인공지능이 정말 사람들을 더 빠르게 일하게 만들고 있는가? AI는 어떤 종류의 과업을 가장 잘 지원하는가? 그리고 AI는 사람들의 직업의 성격을 어떻게 바꿀 수 있는가?
Anthropic은 이런 질문에 답하기 위해 실제 환경에서의 AI 사용을 지속적으로 측정하고 있다. Anthropic의 개인정보 보호형 분석 방법은 Claude.ai에서의 대화(주로 소비자 사용을 포착)와 Anthropic의 퍼스트파티(1P) API 사용(주로 기업 사용을 포착)에 대해 더 많이 알 수 있게 해 준다.1 Anthropic은 이전 보고서들에서 AI 과업을 직업과 임금 수준별로 평가하고, 소프트웨어 개발을 더 자세히 살펴보며, 국가 및 미국 주 수준에서의 AI 사용을 연구했다.
Anthropic은 이제 Economic Index에 더 세밀한 층위를 추가하고 있다. 네 번째 보고서에서 Anthropic은 경제적 기본 지표(economic primitives) 라고 부르는 다섯 가지 단순하고 기초적인 측정값을 도입한다. 이는 시간이 지남에 따라 Claude의 경제적 영향을 추적하기 위한 것이다. 초기 지표 집합에는 과업 복잡성, 기술 수준, 사용 목적(업무·교육·개인 용도), AI 자율성, 성공이 포함된다.2 Anthropic은 이번 보고서 표본에 포함된 모든 대화에 대해 Claude가 공통된 질문 세트에 답하도록 하여 이 지표들을 도출했다.
이러한 기본 지표는 AI의 잠재적 경제 영향을 보여 주는 선행 지표를 제공하며, AI가 이미 일자리를 어떻게 바꾸고 있는지에 대해 훨씬 더 복잡한 질문에 답할 수 있게 한다.
최신 보고서는 2025년 11월의 대화(주로 Claude Sonnet 4.5 사용)를 표본으로 삼아, 이 기본 지표를 활용해 그렇지 않았다면 답하기 어려웠을 여러 질문을 탐구한다. 여기에는 더 복잡한 과업에서 Claude의 과업 수준 성공률이 어떻게 달라지는지, 그리고 지금까지의 Claude 사용이 많은 직업에서 순(純)탈숙련화 효과를 예고할 수 있는지가 포함된다.
네 번째 Economic Index 보고서 전문은 여기에서 읽을 수 있다. 아래에서는 그 결과를 요약한다.
경제적 기본 지표를 통해 배운 점
Anthropic은 경제적 기본 지표를 개인 과업, 직업, 그리고 관찰되는 변화가 낳을 수 있는 총체적 영향에 대한 질문에 적용했다. 전체 방법론과 기본 지표의 정확도를 어떻게 검증했는지에 대한 자세한 내용은 전문 보고서 2장에 설명돼 있다.
과업
AI는 어떤 과업을 얼마나 빠르게 만드는가?
Anthropic은 더 복잡한 과업일수록 Claude에 의해 더 크게 가속된다는 사실을 발견했다. 이는 Claude가 대화 입력을 이해하는 데 필요한 교육 연수를 얼마로 추정하는지를 기준으로 측정한다. Claude.ai에서는 프롬프트를 이해하는 데 고등학교 수준 교육(12년)이 필요한 과업이 9배의 속도 향상을 보인 반면, 대학 학위 수준(16년)이 필요한 과업은 12배의 속도 향상을 보였다.
API에서는 속도 향상이 더 컸다. 이러한 결과는 현재 AI의 생산성 이득이 비교적 높은 인적 자본을 요구하는 과업에서 축적되고 있음을 시사하며, 화이트칼라 전문직이 직장에서 AI를 사용할 가능성이 더 높다는 기존 증거와도 부합한다.
과업의 성공률을 반영해 조정해도 같은 경향은 유지되지만, 그 강도는 다소 약해진다. Claude는 대학 학위 수준의 과업을 66%의 확률로 성공적으로 완료하는 반면, 고등학교 미만 교육 수준의 과업은 70%의 확률로 성공한다. 이는 전체 효과를 줄이지만 없애지는 않는다. Claude가 과업 속도를 높이는 효과는 과업 복잡성이 커질수록 더 가파르게 증가하며, 그 복잡성이 성공률 하락과 상관되는 정도보다 더 크기 때문이다.
그림 1: 왼쪽 차트는 O*NET 과업 수준에서 인간 프롬프트를 이해하는 데 필요한 교육 연수와 속도 향상 간의 관계를, 오른쪽 차트는 같은 교육 연수와 성공률 간의 관계를 보여 준다. 점선은 최적합선을 나타낸다.
Claude는 어느 정도 길이의 과업까지 지원할 수 있는가?
METR의 AI 과업 지평(task horizons) 측정은, 더 오래 걸리는 과업일수록 AI 모델이 완수하기 어렵다는 점을 보여 준다. 그러나 모델이 개선될수록 AI가 작업할 수 있는 시간적 범위는 꾸준히 늘어나고 있으며, 이 지표는 이제 AI 발전의 핵심 지표 가운데 하나가 됐다.
Anthropic은 경제적 기본 지표를 통해 METR의 분석을 보완할 수 있다. 아래 그래프는 Claude.ai와 API 모두에서, 인간이 같은 과업을 수행하는 데 걸릴 시간과 비교한 Claude의 과업 수준 성공률을 보여 준다.
그림 2: 이 차트는 O*NET 과업 수준에서, 과업을 인간이 혼자 완료하는 데 필요한 시간과 과업 성공률(%)의 관계를 플랫폼별로 나누어 보여 준다. 점선은 선형 회귀로 적합한 선이다.
METR의 벤치마크는 Claude Sonnet 4.5가 2시간짜리 과업에서 50%의 성공률을 달성한다고 시사한다. 이에 비해 Anthropic의 API 데이터에서는 Claude가 거의 두 배 더 긴, 약 3.5시간이 걸리는 과업에서 50% 성공률을 보였고, Claude.ai에서는 그 시간이 약 19시간으로 훨씬 더 길었다. 다만 이 차이는 겉보기만큼 어긋난 것은 아닐 수 있다. Anthropic의 방법론은 몇 가지 중요한 점에서 METR과는 다르기 때문이다.
Anthropic의 표본에서는 사용자가 복잡한 과업을 더 작은 단계로 분해해 Claude가 경로를 수정할 수 있는 피드백 루프를 만든다. 또한 고정된 과업 집합이 아니라, 사용자가 성공할 가능성이 더 높다고 믿는 과업을 Claude에 가져온다는 선택 편향도 존재한다.
Anthropic의 분석은 일관된 과업 집합을 사용하는 연구에서 관찰되는 결과와, 실제 환경에서의 Claude의 실효 과업 지평이 어떻게 다르게 보일 수 있는지를 보여 준다. Anthropic은 앞으로의 보고서에서도 이 지표를 계속 추적할 예정이다.
국가마다 Claude의 일은 어떻게 다른가?
Anthropic은 경제 발전 단계가 다른 국가들에서 Claude가 매우 다른 종류의 과업을 수행한다는 사실을 발견했다. 1인당 GDP가 높은 국가일수록 Claude는 업무나 개인 용도로 훨씬 더 자주 사용되는 반면, 소득 수준이 낮은 국가일수록 교육 과정 수행에 Claude를 사용할 가능성이 더 높다.
이는 소득이 낮은 국가에서는 AI 사용의 큰 비중이 교육과 더 적은 수의 업무 과업에 집중되고, 국가가 부유해질수록 AI 사용이 개인적 목적까지 다양화된다는 직관적인 채택 곡선(adoption curve) 이야기와 잘 들어맞는다.
이 결과는 교육 목적 AI 사용이 낮은 1인당 소득과, 여가 목적 AI 사용이 높은 소득과 연관된다는 Microsoft의 최근 연구와도 일치한다.
르완다 정부 및 기술 교육 기관 ALX와의 최근 파트너십도 이런 문제의식을 염두에 두고 설계됐다. 참여자들은 먼저 AI 리터러시를 개발하고, Anthropic은 일부 졸업생에게 1년간 Claude Pro 접근권을 제공하는 프로그램을 시범 운영해 교육 목적 사용에서 더 넓은 응용 범위로의 전환을 지원하고 있다.
그림 3: 각 도표는 Claude.ai 대화에서 특정 사용 유형(업무, 교육 과정, 개인 용도)이 차지하는 비중과 로그 1인당 GDP 사이의 관계를 보여 준다.
직업
커버리지
Anthropic은 2025년 1월 데이터를 사용한 첫 번째 보고서에서, 표본 내 직업의 36%가 전체 과업의 적어도 4분의 1에서 Claude 사용이 관찰된다고 밝혔다. 여러 보고서의 데이터를 합치면 이 수치는 49%로 올라간다. 그러나 Claude의 성공률을 함께 고려하면, AI 사용의 영향을 가장 크게 받는 직업에 대한 그림은 달라진다. 여기서는 근로자가 해당 과업을 얼마나 자주 수행하는지와 그 과업에 얼마나 시간이 걸리는지를 가중치로 사용한다.
아래 그래프는 이전의 직업별 과업 커버리지 측정값을 x축에, 새로 조정한 측정값을 y축에 나타낸 것이다. 두 값은 분명 상관되어 있지만, 이제 Anthropic은 데이터 입력원(data entry keyers)과 방사선 전문의(radiologists) 같은 일부 직업은 단순 과업 커버리지만으로 보이는 것보다 AI의 영향을 훨씬 더 크게 받는 반면, 교사와 소프트웨어 개발자 같은 직업은 상대적으로 덜 영향을 받는다는 사실을 발견했다.
그림 4: 이 산점도는 직업 수준에서 유효 AI 커버리지(effective AI coverage)와 과업 커버리지의 관계를 보여 준다. 유효 AI 커버리지는 Claude.ai 데이터를 기준으로, AI가 성공적으로 수행할 수 있는 근로자의 시간가중 업무 비중을 추적한다. 과업 커버리지는 Claude.ai 사용 데이터에 등장하는 과업 비중을 뜻한다. 점선은 두 값이 같은 지점을 표시한다.
다만 수정된 평가도 여전히 한계가 있다. Anthropic은 Claude.ai에서 수행된 과업만 평가하며, 이러한 대화가 현실 세계의 변화와 어떻게 대응되는지는 항상 분명하지 않다. Anthropic은 이 지점을 앞으로 더 깊이 파고들 계획이다.
과업 내용
Anthropic이 던진 또 다른 질문은, AI가 포괄하는 과업이 특정 직업의 더 고숙련 요소인지 아니면 더 저숙련 요소인지였다. Anthropic은 각 과업에 필요한 기술 수준에 대한 자체 추정치를 사용해, Claude가 상대적으로 더 높은 교육 수준을 요구하는 과업을 포괄할 가능성이 더 높다는 사실을 발견했다. 구체적으로 Claude가 포괄하는 과업의 평균 교육 요구 수준은 14.4년으로, 경제 전체 평균인 13.2년보다 높았다.
이는 Claude가 화이트칼라 노동자들에게 더 자주 사용된다는 Anthropic의 기존 발견과도 일치한다.
그림 5: 파란 막대는 고용으로 가중한 O*NET 데이터베이스 전체 과업의 예측 교육 수준 분포를, 주황 막대는 Claude.ai 데이터에 등장한 과업만으로 제한했을 때의 같은 분포를 보여 준다.
실험적으로 Anthropic은 이러한 Claude 포괄 과업을 제거하면 사람들의 직업 내 과업 구성이 어떻게 이동할지 추정했다. 1차 효과만 보면, 더 높은 교육 수준의 과업이 제거되기 때문에 직업은 평균적으로 탈숙련화(deskilling) 된다. 전문 기술 문서 작성자, 여행사 직원, 교사 같은 직업이 영향을 받으며, 드물게는 부동산 관리자처럼 반대 방향의 효과를 보는 직업도 있다.
Anthropic은 이러한 탈숙련화가 반드시 일어날 것이라고 예측하는 것은 아니다. 현재 Claude가 지원하는 과업을 AI가 완전히 자동화하더라도, 노동시장은 이 분석이 반영하지 못하는 방식으로 동태적으로 조정될 수 있다. 물론 모델이 개선되면 AI가 포괄하는 과업의 구성도 변할 것이다. 그럼에도 Anthropic은 이 분석이 가까운 미래에 AI가 직업에 미칠 가장 직접적인 효과에 대한 유용한 신호를 제공한다고 본다.3
총체적 영향
Anthropic은 이전 연구에서 AI의 광범위한 채택이 향후 10년 동안 미국 노동생산성 증가율을 연간 1.8퍼센트포인트 높일 수 있다고 추정했다. 이는 추세 성장률의 약 두 배에 해당한다. 새로운 기본 지표를 통해 Anthropic은 이 분석을 다시 검토할 수 있게 됐다.
과업 속도 향상 추정치만을 기준으로 하면, Anthropic은 API 데이터를 추가했을 때도 이전의 1.8퍼센트포인트 증가 추정치를 재현했다.
그러나 과업 신뢰성, 즉 과업 수준 시간 절감을 그 과업이 성공할 확률로 조정하면 추정치는 낮아진다. Claude.ai에서 완료되는 과업의 경우 약 3분의 1 하락해 연간 1.2퍼센트포인트가 되고, 대체로 더 어려운 과업이 수행되는 API에서는 조금 더 낮은 1.0퍼센트포인트가 된다.
그럼에도 연간 1퍼센트포인트의 노동생산성 증가만으로도 주목할 만하다. 이는 미국의 생산성 증가율을 1990년대 후반과 2000년대 초반 수준으로 되돌리는 효과이기 때문이다. 또한 Anthropic이 이전 연구에서 언급했듯, 이 총괄 추정치는 AI 모델이 훨씬 더 강력해질 가능성이나, 직장에서의 AI 활용이 훨씬 더 정교해질 가능성을 반영하지 않는다. 두 요인은 모두 이 수치를 더 크게 끌어올릴 수 있다.
실제로 Anthropic의 조사 이후 Claude는 Claude Opus 4.5 출시와 함께 상당히 더 강력해졌다.
이전 지표의 업데이트
기본 지표와 함께 Anthropic은 이전 보고서들에서 추적해 온 측정값들에 대해서도 새로운 라운드의 데이터를 수집했다. 이를 통해 2025년 1월부터 11월까지 AI 사용 추세를 파악할 수 있었다. 여기서 Anthropic이 발견한 변화는 대부분 작았다. 이전 분석이 가리켰던 Claude 사용의 불균등 분포가 대체로 유지됐기 때문이다.
첫째, Claude 사용은 여전히 특정 과업에 매우 집중돼 있다. Claude.ai 표본에는 3,000개의 고유 업무 과업이 포함돼 있지만, 상위 10개 과업이 전체의 24%를 차지하며, 이는 2025년 1월의 21%에서 꾸준히 증가한 수치다. 더 구체적으로는 컴퓨터 및 수학 관련 과업이 Claude 사용을 계속 지배하고 있다. 이 범주는 Claude.ai 전체 대화의 약 3분의 1, API 트래픽의 거의 절반을 차지한다.
둘째, 최신 보고서는 Claude.ai에서 증강(augmentation)이 전체 대화의 52%를 차지해 자동화(automation) 45%를 앞질렀음을 보여 준다. 이는 2025년 8월 표본에서 자동화가 49% 대 47%로 앞섰던 것과는 반대다. 다만 더 긴 기간으로 보면 자동화 비중은 여전히 느리게 상승하는 추세다. 2025년 1월에는 증강이 55%, 자동화가 41%였고, 3월에는 55% 대 42%였다.
셋째, 최신 분석은 지난번 논의와 마찬가지로 AI 사용의 지리적 집중이 여전히 뚜렷함을 보여 준다. 미국, 인도, 일본, 영국, 한국이 여전히 Claude.ai 전체 사용을 주도하고 있으며, 채택은 여전히 1인당 GDP로 잘 설명된다. 다만 미국 내부에서는 더 큰 변화가 관찰됐다. Claude 사용이 미국 각 주에 걸쳐 눈에 띄게 더 고르게 분포하게 된 것이다.
실제로 이 추세가 지속된다면 Anthropic의 모형은 Claude 사용이 2~5년 안에 미국 전역에서 균등화될 것이라고 예측한다. Anthropic은 이 모형을 전문 보고서에서 더 자세히 다룬다.
결론
최신 Economic Index 보고서의 가장 직접적인 결론은, AI가 전 세계 노동력에 미치는 영향이 여전히 매우 불균등하다는 점이다. AI 사용은 특정 국가와 직업에 집중돼 있으며, 과업 커버리지에 대한 증거가 보여 주듯 어떤 직업은 다른 직업과 매우 다른 방식으로 영향을 받는다.
보다 일반적으로 이 보고서는 앞으로의 조사와 비교할 수 있는 새로운 기준선을 제공한다. Claude가 개선될수록 Claude에는 더 어려운 과업이 맡겨지고, 그 과업에서 더 큰 성공을 거둘 가능성이 높다.
Anthropic은 또한 과업이 더 신뢰할 수 있게 됨에 따라 Claude.ai에서 API로, 다시 말해 주로 소비자 사용에서 주로 기업 사용으로 이동할 수 있다고 예상한다. 이런 이동이 실제로 일어난다면, 이는 AI가 생산성에 미치는 효과에서 기업 채택이 중요하다는 점을 감안할 때, 다가올 경제적 영향을 보여 주는 또 하나의 신호가 될 수 있다.
Anthropic은 이러한 기본 지표를 통해 사람들의 일의 성격, 그리고 누가 어디서 가장 크게 영향을 받을 가능성이 있는지를 포함해, 이런 변화가 현실 세계 결과에 어떻게 영향을 미치기 시작하는지를 측정할 수 있게 될 것이다.
그동안 연구자, 언론인, 일반 대중은 Anthropic의 데이터를 활용해 각자의 연구와 사고를 발전시키고, 앞으로 필요할 수 있는 정책 대응에 대한 실증적 기반을 마련할 수 있다. 여기서 다룬 각 영역에 대한 훨씬 더 자세한 내용은 전문 보고서를 참고할 수 있다.
각주
- 이전 보고서들과 마찬가지로, Anthropic의 모든 분석은 개인정보 보호형 분석에 기반한다. 보고서 전반에서 Anthropic은 Claude.ai Free, Pro, Max 대화의 무작위 표본 100만 건과 퍼스트파티(1P) API 트래픽 전사 기록 100만 건을 분석했다. Anthropic은 전자를 주로 소비자 사용을 나타내므로
consumer data라고도 부르고, 후자는 주로 기업 사용을 나타내므로enterprise data라고도 부른다. - 더 구체적으로 말하면 다음과 같다.
- 과업 복잡성(task complexity) 은 과업이 완료까지 걸리는 시간과 난이도 측면에서 얼마나 복잡한지를 포착한다. O*NET의
디버깅(debugging)과업은 함수의 작은 오류 하나를 고치는 일일 수도 있고, 코드베이스 전체를 포괄적으로 리팩터링하는 일일 수도 있으며, 이 둘은 노동 수요에 전혀 다른 함의를 갖는다. Anthropic은 AI 없이 과업을 완료하는 데 필요한 인간 시간, AI와 함께 과업을 완료하는 데 드는 시간, 한 대화 안에서 사용자가 여러 과업을 처리하는지 여부를 통해 복잡성을 측정한다. - 인간과 AI의 기술 수준(human and AI skills) 은 자동화가 숙련도와 어떻게 상호작용하는지를 다룬다. 만약 AI가 낮은 전문성을 요구하는 과업을 불균형하게 대체하고 더 높은 숙련의 업무를 보완한다면, 이는 고숙련 노동자에 대한 수요를 늘리고 저숙련 노동자를 밀어낼 수 있는 또 다른 형태의 기술편향적 기술 변화(skill-biased technical change)가 될 수 있다. Anthropic은 사용자가 Claude 없이도 과업을 수행할 수 있었는지, 그리고 사용자 프롬프트와 Claude의 응답을 이해하는 데 필요한 교육 연수가 얼마인지로 이를 측정한다.
- 사용 사례(use case) 는 업무, 교육, 개인 사용을 구분한다. 노동시장 효과는 업무용 사용에서 가장 직접적으로 비롯되지만, 교육용 사용은 미래 노동력이 AI 보완적 기술을 어디서 축적하고 있는지를 보여 주는 신호가 될 수 있다.
- AI 자율성(AI autonomy) 은 사용자가 의사결정을 Claude에 얼마나 위임하는지를 측정한다. 최신 보고서는 사용자가 과업을 완전히 위임하는
지시(directive)사용이 증가하고 있음을 기록했다. 적극적 협업부터 전면 위임까지 자율성 수준을 추적하면 자동화의 속도를 예측하는 데 도움이 된다. - 과업 성공(task success) 은 Claude가 과업을 성공적으로 완료하는지에 대한 Claude 자신의 평가를 뜻한다. 과업 성공은 과업이 효과적으로 자동화될 수 있는지(과업이 자동화 가능한가), 그리고 효율적으로 자동화될 수 있는지(자동화를 위해 몇 번의 시도가 필요한가)를 함께 평가하는 데 도움을 준다. 즉, 과업 성공은 노동 과업 자동화의 실현 가능성과 비용 모두에 중요하다.
- 과업 복잡성(task complexity) 은 과업이 완료까지 걸리는 시간과 난이도 측면에서 얼마나 복잡한지를 포착한다. O*NET의
- 실제로 일부 역사적 증거는, 일자리 과업을 자동화하는 기술이 특허 데이터에 등장하면 그 직업에 노출된 고용과 임금이 이후 하락함을 시사한다.