Anthropic 경제 지표 보고서: 지역·기업별로 벌어지는 AI 도입 격차

서론

AI는 이전의 어떤 기술과도 비교할 수 없는 속도로 확산되고 있습니다. 미국만 보더라도, 직장에서 AI를 사용한다고 답한 직원 비율이 2년 전인 2023년 20%에서 현재 40%로 두 배 늘었습니다.¹ 이처럼 빠른 확산은 AI가 이미 광범위한 분야에서 실질적인 효용을 제공하고 있음을 보여줍니다. 기존 디지털 인프라 위에 바로 적용할 수 있고, 별도의 전문 교육 없이 텍스트를 입력하거나 음성으로 말하는 것만으로 사용할 수 있다는 점도 큰 역할을 합니다. 프런티어 AI의 빠른 성능 향상은 이러한 요인 각각을 더욱 강화하며 채택 속도를 가속화하고 있습니다.

역사적으로 새로운 기술이 널리 보급되기까지는 수십 년이 걸렸습니다. 전기는 도시에 보급된 이후 농촌 가구에 도달하기까지 30년 넘게 걸렸습니다. 최초의 대중형 개인용 컴퓨터는 1981년 얼리어답터에게 보급되었지만, 미국 가구의 과반이 PC를 갖추기까지는 그로부터 20년이 더 필요했습니다. 빠르게 확산된 인터넷조차도 AI가 불과 2년 만에 달성한 보급률에 도달하는 데 약 5년이 걸렸습니다.²

왜 그럴까요? 한마디로, 아무리 혁신적인 기술이라도 경제 전반에 확산되고, 지역적 편중에서 벗어나 소비자 전체로 퍼지며, 기업이 새로운 기술 역량을 최대한 활용할 수 있도록 사업 구조를 재편하기까지는 시간이 필요합니다. 기업의 채택은 처음에는 소수의 특정 업무에서, 이후 점차 범용적 활용으로 확대되며, 이는 파급력 있는 기술이 경제 전반에 확산되어 혁신적 효과를 만들어내는 핵심 경로입니다.³

다시 말해, 기술 도입 초기의 전형적인 특징은 편중입니다. 소수의 지역과 기업 내 소수의 업무에 사용이 집중되는 것이죠. 이 보고서에서 분석한 바에 따르면, AI 채택 역시 21세기에 유사한 패턴을 따르고 있습니다. 다만 20세기 기술 확산에 비해 시간 축은 훨씬 짧고 강도는 훨씬 높습니다.

이러한 초기 AI 채택 패턴을 연구하기 위해, 우리는 Anthropic Economic Index를 두 가지 중요한 차원으로 확장했습니다. Claude.ai 대화의 지역별 분석과 업계 최초의 기업 API 사용 분석을 새롭게 도입한 것입니다. 이를 통해 Claude 사용이 시간에 따라 어떻게 변화했는지, 지역별로 채택 패턴이 어떻게 다른지, 그리고 최초로 기업이 프런티어 AI를 비즈니스 문제 해결에 어떻게 활용하고 있는지를 보여줍니다.

Claude.ai 사용 패턴의 시간에 따른 변화

보고서의 첫 번째 장에서는, 기반 모델 성능의 향상, 새로운 제품 기능 출시, Claude 소비자 기반의 확대와 함께 지난 8개월간 Claude.ai 사용 패턴에서 나타난 주목할 만한 변화를 분석합니다.

주요 발견:

• 교육 및 과학 분야 사용 비중이 증가 추세: 코딩 용도가 여전히 전체 샘플의 36%로 가장 높은 비중을 차지하고 있지만, 교육 관련 업무는 9.3%에서 12.4%로, 과학 관련 업무는 6.3%에서 7.2%로 크게 증가했습니다.
• 사용자가 Claude에 더 많은 자율성을 부여하는 추세: 사용자가 Claude에게 완전한 업무를 위임하는 "지시형(Directive)" 대화가 27%에서 39%로 급증했습니다. 코딩에서는 프로그램 생성이 +4.5%p 증가하고 디버깅이 -2.9%p 감소했는데, 이는 사용자가 한 번의 대화로 더 많은 목표를 달성하고 있음을 시사합니다.

AI 채택의 지리적 분포

처음으로 150개 이상 국가와 미국 전체 주에 대한 Claude.ai 사용 데이터의 지역별 분석 결과를 공개합니다. 확산 패턴을 분석하기 위해 Anthropic AI Usage Index(AUI)를 새로 도입했으며, 이 지표는 특정 경제권에서 Claude.ai 사용이 생산가능인구 대비 과대 또는 과소 대표되는지를 측정합니다.

주요 발견:

• AUI는 국가별 소득 수준과 강한 상관관계: 이전 기술들과 마찬가지로, AI 사용은 지리적으로 편중되어 있습니다. 싱가포르와 캐나다는 인구 대비 사용량이 각각 기대치의 4.6배, 2.9배로 1인당 사용량이 가장 높은 국가에 속합니다. 반면, 인도네시아(0.36배), 인도(0.27배), 나이지리아(0.2배) 등 신흥 경제국에서는 Claude 사용이 상대적으로 적습니다.
• 미국 내에서는 지역 경제 특성이 사용 패턴을 결정: 워싱턴 DC가 1인당 사용량에서 선두(인구 비중 대비 3.82배)이지만, 유타주(3.78배)가 바로 뒤를 잇고 있습니다. 지역별 사용 패턴이 해당 지역 경제의 고유한 특성을 반영한다는 증거도 확인됩니다. 예를 들어, 캘리포니아에서는 IT 관련, 플로리다에서는 금융 서비스 관련, 워싱턴 DC에서는 문서 편집 및 커리어 지원 관련 사용 비중이 높게 나타납니다.
• 채택 선도 국가일수록 사용 용도가 다양: 채택률이 낮은 국가에서는 코딩 사용 비중이 높은 반면, 채택률이 높은 지역에서는 교육, 과학, 비즈니스 등 다양한 분야에 걸쳐 활용이 이뤄지고 있습니다. 예를 들어, 인도에서는 코딩 업무가 전체 사용의 절반 이상을 차지하는 반면, 전 세계 평균으로는 약 3분의 1 수준입니다.
• 채택률 높은 국가일수록 자동화보다 증강(augmentation) 중심의 사용: 국가별 업무 구성을 통제한 후에도, AUI가 낮은 국가에서는 완전한 업무 위임(자동화)이 더 빈번한 반면, 채택률이 높은 국가에서는 학습과 인간-AI 반복 협업(증강)이 더 두드러집니다.

초기 AI 채택의 이러한 불균등한 지리적 분포는 경제적 수렴에 관한 중요한 질문을 제기합니다. 19세기 말과 20세기 초의 혁신적 기술들—대규모 전기화, 내연기관, 실내 배관—은 현대 경제성장 시대를 열었을 뿐 아니라, 전 세계적으로 생활 수준의 큰 격차를 동반했습니다.⁴

만약 채택률이 높은 경제권에서 생산성 향상 효과가 더 크다면, 현재의 사용 패턴은 AI의 혜택이 이미 부유한 지역에 집중될 수 있음을 시사합니다. 이는 전 세계적 경제 불평등을 심화시키고, 최근 수십 년간 나타난 성장 수렴 추세를 역전시킬 가능성이 있습니다.⁵

기업의 체계적 AI 도입

마지막 장에서는 자사(1P) API 트래픽의 상당 부분에 대한 업계 최초의 분석 결과를 제시하며, 기업과 개발자가 Claude를 어떤 업무에 활용하고 있는지를 공개합니다. 중요한 점은, API 사용자는 Claude.ai처럼 웹 인터페이스가 아닌 프로그래밍 방식으로 Claude에 접근한다는 것입니다. 이를 통해 기술을 먼저 도입한 기업들이 프런티어 AI 역량을 어떻게 활용하고 있는지를 확인할 수 있습니다.

주요 발견:

• 1P API 사용은 Claude.ai와 유사하면서도 특화된 차이를 보임: 1P API와 Claude.ai 모두 코딩 업무에 집중하고 있습니다. 다만, 1P API에서는 코딩과 사무/관리 업무 비중이 더 높고, Claude.ai에서는 교육 및 글쓰기 업무 비중이 더 높습니다.
• 1P API 사용은 자동화 중심: 비즈니스 활용의 77%가 자동화 패턴을 보이며, Claude.ai 사용자의 약 50%와 대비됩니다. 이는 API 사용의 프로그래밍적 특성을 반영합니다.
• 비즈니스 활용에서는 비용보다 성능이 더 중요: API 데이터에서 가장 많이 사용되는 업무는 사용 빈도가 낮은 업무보다 비용이 더 높은 경향이 있습니다. 전반적으로 가격 민감도는 낮은 것으로 나타났습니다. 모델 성능과 특정 업무를 자동화했을 때의 경제적 가치가 기업의 사용 패턴을 결정하는 더 큰 요인인 것으로 보입니다.
• 컨텍스트가 고도화된 활용의 제약 요인: 분석 결과, 복잡한 도메인에서 AI를 효과적으로 활용하려면 모델에 적절한 컨텍스트를 제공하는 것이 핵심적으로 중요합니다. 일부 기업에서는 상황 정보를 수집하기 위한 데이터 현대화 투자와 조직적 변화가 AI 도입의 병목이 될 수 있음을 시사합니다.

독립 연구 촉진을 위한 데이터 오픈소스 공개

이전 보고서와 마찬가지로, AI의 경제적 효과에 대한 독립적 연구를 지원하기 위해 기반 데이터를 오픈소스로 공개합니다. 이 종합 데이터셋에는 Claude.ai와 1P API 트래픽 모두의 업무 수준별 사용 패턴(O*NET 분류 체계 및 상향식 카테고리에 매핑), 업무별 협업 모드 분류, 그리고 방법론에 대한 상세 문서가 포함됩니다. 현재 지역별 사용 패턴은 Claude.ai 트래픽에 대해서만 제공됩니다.

이 데이터를 통해 다른 연구자들이 탐구할 수 있기를 바라는 핵심 질문들은 다음과 같습니다:

• AI 사용 및 도입이 지역 노동 시장의 근로자와 기업에 미치는 영향은 무엇인가?
• 국가별, 미국 내 지역별로 AI 도입을 결정하는 요인은 무엇인가? AI의 혜택이 이미 부유한 경제권에만 집중되지 않도록 하기 위해 무엇을 해야 하는가?
• 업무별 비용은 기업의 AI 배치 패턴에 어떤 역할을 하는가?
• 기업이 일부 업무는 자동화할 수 있고 다른 업무는 자동화하지 못하는 이유는 무엇인가? 이것이 어떤 유형의 근로자의 고용 전망에 긍정적 또는 부정적 영향을 미치는가?

1. Gallup 2025, AI Use at Work Has Nearly Doubled in Two Years.

2. Bick, Blandin, Deming, 2024 The Rapid Adoption of Generative AI에서는 AI 도입을 PC와 인터넷의 보급과 비교하며, Lewis & Severnini, 2020 Short- and long-run impacts of rural electrification: Evidence from the historical rollout of the U.S. power grid에서는 농촌 전기화가 경제적 성과에 미친 영향을 분석합니다.

3. Kalyani, Bloom, Carvalho, Hassan, Lerner and Ahmed Tahoun 2025 Diffusion of New Technologies.

4. Gordon, 2012 Is U.S. Economic Growth Over? Faltering Innovation Confronts the Six Headwinds에서는 20세기 전반과 후반의 혁신 기술과 그 생산성 영향을 비교합니다. Pritchett, 1997 Divergence, Big Time 에서는 현대 경제성장 시대로의 전환과 함께 나타난 경제적 격차 확대를 기록합니다.

5. Kremer, Willis, You, 2022 Converging to Convergence 에서는 최근 수십 년간의 성장 수렴 증거를 제시합니다. AI 기반 혁신 자동화의 성장 함의에 대해서는 Jones, Jones, and Aghion, 2017 Artificial Intelligence and Economic Growth를 참조하세요.

1장: Claude.ai 사용의 시간별 변화

개요

AI 채택이 시간에 따라 어떻게 진화하는지 이해하면, 생산성 향상부터 노동력 변화까지 경제적 파급 효과를 예측하는 데 도움이 됩니다. 2024년 12월~2025년 1월(첫 번째 보고서 'V1')부터 2025년 2~3월('V2'), 그리고 최신 데이터인 2025년 8월('V3')까지, 지난 8개월간 모델 성능과 제품 기능이 개선되고, 새로운 유형의 사용자가 유입되며, 활용 방식이 더욱 정교해지는 과정에서 AI 사용이 어떻게 변화했는지를 추적할 수 있습니다. 아래 제시하는 증거들은, 새로운 제품 기능이 기존 업무의 채택을 단순히 가속화한 것이 아니라 새로운 형태의 작업을 가능하게 했음을 시사합니다.

경제적 업무를 위한 Claude.ai 사용의 변화

교육 및 과학 업무의 상대적 비중이 지속 상승

컴퓨터 및 수학 관련 업무가 여전히 전체 사용의 36%로 최대 비중을 차지하지만, 지식 집약 분야에서 꾸준한 성장이 관찰됩니다. 교육지도 및 도서관 업무는 V1의 9%에서 V3의 12%로, 생명·물리·사회과학 업무는 6%에서 7%로 증가했습니다. 반면, 경영 및 재무 업무의 상대적 비중은 6%에서 3%로, 관리 업무는 5%에서 3%로 하락했습니다.

이러한 차이는 지식 종합과 설명이 필요한 업무에서 AI 활용이 기존 비즈니스 운영 업무보다 특히 빠르게 확산되고 있음을 시사합니다. Claude의 추론 능력이 이러한 유형의 업무에 더 큰 이점을 제공하기 때문일 수 있습니다.

새로운 기능이 사용 패턴을 변화시키고 있음

더 세분화된 수준에서 보면, V2와 V3 사이에 출시된 기능과 연관된 것으로 보이는 업무 구성 변화가 관찰됩니다. 예를 들어, 전자 소스 및 데이터베이스 검색이 크게 증가(0.03% → 0.49%)했는데, 이는 3월에 출시한 웹 검색 기능의 영향으로 보입니다. 인터넷 기반 리서치 업무(0.003% → 0.27%)의 증가 역시 4월에 출시한 Research 모드와 일치합니다.¹

그 외의 변화도 관찰됩니다. 교육 자료 개발 관련 업무는 1.3%p 증가하여 기존 0.2%에서 1.5%로 6배 이상 성장했는데, 이는 교육자 사이의 도입 확대를 반영할 수 있습니다.² 멀티미디어 문서 제작은 0.4%p 증가하여 0.16%에서 0.55%로 거의 3배 성장했는데, Claude.ai 내에서 전통적인 앱이나 AI 기반 앱을 제작하는 Artifacts 기능의 지속적 사용이 영향을 준 것으로 보입니다.

흥미로운 점은, 새로운 코드를 작성하는 업무 비중이 4.5%p 증가(4.1% → 8.6%)하여 2배 이상으로 뛰어오른 반면, 디버깅 및 오류 수정 업무는 2.8%p 감소(16.1% → 13.3%)했다는 것입니다. 코드 수정에서 코드 생성으로 순(net) 7.4%p의 전환이 일어난 셈입니다. 이는 모델의 신뢰성이 높아져, 사용자가 문제 해결에 들이는 시간은 줄이고 한 번의 상호작용으로 더 많은 것을 만들어내고 있음을 시사합니다.³

지시형 자동화의 가속화

이전 보고서와 마찬가지로, 사용자가 Claude를 무엇에 사용하는지뿐만 아니라 Claude.ai에서 Claude와 어떻게 협업하거나 업무를 위임하는지도 추적하고 있습니다.

큰 틀에서 Claude 사용 방식은 자동화(automation)와 증강(augmentation)으로 구분됩니다:

자동화는 업무 완수에 초점을 맞춘 상호작용 패턴입니다:

• 지시형(Directive): 사용자가 Claude에게 업무를 주면, Claude가 최소한의 추가 소통으로 완수
• 피드백 루프(Feedback Loops): 사용자가 업무를 자동화하되 필요 시 Claude에게 피드백을 제공

증강은 협업적 상호작용 패턴에 초점을 맞춥니다:

• 학습(Learning): 사용자가 Claude에게 다양한 주제에 대한 정보나 설명을 요청
• 업무 반복(Task Iteration): 사용자가 Claude와 협력하여 업무를 반복적으로 개선
• 검증(Validation): 사용자가 Claude에게 자신의 작업물에 대한 피드백을 요청

Claude.ai 대화에서 지시형 대화의 비중은 2024년 말 V1의 27%에서 V3의 39%로 급증했습니다. 이 증가는 주로 업무 반복과 학습 상호작용의 감소분에서 비롯되었으며, 자동화 패턴을 보이는 대화의 순(net) 비중이 상당히 증가했음을 의미합니다. 불과 8개월 만에 나타난 주목할 만한 변화입니다. 이번 보고서에서 처음으로 자동화 사용이 증강 사용을 초과했습니다.

한 가지 해석은, 모델 성능이 향상된 결과라는 것입니다. 모델이 사용자의 의도를 더 잘 파악하고 첫 번째 시도에서 높은 품질의 결과물을 생성할 수 있게 되면, 후속 수정의 필요성이 줄어듭니다. 지시형 사용의 급증은 AI에 완전한 업무를 위임하는 것에 대한 신뢰도 증가, 즉 일종의 실행을 통한 학습(learning-by-doing)의 결과일 수도 있습니다.⁴

지시형 사용의 증가가 모델 성능 향상 때문인지 실행을 통한 학습 때문인지에 따라 노동 시장에 대한 함의가 매우 달라질 수 있습니다. 더 발전된 모델이 단순히 자동화 가능한 업무의 범위를 확장하는 것이라면, 해당 업무를 수행하는 근로자가 대체될 위험이 커집니다. 반면, 지시형 사용의 증가가 실행을 통한 학습을 반영하는 것이라면, AI 기반 워크플로에 가장 잘 적응할 수 있는 근로자의 수요와 임금이 높아질 가능성이 큽니다. 즉, AI가 모든 근로자에게 동일한 영향을 미치는 것이 아니라, 기술 변화에 대한 적응력이 높은 근로자에게는 임금 상승을, 적응력이 낮은 근로자에게는 직업 불안정을 초래할 수 있습니다.⁵ 이는 향후 연구에서 중요하게 다뤄야 할 영역입니다.

향후 전망

V3 데이터는 AI 성능과 채택이 계속 진전되고 있음을 보여줍니다. 교육 및 과학 분야를 포함한 지식 기반 업무가 빠른 성장세를 이어가고 있으며, 새로운 제품 기능이 기존 업무의 단순 가속화가 아닌 새로운 유형의 작업을 가능하게 하고 있습니다.

가장 두드러진 점은, AI 시스템에 대한 업무 위임이 증가하고 있다는 것입니다. 이는 기술에 대한 사용자 신뢰도 향상과 기반 모델 성능의 개선이 복합적으로 작용한 결과일 수 있으며, 사용자 기반 자체의 변화가 영향을 미쳤을 수도 있습니다. 이 보고서의 다음 장에서는 처음으로 지역별 사용 분석을 제시하며, 앞으로 시간적 변화와 지역적 변화를 더 명확하게 분리할 수 있게 될 것입니다. 후속 보고서에서도 이러한 추세를 지속적으로 추적할 예정입니다.

1. "전자 소스(데이터베이스 또는 저장소) 또는 수동 소스에서 정보 검색"이 0.03%에서 0.49%로 증가했습니다. "인터넷 및 도서관 리서치 수행"은 0.003%에서 0.27%로 증가했습니다.

2. "develop instructional materials" 문자열을 포함하는 업무에서 산출한 통계입니다.

3. 빈도 변화가 0.2%p 이상인 업무를 대상으로 집계했습니다. 프로그래밍 생성 업무: "write new programs or modify existing programs" (1.5% → 4.9%), "design, build, or maintain web sites" (1.2% → 2.0%), "write, analyze, review, and rewrite programs" (1.2% → 0.5%), "develop new software applications" (0.06% → 0.6%), "develop transactional web applications" (0.1% → 0.3%), "develop application-specific software" (0.05% → 0.3%). 디버깅/오류 수정 업무: "modify existing software to correct errors" (2개 변형: 2.5% → 3.8% 및 4.8% → 2.7%), "correct errors by making appropriate changes" (3.0% → 2.1%), "perform initial debugging procedures" (2.0% → 0.9%), "diagnose, troubleshoot, and resolve hardware/software problems" (1.6% → 2.5%), "review and analyze computer printouts to locate code problems" (1.3% → 0.9%), "determine sources of web page or server problems" (0.9% → 0.4%).

4. V3에서는 분류에 Claude Sonnet 4를 사용한 반면, V2에서는 Sonnet 3.7을 사용하여 직접 비교에 주의가 필요합니다. 이를 검증하기 위해 V3 데이터를 Sonnet 3.7로 재분석한 결과, 지시형 상호작용이 여전히 유의미하게 증가한 것으로 나타났습니다(다만 절대 수준은 Sonnet 4의 49% 대비 45%로 다소 낮았습니다). 또한 이 추세가 업무 구성 변화에 의한 것이 아님을 확인했습니다. 지시형 상호작용으로의 전환은 광범위한 직업 카테고리에 걸쳐 나타나며, 구성 효과가 아닌 실제 사용 방식의 변화를 반영합니다.

5. Nelson and Phelps, 1966 Investment in Humans, Technological Diffusion, and Economic Growth는 변화에 적응하는 능력 함양에서 교육의 가치에 대한 고전적 참고문헌입니다. Goldin and Katz, 2008 The Race between Education and Technology도 참조하세요. Anton Korinek은 AI 자체가 과거 숙련 근로자가 담당했던 역할—즉 새로운 환경에서 기술을 효과적으로 활용하는 방법을 알아내는 역할—을 수행함으로써 AI의 확산과 경제적 영향을 가속화할 수 있다는 통찰을 제공했습니다.

2장: 미국 및 전 세계에 걸친 Claude 사용 분석

개요

AI가 어디에서 먼저 도입되고 어떻게 활용되는지가 전 세계 경제적 결과를 좌우합니다. 150개 이상 국가와 미국 전체 주에 걸친 Claude 사용 패턴을 분석한 결과, 세 가지 핵심 동향을 확인했습니다. 얼리어답터가 어디에 있는지, 무엇에 AI를 사용하고 있는지, 그리고 도입이 성숙해짐에 따라 사용 방식이 어떻게 진화하는지입니다. 이러한 지리적 패턴은 AI의 경제적 확산에 대한 실증적 근거를 제공하며, 각 지역의 AI 도입이 수렴하는지 발산하는지를 추적하고, 지역 경제의 특성이 기술 활용을 어떻게 형성하는지를 보여줍니다.

프라이버시를 보호하는¹ 방식으로 100만 건의 Claude.ai 대화를 분석한² 이번 데이터는 일부 예상을 확인하면서 다른 예상에는 도전합니다. 미국이 전체 사용의 21.6%로 가장 높은 비중을 차지하는 것은 국가 규모와 높은 소득을 감안하면 놀랍지 않습니다. 그러나 생산가능인구 규모를 보정해도 고소득 국가의 사용량이 높은 경향은 유지됩니다. 예를 들어, 싱가포르의 사용률은 생산가능인구 기준 기대치의 4.5배에 달하는 반면, 전 세계 상당 지역에서는 사용이 미미합니다. 흥미롭게도, 미국 내에서는 워싱턴 DC와 유타주가 1인당 사용량에서 캘리포니아를 앞서고 있습니다.

1인당 채택이 심화됨에 따라 AI 활용 분야도 변화하는 것을 관찰할 수 있습니다. 1인당 AI 채택률이 낮은 국가에서는 코딩 업무에 압도적으로 집중하는데, 인도에서는 전체 사용의 절반 이상을 차지하는 반면, 전 세계 평균은 약 3분의 1 수준입니다. 채택이 성숙해지면 사용 용도가 다양해지며, 교육, 과학, 비즈니스 운영 분야의 비중이 높아집니다.

더욱 눈에 띄는 점은, 성숙한 시장에서는 AI를 더 협업적으로 사용하는 반면, 신흥 시장에서는 AI에게 완전한 업무를 위임하는 경향이 더 강하다는 것입니다. 이는 구조적 전환의 서로 다른 단계에 있는 경제권에서 AI 활용 방식이 다름을 반영하는 것일 수 있습니다. 이 데이터는 이러한 지역별 패턴을 들여다볼 수 있는 창을 제공하며, 앞으로 이러한 채택 격차가 좁혀지는지, 벌어지는지, 또는 구조적으로 변화하는지를 추적할 수 있게 해줍니다.

전 세계에 걸친 Claude의 확산

총 사용량 기준으로 미국이 1위

Claude의 채택은 전반적으로 지리적으로 매우 편중되어 있습니다. 전 세계 총 사용량에서 미국이 21.6%로 가장 높은 비중을 차지하며, 그 뒤를 잇는 국가들의 비중은 크게 낮습니다(인도 7.2%, 브라질 3.7%, 그림 2.1 참조). 다만 이러한 편중은 각국의 인구 규모에 영향을 받습니다³. 인구가 많은 국가는 단순히 인구 규모 때문에 사용 비중이 높을 수 있기 때문입니다.

1인당 Claude 사용은 기술 선진국에 집중

인구 규모 차이를 보정하기 위해, 생산가능인구 대비 사용량을 분석하고 Anthropic AI Usage Index(AUI)라는 새로운 지표를 도입합니다. 각 지역에 대해 Claude 사용 비중과 생산가능인구(15~64세) 비중을 산출한 뒤, 이를 나누어 AUI를 계산합니다:

이 지표를 통해 각국이 생산가능인구 대비 기대치보다 Claude를 더 많이 또는 더 적게 사용하고 있는지를 파악할 수 있습니다. AUI > 1이면 인구 보정 후 기대치보다 사용량이 높은 것이고, AUI < 1이면 기대치보다 낮은 것입니다.

분석 결과, 소규모 기술 선진 경제권에 사용이 뚜렷하게 집중되어 있습니다. 이스라엘이 AUI 7로 전 세계 1인당 Claude 사용을 선도하고 있으며, 이는 생산가능인구 기준 기대치의 7배에 해당합니다. 싱가포르(4.57), 호주(4.10), 뉴질랜드(4.05), 한국(3.73)이 1인당 Claude 사용 상위 5개국을 구성합니다.

다음으로, AUI 기반 1인당 사용 등급을 설정합니다. 100만 건 무작위 샘플에서 대화 200건 이상인 국가를 대상으로 사분위 기준의 등급 임계값을 설정합니다: 선도(Leading)(상위 25%), 중상위(Upper Middle)(50~75%), 중하위(Lower Middle)(25~50%), 신흥(Emerging)(하위 25%). 이후 관측값이 200건 미만인 국가를 포함하여 AUI에 따라 등급을 배정합니다. 인구 데이터는 있지만 샘플에서 사용 기록이 없는 국가는 최소(Minimal) 등급으로 분류합니다.⁴ 그림 2.3은 전 세계에 걸친 Anthropic AI Usage Index 등급을, 표 2.1은 등급 개요와 국가 예시를 보여줍니다.

1인당 사용 기준 선도 국가와 신흥 국가 세부 분석

이러한 소규모 선진 경제권 집중 현상은 기술 선도국으로서의 기존 입지를 반영합니다. 예를 들어, 이스라엘과 싱가포르 모두 각국 경제의 혁신 역량을 측정하는 글로벌 혁신 지수(Global Innovation Index)에서 높은 순위를 기록하고 있어, 정보기술에 대한 전반적인 투자가 프런티어 AI의 빠른 도입에 유리한 조건을 만든다는 점을 시사합니다. 전반적으로 이들 경제권은 높은 교육 수준의 인력, 탄탄한 디지털 인프라, 혁신 친화적 정책을 활용하여 AI 도입에 유리한 환경을 조성하고 있습니다.

주요 선진국의 Claude 사용 순위도 주목할 만합니다. 미국(3.62)은 1인당 채택 기준 선도국에 속하며, 캐나다(2.91)와 영국(2.67)은 인구 대비 상당히 높지만 비교적 완만한 채택률을 보입니다. 다른 주요 경제국의 채택률은 더 낮아, 프랑스 1.94, 일본 1.86, 독일 1.84 수준입니다.

반면, 많은 중저소득 경제권에서는 Claude 사용이 미미하며, 아프리카, 중남미, 아시아 일부 지역의 다수 국가에서 생산가능인구 기준 기대치 이하의 채택률을 보입니다. 볼리비아(0.48), 인도네시아(0.36), 인도(0.27), 나이지리아(0.2) 등이 이에 해당합니다.

이러한 사용량 편차는 경제권 간 소득 차이를 반영합니다. Claude 채택과 생산가능인구 대비 GDP(국내총생산) 사이에 강한 양의 상관관계가 관찰되며(그림 2.4 참조), 1인당 GDP가 1% 증가하면 1인당 Claude 사용량이 0.7% 증가하는 연관성이 있습니다.

Claude 사용의 이러한 격차는 소득과 상관관계가 있는 여러 요인이 복합적으로 작용한 결과일 가능성이 큽니다:

• 디지털 인프라: 사용량이 높은 국가는 대체로 AI 어시스턴트에 접근하는 데 필요한 안정적인 인터넷 연결과 클라우드 컴퓨팅 환경을 갖추고 있습니다.
• 경제 구조: 이 보고서와 이전 보고서에서 분석한 바와 같이, Claude의 기능은 지식 노동자에게 전형적인 다양한 업무에 적합합니다. 선진 경제국은 제조업 고용 비중이 높은 저소득 경제국에 비해 이러한 직종의 인력 비중이 높은 경향이 있습니다.
• 규제 환경: 각국 정부마다 다양한 산업에서의 AI 사용 장려 정도와 기술 규제의 강도가 다릅니다.
• 인지도 및 접근성: 실리콘밸리와 AI 연구 커뮤니티와의 연결이 강한 국가일수록 Claude에 대한 인지도와 접근성이 높을 수 있습니다.
• 신뢰도 및 수용도: AI에 대한 대중의 신뢰는 국가별로 상당한 차이를 보입니다.

미국 내 Claude 확산

미국 내에서는 캘리포니아가 25.3%로 사용량을 압도적으로 선도하고 있습니다. 뉴욕(9.3%), 텍사스(6.7%), 버지니아(4.0%) 등 주요 테크 허브가 있는 주도 높은 순위를 기록합니다. 인구 보정 전 수치이지만, 이러한 높은 채택 수준은 기술 허브에서의 빠른 도입을 부분적으로 반영하는 것으로 보이며, 이는 경제적 파급력이 큰 기술의 역사적 확산 방식과 일치합니다.

그러나 각 주의 인구 규모를 보정하면 양상이 더 복잡해집니다. 놀랍게도, 워싱턴 DC가 AUI 3.82로 선두를 차지하며, 이는 DC의 Claude 사용이 전국 생산가능인구 대비 비중의 3.82배에 해당함을 의미합니다. 유타주(3.78)가 바짝 뒤를 쫓으며, 캘리포니아(2.13), 뉴욕(1.58), 버지니아(1.57)를 크게 앞서고 있습니다.⁷

미국 주 간에도 Claude 채택과 1인당 소득 사이에 유사하지만 전 세계 수준보다는 약한 상관관계가 관찰됩니다. 소득 차이는 주 간 채택률 변이의 절반도 설명하지 못합니다. 그럼에도 불구하고, Claude 채택은 소득과 함께 더 빠르게 증가합니다. 주별 1인당 GDP가 1% 증가할 때 AI Usage Index는 1.8% 증가하는 연관성이 있습니다.

국가별 업무 사용 패턴

국가별로 Claude가 어떻게 사용되는지 주목할 만한 차이가 관찰됩니다. 이전 보고서와 마찬가지로 두 가지 접근법으로 분석합니다. 첫째, 미국의 직업 분류 체계인 O*NET에 따라 대화를 업무로 분류합니다. 이 체계는 특정 업무를 직업 및 직업군에 매핑합니다(예: 소프트웨어 디버깅 업무는 컴퓨터 및 수학 직업군에 해당).

둘째, Claude를 활용하여 Claude.ai에서의 사용자 요청에 대한 상향식(bottom-up) 분류 체계를 구축합니다. 이를 통해 기존 분류 체계에 깔끔하게 맞지 않는 사용 패턴도 파악할 수 있습니다. 예를 들어, "입사지원서용 자기소개서 작성 및 개선 지원"(최하위 수준) 요청 클러스터는 "입사지원서, 이력서, 커리어 관련 문서 지원"(중간 수준)으로 집약되고, 이는 다시 "입사지원서, 이력서, 커리어 발전 지원"(최상위 수준)으로 집약됩니다. 이 두 가지 상호보완적 접근법을 통해 표준 노동 통계와 정합성 있는 결과를 보고하면서도, 표준 분류 체계가 놓치는 업무까지 유연하게 포착할 수 있습니다.

1인당 Claude 사용이 높을수록 업무 활용의 다양성도 증가

O*NET 업무를 최상위 수준(표준직업분류 직업군 기준)으로 집계하여 분석하면, 국가 간에 뚜렷한 차이가 나타납니다. 전체적인 패턴에는 잡음이 있지만—특히 관측값이 적은 국가에서—그림 2.7은 1인당 Claude 채택이 낮은 국가에서 높은 국가로 갈수록, 컴퓨터 및 수학 직업군(예: 프로그래밍) 업무에서 교육, 사무 및 행정, 예술 등 더 다양한 업무로 사용이 전환되고 있음을 시사합니다. 생명·물리·사회과학 분야의 사용 증가도 확인됩니다.

상향식 요청 분류 체계에서도 국가별 특성이 드러납니다.⁸ 예를 들어, Anthropic AI Usage Index 각 등급에서 총 사용량이 가장 높은 국가인 미국, 브라질, 베트남, 인도를 살펴보겠습니다. 미국 사용자는 전 세계 평균 대비 가정 관리, 구직, 의료 상담 관련 Claude 사용 비중이 높습니다. 반면, 브라질의 Claude 사용자는 번역과 법률 서비스에서 비교적 높은 사용 비중을 보입니다. 베트남의 두드러진 요청은 소프트웨어 개발과 교육 관련이며, 인도의 두드러진 요청은 거의 전적으로 소프트웨어 개발에 집중됩니다. 이는 해당 지역의 산업 특화를 반영하는 것으로 보입니다. 브라질은 사법 시스템에서 AI를 일찍 도입한 국가이며, 인도는 대규모 정보기술 분야를 보유하고 있습니다.

모든 국가에 걸쳐 소프트웨어 개발이 Claude의 가장 일반적인 용도로 나타납니다. 개발자 업무가 전체 Claude 사용에서 일관되게 1위를 차지하는 이유는 무엇일까요? 여러 요인이 복합적으로 작용하는 것으로 보입니다:

• 모델-업무 적합성: Claude는 매우 뛰어난 코딩 모델이며, 코드 생성, 디버깅, 기술 문제 해결 업무에 바로 활용할 수 있습니다.
• 개발자의 높은 수용성: 개발자 커뮤니티는 새로운 도구를 빠르게 받아들이며, 이러한 사용이 전문적·사회적 네트워크를 통해 확산됩니다.
• 낮은 조직적 장벽: 개별 개발자는 복잡한 승인 절차 없이 Claude를 도입할 수 있습니다. 의료 분야 등과 달리 진입 장벽이 낮습니다.

미국 주별 업무 사용 패턴

이 절에서는 미국 내 주별 Claude 사용 패턴을 살펴보며, 지역 경제 여건이 사용 패턴을 어떻게 형성하는지에 대한 추가적인 인사이트를 제공합니다. 앞서 논의한 바와 같이, 미국 주 간 Anthropic AI Usage Index 차이가 소득 차이의 절반도 설명하지 못합니다. 이는 Claude의 기능이 지역 노동력의 직업 구성과 얼마나 잘 맞는지를 포함한 다른 지역적 차이가 특정 주에서 사용이 더 집중되는 이유를 결정하는 데 더 큰 역할을 한다는 것을 시사합니다.

여러 주에서 지역 경제의 고유한 특성과 AI 사용 패턴이 일치하는 증거를 확인할 수 있습니다. 각 사용 등급에서 상위 주—선도 등급의 캘리포니아, 중상위의 텍사스, 중하위의 플로리다, 신흥의 사우스캐롤라이나—를 분석하면, 상향식 요청 분류 체계에서 뚜렷한 차이가 나타납니다(그림 2.9 참조).

예를 들어, 캘리포니아에서는 IT 관련 요청, 디지털 마케팅, 번역에서 과대표가 나타나는데, 이는 테크 산업과 언어적으로 다양한 인구를 반영하는 것으로 보입니다. 캘리포니아에서는 기본적인 수치 연산 지원 요청도 비정상적으로 높은데, 이는 모델 성능 테스트나 오용을 나타낼 수 있습니다. 플로리다에서는 비즈니스 조언과 피트니스 관련 사용 비중이 높은데, 이는 낮은 세율의 금융 허브로서의 역할과 야외 활동에 적합한 온난한 기후와 관련이 있을 수 있습니다.

미국 내에서 워싱턴 DC는 1인당 Claude 사용에서 선두를 차지하며, O*NET 업무 분류와 상향식 분류 모두에서 문서 편집, 정보 제공, 입사지원 관련 사용 비중이 특히 높습니다(그림 2.10 참조). 예를 들어, 입사지원 관련 도움 요청이 DC에서는 미국 전체 대비 1.84배 높습니다. 인터랙티브 대시보드에서 미국 주별 전체 패턴과 변이를 직접 탐색할 수 있습니다.

인간-AI 협업의 지리적 패턴

앞선 절에서는 사람들이 Claude를 어떤 업무에 사용하는지를 살펴보았다면, 이 절에서는 Claude와 어떻게 상호작용하는지에서 나타나는 패턴을 분석합니다. 여기서는 1장에서 정의한 것과 동일한 증강 및 자동화 협업 패턴을 사용합니다.

국가마다 업무 구성이 다르기 때문에, 주력하는 경제적 업무가 다르며 이로 인해 자동화 패턴의 차이가 부분적으로 설명될 수 있습니다. 이 절에서는 업무 구성의 차이를 통제한 뒤에도, 1인당 채택이 낮은 경제권과 높은 경제권 간에 자동화 사용이 체계적으로 다른지를 분석합니다.⁹

분석 결과, 국가의 업무 구성을 통제하더라도 서로 다른 국가의 사용자들은 자율적 위임과 협업적 상호작용에 대해 뚜렷한 선호 차이를 보입니다. 1인당 Claude 사용이 증가할수록, 국가의 사용 방식이 자동화 중심에서 증강 중심으로 전환됩니다. 국가 간 다양한 업무 구성을 통제한 상태에서 나타나는 결과라는 점에서 다소 직관에 반하는 측면이 있습니다. 문화적·경제적 요인이 자동화 비중에 영향을 미치거나, 각국의 얼리어답터가 AI를 더 자동화된 방식으로 사용하는 경향이 있을 수 있지만, 더 많은 연구가 필요합니다.

결론

전 세계에 걸친 Claude 사용 패턴 분석에서 몇 가지 핵심 인사이트가 도출됩니다. 가장 두드러진 것은 Claude 사용의 지리적 편중입니다. 총 사용량에서 미국과 캘리포니아의 선도적 위치, 그리고 1인당 Claude 사용과 소득 간의 강한 상관관계는 초기 지리적 편중과 특화된 사용이 핵심적 특징이었던 과거 기술들과의 유사성을 시사합니다. 이전 기술의 확산 패턴과의 비교는 AI의 확산과 경제적 영향을 더 잘 이해하는 데 도움이 될 수 있습니다.

놀랍게도, 지리적 요인은 AI 도구가 무엇에 사용되는지뿐만 아니라 어떻게 사용되는지에도 영향을 미칩니다. 1인당 사용이 상대적으로 낮은 경제권의 사용자는 Claude에게 업무를 위임하는 것(자동화)을 선호하는 반면, 1인당 사용이 높은 경제권의 사용자는 업무 구성을 통제한 후에도 Claude와의 협업적 또는 학습 기반 상호작용(증강)을 더 선호하는 경향이 있습니다. 업무 사용의 지역 특화와 마찬가지로, AI 협업 패턴의 지역 특화는 AI의 영향이 지역마다 매우 다를 수 있음을 시사합니다.

AI 채택의 지리적 패턴—어디에서, 어떤 업무에, 어떻게 사용되는지—은, AI의 잠재력이 전 세계 사람들에게 혜택을 주기 위해서는 정책 입안자들이 AI 사용 및 도입의 지역적 편중에 주의를 기울이고, 디지털 격차 심화의 위험에 대응해야 함을 시사합니다.

1. 프라이버시 보호를 위해, 자동 분석 시스템은 대화 15건 미만 및 고유 사용자 계정 5개 미만인 모든 셀(예: 국가, (국가, 업무) 교차)을 필터링합니다. 상향식 요청 클러스터의 경우, 최소 500건 이상의 대화와 250개 이상의 고유 계정이라는 더 높은 프라이버시 필터를 적용합니다.

2. 이 절의 데이터는 2025년 8월 4일부터 11일까지의 Claude.ai Free 및 Pro 대화 100만 건을 다루며, 해당 기간 중 신뢰 및 안전 위반 가능성으로 플래그된 대화를 제외한 전체 대화에서 무작위 샘플링했습니다. 관측 단위는 사용자가 아닌 Claude.ai에서의 개별 대화이므로, 동일 사용자의 여러 대화가 포함될 수 있습니다. 다만 이전 연구에 따르면, 대화를 무작위로 샘플링하는 것과 사용자별 층화 샘플링 간에 실질적으로 다른 결과가 나타나지 않습니다. 국가 및 미국 주 수준의 집계 지역 통계는 각 대화의 IP 주소로부터 산출 및 집계했습니다. 지리적 위치 식별에는 IP 지오로케이션 제공업체가 사용하는 표준인 ISO-3166 코드를 사용합니다. 국제 위치에는 ISO-3166-1 국가 코드를, 미국 주 수준 데이터에는 미국 50개 주와 워싱턴 DC를 포함하는 ISO-3166-2 지역 코드를 사용합니다. IP 지오로케이션 제공업체가 판별한 VPN, 애니캐스트 또는 호스팅 서비스에서 발생한 대화는 제외했습니다.

3. 국제 위치에는 국가 및 일부 영토를 포함하는 ISO-3166-1 국가 코드를 사용합니다.

4. 등급 임계값(사분위)은 전 세계 수준에서는 관측값 200건 이상인 국가를, 미국 수준에서는 관측값 100건 이상인 주를 기준으로 설정했습니다. 사용 기록이 관측되지 않은 국가는 최소(Minimal) 등급으로 분류하는데, 실제로 사용이 전혀 없는 것인지 아니면 소량의 사용이 무작위 샘플에 포착되지 않은 것인지 알 수 없기 때문입니다. 소규모 국가와 주에 대한 제한된 관측치의 정확도를 높이기 위해, 향후 층화 샘플링 등의 방법을 활용할 예정입니다.

5. 세계 지도는 분쟁 영토에 대해 ISO 표준 관점을 적용한 Natural Earth의 세계 지도를 기반으로 하며, 이에 따라 일부 분쟁 영토가 포함되지 않을 수 있습니다. 회색으로 표시된 국가("Claude 이용 불가") 외에, 우크라이나의 크림반도, 도네츠크, 헤르손, 루한스크, 자포리자 지역에서도 서비스를 운영하지 않습니다. 국제 제재 및 우크라이나의 영토 주권 지지에 따라, 러시아 점령 지역에서는 서비스를 제공하지 않습니다.

6. "데이터 없음"은 데이터가 부분적으로 누락된 국가에 해당합니다. 일부 영토(예: 서사하라, 프랑스령 기아나)는 자체 ISO-3611 코드를 보유합니다. 이 중 일부는 사용이 있고 일부는 없습니다. Anthropic AI Usage Index는 세계은행의 생산가능인구 데이터를 기반으로 1인당 기준으로 산출되는데, 이러한 영토 모두에 대해 인구 데이터가 쉽게 확보되지 않으므로 AUI를 계산할 수 없습니다.

7. 유타주의 활동을 추가 조사한 결과, 사용의 상당 부분이 조직적 오용과 관련된 것으로 보입니다. 이는 평균보다 훨씬 높은 "지시형" 자동화 점수에도 반영됩니다. 다만, 강건성 검증(robustness check)을 실시했으며 이러한 활동이 전체 결과를 좌우하지 않는 것으로 판단합니다.

8. 전 세계 수준과 해당 지역 수준 모두에서 최소 1% 이상의 빈도를 가진 요청만 필터링했습니다.

9. 업무 구성 차이를 보정하고 자동화 선호도와 Claude 사용 간의 관계를 분리하기 위해 다음과 같은 절차를 수행했습니다. 먼저, 가중 평균을 통해 각 국가의 기대 자동화 비율을 계산합니다. 각 O*NET 업무(예: 코딩, 글쓰기, 분석)에 대해, 해당 업무가 차지하는 국가 내 사용 비중에 해당 업무의 전 세계 자동화율(Claude가 지시형/피드백 루프 패턴으로 완수하는 비율)을 곱합니다. 이를 합산하면 해당 국가의 특정 업무 구성을 감안한 기대 자동화 비율이 도출됩니다. 그런 다음 실제 자동화 비율과 AUI를 이 기대 자동화 비율에 각각 회귀합니다. 이 회귀의 잔차는 업무 구성으로 설명할 수 없는 각 변수의 변이를 나타냅니다. 이 잔차 간의 관계(편회귀분석)를 검토함으로써, 업무 구성이 예측하는 수준보다 AI 사용이 높은 국가가 예측 수준보다 자동화도 높은 경향이 있는지를 판별할 수 있습니다.

3장: API를 통한 기업의 Claude 활용

개요

프런티어 AI 역량이 생산성을 높이고, 노동 시장을 재편하며, 성장을 가속화할 수 있을지 여부는 기업이 언제, 어떻게 AI를 배치하느냐에 달려 있습니다. 기업이 AI의 잠재력을 인식하더라도, 이를 수익성 있게 도입하려면 생산 프로세스의 비용이 수반되는 재구축, 신규 인력 교육, 효과적인 배치를 위한 기타 매몰비용 투자가 필요할 수 있습니다.¹

기업의 AI 도입 패턴을 이해하기 위해, 새로운 데이터 소스인 Anthropic의 자사(1P) API 고객 데이터를 역시 프라이버시를 보호하는 방법으로 분석합니다.² API를 통해 고객은 Claude를 자사 제품과 애플리케이션에 직접 통합할 수 있으며, 정액 구독료가 아닌 사용 토큰 기준으로 과금됩니다. 이는 이전 두 장에서 다룬 Claude.ai와는 근본적으로 다른 제품 경험입니다.

조직적 관성과 도입 고정비용을 감안하면, 초기 기업의 AI 활용은 배치가 용이하고, 성능이 안정적이며, 도입의 경제적 이점이 높은 특화된 업무에 집중될 가능성이 높습니다.

실제로, 이 장에서 제시하는 데이터에서 이러한 경향이 확인됩니다. 분석을 통해 몇 가지 패턴이 도출되었습니다:

• 기업은 개인 사용자와 유사하면서도 더 특화된 방식으로 Claude를 사용: 기업은 코딩이나 관리 업무처럼 프로그래밍 방식의 접근에 적합한 업무에 사용을 집중합니다. Claude.ai 사용자에 비해, 교육이나 창작 업무에는 덜 사용하고 전반적으로 더 자동화된 방식을 채택합니다.
• API 고객은 비용이 높은 업무를 더 선호: 업무별 비용 편차가 크지만, 가장 비용이 높은 업무가 오히려 사용량이 더 많습니다. 이는 모델 성능, 배치 용이성, 자동화의 경제적 가치가 상호작용 비용보다 도입 결정에 훨씬 큰 영향을 미침을 시사합니다.
• 정교한 활용에는 적절한 컨텍스트 정보 접근이 필수: 기업의 AI 활용에서 중요한 잠재적 병목의 증거를 발견했습니다. 복잡한 업무에 Claude를 사용하는 API 고객은 긴 입력을 제공하는 경향이 있습니다. 이는 분산되어 있거나 디지털화되지 않은 컨텍스트에 의존하는 주요 업무의 경우, 기업의 광범위한 AI 배치에 장벽이 될 수 있음을 의미합니다. 이러한 병목을 해소하려면 기업이 조직을 재구조화하고, 새로운 데이터 인프라에 투자하며, 효과적인 모델 배치를 위해 정보를 중앙화해야 할 수 있습니다.

배경: 공개 데이터를 통해 본 AI 도입 현황

API 데이터를 분석하기 전에, 기업 AI 도입의 전반적 현황을 먼저 살펴볼 필요가 있습니다. 미국 인구조사국(Census Bureau)의 기업 동향 및 전망 설문조사(Business Trends and Outlook Survey)에 따르면, 미국 기업의 AI 도입률은 2023년 가을 3.7%에서 2025년 8월 초 9.7%로 2년 만에 2배 이상 증가했습니다(그림 3.1).³ 빠른 성장세에도 불구하고, 미국 기업의 대다수는 여전히 생산 과정에서 AI를 사용하지 않고 있습니다.

그러나 이러한 전체 수치는 산업 간 큰 편차를 감추고 있습니다. 예를 들어, 2025년 8월 초 기준 정보(Information) 산업에서는 기업 4곳 중 1곳이 AI를 사용한다고 보고한 반면, 숙박·음식 서비스업에서는 그 비율이 대략 10분의 1 수준에 불과합니다.⁴

공개 데이터가 보여주는 그림은 명확합니다. 기업의 AI 사용은 빠르게 성장하고 있지만, 아직 AI 도입의 초기 단계에 있습니다. 사용은 경제 전반에 고르지 않게 분포하고 있으며, 이 기술을 빠르게 도입하고 활용할 수 있는 산업이 먼저 실행에 옮기고 있습니다.

아래에서 살펴볼 1P API 데이터도 이와 보완적인 결론을 내립니다. 초기 기업의 Claude 사용 역시 경제 전반에 고르지 않게 분포하며, 정보 산업 직종에 전형적인 업무에 주로 배치되고 있습니다.

Anthropic API 고객의 특화된 활용

API 트래픽 분석에는 이전 장과 동일한 프라이버시 보호 분류 방법을 적용합니다. 익명화된 API 트랜스크립트를 O*NET 업무로 분류하고 상향식 분류 체계에도 매핑합니다. 분석 결과, 기업 사용은 자동화에 특히 적합한 특화 업무에 집중되어 있음이 확인됩니다.

전체적으로 소프트웨어 개발이 압도적 비중을 차지합니다. 전체 API 트래픽의 약 절반을 차지하는 상위 15개 사용 클러스터 중 대부분이 코딩 및 개발 업무와 관련됩니다. 웹 애플리케이션 디버깅과 기술 문제 해결이 각각 약 6%를 차지하며, 전문적인 비즈니스 소프트웨어 구축도 상당한 비중을 차지합니다. 특히 API 트래픽의 약 5%는 AI 시스템 자체의 개발 및 평가에 집중되고 있습니다(그림 3.2).

하지만 API 사용이 코딩에만 국한되는 것은 아닙니다. API 고객은 마케팅 자료 제작(4.7%)과 비즈니스 및 채용 데이터 처리(1.9%)에도 Claude를 활용합니다. 이 두 카테고리는 AI가 재화와 서비스의 직접적인 생산뿐 아니라 인재 확보와 외부 커뮤니케이션에도 배치되고 있음을 보여줍니다.

O*NET 분류로 보면 이러한 패턴이 더욱 명확해집니다. 전체 API 트래픽의 거의 절반이 컴퓨터 및 수학 업무에 매핑되며, 이는 Claude.ai 사용보다 8%p 이상 높습니다. 사무 및 관리 업무가 트랜스크립트의 약 10%로 2위를 차지하는데, 이는 자동화에 적합한 업무 특성을 반영합니다.

반면, Claude.ai에서 비중이 높았던 여러 상호작용 중심 업무는 API 사용에서 훨씬 낮은 비중을 보입니다. 교육 및 도서관 업무는 12.3%에서 3.6%로, 예술 및 엔터테인먼트는 8.2%에서 5.2%로 감소합니다.

그러나 많은 직업 카테고리에서 Claude.ai와 API 데이터 간의 비중은 상당히 유사하며, 이는 특정 제품 인터페이스보다 기반 모델의 성능이 많은 경우 도입을 좌우한다는 점을 시사합니다.

직업별 분절 vs. 업무별 특화

서로 다른 사용자와 인터페이스를 대상으로 함에도 불구하고, API와 Claude.ai의 사용은 업무 전반에 걸쳐 놀라울 정도로 유사한 멱법칙 분포를 따릅니다. Claude.ai 대화에서 하위 80% 업무 카테고리의 사용은 전체의 12.7%에 불과하며, API 고객의 경우 10.5%로 다소 더 집중되어 있습니다(그림 3.4). 이러한 극단적 집중도(지니 계수⁵ 0.84 및 0.86)는 AI-업무 적합도의 막대한 편차를 보여줍니다. 가장 적합한 업무의 사용량은 적합도가 낮은 업무에 비해 수십, 수백 배에 달합니다.

특히 주목할 점은 서로 다른 사용자 기반과 활용 사례를 가진 두 플랫폼에서 유사한 집중도가 나타난다는 것입니다. 이는 AI 성능과 관련 경제적 업무를 매칭하는 공통적인 과정이 존재함을 시사합니다.

코드 생성 같은 업무가 지배적인 이유는, 모델 성능이 뛰어나고, 배치 장벽이 낮으며, 직원이 새로운 기술을 빠르게 도입할 수 있는 최적점에 위치하기 때문입니다. 사용이 적은 긴 꼬리의 업무는 여러 요인을 반영할 수 있습니다.⁶ 예를 들어, 일부 업무는 단순히 빈도가 낮습니다—소프트웨어 디버깅은 서커스 계약 협상보다 훨씬 자주 발생합니다. 이러한 극단적 집중은 O-Ring⁷ 효과의 잠재적 역할도 시사합니다. 어떤 업무가 Claude가 처리할 수 없는 수준의 추론을 필요로 하거나, 기업이 접근할 수 없는 내부 데이터를 요구하거나, 아직 존재하지 않는 규제 승인이 필요한 경우, 단 하나의 장벽만으로도 도입이 차단될 수 있습니다.

API 트랜스크립트에서의 자동화 vs. 증강

API와 Claude.ai 사용 간의 가장 명확한 차이는 인간과 AI가 작업을 어떻게 나누느냐에 있습니다. 기업이 Claude를 자사 애플리케이션에 내장할 때, 대체로 반복적 협업보다는 개별 업무를 위임하는 방식을 택합니다.

분석 데이터에서 API 트랜스크립트의 77%가 자동화 패턴(특히 완전한 업무 위임)을 보이는 반면, 증강(예: 협업적 개선 및 학습)은 12%에 그칩니다. Claude.ai에서 샘플링한 대화를 기준으로는 자동화와 증강의 비율이 거의 반반입니다. 경제적 업무별로 보면, API를 통한 Claude 자동화의 비중은 더욱 극명합니다. API 사용에서 97%의 업무가 자동화 우세 패턴을 보이는 반면, Claude.ai에서는 47%에 불과합니다(그림 3.6).

이는 직관적으로 타당합니다. 프로그래밍 방식의 API 접근은 본질적으로 자동화에 적합합니다. 기업이 컨텍스트를 제공하면, Claude가 업무를 실행하고, 결과물이 최종 사용자나 후속 시스템으로 바로 전달됩니다.

이러한 패턴은 경제적으로 파급력 있는 기술이 변혁적으로 작용하는 방식과 맥을 같이합니다. 전문적인 기술 없이도 근로자가 생산성 향상에 접근할 수 있도록 시스템에 내장되는 것입니다. 증강과 자동화 모두 인간의 역량을 강화하지만, 시스템 수준의 자동화는 경제 전반에 걸쳐 더 큰 생산성 향상과 더불어 노동 시장에 더 중대한 변화를 가져올 가능성이 높습니다. 일부 업무를 완전히 자동화하고, 각 직업에서 중요한 업무의 구성을 바꾸며, 완전히 새로운 형태의 일을 만들어낼 수도 있습니다.

Claude가 더 많은 일을 할수록, 더 많은 정보가 필요하다

API 고객이 일부 업무에 Claude를 더 많이 사용하는 이유는 무엇일까요? 기반 모델 성능 외에, 일부 업무에서는 성공적인 배치에 필요한 정보를 Claude에 제공하기가 더 쉽다는 것이 중요한 설명 변수일 수 있습니다.

예를 들어, 복잡한 소프트웨어 개발 프로젝트에서 모듈을 리팩토링하려면, Claude가 어디를 어떻게 수정해야 하는지 이해하기 위해 전체 코드베이스를 읽거나 최소한 탐색해야 할 수 있습니다. 중앙화된 코드 저장소가 있는 소프트웨어 개발에서는 이러한 정보 접근이 원칙적으로 간단합니다.

반면, 다른 업무에서는 적절한 컨텍스트를 쉽게 확보할 수 없거나 접근이 어려울 수 있습니다. 예를 들어, 핵심 고객을 위한 영업 전략 수립을 Claude에 맡기려면, CRM(고객관계관리) 시스템의 정보뿐만 아니라 영업 담당자, 마케터, 외부 관계자의 머릿속에 있는 암묵적 지식까지 Claude가 접근할 수 있어야 합니다. 다른 조건이 같다면, 이러한 컨텍스트 정보에 접근하지 못하면 Claude의 역량은 떨어집니다.

이 문제를 탐구하기 위해, 업무별 평균 API 입력 길이(Claude에 제공되는 컨텍스트)와 Claude의 평균 출력 길이(모델이 생성하는 응답) 간의 관계를 분석합니다.⁸

샘플 내 각 O*NET 업무에 대해 관련 API 트랜스크립트의 평균 입력 및 출력 길이를 계산하고, 이를 샘플 내 전체 업무의 평균 길이로 나눕니다. 이를 통해 각 업무의 입력 토큰 지수와 출력 토큰 지수를 산출합니다. 예를 들어, 지수 값 1.5는 해당 업무의 API 트랜스크립트가 전체 업무 평균보다 50% 길다는 의미입니다.

업무에 따라 Claude API 출력 길이에 상당한 편차가 있습니다. 예를 들어, 출력 길이 90번째 백분위수의 업무는 10번째 백분위수의 업무보다 4배 이상 깁니다. 표 3.1은 분포의 해당 위치에 있는 O*NET 업무 예시와 Claude Sonnet 4가 요약한 업무 그룹의 특성을 보여줍니다.⁹ 그림 3.7은 출력 길이가 직업 카테고리별로도 체계적으로 달라짐을 보여줍니다.

Claude의 업무 평가에서 눈에 띄는 점은, 출력이 긴 업무일수록 점차 복잡한 활용을 나타내는 경향이 있다는 것입니다. 물론 출력 길이가 업무 복잡도의 모든 차원을 포착하는 것은 아니지만, 합리적이고 쉽게 측정할 수 있는 대리 지표로 보입니다.

API 고객은 입력 토큰과 출력 토큰 모두에 대해 한계 비용을 지불하므로, 모델 프롬프트를 최적화하여 입력과 출력 토큰을 최소화할 유인이 있습니다. 따라서, 입력 길이와 Claude의 출력 간에 나타나는 체계적 관계는 정교한 업무에 Claude를 배치할 때의 기저 컨텍스트 제약을 부분적으로 포착합니다. 다시 말해, API 고객은 목표 달성에 딱 필요한 만큼의 컨텍스트만 제공하는 것이 경제적으로 합리적이며, 이를 통해 다양한 출력 길이의 업무에 대한 컨텍스트 요구 사항을 파악할 수 있습니다.

업무 전반에 걸쳐, API 고객이 Claude에 제공하는 컨텍스트의 양과 Claude가 실제로 생산하는 출력의 양 사이에 매우 안정적인 관계가 관찰됩니다. 경제적 업무 전반에서 입력 길이가 1% 증가하면 출력 길이는 비례보다 적은 0.38% 증가합니다(그림 3.7). 이 0.38의 탄력성은 이러한 경제적으로 유용한 업무에서 더 긴 컨텍스트 입력을 더 긴 출력으로 전환하는 데 강한 체감 한계수익이 존재함을 시사합니다.¹⁰

핵심은, 복잡한 업무에 AI를 배치하는 데 있어 기반 모델 성능보다 정보 접근이 더 큰 제약 요인일 수 있다는 것입니다. 컨텍스트 데이터를 효과적으로 수집하고 정리하지 못하는 기업은 정교한 AI 배치에 어려움을 겪을 수 있으며, 이는 암묵적이고 분산된 지식이 사업 운영에 핵심적인 직종과 산업에서 광범위한 기업 도입의 잠재적 병목이 됩니다.

업무별 비용과 업무 간 대체 패턴

API 고객은 토큰 단위로 과금되므로, 업무에 따라 Claude 배치 비용이 달라집니다. 입력과 출력 토큰 수가 많은 정교한 업무는 비용이 더 높은 경향이 있습니다. 이러한 편차를 통해, 비용이 기업의 자동화 대상 업무 선택에 주요 요인인지를 탐색할 수 있습니다.

데이터에 따르면 그렇지 않은 것으로 보입니다. 최소한 상대적으로는요.¹¹ 예를 들어, 컴퓨터 및 수학 직종에 해당하는 업무의 비용이 영업 관련 업무보다 50% 이상 높지만 사용량을 압도합니다.¹² 전반적으로 비용과 사용량 간에 양의 상관관계가 관찰됩니다. 비용이 높은 업무가 사용률도 높은 경향이 있습니다(그림 3.9).

비용과 사용량 간의 양의 상관관계는, 비용이 기업의 AI 배치 패턴을 형성하는 데 실질적인 역할을 하지 않음을 시사합니다. 대신, 기업은 모델 성능이 뛰어나고 Claude 기반 자동화가 API 비용을 초과하는 충분한 경제적 가치를 창출하는 영역에 우선적으로 투자하는 것으로 보입니다.

이러한 양의 상관관계가 전반적으로 유지되는 가운데, 유사하지만 비용이 더 높은 업무에서 Claude에 대한 수요가 낮은지도 분석합니다. 예비적 탐색으로 봐야 한다는 중요한 단서 하에, 분석 결과는 이를 지지합니다.

업무 특성을 통제한 뒤, 비용이 1% 증가하면 API 트랜스크립트 샘플에서 사용 빈도가 0.29% 감소하는 것으로 나타났습니다(그림 3.10).¹³ 가격 상승이 수요를 낮춘다는 표준 경제이론과 부합하지만, 비용 하락에 따른 사용 증가 효과는 제한적입니다. 이 추정치에 따르면, 특정 업무의 비용이 10% 감소해도 사용량은 약 3% 증가에 그칩니다.

특정 업무에 Claude를 사용하는 비용 외에 다른 요인들이 사용 패턴에 더 큰 영향을 미치는 것으로 보입니다.

결론

API 데이터는 기업의 AI 도입 초기 단계를 포착합니다. 사용이 고도로 집중되어 있고, 자동화 중심이며, 가격 민감도가 놀라울 정도로 낮습니다(최소한 API 고객이 Claude를 사용하는 업무에 한해서는).

77%의 자동화 비율은 기업이 Claude를 협업 도구가 아닌 업무 위임 대상으로 사용하고 있음을 보여줍니다. 이러한 체계적 배치는 AI가 경제 전반에 생산성 향상을 전달하는 중요한 통로가 될 가능성이 높습니다. 비즈니스 배치에서 명확한 자동화 패턴이 나타나는 만큼, 노동 시장에 변화를 가져올 수도 있으며, 자동화 가능성이 가장 높은 직무의 근로자가 대체될 위험이 있습니다.

그러나 노동 시장에 대한 함의가 명확한 것만은 아닙니다. 앞서 분석한 바와 같이, 복잡한 업무는 더 많은 컨텍스트를 필요로 합니다. 이러한 정보는 조직 전반에 분산되어 있을 수 있으며, 그러한 상황에서 사업 운영에 대한 암묵적 지식을 가진 근로자는 정교한 AI 기반 자동화의 보완재로서 오히려 혜택을 받을 수 있습니다.¹⁴ AI 도입의 불균등한 노동 시장 영향을 이해하는 것은 향후 연구의 중요한 과제입니다.

AI를 효과적으로 도입하려는 기업은 프런티어 시스템이 필요로 하는 정보를 어떻게 조직하고 관리할지를 재구조화해야 할 수 있습니다. 현재의 좁고 자동화 중심적인 도입이 더 광범위한 배치로 진화할 수 있을지가 AI의 향후 경제적 영향을 결정짓게 될 것입니다.

1. 조정의 고정비용이 존재하는 상황에서, 기업이 직면하는 질문은 AI를 도입할 것인가 말 것인가가 아니라 지금 도입할 것인가 아니면 나중으로 미룰 것인가입니다. Hall and Kahn 2003, Adoption of New Technology 참조: "이러한 유형의 의사결정에서 가장 중요한 점은, 주어진 시점에서의 선택이 도입과 비도입 사이의 선택이 아니라, 지금 도입할 것인지 아니면 결정을 나중으로 미룰 것인지의 선택이라는 것이다."

2. 이 절의 데이터는 2025년 8월의 트랜스크립트 100만 건을 다루며, 1P API 사용의 약 절반을 구성하는 1P API 고객 풀에서 무작위 샘플링했습니다. 당사의 프라이버시 및 데이터 보존 정책에 따라 데이터를 관리하고 있으며, 분석은 당사의 약관, 정책 및 계약 조건에 부합합니다. 각 레코드는 샘플 기간 내의 프롬프트-응답 쌍이며, 일부의 경우 다중 턴 상호작용의 중간 세션에 해당합니다.

3. 이 보고서 서론의 도입 측정치와는 다른 지표입니다. 소비자 및 직원의 AI 사용 보고율은 2024년 기준 40%에 달한 반면, 기업 수준에서 측정하면 미국 기업 10곳 중 9곳이 AI를 사용하지 않는다고 응답합니다.

4. 인구조사국이 발행하는 기업 동향 및 전망 설문조사(BTOS)는 미국 기업의 AI 도입을 측정하는 신뢰할 수 있는 지표입니다. AI 도입 측정에 사용한 설문 문항은 "지난 2주간 이 사업체가 재화 또는 서비스 생산에 인공지능(AI)을 사용했습니까? (AI 예시: 기계학습, 자연어처리, 가상 에이전트, 음성인식 등)"입니다. BTOS와 다른 기업 AI 도입 측정치의 비교는 Crane, Green, and Soto 2025, Measuring AI Uptake in the Workplace를 참조하세요.

5. 지니 계수(Gini coefficient)는 업무 사용 분포와 같은 분포 내 불평등을 정량화하는 데 사용되는 지표입니다. 0에서 1 사이의 값을 가지며, 0은 완전한 균등(모든 업무의 사용 비중이 동일), 1은 완전한 불균등(하나의 업무가 모든 사용을 차지하고 나머지는 0)을 나타냅니다.

6. 경제학에서의 멱법칙은 경험적 규칙성으로, 특히 Zipf 법칙의 주목할 만한 사례들이 있습니다. 이러한 결과를 생성하는 모델은 기저의 이질성과 의도적이고 최적화하는 의사결정을 모두 포함합니다. 더 자세한 내용은 Gabaix 2016, Power Laws in Economics: An Introduction.을 참조하세요.

7. Kremer 1993, The O-Ring Theory of Economic Development.

8. API 입력 길이는 API 메시지, 시스템 프롬프트, 파일과 데이터셋 등 모델에 전송되는 추가 콘텐츠를 포함합니다. 출력 길이는 API 호출에 대한 Claude의 생성 응답을 의미합니다.

9. Claude에게 O*NET 업무 분포의 10번째, 50번째, 90번째 백분위수에 해당하는 업무를 "The columns should be 'Example tasks', 'Index Value', 'Summary' where you provide a summary"라는 최소한의 구성 지침으로 식별하도록 프롬프트했습니다.

10. 또 다른 기여 요인으로는 일부 모델이 긴 컨텍스트 길이에서 경험하는 성능 저하가 있을 수 있습니다. Liu et al, 2023, Lost in the Middle: How Language Models Use Long Contexts.를 참조하세요.

11. 이 절에서 묻는 질문은, 다른 조건이 같을 때 업무 간 비용 차이가 상대적 사용 패턴을 형성하는지 여부입니다. 이는 전체 Claude 사용이 외부 경쟁 가격 압력에 민감한지를 연구하는 것과는 다릅니다.

12. 이를 확인하기 위해, 먼저 API 샘플에서 식별된 O*NET 업무를 넓은 직업 카테고리별로 집계하여 전체 사용 비중과 각 카테고리의 평균 업무당 비용을 측정합니다. 입력 및 출력 토큰과 마찬가지로, 평균 업무당 비용을 샘플 내 관측된 전체 업무의 평균값으로 정규화합니다.

13. 통제 변수에는 넓은 직업 카테고리 고정효과와 동시 샘플링된 Claude.ai 대화에서의 업무별 협업 모드 비중이 포함됩니다. 일부 업무의 협업 모드 비중이 검열되어 있으므로, 특정 모드의 데이터 누락 여부에 대한 지시 변수도 포함합니다. API 샘플과 Claude.ai 샘플 모두에서 식별된 업무로 분석을 제한합니다.

14. 예를 들어, Ide and Talamaś, 2025, Artificial Intelligence in the Knowledge Economy를 참조하세요.

맺음말

Anthropic Economic Index 보고서의 세 번째 판은 AI 도입의 중요한 전환점을 포착합니다. Claude와 기타 프런티어 AI 시스템의 기존 역량만으로도, 그 기술의 광범위한 적용 가능성을 감안할 때 경제 활동을 변화시킬 준비가 되어 있습니다. 급속히 발전하는 AI 역량은 거대한 변화가 목전에 있다는 결론을 더욱 강화합니다. 그럼에도 불구하고 초기 AI 도입은 눈에 띄게 불균등합니다. 사용은 현재 소수의 업무에 집중되어 있으며, 소득과 높은 상관관계를 보이는 강한 지역적 편차가 특히 국가 간에 뚜렷합니다. 이러한 집중은 AI 성능, 배치 용이성, 경제적 가치가 일치하는 곳을 반영합니다. 코딩과 데이터 분석은 높은 사용을 보이는 반면, 분산된 컨텍스트나 복잡한 규제가 필요한 업무는 아직 뒤처져 있습니다.

기업의 초기 Claude 도입은 소비자 사용과 유사하면서도(코딩이 양쪽 모두 가장 일반적인 용도) 여러 중요한 차이점이 있습니다. 특히, API를 통한 프로그래밍 방식의 Claude 접근에서 기업은 더 높은 수준의 자동화를 적용하는 경향이 있습니다. 이러한 체계적인 기업 배치는 AI가 경제 활동을 재편할 방식을 보여줍니다. 전반적인 생산성을 높이면서도, 기존 업무가 자동화된 근로자에게는 불확실한 영향을 미칩니다.

이러한 패턴은 격차 확대의 위험을 내포합니다. AI의 생산성 향상 효과가 이미 번영한 지역과 자동화에 적합한 산업에 집중된다면, 기존의 불평등이 좁혀지기보다 확대될 수 있습니다. 일부 분석 결과가 시사하듯 AI 자동화가 암묵적 조직 지식을 가진 근로자의 생산성을 높인다면, 경력이 풍부한 근로자의 수요와 임금이 상승하는 반면 신입 근로자는 더 열악한 노동 시장 전망에 직면할 수 있습니다.¹

이전 공개를 기반으로, 이번 Index 보고서는 범위와 투명성 모두에서 상당한 확장을 이루었습니다. 기존 Claude.ai 소비자 데이터(국가 및 주 수준의 지역별 분석 포함)와 함께 포괄적인 API 사용 데이터를 오픈소스로 공개하며, 모든 데이터가 세부 업무 수준 분류와 교차됩니다.

이 데이터를 공개함으로써, 우리가 미처 고려하지 못한 질문을 탐구하고, AI의 경제적 영향에 관한 가설을 검증하며, 실증적 증거에 기반한 정책 대응을 개발하는 데 기여할 수 있기를 바랍니다.

궁극적으로, 혁신적 AI의 경제적 효과는 기술 역량만큼이나 사회의 정책적 선택에 의해 형성될 것입니다.

역사는 기술 도입의 패턴이 고정되어 있지 않음을 보여줍니다. 기술이 성숙하고, 보완적 혁신이 등장하며, 사회가 배치에 대한 의도적인 선택을 할 때 패턴은 변화합니다. 오늘날 관찰되는 고도로 집중된 사용 패턴은 앞으로 더 광범위한 분포로 진화할 수 있습니다. AI의 생산성 향상 잠재력을 더 많이 실현하고, 뒤처진 산업의 혁신을 가속화하며, 새로운 형태의 경제적 가치 창출을 가능하게 하는 방향으로 말입니다. 우리는 AI가 이끄는 경제적 변혁의 아직 초기 단계에 있습니다. 정책 입안자, 기업 리더, 그리고 시민이 지금 내리는 선택이 앞으로의 방향을 형성할 것입니다. AI 역량이 발전함에 따라 이러한 패턴을 지속적으로 추적하고, 우리 시대의 가장 중요한 경제적 전환 중 하나를 이해하는 데 실증적 토대를 제공하겠습니다.

1. Brynjolfsson, Chandar, and Chen 2025, Canaries in the Coal Mine? Six Facts about the RecentEmployment Effects of Artificial Intelligence 에서는 AI 노출이 높은 초급 근로자가 2022년 말 이후 상대적으로 열악한 고용 전망을 보인다는 명확한 증거를 제시합니다. 인과관계는 별도로, 직관적 해석은 AI가 초기 경력 근로자가 수행하던 업무를 대체했다는 것입니다. 대안적 해석은 Gans 2025, If AI and workers were strong complements, what would we see?에서 제시됩니다. 경력 있는 근로자의 고용 성장이 상대적으로 빠른 것은, AI가 해당 근로자의 생산성을 높여 수요가 증가한 결과라는 것입니다. AI가 노동을 보완하는지 대체하는지는 우리 데이터가 답하는 데 도움이 되기를 바라는 가장 중요한 질문입니다.

저자 및 감사의 글

저자

Ruth Appel*, Peter McCrory*, Alex Tamkin*

Miles McCain, Tyler Neylon, Michael Stern

*주저자. 이 보고서에 동등하게 기여

감사의 글

유용한 코멘트, 논의 및 기타 도움: 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 = {www.anthropic.com/research/anthropic-economic-index-september-2025-report},

}