Anthropic 사내 고용 변화: 주니어 기술직 채용 27%에서 9%로, 에이전트 작업은 사람의 6배 [영문/PDF/20p]

9bow · 10월 19, 2026, 11:30오후

핵심 요약

Anthropic Institute가 2026년 10월 16일 How employment is changing at Anthropic 보고서를 공개했습니다. 기술 부서 신규 채용 중 주니어 비중은 27%에서 9%로, 재직 인원 중 주니어 비중은 21%에서 14%로 줄었습니다.
직원이 직접 실행한 대화형 에이전트의 작업 시간은 2026년 8월 기준 직원 근무 시간의 6배였고, 연구 조직만 보면 19배였습니다. 엔지니어 1인당 커밋 수는 2025년 12월 대비 5.1배로 늘었습니다.
에이전트를 도입한 엔지니어 192명과 도입하지 않은 74명을 비교한 결과, 도입 후 추가 코드량이 크게 늘었습니다. 에이전트가 쓴 코드와 사람이 쓴 코드의 삭제, 되돌림 비율에는 차이가 없었습니다. 다만 도입 시점은 무작위가 아니라는 점을 저자들이 직접 한계로 적었습니다.
사람의 주의가 새 병목이 되었습니다. 대화형 세션 시간의 약 80%가 사람의 입력을 기다리는 시간이었고, 에이전트를 관리하는 메타 업무(meta-work)의 비중은 10%에서 22%로 늘었습니다. 채용 평가는 실행 능력보다 자율성과 판단력을 더 많이 보기 시작했습니다.

How employment is changing at Anthropic 보고서 소개

AI가 일자리에 주는 영향은 지금까지 주로 바깥에서 관찰한 자료로 연구되었습니다. 채용 공고, 이력서 데이터, 직업별 AI 노출도(exposure) 추정치가 대표적입니다. 이런 자료는 경제 전체를 넓게 보여 주지만, 한 회사 안에서 AI가 어떤 업무를 맡고 사람의 일이 어떻게 바뀌는지는 보여 주지 못합니다. 이번 보고서의 저자인 Maxim Massenkoff와 Peter McCrory는 2026년 3월 Claude 실제 사용 데이터로 직업별 관측 노출도(Observed Exposure)를 측정한 연구를 공개했습니다. 이번에는 측정 대상을 Anthropic 자신으로 옮겼습니다.

이번에 소개할 보고서는 Nathan Wilmers, Regina Catipon, Maxim Massenkoff, Peter McCrory가 쓰고 Anthropic Institute가 발행한 20쪽 분량의 기술 보고서입니다. 저자들은 Anthropic이 업무 흐름 전체를 AI 중심으로 바꾼 회사이므로, 앞으로 경제 전반에서 일어날 변화를 먼저 보여 주는 선행 지표(leading indicator)가 될 수 있다고 봅니다. 보고서는 고용 기록, AI 사용 기록, 직무별 산출물 지표, 직원 설문, 사내 Slack 소통 패턴, 직원 캘린더, 채용 평가 기록을 사용했고, 직원 17명과의 인터뷰로 수치의 맥락을 보충했습니다.

이 보고서는 AI를 만드는 회사가 자기 회사를 분석한 자료라는 점에서 읽는 방식에 주의가 필요합니다. 이번 발표에는 집계된 그림과 수치만 있고 원자료는 포함되지 않았으므로, 바깥에서 결과를 재현할 수는 없습니다. 또한 같은 기간에 회사가 1년 사이 3배로 커지고 매출도 급증했기 때문에, 생산성 증가 중 어디까지가 AI 효과인지는 저자들도 분석 설계로 따로 분리하려고 시도합니다. 아래에서는 각 수치가 어떤 데이터와 정의로 나왔는지를 함께 정리합니다.

보고서의 핵심 발견은 네 가지입니다. 첫째, 주니어 기술직 채용 비중이 줄었습니다. 둘째, 직원 1인당 산출물이 크게 늘었습니다. 셋째, 사람의 주의가 에이전트 산출물의 병목이 되었습니다. 넷째, 채용 담당 관리자가 보는 역량이 바뀌었습니다. 마지막 절에서 저자들은 Anthropic의 사례에서 다른 고용주가 참고할 수 있는 대응 세 가지와 그 한계를 제시합니다.

보고서가 사용한 데이터와 측정 방법

보고서의 수치는 대부분 사내 원격 측정(telemetry) 기록이나 자동 분류기의 판정에서 나옵니다. 측정 정의에 따라 같은 현상의 크기가 크게 달라질 수 있으므로, 본문의 주요 지표를 먼저 표로 정리합니다.

지표	데이터와 정의
에이전트 작업 시간	직원이 직접 실행한 대화형 세션만 집계하고 서브에이전트(subagent)는 합산합니다. 추론(inference)과 도구 사용 시간은 포함하고 30분이 넘는 대기는 제외합니다. 사람의 근무 시간은 인원 수에 주 40시간을 곱해 계산합니다.
직무별 산출물	엔지니어 커밋, 데이터 과학자 쿼리, 법무 계약, 영업 거래, 채용 담당자 채용 수, 매입 채무(AP) 담당자의 청구서 처리 건수를 2025년 12월 값 100으로 지수화하고 LOESS(Locally Estimated Scatterplot Smoothing) 평활 곡선으로 그립니다.
도입 효과	에이전트 세션을 처음으로 월 5회 이상 사용한 달을 도입 시점으로 보고, 도입자와 미도입자를 개인 및 달력상 월 고정 효과(two-way fixed effects)로 비교합니다. 오차 막대는 개인 단위로 군집한 95% 신뢰구간입니다.
코드 품질	같은 사람이 같은 달, 같은 디렉터리에 커밋한 코드 중 에이전트가 쓴 코드와 사람이 직접 쓴 코드를 비교합니다. 90일 내 삭제 비율, 버그 수정으로 삭제된 비율, 명시적 되돌림(revert), lint 억제 주석 추가, `TODO`/`FIXME`/`HACK` 메모 추가, 불안정 테스트(flaky test) 표시를 품질 대리 지표로 씁니다.
Claude 출력 읽기 시간	대화형 세션의 출력 토큰을 토큰당 0.75 단어로 바꾸고, 분당 250 단어를 읽는다고 가정해 계산합니다.
메타 업무 비중	자동 분류기가 한 줄짜리 채팅 요약 2,000개 표본을 보고, 실제 작업이 아니라 Claude 스킬 작성, 다른 에이전트를 위한 계획과 리뷰, 에이전트 파이프라인 대시보드와 모니터링, 작업 방식 문서화에 해당하는지를 판정합니다.
채용 평가	2024년 이후 채용된 수천 명의 면접관 평가표(score card)를 자동 분류기로 처리해 어떤 역량이 언급되었는지를 셉니다.

주니어 기술직이 줄어든 자리: 채용과 인력 구성의 변화

매출 대비 적은 인력과 주니어 채용의 감소

Anthropic은 빠르게 성장했지만, 이전 세대 대형 기술 기업보다 매출 대비 인력을 적게 늘렸습니다. 보고서에 따르면 설립 5년 차인 Anthropic의 직원 1인당 매출은 같은 5년 차 시점의 Google(2003년)과 Meta(2009년)보다 2~4배 많습니다. 이 비교는 2026년 4월까지 12개월간의 사내 재무 및 인력 기록과 두 회사의 Form 10-K 공시를 사용했고, 모든 금액을 2025년 달러 가치로 환산했습니다.

주니어 기술직 수요가 줄었다는 논의는 2026년 1월 핵심 기술 부서에서 처음 나왔습니다. 자기 업무에 Claude를 가장 많이 쓰던 팀들이 코드 작성과 버그 찾기를 점점 Claude에 맡길 수 있다는 것을 알게 되었고, 새 모델이 나오면서 이 인식이 더 강해졌습니다. 한 직원은 "특히 성능 엔지니어(performance engineer)에게 준 향상이 눈에 띄었고, 우리가 찾는 사람이 사실상 하룻밤 사이에 바뀌었다"고 말했습니다. 4월에는 엔지니어링과 연구 팀이 낮은 직급(band) 기술직 채용의 우선순위를 낮췄습니다. 같은 달 설문에서 관리자 다수가 AI 때문에 다른 역량을 보고 채용한다고 답했습니다. ML 관리자의 약 3분의 1과 SWE(소프트웨어 엔지니어링) 관리자의 약 5분의 1은 AI 때문에 채용을 줄였다고 답했습니다.

위 그림은 직원 구분별로 주니어가 차지하는 비중을 보여 줍니다. 기술 부서에서는 재직 인원 중 주니어 비중이 2025년 초 21%에서 14%로, 신규 채용 중 주니어 비중이 27%에서 9%로 떨어졌습니다. 주니어 채용 공고 비중은 2025년 11월 약 21%까지 올랐다가 12월 이후 빠르게 떨어져 6%가 되었습니다. 반면 오른쪽의 비기술 부서는 채용 중 주니어 비중 26%, 재직 인원 중 주니어 비중 25%로 기간 내내 큰 추세 변화가 없고, 공고 비중만 13%로 낮아졌습니다. 그림상 주니어 비중의 감소는 기술 부서에 집중되어 있습니다.

기술 부서의 비중 감소와 직무 경계의 변화

회사 전체에서 기술 부서가 차지하는 인원 비중도 지난 1년 동안 61%에서 56%로 줄었습니다. 기술직 채용 자체는 절대 수로 계속 늘었지만, 영업, 재무, 채용 부서의 채용이 더 빨랐기 때문입니다. 저자들은 이 변화의 일부가 회사가 커지면서 사업 부서가 자연스럽게 늘어난 결과이고, 일부는 코딩 도구 덕분에 비기술 직원이 직접 소프트웨어를 만들게 된 결과일 수 있다고 봅니다. 기준 시점에 코드 커밋이 없었던 비기술 직원(신규 입사자 제외)의 코딩 중심 에이전트 세션은 2025년 8월 월 2회에서 2026년 5월 월 90회로 늘었습니다. 한 영업 담당자는 UI 구성과 MCP 연결까지 포함한 맞춤 대시보드와 파이프라인을 3~4시간 정도 만에 만들었다고 말했습니다.

저자들은 이 채용 구성 변화가 Claude Code 세션 40만 건 분석 보고서 ( '코딩 실력보다 도메인 전문성', Anthropic이 Claude Code 세션 40만 건으로 분석한 연구 보고서)에서 다룬 것처럼 코딩이 다른 분야 전문가에게 퍼지는 현상만은 아니라고 봅니다. 기술 부서 안에서도 코딩하는 사람이 늘었기 때문입니다. 직전 30일 동안 커밋이 없는 직원을 "코딩하지 않는 직원"으로 정의하면, 기술 부서에서 이 비중은 2026년 4월까지 1년 동안 거의 절반으로 줄었습니다. 일부는 비엔지니어 비중이 줄어든 결과로, 엔지니어 대 프로덕트 매니저 비율은 약 17대 1이며 2025년 이후 높아졌습니다. 관리자의 커밋 수도 2배가 되었습니다. 보고서는 이를 기술 팀의 감독과 조율 역할이 점점 더 직접 코드를 만들고 배포하는 일을 포함하게 된 것으로 해석합니다.

비기술직 중에서도 회사 규모에 맞춰 늘어나기 마련인 사무 행정 직군은 채용이 빨라지지 않았습니다. 에이전트 비서, 자동 검토, 티켓 서비스 외주화가 결합되어, 회사가 빠르게 커지는 동안에도 사무직 비중이 낮게 유지되었습니다. 대면 업무와 밀접한 사무직도 느리게 늘었습니다. 한 재무 관리자는 구매 요청 검토 에이전트를 만들었습니다. 한 임원 비서는 일정과 이메일 분류용 개인 비서 에이전트를 만든 뒤 "Claude가 정말 초급 수준의 행정 업무를 대신 처리해 그 역할이 사라지는 지점은 이미 지났다"고 말했고, 지금은 상위 수준의 비서실장(chief of staff) 업무에 집중합니다.

부서 이동과 팀 단위 재배치

이러한 변화는 재배치로도 이어졌습니다. 1년 이상 재직한 직원이 매달 다른 부서로 옮길 확률은 2026년이 2025년보다 50% 높았습니다.

팀 전체가 재배치된 사례도 있습니다. 한 제품 디자인 팀은 Claude.ai의 인사말(Hello night owl, Coffee and Claude time?)과 같은 제품 문구를 써 왔습니다. 이 팀은 2026년 봄 에이전트가 좋은 제품 문구를 쓰도록 안내하는 컨텍스트 그래프(context graph)를 만들었습니다. 팀 관리자는 이것이 팀의 역량을 넓혔다고 말했지만, 사람 작가에게 남은 일이 무엇인가라는 질문도 함께 생겼습니다. 이 팀은 이후 모델 평가(eval)와 Claude용 프롬프트를 작성하는 일로 옮겨 갔습니다.

아래 그림은 직무별로 Claude에 맡기는 작업의 복잡도와 주니어 인원 증가율의 관계를 보여 줍니다.

복잡도는 고용 감소 이전인 2025년 10~12월의 에이전트 로그를 자동 분류기로 평가해 백분위로 바꾼 값이고, 증가율은 2026년 1월과 7월의 인원을 비교한 값입니다. 회귀선은 복잡도가 높은 직무일수록 주니어 인원 증가율이 낮다는 것을 보여 주며, 백분위 약 77 부근에서 0 아래로 내려갑니다. 저자들은 이 결과를 인과 추정이 아니라 기술적(descriptive) 관찰로 제시합니다.

에이전트 작업 시간과 생산성: 무엇이 늘었고 얼마나 AI 덕분인가

사람의 근무 시간을 넘어선 에이전트 작업 시간

보고서는 Anthropic을 "사람이 늘어나는 AI 에이전트 위의 얇은 층을 이루는" 회사로 묘사합니다. 에이전트 세션 원격 측정 기록에 따르면, 2026년 3월 자율 에이전트와 대화형 에이전트의 작업 시간 합계가 처음으로 사람의 근무 시간을 넘었습니다. 이 중 일부는 대규모 소프트웨어 엔지니어링, 반복적인 테스트와 검사, 인프라 코드 유지 보수, 대형 코드베이스 변환을 수행하는 에이전트 무리(fleet)의 작업입니다.

위 그림은 그중 직원이 직접 실행한 대화형 세션만 따로 본 결과입니다. 이 범위에서도 8월에는 에이전트가 사람보다 6배 많은 시간 동안 일했고, 연구 조직에서는 19배였습니다. 그림을 보면 이 좁은 정의의 대화형 세션은 연구 조직이 4월 초, 전체 직원이 5월 초에 동등선(parity)을 넘었습니다. 즉 "3월에 사람을 넘었다"는 수치는 자율 에이전트까지 포함한 넓은 정의이고, "8월에 6배"는 대화형 세션만 센 좁은 정의라는 차이가 있습니다.

토큰의 대부분은 소프트웨어 코드 작성에 쓰입니다. 그래도 사용 범위는 일상 업무로도 넓어지고 있습니다. 개인 비서 에이전트는 직원의 캘린더와 메시지를 확인해 일정을 잡습니다. 받은 메시지에서 할 일 목록을 만들어 보내고, 다음 회의의 참석자와 목적을 미리 요약해 줍니다.

직무별 산출물의 증가

위 그림은 산출물을 셀 수 있는 직무의 1인당 산출물을 2025년 12월 값을 100으로 놓고 그린 결과입니다. 2025년 12월 이후 모든 곡선이 함께 올라갑니다. 2026년 6월까지의 배수를 정리하면 다음과 같습니다.

직무	산출물 지표	2025년 12월 대비
엔지니어	1인당 커밋	5.1배
데이터 과학자	1인당 쿼리	3.1배
법무 직원	1인당 계약	3.1배
영업 담당자	1인당 거래	1.7배
채용 담당자	1인당 채용	1.4배
매입 채무 담당자	1인당 청구서 처리	1.4배

저자들은 엔지니어 커밋 증가가 이전 보고서들의 결과와도 일치한다고 설명합니다. 사내 엔지니어를 설문한 How AI Is Transforming Work at Anthropic과, 모델 학습 및 연구 자동화를 다룬 When AI Builds Itself입니다. Anthropic의 사내 AI 연구개발 속도 측정은 Claude가 AI R&D의 26%를 주도한다는 지표 공개 글에서도 다룬 바 있습니다.

회사의 성장과 AI 효과를 나누려는 분석

같은 기간에 회사의 사업이 폭발적으로 성장했다는 점이 문제입니다. 저자들은 "강한 모델을 팔면 거래를 성사시키기가 더 쉽다"고 직접 지적합니다. 그래서 같은 달에 같은 회사에서 일해 비슷한 사업 환경에 놓였지만 다른 도구를 쓰는 직원을 비교하는, 즉 에이전트 코딩 도구를 먼저 도입한 직원과 아직 도입하지 않은 직원을 비교하는 방식을 썼습니다. 분석 대상은 연구 기간 중 코딩 에이전트를 도입한 엔지니어 192명과 도입하지 않은 엔지니어 74명입니다.

이 방식에는 저자들이 직접 밝힌 한계가 있습니다. 도구 도입은 무작위가 아니므로, 예를 들어 큰 프로젝트를 앞둔 직원이 그 준비로 도구를 도입했다면 추정치가 부풀려질 수 있습니다. 또한 코드가 많아졌다고 더 좋은 코드나 더 큰 사업 성과를 뜻하지는 않습니다. 저자들은 이 지점에서 Writing Code vs. Shipping Code(NBER Working Paper 35275)를 인용합니다. 이 논문은 GitHub 개발자 50만여 명의 데이터에서 자율 코딩 에이전트가 커밋을 누적 240% 늘렸지만, 프로젝트 수는 80%, 실제 릴리스는 30% 늘어나는 데 그쳤다고 보고했습니다.

위 그림의 네 패널은 다음과 같이 읽을 수 있습니다.

엔지니어 추가 코드량 (왼쪽 위): 도입 전 4개월 동안은 거의 변화가 없다가, 도입한 달부터 직전 달 대비 약 1.0 로그 포인트, 2개월 뒤 약 1.9 로그 포인트 높아졌습니다. 같은 날 공개된 AI expectations gap 보고서는 이 결과를 도입 다음 달 추가 코드량이 3배가 된 것으로 요약합니다. 왼쪽 아래 패널과 달리 도입 전 추세는 평탄합니다.
품질 비교 (오른쪽 위): 에이전트가 쓴 코드와 같은 사람이 직접 쓴 코드의 차이를 퍼센트포인트로 보여 줍니다. 6개 지표 모두 신뢰구간이 0에 걸치거나 닿아 있고(명시적 되돌림은 하한이 0에 닿음), 저자들은 이후 삭제되거나 되돌려진 코드 비율에 차이가 없었다고 결론 내립니다. 다만 저자들은 코드 품질에는 여러 측면이 있고, AI의 오류는 사람의 오류보다 찾기 어려울 수 있다고 덧붙입니다.
완전 자율 에이전트 도입 (왼쪽 아래): 첫 완전 자율 에이전트를 도입한 엔지니어는 도입 전부터 이미 산출물이 가파르게 늘고 있었습니다. 저자들은 이것이 이미 산출물을 늘리던 직원이 완전 자율 에이전트로 옮겨 갔다는 점을 시사한다고 적습니다.
영업 거래 고객 수 (오른쪽 아래): 영업 담당자들은 2025년 9월부터 꾸준히 에이전트를 도입했습니다. 그림상 도입 1개월 뒤 약 3명, 3개월 뒤 약 6.7명의 고객과 더 거래를 성사시켰습니다. 저자들은 영업 기회가 많은 담당자가 자동화를 먼저 택했을 가능성과, 기록 업무와 반복적인 소통이 자동화된 효과일 가능성을 함께 언급합니다.

인터뷰도 같은 방향의 사례를 보여 줍니다. 한 영업 담당 임원(account executive)은 이메일 초안과 고객 관리 소프트웨어 연동을 Claude 자동화가 처리하면서 기존 업무의 약 20%가 대체되었다고 말했습니다. 다른 담당자는 이렇게 생긴 시간으로 이전보다 30% 더 많은 고객과 대화할 수 있게 되었다고 말했습니다. 한 변호사는 위험과 기회 검토, 법률 질문 분류, 대외 문구의 1차 법무 검토를 맡는 Claude 자동화를 만들었습니다. 한 채용 담당자는 몇 주가 걸렸을 분석을 Claude로 처리한 뒤, 낡은 면접 질문을 다시 설계하고 더 많은 지원자를 만나는 데 시간을 썼습니다.

사람의 주의가 병목이 되다: 메타 업무의 등장

더 빠르게 일하라는 압력과 더 어려워지는 작업

AI 도입은 고용과 생산성뿐 아니라 일하는 방식 자체를 계속 바꿉니다. 한 직원은 이를 "가능한 한 빨리 움직이고 모든 일에 Claude를 쓰라는 Anthropic의 영원한 압력"이라고 표현했고, 다른 직원은 "우리가 일주일 안에 기대하는 일이 다른 곳에서는 3개월 걸린다"고 말했습니다. 사내 업무 프로세스가 자신을 최대한 생산적으로 만든다는 설문 응답은 2024년 말 44%, 2025년 11월 58%였습니다. 2026년 4월에는 75%가 그렇다고 답했지만, 이때는 문항에서 "최대한(as possible)"이 빠져 기준이 약해졌다고 보고서가 따로 밝힙니다. 2026년 8월 설문에서 Anthropic 직원들은 2030년까지 AI가 자기 업무의 평균 75%를 할 수 있다고 예상했는데, 미국 노동자 전체의 평균 예상치는 28%였습니다(AI expectations gap 보고서).

새 사내 모델이 나올 때마다 직원들은 대화형 코딩 에이전트 세션에서 더 어려운 문제를 맡깁니다. 저자들은 비식별화한 세션의 작업 요구 수준을 깊이, 범위, 관련 시스템 수 기준으로 Claude 채점기가 평가하게 했습니다. 그 결과 이전 모델 기준 난이도 상위 10% 이상인 작업의 비중이 모델 출시 직후 전체 작업의 10%에서 13%로 약 30% 늘었고, 출시 후 몇 주 동안 그 수준이 유지되었습니다. 쉬운 쪽 작업의 분포는 거의 변하지 않았습니다.

모든 요청이 같은 긴급도로 오는 일

에이전트의 생산성이 커지면 그 출력이 사람의 화면과 주의로 몰립니다. 한 엔지니어는 이를 아이 돌보기에 비유했습니다.

아이들은 주스 팩을 열어 달라는 것이 비상사태라고 말합니다. 그리고 그 말은 손가락을 베어 피를 흘리는 아이와 같은 수준의 걱정으로 전해집니다. [...] 아이를 돌볼 때는 모든 아이가 똑같이 관심을 요구하며 걱정을 가져오는데, 여러 Claude도 똑같이 그렇게 합니다.

"They're like, I need my juice box opened and it's an emergency that my juice box is opened. [...] When you are babysitting, every child brings to you concerns with an equal demand for your attention and the various [Claudes] also do that." (Anthropic 엔지니어)

2026년 4월 설문에서 AI가 일상 업무에 준 영향을 자유롭게 쓰게 하자, 27%는 Claude 도구로 생산성이 올랐다고 썼고 20%는 자기 역할이 직접 일하는 것에서 Claude를 관리하는 것으로 바뀌었다고 썼습니다. 원격 측정 기록도 같은 그림을 보여 줍니다. 대화형 다중 턴 세션에서 각 세션의 전체 경과 시간에서 에이전트의 실제 작업 시간을 빼서 유휴 시간을 계산하면, Claude 세션 시간의 약 80%가 사람의 입력을 기다리는 시간이었습니다. 한 엔지니어는 사람이 "에이전트의 병목이 되고 있다"고 표현했습니다.

위 그림은 대화형 세션의 Claude 출력을 사람이 모두 읽는 데 필요한 주간 시간입니다. 엔지니어링과 연구 직군은 1인당 주 424시간으로, 일주일 전체 시간(168시간)을 훨씬 넘습니다. 비기술 직군에서도 재무와 회계 43시간, 영업과 GTM 35시간, 기타 비엔지니어링 27시간, 법무와 정책, 신뢰 26시간으로, 주 40시간 근무의 절반을 넘습니다. 마케팅과 커뮤니케이션은 12시간으로 이 기준에 못 미칩니다. 따라서 핵심 발견의 "비기술 직원도 근무 시간의 절반"은 그림에 나온 비기술 직군 다섯 개 중 네 개에 해당합니다. 이 계산은 출력을 빠짐없이 읽는다는 가정 위의 값이므로 실제로 읽은 시간이 아니라 출력량을 시간 단위로 바꾼 지표입니다.

일을 하는 일에서 에이전트를 관리하는 일로

이 많은 출력을 처리하는 한 가지 방법은 자동화를 더 늘리는 것인데, 그러려면 다른 종류의 일이 필요합니다. 에이전트용 상시 지시문(standing instruction)은 2025년 7월 수백 개에서 1년 뒤 8,500개로 늘었습니다. 한 엔지니어는 에이전트 요청을 분류하는 비서실장 역할의 에이전트를 두었고, 다른 직원은 자기 Claude 팀의 성과 평가서를 써서 소통 방식 중 무엇이 잘 되고 있는지를 다뤘습니다. 채용 담당자들은 에이전트가 문제를 찾아 조치를 시작하는 통합 대시보드를 만들었습니다. 한 변호사는 법률 질문을 직접 검토하던 일에서 고객사의 에이전트가 찾아 읽을 프레임워크를 쓰는, 일종의 "법률 조언을 위한 SEO"로 업무의 초점을 옮겼습니다.

위 그림에서 이런 메타 업무가 평균적인 직원의 대화형 Claude 세션에서 차지하는 비중은 2025년 가을 10%에서 2026년 봄 22%로 늘었습니다. 증가 폭이 가장 큰 곳은 인프라(약 5%에서 29%)와 개발자 도구(약 5%에서 26%)였고, 영업은 약 15% 수준으로 거의 변하지 않았습니다. 저자들은 증가분의 상당 부분이 다중 에이전트 실행용 명세 작성, 한 에이전트가 다른 에이전트의 출력을 검토하게 하는 루프 구성, 파이프라인 모니터링과 같은 에이전트 관리에서 나왔다고 설명합니다. 사람의 관여 대상이 특정 코드나 글에서 에이전트가 일을 잘하게 만드는 도구로 한 단계 추상화된 것입니다.

그래도 남는 사람의 일: 회의와 대면 조율

에이전트의 신뢰성이 높아지고 감독 도구에 많은 투자를 했지만, 사람의 신뢰와 책임은 여전히 중요합니다. 인터뷰마다 직원들은 대면 조율을 꼭 필요한 일로 꼽았습니다. 한 직원은 버그를 추적하다 보면 점점 더 "사람이 모여 결정하고 거버넌스를 정해야 풀리는 조직적, 시스템적 문제나 기술 부채"가 드러난다고 말했습니다. 캘린더 데이터상 중위 직원의 회의 시간은 1년 전보다 20% 늘었습니다. 회사 성장과 회의가 많은 비기술 직군의 증가도 일부 원인이지만, 기술직 개인 기여자(individual contributor) 사이에서도 회의 시간이 16% 늘었습니다. 보고서는 에이전트 관리에서 잠시 벗어나는 시간이 대개 회의에 들어가는 시간이라고 적습니다.

기술직과 비기술직 모두 코드 작성, 버그 찾기, 진행 기록, 이메일 초안처럼 업무의 실행 부분이 자동화되었습니다. 엔지니어들은 에이전트의 리더이자 관리자가 되었다고 말했고, 비기술 직원들은 "전략적이던 20%가 업무의 90%가 되었다"고 말했습니다. 그러나 많은 비기술 직군에서는 영업 통화, 면접, 복잡한 문제를 둘러싼 부서 간 조율처럼 핵심 실행 업무 자체가 사람 사이의 일이고, 이 부분은 여전히 사람이 합니다.

Slack 속 에이전트와 공개적으로 일하는 문화

Anthropic의 공개 소통과 비공식 소통이 모두 이루어지는 Slack에도 에이전트가 퍼졌습니다. 에이전트는 최종적으로 활성 공개 채널의 거의 절반에 등장했습니다. 아래 영상은 한 대형 부서의 구성원이 참여한 모든 공개 Slack 채널을 바탕으로, 같은 스레드에 참여한 사람과 에이전트를 선으로 이은 소통 네트워크의 변화입니다. 파란 점은 직원, 주황 점은 에이전트 스레드입니다. 영상 범례의 카운터는 처음 직원 155명, 에이전트 스레드와 대화 150개, 연결 2,060개에서 마지막 화면 직원 237명, 에이전트 스레드와 대화 7,922개, 연결 6,392개로 늘어납니다.

에이전트는 기존 사람 채널에서 많이 발언하기보다는, Claude와 사람이 상호작용하는 전용 채널에 주로 등장했습니다. 사람 사이 소통의 기본 구조와 밀도는 거의 변하지 않았습니다. 이 부서의 사람 스레드는 사람 응답 수를 그대로 유지하면서 그 위에 에이전트 응답이 더해졌습니다. 보고서는 에이전트가 여러 직원과 연결되는 허브가 되기보다는 한 직원을 위한 팀 역할을 한다고 정리합니다. Slack에서 에이전트를 팀원처럼 호출하는 방식은 Claude Tag 기능 소개 글과 사람과 AI 에이전트가 함께 일하는 6가지 원칙에서도 다뤘습니다.

에이전트와 함께 일하면 사람의 일을 에이전트가 볼 수 있는 채널로 옮기라는 압력도 생깁니다. 대면 회의에서 결정한 내용이 기록이나 공유 없이 끝나면, 에이전트는 목표와 가정을 갱신할 중요한 맥락을 얻지 못합니다. 한 직원은 몇 달 전 Claude 굿즈(swag) 문서에 이름이 올라 있었다는 이유로, 담당 업무가 바뀐 뒤에도 에이전트가 티셔츠와 머그컵 요청을 계속 가져왔다고 말했습니다. 기록되지 않는 회의와 개인 메시지 속의 일은 에이전트에게 보이지 않고 혼란을 주므로, AI 비중이 큰 직장에서는 권장되지 않습니다. 한 연구자는 이렇게 공개적으로 일하는 기본값이 Anthropic의 AI 통합에 결정적이었다며, "리더가 공개된 자리에서 피드백을 방어해야 하므로 대부분의 조직과는 크게 다른 방식"이라고 말했습니다.

채용 기준의 변화: 실행 능력보다 자율성과 판단력

일의 내용이 바뀌면서 채용 담당 관리자가 보는 역량도 바뀌었습니다. 저자들은 2024년 이후 채용된 수천 명에 대한 면접관 평가표를 자동 분류기로 처리했습니다. 가장 뚜렷한 변화는 지원자가 AI 도구를 창의적으로 써 본 경험을 평가에서 언급하는 비율입니다. 2024년에는 기술직 평가의 약 5%, 비기술직 평가의 약 7%에서 AI 도구 활용 이력을 언급했는데, 2026년에는 기술직에서 3배, 비기술직에서 4배가 되었습니다(단순 계산으로 각각 약 15%, 약 28%).

더 깊은 변화도 있습니다. 기술직 면접에서 언급이 가장 많이 늘어난 항목은 지원자의 자율성(autonomy)과 판단력(judgment)이었고, 도메인 전문성에 대한 언급은 전체 평가에서 차지하는 비중이 줄었습니다. 한 관리자는 "모델은 앞으로도 들쭉날쭉(jagged)할 것이므로, 우리 팀원은 여러 분야를 오갈 수 있으면 좋겠다"고 말했습니다. 비기술직 면접에서는 고객 지향과 미션 지향에 대한 언급이 늘고 실행 능력에 대한 언급이 줄었습니다. 보고서는 채용 관리자가 AI 도구가 자동화하는 분야별 기술과 실행 능력보다 지원자의 판단력과 헌신을 점점 더 중요하게 본다고 정리합니다.

Anthropic이 제시하는 고용주의 대응 세 가지

저자들은 철도가 전문 경영 기업을, 증기 동력이 공장을, 개인용 컴퓨터가 스타트업을 낳았듯이 도구를 쓰고 추론하는 LLM도 새로운 조직 형태를 요구할 수 있다고 봅니다. 저자들이 드는 가능성은 한 사람이 에이전트 무리를 이끌어 수십억 달러를 버는 1인 스타트업과, AI CEO가 사람을 실험실 작업과 의회 증언에만 쓰는 회사입니다. 저자들은 Anthropic이 그 어느 쪽도 아니라고 말합니다. 지난 1년 동안 규모가 3배가 되었고, 회사 전략부터 팀 결정까지 서면 Slack 토론과 대면 회의가 이끌며 AI 에이전트의 의견은 거의 반영되지 않습니다.

그 위에서 저자들은 Anthropic의 고용 관행 중 상당수는 경제 전반에서 그대로 따라 할 수 없다고 먼저 밝히고, 다른 고용주가 참고할 만한 특징 세 가지를 제시합니다.

광범위한 주식 보유 (Stock ownership): 직원들이 회사 주식을 널리 보유하고 있어 회사의 성공에 강한 이해관계를 가집니다. 저자들은 기업 가치가 크게 오른 회사이기에 쉬운 입장이고, 많은 기업에는 공동 소유가 충분하지 않거나 바람직하지 않을 수 있다고 인정합니다. 그럼에도 노동자가 성공적인 도입에서 금전적 지분을 갖지 않는 "노동자 친화적 AI 도입"은 상상하기 어렵다고 말합니다.

저자들은 1950년대 전미자동차노조(UAW)와 전미철강노조(USW)가 생산성 연동 임금 인상과 복리후생을 받는 대신 경영진의 작업 재편 권한을 인정한 2차 세계대전 이후의 노사 타협을 예로 듭니다. Anthropic 직원은 자기 전문성을 기계가 쓸 수 있게 정리하고, 업무 방식이 계속 바뀌는 것을 감수합니다. 업무의 상당 부분은 AI 협업자의 출력을 빠르게 읽는 일이 되었습니다. 저자들은 직원들이 "이 일을 공짜로 하지는 않는다"고 쓰며, AI 영향을 받는 직원과 고용주 사이의 새 합의가 어떤 형태든 도입의 이익을 나누는 장치가 꼭 필요하다고 말합니다.

조기 경보 시스템 (Early warning system): Anthropic은 AI로 업무가 바뀌는 직무를 계속 감시하는 조기 경보 시스템을 만들고 있습니다. 직무 단위의 수요와 생산성 지표를 AI 역량 및 사용량과 비교해, 업무가 바뀌는 곳을 찾아냅니다. 이렇게 하면 영향을 받는 직원을 당장 위험이 덜하고 역량이 맞는 직무로 옮기는 작업을 미리 시작할 수 있습니다. 저자들은 AI가 빨리 발전할수록 새로 생기는 모든 업무를 외부 노동 시장에서 채우는 방식은 더 큰 병목이 된다고 봅니다.

내부 재배치 우선 (Internal reallocation): 저자들은 이 원칙의 상충 관계도 함께 적습니다. 잘 작동하는 노동 시장이라면 노동자는 현재 고용주든 다른 고용주든 가장 생산적인 자리로 옮겨 가야 합니다. 기존 직원을 재배치하겠다는 약속은 고용주가 신규 채용을 주저하게 만들 수 있고, 경쟁이 치열한 평상시에는 비용이 클 수 있습니다. 반대로 재배치를 우선하면 기업은 인건비 절감용 대체 대신 새 제품과 새 시장을 위한 새 업무를 AI로 만드는 방법을 고민하게 됩니다. 저자들은 이것이 "그저 그런(so-so)" 자동화나 "비효율적(inefficient)" 자동화를 피하는 데 도움이 될 수 있다고 봅니다. 두 용어는 AI가 사람을 겨우 앞서는 수준이라, 생산성 이득은 작은데 실직자의 소득 손실이라는 사회적 비용은 큰 자동화를 가리킵니다(Acemoglu와 Restrepo, 2019, Beraja와 Zorzi, 2025).

저자들은 Anthropic에서 AI를 많이 쓰는 와중에도 새 업무와 계속 사람이 맡는 업무가 함께 남아 있다고 보고, 앞으로 어떤 업무가 남을지 불확실하므로 유연한 인력을 유지하는 편이 낫다고 말합니다. 한 임원은 "불안에 떠는 인력은 최선의 일을 하는 인력이 아니다"라고 말했습니다.

저자들은 이 세 가지 조치 모두 강력한 AI가 일자리를 흔드는 것을 막지는 못한다고 결론에서 분명히 합니다. 특히 어느 것도 이 보고서가 기록한 주니어 채용 감소를 직접 다루지 않습니다. 기존 직원을 위한 고용 보호는 애초에 채용되지 못한 사람에게는 도움이 되지 않기 때문입니다. 그래서 저자들은 고용주의 자체 조치와 함께 재교육과 소득 지원에 대한 장기적인 정부 정책이 필요하다고 말합니다. 다만 이번 보고서의 공저자 Maxim Massenkoff가 David Roodman과 함께 쓴 재교육 프로그램 근거 검토(2026년 8월)는 미국 무작위 연구 56편을 종합해 효과가 긍정적이지만 작다고 보고했습니다. 이 검토는 AI가 대규모로 노동자를 밀어내면 기존 재교육 프로그램으로는 부족할 가능성이 높다고 결론 내렸습니다.

보고서를 읽을 때 함께 볼 점과 관련 연구

이 보고서의 강점은 한 회사 안의 고용, 산출물, 소통, 채용 기록을 같은 기간에 함께 보여 준다는 점입니다. 외부 데이터로는 알기 어려운 "에이전트 작업 시간"이나 "메타 업무 비중"과 같은 지표를 정의하고, 측정 방법을 그림 주석으로 밝혔습니다. 아래 몇 가지는 수치를 인용할 때 함께 적어야 할 조건입니다.

일반화의 범위: 측정 대상은 AI를 만드는 회사 한 곳이고, 그 회사는 1년 사이 3배로 성장했습니다. 저자들도 Anthropic의 관행 상당수는 다른 곳에서 그대로 따라 할 수 없다고 밝혔습니다.
인과 추정의 한계: 개인 단위 비교는 회사 성장 효과를 일부 걸러 내지만, 도입 시점이 무작위가 아니라는 한계를 저자들이 직접 적었습니다. 직무별 산출물 그림과 주니어 고용 산점도는 기술적 관찰입니다.
자동 분류기에 기반한 지표: 작업 난이도, 직무별 작업 복잡도, 메타 업무 비중, 채용 평가의 역량 언급은 모두 자동 분류기가 판정한 값입니다(작업 난이도는 Claude 채점기). 메타 업무 비중은 한 줄 요약 2,000개 표본에서 나왔습니다.
정의에 따라 달라지는 수치: 에이전트가 사람을 넘어선 시점은 자율 에이전트 포함 여부에 따라 3월과 5월로 다르고, 출력 읽기 시간은 출력을 모두 읽는다는 가정 위에서 계산한 값입니다.

저자들은 이 결과를 경제 전체로 넓혀 보면 AI 확산이 노동자의 일자리 이탈(displacement) 위험을 낳을 수 있다고 보고, 같은 방향의 선행 연구 세 편을 인용합니다. AI 네이티브 스타트업과 AI 도입 기업이 더 수평적이고 초급 직원을 덜 고용한다는 연구로, AI-Native Firms(HBS Working Paper 26-090), Corporate Hierarchy(NBER Working Paper 34162), Generative AI as Seniority-Biased Technological Change(SSRN Working Paper 5425555)입니다. 예를 들어 AI-Native Firms는 2020~2024년 미국 벤처 투자 스타트업을 분석해, AI 네이티브 기업이 같은 업종의 비AI 스타트업보다 인원이 25% 적고 초급 직원과 관리자 비중이 각각 약 15% 낮다고 보고했습니다.

PyTorchKR에서 소개한 글 중에도 같은 질문을 다른 데이터로 다룬 것이 있습니다. OpenAI는 사내 측정치 공개 글에서 에이전트 노동이 사람의 3.1배라고 밝혔습니다. Google과 NBER의 특허변호사 실험에서는 AI와 함께 쓴 특허 초안은 좋아졌지만, AI 없이 수행한 검토 과제에서 주니어의 평균 향상은 없었습니다. AI Workers' Inquiry 2026은 영국 AI 기술자의 업무 강도와 역량 변화를 조사했습니다.

How employment is changing at Anthropic 보고서 블로그

How Employment is Changing at Anthropic 보고서 PDF (영문, 20쪽)

더 읽어보기

이 글은 GPT 모델로 정리한 초안을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 댓글로 알려주시기를 부탁드립니다.

이 글은 파이토치 한국 사용자 모임이 직접 정리한 글입니다. 새 글을 놓치지 않으시려면 텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로 알림을 받으시고, 회원으로 가입하시면 주요 글들을 이메일로도 보내드립니다!

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~