컴퓨터 프로그래밍이 포함된 직무는 현대 경제에서 차지하는 비중은 작지만 영향력은 크다. 지난 몇 년 동안 이러한 일은 상당한 양의 코딩 작업을 지원하고 자동화할 수 있는 AI 시스템의 도입으로 급격히 변화했다.
Anthropic은 이전 Economic Index 연구에서 미국의 컴퓨터 관련 직업 종사자들이 Claude를 매우 불균형하게 많이 사용한다는 사실을 확인했다. 즉, 해당 직종 종사자 수로 예상되는 수준보다 훨씬 더 많은 Claude 대화가 컴퓨터 관련 과업을 다루고 있었다. 교육 맥락에서도 마찬가지다. 코딩 비중이 큰 Computer Science 학위 과정은 AI 사용이 매우 과대표집돼 있다.
Anthropic은 이러한 변화를 더 자세히 이해하기 위해 Claude.ai와 Claude Code 전반에서 코딩 관련 상호작용 50만 건을 분석했다. Claude.ai는 대부분의 사용자가 Claude와 상호작용하는 "기본(default)" 방식이고, Claude Code는 다양한 디지털 도구를 사용해 복잡한 과업 사슬을 독립적으로 수행할 수 있는 전문 코딩 "에이전트"다.
Anthropic은 세 가지 핵심 패턴을 확인했다.
- 코딩 에이전트는 더 높은 자동화(automation) 에 사용된다. Claude Code 대화의 79%는 AI가 과업을 직접 수행하는 자동화로 분류됐고, 인간 역량을 협업적으로 보강하는 증강(augmentation) 은 21%였다. 반면 Claude.ai 대화에서 자동화로 분류된 비율은 49%에 그쳤다. 이는 AI 에이전트가 보편화되고 더 많은 에이전트형 AI 제품이 등장할수록 과업 자동화가 확대될 수 있음을 시사한다.
- 코더들은 사용자 대면 앱(user-facing app)을 만드는 데 AI를 흔히 사용한다. JavaScript와 HTML 같은 웹 개발 언어가 데이터셋에서 가장 흔한 프로그래밍 언어였고, 사용자 인터페이스와 사용자 경험 관련 과업도 주요 코딩 활용처에 포함됐다. 이는 단순 애플리케이션과 사용자 인터페이스 제작을 핵심으로 하는 직무가 순수 백엔드 업무보다 AI 시스템의 영향을 더 이르게 받을 수 있음을 시사한다.
- 스타트업은 Claude Code의 초기 주요 도입자이며, 대기업은 뒤처져 있다. 예비 분석에서 Anthropic은 Claude Code 대화의 33%가 스타트업 관련 업무를 지원한 반면, 엔터프라이즈 관련 응용으로 식별된 비율은 13%에 불과하다고 추정했다. 이 격차는 최첨단 AI 도구를 빠르게 채택하는 기민한 조직과 전통적 엔터프라이즈 사이의 분화를 시사한다.
Claude Code와 Claude.ai 대화를 어떻게 분석했는가
Anthropic은 Claude 전체 상호작용 50만 건을 분석했다. 표본은 Claude Code와 Claude.ai1 로 나뉘어 있었고, 사용자 대화를 더 높은 수준의 익명화된 통찰로 환원하는 개인정보 보호형 분석 도구를 사용했다. 여기서는 이 도구를 활용해 대화 주제(예: "UI/UX component development")를 식별하고, 아래에서 설명하듯 대화가 증강에 초점을 두는지 자동화에 초점을 두는지도 분류했다.
개발자들은 Claude와 어떻게 상호작용하는가?
Anthropic은 이전 Economic Index 보고서에서 AI가 과업을 직접 수행하는 자동화와, 사용자가 과업을 수행하도록 AI가 협업하는 증강을 구분했다. 이번 분석에서 Claude Code의 자동화 비율은 훨씬 높았다. Claude Code 대화의 79%가 어떤 형태로든 자동화를 포함한 반면, Claude.ai는 49%였다.
Anthropic은 자동화와 증강을 다시 여러 하위 유형으로 나눴다. 피드백 루프(Feedback Loop) 패턴, 즉 Claude가 자율적으로 과업을 수행하되 인간의 검증 도움을 함께 받는 패턴은 Claude Code에서 Claude.ai보다 거의 두 배 더 흔했다. 예컨대 사용자가 오류 메시지를 다시 Claude에 붙여 넣는 경우가 이에 해당한다. 이 비율은 Claude Code 35.8%, Claude.ai 21.3%였다. 지시형(Directive) 대화, 즉 최소한의 사용자 상호작용만으로 Claude가 과업을 완료하는 유형도 Claude Code에서 더 높았다(43.8%, Claude.ai 27.5%). 반면 학습(Learning) 을 포함한 모든 증강 유형은 Claude Code에서 Claude.ai보다 상당히 낮았다.
그림 1: Claude.ai와 Claude Code에서 자동화와 증강이 차지하는 비율. 하위 유형은 다음과 같이 정의된다. Directive: 최소한의 상호작용으로 과업 전체를 위임하는 유형. Feedback Loop: 환경 피드백을 반영해 과업을 수행하는 유형. Task Iteration: 협업적으로 결과를 다듬는 유형. Learning: 지식 습득과 이해에 초점을 둔 유형. Validation: 작업 검증과 개선. 원문 도표의 공개 수치를 바탕으로 로컬 SVG로 재구성했다.
이 결과는 전문 코딩 에이전트(여기서는 Claude Code)와, Claude.ai 같은 챗봇 인터페이스를 통해 사용자가 대형언어모델과 상호작용하는 보다 "표준적" 방식 사이의 차이를 보여 준다. 앞으로 더 많은 에이전트형 제품이 출시되면, AI가 사람들의 일에 통합되는 방식도 달라질 수 있다. 적어도 코딩의 경우에는 과업 자동화가 더 커질 가능성이 있다.
이는 AI 사용이 보편화될수록 개발자가 어느 정도까지 계속 개입하게 될지를 둘러싼 질문을 제기한다. 중요한 점은, 자동화 내부에서도 인간이 여전히 매우 자주 관여한다는 사실이다. 피드백 루프 상호작용은 여전히 사용자 입력을 필요로 한다. 다만 더 유능한 에이전트형 시스템이 등장할수록 필요한 사용자 입력이 점차 줄어들 수 있으므로, 이런 패턴이 앞으로도 유지될지는 확실하지 않다.
개발자들은 Claude로 무엇을 만드는가?
전반적으로 Anthropic은 개발자들이 Claude를 웹사이트와 모바일 애플리케이션의 사용자 인터페이스 및 상호작용 요소를 만드는 데 흔히 사용한다는 점을 확인했다. 단일 언어가 압도적이지는 않았지만, 웹 중심 개발 언어인 JavaScript와 TypeScript를 합치면 전체 질의의 31%를 차지했고, 사용자 대면 코드를 위한 HTML2 과 CSS를 합치면 추가로 28%를 차지했다.
그림 2: 양 플랫폼 전체에서 관찰된 주요 코딩 활용처. Claude Code와 Claude.ai를 동일 가중치로 합산한 비율 기준이며, 원문 본문에 명시된 상위 활용처와 설명을 바탕으로 로컬 SVG 요약 도표로 재구성했다.
백엔드 개발 언어도 상당히 나타났다. 이는 숨은 로직, 데이터베이스, 인프라뿐 아니라 API 및 AI 개발에도 쓰인다. 특히 Python은 전체 질의의 14%를 차지했다. 다만 Python은 백엔드 개발과 데이터 분석이라는 이중 목적을 갖는다. SQL 역시 6%를 차지하는 데이터 중심 언어이기 때문에, 이들 언어에는 전통적 백엔드 개발을 넘어 데이터 과학 및 분석 활용도 상당 부분 포함됐을 가능성이 높다.
그림 3: 코딩 언어별 사용 비중 요약. 언어 비율은 양 플랫폼 전체 합산 기준이며, 원문 본문에 공개된 수치(JavaScript+TypeScript 31%, HTML+CSS 28%, Python 14%, SQL 6%)를 로컬 SVG로 재구성했다.
이러한 패턴은 Claude를 활용한 일반적 코딩 과업 유형에도 이어진다. 상위 다섯 개 과업 가운데 두 개가 사용자 대면 앱 개발에 집중돼 있었다. "UI/UX Component Development"와 "Web & Mobile App Development"는 각각 전체 대화의 12%와 8%를 차지했다. 이러한 과업은 개발자가 자연어로 원하는 결과를 설명하고, 구현 세부사항은 AI에 맡기는 바이브 코딩(vibe coding) 현상과 점점 더 잘 맞아떨어진다.
"Software Architecture & Code Design", "Debug and Performance Optimization"처럼 보다 일반적인 활용도 Claude.ai와 Claude Code 양쪽에서 높게 나타났다.
이 결과는 단순 애플리케이션과 사용자 인터페이스를 만드는 일을 중심으로 한 직무가, 역량 향상과 함께 바이브 코딩이 주류 워크플로로 이동할 경우 AI 시스템의 영향을 더 이르게 받을 수 있음을 시사한다. AI가 컴포넌트 생성과 스타일링 업무를 점점 더 맡게 되면, 이들 개발자는 더 높은 수준의 설계와 사용자 경험 업무로 이동할 수 있다.
누가 코딩에 Claude를 사용하는가?
Anthropic은 또 어떤 집단의 개발자들이 Claude를 사용하는지도 분석했다. 이를 위해 분석 시스템으로 코딩 관련 상호작용을 가장 잘 설명하는 프로젝트 유형(예: 개인 프로젝트, 스타트업 프로젝트)을 식별했다. 다만 Claude 응답이 실제 세계의 어떤 맥락에서 사용됐는지 Anthropic은 알 수 없기 때문에, 이 분석은 불완전한 데이터에서 도출한 불확실한 추론에 의존한다. 따라서 Anthropic은 이 결과를 앞선 결과보다 더 예비적인 것으로 본다.
그림 4: Claude.ai와 Claude Code에서 나타난 프로젝트 유형 차이를 요약한 도표. 원문은 각 프로젝트 유형의 점 간 거리로 양 플랫폼 간 유병률 격차를 제시하며, 여기서는 본문에 공개된 핵심 수치와 설명을 바탕으로 로컬 SVG로 재구성했다.
스타트업은 Claude Code의 초기 주요 도입자로 보이며, 엔터프라이즈 도입은 뒤처져 있다. 스타트업 관련 업무는 Claude Code 대화의 32.9%를 차지했고, 이는 Claude.ai에서의 같은 유형보다 약 20%p 높았다. 반면 엔터프라이즈 업무는 Claude Code 대화의 23.8%를 차지했으며, Claude.ai의 25.9%3 보다 약간 낮았다.
또한 학생, 학계, 개인 프로젝트 개발자, 튜토리얼/학습용 사용을 합치면 양 플랫폼 전체 상호작용의 절반을 차지한다. 다시 말해, 코딩 지원 도구의 중요한 도입자는 기업만이 아니라 개인이기도 하다.
이러한 도입 패턴은 스타트업이 경쟁 우위를 위해 신기술을 먼저 사용하고 기존 조직은 전사 도입 전에 상세한 보안 검토 등을 거치며 더 신중하게 움직였던 과거 기술 전환과도 닮아 있다. AI의 범용성은 이 역학을 더 가속할 수 있다. AI 에이전트가 큰 생산성 향상을 제공한다면, 조기 도입자와 후기 도입자 사이의 격차는 상당한 경쟁 우위 차이로 이어질 수 있다.
한계
이 분석은 개발자들이 실제 워크플로에서 Claude를 어떻게 사용하는지에 근거한, 현실 세계 AI 사용 분석이다. 이 접근은 실천적 관련성을 높이지만, 동시에 고유한 한계도 가져온다.
- Anthropic은 Claude.ai와 Claude Code 데이터만 분석했다. Team, Enterprise, API 사용은 제외했으며, 특히 전문적 환경에서는 다른 패턴이 나타날 수 있다.
- Claude Code 같은 에이전트형 도구에서는 자동화와 증강의 경계가 점점 더 흐려진다. 예를 들어 피드백 루프 패턴은 여전히 사용자 감독과 입력을 필요로 하므로, 전통적 자동화와는 질적으로 다르다. 새로운 에이전트형 역량을 반영하도록 자동화/증강 프레임워크를 확장할 필요가 있다.
- 누가 코딩에 Claude를 쓰는지를 분류하는 작업은 제한된 맥락으로부터의 추론에 의존했다. 스타트업 대 엔터프라이즈, 개인 대 학계 프로젝트를 구분할 때 분석 도구는 불완전한 정보를 바탕으로 추정했기 때문에, 일부 분류는 잘못됐을 수 있다. 또한 "Could Not Classify" 선택지를 포함했으며, Claude는 Claude.ai 대화의 5%, Claude Code 대화의 2%에서 이를 선택했다. Anthropic은 이 범주를 분석에서 제외한 뒤 결과를 재정규화했다.
- 이 데이터셋은 초기 도입자를 더 많이 포착했을 가능성이 높다. 따라서 더 넓은 개발자 집단을 대표하지 않을 수 있으며, 이런 자기선택 편향은 사용 패턴을 더 숙련되고 기술적으로 모험적인 사용자 쪽으로 왜곡할 수 있다.
- 개인정보 보호 고려 때문에 특정 보존 기간 내 데이터만 분석했으므로, 스프린트 주기나 릴리스 일정 같은 소프트웨어 개발의 주기적 패턴을 놓쳤을 수 있다.
- Claude 사용이 전체 AI 코딩 보조 도구 도입을 얼마나 대표하는지는 불분명하다. 많은 개발자가 Claude 외에도 여러 AI 도구를 쓰기 때문에, 여기 제시되는 것은 AI 활용 패턴의 일부 단면에 불과하다.
- Anthropic은 개발자들이 AI에 무엇을 위임하는지만 살폈다. AI 산출물이 실제 코드베이스에서 어떻게 사용되는지, 결과 코드의 품질이 어떠한지, 생산성이나 코드 품질이 실제로 개선됐는지는 검토하지 않았다.
앞으로
AI는 개발자의 일하는 방식을 근본적으로 바꾸고 있다. 이번 분석은 이러한 변화가 특히 Claude Code 같은 전문 에이전트형 시스템이 사용되는 곳에서 두드러지고, 사용자 대면 앱 개발 업무에서 특히 강하며, 기존 대기업보다 스타트업에 더 큰 이점을 줄 수 있음을 시사한다.
Anthropic의 발견은 여러 질문을 남긴다. 인간이 여전히 과정에 개입하는 피드백 루프의 비중이 AI 역량이 진전돼도 유지될 것인가, 아니면 더 완전한 자동화 쪽으로 이동할 것인가? AI 시스템이 더 큰 규모의 소프트웨어 조각을 구축할 수 있게 되면, 개발자는 직접 코드를 작성하기보다 그런 시스템을 관리하고 안내하는 역할로 이동할 것인가? 어떤 소프트웨어 개발 역할이 가장 크게 변하고, 어떤 역할은 완전히 사라질 수 있는가?
AI의 코딩 역량 증가는 AI 개발 자체에도 특히 중요할 수 있다. AI 연구와 개발의 상당 부분이 소프트웨어에 의존하기 때문에, AI 보조 코딩의 발전이 돌파구를 앞당기고 그 결과 AI 진보를 더 가속하는 자기강화적 순환을 만들 가능성도 있다.
거시적으로 보면 AI 시스템은 매우 새로운 기술이다. 하지만 상대적으로 볼 때 코딩은 경제 내에서 AI 활용이 가장 발달한 분야 가운데 하나다. 따라서 이를 주의 깊게 지켜볼 가치가 있다. 소프트웨어 개발에서 얻은 교훈이 다른 직업군에 그대로 적용된다고 가정할 수는 없지만, 소프트웨어 개발은 앞으로 더 유능한 AI 모델이 확산될 때 다른 직업이 어떻게 변할지를 가늠하게 해 주는 선행 지표일 수 있다.
함께 일하기
Anthropic에서 AI의 노동시장 영향 연구를 함께하고 싶다면 Economist 및 Data Scientist (Policy) 포지션 지원을 고려해 볼 수 있다.
부록
보충 분석으로, Anthropic은 소프트웨어 관련 자동화/증강 패턴과 소프트웨어가 아닌 상호작용의 패턴도 비교했다. 이 분석은 Claude Code가 소프트웨어 응용에 특화돼 있기 때문에 Claude.ai에 대해서만 수행했다.
그림 5: Claude.ai에서 소프트웨어 사용 사례와 비소프트웨어 사용 사례의 자동화/증강 패턴 비교. 각 패턴의 정의는 그림 1 캡션을 따른다. 원문 본문에 공개된 핵심 변화량을 바탕으로 로컬 SVG로 재구성했다.
소프트웨어가 아닌 사용 사례와 비교하면, 소프트웨어 개발은 더 자동화적이다. 특히 피드백 루프가 18.3%p 증가한 것이 이를 견인했으며, 동시에 지시형 행동은 11.2%p 감소했다. 다시 말해, Claude가 작업 대부분을 수행하더라도 AI 보조 코딩은 현재 비코딩 과업에 비해 인간의 검토와 반복을 훨씬 더 많이 요구한다.
각주
- Claude.ai 대화는 Claude.ai Free와 Pro의 대화만을 뜻한다. 이 표본에는 자사 API로 구동된 Claude Code 세션만 포함됐다. Claude Code는 Anthropic 자사 API 또는 서드파티 클라우드 제공자 API로 구동될 수 있다. Anthropic이 이번 분석에 사용한 Claude.ai와 Claude Code의 모든 대화는 2025년 4월 6일부터 4월 13일까지의 데이터였다. 초기 표본은 Claude.ai와 Claude Code를 동일 비중으로 나눴고, Claude.ai 쪽에서는 Claude 기반 필터를 적용해 코딩 관련 대화만 선별했다. 이 필터를 보정하기 위해, 필요한 경우 분석 결과를 Claude Code와 Claude.ai 상호작용이 동일 가중치를 갖도록 재정규화했다.
- Claude.ai의 HTML 수치는 Artifacts 가 HTML을 활용하기 때문에 다소 부풀려졌을 가능성이 높다. Anthropic은 코딩과 무관한 Artifacts는 걸러내지만, 의미 있는 코딩 사용의 상당 부분이 Artifacts 내부에서 발생하기 때문에 코딩 관련 Artifacts 자체는 분석에서 별도로 제외하지 않았다.
- Claude.ai 사용량에는 Claude For Work(Team 및 Enterprise 요금제) 사용이 포함되지 않는다. 따라서 Claude.ai의 엔터프라이즈 수치는, 상당한 엔터프라이즈 사용이 Claude For Work 제품 내부에서 일어나기 때문에 실제보다 과소계상됐을 가능성이 높다.