AI는 이전 기술과는 다른 속도로 확산되고 있다. 미국에서는 이미 직원의 약 40%가 업무에 AI를 사용한다고 보고하며, 이는 2023년의 약 20%에서 두 배로 늘어난 수치다. 이처럼 빠른 확산은 AI가 이미 폭넓은 용도에서 유용하고, 기존 디지털 인프라 위에 쉽게 배치될 수 있으며, 특별한 훈련 없이도 말하거나 입력하는 것만으로 사용할 수 있다는 점을 반영한다.
그러나 경제적으로 중대한 기술은 대개 초기에 집중적으로 채택된다. 소수의 지역과 소수의 과업에서 먼저 활용되고, 이후 시간이 지나면서 더 넓은 경제로 확산된다. 이번 세 번째 Anthropic Economic Index 보고서는 바로 이 초기 확산의 양상을 파악하기 위해, Claude.ai 사용의 시간 변화, 150개국 이상과 미국 전 주(州)에 걸친 지리적 분포, 그리고 기업의 퍼스트파티(1P) API 배치 패턴을 함께 분석한다.
Anthropic은 이번 보고서와 함께 Claude.ai 및 1P API의 과업 수준 사용 데이터, 과업별 협업 방식, 지리적 집계 결과, 방법론 문서를 공개해 독립 연구를 촉진하고자 한다. 보고서의 핵심 메시지는 분명하다. Claude 사용은 빠르게 늘고 있지만, 그 확산과 활용 방식은 여전히 매우 불균등하며, 특히 지역별 채택 격차와 기업의 자동화 중심 배치 패턴이 앞으로의 생산성 효과와 노동시장 변화를 좌우할 가능성이 크다.
핵심 발견
- Claude.ai에서는 코딩이 여전히 가장 큰 비중을 차지하지만, 교육 과업 비중은 9.3%에서 12.4%로, 과학 과업 비중은 6.3%에서 7.2%로 상승했다.
- Claude.ai에서 사용자가 Claude에 완전한 과업 위임을 요구하는 지시형(directive) 상호작용은 27%에서 39%로 늘어, 자동화 패턴이 증강(augmentation) 패턴을 처음으로 앞질렀다.
- 국가별 Claude 사용량을 노동 가능 연령 인구로 보정한 Anthropic AI Usage Index(AUI) 는 소득과 강한 양의 상관을 보인다. 이스라엘, 싱가포르, 호주, 뉴질랜드, 한국 같은 기술 선도국이 1인당 채택 상위권을 형성했다.
- 미국 내부에서는 전체 사용량 기준으로 캘리포니아가 압도적이지만, 인구를 보정하면 워싱턴 D.C.와 유타가 가장 높은 1인당 Claude 사용을 보였다.
- 채택이 높은 국가일수록 코딩 편중이 줄고 교육, 과학, 사무, 비즈니스 과업으로 사용이 다변화된다. 또한 동일한 과업 구성을 통제해도, 고채택 국가는 자동화보다 증강적 협업을 더 많이 택한다.
- 기업의 1P API 사용은 Claude.ai와 비슷한 과업을 다루되 훨씬 더 특화되어 있으며, 77%가 자동화 중심 패턴을 보인다.
- 기업의 Claude 배치에서는 과업 비용보다 모델 능력, 프로그램적 배치 용이성, 자동화의 경제적 가치가 더 중요하게 작용하는 것으로 보인다.
- 복잡한 과업일수록 Claude에 더 긴 맥락을 제공해야 하며, 적절한 컨텍스트를 조직적으로 정리하는 역량이 고도화된 AI 배치의 병목일 가능성이 크다.
1장: Claude.ai 사용 추이
개요
Anthropic은 2024년 말과 2025년 초의 첫 번째 보고서(V1), 2025년 2월과 3월을 다룬 두 번째 보고서(V2), 그리고 2025년 8월을 분석한 이번 보고서(V3)를 비교함으로써, Claude 사용이 지난 여덟 달 사이 어떻게 바뀌었는지를 추적한다. 이 기간은 모델 역량이 향상되고, 새로운 제품 기능이 도입되며, 소비자 기반이 넓어진 시기와 겹친다.
Anthropic은 이번 변화가 단순히 기존 과업의 채택 속도를 높인 것만이 아니라, Claude로 수행할 수 있는 일의 종류 자체를 넓혔음을 시사한다고 본다.
Claude.ai의 경제 과업 사용은 어떻게 달라졌는가
컴퓨터 및 수학 관련 과업은 여전히 전체 Claude.ai 사용의 중심이며, 2025년 8월 표본에서 36%를 차지한다. 그러나 지식 집약적 영역의 비중도 꾸준히 상승하고 있다. 교육 및 도서관 관련 과업은 V1의 9%에서 V3의 12%로, 생명·물리·사회과학 관련 과업은 6%에서 7%로 늘었다. 반면 비즈니스 및 재무 운영 과업은 6%에서 3%로, 관리 과업은 5%에서 3%로 줄었다.
이러한 분화는 Claude의 추론 능력이 특히 지식의 종합과 설명이 중요한 과업에서 빠르게 확산되고 있음을 시사한다. 전통적인 경영 운영보다 교육과 과학 같은 영역이 Claude의 역량과 더 잘 맞아떨어질 가능성이 높다는 뜻이다.
그림 1.1: Anthropic Economic Index 보고서 버전별 Claude.ai 사용 비중. 각 패널은 표본 대화가 어떤 SOC 직업 대분류 과업과 연결되는지 보여 주며, 과학 및 교육 과업의 뚜렷한 상승이 관찰된다.
보다 세밀한 수준에서도 제품 기능과 연결된 과업 변화가 나타난다. 예컨대 전자 자료와 데이터베이스 검색 과업은 0.03%에서 0.49%로 크게 늘었는데, 이는 2025년 3월의 웹 검색 출시와 부합한다. 인터넷 기반 조사 과업도 0.003%에서 0.27%로 증가해 4월에 도입된 Research 모드와 방향성이 맞는다.
또한 교육자 채택 확대를 반영하듯 수업 자료 개발 과업은 0.2%에서 1.5%로 6배 넘게 늘었고, 멀티미디어 문서 작성 과업도 0.16%에서 0.55%로 거의 세 배 증가했다. 코딩 과업 내부에서도 변화가 있었다. 새 코드를 만드는 과업 비중은 4.1%에서 8.6%로 두 배 이상 늘었고, 디버깅과 오류 수정은 16.1%에서 13.3%로 줄었다. 이는 사용자가 문제를 고치는 데 쓰는 시간보다 한 번의 상호작용에서 무언가를 새로 만드는 데 쓰는 시간이 늘고 있음을 시사한다.
지시형 자동화는 더 빠르게 늘고 있다
Anthropic은 Claude.ai 대화를 다섯 가지 상호작용 방식으로 분류한다. 지시(Directive)와 피드백 루프(Feedback Loops)는 자동화, 학습(Learning), 과업 반복(Task Iteration), 검증(Validation)은 증강으로 묶인다. 자동화는 과업 완료에 초점을 맞춘 위임형 ব্যবহার을 뜻하고, 증강은 인간과 AI가 협력적으로 결과를 다듬는 방식을 뜻한다.
이번 보고서에서 가장 두드러진 변화는 지시형 상호작용의 상승이다. Claude.ai 표본에서 지시형 대화는 2024년 말 V1의 27%에서 V3의 39%로 뛰었다. 이 증가는 주로 과업 반복과 학습형 상호작용의 감소를 대가로 이뤄졌고, 불과 여덟 달 만에 Claude 사용의 중심이 증강에서 자동화 쪽으로 옮겨가고 있음을 보여 준다. 이번 보고서는 자동화 사용이 증강 사용을 처음으로 앞지른 사례다.
그림 1.2: Anthropic Economic Index 보고서별 Claude.ai 협업 모드 빈도. 왼쪽 패널은 자동화와 증강의 총비중을, 오른쪽 패널은 다섯 개 협업 유형의 세부 구성을 보여 준다.
이 현상은 두 가지 해석을 허용한다. 하나는 모델 역량 향상이다. 모델이 사용자의 요구를 더 잘 예측하고 더 높은 품질의 초안을 한 번에 내놓게 되면, 후속 수정이 줄어들 수 있다. 다른 하나는 학습을 통한 적응(learning-by-doing) 이다. 사용자가 Claude에 완전한 과업을 맡기는 데 점점 더 익숙해지고 있다는 해석이다.
이 두 해석은 노동시장 함의가 다르다. 더 강한 모델이 자동화 가능한 과업 집합 자체를 넓히는 것이라면, 해당 과업을 수행하던 노동자의 대체 위험이 커진다. 반대로 학습 효과가 중심이라면, AI 중심 워크플로에 더 빠르게 적응하는 노동자가 더 높은 임금과 수요를 얻을 가능성이 크다.
2장: 미국과 세계에서의 Claude 사용
개요
AI가 어디에서 먼저 채택되고, 어떤 방식으로 사용되는지는 세계 각지의 경제 결과에 영향을 미친다. Anthropic은 150개국 이상과 미국 전 주의 Claude.ai 사용 패턴을 분석해, 초기 채택 지역이 어디인지, 사람들이 AI를 무엇에 쓰는지, 그리고 1인당 채택이 성숙할수록 사용 방식이 어떻게 바뀌는지를 추적한다.
이 장의 분석은 2025년 8월 4일부터 11일까지의 Claude.ai Free 및 Pro 대화 100만 건을 개인정보 보호 방식으로 처리한 결과에 기반한다. 지리적 통계는 각 대화의 IP 주소를 바탕으로 국가 및 미국 주 수준에서 집계되며, 표본 수가 적은 지역은 프라이버시 기준에 따라 제외되거나 상위 집계만 제공된다.
전 세계에서 Claude는 어디에 집중되는가
전체 사용량 기준으로는 미국이 21.6%로 압도적 1위이며, 인도 7.2%, 브라질 3.7%가 뒤를 잇는다. 다만 이 수치는 국가별 인구 규모의 영향을 강하게 받는다.
그림 2.1: Claude.ai Free 및 Pro 표본에서 전 세계 사용 비중이 가장 큰 국가들. 전체 사용량 기준으로는 미국이 가장 크고, 인도와 브라질이 뒤를 잇는다.
이를 보정하기 위해 Anthropic은 Anthropic AI Usage Index(AUI) 를 도입한다. 각 지역의 Claude 사용 비중을 노동 가능 연령(15~64세) 인구 비중으로 나눈 값이다.
식 2.1: Anthropic AI Usage Index의 정의. AUI가 1보다 크면 해당 지역의 Claude 사용이 노동 가능 연령 인구 비중으로 기대되는 수준보다 높고, 1보다 작으면 낮다.
AUI로 보면 작은 기술 선도국의 집중이 더 선명하게 드러난다. 이스라엘은 7.0, 싱가포르는 4.57, 호주는 4.10, 뉴질랜드는 4.05, 한국은 3.73으로 전 세계 상위권을 형성한다. 미국도 3.62로 높은 편이며, 캐나다는 2.91, 영국은 2.67이다. 반면 볼리비아 0.48, 인도네시아 0.36, 인도 0.27, 나이지리아 0.20 등 다수의 중저소득 국가는 인구 비중 대비 Claude 사용이 낮다.
그림 2.2: Anthropic AI Usage Index 기준 상위 20개국. 표본에서 최소 200개 관측치를 확보한 국가를 중심으로 제시한다.
Anthropic은 AUI의 사분위에 따라 국가를 Leading, Upper Middle, Lower Middle, Emerging으로 나누고, 표본에 사용이 잡히지 않았지만 인구 데이터가 있는 국가는 Minimal tier로 분류한다.
그림 2.3: 국가별 Anthropic AI Usage Index 계층. 북미, 유럽, 오세아니아의 다수 국가가 상위 계층에 속하며, 저채택 지역은 아프리카와 아시아, 라틴아메리카 일부에 넓게 분포한다.
표 2.1: AUI 계층별 국가 수, 대표 사례, AUI 범위를 요약한 표. 계층 경계는 관측치가 충분한 국가 집합의 사분위를 기준으로 정한다.
소득은 이러한 격차를 상당 부분 설명한다. 1인당 GDP가 1% 높을수록 1인당 Claude 사용량은 약 0.7% 증가하는 양의 상관을 보였다. Anthropic은 그 배경으로 디지털 인프라, 지식노동 비중이 높은 산업 구조, 규제 환경, 실리콘밸리 및 AI 연구 커뮤니티와의 연결성, AI에 대한 신뢰 차이를 제시한다.
그림 2.4: 로그 척도에서 본 국가별 1인당 Claude 사용량과 1인당 GDP의 관계. 고소득 국가일수록 Claude의 1인당 사용량이 높게 나타난다.
미국 내부의 Claude 확산
미국 내부에서는 전체 사용량 기준으로 캘리포니아가 25.3%를 차지해 압도적 1위이며, 뉴욕 9.3%, 텍사스 6.7%, 버지니아 4.0%가 뒤를 잇는다. 이는 기술 허브를 중심으로 한 초기 확산 패턴과 잘 맞는다.
하지만 인구를 보정하면 양상이 달라진다. 워싱턴 D.C.가 AUI 3.82로 1위이며, 유타가 3.78로 바짝 뒤따른다. 캘리포니아는 2.13, 뉴욕은 1.58, 버지니아는 1.57이다.
그림 2.5: Anthropic AI Usage Index 기준 상위 미국 주. D.C.와 유타가 1인당 사용 기준에서 가장 높다.
국가 간 분석보다 상관은 약하지만, 미국 주 수준에서도 1인당 소득과 AUI 사이에는 양의 관계가 있다. 다만 소득 차이만으로는 주별 채택 격차의 절반도 설명하지 못한다. 그 대신 지역 노동시장의 직업 구성, 즉 Claude 역량과 잘 맞는 지식노동 비중이 더 중요할 수 있다.
그림 2.6: 미국 주별 AUI 계층 분포. 서해안뿐 아니라 네바다, 유타, 콜로라도, 미주리, 버지니아 등에서도 높은 1인당 사용이 관찰된다.
국가별 과업 사용 패턴
Anthropic은 두 가지 분류 체계를 병행한다. 하나는 미국의 O*NET 과업 분류 체계로, 특정 과업을 직업 및 직업 대분류와 연결한다. 다른 하나는 Claude가 사용자 요청을 상향식(bottom-up)으로 묶은 요청 군집 체계다. 이를 통해 표준 노동통계와의 연결성과, 기존 분류로 포착하기 어려운 실제 사용 목적을 동시에 확보한다.
국가별 O*NET 분포를 보면, AUI가 낮은 국가일수록 컴퓨터 및 수학 직종 과업, 즉 코딩 관련 사용 비중이 높다. 반대로 AUI가 높아질수록 교육, 사무·행정, 예술, 과학 등으로 사용이 다변화되는 경향이 나타난다.
그림 2.7: 국가별 AUI와 주요 SOC 직업 대분류 비중의 관계. 채택이 높을수록 코딩 편중이 줄고, 보다 다양한 과업으로 사용이 확산되는 경향이 나타난다.
상향식 요청 분류에서는 각국의 고유성이 더 뚜렷하게 드러난다. 미국은 가계 관리, 구직 지원, 의료 조언 과업이 과대표집되며, 브라질은 번역과 법률 서비스가 강하고, 베트남은 소프트웨어 개발과 교육, 인도는 거의 전적으로 소프트웨어 개발 과업에 집중된다. Anthropic은 브라질의 사법 영역 AI 선도 사례와 인도의 대규모 IT 산업 구조가 이런 특수성을 반영한다고 본다.
그림 2.8: 각 국가에서 전 세계 평균보다 더 자주 나타나는 중간 수준 요청 군집. 국가별 산업 특화와 제도적 맥락이 Claude 사용 목적에 반영된다.
전 세계적으로 소프트웨어 개발이 가장 흔한 사용이라는 점도 재확인된다. Anthropic은 그 이유로 Claude의 강한 코딩 역량, 새 도구에 빠르게 적응하는 개발자 집단의 성향, 개인이 조직 승인 없이도 쉽게 도입할 수 있는 낮은 채택 장벽을 든다.
미국 주별 과업 사용 패턴
미국 주 수준에서는 소득 차이보다 지역 경제의 질적 특성이 더 큰 설명력을 가진다. Anthropic은 각 AUI 계층의 대표 주인 캘리포니아, 텍사스, 플로리다, 사우스캐롤라이나를 비교해 이 점을 보여 준다.
캘리포니아는 IT 관련 요청, 디지털 마케팅, 번역이 과대표집되며, 기술 산업과 언어적 다양성이 반영된 것으로 해석된다. 텍사스는 보다 실무적인 비즈니스 및 운영 요청이, 플로리다는 비즈니스 조언과 피트니스 요청이 상대적으로 많다.
그림 2.9: 미국 전체 대비 각 주에서 과대표집되는 요청 범주. 지역 경제 구조와 산업 특성이 Claude 사용 양상에도 반영된다.
워싱턴 D.C.는 1인당 Claude 사용량이 가장 높을 뿐 아니라, 문서 편집, 정보 제공, 구직 지원 요청이 특히 강하게 나타난다. 예를 들어 구직 지원 요청은 미국 전체 평균보다 1.84배 더 자주 등장한다.
그림 2.10: 워싱턴 D.C.에서 과대표집되는 O*NET 과업과 요청 범주. 문서 편집, 정보 제공, 취업 관련 지원이 두드러진다.
지리별 인간-AI 협업 패턴
이 장의 마지막 질문은 사람들이 Claude를 무엇에 쓰느냐만이 아니라, 어떻게 쓰느냐이다. 국가마다 과업 구성이 다르므로 자동화 비중 차이는 단순히 과업 믹스 차이 때문일 수도 있다. Anthropic은 이를 통제하기 위해 각 국가의 과업 구성에 비춰 기대되는 자동화 비중을 계산한 뒤, 실제 자동화 비중과 AUI의 잔차를 비교한다.
그 결과, 과업 구성을 통제한 뒤에도 AUI가 높은 국가일수록 자동화보다 증강적 협업을 더 선호하는 경향이 나타났다. 반대로 저채택 국가는 완전한 과업 위임, 즉 자동화 비중이 더 높았다. Anthropic은 문화적 차이, 경제 구조, 혹은 각국의 초기 채택자 집단 특성이 이러한 차이를 설명할 가능성을 열어 둔다.
그림 2.11: 국가별 과업 구성을 통제한 뒤에도, AUI가 높을수록 Claude를 더 협업적 방식으로 사용하는 경향이 나타남을 보여 주는 부분회귀 그래프.
결론
지리적 분석이 보여 주는 가장 중요한 사실은 Claude 사용이 여전히 강하게 집중되어 있다는 점이다. 전체 사용량 기준으로는 미국과 캘리포니아가 두드러지고, 1인당 기준으로는 기술 선도 소국과 고소득 국가가 앞선다. 이는 전기, 인터넷, 개인용 컴퓨터처럼 경제적으로 중대한 이전 기술들의 초기 확산 패턴과 유사하다.
동시에 지리적 차이는 단순한 채택률 차이에 그치지 않는다. 무엇을 하는가, 얼마나 다양한가, 자동화와 증강 중 어느 쪽을 선호하는가까지 지역에 따라 다르다. 이는 AI의 경제적 효과가 지역별로 매우 다르게 나타날 수 있음을 뜻한다. 따라서 정책 입안자는 AI의 잠재적 편익뿐 아니라, 사용과 채택의 지역 집중이 디지털 격차를 심화시킬 위험도 함께 주시해야 한다.
3장: API를 통한 Claude의 기업 배치
개요
프런티어 AI가 생산성을 얼마나 끌어올리고 노동시장을 어떻게 재편할지는 결국 기업이 언제, 어떻게 AI를 배치하느냐에 달려 있다. 기업이 AI의 잠재력을 인식하더라도, 이를 수익성 있게 도입하려면 생산 공정의 재구성, 인력 재교육, 데이터 인프라 정비 등 적지 않은 고정비를 감수해야 한다.
Anthropic은 이러한 기업 채택 양상을 이해하기 위해 자사 퍼스트파티(1P) API 고객 데이터를 분석한다. Claude.ai가 웹 인터페이스 기반의 소비자용 서비스라면, 1P API는 기업이 Claude를 자사 제품과 워크플로 안에 프로그램적으로 통합하는 수단이다. 이 때문에 API 데이터는 Claude.ai와는 다른 종류의 기업 배치 현실을 보여 준다.
공공 데이터로 본 기업 AI 도입
미국 Census Bureau의 Business Trends and Outlook Survey(BTOS)에 따르면, 미국 기업의 AI 사용률은 2023년 가을 3.7%에서 2025년 8월 초 9.7%로 두 배 이상 늘었다. 그럼에도 여전히 미국 기업의 대다수는 생산 공정에 AI를 사용하지 않는다고 보고한다.
산업별 차이는 매우 크다. 2025년 8월 초 기준 정보산업 기업의 4분의 1이 AI를 사용한다고 답했지만, 숙박 및 음식 서비스업은 그 10분의 1 수준에 그쳤다. 즉 기업 AI 채택은 빠르게 늘고 있으나, 여전히 초기 단계이며 특정 산업에 강하게 집중되어 있다.
그림 3.1: Census Bureau BTOS 기준 미국 기업의 AI 사용률 추이. 최근 2년간 급격한 상승이 나타났지만, 아직 대다수 기업은 AI를 생산 공정에 사용하지 않는다.
Anthropic API 고객의 특화된 사용
API 전사에도 앞선 장과 같은 개인정보 보호 분류 기법을 적용하면, 기업 사용은 자동화에 특히 적합한 특화 과업에 집중되어 있음을 확인할 수 있다. 상위 15개 사용 군집이 API 트래픽의 약 절반을 차지하며, 그 대부분은 코딩과 개발 과업이다. 웹 애플리케이션 디버깅과 기술 문제 해결은 각각 약 6%를 차지하고, 전문 비즈니스 소프트웨어 개발도 큰 비중을 차지한다. API 트래픽의 약 5%는 AI 시스템 자체를 개발하거나 평가하는 데 사용된다.
코딩만 있는 것은 아니다. API 고객은 마케팅 자료 생성(4.7%)과 비즈니스 및 채용 데이터 처리(1.9%)에도 Claude를 활용한다. 이는 AI가 직접적인 상품·서비스 생산뿐 아니라 채용과 대외 커뮤니케이션에도 배치되고 있음을 보여 준다.
그림 3.2: 표본 1P API 전사를 바탕으로 한 Claude 사용의 상향식 분류. 가장 넓은 수준의 사용 사례 분포를 제시한다.
O*NET 분류는 이 패턴을 더 선명하게 만든다. API 트래픽의 거의 절반이 컴퓨터 및 수학 관련 과업에 매핑되며, 이는 Claude.ai보다 8퍼센트 포인트 이상 높다. 사무 및 행정 과업은 약 10%로 2위를 차지해 자동화 적합성이 높은 백오피스 업무가 기업 채택의 중요한 축임을 시사한다. 반면 Claude.ai에서 두드러진 교육·도서관 과업은 12.3%에서 3.6%로, 예술·엔터테인먼트 과업은 8.2%에서 5.2%로 줄어든다.
그림 3.3: O*NET 최상위 직업 대분류 기준 Claude.ai와 1P API 트래픽의 사용 비중 비교. API는 코딩과 사무 과업에 더 집중되고, Claude.ai는 교육 및 글쓰기 비중이 더 높다.
직업 분절과 과업 특화
흥미롭게도 API와 Claude.ai는 다른 사용자 집단과 다른 제품 표면을 가짐에도, 과업 분포의 형태는 놀랄 만큼 비슷하다. Claude.ai에서는 하위 80% 과업 범주가 전체 사용의 12.7%를 차지하고, API에서는 10.5%를 차지한다. 지니계수는 각각 0.84와 0.86으로, 소수의 과업에 사용이 극도로 집중되어 있다.
이는 AI와 과업 사이에 강한 적합성 차이가 존재함을 뜻한다. 코드 생성 같은 과업은 모델 능력이 잘 맞고, 배치 장벽이 낮으며, 조직 승인 없이도 빠르게 도입되기 때문에 압도적인 사용량을 차지한다. 반대로 거의 쓰이지 않는 긴 꼬리 과업들은 그 자체로 발생 빈도가 낮거나, 규제·맥락·역량 부족 같은 단일 장벽 하나만으로도 채택이 막힐 수 있다. Anthropic은 이를 O-Ring 류의 병목 논리와 연결해 해석한다.
그림 3.4: 왼쪽은 O*NET 과업 기준 Lorenz 곡선, 오른쪽은 과업 순위와 사용 비중의 관계를 보여 주는 그래프. 두 플랫폼 모두 소수 과업이 사용량의 대부분을 차지한다.
API 전사에서의 자동화와 증강
기업 배치와 소비자 사용의 가장 뚜렷한 차이는 인간과 AI가 어떻게 일을 나누느냐에 있다. 기업이 Claude를 자사 애플리케이션 안에 내장할 때는, 모델과 반복적으로 협업하기보다 개별 과업을 직접 위임하는 경향이 훨씬 강하다.
API 전사의 77%는 자동화 패턴, 특히 완전한 과업 위임을 보이는 반면, 증강 패턴은 12%에 불과하다. Claude.ai 표본에서는 자동화와 증강이 거의 반반이다. 경제 과업 단위로 보아도 API에서는 97%의 과업이 자동화 우세인 반면, Claude.ai에서는 47%에 그친다.
그림 3.5: O*NET 과업별로 Claude.ai와 1P API에서 자동화 또는 증강 패턴이 우세한 비중을 비교한 그림. API는 거의 전 영역에서 자동화 중심이다.
이는 직관적이다. API는 기업이 맥락을 넣고, Claude가 과업을 수행하며, 산출물이 바로 최종 사용자나 하위 시스템으로 흘러가게 설계되기 쉽다. Anthropic은 이런 체계적 내장형 자동화가 경제 전반의 생산성 향상을 전달하는 핵심 경로가 될 수 있으며, 동시에 노동시장의 과업 재편과 직무 변화를 더 강하게 촉발할 수 있다고 본다.
Claude가 더 많이 할수록, 더 많은 맥락이 필요하다
기업 고객이 어떤 과업에는 Claude를 많이 쓰고 어떤 과업에는 덜 쓰는 이유는 무엇일까. Anthropic은 모델 기본 역량 외에도, 성공적인 배치를 위해 필요한 맥락을 모델에 제공하기 쉬운지 여부가 중요하다고 본다.
예를 들어 복잡한 소프트웨어 프로젝트에서 모듈 리팩터링을 맡기려면, Claude는 적어도 코드베이스 전반을 읽거나 탐색할 수 있어야 한다. 중앙집중적 저장소가 있는 소프트웨어 개발에서는 이런 맥락 제공이 비교적 쉽다. 반면 핵심 거래처를 위한 영업 전략 수립처럼 CRM 정보뿐 아니라 영업 담당자와 마케터, 외부 파트너의 암묵지까지 필요한 과업은 훨씬 어렵다.
이를 보기 위해 Anthropic은 각 O*NET 과업별로 API 입력 길이와 출력 길이를 평균화하고, 전체 평균 대비 비율로 입력 토큰 지수와 출력 토큰 지수를 계산한다. 출력 길이의 90백분위 과업은 10백분위 과업보다 4배 넘게 길다.
표 3.1: 1P API 표본에서 출력 토큰 지수 10·50·90백분위에 해당하는 대표 O*NET 과업 예시와 Claude의 요약. Anthropic은 출력 길이를 과업 복잡성의 간단한 대용지표로 활용한다.
그림 3.6: 주요 직업 대분류별 평균 출력 토큰 지수. 길이가 긴 출력은 대체로 더 복잡한 과업과 연결된다.
API 고객은 입력과 출력 모두 토큰당 비용을 지불하므로, 과도한 맥락을 넣을 유인이 약하다. 따라서 입력 길이와 출력 길이의 체계적 관계는 복잡한 과업을 수행하기 위해 실제로 어느 정도 맥락이 필요한지를 역으로 보여 준다. Anthropic의 추정에 따르면, 입력 길이가 1% 늘어날 때 출력 길이는 0.38% 증가한다. 즉 컨텍스트가 길어질수록 산출도 늘지만, 그 증가율은 비례적이지 않다.
그림 3.7: O*NET 과업별 입력 토큰 지수와 출력 토큰 지수의 산점도. 입력 길이 1% 증가에 대해 출력 길이가 0.38% 증가하는 관계가 추정된다.
이 결과는 복잡한 과업의 AI 배치가 모델 능력보다 정보 접근성에 더 크게 제약될 수 있음을 시사한다. 조직에 필요한 컨텍스트가 흩어져 있고 중앙화되어 있지 않다면, 고도화된 Claude 배치 역시 제한될 가능성이 높다.
과업 비용과 대체 패턴
API 고객은 토큰당 비용을 지불하므로, 입력과 출력이 긴 복잡한 과업일수록 배치 비용도 높아진다. 그렇다면 비용이 기업의 Claude 사용을 크게 제약할까. Anthropic의 예비 분석은 그렇지 않음을 시사한다.
컴퓨터 및 수학 관련 과업은 영업 관련 과업보다 50% 이상 비싸지만, 사용량에서는 오히려 압도적이다. 직업 대분류 수준에서 보면 과업 비용이 높은 범주일수록 사용량도 높은 양의 상관이 나타난다.
그림 3.8: 직업 대분류별 평균 API 비용 지수와 사용 비중의 관계. 평균 비용이 높은 과업 범주가 오히려 더 자주 사용되는 경향을 보인다.
물론 이 상관이 곧 가격 무감응을 의미하는 것은 아니다. Anthropic은 과업 특성을 통제한 뒤, 같은 종류의 과업 안에서 비용이 더 비싼 경우 사용 빈도가 낮아지는지를 별도로 살핀다. 그 결과 비용이 1% 높아질 때 해당 과업의 사용 빈도는 약 0.29% 감소하는 것으로 추정된다. 이는 표준 경제학과 부합하지만, 수요 탄력성의 절대값은 크지 않다. 특정 과업의 비용이 10% 낮아져도 사용량 증가는 약 3% 수준에 그친다는 의미다.
그림 3.9: 직업 대분류, Claude.ai의 협업 방식 비중, 프라이버시 검열 여부를 통제한 뒤 API 비용 지수와 사용 빈도의 관계를 보여 주는 부분 산점도. 비용은 영향을 주지만 결정적 요인은 아니다.
결론
API 데이터는 기업 AI 채택의 초기 단계를 포착한다. 사용은 고도로 집중되어 있고, 자동화 중심이며, 적어도 현재 Claude를 쓰는 과업들 사이에서는 비용 민감도가 낮다. 기업은 Claude를 협업 도구보다 과업 위임 도구로 더 많이 사용하며, 이는 AI가 조직 내부 시스템에 내장되는 방식으로 확산되고 있음을 뜻한다.
다만 그 노동시장 함의는 단순하지 않다. 복잡한 과업일수록 더 많은 맥락이 필요하고, 그 맥락은 조직 전체에 분산되어 있을 수 있다. 이런 환경에서는 사업 운영에 대한 암묵지를 가진 노동자가 오히려 고도화된 AI 자동화의 보완재가 될 수 있다. 따라서 AI가 누구를 대체하고 누구의 가치를 높일지는, 기술 역량만이 아니라 조직이 정보를 어떻게 정리하고 전달하는지에 달려 있다.
맺음말
이번 세 번째 Anthropic Economic Index 보고서는 AI 채택이 결정적 전환점에 서 있음을 보여 준다. Claude와 같은 프런티어 AI는 이미 경제 활동을 실질적으로 바꿀 준비가 되어 있으며, 그 활용 범위 역시 빠르게 넓어지고 있다. 그러나 초기 채택은 여전히 극도로 불균등하다.
현재 Claude 사용은 소수의 과업과 소수의 지역에 집중되어 있다. 국가 수준에서는 소득이 높은 지역일수록, 기업 수준에서는 프로그램적 배치가 쉬우면서 경제적 가치가 높은 과업일수록 사용이 많다. 코딩과 데이터 관련 업무는 빠르게 확산되는 반면, 맥락이 분산되어 있거나 규제 장벽이 높은 과업은 뒤처져 있다.
기업 채택은 소비자 사용과 닮은 점도 있고 다른 점도 있다. 양쪽 모두 코딩이 핵심 사용 사례라는 점은 같지만, API를 통한 기업 배치는 훨씬 더 자동화 중심이다. 이는 AI가 경제 전체에 생산성 향상을 전달하는 유력한 통로가 될 수 있지만, 동시에 자동화 노출이 높은 직무를 더 강하게 재편할 가능성도 뜻한다.
이러한 패턴은 격차 확대의 위험을 동반한다. AI의 생산성 이득이 이미 부유한 지역과 자동화에 유리한 산업에 집중된다면, 기존 불평등은 줄어들기보다 커질 수 있다. 반대로 조직의 암묵지와 결합된 고숙련 노동이 AI와 보완적으로 작동한다면, 숙련이 높은 노동자에게 수요와 임금이 더 집중될 수도 있다.
Anthropic은 이번 보고서를 통해 소비자용 Claude.ai 데이터뿐 아니라 API 데이터와 국가·주 단위 지리 분해 결과까지 공개 범위를 넓혔다. Anthropic은 이러한 공개가 외부 연구자와 정책 입안자가 AI의 경제적 효과를 더 정밀하게 연구하고, 실증적 근거에 기반한 정책 대응을 설계하는 데 기여하기를 기대한다.
궁극적으로 변혁적 AI의 경제적 효과는 기술 능력뿐 아니라 사회가 어떤 정책적 선택을 하느냐에 의해 결정될 것이다. 기술 채택의 패턴은 고정되어 있지 않다. 기술이 성숙하고, 보완 혁신이 쌓이고, 사회가 의도적으로 배치 방식을 선택함에 따라 초기의 집중적 사용은 더 넓은 분포로 바뀔 수 있다. Anthropic은 앞으로도 이러한 변화를 계속 추적할 것이라고 밝힌다.
저자 및 감사의 말
주 저자: Ruth Appel, Peter McCrory, Alex Tamkin
공동 저자: Miles McCain, Tyler Neylon, Michael Stern
감사: Alex Sanchez, Andrew Ho, Ankur Rathi, Asa Kittner, Ben Merkel, Bianca Lindner, Biran Shah, Carl De Torres, Cecilia Callas, Daisy McGregor, Dario Amodei, Deep Ganguli, Dexter Callender III, Esin Durmus, Evan Frondorf, Heather Whitney, Jack Clark, Jakob Kerr, Janel Thamkul, Jared Kaplan, Jared Mueller, Jennifer Martinez, Kaileen Kelly, Kamya Jagadish, Katie Streu, Keir Bradwell, Kelsey Nanan, Kevin Troy, Kim O'Rourke, Kunal Handa, Landon Goldberg, Linsey Fields, Lisa Cohen, Lisa Rager, Maria Gonzalez, Mengyi Xu, Michael Sellitto, Mike Schiraldi, Olivia Chen, Paola Renteria, Rebecca Jacobs, Rebecca Lee, Ronan Davy, Ryan Donegan, Saffron Huang, Sarah Heck, Stuart Ritchie, Sylvie Carr, Tim Belonax, Tina Chin, Zoe Richards
인용
@online{appelmccrorytamkin2025geoapi,
author = {Ruth Appel and Peter McCrory and Alex Tamkin and Michael Stern and Miles McCain and Tyler Neylon},
title = {Anthropic Economic Index report: Uneven geographic and enterprise AI adoption},
date = {2025-09-15},
year = {2025},
url = {https://www.anthropic.com/research/anthropic-economic-index-september-2025-report},
}