에이전트 코딩과 전문성의 지속적 가치

주요 발견

• 이전 연구를 바탕으로, 2025년 10월부터 2026년 4월 사이 약 40만 건의 Claude Code 세션을 프라이버시 보호 분석한 데이터를 토대로 인터랙티브 에이전트 코딩 연구 프레임워크를 새롭게 제시한다. 이 프레임워크는 작업 유형의 구성, 인간과 AI의 협업 방식, 그리고 성공률을 분석 대상으로 삼는다.
• 일반적인 세션에서 계획 결정(무엇을 할지)의 대부분은 사람이, 실행 결정(어떻게 할지)의 대부분은 Claude가 담당한다. 사용자의 해당 분야 전문성이 높을수록 지시 하나당 Claude가 처리하는 작업량도 늘어난다. 코딩 작업에서는 주요 직종 전반에 걸쳐 거의 모든 직군이 소프트웨어 엔지니어와 비슷한 수준으로 성공—테스트 통과나 작업 커밋 같은 검증 가능한 근거와 함께 목표를 달성—했다.
• 전문성이 높을수록 세션이 성공으로 끝나는 빈도가 높았지만, 중급과 전문가 사용자 간의 격차는 크지 않았다. 관찰한 7개월 동안 디버깅에 소요되는 세션 비율은 거의 절반 수준으로 줄었고, 사용 패턴은 코드 배포 및 실행, 데이터 분석, 비코드 문서 작성 등 엔드투엔드 에이전트 방식으로 이동했다.
• 같은 7개월 사이, 프리랜서 구인 공고와의 비교를 통해 추산한 일반적인 작업의 가치는 거의 모든 작업 유형에서 상승했으며, 평균 약 25% 증가했다.

서론

에이전트 코딩이 빠르게 확산되고 있다. 2025년 말 이후 코딩 에이전트를 활용하는 GitHub 프로젝트 비율은 두 배 이상 늘었고,¹ Claude Code 사용자들은 현재 주당 평균 20시간을 이 도구에 쏟고 있다.² 코딩을 정식으로 배우지 않은 사람도 에이전트를 통해 복잡한 기술 작업을 성공적으로 이끌 수 있을까? 그리고 이러한 도구의 빠른 도입과 발전은 지식 노동 전반에 어떤 변화를 가져올까? 아직 이 질문들에 완전한 답을 내놓기는 어렵지만, Claude Code 사용 데이터에서 초기 신호를 읽어보고자 한다.

이 보고서는 2025년 10월부터 2026년 4월 사이 약 23만 5천 명이 진행한 약 40만 건의 인터랙티브 세션을 프라이버시 보호 방식으로 분석하여, Claude Code의 실제 사용 양상에 관한 근거를 제시한다. Claude Code 세션의 자율성 측정과 Anthropic 내부에서 Claude Code가 업무 방식을 어떻게 바꾸고 있는지를 다룬 기존 연구들을 토대로 한다.³ 이번 보고서에서는 인터랙티브 AI 코딩 어시스턴트 사용을 체계적으로 기술하는 프레임워크를 새롭게 제시한다. 어떤 작업이 이루어지고, 누가 주도하며, 성공 여부는 어떻게 판단하는지가 핵심이다. 분석 대상은 명령줄 인터페이스(CLI), Claude.ai, 또는 Claude Code 데스크톱 앱을 통한 Claude Code 사용으로 한정한다.⁴ 모델 성능이 향상됨에 따라 에이전트 코딩 사용 패턴이 어떻게 변화하는지 추적하면, 이러한 도구들이 코딩 전문가와 지식 노동자의 노동 시장에 어떤 영향을 미치는지 더 잘 이해할 수 있을 것이다.

Claude Code에서 일어나는 일은 에이전트가 비코딩 업무에도 깊이 자리 잡게 될 지식 노동의 미래를 미리 보여주는 것일 수 있다. 분석 결과, Claude는 점점 더 복잡하고 가치 있는 작업을 맡고 있다. 동시에 에이전트 코딩에서는 여전히 명확한 역할 분담이 유지된다. 무엇을 만들지는 사람이 결정하고, 어떻게 만들지는 에이전트가 결정한다.

도구를 효과적으로 활용하는 데 있어 코딩 능력보다 해당 분야의 전문성이 더 중요하다는 증거도 확인했다. 특히 도메인 전문가일수록 성공률이 높고, 오류나 오해에서도 더 빠르게 회복한다. 다만 전문가와 중급자 사이의 격차는 크지 않았다. 이는 해당 분야에 어느 정도 익숙한 수준만 되어도 깊은 전문 지식을 갖춘 사람과 거의 동등하게 도구를 활용할 수 있음을 시사한다.

이러한 발견은 노동 시장의 변화 방향을 조심스럽게 가늠해 볼 수 있는 초기 단서를 제공한다. 우리 데이터에서 성공을 좌우하는 것은 코딩 훈련 여부가 아니라 해결하려는 문제를 얼마나 잘 이해하는가였다. 이 패턴이 경제 전반에서도 유효하다면, 에이전트 코딩 도구들이 구현 중심의 업무 일부를 흡수하는 동시에 문제를 깊이 이해하는 능력 자체의 가치를 높이고 있다는 뜻이다. 코딩 에이전트는 도메인 전문성을 대체하지 않는다. 사용자가 에이전트에 가져오는 이해의 깊이가 클수록, 에이전트가 수행하는 작업의 질도 높아진다.

역할 분담

Claude Code의 활용 목적

사람들이 Claude Code를 어떤 용도로 쓰는지 파악하기 위해, 각 세션을 해당 세션의 목적을 가장 잘 설명하는 9가지 작업 모드 중 하나로 분류했다.⁵ 코드를 직접 작성하거나 유지·보수하는 네 가지 모드로는 새로운 것을 구현하거나, 오류를 수정하거나, 코드를 테스트하거나, 다른 에이전트나 자동화 파이프라인을 오케스트레이션하는 것이 있다. 또 다른 범주는 소프트웨어 운영으로, 배포·설정·파이프라인 실행·시스템 모니터링 등이 포함된다. 무엇을 해야 할지 파악하는 작업으로는 기존 시스템이 어떻게 동작하는지 이해하거나, 변경을 실행하기 전에 계획을 세우는 두 가지 모드가 있다. 마지막으로 코드와 직접적인 관련이 없거나 코드가 최종 결과물의 부수적인 수단에 그치는 작업으로는 데이터 분석과 발표 자료나 산문 형태의 문서를 통한 커뮤니케이션이 있다.

전체 세션 중 약 56%는 코드 작성(25%), 수정(26%), 테스트 및 오케스트레이션(5%)으로 구성된다. 소프트웨어 운영이 17%를 차지하며, 계획 수립 또는 탐색이 14%, 분석 또는 문서 작성이 13%였다(그림 1).

각 세션은 모델이 전체 대화록을 읽어 분류하며, 프라이버시 보호 분석 도구를 통해 세션마다 자동으로 기록되는 텔레메트리 데이터와 대조 검증한다. 텔레메트리에는 코드 추가 또는 삭제 여부도 포함된다. 두 데이터 소스는 높은 일치율을 보였다. 예를 들어, 분류기가 코드 생성 또는 수정 세션으로 분류한 경우의 90% 이상에서 텔레메트리상 코드 변경이 확인됐다. 자세한 내용은 부록 을 참고하라.

누가 어떤 결정을 내리는가

Claude Code는 얼마나 자율적으로 작동할까? 역량 평가 결과를 보면 그 상한선은 높고 계속 높아지는 추세다. METR의 시간 지평 평가 같은 벤치마크에서 최신 모델은 사람이 몇 시간씩 걸려야 할 소프트웨어 작업을 중간에 발생하는 장애물을 스스로 해결하며 자율적으로 완수할 수 있다. 그렇다면 실제 사용 현장에서는 어떤 모습일까? 여기서는 실제 세션에서 사람과 Claude가 각각 얼마나 방향을 잡아가는지 살펴본다.

이 질문을 두 가지 각도에서 분석했다. 첫째는 사람이 결정을 Claude에 얼마나 위임하는지이고, 둘째는 Claude에게 얼마나 많은 행동을 맡기는지다. 세션 내 의사결정 분담 구조를 파악하기 위해 세션 내용을 기반으로 프라이버시 보호 의사결정 귀인 분류기를 구축했다. 분류기는 세션 내 의미 있는 결정을 모두 나열한 뒤, 이를 계획 결정(무엇을 할지, 어떤 접근법을 택할지, 완료 기준이 무엇인지)과 실행 결정(어떤 파일을 수정할지, 어떤 코드를 작성할지, 어떤 언어를 쓸지, 어떤 명령을 실행할지)으로 구분한다. 이어 각 결정을 Claude 또는 사용자에게 귀속시켜 세션마다 두 개의 수치를 산출한다. 사용자의 계획 결정 비중과 실행 결정 비중이다.

평균적으로 계획 결정의 약 70%는 사람이, 실행 결정의 약 80%는 Claude가 담당한다(그림 2). 에이전트 코딩에서의 역할 분담은 실제로 명확하다. 무엇을 만들지는 사람이, 어떻게 만들지는 에이전트가 결정한다.

세션에서의 행동 위임 구조를 파악하기 위해 세션 내용보다는 세션의 구조를 살펴봤다. Claude Code 세션은 사용자가 프롬프트를 입력하면 Claude가 작업을 수행하고, 다시 사용자가 프롬프트를 입력하는 식으로 번갈아 진행된다. 일반적인 세션에서 이런 턴(turn)은 약 4회 이루어진다. 10월부터 4월까지의 과거 데이터를 보면, 사용자가 보낸 프롬프트 하나가 평균 약 10개의 Claude 행동으로 이어지며—경우에 따라 100개를 넘기도 한다.⁶ 매 턴마다 Claude는 파일을 읽고, 코드를 편집하고, 명령을 실행하며, 평균 2,400단어 분량의 출력을 생성한다.

중간 확인 사이에 Claude가 처리하는 작업량은 대체로 의사결정 주체와 연동된다. 사용자가 실행 결정의 주도권을 쥐고 있을 때(즉, 실행 결정의 80% 이상을 사용자가 담당할 때) Claude의 턴당 행동 수는 더 적다(약 8개). 반면 Claude가 계획 결정을 주도할 때(즉, 계획 결정의 80% 이상을 Claude가 담당할 때)에는 행동 수가 가장 많아진다(약 16개).

전문성 수준

각 대화록을 토대로 Claude는 해당 작업에 대한 사용자의 명백한 전문성을 초보자부터 전문가까지 5단계로 평가한다. 전문성 분류기는 세 가지 신호를 포착한다. 사용자가 지시를 얼마나 정확하게 표현하는지, 무엇을 검증하도록 요청하는지, 그리고 사용자가 Claude를 바로잡는지 아니면 Claude가 사용자를 바로잡는지다. 여기서 측정되는 전문성은 직함이나 전반적인 능력과는 사뭇 다른 개념이며, 핵심적으로는 작업 특화적이다. 처음 Rust를 배우는 시니어 엔지니어는 Rust에서는 초보자다. Python을 한 번도 써본 적 없는 회계사라도 Python 스크립트가 지켜야 할 조정 규칙을 Claude에게 명확히 제시하고 월말 결산에서 놓친 엣지 케이스를 잡아낸다면, 그 작업의 전문가로 분류된다.

아래 표는 분류기에서 각 전문성 수준을 어떻게 정의했는지, 그리고 공개된 코딩 에이전트 세션 데이터셋 SWE-chat에서 가져온 예시 요청과 함께 보여준다. 초보자로 분류된 대화는 도메인 특화 지식 없이 일반적인 지시를 담고 있고, 전문가로 분류된 대화는 코드베이스와 기술 환경에 대한 깊은 이해를 드러낸다.

프롬프트당 Claude의 출력량 및 행동 수가 전문성과 어떤 관계를 맺는지 수치로 살펴봤다. 초보자 세션에서는 프롬프트 하나당 Claude 행동이 약 5개, 출력은 약 600단어에 그치는 반면, 전문가 세션에서는 행동 수가 두 배 이상(12개)이고 출력은 다섯 배(3,200단어)에 달했다(그림 3). 이 격차는 작업 유형과 작업 가치 구간을 막론하고 일관되게 나타났다.

이 측정 지표들은 이전 Claude Code 보고서의 자율성 측정 지표를 보완한다. 이전 보고서는 에이전트가 얼마나 오래 작동하고 사람이 에이전트의 행동을 자동으로 승인하는 빈도를 추적했다. 반면 이번 보고서의 의사결정 귀인 지표는 세션 전체에서 누가 실질적인 결정을 내리는지를 포착하고, 프롬프트당 출력량 및 행동 수 지표는 사람의 프롬프트 하나가 Claude의 자율적 활동을 얼마나 촉발하는지를 측정한다.

Claude Code 사용자는 누구이며, 무엇을 하는가

사용자

이 작업을 수행하는 주체가 누구인지 파악하기 위해 세션 대화록에서 각 사용자의 직종을 추론하여, 미국 노동통계국의 표준 직업 분류(SOC) 체계상 23개 주요 직군 중 하나로 매핑했다. 분류기는 세션 시작 시 에이전트가 불러오는 프로젝트 맥락, 파일명과 구조, 참조하는 산출물(예: 법률 문서, 임상 데이터, 재무 보고서, 교육 과정 자료 등), 그리고 사용하는 전문 용어와 같은 신호만을 근거로 삼도록 했다.⁷ 분류기에는 코딩 행위 자체를 코딩 직종의 근거로 삼지 말도록 명시적으로 지시했다. 소프트웨어 또는 데이터 업무가 해당 사용자의 직업임을 명확히 보여주는 신호가 있을 때만 컴퓨터 및 수학 관련 직종 SOC 코드로 분류된다. 변호사가 계약서 폴더에서 누락된 조항을 자동으로 표시하는 스크립트를 만드는 세션은, 작업 내용이 주로 소프트웨어라 하더라도 법률 직종으로 분류된다. 사용자 직종에 관한 신호가 없는 세션은 미분류로 남긴다.

전체 세션의 약 70%에서 직종을 추론할 수 있었다. 이 중 소프트웨어 관련 직종 대부분을 아우르는 컴퓨터 및 수학 관련 직종이 예상대로 가장 큰 비중을 차지했다. 다음으로는 경영·금융 업무, 예술·디자인·미디어, 경영·관리, 그리고 생명·자연·사회과학 직종이 뒤를 이었다. 표본 내에서 가장 빠르게 성장하는 비소프트웨어 직군은 경영, 영업, 법률 직종이었다.

작업 내용

2025년 10월부터 2026년 4월 사이 Claude Code로 수행되는 작업의 구성이 눈에 띄게 달라졌다. 가장 뚜렷한 변화는 오류를 수정하는 세션의 비중이 33%에서 19%로 줄어든 것이다(그림 4). 그 빈자리는 코드를 둘러싼 주변 작업들이 채웠다. 소프트웨어 운영은 세션의 14%에서 21%로 늘었고, 문서 작성과 데이터 분석은 각각 약 10%에서 20%로 두 배 가까이 증가했다.

작업 자체의 가치도 상승했다. 각 세션의 경제적 가치는 공개된 실제 프리랜서 구인 공고 데이터셋을 기준으로 프리랜서 마켓플레이스에서의 예상 비용으로 추산했다. 이 기준으로 10월부터 4월 사이 평균 세션의 추산 가치는 27% 상승했으며, 이 추세는 다양한 작업 유형에 걸쳐 나타났다. 구현, 운영, 수정 유형의 작업은 각각 약 43%, 34%, 32%로 모두 3분의 1 이상 가치가 높아졌다. 이 가격 추산은 정밀한 수치라기보다 대략적인 지표이므로, 달러 금액으로 그대로 읽기보다 시간 흐름에 따라 작업들을 서로 비교하는 데 주로 활용한다.⁸ 작업 가치 추산 방법에 대한 자세한 내용은 부록을 참고하라.

성공은 사용자가 가져오는 것에 달려 있다

작업의 추산 가치는 Claude Code가 실제로 얼마나 도움이 되는지를 가늠하는 한 가지 방법이다. 또 다른 접근은 성공하는 세션의 비율과 성공과 연관된 세션 특성을 살펴보는 것이다. 성공을 측정하는 모든 지표에서 일관된 패턴이 드러났다. 세션에서 사용자가 보이는 전문성이 높을수록 성공 가능성도 높다. 상승폭의 대부분은 전문성 스펙트럼의 낮은 끝에 집중되어 있다. 초보자와 중급자 사이의 격차가 중급자와 전문가 사이의 격차보다 크다.

성공 세션의 특성을 살펴보기 전에, 성공 측정 방식을 명확히 해두는 것이 좋겠다. 사용자의 실제 결과를 직접 관찰하거나 원하는 것을 얻었는지 물어볼 방법은 없다. 대신 대화록 기반의 두 가지 보완적 측정 방식을 활용한다. 첫 번째는 판정 성공으로, 전체 대화록을 읽고 해당 사람이 처음 목표한 바를 달성했는지 판단하는 분류기에서 나온다(선택지: 성공, 부분 성공, 실패, 명확한 목표 없음). 이와 함께 두 개의 보조 분류기가 검증된 성공을 판정하기 위해 판단 근거의 강도를 평가한다. 성공 신호 분류기 는 검증 가능한 성공 증거를 찾는다. 구체적으로는 작업과 일치하는 커밋이나 풀 리퀘스트 같은 Git 활동, 테스트 통과, 사용자의 명시적 확인을 확인한다. 세션은 "신호 없음"부터 "약한 신호"(1)까지, "복수의 강한 신호"(5)까지 점수를 매긴다. 이와 병행하는 실패 신호 분류기는 무언가 잘못됐다는 증거—오류, 테스트 실패, 재시도, 사용자의 결과물 거부—를 점수화한다. 검증된 성공으로 인정되려면 세션이 성공으로 판정되는 동시에 검증 가능한 성공 신호가 최소 하나 이상 있어야 한다. 이어지는 분석은 세션의 성공 또는 실패 정도에 초점을 맞추므로, 전체 표본의 약 7.7%를 차지하는 "명확한 목표 없음" 세션은 제외했다.

전문성의 수익

그렇다면 어떤 세션이 가장 높은 성공률을 보일까? 앞서 설명한 세션의 전문성 평가가 성공 여부에 상당한 영향을 미치는 것으로 나타났다.

전문성이 실질적인 요인이 아닐 수도 있다는 우려가 있을 수 있다. 전문가들은 애초에 다른 유형의 작업을 선택하거나 다른 면에서 차이가 있을 수 있기 때문이다. 이 우려에 일부 대응하기 위해, 같은 작업 유형, 같은 추산 가치 구간, 같은 월, 같은 작업 주제, 같은 직군에 속하는 세션끼리 비교하면서 사용자의 전문성 평가에 따라 결과가 어떻게 달라지는지 살펴봤다.

모든 성공 지표에서 세션 내 사용자의 전문성이 높을수록 성공 가능성도 높았다. 초보자 세션은 가장 엄격한 기준인 검증된 성공을 15%의 세션에서, 최소 부분 성공을 77%에서 달성했다. 중급자 이상의 세션은 검증된 성공 28~33%, 부분 성공 91~92%를 기록했다(그림 5).

모든 지표에서 상승폭의 대부분은 초보자에서 중급자로 넘어가는 구간에서 나타났으며, 중급자에서 전문가 구간에서는 기울기가 완만해졌다. 그림 5의 배경 회귀 분석에 대한 자세한 내용은 부록을 참고하라.

중간에 어려움을 겪는 세션에서도 비슷한 기울기가 나타난다. 실패 신호에서 검증된 실패 증거가 기록될 때 해당 세션이 어려움에 처했다고 정의한다. 오류, 테스트 실패, 같은 작업을 여러 번 시도, 또는 사용자의 불만이나 불만족 표현이 이에 해당한다. 어려움에 처한 세션 중 검증된 성공으로 끝나는 비율은, 앞서 설명한 통제 변수를 모두 반영했을 때, 초보자 세션의 4%에서 전문가 세션의 15%로 상승한다(그림 5). 느슨한 기준을 적용하면, 최소 부분 성공의 비율은 초보자가 60%, 중급자에서 전문가가 80~81%였다.

역관계—즉 전문성과 다양한 실패 지표의 관계—도 추적했다. 이 분석에서 실패로 판정된 세션은 부분 성공조차 달성하지 못한 경우다. 어려움에 처한 세션이 실패로 판정되는 동시에 코드 한 줄도 작성되지 않으면 포기로 분류한다. 초보자로 판정된 사용자의 세션 중 19%가 포기로 끝나는 반면, 다른 모든 수준에서는 5~7%에 불과했다. 즉, 경험이 가장 적은 사용자일수록 원하는 결과를 얻지 못할 때 더 쉽게 포기한다. 전문성의 가치 중 일부는 에이전트를 올바른 방향으로 이끄는 능력에 있는 것으로 보인다.⁹

전문성이 직종보다 더 중요하다

소프트웨어 관련 직종 사용자는 전체 세션의 약 30%에서 검증된 성공을 달성하는 반면, 다른 직종 사용자는 약 26%다. 코드를 생성하는 세션(즉, 코드 한 줄 이상을 추가 또는 수정하는 세션)으로 한정하면 각각 34%와 29%다(그림 6). 소프트웨어 관련 직종과 다른 직종 간의 격차는 느슨한 성공 정의 아래에서 좁아진다. 코드를 생성하는 세션에서 두 그룹 모두 최소 부분 성공률이 각각 89%, 88%로 거의 같다. 이 5%포인트 차이는 작은 편이며, 두 그룹의 성공률이 모두 높아지는 와중에도 7개월 동안 넓어지지도 좁아지지도 않았다. 코드를 생성하는 세션에서 데이터셋 내 10대 직군 모두 검증된 성공률에서 소프트웨어 엔지니어와 7%포인트 이내의 차이를 보였다. 경영직은 검증된 성공률에서 가장 높아 소프트웨어 엔지니어 직군을 소폭 상회했다. 이들의 높은 성공률은 에이전트를 지휘하는 데 활용되는 경영 역량이 전이된 결과일 수 있다. 다만 측정 방식에도 일부 원인이 있을 수 있다. 검증은 부분적으로 대화록에서의 명시적 확인에 의존하는데, 경영직 사용자들이 원하는 결과를 얻었을 때 이를 더 명확히 표현하는 경향이 있을 수 있다.¹⁰

앞으로의 전망

이 보고서의 결과는 에이전트 코딩이 어떤 형태의 지식과 기술을 증폭시키고 어떤 것을 대체하는지에 대한 초기 그림을 제시한다. 코드를 생성하는 세션에서 모든 주요 직종의 성공률이 소프트웨어 관련 직종과 몇 %포인트 이내로 수렴한다. 코딩 에이전트가 성공적인 프로그래밍에서 코딩 배경의 중요성을 낮추고 있는 것으로 보인다.

동시에 성공 세션에서는 도메인 전문성이 더 두드러지게 나타난다. 전문가 세션은 초보자 세션에 비해 검증된 성공률이 두 배 이상 높고, 어려움에 처한 세션에서 초보자가 포기하는 비율은 다른 모든 수준의 몇 배에 달한다. 협업의 구조를 들여다보면 이 그림이 더욱 선명해진다. 도메인 전문가일수록 지시 하나로 Claude를 더 많은 작업으로 이끌 수 있다. 다시 말해, Claude를 성공으로 이끄는 능력은 코드를 작성하는 능력보다 해당 분야를 얼마나 잘 아는가에서 온다. 어느 분야든 그 분야에 정통한 사람이라면 이제 전에는 할 수 없었던 기술적 작업을 해낼 수 있다. 반면 전문성이 전혀 없는 사람은 같은 도구에서 훨씬 적은 것을 얻을 것이다. 그리고 이 이득은 대부분 통달이 아닌 역량에서 온다. 해당 분야에 대한 실용적인 이해만으로도 혜택의 대부분을 누릴 수 있으며, 깊은 전문화는 그 위에 약간의 추가 이득을 더할 뿐이다.

이러한 발견은 아직 예비적인 성격이다. 대부분의 연구와 마찬가지로, 세션에서 작성된 코드가 실제로 사용되는지 폐기되는지, 또는 경제적 가치를 지닌 산출물을 만들어내는지 같은 실제 결과를 측정할 수 없다. 또한 이 보고서가 제외한 비인터랙티브 사용이 전체 활동에서 상당한 비중을 차지한다. 이를 측정하는 프레임워크를 개발하는 것이 향후 연구의 우선 과제다. 아울러 세션에 대한 모든 분류는 모델이 대화록을 읽고 내린 판단에 의존한다. 부록에서 분류기가 독립적인 텔레메트리를 예상된 방향으로 추적하며, 대부분의 세션에서 강력한 기준 모델과 일치함을 보인다. 그러나 분류기를 대규모로 검증하는 것은 여전히 어려운 과제이며, Claude Code 세션은 사람이 정답 레이블을 달기에 너무 길고 복잡할 수 있어 어려움이 가중된다.

이 보고서의 그림은 모델, 사용자, 그리고 양자 간의 역할 분담이 변화함에 따라 업데이트될 것이다. 이 지표들이 중요한 변화가 일어날 때 이를 실시간으로 추적할 수 있기를 기대한다. 예를 들어, 전문성의 수익이 시간이 지나면서 줄어들기 시작한다면, 모델이 현재 사용자가 담당하는 본질적인 판단력을 공급하기 시작했음을, 그리고 이 도구의 혜택이 도메인 전문가를 넘어 더 넓게 확산되고 있음을 시사할 것이다. 소프트웨어 직종 이외의 사용자가 코딩 세션을 성공적으로 완수하는 비율이 계속 증가한다면, 소프트웨어 생산이 특정 직종만의 산물이 아니라 모든 분야의 일반적인 업무의 일부가 되고 있다는 신호일 수 있다. 이러한 변화는 에이전트 코딩의 혜택을 누리는 주체와 그 수혜 정도를 바꾸고, 노동 시장에서 무엇이 가장 가치 있게 여겨지는지에도 영향을 미칠 것이다.

부록

여기서 확인할 수 있다.

인용

@online{hitzig2026agentic,
 author = {Zoe Hitzig and Maxim Massenkoff and Eva Lyubich and Ryan Heller and Peter McCrory},
 title = {Agentic coding and persistent returns to expertise},
 date = {2026-06-16},
 year = {2026},
 url = {https://www.anthropic.com/research/claude-code-expertise},
}

감사의 말

감사의 말을 전합니다: Jake Eaton, Sarah Pollack, Hanah Ho, Szymon Sacher, Anton Korinek, Santi Ruiz, Kerry Persen, Ankur Rathi, Alex Tamkin, Heather Whitney, Cat Wu, Kacie Jenkins, Jennifer Martinez, Amie Rotherham, Boris Cherny, Eleanor Dorfman, Miles McCain, Jack Clark.