앤트로픽 경제 지수는 개인정보 보호 방식의 데이터 분석 시스템을 통해 Claude가 경제 전반에서 어떻게 활용되는지 추적한다. AI의 경제적 영향을 가능한 한 일찍 파악해, 연구자와 정책 입안자들이 충분히 준비할 수 있도록 하는 노력의 일환이다.
이번 보고서는 2026년 2월 Claude 사용 현황을 분석하며, 이전 보고서(2025년 11월 데이터 기반)에서 도입한 경제적 기본 지표(economic primitives) 틀을 토대로 한다. 표본 기간은 2월 5일부터 12일로, Claude Opus 4.5 출시 3개월 후이자 Claude Opus 4.6 출시 시점과 겹친다.
먼저 이전 보고서 대비 사용 변화를 살펴본다. AI가 사용자의 능력을 보완하는 협력적 상호작용인 증강(augmentation) 비율은 Claude.ai와 API 트래픽 모두에서 소폭 증가했다. Claude.ai에서는 사용이 다양해져, 상위 10개 작업이 11월보다 더 작은 비중을 차지했다. 이 다양화로 인해 Claude.ai 대화에서 처리되는 작업의 평균 임금 수준이 이전 보고서보다 약간 낮아졌다.
이어서 Claude가 노동 시장과 경제 전반에 미치는 영향을 결정하는 중요한 요인인 학습 곡선에 집중한다. 장기 사용자일수록 Claude의 역량을 더 잘 활용하는 습관과 전략을 발전시켰음을 보여주는 증거를 제시한다. 숙련 사용자는 더 높은 가치의 작업을 시도할 뿐 아니라, 대화에서 성공적인 응답을 이끌어낼 가능성도 더 높다.
이전 보고서 이후 달라진 것
첫 번째 장에서는 2026년 1월 발행된 이전 경제 지수 보고서의 발견을 재검토한다. 주요 결과는 다음과 같다.
- Claude.ai 사용 사례가 다양화됐다. 코딩 작업은 Claude.ai의 증강적 사용에서 1P API의 더 자동화된 워크플로우로 계속 이동하고 있다. 이번 보고서에서 Claude.ai 사용은 덜 집중됐다. 상위 10개 작업이 11월 전체 트래픽의 24%를 차지했던 것이 2월에는 19%로 줄었다. 다만 이번 표본에서 등장한 작업의 거의 전부가 이전 표본 중 적어도 한 번은 나타난 것들이었다. 직업 중 약 49%는 Claude를 통해 과업의 4분의 1 이상이 처리된 경험이 생겼다.
- Claude 채택이 낮은 임금 작업으로 확대됐다. 사용 사례가 다양해지면서 Claude에서 수행되는 작업의 평균 경제 가치(관련 직종 종사자에게 지급되는 미국 임금으로 측정)가 소폭 하락했다. 스포츠, 제품 비교, 주택 관리 등 개인 쿼리 증가에 따른 기계적 결과다. 이 패턴은 초기 채택자가 코딩 같은 특정 고가치 사용에 집중하고 후기 채택자는 훨씬 광범위한 작업을 다루는 표준 '채택 곡선'과 맥이 닿는다.
- 전 세계 사용 불평등이 지속됐다. 사용량은 여전히 크게 집중되어 있다. 상위 20개국이 전체 1인당 사용량의 48%를 차지하며, 전 보고서의 45%에서 증가해 지속적인 글로벌 채택 격차를 보인다. 다만 미국 내에서는 1인당 Claude 사용량이 계속 수렴하고 있다. 사용량 상위 10개 주의 비중은 이전 보고서 이후 40%에서 38%로 줄었다.
Claude.ai 사용 사례 다양화
Claude에 요청되는 작업 유형을 살펴본다. 개인 대화 내용을 드러내지 않고 집계 수준에서 행동을 설명하는 개인정보 보호 시스템을 활용했다. Claude.ai(소비자용 웹 서비스)와 1P API(Claude를 제품·워크플로우에 통합하는 개발자용 인터페이스) 각각에서 100만 건의 대화를 표본으로 추출했다.
코딩은 여전히 플랫폼에서 가장 일반적인 사용으로, 컴퓨터·수학 직종 관련 작업이 Claude.ai 대화의 35%를 차지한다. 그러나 2025년 11월에서 2026년 2월 사이 Claude.ai의 사용 사례는 덜 집중됐다. 가장 흔한 O*NET 작업 상위 10개가 대화에서 차지하는 비중이 24%에서 19%로 줄었다.
그림 1.1: Claude.ai와 1P API 플랫폼별로 가장 많은 10개 O*NET 작업에 배정된 대화 비중의 시계열 변화.
이 집중도 감소의 한 요인은 코딩 작업이 Claude.ai에서 1P API로 이동한 것이다. Claude Code의 에이전트형 아키텍처가 코딩 작업을 더 작은 API 호출로 분산시키기 때문이다. 그 결과 코딩의 전체 API 트래픽 비중은 커졌지만, 소수 작업 카테고리에 집중되지 않고 여러 카테고리에 분산됐다. 덕분에 API의 작업 집중도는 코딩 유입에도 불구하고 대체로 평탄하게 유지됐다.
집중도 감소의 또 다른 요인은 두 기간 사이 사용 사례 구성 변화다. 학업 관련 사용은 대화의 19%에서 12%로 줄었고, 개인 사용은 35%에서 42%로 늘었다. 학업 사용 감소의 일부는 표본 기간 중 겨울 방학 중이던 국가들의 학사 일정으로 설명된다.
그림 1.2: Claude.ai에서 업무·개인·학업 관련으로 분류된 대화 비중.
Claude 업무 작업의 범위는 더 다양해졌지만, 이 중 거의 전부가 이전 데이터에서 이미 보인 것들이었다. 이전 보고서에서는 직업의 49%가 과업의 4분의 1 이상을 Claude를 통해 처리한 경험이 생겼다고 했는데, 이번 데이터에서도 이 누적 추정치는 거의 변하지 않았다.
첫 번째 보고서부터 우리는 대화를 다섯 가지 상호작용 유형—지시, 피드백 루프, 작업 반복, 검증, 학습—으로 분류하고, 이를 다시 자동화와 증강이라는 두 가지 큰 범주로 묶었다. 그림 1.3을 보면 Claude.ai에서 증강이 소폭 증가했다. 검증과 학습 패턴의 작은 증가가 이를 이끌었다.
그림 1.3: 앤트로픽 경제 지수 보고서별 Claude.ai 협업 모드 빈도.
1P API 플랫폼은 컴퓨터·수학 관련 작업의 비중이 계속 높아지고 있다. 2025년 8월 이후 이 카테고리의 비중은 API에서 14% 증가하고 Claude.ai에서는 18% 감소했다. 노동 시장 영향 보고서에서 언급했듯이, Claude.ai에서 API로의 이동은 관련 직업의 더 임박한 업무 전환을 시사할 수 있다.
Claude에서 수행되는 작업 구성 변화를 측정하는 또 다른 방법은 작업의 평균 가치 변화를 보는 것이다. 여기서 작업 가치는 해당 작업을 수행하는 미국 근로자의 평균 시간당 임금으로 정의한다.
그림 1.4: O*NET 프레임워크를 활용해 Claude.ai와 1P API에서 수행된 작업의 달러 가치를 추정한 그래프. 작업 가치는 해당 작업을 수행하는 근로자의 평균 시간당 임금으로 추정된다.
Claude.ai의 작업 가치 추정치는 $49.3에서 $47.9로 소폭 하락했다. 주로 간단한 사실 확인 질문(스포츠 결과, 날씨 등) 증가와 코딩 작업의 API 이동 때문이다. 이전 보고서에서 언급했듯, Claude에서 보이는 작업들은 높은 학력을 요구하는 경향이 있으며, 이 작업들은 미국 전국 평균보다 높은 임금을 받는 경향도 있다.
| 지표 | 2025년 11월 | 2026년 2월 | 변화 |
|---|---|---|---|
| 평균 교육 연수 | 12.2년 | 11.9년 | ↓ |
| 인간 전용 작업 시간 | — | — | ↓ ~2분 |
| AI 자율성 부여 수준 | — | — | ↑ |
| AI 없이 처리 가능성 | — | — | ↓ |
표 1.1: Claude.ai의 주요 기본 지표 변화. 인간 전용 시간을 제외한 모든 차이는 p<0.001로 통계적으로 유의미하다.
신흥 자동화 패턴
작업이 API로 이동하면서 자동화 노출이 더 커질 수 있다. API 워크플로우는 인간의 개입 없이 지시 방식으로 운영될 가능성이 훨씬 높기 때문이다. 이전 보고서에서는 결제·청구 문제 자동 처리 등 고객 서비스 작업이 API 데이터에 많이 등장한다고 강조했다. 이러한 작업은 고객 서비스 담당자의 관찰 노출도를 높여, 이 직업들이 AI 확산에 따라 변화할 가능성이 크다는 것을 시사했다.
이번 2월 데이터에서 3개월 전 대비 비중이 두 배 이상 늘어난 API 워크플로우 두 가지를 소개한다.
- 비즈니스 영업 및 아웃리치 자동화: 영업 지원 콘텐츠 생성, B2B 리드 자격 검증 리서치, 고객 데이터 보강, 콜드 이메일 초안 작성
- 자동화 트레이딩 및 시장 운영: 시장 또는 포지션 모니터링, 특정 투자 제안, 트레이더에게 시장 상황 전달 등 관련 작업
지리적 수렴 재검토
이전 보고서에서는 경제활동인구로 보정한 사용량 지표인 AI 사용 지수(AUI)가 미국 주(州)들 사이에서 빠르게 수렴하고 있음을 언급했다. 초기 1인당 사용량이 낮은 주들이 더 빠른 채택 속도를 보이는 것이었다.
그림 1.5: 미국 주(왼쪽 패널)와 국가(오른쪽 패널)별 앤트로픽 사용 지수의 Lorenz 곡선.
그림 1.5의 왼쪽 패널에서 볼 수 있듯, 이 수렴은 계속됐지만 속도가 느려졌다. 2025년 8월에서 2026년 2월까지 상위 5개 주의 1인당 사용 비중은 30%에서 24%로 감소했다. 지니 계수도 2025년 8월 이후 하락했으나 수렴 속도는 줄었다. 이 추세라면 각 주가 비슷한 수준의 1인당 사용량에 도달하는 데 기존 추정 25년보다 긴 59년이 걸릴 것으로 업데이트됐다.
국가 간에서는(오른쪽 패널) 패턴이 반대다. 사용이 약간 더 집중되어 지니 계수가 같은 기간 상승했다. 1인당 Claude를 가장 많이 사용하는 국가들이 전체 사용량에서 더 큰 비중을 차지하면서, 상위 20개국의 비중이 45%에서 48%로 늘었다.
AI 사용법 학습
이 장에서는 사람들이 AI를 배포하고 활용하는 방식에서 나타나는 두 가지 특징인 모델 선택과 장기 사용자의 습관에 초점을 맞춘다.
먼저 사람들이 Opus를 선택하는 시점을 연구해 지능에 대한 수요를 조명한다. AI 사용자가 속도·성능·비용을 저울질하며 모델을 선택하는 방식은 거의 알려져 있지 않다. 사용자가 작업에 맞게 모델을 조정한다면, Opus는 더 어렵고 가치 있는 작업에 집중될 것이다. 다음으로, 가입 시점에 따른 사용 차이를 분석한다. 이는 학습 곡선, 즉 숙련 사용자가 시간이 지나면서 더 나아지는지 여부를 조명한다.
모델 선택
Claude 모델 클래스(Haiku, Sonnet, Opus)는 비용, 속도, 성능 면에서 각각 상충 관계가 있다. Opus 클래스는 토큰을 가장 많이 사용하고 복잡한 작업에 탁월하지만 API에서 1 토큰당 가격이 더 높다. 사용자가 이를 인지하고 비용과 사용 한도를 고려한다면, 가장 복잡하고 가치 있는 작업에 Opus를 사용하고 단순한 작업에는 다른 모델을 선택할 것이다. 대체로 데이터는 이를 뒷받침한다.
그림 2.1: 유료 Claude.ai 사용자가 직업 도메인에 따라 Opus 클래스 모델을 얼마나 더 또는 덜 선택하는지 보여주는 그래프. 이 표본에서 전체 사용의 51%가 Opus이며, 컴퓨터·수학 사용의 55%(+4.4pp)가 Opus다.
그림 2.1에서 모든 모델 클래스에 접근할 수 있는 유료 Claude.ai 계정 기준으로, 컴퓨터·수학 작업(소프트웨어 코딩 등)의 55%가 Opus를 사용하는 반면 교육 관련 작업은 45%에 그쳤다. 기술 사용자는 성능 차이를 알아채고 능동적으로 Sonnet에서 전환할 수 있다. 또는 효율을 따지는 사용자가 사용 한도를 피하기 위해 단순 작업에 Sonnet을 선택하는 것일 수도 있다.
그림 2.2: 직업에 따른 Opus 클래스 모델 선택 빈도. 각 점은 하나의 직업(x축)과 해당 직업의 Opus 사용 비중(y축)을 나타낸다. 왼쪽 패널은 Claude.ai 사용자, 오른쪽은 1P API 사용자.
그림 2.2는 이를 더 세분화해 보여준다. 사용자가 더 높은 임금의 직업과 관련된 작업을 수행할 때 Opus를 더 자주 선택한다. 예를 들어 Claude.ai에서 소프트웨어 개발자 작업의 34%가 Opus를 사용하는 반면, 튜터 작업은 12%에 불과하다. Claude.ai 사용자는 작업 가치가 $10 증가할 때마다 Opus 사용 비중이 1.5퍼센트 포인트 오른다. 1P API 트래픽은 작업 복잡도에 대한 반응이 훨씬 크다. API 기울기는 약 두 배로, 작업 가치 $10 증가 시 Opus 비중이 2.8퍼센트 포인트 상승한다.
학습 곡선
첫 번째 Claude 모델은 2023년 3월에 출시됐다. 그 이후 Claude.ai와 API의 사용자 기반이 빠르게 성장했다. 최신 표본에는 최초 Claude 출시 때 가입한 사용자부터 측정 하루 전에 가입한 사용자까지 다양하게 섞여 있다. Claude 사용 기간이 그 경험을 어떻게 형성하는가?
표 2.1은 저(低)기간과 고(高)기간 사용자의 차이를 보여준다. 고기간 그룹은 최소 6개월 전 가입자로, 저기간은 나머지 전체다. 고기간 사용자는 작업을 반복적으로 다듬는 데 Claude를 더 활용하고, 지시 방식으로 더 많은 책임을 위임할 가능성은 훨씬 낮다. 업무 목적으로 Claude를 사용할 가능성이 7퍼센트 포인트 높고, 더 높은 교육 수준을 요구하는 작업에 Claude를 쓴다. 또한 특정 작업에 덜 집중된다. 상위 10개 O*NET 작업이 고기간 그룹에서는 사용의 20.7%를 차지하는 반면 저기간은 22.2%다.
그림 2.3: 두 개의 binned 산점도. 왼쪽 패널은 가입 후 일수별 인간 교육 연수, 오른쪽 패널은 가입 후 일수별 개인 사용 대화 비율을 보여준다.
왼쪽 패널에서 인간 프롬프트를 이해하는 데 필요한 교육 연수가 Claude 사용 1년마다 약 1년 증가함을 보여준다. 오른쪽에서는 같은 기간 개인 사용이 감소함을 보여준다. 1년 전 가입자는 대화의 38%를 개인 용도에 쓰는 반면 최신 가입자는 44%다.
빠르게 진화하는 범용 기술의 사용자 기반에서 이런 패턴이 나타나는 데는 여러 요인이 있을 수 있다. 고기간 사용자는 자기 선택적이며, 이 차이가 안정적인 개인 특성을 반영할 수 있다. 예를 들어 초기 채택자일 가능성이 높은 컴퓨터 프로그래머일 수 있다. 또한 생존 편향이 있다. 데이터 수집 1년 전 가입한 사람들은 사용에서 긍정적인 결과를 얻고 있을 가능성이 높다.
경험 효과
그림 2.4는 로그 수준 데이터를 사용해 대화 특성을 세분화해 통제한 결과를 보여준다.
그림 2.4: 대화 성공 여부를 결과 변수로, 고기간 지표를 예측 변수로 한 회귀 분석 결과. 계수는 퍼센트 포인트로, 수염은 95% 신뢰구간을 나타낸다.
상단 패널의 명세 (1)은 작업 성공과 고기간 지표를 단순 이변량 회귀로 분석한 것이다. 고기간 사용자가 성공적인 대화를 가질 가능성이 약 5퍼센트 포인트 더 높다. 이는 고기간 사용자가 프롬프트를 더 잘 작성한다는 것을 반영할 수 있다. 하지만 성공 가능성이 높은 다른 종류의 작업을 가져오기 때문일 수도 있다.
명세 (2)에서는 특정 O*NET 작업과 요청 클러스터에 고정 효과를 추가해, 작업 간이 아니라 같은 좁게 정의된 작업 내에서 고기간·저기간 사용자를 비교한다. 이 통제는 효과를 3퍼센트 포인트 수준으로 낮춘다.
마지막으로 고기간 사용자가 다른 모델을 선택하거나, 다른 언어로 소통하거나, 다른 용도를 가지거나, 다른 국가에서 접속하는 경우가 영향을 미치는지 확인한다. 이 회귀는 전체 통제를 적용했을 때 고기간의 영향이 4퍼센트 포인트 높다는 결과를 낸다.
이 결과들은 고기간 사용자가 Claude 대화에서 더 큰 성공을 거두며, 이것이 언어나 수행 작업 같은 단순한 요인 때문이 아님을 시사한다. 흥미로운 가능한 설명 중 하나는 이 사용자들이 AI에서 원하는 것을 추출하는 법을 더 잘 학습했다는 것이다. 이 플랫폼에 대한 숙달이 경험에 따라 축적되는 핵심 성공 요인일 수 있다.
논의
이번 보고서는 Claude 사용 추적에 사용하는 핵심 지표를 재검토하고, 모델 선택과 성공률을 처음으로 분석했다.
2025년 8월 이후 1P API 사용은 더 집중됐다. 상위 10개 O*NET 작업이 현재 트래픽의 33%를 차지하며, 이전의 28%에서 증가했다. 반면 Claude.ai 작업은 2025년 11월 데이터 이후 다양해졌다. 미국 내 저사용 주의 더 빠른 채택이 계속됐지만 이전 보고서보다 속도가 줄었다. 채택률이 낮은 국가들은 약간 더 뒤처졌다.
전반적으로 Claude는 미국 경제를 폭넓게 대표하지 않는 고가치·복잡한 작업에 사용된다. 그러나 사용자 기반이 성장하면서 상대적으로 낮은 보수의 작업이 트래픽에서 약간 더 큰 비중을 차지하게 됐다. 작업의 평균 가치는 Claude.ai에서 첫 보고서 이후 감소한 반면 API 사용자 사이에서는 상승했다. 양쪽 플랫폼 모두에서 사용자는 가장 복잡한 작업에 더 강력한 Opus 모델 클래스를 활용한다.
경험이 많은 사용자는 Claude를 더 협력적으로, 더 업무 관련 이유로, 더 복잡한 작업에, 더 높은 성공률로 사용하는 경향이 있다. 이는 자동화 사용이 더 숙련되고 정교한 사용자에게 더 일반적일 것이라는 가설을 반박한다. 대신 가장 고급 사용자는 Claude와 반복적으로 상호작용할 가능성이 더 높다. 이는 학습을 통한 실력 향상과도 일치한다.
이러한 성공률의 차이는 노동 시장의 불평등을 심화시킬 수 있다. 경제학자들은 기술 혁신이 고숙련 근로자의 임금을 높이면서 저숙련 근로자에게는 낮추는 **기술 편향적 기술 변화(skill-biased technological change)**의 가능성을 오래 논의해왔다. 이번 분석은 그런 기술 편향적 전환이 이미 진행 중일 수 있는 경로를 확인한다. 고숙련 작업을 가진 초기 채택자들이 더 단순한 작업을 가진 후기 채택자들보다 Claude와 더 성공적인 상호작용을 한다. 이 초기 채택 사용자들은 AI 주도 혼란에 가장 많이 노출되는 동시에, 초기 증강 파도에서 AI로부터 가장 많은 지원을 받는 이들일 수 있다.
감사의 말
주 저자: Maxim Massenkoff, Eva Lyubich, Peter McCrory
공동 저자: Ruth Appel, Ryan Heller
감사: Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Miriam Chaum, Madison Clark, Evan Frondorf, Deep Ganguli, Kunal Handa, Hanah Ho, Owen Kaye-Kauderer, Jennifer Martinez, Miles McCain, Jared Mueller, Kelsey Nanan, Tyler Neylon, Dianne Penn, Sarah Pollack, Ankur Rathi, David Saunders, Michael Stern, Alex Tamkin, Kim Withee, Jack Clark
인용
@online{anthropic2026aeiv5,
author = {Maxim Massenkoff and Eva Lyubich and Peter McCrory and Ruth Appel and Ryan Heller},
title = {Anthropic Economic Index report: Learning curves},
date = {2026-03-24},
year = {2026},
url = {https://www.anthropic.com/research/economic-index-march-2026-report},
}