Anthropic 경제 인덱스 보고서: 학습 곡선

Anthropic 경제 인덱스는 프라이버시 보호 데이터 분석 시스템을 활용해 경제 전반에서 Claude가 어떻게 사용되고 있는지 추적한다. 이는 AI의 경제적 영향을 가능한 한 빠르게 파악하여 연구자와 정책 입안자가 충분한 준비 시간을 확보할 수 있도록 하려는 Anthropic의 노력의 일환이다.

이번 최신 보고서는 2026년 2월의 Claude 사용 현황을 분석하며, 이전 보고서(2025년 11월 데이터 기반)에서 도입한 경제적 기본 요소(Economic Primitives) 프레임워크를 기반으로 한다. 샘플 기간은 2월 5일부터 12일까지로, Claude Opus 4.5 출시 3개월 후이자 Claude Opus 4.6 출시 시점과 겹친다.

먼저 이전 보고서 대비 사용 패턴의 변화를 살펴본다. AI가 사용자의 역량을 보완하는 협업적 상호작용인 증강(Augmentation) 비율은 Claude.ai와 API 트래픽 모두에서 소폭 증가했다. Claude.ai에서는 사용 사례가 다양해져, 상위 10개 작업이 전체 사용량에서 차지하는 비중이 2025년 11월 대비 줄었다. 이러한 다양화의 결과, Claude.ai의 평균 대화는 이전 보고서보다 약간 더 낮은 임금 수준의 작업에 해당했다.

이어서 Claude가 노동 시장과 경제 전반에 미치는 영향의 핵심 결정 요인인 Claude 도입의 학습 곡선을 집중적으로 분석한다. 장기 사용자들은 Claude의 역량을 더 효과적으로 활용할 수 있는 습관과 전략을 체득했다는 증거를 제시한다. 실제로 경험이 많은 사용자는 더 높은 가치의 작업을 시도할 뿐만 아니라, 대화에서 성공적인 응답을 이끌어낼 확률도 더 높았다.

이전 보고서 이후 달라진 점

첫 번째 장에서는 2026년 1월에 발행한 경제 인덱스 보고서의 주요 분석 결과를 다시 점검한다. 핵심 발견은 다음과 같다:

• Claude.ai의 사용 사례가 다양해졌다. 코딩 작업은 Claude.ai의 증강적 사용에서 자사 API(1P API) 트래픽의 자동화된 워크플로로 지속적으로 이동하고 있다.¹ 이번 보고서에서 Claude.ai 사용은 덜 집중적이었다. 상위 10개 작업이 전체 트래픽에서 차지하는 비중이 11월 24%에서 2월 19%로 하락했다. 다만, 이번 샘플의 거의 모든 작업은 이전 샘플 중 최소 하나에서 이미 나타난 것이었다. 전체 직업의 약 49%가 자신의 작업 중 최소 4분의 1을 Claude를 통해 수행한 적이 있다.
• Claude 도입이 저임금 작업으로 확산되었다. 사용 사례가 다양해지면서, Claude에서 수행되는 작업의 평균 경제적 가치—해당 직종의 미국 근로자 임금 기준—는 소폭 감소했다. 이는 스포츠, 제품 비교, 주택 관리 등 개인적 질문의 증가에 기인한다. 이 패턴은 전형적인 '도입 곡선'과 일치한다. 초기 채택자는 코딩과 같은 특정 고부가가치 용도에 집중하고, 후발 채택자는 훨씬 더 광범위한 작업에 활용하는 것이다.
• 글로벌 사용의 불균형이 지속되고 있다. 사용량은 여전히 크게 편중되어 있다. 상위 20개국이 전체 1인당 사용량의 48%를 차지하며, 이전의 45%에서 더 올라 글로벌 도입 격차가 여전함을 보여준다. 다만, 미국 내에서는 Claude 1인당 사용량의 수렴이 계속되었다. 사용량 상위 10개 주가 차지하는 비중이 이전 보고서의 40%에서 38%로 감소했다.

학습 곡선

경제 인덱스의 핵심 발견 중 하나는 Claude의 초기 도입이 매우 불균등하다는 것이다. Claude는 고소득 국가에서, 미국 내에서는 지식 근로자가 많은 지역에서 더 집중적으로 사용되며, 상대적으로 소수의 전문 작업과 직종에 집중되어 있다.

중요한 질문은 이러한 도입 불균형이 AI의 혜택이 어디에, 누구에게 돌아갈지를 어떻게 결정하느냐이다. 예를 들어, 이전 보고서에서 주장한 것처럼 효과적인 AI 활용에 보완적 기술과 전문성이 필요하고, 그런 기술이 사용과 실험을 통해 습득 가능하다면, 조기 도입의 이점은 자기 강화적일 수 있다.

두 번째 장에서는 사용자가 Claude에서 얻는 가치를 어떻게 형성하는지 조사한다. 구체적으로 모델 역량을 당면 작업에 어떻게 대응시키는지, 그리고 플랫폼 경험이 쌓이면서 사용 패턴과 결과가 어떻게 변화하는지를 살펴본다.

• 모델 선택이 작업에 맞춰진다. 사용자는 노동 시장에서 더 높은 임금을 받는 작업에 가장 지능적인 모델 클래스인 Opus를 선택하는 것으로 나타났다. 예를 들어, Claude.ai 유료 사용자 중 Opus는 코딩 작업에서 평균보다 4%p 더 많이, 튜터링 관련 작업에서는 평균보다 7%p 적게 사용되었다. API 사용자에서는 이러한 모델 전환이 약 두 배 더 뚜렷했다.
• 장기 사용일수록 높은 성공률. 전반적으로 가장 경험이 풍부한 Claude 사용자는 고등 교육 수준의 작업에 더 자주, 개인적 용도에는 덜 자주 Claude를 사용한다. 예를 들어, Claude를 6개월 이상 사용한 사람은 개인 대화가 10% 적고, 입력에 반영된 교육 수준은 6% 높았다. 가장 두드러진 점은, 이 장기 사용 그룹의 대화 성공률이 10% 더 높았으며, 이 차이는 작업 선택, 출신 국가 등 다른 요인으로 설명되지 않았다는 것이다. 이는 초기 채택자의 높은 역량을 반영할 수도 있지만, 경험을 통해 Claude 활용 능력이 향상되는 '실천을 통한 학습(learning-by-doing)'의 증거일 수도 있다.

이전 보고서 이후 달라진 점

Claude.ai 사용 사례의 다양화

먼저 Claude에 요청되는 작업의 종류를 살펴본다. 개별 대화 내용을 노출하지 않으면서 집계 수준에서 행동을 분석할 수 있는 프라이버시 보호 시스템을 활용한다. 소비자용 웹 제품인 Claude.ai와 Claude를 제품·워크플로에 통합하기 위한 개발자용 인터페이스인 자사 API 각각에서 100만 건의 대화를 샘플링했다.²

코딩은 여전히 플랫폼에서 가장 흔한 사용 사례로, 컴퓨터·수학 직종 관련 작업이 Claude.ai 대화의 35%를 차지했다(부록 참고).³ 그러나 2025년 11월에서 2026년 2월 사이, Claude.ai의 사용 사례는 덜 집중적으로 바뀌었다. 가장 빈번한 상위 10개 O*NET 작업이 전체 대화에서 차지하는 비중이 24%에서 19%로 줄었다(그림 1.1).

이러한 집중도 하락은 부분적으로 코딩 작업이 Claude.ai에서 자사 API로 이동한 것에 기인한다. API에서는 Claude Code가 샘플 트래픽의 상당 부분을 차지할 정도로 성장했다. Claude Code의 에이전트 아키텍처는 코딩 작업을 작은 API 호출 단위로 분할하며, 각 호출은 별도의 작업으로 분류된다. 따라서 API 트래픽 내 코딩의 전체 비중은 증가했지만, 소수 카테고리에 집중되지 않고 여러 작업 카테고리에 분산되어 있다. 그 결과, 코딩 활동이 유입되었음에도 API의 작업 집중도는 대체로 변동이 없었다.

Claude.ai에서의 코딩 유출만이 집중도 하락의 유일한 요인은 아니다. 두 기간 사이 사용 사례 구성 변화도 한몫했다. 학업 용도는 대화의 19%에서 12%로 줄었고, 개인 용도는 35%에서 42%로 늘었다. 학업 용도 감소는 샘플 기간 동안 학생들이 겨울 방학 중이었던 국가들의 학사 일정으로 일부 설명된다.⁴ 동시에, 2월경부터 늘어난 신규 가입이 보다 캐주얼한 AI 사용자를 유입시켰다.

Claude의 업무 관련 작업 범위는 더 다양해졌지만, 이들 중 거의 대부분은 이전 데이터에서 이미 관찰된 것이었다. 이전 보고서에서 전체 직업의 49%가 자신의 작업 중 최소 4분의 1을 Claude를 통해 수행한 적이 있다고 밝혔는데, 이번 데이터에서도 이 누적 추정치는 거의 변하지 않았다(부록 그림 A.2). 이번 보고서의 데이터에서는 이전 보고서 대비 새로운 O*NET 작업이 훨씬 적었다.

첫 번째 보고서 이후, 대화를 지시형(directive), 피드백 루프(feedback loop), 작업 반복(task iteration), 검증(validation), 학습(learning)의 5가지 상호작용 유형으로 분류하고, 이를 자동화와 증강이라는 두 가지 상위 범주로 묶어 왔다.⁵ 그림 1.3에서 보듯이, Claude.ai에서 증강 비율은 소폭 증가했다. 이는 검증과 학습 패턴의 미세한 상승에 의한 것이다. 부록 그림 A.3에서는 1P API 데이터에서 자동화 비율이 크게 감소했음을 보여준다.

API 플랫폼은 컴퓨터·수학 작업의 비중이 상대적으로 더 높아지는 추세를 이어갔다(직업 카테고리별 사용 비중은 부록 참고). 2025년 8월 이후 API에서 이 카테고리의 작업 비중은 14% 증가한 반면, Claude.ai에서는 18% 감소했다. 노동 시장 영향에 관한 보고서에서도 언급한 바와 같이, Claude.ai에서 API로의 이러한 이동은 해당 직종의 업무 변화가 더 임박했음을 시사할 수 있다. Claude.ai에서 경영 직종 관련 작업이 트래픽의 3%에서 5%로 증가했는데, 이는 투자 메모 작성 같은 분석 작업과 고객 문의 대응이 혼합된 결과다.

Claude에서 수행되는 작업 구성 변화를 측정하는 또 다른 방법은 작업의 평균 가치 변화를 살펴보는 것이다. 여기서 작업 가치란 해당 작업을 수행하는 미국 근로자의 평균 시급으로 정의한다(그림 1.4).⁶ Claude.ai 작업의 추정 가치는 $49.3에서 $47.9로 소폭 하락했는데, 이는 주로 단순 사실 질문(예: 스포츠 결과, 날씨)의 증가와 코딩의 API 이동에 기인한다. 이전 보고서에서 언급했듯이, Claude에서 관찰되는 작업은 높은 교육 수준을 요하는 경향이 있다. 그래프를 보면 이러한 작업들이 미국 전체 평균보다 높은 임금을 받는 경향도 확인된다.

미미하지만, 이전 보고서와 현재 보고서 사이 여러 기본 요소의 변화는 Claude.ai에서의 작업 복잡도 하락이라는 유사한 흐름을 보여준다. 사람의 입력에 필요한 평균 교육 연수는 12.2년에서 11.9년으로 줄었고, 사용자는 AI에 더 많은 자율성을 부여했으며, 사람이 혼자 작업을 완료하는 데 걸리는 시간도 약 2분 감소했다. 한 가지 변화는 표면적으로 반대 방향을 가리킨다. Claude가 수행한 작업이 AI 없이 사람만으로는 수행하기 약간 더 어려운 것으로 판단되었다.

새롭게 부상하는 자동화 패턴

작업이 API로 이동하면서 자동화에 더 많이 노출될 수 있다. API 워크플로는 지시형일 가능성이 훨씬 높으며, 사람의 개입이 덜 필요하다. 이전 보고서에서 결제·청구 문제에 대한 자동 지원 등 고객 서비스 작업이 API 데이터에서 두드러진다고 강조한 바 있다. 이러한 작업들은 고객 서비스 담당자의 높은 노출도에 기여했다—Claude가 자동화된 워크플로에서 이들 직무의 상당 부분을 수행하는 것이 관찰되었으므로, AI 확산에 따라 이러한 직업이 변화할 가능성이 더 높다.

3개월 전 대비 2월에 더 빈번하게 나타난 API 워크플로 두 가지를 소개한다. 이들의 비중은 최신 샘플에서 최소 두 배 이상 증가했다.⁷

• 비즈니스 영업 및 아웃리치 자동화: 영업 지원 콘텐츠 생성, B2B 리드 검증 리서치, 고객 데이터 보강, 콜드 이메일 작성.
• 자동화된 트레이딩 및 시장 운영: 시장·포지션 모니터링, 구체적 투자 제안, 트레이더에게 시장 상황 전달 및 관련 작업.

지역별 수렴 재검토

이전 보고서에서 지역의 생산가능인구 대비 사용량을 조정한 Anthropic AI 사용 지수(AUI)가 미국 주(州) 간에 빠르게 수렴하고 있음을 확인했다. 초기 1인당 사용량이 낮았던 주일수록 더 빠른 도입 속도를 보였다.

그림 1.6의 왼쪽 패널은 이 수렴이 최신 데이터에서도 지속되었으나 속도는 둔화되었음을 보여준다. 2025년 8월부터 2026년 2월까지 상위 5개 주의 1인당 사용량 비중은 30%에서 24%로 감소했다. 지니 계수도 2025년 8월 이후 하락했지만, 수렴 속도는 느려졌다. 이전 보고서의 추정을 업데이트한 결과, 이 속도라면 주별 1인당 사용량이 대체로 균등해지기까지 기존의 2~5년이 아닌 5~9년이 걸릴 것으로 나타났다.⁸

국가 간(오른쪽 패널)에서는 반대 패턴이 나타났다. 사용이 약간 더 집중되어 같은 기간 동안 지니 계수가 상승했다. Claude를 가장 많이 사용하는 국가들(1인당 기준)이 전체 사용량에서 차지하는 비중이 더 커져, 상위 20개국이 인구 조정 기준 사용량의 45%에서 48%로 증가했다.

AI 사용법 학습하기

이 장에서는 사람들이 AI를 어떻게 활용하고 함께 일하는 법을 학습하는지를 반영하는 두 가지 사용 특성에 주목한다. 바로 모델 선택과 장기 사용자의 습관이다.

먼저, 사용자가 가장 높은 성능의 모델 클래스인 Opus를 언제 선택하는지 분석하여 지능에 대한 수요를 조명한다. AI 사용자가 속도, 성능, 비용 간 트레이드오프를 고려하며 서로 다른 모델을 어떻게 선택하는지에 대해서는 알려진 바가 거의 없다. 사용자가 당면 작업에 맞게 모델을 조정한다면, Opus는 더 어렵고 고부가가치인 작업에 집중될 것이다.

다음으로, 가입 시점이 다른 사용자 간의 사용 패턴 차이를 분석하여 사용 기간에 따른 차이를 연구한다. 이를 통해 학습 곡선을 조명한다. 경험이 많은 사용자는 시간이 지나면서 더 능숙해지는가? 사용 패턴은 어떻게 다른가? 분석 결과, 실천을 통한 학습과 일치하는 증거를 발견했다. 장기 사용자는 대화에서 더 높은 성공률을 보일 뿐만 아니라, Claude와 더 많이 협업하고, 더 복잡한 작업을 가져오며, 업무 목적과 더 넓은 범위의 작업에 Claude를 사용할 가능성이 높았다.

모델 선택

Claude의 다양한 모델 클래스(Haiku, Sonnet, Opus)는 비용, 속도, 성능 면에서 서로 다른 트레이드오프를 제공한다. Opus 클래스는 가장 많은 토큰을 사용하며 복잡한 작업에 뛰어나지만, API에서의 토큰당 가격은 더 높다. 사용자가 이를 인지하고 비용과 사용 한도를 의식한다면, 가장 복잡하고 가치 있는 작업에는 Opus를, 단순한 작업에는 다른 모델을 선택할 것이다. 데이터에서 관찰된 패턴은 대체로 이와 일치한다.

아래 그림 2.1은 모든 모델 클래스에 접근 가능한 Claude.ai 유료 계정에서 컴퓨터·수학 작업(소프트웨어 코딩 등)의 55%가 Opus를 사용하는 반면, 교육 작업은 45%만 Opus를 사용함을 보여준다. 기술적 사용자는 성능 차이를 인지하고 기본값인 Sonnet에서 적극적으로 전환할 수 있다. 또는 효율을 중시하는 사용자가 사용 한도 초과를 피하기 위해 간단한 작업에는 Sonnet을 활용하는 법을 익혔을 수 있다. 관련하여, 교육 작업 대부분은 이미 Sonnet으로도 충분히 수행 가능하거나, 학생들이 사용 한도에 더 민감하기 때문일 수도 있다.

아래 그림 2.2는 이를 더 세분화하여 보여준다. 사용자가 더 높은 임금을 받는 직업과 관련된 작업을 수행할 때 Opus를 더 자주 사용한다. 예를 들어, Claude.ai에서 소프트웨어 개발자 작업의 34%가 Opus를 사용하는 반면, 튜터 작업은 12%에 불과하다. 전체적으로 작업의 시급이 $10 증가할 때마다, Claude.ai 사용자의 Opus 사용 비중은 1.5%p 증가한다. 1P API 트래픽은 작업 복잡도에 훨씬 더 민감하게 반응한다. 기울기가 약 두 배로, 작업 가치 $10당 Opus 비중이 2.8%p 증가한다. 프로그래밍 워크플로를 운영하는 사용자는 웹 사용자에 비해 모델 간 전환의 유인이 더 클 수 있다.

학습 곡선

최초의 Claude 모델은 2023년 3월에 출시되었다. 이후 Claude.ai와 API의 사용자 기반은 빠르게 성장했다. 최신 샘플에는 최초 Claude 출시 시점에 가입한 사용자부터 측정 전날 가입한 사용자까지 다양하게 포함되어 있다. Claude 사용 기간은 사용 경험을 어떻게 변화시키는가?⁹

표 2.1은 단기 사용자와 장기 사용자 간의 차이를 보여준다. 장기 사용자는 최소 6개월 전에 Claude에 가입한 그룹이며, 나머지가 단기 사용자이다.¹⁰ 장기 사용자는 Claude를 활용해 작업을 반복적으로 다듬을 가능성이 더 높고, 지시형 사용 패턴을 통해 더 많은 책임을 위임할 가능성은 훨씬 낮다. 업무 목적으로 Claude를 사용할 확률이 7%p 더 높으며, 더 높은 교육 수준을 요하는 작업에 Claude를 활용한다. 마지막으로, 특정 작업에 대한 집중도가 낮다. 장기 사용 그룹에서 상위 10개 O*NET 작업이 차지하는 비중은 22.2%에 비해 20.7%로 약간 낮다.

아래에서는 위에서 논의한 기본 요소 중 두 가지, 즉 각 대화에 수반되는 교육 연수와 개인 용도 대화 비중을 더 깊이 살펴본다.

왼쪽 패널에서는 사람의 프롬프트를 이해하는 데 필요한 교육 연수가 Claude 사용 기간 1년 추가당 거의 1년씩 증가함을 보여준다. 오른쪽 패널에서는 동시에 개인 용도가 감소함을 보여준다. 1년 전에 가입한 사용자는 대화의 38%를 개인 용도에 할애하는 반면, 최신 가입자는 44%를 할애한다.

빠르게 발전하는 범용 기술의 사용자 기반에서 이러한 패턴은 여러 요인으로 설명될 수 있다. 장기 사용자는 자기 선택된 집단이며, 이러한 차이는 고정된 특성을 반영할 수 있다. 예를 들어 초기 채택자일 가능성이 높은 프로그래머일 수 있다. 또한 고유한 생존자 편향이 존재한다. 데이터 추출 1년 전에 가입한 사용자가 관찰되는 것은 사용에서 긍정적 결과를 얻고 있기 때문일 수 있으며, 1년 전에 가입했으나 더 이상 Claude를 사용하지 않는 사람은 관찰되지 않는다.

이 발견은 경제적 기본 요소 보고서에서 관찰한 것과 일맥상통한다. 소득이 낮고 교육 수준이 낮은 국가가 일부 경우 역설적으로 더 복잡한 사용을 보인 것이다. 초기 채택자는 대체로 고부가가치의 기술적 사용 사례를 갖고 있다. 도입률이 훨씬 낮은 저소득 국가에서는 이러한 초기 채택자가 여전히 사용자 기반을 지배한다.

캐주얼한 사용은 AI가 더 넓은 인구층에 확산되었을 때 나타난다. 실제로 요청 클러스터 중 평균 사용 기간이 가장 긴 작업으로는 AI 연구, Git 작업, 원고 수정, 스타트업 자금 조달 등이 있었다. 평균 사용 기간이 가장 짧은 작업은 하이쿠 작성, 스포츠 결과 확인, 파티용 음식 추천 등 단순한 워크플로가 대부분이었다.¹¹

경험 효과

아래 그림 2.4에서 로그 수준 데이터를 사용하여 대화의 세부 특성을 세밀하게 통제하면서 이러한 관계를 더 탐구한다. 상단 패널의 모형 (1)은 작업 성공 여부를 결과 변수로, 장기 사용 여부 지표를 예측 변수로 한 단순 이변량 회귀분석이다. 성공 여부는 대화가 성공적이었는지에 대한 Claude의 평가이며, 이전 보고서에서 설명한 바 있다. 그래프에 따르면 장기 사용자는 대화 성공 확률이 약 5%p 더 높다.

이는 장기 사용자가 프롬프트 작성에 더 능숙하기 때문일 수 있다. 하지만 단순히 성공 확률이 높은 다른 종류의 작업을 가져오기 때문은 아닐까?

모형 (2)에서는 특정 O*NET 작업과 요청 클러스터에 대한 고정 효과를 포함한다. 이는 작업 간 비교가 아닌, 동일한 세부 작업 내에서 장기·단기 사용자를 비교하는 것이다. 예를 들어, "특정 기업의 재무 분석, 가치 평가 및 모델링 수행"이라는 요청 클러스터가 있다면, 고정 효과는 해당 클러스터 내에서, 그리고 다른 모든 클러스터 내에서 각각 장기·단기 사용자를 비교한다. 평균적으로 장기 사용자가 이러한 작업 내 비교에서 더 성공적일 때만 양의 계수가 관찰된다. 이 통제를 적용하면 효과가 다소 축소되어 약 3%p에 가까워진다.

마지막으로, 장기 사용자가 다른 모델을 선택하거나, 다른 언어로 소통하거나, 다른 사용 사례를 갖거나, 다른 국가에서 접속하는 것이 이 관계에 영향을 미치는지 확인한다. 이 회귀분석은 장기 사용의 효과가 약간 더 높게 나타나, 모든 통제 변수를 고려한 후에도 4%p 더 높은 성공률을 시사했다.

이 결과는 장기 사용자가 Claude 대화에서 더 높은 성공률을 보이며, 이것이 언어나 수행 작업 종류와 같은 단순한 요인 때문이 아님을 시사한다. 흥미로운 잠재적 설명 중 하나는, 이 사용자들이 AI에서 원하는 바를 더 잘 이끌어내는 법을 학습했다는 것이다. 이러한 플랫폼에 대한 숙련도가 성공의 핵심 결정 요인이며, 경험에 비례해 향상되는 것으로 보인다.

논의

이번 보고서는 Claude 사용 현황을 추적하는 핵심 지표들을 재검토하고, 모델 선택과 성공률을 처음으로 분석했다. 2025년 8월 이후 1P API 사용은 더 집중되어 상위 10개 O*NET 작업이 트래픽의 33%를 차지하며, 이전의 28%에서 상승했다. 반면, Claude.ai 작업은 2025년 11월 데이터 이후 다양화되었다. 미국 내 저사용 주에서의 빠른 도입 추세는 계속되었지만, 이전 보고서보다 속도가 둔화되었다. 저도입 국가들은 격차가 약간 더 벌어졌다.

이번 보고서를 통해 다양한 경제적 기본 요소의 변화 추이를 추적할 수 있게 되었다. 학업 용도의 사용 비중은 감소한 반면 개인 대화는 증가했다. 또한 Claude.ai에서 프롬프트의 전반적 복잡도가 소폭 하락했으며, 입력의 정교함이 줄고 예상 완료 시간이 짧아진 것이 관찰되었다.

전반적으로 Claude는 미국 경제를 폭넓게 대표하지는 않는 고부가가치·고복잡도 업무에 사용되고 있다. 그러나 사용자 기반이 성장하면서, 상대적으로 낮은 보수를 받는 작업이 트래픽에서 약간 더 큰 비중을 차지하게 되었다. 해당 작업과 관련된 직종 근로자의 추정 임금으로 측정한 평균 작업 가치는 Claude.ai에서는 첫 보고서 이후 하락한 반면, API 사용자에서는 상승했다. 두 플랫폼 모두에서 사용자는 가장 복잡한 작업을 더 강력한 모델 클래스인 Opus에 맡기며, 이러한 경향은 API 고객에서 더 뚜렷했다.

경험이 많은 사용자일수록 Claude를 더 협업적으로, 더 업무 관련 목적으로, 더 복잡한 작업에, 더 높은 성공률로 사용하는 경향이 있다. 이는 자동화된 사용이 경험 많고 숙련된 사용자에게 더 일반적일 것이라는 작년의 가설에 반하는 결과다. 오히려 가장 숙련된 사용자는 Claude와 반복적으로 협업할 가능성이 더 높았다. 이는 실천을 통한 학습과도 일치한다. AI를 사용하는 시간이 길어질수록 활용 능력도 높아진다.

물론 이러한 결과가 코호트 효과나 생존자 편향에 의해 주도될 수 있다는 대안적 해석도 가능하다. 초기 채택자가 더 기술적일 수 있고, Claude를 계속 사용하는 사람은 Claude가 특히 잘 수행하는 작업을 가진 사람일 수 있다. 그러나 정밀하게 통제된 회귀분석을 통해 장기 사용자가 다른 종류의 작업을 가져오는 것과 같은 단순한 교란 요인은 배제되었다. 시간이 지남에 따라, 코호트 효과와 생존자 편향을 실천을 통한 학습으로부터 더 명확하게 분리할 수 있을 것이다.

이렇게 관찰된 성공률 차이는 노동 시장의 불평등을 심화시킬 수 있다. 경제학자들은 오래전부터 숙련 편향적 기술 변화(skill-biased technological change)의 가능성을 지적해 왔다. 이는 고숙련 근로자의 임금은 높이고 나머지의 임금은 낮추는 혁신을 말한다. 이번 보고서의 분석은 이러한 숙련 편향적 변화가 이미 진행되고 있을 수 있는 경로를 포착한다. 고숙련 작업을 가진 초기 채택자가 후발 비기술적 채택자보다 Claude와의 상호작용에서 더 높은 성공률을 보이는 것이다. 이 초기 채택 사용자들은 AI 주도의 변화에 가장 크게 노출된 동시에, 이 초기 증강 단계에서 AI로부터 가장 많은 도움을 받는 집단일 수 있다.

부록

여기에서 확인 가능.

데이터 제공

이 보고서의 데이터는 여기에서 확인 가능하다.

저자 및 감사의 글

제1 저자 그룹*:

Maxim Massenkoff, Eva Lyubich, Peter McCrory

*보고서 주저자

제2 저자 그룹:

Ruth Appel, Ryan Heller

감사의 글

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},
}