Anthropic Economic Index: Claude 3.7 Sonnet으로 살펴본 인사이트

지난달, 저희는 Anthropic Economic Index를 출시했습니다. 이는 AI가 노동 시장과 경제 전반에 미치는 영향을 지속적으로 파악하기 위해 데이터와 연구 결과를 정기적으로 공개하는 새로운 이니셔티브입니다.

오늘은 Index의 두 번째 연구 보고서를 발표합니다. 에이전틱(agentic) 코딩과 새로운 "확장된 사고(extended thinking)" 모드에서 뛰어난 역량을 보여주는 저희의 최신·최고 성능 모델, Claude 3.7 Sonnet 출시 이후 Claude.ai 사용 데이터를 담았습니다.

최신 분석 결과를 간략히 요약하면 다음과 같습니다.

Claude 3.7 Sonnet 출시 이후, 코딩 관련 사용 비중이 늘었고 교육·과학·의료 분야 활용도 증가했습니다.
사용자들은 Claude 3.7 Sonnet의 새로운 "확장된 사고" 모드를 주로 기술적 작업에 활용합니다. 여기에는 컴퓨터 과학 연구자, 소프트웨어 개발자, 멀티미디어 애니메이터, 비디오 게임 디자이너 등의 직종과 연관된 작업들이 포함됩니다.
작업 및 직종 단위의 증강(augmentation)/자동화(automation) 세부 데이터를 공개합니다. 예를 들어, 카피라이터와 편집자 관련 작업은 작업 반복(task iteration)—사용자와 모델이 함께 결과물을 작성·다듬는 방식—의 비중이 가장 높습니다. 반면 번역가와 통역사 관련 작업은 지시형(directive) 방식—사람의 개입 없이 모델이 작업을 완료하는 형태—의 비중이 가장 높은 편에 속합니다.

아울러, Claude.ai 사용 패턴을 상향식(bottom-up)으로 분류한 최초의 택소노미(taxonomy)도 공개합니다. 이 새로운 데이터셋은 "가정 내 배관·수도·유지보수 문제 해결 지원"부터 "배터리 기술 및 충전 시스템 안내"까지 630개의 세분화된 카테고리를 포함합니다. 이 상향식 택소노미가 연구자들에게 유용하게 쓰이길 바라며, 미리 정의된 작업 목록에 사용 패턴을 대입하는 하향식 접근법으로는 놓칠 수 있는 활용 사례들을 발굴하는 데 도움이 되길 기대합니다.

분석에 사용된 데이터셋은 무료로 다운로드할 수 있습니다.

아래에서 주요 분석 결과를 자세히 살펴보세요.

Claude 3.7 Sonnet 출시 이후 무엇이 달라졌나?

지난달 저희는 "확장된 사고 모드"를 탑재한 최고 성능 모델 Claude 3.7 Sonnet을 출시했습니다. 이번에는 출시 이후 11일간의 데이터를 대상으로 이전 분석을 동일한 방식으로 재수행했으며, Claude.ai 무료 및 Pro 플랜의 익명화된 대화 100만 건을 분석했습니다. Claude 3.7 Sonnet이 Claude.ai와 모바일 앱의 기본 모델로 설정되어 있어, 분석 데이터의 대부분은 Claude 3.7 Sonnet에서 나온 것입니다.

참고로, 저희의 프라이버시 보호 분석 도구인 Clio는 각 대화를 미국 노동부 O*NET 데이터베이스의 17,000개 작업 중 하나에 매핑합니다. 이를 바탕으로 해당 작업과 연관된 직종 및 상위 직종 카테고리의 전반적인 패턴을 분석합니다.

100만 건의 대화를 직종별로 분류해보면, 코딩·교육·과학 등 여러 직종 카테고리에서 사용 비중이 소폭 증가한 것을 확인할 수 있습니다. 코딩 사용 비중 증가는 Claude 3.7 Sonnet의 향상된 코딩 벤치마크 성능을 고려하면 예상된 결과지만, 다른 카테고리의 증가는 경제 전반에 걸친 AI 확산, 해당 분야에 대한 코딩의 새로운 응용, 또는 예상치 못한 모델의 역량 향상 중 하나 혹은 복합적인 요인에서 비롯된 것으로 볼 수 있습니다.

In the two months since our original data sample, we’ve seen an increase in the share of usage for coding, education, and the sciences. Graph shows share of Claude.ai Free and Pro traffic across top-level occupational categories in O*NET. Grey shows the distribution from our first report covering data from Dec ‘25 - Jan ‘25. Colored bars show an increase (green) and decrease (blue) in the share of usage for our new data from Feb ‘25 - March ‘25. Note that the graph shows the share of usage rather than absolute usage. See Appendix for chart showing change across the full list of occupational categories. — 최초 데이터 샘플 수집 후 두 달 사이, 코딩·교육·과학 분야의 사용 비중이 증가했습니다. 그래프는 O*NET 상위 직종 카테고리별 Claude.ai 무료 및 Pro 트래픽 비중을 나타냅니다. 회색은 '25년 12월~'25년 1월 데이터를 다룬 첫 번째 보고서의 분포를 나타내며, 색상 막대는 '25년 2월~'25년 3월 신규 데이터에서의 비중 증가(녹색)와 감소(파란색)를 보여줍니다. 그래프는 절대적인 사용량이 아닌 사용 비중을 기준으로 합니다. 전체 직종 카테고리의 변화는 부록 차트를 참고하세요.

확장된 사고 모드는 어떻게 활용되고 있나?

Claude 3.7 Sonnet에는 새로운 "확장된 사고" 모드가 탑재되어 있습니다. 사용자가 이 모드를 활성화하면 모델이 더 복잡한 질문에 답할 때 더 오래 사고할 수 있습니다.

분석 결과, Claude 3.7 Sonnet의 확장된 사고 모드는 주로 기술적·창의적 문제 해결 맥락에서 활용되는 것으로 나타났습니다. 컴퓨터 및 정보 연구 과학자 관련 작업에서의 사용 비중이 약 10%로 가장 높았고, 소프트웨어 개발자가 약 8%로 그 뒤를 이었습니다. 멀티미디어 아티스트(약 7%), 비디오 게임 디자이너(약 6%) 등 디지털 크리에이티브 직종과 관련된 작업에서도 상당한 사용 비중을 보였습니다.

이번 초기 사용 패턴 분석을 통해 사람들이 언제 확장된 사고 모드를 선택하는지에 대한 인사이트를 얻을 수 있었지만, 이 새로운 모델 기능에 대해서는 아직 밝혀야 할 중요한 질문들이 많습니다. 관련 연구를 지원하기 위해, O*NET 각 작업별 확장된 사고 모드 사용 비중을 담은 새로운 데이터셋을 공개합니다. 이 데이터셋은 저희 Hugging Face 페이지에서 확인하실 수 있습니다.

What tasks see the highest associated usage of extended thinking mode? Graph shows the O*NET occupations with highest usage of thinking mode in their associated tasks. Occupations shown are limited to those with at least 0.5% representation in the data. — 확장된 사고 모드 사용 비중이 높은 작업은? 그래프는 관련 작업에서의 확장된 사고 모드 사용 비중이 높은 O*NET 직종을 보여줍니다. 데이터 내 전체 비중이 최소 0.5% 이상인 직종만 표시했습니다.

작업 및 직종별 증강 vs. 자동화 비중은 어떻게 다른가?

지난 보고서에서는 학습이나 결과물 반복 수정 같은 증강적 활용과, 작업을 직접 완료하거나 오류를 수정하도록 요청하는 자동화적 활용 간의 차이를 분석했습니다. 이번 데이터에서도 증강과 자동화의 균형은 사실상 변화가 없으며, 증강이 여전히 57%를 차지합니다. 다만 증강과 자동화의 세부 유형에서는 일부 변화가 있었습니다. 예를 들어, 사용자가 다양한 주제에 대해 정보나 설명을 요청하는 학습형 대화 비중이 약 23%에서 약 28%로 늘었습니다.

The balance of augmentation and automation has stayed relatively constant in the two months between our data samples (V1 and V2), though the share of Learning conversations has grown appreciably. — 두 차례 데이터 샘플(V1, V2) 사이의 두 달 동안 증강과 자동화의 균형은 비교적 안정적으로 유지되었으나, 학습형 대화의 비중은 눈에 띄게 증가했습니다.

저희 연구자 의견 수렴 양식을 통해 작업 및 직종 단위의 자동화·증강 데이터를 공개해 달라는 요청을 다수 받았습니다. 이번 보고서에서 그 요청에 응하며, 해당 데이터를 Hugging Face 페이지에서 제공합니다.

상위 직종 카테고리별로 데이터를 나눠보면, 일부 카테고리는 증강적 활용 비중이 매우 높습니다. 예를 들어, 교육 및 진로 상담을 포함하는 지역사회·사회 서비스 관련 작업은 증강 비중이 75%에 가깝습니다. 반면 생산직이나 컴퓨터·수학 관련 직종의 작업은 증강과 자동화 비중이 50대 50에 가까운 균형을 이룹니다. 자동화가 압도적으로 우세한 직종 카테고리는 없었습니다.

Proportion of different interaction modes across high-level occupational categories. Occupational categories shown are limited to those with at least 0.5% representation in the data. — *상위 직종 카테고리별 상호작용 방식의 비중. 데이터 내 전체 비중이 최소 0.5% 이상인 직종 카테고리만 표시했습니다.*

더 세부적으로는 각 직종 카테고리 내의 특정 직종과 해당 직종에 연관된 작업별 패턴도 살펴볼 수 있습니다. 예를 들어, 카피라이터와 편집자 관련 작업은 작업 반복—사용자가 모델과 함께 다양한 글쓰기·편집 작업을 반복적으로 다듬는 방식—의 비중이 가장 높습니다. 반면 번역가와 통역사 관련 작업은 지시형 방식—사람의 개입 없이 문서 번역에 모델을 활용하는 형태—의 비중이 가장 높은 편에 속합니다. O*NET의 직종 설명이 Claude의 실제 활용 방식을 완벽하게 반영하지 못할 수 있다는 점도 참고하세요. 예를 들어, "화가·조각가·일러스트레이터를 포함한 순수 미술가" 직종에서 사용이 관측되더라도, Claude는 실제로 회화나 조각보다 디지털 아트 제작에 훨씬 더 많이 활용될 가능성이 높습니다.

상호작용 유형별 상위 직종. 다섯 가지 상호작용 카테고리(학습, 작업 반복, 검증, 지시형, 피드백 루프) 각각에서 사용 비중이 가장 높은 직종을 표시했습니다. 예를 들어, 사서는 학습형 상호작용 비중이 약 56%로 가장 높으며, 카피라이터는 작업 반복에서 약 58%로 선두를 차지합니다. 각 패널에는 해당 상호작용 패턴에 가장 크게 기여한 직종 내 O*NET 작업이 포함됩니다. 이는 해당 작업의 발생 빈도와 그 작업 내에서 특정 상호작용 방식이 사용되는 빈도를 종합적으로 고려한 결과입니다. 다른 학습 모드에 대한 수치는 부록에 수록되어 있습니다.O*NET의 직종 설명이 Claude의 실제 활용 방식을 완벽하게 반영하지 못할 수 있다는 점을 유의하세요. 예를 들어, "화가·조각가·일러스트레이터를 포함한 순수 미술가" 직종에서 사용이 관측되더라도, Claude.ai에서의 실제 사용은 조각보다 디지털 아트에 더 치우쳐 있을 가능성이 높습니다. 전체 데이터셋에서 비중이 최소 0.5% 이상인 직종만 표시했습니다.

Claude.ai 사용 패턴의 상향식 택소노미

지금까지의 연구는 미국 노동부가 구축·관리하는 O*NET 작업·직종 데이터셋을 기반으로 했습니다. O*NET이 방대한 수의 작업을 다루고 있지만, O*NET에 포함되지 않은 작업에도 활용될 수 있는 범용 모델의 역량을 설명하는 분류 체계로는 최적이 아닐 수 있으며, 이로 인해 분석에서 누락되는 활용 사례가 생길 수 있습니다.

이러한 한계를 보완하기 위해, Claude.ai에서의 사용자 활동 패턴을 상향식으로 정리한 새로운 데이터셋을 공개합니다. 이 데이터셋도 Clio로 생성했으며, 위의 분석에 사용된 것과 동일한 익명화 대화 데이터셋을 활용합니다. 따라서 하향식과 상향식 접근법 간의 비교가 가능합니다. 이 데이터셋은 630개의 세분화된 클러스터로 구성되며, 각 클러스터에는 설명, 빈도 지표, 자동화/증강 세부 내용이 포함되고 3단계 계층 구조로 정리되어 있습니다.

이 데이터셋의 상세 분석은 향후 연구로 남겨두고, 여기서는 특히 흥미로운 클러스터 몇 가지를 소개합니다.

수자원 관리 시스템 및 인프라 프로젝트 지원
인터랙티브 시각화 기능을 갖춘 물리 기반 시뮬레이션 제작
폰트 선택, 적용 및 문제 해결 지원
입사 지원 자료 작성 또는 개선 지원
배터리 기술 및 충전 시스템 안내
코드 및 데이터베이스의 시간대 처리 지원

결론

모델의 발전에 맞춰, 그 경제적 영향을 측정하는 방법도 함께 발전해야 합니다. Claude 3.7 Sonnet 출시 이후의 데이터를 다룬 두 번째 보고서에서, 저희는 코딩·교육·과학 분야의 활용이 비교적 소폭 증가했으며 증강과 자동화의 균형에는 변화가 없음을 확인했습니다. 또한 Claude의 새로운 확장된 사고 모드가 기술 분야 작업에서 가장 빈번하게 활용되는 것을 파악했고, 작업 및 직종별 자동화/증강 패턴도 확인했습니다. 두 분석에 사용된 데이터셋을 모두 공개합니다.

앞으로 몇 달에 걸쳐 이러한 지표를 지속적으로 추적하고, 모델 역량이 향상되고 경제 전반에 걸쳐 모델 활용이 확대됨에 따라 새로운 지표도 개발해 나갈 계획입니다.

함께 일해요

AI가 노동 시장에 미치는 영향을 연구하는 Anthropic의 팀원으로 함께하고 싶으시다면, 사회적 영향 연구 과학자(Societal Impacts Research Scientist), 연구 엔지니어(Research Engineer), 경제학자(Economist) 직무에 지원해 보세요.

부록

이 부록에서는 몇 가지 추가 결과와 기술적 세부 사항을 공유합니다.

작업 곡선

원본 논문의 "작업 사용 깊이(depth of task usage)" 그래프도 재계산했습니다. 첫 번째 분석과 전반적으로 매우 유사한 곡선이 나타났습니다. 굳이 따지자면 신규 모델에서 곡선 아래 면적이 소폭 감소했는데, 이는 대화 샘플이 코딩에 더 집중된 데 따른 결과일 수 있습니다. 다만 최근 두 달간 이 곡선에서 극적인 변화는 관측되지 않았으며, 모델 역량과 제품 서비스가 계속 발전함에 따라 지속적으로 모니터링할 예정입니다.

The depth of task usage across occupations. For example, the graph shows that about 40% of occupations see AI usage in at least 20% of their tasks (where x=0.2, y≈0.4). There is little change in the curves between our first and second reports. — 직종별 작업 사용 깊이. 예를 들어, 그래프는 전체 직종의 약 40%에서 해당 직종 작업의 20% 이상에 AI가 활용되고 있음을 보여줍니다(x=0.2일 때 y≈0.4). 첫 번째 보고서와 두 번째 보고서 간 곡선의 변화는 거의 없습니다.

직종 카테고리별 전체 변화

Percentage share of usage across occupational categories, showing values from our original report (gray bars) with corresponding increases (yellow) and decreases (blue) in the second report. computer and mathematical occupations represent the category with the largest absolute increase (+3%), while several categories like education and the sciences show notable percentage increases. — 직종 카테고리별 사용 비중. 원본 보고서 수치(회색 막대)와 두 번째 보고서에서의 증가(노란색) 및 감소(파란색)를 함께 표시했습니다. 컴퓨터·수학 관련 직종이 절대적 증가폭이 가장 큰 카테고리(+3%)이며, 교육 및 과학 분야 등 여러 카테고리에서 눈에 띄는 비중 증가가 나타났습니다.

기타 상호작용 방식 결과

Top occupations by interaction type. For each of the five interaction categories (Learning, Task Iteration, Validation, Directive, and Feedback Loop), we plot the occupations with the highest usage proportion within that category. For example, librarians show the highest proportion of learning interactions at ~56%, while copy writers lead in Task Iteration at ~58%. Each panel includes the O*NET task within the occupation that contributed most strongly to that interaction pattern; this is based on both how frequently the task occurs and how often that interaction mode is used within the task. Figures for the other learning modes are shown in the main body of the post. Note that the O*NET descriptions may not be optimally representative of what Claude is being used for—for example, while we see usage in the occupation “fine artists, including painters, sculptors, and illustrators,” usage on Claude.ai probably tilts more towards digital art than sculpture. Only occupations with at least 0.5% representation in the overall dataset are shown. — 상호작용 유형별 상위 직종. 다섯 가지 상호작용 카테고리(학습, 작업 반복, 검증, 지시형, 피드백 루프) 각각에서 사용 비중이 가장 높은 직종을 표시했습니다. 예를 들어, 사서는 학습형 상호작용 비중이 약 56%로 가장 높으며, 카피라이터는 작업 반복에서 약 58%로 선두입니다. 각 패널에는 해당 상호작용 패턴에 가장 크게 기여한 직종 내 O*NET 작업이 포함되며, 이는 해당 작업의 발생 빈도와 그 작업 내 특정 상호작용 방식의 사용 빈도를 종합적으로 고려한 결과입니다. 다른 학습 모드에 대한 수치는 본문에 수록되어 있습니다.O*NET의 직종 설명이 Claude의 실제 활용 방식을 완벽하게 반영하지 못할 수 있다는 점을 유의하세요. 예를 들어, "화가·조각가·일러스트레이터를 포함한 순수 미술가" 직종에서 사용이 관측되더라도, Claude.ai에서의 실제 사용은 조각보다 디지털 아트에 더 치우쳐 있을 가능성이 높습니다. 전체 데이터셋에서 비중이 최소 0.5% 이상인 직종만 표시했습니다.

추가 방법론 세부 사항

기본적으로 원본 보고서의 방법론을 따르되, 투명한 공개를 위해 몇 가지 변경 사항을 여기에 기록합니다.

이전 보고서와 달리, 이번에는 대화가 특정 직종 카테고리와 관련이 있는지 여부로 필터링하지 않았습니다. 대신 안전 분류기에 플래그된 대화만 걸러냈습니다. 이 방식도 원본 분석과 유사한 결과를 도출하면서, 상향식 택소노미를 통해 공개할 수 있는 데이터를 더 많이 보존할 수 있었습니다.
이전에 Claude 3.5 Sonnet을 사용하던 모든 부분을 Claude 3.7 Sonnet으로 교체했습니다. 신규 모델 적용이 Clio의 분류 정확도를 평가하는 내부 벤치마크 기준에서 분류 정확도를 높이는 것으로 확인되었습니다.