Anthropic Economic Index 보고서: Claude 활용 패턴 분석

들어가며

1년 전만 해도 Claude 사용의 대부분은 사용자와 어시스턴트 간의 대화 형태였습니다. 그러나 Claude Code와 Cowork의 빠른 성장에 힘입어, 이제 Claude 세션은 장시간 실행되는 에이전트 작업으로 채워지는 경우가 점점 많아지고 있습니다. 대화 기록만으로는 사람들이 AI를 어떻게 활용하는지 온전히 파악하기 어려워졌고, Claude의 경제적 영향을 연구하는 방법론도 이에 맞춰 진화해야 했습니다.

이러한 변화에 발맞추기 위해 Economic Index의 데이터 파이프라인을 여러 방면으로 개선했습니다. 이번 버전에서는 다음과 같은 작업을 수행했습니다.

• 데이터 샘플링 빈도를 높여 시간 단위까지 사용 패턴을 파악할 수 있게 했습니다.
• 각 대화의 결과물을 분류하는 새로운 분류기를 도입했습니다.
• 더 세분화된 데이터를 공개합니다. 채팅 및 Cowork 대화(이 둘을 합쳐 "Claude 대화"라 합니다)와 1P API의 결과를 월 단위로 집계해 구분하여 제공합니다.¹

그 밖의 방법론적 변경 사항은 부록에서 설명합니다. 이러한 변화들을 통해 AI가 경제 활동에 어떻게 반영되고 퍼져나가는지 더욱 선명하게 들여다볼 수 있게 되었습니다.

한편, 지금까지는 사용자 세션 밖에서 Claude가 미치는 영향을 파악하기 어려웠습니다. 사람들은 AI가 자신의 업무나 커리어 기회를 어떻게 바꾸고 있다고 느낄까요? AI 사용 경험이 기대치에 영향을 줄까요? 이상적인 세계에서 AI에 바라는 것은 무엇일까요? 2026년 4월에 출범한 Anthropic Economic Index 설문조사의 초기 결과를 이 보고서에서 처음으로 공개합니다.

주요 발견 사항을 아래에 미리 소개합니다.

• 1장에서는 외부 세계의 리듬이 Claude 사용 패턴에 어떻게 투영되는지를 다룹니다. 업무 관련 질문은 주말에 줄어들지만, 고임금 직종일수록 그 감소폭이 작습니다. 사람들은 오전에 뉴스를 묻고, 수면 관련 조언 요청은 새벽 5시경에 정점을 찍습니다. 세금 관련 질문은 신고 마감일을 전후해 급증합니다.

• 2장에서는 사람들이 Claude 세션을 통해 실제로 얻어 가는 결과물을 살펴봅니다. 결과물의 유형은 어떤 제품을 사용하느냐에 따라 크게 달라집니다. 예를 들어 채팅과 Cowork는 Claude Code에 비해 설명(explanation) 형태의 결과물이 더 많이 나옵니다. 또한 결과물의 성격은 Claude와의 상호작용 방식에도 영향을 미칩니다. 웹사이트를 구축하는 작업은 Claude에게 훨씬 많은 판단을 맡기는 반면, 문서 번역은 원문이 답을 대부분 규정하기 때문에 Claude의 재량 여지가 좁습니다. 또한 더 많은 컴퓨팅 자원이 투입될수록 더 가치 있는 결과물이 만들어지는 경향이 있으며, 특정 결과물에 소요되는 토큰 수는 해당 작업의 추정 가치에 비례해 증가합니다.

• 3장에서는 개인정보 보호 시스템을 통해 Claude 사용 데이터와 연계한 Anthropic Economic Index 설문조사의 첫 번째 결과를 제시합니다. 기대와 경험은 Claude를 어떻게 사용하느냐에 따라 체계적으로 달라집니다. Claude를 가장 자동화된 방식으로 활용하는 사람들은 내년에 AI가 자신의 업무를 더 많이 대신할 것이라고 예상하면서도, 그 변화에 대해 가장 낙관적인 태도를 보입니다. 이들은 임금, 고용 안정성, 일의 의미 모두에 긍정적인 영향이 있을 것이라 기대합니다.

활용 패턴

매일 일정 비율의 대화를 지속적으로 샘플링하는 새로운 개인정보 보호 텔레메트리 덕분에, 이전 Economic Index 보고서가 활용했던 7일치 표본과 달리 일별·시간별 사용 패턴까지 분석할 수 있게 되었습니다. 이를 통해 전 세계 근무 패턴의 파도와 썰물을 포착할 수 있습니다.²

분석 결과, Claude 사용량은 업무 주간의 흐름을 그대로 반영하며, 주말에는 개인적인 질문이 급증하는 것으로 나타났습니다. 시간별 데이터는 하루 중 패턴도 보여줍니다. 수면 관련 조언은 새벽 5시경에, 레시피 요청은 오후 6시경에 가장 많습니다. 또한 사용 패턴에는 특정 날짜의 영향도 나타납니다. 예를 들어 4월 15일 미국 세금 신고 마감일 직전에는 세금 관련 질문이 급증했습니다.

업무 주간

샘플 기간 동안 개인적 용도로 분류된 채팅 및 Cowork³ 대화의 비중은 주중 약 35%에서 주말에는 50% 미만으로 뛰어오릅니다(그림 1.1). 주말에는 대화 주제가 비즈니스 서신, 마케팅 카피, 슬라이드 제작에서 감정적 지지, 의료 상담, 투자 조언으로 옮겨갑니다. 이러한 변화는 고소득 국가에서 더 두드러집니다.

Claude Code와 1P API 트래픽(즉, Anthropic을 직접 경유하는 API 트래픽)에서도 유사한 패턴이 관찰되지만, 두 채널 모두 개인적 용도의 기본 비율은 더 낮습니다.⁴

요청 클러스터⁵를 활용하면 한 단계 더 깊이 들어가, 어떤 Claude Code 작업이 주중과 주말 사이에 가장 큰 변화를 보이는지 파악할 수 있습니다. 주말에 가장 크게 줄어드는 Claude Code 사용 클러스터는 백엔드 아키텍처, API 디버깅, 데이터 스토리지 관련 작업입니다. 반면 가장 크게 늘어나는 클러스터는 AI 에이전트 설계, 퀀트 트레이딩, 게임 관련 작업입니다.

주말은 또한 새로운 사업 아이디어를 탐색하는 시간이 되기도 합니다. 전 세계적으로 창업과 관련된 대화는 토요일과 일요일에 가장 많습니다. 반면 구직 활동 관련 대화는 다른 업무 관련 작업들과 마찬가지로 주말에 줄어듭니다.⁶

하루의 리듬

시간대별로 보면, Claude 사용 패턴은 일상의 리듬을 고스란히 반영합니다. 그림 1.2는 전 세계 트래픽에서 각 요청 클러스터의 시간별 빈도를 전체 평균 대비 비율로 나타낸 것입니다.⁷

사람들은 현지 시각 오전 7시에 뉴스를 묻습니다. 비즈니스 서신(예: 이메일 작성)은 업무 시간의 흐름에 따라 오전 10~11시에 소폭 정점을 찍습니다. 가장 두드러진 급증은 레시피 요청으로, 오후 6시에는 평균 대비 2.3배 더 많이 발생합니다. 미디어 추천 요청은 저녁 시간에 집중되고, 수면 조언은 동트기 직전 몇 시간 사이에 가장 많이 찾습니다.

밤이나 주말에 업무 목적으로 Claude를 찾는 경우에는 고임금 직종에 해당하는 작업의 비중이 높아지는 경향이 있습니다(그림 1.3). 이러한 요청을 하는 사람들의 직업을 확정적으로 알 수는 없지만, 마케팅 매니저나 컴퓨터 프로그래머처럼 고임금 직종에 종사하는 사람들이 전통적인 업무 시간 외에도 일할 가능성이 높다는 사실과 연관이 있을 수 있습니다. 반면 텔레마케팅이나 사무직처럼 하위 두 사분위에 해당하는 직종의 작업은 전체 대화에서 차지하는 비중이 줄어듭니다. 이 패턴은 컴퓨터·수학 관련 작업에만 기인하는 것이 아닙니다. 해당 직종을 분석에서 제외한 검증 분석에서도 밤과 주말에 상위 분위 작업의 비중은 여전히 증가했습니다.

세금 신고일

이번 보고서의 샘플 기간에는 미국의 세금 신고 마감일이 포함됩니다. 그림 1.4를 보면 마감일을 전후해 세금 관련 대화 비중이 크게 치솟는 것을 확인할 수 있습니다. 4월 14일에는 세금 관련 클러스터 발생 빈도가 5월 평균 대비 8배에 달했고, 4월 15일에도 비슷한 수준을 유지했다가 4월 16일에는 급격히 줄어들었습니다.

결과물(Artifacts)

이 장에서는 채팅 및 Cowork(이하 "Claude 대화")⁸의 각 대화를 결과물(artifact)에 따라 30개 이상의 카테고리로 분류합니다. 결과물이란 Claude가 대화에서 생성하는 주된 산출물을 의미하며, 채팅 창에 표시되든 별도 문서로 제공되든 관계없이 문서, 설명, 코드, 학술 논문 등이 여기에 해당합니다. 전체 결과물 목록은 부록에서 확인할 수 있습니다.

분류기 분석 결과, Claude 대화의 93%에서 결과물이 생성된 것으로 나타났습니다(그림 2.1).⁹ 가장 흔한 결과물은 설명(전체 대화의 17%), 문서 및 보고서(15%), 가이던스(11%) 순입니다. 설명이나 가이던스 같은 대화형 결과물과 문서나 프레젠테이션 같은 서면 결과물이 각각 전체 대화의 약 3분의 1을 차지하며, 앱이나 스크립트 같은 코드 및 기술 작업은 약 6분의 1을 차지합니다.

결과물의 형태가 무엇인지 안다고 해서 그 용도까지 알 수는 없습니다. 동일한 결과물이 업무 산출물이 될 수도, 개인 프로젝트의 결과물이 될 수도 있습니다. 이 구분을 다음에서 살펴보겠습니다.

결과물의 용도는 무엇인가?

1월 Economic Index에서는 각 대화를 업무, 개인, 과제로 분류하는 기본 분류 체계를 도입했습니다. 여기서는 이 분류를 Claude 대화에서 생성된 결과물에 적용합니다(그림 2.2).

일부 결과물 카테고리는 거의 대부분 개인적 용도입니다. 창작 글쓰기, 가이던스, 레시피를 생성한 대화의 80% 이상이 개인적 용도로 분류됐습니다. 같은 카테고리 내에서도 개인적 용도와 업무 관련 용도는 꽤 다른 양상을 보입니다. 예를 들어 개인적 창작 글쓰기는 팬픽션, 세계관 구축, 시(詩)가 주를 이루는 반면, 업무 관련 창작 글쓰기(13%)는 주로 숏폼 영상 스크립트, 시나리오, 연설문 형태입니다. 업무 관련 비중이 가장 높은 카테고리는 마케팅 콘텐츠 제작(80%), 블로그 및 기사 작성(81%), 데이터베이스 쿼리 작성(82%)입니다.

개인적 용도와 업무 관련 용도가 비슷한 비중으로 나뉘는 결과물도 있습니다. 계획 및 전략 수립(업무 44%, 개인 49%)과 번역(업무 42%, 개인 44%)이 그 예입니다. 개인적 계획 결과물로는 여행 일정이나 운동 계획이 가장 많고, 업무 관련 계획은 주로 창업 전략이나 콘텐츠 전략에 집중됩니다.

과제와 연관된 결과물로는 학술 논문 및 논문 초안, 교육 자료, 수학 관련 질문 등이 있습니다. 다만 이러한 카테고리의 상당 부분이 업무 및 개인 용도에도 걸쳐 있습니다.

반대로 질문을 뒤집어볼 수도 있습니다. 각 결과물이 어떤 용도로 쓰이는지 묻는 대신, 업무·개인·과제 대화 각각에서 어떤 결과물이 주로 생성되는지 볼 수 있습니다. 업무 대화에서는 문서 및 보고서(20%)가 가장 많이 나타나고, 그 다음으로 설명(9%), 이메일 초안(7%), 분석 및 요약(6%)이 이어집니다. 과제 대화도 전반적으로 유사한 양상으로, 문서 및 보고서(21%)가 선두를 차지하고 설명(20%), 교육 자료(11%), 학술 논문(6%)이 뒤를 잇습니다. 반면 개인 대화에서 문서가 결과물로 나오는 경우는 6%에 불과합니다. 개인 대화의 결과물은 설명(25%)과 추천(22%)이 가장 많습니다.

비용은 작업의 가치를 반영한다

이러한 결과물을 생성하려면 컴퓨팅 자원이 필요하며, 그 규모는 작업의 가치에 비례하는 경향이 있습니다. 대화별 컴퓨팅 비용은 토큰 수로 측정합니다. 토큰은 Claude의 내부 추론 과정을 포함해 처리·생성된 텍스트의 양을 의미합니다. 직종별 비교는 각 대화에서 분류된 작업을 통상적으로 수행하는 직종에 매핑하는 방식으로 이루어집니다. 이 섹션의 분석은 업무 관련 대화로 한정합니다.

그림 2.3의 왼쪽 패널은 대화 단위 토큰 수 중앙값과 매핑된 직종의 임금 중앙값 사이에 양의 상관관계가 있음을 보여줍니다.¹⁰ 예를 들어, 마케팅 매니저는 에디터보다 약 두 배 높은 임금을 받으며(시간당 $80 대 $37), 이들의 작업에 매핑된 대화는 약 2.5배 더 많은 토큰을 소비합니다. 다만 이 관계가 선명하지 않은 경우도 있고 뚜렷한 이상치도 존재합니다. 예를 들어 약사는 통계 보조원의 약 세 배에 달하는 임금을 받지만(시간당 $68 대 $24), 약사 작업에 매핑된 대화가 사용하는 토큰은 통계 보조원의 20분의 1 수준에 불과합니다.

결과물 유형별 토큰 소비량도 같은 흐름을 보여줍니다. 복잡하고 가치 있는 결과물일수록 단순한 결과물보다 훨씬 많은 토큰을 소비하는 경향이 있습니다. 예를 들어 앱 개발 관련 대화는 전체 중앙값의 세 배 이상의 토큰을 사용합니다. 반면 일반적인 설명(explanation)은 중앙값의 약 5분의 1에 해당하는 토큰만 사용합니다. 임금별 토큰 소비 격차의 약 44%는 결과물 유형의 차이로 설명됩니다. 고임금 직종은 컴퓨팅 집약적인 결과물을 생성하는 경향이 높기 때문입니다.

이것이 경제적으로 어떤 의미를 지닐까요? 고임금 직종에 매핑된 대화에서는 Claude가 더 많이 생성하고(턴당 산출량 1.34배), 사용자의 참여도 더 활발하며(턴 수 1.53배), 확장 사고(extended thinking) 기능도 더 자주 활성화됩니다(대화의 34% 대 31%, 표 2.4). 중요한 점은 이 요소들이 함께 움직인다는 것입니다. Claude의 생산량이 늘어난다고 해서 사용자의 참여가 줄어드는 것은 아닙니다. 가장 가치 높은 작업에서 사람이 계속 관여한다면, 이 패턴은 노동을 대체하기보다 증강하는 방향에 가깝습니다. 또한 이는 더 가치 있는 결과물을 만들기 위해서는 더 많은 비용이 든다는 것을 보여줍니다. 다음 섹션에서는 각 대화 내에서 Claude에게 얼마나 많은 의사결정을 위임하는지를 살펴봅니다.

Claude는 얼마나 자율적으로 판단하는가?

이를 1~5점 척도("없음"에서 "매우 높음")로 측정합니다. 명확하게 지정하기 쉬운 작업은 자율성이 낮습니다. 자율성이 가장 낮은 결과물은 수학 계산, 번역, Q&A입니다. 반면 자율성이 높은 작업은 앱 및 웹사이트 개발, 게임, 프레젠테이션 제작 등 다양한 선택지 가운데 하나를 골라야 하는 작업들로, 지속적인 판단을 요구하기 때문에 역사적으로 자동화가 어려웠습니다. Claude 채팅·Cowork와 Claude Code의 자율성 수준을 비교해보면, 이 상황이 변화하기 시작했음을 알 수 있습니다.

거의 모든 결과물 유형(31개 중 26개)에서 Claude Code의 AI 자율성 수준이 채팅이나 Cowork보다 높습니다.¹¹ 예를 들어 스크립트 및 코드 스니펫 생성 작업의 경우, Claude Code에서의 자율성은 채팅이나 Cowork에서 동일한 결과물을 만들 때보다 평균 0.53점(1~5점 척도 기준) 더 높습니다. 전체 대화를 기준으로 자율성 차이의 평균은 0.37점이며, 주요 원인은 두 가지입니다.¹²

차이의 약 3분의 2는 동일한 작업이라도 Claude Code에서 더 높은 위임도로 실행되기 때문입니다. 블로그 게시물과 기사가 그 예입니다. 두 플랫폼에서 요청되는 작업의 내용은 비슷하지만, Claude와 협업하는 방식은 크게 다릅니다. 채팅 및 Cowork에서 블로그 게시물을 작성하는 대화의 중앙값은 13번의 주고받음(back-and-forth)을 포함하는 반면, Claude Code에서 블로그를 생성하는 세션의 중앙값은 사람의 프롬프트가 단 한 번입니다. 나머지 3분의 1은 두 플랫폼 간 결과물 유형 구성의 차이에서 비롯됩니다.

이 차이가 단순히 모델 선택의 문제일 수 있다는 의문이 들 수 있습니다. Claude Code 세션에서는 가장 강력한 모델이 훨씬 자주 사용됩니다(Opus로 처리되는 비율이 54%로, 채팅 및 Cowork의 10%를 크게 상회합니다). 그러나 동일한 모델을 사용한 대화만을 비교해도 격차는 여전합니다. 예를 들어 Sonnet을 사용한 대화 중에서도 Claude Code 세션은 0.26점 더 높은 자율성을 보입니다. 이는 사용하는 제품이 기반 모델보다 더 중요한 요인일 가능성을 시사합니다.

플랫폼 간 비교에서 한 걸음 물러서서 보면, 사용자가 가장 많이 위임하는 결과물 유형과 컴퓨팅을 가장 많이 소비하는 유형이 일치합니다. 결과물 전반에 걸쳐 평균 자율성과 토큰 사용량 중앙값은 함께 증가하는 경향을 보입니다(채팅 및 Cowork 기준 r = 0.68; 부록 그림 A.2).

Claude는 질문보다 높은 수준으로 답한다

분류기는 각 대화에서 사용자의 프롬프트와 Claude의 응답 각각에 대해 두 가지 독해 수준을 추정합니다. 이는 해당 텍스트를 이해하는 데 필요한 교육 연수로 표현됩니다.¹³ 독해 수준은 결과물 유형에 따라 큰 차이를 보입니다. 학술 논문을 생성하는 평균적인 질문은 16년 이상의 교육 연수(대략 학사 수준)가 필요하며, 이러한 대화의 15%는 박사 수준 이상(20년 이상)에 해당합니다. 반면 레시피나 가이던스를 얻는 대화는 프롬프트를 이해하는 데 10년 미만의 교육 연수만 필요합니다.

일반적으로 결과물의 독해 수준이 높은 카테고리는 프롬프트의 독해 수준도 높습니다(대화 기준 상관계수 0.87). 그러나 거의 모든 카테고리에서 Claude의 응답은 프롬프트보다 평균적으로 약 1년의 교육 연수만큼 더 높은 이해 수준에서 작성됩니다. 이 격차가 가장 큰 경우는 사용자가 무언가를 만들어달라고 설명하는 유형으로, 이미지·그래픽(+2.6년), 게임(+1.9년), 앱·웹사이트(+1.7년)가 해당됩니다. 이 격차의 일부는 단순히 문체 차이에서 비롯될 수 있습니다. 프롬프트는 대개 간결하고 비격식적인 반면, Claude는 다듬어진 문장으로 답하는 경향이 있습니다. 그러나 독자를 위한 글쓰기(블로그 −0.1, 학술 논문 +0.0, 이메일 +0.3)에서는 격차가 거의 없습니다. 이 경우 프롬프트가 주로 최종 결과물과 같은 문체로 작성된 초안이나 원문 자료를 담고 있기 때문으로 보입니다.

인식

앞의 두 장은 사람들이 Claude를 어떻게 사용하는지를 보여주지만, 사람들이 업무 현장에서 AI를 어떻게 경험하는지—자신의 직업과 직장이 어떻게 바뀔 것이라 예상하는지, AI의 현재 및 미래 영향에 대해 어떻게 느끼는지, 이 기술에서 무엇을 기대하는지—에 대한 통찰은 충분히 담지 못합니다. Claude 사용자 8만 1천 명을 대상으로 한 인터뷰는 Anthropic Interviewer를 통해 2025년 12월에 진행됐으며, 그 결과를 통해 응답자들이 생산성 향상을 크게 경험하면서도 일자리 대체에 대한 우려를 함께 표출하고 있음이 나타났습니다. 이러한 우려는 특히 초기 경력자와 Claude가 가장 많은 작업을 수행하는 것으로 관찰되는 직종에 집중되어 있었습니다.¹⁴

2026년 4월, 이 연구를 심화하기 위해 Anthropic Economic Index 설문조사를 시작했습니다. 이 설문은 사람들에게 AI와 업무 경험에 대해 직접 질문하고, 응답이 Claude 사용 패턴에 따라 어떻게 달라지는지 탐구할 수 있게 해줍니다. 설문 응답은 개인정보 보호 방식을 통해 5월 중순부터 6월 초의 사용 데이터와 연계했습니다. 각 응답자의 사용 패턴을 파악하기 위해 해당 기간 내 최대 20개 세션을 무작위로 샘플링했으며(Claude.ai, Cowork, Claude Code 전반에 걸쳐, 각 사람의 플랫폼별 실제 사용 비율이 반영되도록), 샘플링 오차를 줄이기 위해 세션이 5회 미만인 응답자는 제외했습니다. 최종 연계 샘플은 설문 응답자 약 9,700명으로 구성됩니다.

분석 결과, 대부분의 응답자는 향후 1년간 AI가 크게 발전할 것이라 예상했습니다. 사람들의 AI 역량 인식은 경험, 거주 국가, 직업의 AI 노출 정도에 따라 달라지지만, 미래 발전 속도에 대한 기대는 놀라울 만큼 일치했습니다. 이는 AI 역량이 전반적으로 향상되는 "밀물" 현상과 일맥상통합니다.

그러나 그 발전이 자신의 커리어에 어떤 의미인지에 대해서는 의견이 갈립니다. 초기 경력자들은 AI가 자신의 업무 중 가장 높은 비율을 수행할 수 있다고 답했으며, 일자리 상실에 대한 걱정도 가장 크게 나타났습니다. 하지만 일반적인 우려와 달리, Claude에게 가장 많은 작업을 위임하는 사람들이 오히려 미래 노동시장 전망에 가장 낙관적이었으며, 자신의 역량 가치가 높아지고 있다고 느꼈습니다. 또한 AI 최전선과 가까이 있음에도 불구하고(아니면 바로 그렇기 때문에), 평균적인 응답자들이 향후 10년에 대해 품는 희망은 대체가 아닌 협업에 중심을 두고 있었습니다. 이들은 AI가 의미 있는 일을 지켜주면서 단조로운 작업을 자동화해주고, AI로 인한 이득이 널리 공유되기를 바랐습니다.

Economic Index 설문조사 응답자는 누구인가

Economic Index 설문조사는 일반 대중을 대표하지 않습니다. Claude 사용자 중 무작위 표본을 대상으로 하며, 설문 완료 여부에 따른 선택 편향이 존재할 수 있고, 비활성 사용자는 분석에서 제외했습니다. 그림 3.1은 설문 응답자의 직업 분포(주황색)를 미국 고용 통계(회색)와 비교한 것입니다. 컴퓨터·수학 직종이 응답자의 약 30%로 가장 크게 과대 표현되어 있습니다. 이는 전체 Claude 사용에서 차지하는 비중과 비슷하지만, 미국 전체 고용에서 차지하는 4%와는 큰 차이가 있습니다. 관리직은 응답자의 23%¹⁵를 차지해 미국 전체 고용 비중 7% 대비 크게 과대 표현되어 있으며, 전체 세션에서 차지하는 비중이 4%에 불과하다는 점을 고려하면 더욱 두드러집니다. 이 격차는 관리자들이 관리 업무 외의 다른 작업에도 Claude를 활용하는 패턴과 일치합니다. 설문에서 특히 경력이 많은 응답자들 중 상당수는 AI가 판단력이나 인력 관리 역량을 갖추지 못했다고 답했습니다. 운송·물류, 음식 준비·서비스, 건설·채굴 등 신체 노동 직종은 Claude 세션에서와 마찬가지로 설문에서도 과소 대표됩니다.

AI와 업무 작업

AI 영향에 관한 연구는 흔히 직업 노출도, 즉 특정 직종의 업무 중 AI로 수행 가능한 비율에 초점을 맞춥니다. 이전 연구에서 우리는 Claude를 통해 실제로 수행되는 것으로 관찰되는 직종별 업무 비율인 관찰 노출도(observed exposure)를 측정하고, 이를 대형 언어 모델이 이론상 수행 가능한 업무 비율인 이론적 노출도(theoretical exposure)와 비교했습니다.

직업 노출도를 파악하는 또 다른 방법은 사람들에게 직접 물어보는 것입니다. 이번 설문에서는 현재 AI가 자신의 업무 중 얼마나 처리할 수 있는지(이하 자가 보고 노출도)와 12개월 후에는 얼마나 될 것이라 예상하는지(예상 노출도)를 물었습니다. 응답은 "거의 없음"에서 "거의 전부"까지 다섯 단계 중 하나를 선택하는 방식으로 진행했습니다. 응답자의 약 10명 중 6명이 내년 예상 수준으로 더 높은 단계를 선택했습니다. 3분의 1이 넘는 응답자는 내년에는 AI가 자신의 업무 대부분 혹은 거의 전부를 수행할 수 있을 것이라 예상했습니다(그림 3.2).

그림 3.3은 자가 보고 노출도 및 예상 노출도를 관찰 노출도, 이론적 노출도와 비교합니다. 응답자들이 AI가 현재 및 미래에 수행할 수 있다고 보고하는 것이 직종별 관찰·이론 노출도 지표와 얼마나 일치하는지, 그리고 관찰·이론 노출도가 높은 직종의 응답자들이 더 빠른 발전을 예상하는지를 살펴봤습니다. 첫 번째 질문에 대한 답은 '그렇다'입니다. 자가 보고 노출도(회색 점)는 관찰 노출도 및 이론적 노출도 모두와 양의 상관관계를 보입니다. 두 번째 질문에 대한 답은 '아니다'입니다. 자가 보고 노출도와 12개월 후 예상 노출도(주황색 점)의 최적 회귀선이 사실상 평행하게 나타납니다. 이는 관찰·이론 노출도가 높은 직종에 있는 사람들도 그렇지 않은 사람들과 마찬가지로 내년에 AI가 처리할 수 있는 업무 비율이 비슷한 폭으로 늘어날 것이라고 예상한다는 의미입니다.¹⁷ 즉, 소프트웨어 엔지니어와 건설 관리자 모두 자신의 직종 내에서 비슷한 수준의 발전을 기대합니다.

또 주목할 점은 자가 보고 노출도가 체계적으로 관찰 노출도를 초과한다는 것입니다. 이에 대한 한 가지 설명은 모든 사람이 해당 직종의 모든 업무를 수행하는 것은 아니며, 우리 설문 표본이 AI를 더 많이 사용하는 사람들 쪽으로 치우쳐 있다는 점입니다.¹⁸ 반면 이론적 노출도는 현재 사용량이 아니라 가능성의 상한선이기 때문에 자가 보고 노출도를 체계적으로 상회합니다.

다음으로 AI의 현재 및 미래 역량에 대한 인식이 응답자의 특성 및 사용 패턴과 어떤 관계에 있는지 살펴봅니다. 그림 3.4의 왼쪽 패널은 AI 역량 인식과 국가별 GDP 사이에 음의 상관관계가 있음을 보여줍니다.¹⁹ 고소득 국가에서는 현재 AI가 자신의 업무를 처리할 수 있다고 보고하는 비율이 약 10퍼센트포인트 낮습니다. 이 패턴은 직종 단위 노출도 지표(선진국에서 더 높게 나타나는 경향이 있음)가 시사하는 것과 달리, AI가 저소득 국가 근로자들의 일상 업무 중 더 높은 비율을 대체할 가능성과 일치합니다. 실제로 IMF는 선진국이 전반적으로 더 넓은 AI 노출에 직면해 있는 반면, 저소득 국가 근로자들은 AI를 대체가 아닌 증강 도구로 활용할 수 있게 해주는 보완적 기술과 인프라에 대한 접근성이 낮을 수 있다고 지적한 바 있습니다. 이전 연구에서 우리는 작업 유형 차이를 조정하더라도 저소득 경제권이 Claude를 더 자동화된 방식으로 활용하는 경향이 있음을 확인했습니다.

중간 패널에서는 자가 보고 노출도와 예상 노출도 모두 업무 경력 연수와 음의 상관관계를 보입니다.²⁰ 경력이 15년 이상인 사람들은 첫 해 근무자보다 AI가 자신의 업무를 처리할 수 있는 비율을 약 10퍼센트포인트 낮게 봅니다. 이는 경험 많은 근로자들이 AI가 모방하기 어려운 암묵적 지식이나 맥락 특화적 전문성을 축적했기 때문일 수 있다는 근거가 있습니다. 후속 질문에서 AI가 절대 수행할 수 없다고 생각하는 작업과 그 이유를 물었을 때, 가장 많은 응답은 AI가 자신의 업무에 필요한 판단력, 맥락 이해, 상황 추론이 부족하다는 것이었습니다. 또한 응답자들, 특히 경력 15년 이상의 응답자들은 신뢰 구축이나 사람 관리 같은 대인 관계 업무는 AI가 재현할 수 없다고 꼽았습니다.

직업별 AI 노출도의 경우와 마찬가지로, AI 역량의 미래 발전에 대한 인식은 1인당 GDP나 경력 연수와 사실상 무관한 것으로 나타났습니다. 12개월 후 AI가 처리할 수 있는 업무 비율에 대한 예상은 현재 AI 역량에 대한 인식보다 일관되게 높습니다.

다음으로 사람들이 Claude와 어떻게 상호작용하는지와 Claude 역량에 대한 현재 인식 사이의 관계를 살펴봅니다. 이전 보고서와 마찬가지로 Claude와 협업하는 방식을 "자동화(automation)" 모드와 "증강(augmentation)" 모드로 구분합니다. 사용자의 개입이 거의 없이 Claude가 작업을 완수하도록 요청하는 경우를 자동화로 분류합니다. 구체적으로, 자동화 비율은 대화 패턴이 지시형("이 문서 번역해줘")이거나 피드백 루프형("이 이메일 수정해줘…더 캐주얼하게 바꿔줘")인 대화의 비중입니다.²¹

그림 3.4의 오른쪽 패널에서 자가 보고 노출도와 예상 노출도 모두 자동화 비율과 함께 증가하는 것을 볼 수 있습니다. 이는 위임 자체가 AI 역량에 대한 정보를 제공하기 때문일 수 있습니다. 즉, 전체 작업을 AI에게 맡겨본 사람들은 AI가 스스로 무엇을 완수할 수 있는지 직접 관찰하게 됩니다. 혹은 AI가 자신의 업무를 처리할 수 있다고 이미 믿는 사람들이 더 기꺼이 작업을 넘기는 것일 수도 있습니다. 자동화 비율 대신 업무 목적 세션의 비율이나 Claude Code에서 진행된 세션 비율로 대체해도 같은 패턴이 나타납니다.²²

AI와 일자리

향후 12개월 동안 자신의 직업이 어떻게 변할 것이라 생각하는지도 물었습니다. 응답자의 3분의 1 이상이 자신, 동료, 후배 동료, 선배 동료의 업무 책임이 크게 바뀔 가능성이 있다고 답했습니다. 자신이 직접 일자리를 잃을 가능성이 높거나 매우 높다고 답한 비율은 10%였습니다. 이는 미국의 연간 실직률보다 약간 낮은 수준이지만²³, 우리 응답자들이 안정적인 고용 상태에 있는 지식 근로자에 편중되어 있다는 점을 감안하면(이 집단의 기본 이직률은 평균보다 낮을 가능성이 높음), 여전히 높아진 위험 인식을 반영하는 수치일 수 있습니다. 자신의 일자리를 잃을 가능성이 높다고 답한 응답자 중 38%는 그 이유로 AI를 꼽았습니다.²⁴ 특히 응답자들은 자신의 일자리 상실보다 타인의 일자리 상실을 더 걱정하는 경향이 있었습니다.²⁵ 후배 동료의 일자리 상실에 대한 우려가 가장 컸는데, 3분의 1이 넘는 응답자가 후배 동료가 내년에 일자리를 잃을 확률이 60%를 초과한다고 답했습니다. 또한 저소득 국가에서의 일자리 상실(모든 대상에 대해)을 더 우려하는 경향도 나타났습니다.

Claude를 더 자동화된 방식으로 사용하는 사람들이 일자리 상실에 대한 걱정도 더 클까요? 다음으로 향후 1년간 AI가 임금, 고용 안정성, 새로운 일자리 탐색 능력(경제적 차원)과 일의 의미, 자율성, 대인 관계(내재적 차원), 이 여섯 가지 측면에서 자신의 업무에 어떤 영향을 미칠 것으로 예상하는지를 살펴보고, 이러한 기대가 Claude 사용의 자동화 비율에 따라 어떻게 달라지는지 분석했습니다.

여섯 가지 차원 모두에서, 자동화 세션 비율이 높은 사람들은 증강 방식으로 Claude를 사용하는 사람들보다 AI가 자신의 직업적 성과에 미칠 영향에 대해 더 낙관적이었습니다. 특히 미래 임금과 취업 능력에 대한 긍정적 영향 예상에서 가장 큰 차이가 나타났습니다.²⁶

자동화 사용 패턴과 긍정적 인식이 함께 나타나는 이유에 대한 자연스러운 의문이 생깁니다. 이것이 선택 편향의 결과일 수 있습니다. 즉, AI에 가장 열정적인 사람들이 작업을 AI에 통째로 맡기는 데도 가장 적극적일 수 있습니다. 이를 완전히 배제할 수는 없지만, Claude.ai 사용 기간을 통제한 경우에도 추정치는 유의미하게 달라지지 않았습니다. 사용 기간은 초기 도입자와 후기 도입자를 구분하는 열정 수준의 대리 지표로 볼 수 있습니다.

또 다른 가능성은 AI를 더 자동화된 방식으로 사용하는 사람들이 오늘날 AI의 혜택을 더 많이 경험하고 있다는 것입니다. 이전 연구 결과와 마찬가지로, 응답자의 압도적 다수가 속도(86%), 작업 범위(82%), 품질(69%) 측면에서 생산성 향상을 경험했다고 답했으며, 27%는 AI를 통해 기존에 외부에서 구매해야 했던 서비스 비용을 절감할 수 있었다고 응답했습니다.

상당한 생산성 향상 외에도, 응답자의 다수는 AI와 함께 더 많이 배우고 있다(68%)고 답했으며, AI가 자신의 역량을 더욱 가치 있게 만들었다(57%)고도 응답했습니다. 그림 3.7은 자동화 세션 비율에 따라 이 두 결과가 어떻게 달라지는지를 보여줍니다. AI가 자신의 역량 시장 가치를 높이고 있다고 답한 비율은 자동화 비율과 함께 증가하는 반면, 더 많이 배운다고 답한 비율은 비교적 일정하게 유지됩니다.

위임에 대한 흔한 우려 중 하나는 작업 전체를 AI에게 맡기면 사고를 외주화하게 되어, 산출물은 늘어나지만 학습과 역량이 퇴화할 수 있다는 것입니다. 그러나 이 데이터에서 그런 패턴은 나타나지 않습니다. 더 많이 위임하는 사람들도 다른 사람들과 비슷한 비율로 학습하고 있다고 응답했습니다. 다만 이는 자기 보고에 의한 결과이며, 역량 시장 가치가 높아지고 학습하고 있다고 느끼는 동시에 실제 역량은 저하될 수 있으므로, 이 데이터가 역량 퇴화 가능성을 완전히 배제하지는 않습니다.

성별에 따른 사용 패턴 차이

지금까지는 사용 패턴이 기대와 행동에 어떤 영향을 미치는지를 살펴봤습니다. 이제는 누가 Claude를 어떻게 활용하는지에 주목합니다. 가장 두드러진 차이는 성별에서 나타납니다. 연계 응답자 표본의 12%에 불과한 여성들은 남성과는 다른 방식으로 Claude를 사용합니다. 직종 차이를 통제한 후에도 여성은 업무 목적으로 Claude를 사용하는 경향이 소폭 낮으며, Claude Code 세션 비율이 0.24 표준편차(6.3퍼센트포인트) 낮고, 자동화 비율도 0.33 표준편차(7.3퍼센트포인트) 낮습니다. 대신 여성들은 더 반복적인 방식으로 Claude를 활용하며, 남성보다 채팅에서 더 많은 활동 시간을 기록합니다. 이는 더 협업적인 참여 방식을 나타내는 신호입니다.²⁷

AI가 재편하는 경제에서 사람들은 무엇을 바라는가?

Anthropic Economic Index 설문조사에는 AI에 대한 긍정적·부정적 경험과 인식이 뒤섞여 있지만, 마지막은 희망적인 질문으로 마무리합니다. 마지막 개방형 질문은 응답자들에게 "크게 상상해보세요: 10년 후 AI가 만들어가는 경제는 어떤 모습이기를 바라나요?"라고 묻습니다. 각 응답에 대해 분류기를 실행하여 관련 주제를 태깅했으며, 가장 많이 언급된 상위 5개 주제를 아래에 소개합니다. 각 주제에 대한 추가 설명은 부록에서 확인할 수 있습니다.

가장 많이 언급된 주제는 AI의 증강(augmentation) 역할이었습니다. 응답자 절반 이상이 의미 있는 일을 AI와 함께 해나가고 싶다는 바람, 자신의 커리어가 여전히 중요하게 남길 바란다는 마음, 새로운 산업이 생겨나 새로운 일자리 기회가 만들어지기를 기대한다는 내용 중 하나 이상을 표현했습니다. 동시에 응답자의 절반 조금 넘는 수는 AI의 자동화(automation), 특히 업무 중 지루하고 반복적인 부분의 자동화를 희망했습니다. 그렇게 확보된 여유 시간으로 업무 외에서도 더 많은 자유와 의미를 찾고 싶다는 것입니다. 세 번째로 많이 나온 주제는 응답자의 약 3분의 1이 언급한 공동 번영으로, AI로 인한 경제적 이득이 사회 전반에 고루 공유되기를 바라는 희망이었습니다.

논의

AI는 점점 더 많은 플랫폼을 통해 경제 전반에 빠르게 퍼지며, 더욱 지능적인 결과물을 만들어내고 있습니다. 초기 AI 채팅 인터페이스에서는 사용 방식이 단순했고, 웹 검색, 툴 호출, 아티팩트 등의 기능 없이 채팅 창 안에서만 이루어졌습니다. 이제 Claude 모델은 Claude Code와 Cowork를 통해 몇 시간씩 자율적으로 작동할 수 있습니다. 이러한 형태의 변화와 함께 사용자 기반도 변화하고 있습니다. 초기 도입자들은 기술적으로 매우 전문화된 사람들이었습니다. 반면 최근 사용자들은 노동 시장에서 더 낮은 임금에 해당하는 작업에 Claude를 적용하고 있습니다.

이번 보고서에서는 보다 유익한 측정을 위해 여러 단계를 밟았습니다. 첫째, 시간별 샘플로 데이터를 처리하며 더 자주, 더 세밀하게 측정하기 시작했습니다. 이를 통해 일상의 리듬이 사용 로그에 어떻게 새겨지는지가 드러나고, 미래 연구를 위한 새로운 방향도 열립니다. 둘째, 결과물—사람들이 Claude를 통해 얻어 가는 산출물—을 기록하기 시작했습니다. 이를 통해 Claude의 작업 출력이 더 명확하게 파악되고, 몇 가지 직관적인 패턴도 확인됩니다.

마지막으로, 사용 데이터만으로는 얻을 수 있는 정보에 한계가 있습니다. 이번 설문은 처음으로 사람들에게 AI를 어떻게 사용하는지, 그리고 AI에 대해 어떻게 느끼는지를 직접 물어볼 수 있게 해줬습니다. 응답자들은 우리가 측정하는 것보다 AI를 더 많은 용도로 활용하고 있었습니다. 그들은 자신의 직종에 대한 관찰 노출도 지표가 시사하는 것보다 AI가 더 높은 비율의 업무를 수행할 수 있다고 응답했습니다. 내년의 AI 역량을 예측해달라는 질문에는 35% 이상이 AI가 자신의 업무 대부분을 처리할 수 있을 것이라 전망했습니다.

Claude가 수행하는 업무를 정확하게 분류하는 일은 계속해서 움직이는 목표물을 쫓는 과제로 남을 것입니다. 예를 들어 AI 역량이 높아질수록 AI끼리 상호작용하고 정보를 주고받는 일이 늘어날 수 있으며, 그 방식은 사람이나 단순한 분류기가 파악하기 어려운 형태가 될 수도 있습니다. 결국 Claude가 경제에 미치는 영향은 사용 로그만큼이나 고용과 생산성 같은 경제 집계 지표에서도 나타날 것입니다. 그럼에도 AI는 가장 많은 작업을 수행하는 영역에서 가장 먼저 영향을 드러낼 가능성이 높습니다. 끊임없이 변화하는 이 사용 패턴에 빛을 비추는 일은 대중에게 정보를 전달하는 핵심 방법으로 계속 남을 것입니다.

부록

여기서 확인할 수 있습니다.

인용

@online{anthropic2026aeiv6,
        author = {Maxim Massenkoff and Eva Lyubich and Szymon Sacher and Zoe Hitzig and Shaoyi Zhang and Ryan Heller and Peter McCrory},
        title = {Anthropic Economic Index report: Cadences},
        date = {2026-06-26},
        year = {2026},
        url = {https://www.anthropic.com/research/economic-index-june-2026-report},
}

저자

Maxim Massenkoff, Eva Lyubich, Szymon Sacher, Zoe Hitzig, Shaoyi Zhang, Ryan Heller, Peter McCrory.

감사의 말

Scott Booth, Keir Bradwell, Meredith Callan, Dexter Callender III, Boris Cherny, Chris Doenlen, Eleanor Dorfman, Jake Eaton, Evan Frondorf, Deep Ganguli, Romello Goodman, Ankit Gupta, Kunal Handa, Rebecca Hiscott, Andrew Ho, Hanah Ho, Jerry Hong, Saffron Huang, Mo Julapalli, Katie Kennedy, Jennifer Martinez, Miles McCain, Kelsey Nanan, Tyler Neylon, Adnan Pirzada, Dianne Penn, Kerry Persen, Sarah Pollack, Ankur Rathi, Santi Ruiz, David Saunders, Ankit Siva, Michael Stern, Ami Vora, Scott White, Heather Whitney, Kim Withee, Ryan Zauk, Jack Clark.