해 왔는지 보여 주는 그래프. Claude.ai는 2025년 11월에 증강 52%, 자동화 45%로 다시 협업적 사용이 우세해졌고, 1P API는 자동화가 여전히 지배적이다.
증강의 회복은 특정 하나의 분야가 아니라 전반적 패턴에서 나타났다. 특히 Claude.ai에서는 개념 설명을 요청하는 학습형 상호작용보다, Claude와 함께 초안과 결과물을 다듬는 과업 반복(task iteration) 이 더 크게 늘었다.
그림 1.4: O*NET 직업 대분류별로 지시, 과업 반복, 학습 모드가 차지하는 비중. 보고서는 설계·관리·교육 등 보다 인간 상호작용이 큰 영역에서도 증강 패턴이 넓게 관찰된다고 본다.
그림 1.5: 상위 사분위수 과업과 요청 군집에서, 지시·과업 반복·학습 유형과 함께 자주 나타나는 단어를 워드클라우드로 시각화한 그림. 지시는 생산 지향 어휘, 과업 반복은 수정·개선 어휘, 학습은 설명·정보 전달 어휘가 두드러진다.
지역 집중은 여전히 크지만 미국 내 확산은 빠르다
Anthropic은 특정 지역의 Claude 사용이 해당 지역 노동 가능 연령 인구 규모에 비해 과대표집되었는지 보기 위해 Anthropic AI 사용 지수(Anthropic AI Usage Index, AUI) 를 사용한다.
AUI_c = (국가 c의 Claude 사용 비중) / (국가 c의 노동 가능 연령 인구 비중)
AUI가 1보다 크면 인구 규모만으로 예상되는 수준보다 Claude를 더 많이 사용한다는 뜻이고, 1보다 작으면 덜 사용한다는 뜻이다. 예를 들어 보고서는 덴마크의 AUI가 2.1이라고 설명한다.
전 세계적으로는 2025년 8월과 11월 사이에 사용 집중도가 거의 바뀌지 않았다. 반면 미국 주 수준에서는 지니계수가 0.37에서 0.32로 떨어져 더 평등한 분포로 이동했다. 보고서는 이를 여전히 조심스럽게 해석하지만, 미국 내에서는 저사용 주가 더 빨리 따라잡는 초기 수렴이 나타난다고 본다.
그림 1.6: 전 세계 국가와 미국 주 내부의 AUI Lorenz 곡선. 45도선에 가까울수록 집중이 덜함을 뜻하며, 2025년 11월 미국 패널은 이전 보고서보다 더 완만한 집중을 보여 준다.
미국 안에서는 소득보다 노동력 구성이 더 강한 설명력을 보였다. 컴퓨터·수학 직종 종사자 비중이 높은 워싱턴 D.C., 버지니아, 워싱턴주 같은 곳일수록 1인당 Claude 사용량이 높았다. 정량적으로는 해당 직종 비중이 1%포인트 높을수록 1인당 사용량이 약 0.36% 높아졌다.
그림 1.7: 미국 각 주의 컴퓨터·수학 직종 종사자 비중과 AUI 간 상관관계. 보고서는 노동력 구성이 Claude 역량과 얼마나 잘 맞는지가 지역 채택 격차의 핵심이라고 해석한다.
이 수렴 속도를 단순한 확산 모형으로 계산하면, 미국 주별 사용량이 인구 조정 기준으로 비슷한 수준에 도달하는 데 2~5년이 걸릴 수 있다. 물론 표본 기간이 단 3개월이기 때문에 불확실성은 크다.
AUI_{s,t} = AUI_{s,t-1}^β, β ∈ (0, 1)
ln AUI_{s,t} = α + β × ln AUI_{s,t-1} + ε_{s,t}
단순 OLS 추정에서는 β̂가 약 0.760.77, 2단계 최소제곱(2SLS)에서는 0.860.89 수준으로 나왔다. 후자는 느린 수렴을 뜻하지만, 그래도 과거 경제적으로 중대한 기술 확산에 비하면 매우 빠르다.
그림 1.8: 2025년 8월과 11월 미국 주별 AUI를 비교해, 비례 수렴 모형 하에서 지역별 Claude 확산 속도를 추정한 결과. 보고서는 2~5년이라는 추정치를 제시하지만, 측정 오차와 짧은 관측 기간 때문에 신중한 해석을 요구한다.
2장: 경제적 기본 지표 소개
경제적 영향과 관련 있는 AI 사용 차원
Anthropic은 기존의 자동화/증강 분류만으로는 AI가 경제에 어떤 영향을 미칠지 충분히 설명할 수 없다고 본다. 그래서 이번 보고서에서는 인간-AI 상호작용을 다섯 차원으로 세분화했다.
표 2.1: 이번 보고서에서 새로 도입된 경제적 기본 지표와 분류 개요. 온라인 부록에는 각 분류기에 실제로 사용한 프롬프트 전문이 공개되어 있다.
- 과업 복잡성(task complexity): AI 없이 인간이 과업을 완료하는 데 필요한 시간, AI와 함께 걸리는 시간, 하나의 대화에서 여러 과업을 다루는지 여부를 본다.
- 인간과 AI의 기술(human and AI skills): 사용자가 Claude 없이도 과업을 수행할 수 있는지, 사용자 프롬프트와 Claude 응답을 이해하는 데 몇 년의 교육이 필요한지를 추정한다.
- 사용 사례(use case): 업무, 학업, 개인 용도 가운데 어느 목적에 해당하는지 분류한다.
- AI 자율성(AI autonomy): 사용자가 의사결정 권한을 얼마나 Claude에 위임하는지 본다. 이는 자동화/증강 분류와는 별개다.
- 과업 성공(task success): Claude가 해당 과업을 성공적으로 완료했는지를 Claude 자신이 분류한 결과다.
예를 들어 "이 문단을 프랑스어로 번역해 줘"는 지시형 상호작용이므로 자동화 비중은 높지만, Claude가 독자적으로 많은 판단을 내릴 필요는 없으므로 자율성은 낮다. Anthropic은 이런 구분이 향후 자동화 속도와 비용을 예측하는 데 중요하다고 본다.
새로운 측정치의 선정과 검증
새 지표 선정에는 Anthropic의 기존 생산성 연구, 외부 연구자 피드백, 인간 자본과 숙련을 매개로 한 최근 경제학 문헌, 내부 경제 연구팀의 토론이 반영됐다. 핵심 기준은 세 가지였다. 경제적으로 중요한 질문을 포착하는지, 다른 지표와 상보적 관계를 이루는지, Claude가 그 차원에서 방향성 있게(directionally accurate) 분류할 수 있는지다.
Anthropic은 완벽한 측정 대신 여러 개의 단순한 지표를 결합하는 접근을 택했다. Claude.ai 쪽에서는 피드백이 포함된 일부 대화에 대해 인간 평가자와 비교했고, 1P API 쪽에서는 내부·합성 데이터를 섞어 검증했다. 그 결과, 인간 시간 추정·인간+AI 시간 추정·AI 자율성처럼 사고 과정을 드러내는 프롬프트가 특히 도움이 되는 일부 항목을 제외하면, 지나치게 복잡한 분류기보다 단순한 분류기가 더 잘 작동하는 경우도 있었다.
기본 지표의 가치는 무엇을 예측하느냐에 있다
Anthropic은 이 지표들을 절대적 진실로 쓰기보다, 다른 변수와 결합해 경제적 결과를 예측하는 도구로 봐야 한다고 강조한다. 그럼에도 외부 벤치마크와의 비교는 상당히 설득력 있다. 예를 들어 사용자 프롬프트를 이해하는 데 필요한 교육 연수 추정치는 실제 직업별 교육 수준과 높은 상관관계를 보인다.
그림 2.1: 특정 직업과 연관된 과업 프롬프트를 이해하는 데 필요한 평균 교육 연수와, 해당 직업 종사자 가운데 학사 학위 이상 보유 비중의 관계. BLS의 2022~2023년 American Community Survey 미시자료를 사용했다.
사용 사례가 다르면 지표 프로필도 달라진다
지표의 해석을 보여 주기 위해 보고서는 두 개의 상반된 요청 군집을 비교한다. 하나는 소프트웨어 개발("여러 프로그래밍 영역에서 디버깅, 개발, 최적화 지원"), 다른 하나는 개인 생활 관리("일상 과제와 개인 생활 관리 지원")다.
그림 2.2: Claude.ai 전체 표본, 소프트웨어 개발 군집, 개인 생활 관리 군집의 기본 지표 요약. 소프트웨어 개발은 더 높은 교육 수준과 더 낮은 자력 수행 가능성, 더 높은 업무 비중을 보이며, 개인 생활 관리는 더 낮은 복잡성과 더 높은 성공률을 보인다.
소프트웨어 개발 요청은 AI 없이 약 3.3시간이 걸리는 과업으로 추정되어 전체 평균(3.1시간)과 비슷하지만, 프롬프트와 응답을 이해하는 데 필요한 교육 수준은 모두 13.8년으로 더 높다. 반면 개인 생활 관리 과업은 평균 1.8시간으로 더 짧고, 사용자가 혼자 해결할 수 있다고 평가된 비중도 96%로 매우 높다.
업무 비중은 소프트웨어 개발 군집에서 64%, 개인 생활 관리에서는 17%였다. 성공률은 오히려 반대로, 개인 생활 관리가 78%로 소프트웨어 개발의 61%보다 높았다. Anthropic은 이를 통해 더 전문적인 지식과 더 어려운 문제를 요구하는 사용일수록 Claude의 지원이 더 필수적이지만, 동시에 성공은 더 어렵다는 점을 보여 준다고 설명한다.
Claude.ai와 1P API는 서로 다른 과업을 보여 준다
이전 보고서와 마찬가지로, Claude.ai와 1P API는 매우 다른 사용 패턴을 보였다. API 기록은 단일 입력-출력 쌍이어서 대화의 궤적을 볼 수 없고, 성격상 업무·자동화 중심이다. 전체적으로 API는 업무용 비중이 74%, 지시형 비중이 64%였고, 4분의 3 정도가 자동화로 분류됐다.
반면 Claude.ai는 인간과 AI가 여러 차례 상호작용하며 결과를 다듬는 경우가 많다. 인간+AI 시간은 평균 15분, AI 없이 인간이 수행할 시간은 3.1시간으로 API의 5분, 1.7시간보다 길었다. 성공률도 Claude.ai가 67%로 API의 49%보다 높았다. Anthropic은 이것이 다회전 대화가 문제를 명확히 하고 방향을 수정하며 결과를 개선하는 데 도움을 주기 때문일 수 있다고 본다.
3장: 지리마다 Claude 사용 방식은 다르다
개요
Anthropic은 Claude.ai 대화 100만 건을 바탕으로 국가와 미국 주 수준의 지리적 사용 차이를 분석했다. 이 장의 핵심 관찰은 다섯 가지다.
- Claude는 전반적으로 업무에 가장 많이 쓰이지만, 채택이 높아질수록 개인용과 다양한 비업무 용도로 사용이 넓어진다.
- 국가 수준에서는 GDP와 인간 프롬프트의 교육 수준이 모두 채택을 강하게 예측한다.
- 국가 수준과 미국 주 수준에서는 AUI와 연관되는 기본 지표가 다르다.
- 과업 성공과 교육 수준의 관계는 국제 수준과 미국 주 수준에서 부호가 다르게 나타난다.
- 인간이 Claude를 어떤 수준으로 프롬프트하느냐가 Claude의 응답 수준과 거의 완벽하게 연결된다.
Claude는 주로 업무에 쓰이지만, 채택이 높아질수록 사용 목적이 다양해진다
Claude는 전 세계적으로나 미국 내부에서나 주로 업무에 쓰인다. 그러나 업무·학업·개인 비중은 지역에 따라 현저히 다르다. 글로벌 수준에서는 발칸 지역과 브라질이 업무 비중이 높았고, 인도네시아는 학업 비중이 가장 높았다. 미국 주 수준에서는 뉴욕이 업무 비중이 상대적으로 가장 높았다.
그림 3.1: 국가별 Claude.ai 대화 가운데 업무로 분류된 비중. 보고서는 표본에서 국가당 최소 200개 관측치를 요구해 저사용 국가의 측정 불안을 줄였다.
국가의 1인당 소득과 사용 목적은 밀접하게 연관된다. 고소득 국가에서는 업무와 개인 용도가 더 흔하고, 저소득 국가에서는 학업 용도가 상대적으로 더 크다. 보고서는 이를 단순한 채택 곡선의 결과로 읽는다. 초기 채택 단계에서는 고부가가치 기술 활용이나 교육 중심 사용이 많고, 채택이 성숙하면 개인적·가벼운 활용으로 확장된다는 것이다.
그림 3.2: 국가별 로그 1인당 GDP와 업무·학업·개인 사용 비중의 이변량 관계. 고소득 국가일수록 개인 용도가 많고, 저소득 국가일수록 학업 용도가 높다.
보고서는 이러한 패턴의 배경으로 세 가지를 든다.
- 채택이 높아질수록 기존 사용자가 활용 범위를 넓히거나, 더 다양한 사용자가 유입되면서 개인용 사례가 늘어날 수 있다.
- 소득이 낮은 국가에서는 복잡한 업무보다 무료 요금제로도 가능한 학업용 사용이 더 적합할 수 있다.
- 고소득 국가는 자유 시간과 안정적 인터넷 접근 같은 자원이 더 풍부해 비필수적 개인 사용이 많을 수 있다.
국가 수준과 미국 주 수준에서는 다른 기본 지표가 채택과 결합된다
경제적 기본 지표를 도입한 덕분에 Anthropic은 AUI와 GDP, 교육 수준, 과업 길이, 자율성, 업무 비중 사이의 관계를 더 체계적으로 볼 수 있게 됐다. 국가 수준에서는 1인당 GDP가 1% 증가할 때 Claude의 1인당 사용량이 약 0.7% 증가했다.
그림 3.3: 국가 수준에서 자연로그 AUI와 다섯 가지 핵심 경제적 기본 지표, 그리고 1인당 GDP 사이의 관계. 인간 프롬프트를 이해하는 데 필요한 교육 연수는 국가 수준에서 AUI와 유의한 양의 상관을 보였다.
미국 주 수준에서도 인간 프롬프트의 교육 연수는 단변량으로는 AUI와 양의 상관을 보였다. 그러나 GDP와 다른 지표를 함께 통제하면 그 관계는 약해졌다. 국가 수준에서 음의 관계였던 인간 전용 수행 시간이나 AI 자율성과 AUI 사이의 상관도 미국 주 수준에서는 뚜렷하지 않았다.
그림 3.4: 미국 주 수준에서 자연로그 AUI와 핵심 기본 지표, 1인당 GDP의 관계. 국가 수준에서 관찰된 일부 관계는 주 수준에서는 사라지며, 대신 업무 사용 비중은 AUI와 양의 상관을 보였다.
Anthropic은 이를 인과로 해석해서는 안 된다고 선을 긋는다. 소득과 교육, 사용 목적, 자율성은 서로 상관이 높아 어떤 변수가 실제 원인인지 분리하기 어렵기 때문이다.
제도적 맥락이 성공률과 교육 수준의 관계를 바꾼다
흥미롭게도 과업 성공과 교육 수준의 관계는 국가 수준과 미국 주 수준에서 반대로 나타났다. 국가 간 비교에서는 인간 프롬프트를 이해하는 데 더 높은 교육 수준이 필요한 곳일수록 성공률이 낮았다. 더 교육 수준이 높은 인구가 더 어려운 과업을 시도하기 때문일 수 있다.
반면 미국 주 수준의 단순 상관에서는 교육 수준이 높을수록 성공률이 높아 보였지만, GDP와 다른 기본 지표를 통제하면 그 관계는 유의하지 않게 바뀌었다. 보고서는 이를 같은 나라 안처럼 제도적 환경이 더 비슷한 맥락에서는 교육이 성공을 직접 끌어올린다고 보기 어렵다는 시사점으로 해석한다.
그림 3.5: 왼쪽은 과업 성공률과 인간 프롬프트 교육 연수 간 단순 상관, 오른쪽은 GDP와 자율성, 자동화 비중, 업무·학업 비중, 시간 추정치 등을 통제한 부분 회귀 결과다. 국가와 미국 주는 서로 다른 관계를 보인다.
사람이 Claude를 어떻게 프롬프트하느냐가 응답 수준을 규정한다
인간 프롬프트를 이해하는 데 필요한 교육 연수와 Claude 응답을 이해하는 데 필요한 교육 연수는 거의 완벽하게 움직인다. 상관계수는 국가 수준에서 0.925, 미국 주 수준에서 0.928이었다. 보고서는 이를 통해, 사용자의 숙련과 프롬프트 방식이 Claude의 응답 품질과 수준을 규정하는 중요한 조건임을 강조한다.
고사용 국가일수록 Claude를 더 협업적으로 활용하고, 더 적은 의사결정을 모델에 위임하는 경향도 확인됐다. 이는 소득이 높은 국가일수록 Claude를 독립적 실행자보다 보조자와 협업자로 활용하는 경향이 강함을 시사한다.
결론
이 장의 결론은 분명하다. GDP는 국가와 미국 주 모두에서 채택과 관련되지만, 교육 수준과 자율성, 과업 길이, 성공률이 AUI와 맺는 관계는 관찰 단위에 따라 달라진다. 또한 사용자가 얼마나 정교하게 Claude를 프롬프트하느냐가 Claude의 응답 수준과 거의 일치한다는 사실은, AI 활용 역량 자체가 불균등하게 분포할 수 있음을 보여 준다.
4장: 과업과 생산성
이번 장은 시간 절감, 성공률, 자율성이 과업 유형에 따라 어떻게 달라지는지, 그리고 그것이 직업과 생산성에 어떤 함의를 갖는지 검토한다. 핵심 메시지는 복잡한 과업일수록 AI가 주는 속도 향상은 크지만, 그만큼 신뢰성 문제도 커진다는 점이다.
과업 가속의 상충관계
Anthropic은 각 과업에 대해 "AI 없이 인간이 혼자 수행할 시간"과 "인간과 AI가 함께 수행할 시간"을 추정하고, 전자를 후자로 나눈 값을 속도 향상(speedup) 으로 정의한다. 예를 들어 1시간 걸릴 과업을 10분 만에 마치면 6배 속도 향상이다.
Claude.ai 기준으로 고등학교 수준인 12년 교육 연수를 요구하는 과업은 평균 9배, 대학 수준인 16년 교육 연수를 요구하는 과업은 평균 12배의 속도 향상을 보였다. 즉, 더 복잡하고 더 높은 인적 자본을 요구하는 과업일수록 생산성 이득이 더 컸다.
그림 4.1: 왼쪽 패널은 O*NET 과업 수준에서 속도 향상과 인간 프롬프트 교육 연수의 관계를, 오른쪽 패널은 성공률과 같은 교육 연수의 관계를 보여 준다. 복잡한 과업일수록 속도 향상은 커지지만 성공률은 낮아진다.
실제로 성공률은 반대로 움직였다. Claude.ai에서 고등학교 미만 수준 과업은 약 70% 성공률을 보였지만, 대학 수준 과업은 약 66%로 떨어졌다. 다만 Anthropic은 성공률을 반영해도 교육 수준이 높은 과업에서의 순생산성 이득이 사라지지는 않는다고 본다.
Claude.ai 사용자들은 더 복잡한 과업일수록 Claude에 약간 더 높은 자율성을 부여했다. 반면 API는 거의 모든 복잡도 구간에서 낮은 자율성을 유지했는데, 이는 API 사용이 좁은 과업 집합과 더 자동화 친화적인 맥락에 집중되어 있기 때문으로 해석된다.
그림 4.2: O*NET 과업 수준에서 인간 프롬프트 교육 연수와 AI 자율성의 관계. Claude.ai는 복잡한 과업에서 자율성이 약간 높아지지만, API는 전 구간에서 더 낮은 자율성을 보인다.
실제 사용에서의 과업 지평(task horizons)
최근 METR 연구는 AI가 더 오래 걸리는 과업에서 성공률이 떨어진다는 사실을 이용해 과업 지평을 측정한다. Anthropic은 같은 아이디어를 자사 사용 데이터에 적용했다. API에서는 인간이 1시간 미만에 처리하는 과업에서 성공률이 60% 안팎이었지만, 5시간 이상 걸리는 과업에서는 45% 수준까지 떨어졌다.
선형 적합선을 기준으로 보면, API의 50% 성공선은 약 3.5시간 지점에서 교차한다. 이는 Sonnet 4.5가 약 2시간, Opus 4.5가 약 5시간 수준이라고 본 METR의 소프트웨어 공학 벤치마크와 대체로 비슷한 범위다. 다만 이번 보고서의 데이터는 Opus 4.5 출시 전이다.
그림 4.3: O*NET 과업 수준에서 인간 단독 수행 시간과 과업 성공률의 관계. API는 약 3.5시간, Claude.ai는 약 19시간 부근에서 50% 성공선과 교차하는 것으로 추정된다.
Claude.ai는 다른 그림을 보여 준다. 다회전 대화 덕분에 긴 과업을 더 작은 단계로 나누어 피드백을 주고받을 수 있어서인지, 선형 추정에서 50% 성공선이 약 19시간까지 늘어난다. Anthropic은 이를 실효 과업 지평(effective task horizon) 으로 해석한다. 다만 사용자가 애초에 실패할 것 같은 과업을 가져오지 않는 선택 효과가 있으므로, 이 수치를 모델의 순수 능력으로 오해해서는 안 된다고 덧붙인다.
유효 AI 커버리지로 다시 본 직업 침투도
이전 연구에서는 특정 직업의 과업 가운데 Claude 사용 데이터에 등장한 과업 비중만으로 노출도를 봤다. 이번 보고서는 여기에 성공률과 과업이 실제 근무시간에서 차지하는 비중을 더해 유효 AI 커버리지(effective AI coverage) 를 정의한다.
그림 4.4: 직업 수준에서 단순 과업 커버리지와 유효 AI 커버리지를 비교한 산점도. 45도선 아래에 있으면, 과업이 많이 등장하더라도 성공률이나 시간 가중치를 고려하면 실제 영향은 더 작다는 뜻이다.
예를 들어 데이터 입력 직군은 9개 과업 가운데 2개만 Claude 데이터에 등장하지만, 그 두 과업이 읽기와 입력처럼 실제 시간을 가장 많이 차지하는 업무이기 때문에 유효 AI 커버리지가 매우 높게 나온다. 의료 속기사와 방사선 전문의도 비슷하다. 반대로 미생물학자는 등장 과업 비중은 높지만, 실험실 장비를 다루는 핵심 과업이 포함되지 않아 유효 AI 커버리지가 더 낮다.
Anthropic은 이 지표가 직업 수준에서 더 현실적인 노출 그림을 제공하지만, 여전히 실제 대화가 인간 업무를 대체했는지, 보완했는지는 별도로 판단해야 한다고 강조한다.
AI가 직업의 과업 구성을 어떻게 바꾸는가
직업 침투도와 별개로, 중요한 질문은 "어떤 과업이 사라지느냐"다. O*NET에는 과업별 교육 요구 수준이 직접 없기 때문에, Anthropic은 과업 임베딩을 바탕으로 교육 연수를 예측하는 모델을 학습했다. 이를 통해 경제 전체 과업 분포와 Claude가 실제로 수행하는 과업 분포를 비교한 결과, Claude는 평균보다 더 높은 교육 수준을 요구하는 과업을 맡는 경향이 있었다.
그림 4.5: 경제 전체 O*NET 과업의 예측 교육 수준 분포와 Claude.ai 데이터에 등장한 과업의 분포를 비교한 히스토그램. Claude가 다루는 과업은 평균적으로 약 1년 더 높은 교육 수준을 요구한다.
이 과업들을 경제에서 제거하면 다수 직업에서 탈숙련화(deskilling) 가 나타난다. 기술 문서 작성자(technical writers)는 개정 필요성 분석, 출판물 검토 같은 더 고숙련 과업을 잃고, 삽화 스케치나 생산 과정 관찰 같은 상대적으로 저숙련 과업이 남는다. 여행사 직원도 일정 설계와 비용 계산은 사라지지만, 티켓 출력과 대금 수납은 남아 평균 숙련도가 낮아진다.
교사 직군 역시 채점, 학생 조언, 연구, 보조금 작성 같은 과업을 AI가 흡수할 수 있어 탈숙련화 압력을 받을 수 있다. 반대로 부동산 관리 직군은 기록 유지나 임대료 검토 같은 행정 과업을 AI가 떠맡으면서, 대출 확보, 설계사무소와의 협상, 이사회 미팅처럼 더 높은 판단과 대면 상호작용을 요구하는 일이 남아 숙련화(upskilling) 가 나타날 수 있다.
Claude 사용의 총생산성 효과를 다시 계산하기
Anthropic의 이전 생산성 연구는 AI의 광범위한 도입이 향후 10년 동안 미국 노동생산성 증가율을 연 1.8퍼센트 포인트 높일 수 있다고 추정했다. 이번 보고서는 여기에 과업 성공과 과업 상보성 문제를 추가해 다시 계산한다.
Claude.ai 표본에서 관측 빈도가 충분한 과업만 사용하면, 이전과 마찬가지로 연 1.8퍼센트 포인트라는 기준 추정치가 재현된다. 1P API를 포함해도 결과는 거의 같다. API는 좁은 과업 집합에 집중되어 효과를 줄이는 방향과, 개별 과업 속도 향상이 더 큰 방향이 서로 상쇄되기 때문이다.
그림 4.6: 직업 내부에서 과업이 얼마나 잘 대체되는지 나타내는 탄력성(σ)에 따라, Claude.ai와 API 사용이 암시하는 총노동생산성 증가율이 어떻게 달라지는지 보여 주는 그래프. 성공률을 반영한 곡선은 전체 효과를 유의미하게 낮춘다.
성공률을 반영하면 이야기가 바뀐다. 과업별 시간 절감에 과업별 성공률을 곱해 조정하면, Claude.ai 기반 생산성 증가율은 1.8에서 1.2퍼센트 포인트로, API 기반 추정치는 1.0퍼센트 포인트로 떨어진다. 그래도 이는 1990년대 후반과 2000년대 초반 수준의 미국 생산성 증가율을 되찾게 하는 크기다.
여기에 과업 상보성을 나타내는 CES 모형까지 적용하면, 생산성 효과는 직업 내부의 병목 과업에 크게 좌우된다. σ가 0.5처럼 1보다 작으면 과업은 상보적이어서, AI가 거의 돕지 못하는 과업이 전체 생산성 향상을 제한한다. 이때 총효과는 연 0.7~0.9퍼센트 포인트 수준으로 내려간다. 성공률까지 반영하면 Claude.ai는 0.8, API는 0.6퍼센트 포인트 수준이다.
반대로 σ가 1.5처럼 1보다 크면, 노동자가 AI가 특히 강한 과업으로 더 많이 이동할 수 있어 총효과가 2.2~2.6퍼센트 포인트까지 커진다. Anthropic은 결국 자동화의 경제 효과가 현재로서는 AI가 수행하지 못하는 병목 과업에 제약될 수 있다고 정리한다.
결론
이 장은 AI의 경제 효과가 균질하지 않음을 보여 준다. 현재 Claude가 잘 다루는 과업은 더 높은 교육 수준을 요구하는 경우가 많아, 직업의 남은 과업 구성을 저숙련 쪽으로 이동시킬 수 있다. 그러나 동시에 가장 복잡한 과업일수록 Claude가 가장 많이 어려움을 겪기 때문에, 고숙련 전문가의 역할을 완전히 대체하기보다 AI 산출물을 평가하고 교정하는 보완적 숙련을 더 가치 있게 만들 가능성도 있다.
맺음말
이번 네 번째 Anthropic Economic Index 보고서는 경제적 기본 지표라는 틀을 통해, 소비자와 기업이 Claude를 어떻게 활용하는지 더 체계적으로 보여 준다. 보고서의 가장 중요한 함의는 세 가지다. 첫째, Claude는 현재 경제 전반 평균보다 더 높은 교육 수준을 요구하는 과업에서 더 많이 사용되고, 그 과업에서 더 큰 생산성 향상을 제공한다. 둘째, 채택과 활용 방식은 국가와 지역에 따라 현저히 다르며, 기존의 소득 수준과 인간 자본 분포가 그 차이를 크게 매개한다. 셋째, 과업 성공률과 병목 과업을 고려하면 총생산성 효과는 단순 속도 향상치보다 작아지지만, 여전히 거시적으로 유의미한 규모를 유지한다.
Anthropic은 앞으로 모델 역량이 향상될수록 성공률이 높아지고, 사용 패턴이 더 자율적이 되며, 현재는 대화형으로 처리되는 과업 가운데 일부가 API 자동화로 옮겨 갈 것으로 본다. 이번 데이터 공개는 그러한 변화를 장기적으로 추적하기 위한 기초 자료다. AI의 혜택이 전 세계적으로 확산되려면 단순한 접근성 확대만으로는 충분하지 않고, 효과적으로 사용할 수 있는 인간 자본의 축적이 함께 필요하다는 점이 이 보고서의 중요한 정책적 메시지다.
저자 및 감사의 말
주 저자: Ruth Appel, Maxim Massenkoff, Peter McCrory
공동 저자: Miles McCain, Ryan Heller, Tyler Neylon, Alex Tamkin
감사: Xabi Azagirre, Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Sylvie Carr, Miriam Chaum, Ronan Davy, Evan Frondorf, Deep Ganguli, Kunal Handa, Andrew Ho, Rebecca Jacobs, Owen Kaye-Kauderer, Bianca Lindner, Kelly Loftus, James Ma, Jennifer Martinez, Jared Mueller, Kelsey Nanan, Kim O'Rourke, Dianne Penn, Sarah Pollack, Ankur Rathi, Zoe Richards, Alexandra Sanderford, David Saunders, Michael Sellitto, Thariq Shihipar, Michael Stern, Kim Withee, Mengyi Xu, Tony Zeng, Xiuruo Zhang, Shuyi Zheng, Emily Pastewka, Angeli Jain, Sarah Heck, Jared Kaplan, Jack Clark, Dario Amodei
인용
@online{anthropic2026aeiv4,
author = {Ruth Appel and Maxim Massenkoff and Peter McCrory and Miles McCain and Ryan Heller and Tyler Neylon and Alex Tamkin},
title = {Anthropic Economic Index report: economic primitives},
date = {2026-01-15},
year = {2026},
url = {https://www.anthropic.com/research/anthropic-economic-index-january-2026-report},
}