Anthropic Economic Index(2026/02): AI 활용의 학습 곡선과 경제적 파급 효과에 대한 분석

9bow · 3월 31, 2026, 9:30오후

Anthropic Economic Index: Learning Curves 개요

Anthropic은 자사의 프라이버시 보호 데이터 분석 시스템인 CLIO를 활용하여 Claude가 경제 전반에서 어떻게 사용되고 있는지를 추적하는 Anthropic Economic Index를 운영하고 있습니다. 이 지표는 AI의 경제적 영향을 조기에 파악하여 연구자와 정책 입안자들이 충분한 준비 시간을 가질 수 있도록 하기 위한 프로젝트입니다.

이번 보고서는 2026년 2월(2월 5일~12일) Claude 사용 데이터를 분석한 것으로, Claude Opus 4.5 출시 3개월 후이자 Claude Opus 4.6 출시 시점의 데이터를 다루고 있습니다. 이전 보고서에서 도입한 경제적 지표(Economic Primitives) 프레임워크를 기반으로, 사용 패턴의 변화와 함께 AI 도입의 핵심 결정 요인인 학습 곡선(learning curves) 을 집중 분석합니다.

핵심 발견은 명확합니다. 오래 사용한 사용자일수록 Claude의 역량을 더 잘 활용하는 습관과 전략을 발전시켜, 더 높은 가치의 작업을 시도할 뿐만 아니라 대화에서 성공적인 응답을 끌어낼 확률도 높아진다는 것입니다.

이전 보고서(2025/11) 대비 변화

Claude.ai 사용 사례의 다양화

코딩은 여전히 Claude 플랫폼에서 가장 흔한 용도로, 컴퓨터 및 수학 관련 직업에 해당하는 작업이 Claude.ai 대화의 35%를 차지합니다. 하지만 2025년 11월과 2026년 2월 사이에 Claude.ai의 사용 사례는 눈에 띄게 다양해졌습니다. 상위 10개 O*NET 작업이 전체 대화에서 차지하는 비율이 24%에서 19%로 감소했습니다.

이러한 집중도 하락의 주요 원인 중 하나는 코딩 작업이 Claude.ai에서 1P API로 이동한 것입니다. 특히 Claude Code의 에이전틱 아키텍처가 코딩 작업을 더 작은 API 호출로 분할하면서, 코딩의 전체 API 트래픽 비율은 증가했지만 여러 작업 카테고리에 분산되었습니다.

사용 사례의 변화도 주목할 만합니다. 학업 관련 사용은 19%에서 12%로 줄어든 반면, 개인적 사용은 35%에서 42%로 증가했습니다. 학업 사용 감소의 일부는 겨울 방학 시기와 겹친 영향이며, 2월부터 늘어난 신규 가입으로 보다 캐주얼한 AI 사용자가 유입된 것으로 분석됩니다.

저임금 작업으로의 확산과 작업 가치 변화

사용 사례가 다양해지면서, Claude에서 수행되는 작업의 평균 경제적 가치(해당 직업의 미국 평균 시급 기준)도 소폭 하락했습니다. Claude.ai에서의 평균 작업 가치는 $49.3에서 $47.9로 낮아졌는데, 이는 스포츠 결과 확인, 제품 비교, 주택 관리 같은 단순 질의가 늘어난 영향입니다.

이 패턴은 전형적인 채택 곡선(adoption curve) 이야기와 일치합니다. 초기 채택자들은 코딩 같은 특정 고부가가치 용도를 선호하고, 후기 채택자들은 훨씬 더 넓은 범위의 작업에 활용하는 것입니다.

여러 기본 지표(Primitive)들에서도 비슷한 복잡도 하락이 관찰되었습니다. 사용자 입력에 필요한 평균 교육 연수(the average years of education required for the human inputs)가 12.2년에서 11.9년으로 줄었고, 사용자가 AI에 더 많은 자율성을 부여하며, 사람이 해당 작업을 혼자 수행하는 데 필요한 시간도 약 2분 감소했습니다.

새롭게 부상하는 자동화 패턴

Anthropic Economic Index 보고서는 대화를 지시형(Directive), 피드백 루프(Feedback Loop), 작업 반복(Task Iteration), 검증(Validation), 학습(Learning)의 5가지 상호작용 유형으로 분류하고, 이를 자동화(Automation)와 증강(Augmentation) 두 범주로 묶습니다. 이 중 Claude.ai 에서는 증강 비율이 소폭 상승했는데, 이는 검증과 학습 패턴의 증가에 기인합니다.

API에서는 2월 들어 두 가지 자동화 워크플로우가 두드러지게 증가했습니다:

비즈니스 영업 및 접촉 자동화(Business sales & outreach automation): 영업 지원 콘텐츠 생성, B2B 리드 선별 조사, 고객 데이터 보강, 콜드 이메일 작성
자동 트레이딩 및 시장 운영(Automated trading & market ops): 시장/포지션 모니터링, 투자 제안, 트레이더에게 시장 상황 알림 등

지역별 수렴 현황

미국 내 주(州)별 사용량 수렴은 계속되고 있지만 속도가 둔화되었습니다. 2025년 8월~2026년 2월 사이 상위 5개 주의 1인당 사용량 점유율은 30%에서 24%로 감소했습니다. 다만 이전 보고서에서 예측한 2~5년 내 균등화는 5~9년으로 늘어날 전망입니다.

반면, 국가 간에는 반대 패턴이 나타났습니다. 사용량이 약간 더 집중되어 지니 계수가 상승했고, 상위 20개국의 점유율이 45%에서 48%로 증가했습니다.

AI 사용법 학습: 모델 선택과 경험의 효과

모델 선택 패턴

Claude의 모델 클래스(Haiku, Sonnet, Opus)는 비용, 속도, 성능 간의 트레이드오프를 제공합니다. 사용자들이 이를 인식하고 작업에 맞게 모델을 선택한다면, 가장 복잡하고 가치 있는 작업에 Opus를, 단순한 작업에는 다른 모델을 사용할 것입니다. 실제로 데이터에서 이러한 패턴이 관찰됩니다.

유료 Claude.ai 계정의 경우, 컴퓨터 및 수학 관련 작업의 55%가 Opus를 사용하는 반면, 교육 관련 작업은 45%만 Opus를 사용합니다. 더 세밀하게 보면, 소프트웨어 개발자 작업의 34%가 Opus를 사용하는 반면, 튜터링 작업은 12%에 그칩니다.

흥미로운 점은 작업의 시급이 $10 올라갈 때마다 Opus 사용 비율이 Claude.ai에서는 1.5%p, 1P API에서는 2.8%p 증가한다는 것입니다. API 사용자들이 프로그래밍 방식의 워크플로우에서 모델 간 전환에 더 적극적인 셈입니다.

학습 곡선(Learning Curve): 경험이 만드는 차이

첫 번째 Claude 모델은 2023년 3월에 출시되었습니다. 그 이후로 사용자 기반은 급격히 성장했고, 현재 샘플에는 첫 출시부터 사용해 온 사람부터 하루 전에 가입한 사람까지 다양한 사용자가 섞여 있습니다. 그렇다면 Claude 사용 경력은 경험에 어떤 영향을 미칠까요?

Anthropic Economic Index 보고서는 6개월 이상 사용한 "고경력" 사용자와 그 외 "저경력" 사용자를 비교하였으며, 고경력 사용자는 다음과 같은 특징을 보입니다:

Claude와의 작업 반복(iteration)을 더 많이 활용하고, 지시형(directive) 패턴은 훨씬 적게 사용
업무 목적 사용이 7%p 더 높음
더 높은 교육 수준이 요구되는 작업에 Claude를 활용
상위 10개 작업의 집중도가 낮아 더 다양한 작업에 활용 (20.7% vs 22.2%)

특히 눈에 띄는 것은 사용 기간에 따른 변화 추세입니다. Claude를 1년 더 사용할 때마다 사용자 프롬프트를 이해하는 데 필요한 교육 연수가 거의 1년씩 증가합니다. 동시에 개인적 사용은 감소하여, 1년 전 가입자는 대화의 38%가 개인 용도인 반면, 최신 가입자는 44%가 개인 용도입니다.

평균 사용 기간이 가장 긴 작업 클러스터에는 AI 연구, git 작업, 원고 수정, 스타트업 펀드레이징 등이 포함됩니다. 반면 평균 사용 기간이 가장 짧은 작업에는 하이쿠 작성, 스포츠 점수 확인, 파티 음식 추천 같은 단순 워크플로우가 포함됩니다.

경험 효과의 통계적 검증

보고서의 가장 인상적인 분석은 회귀 분석을 통한 경험 효과 검증입니다. 단순 이변량 회귀에서 고경력 사용자는 대화 성공률이 약 5%p 더 높았습니다.

하지만 이런 질문이 생깁니다: "그런데 이러한 경향이 고경력 사용자가 프롬프트를 더 잘 작성해서일까, 아니면 성공 확률이 높은 다른 종류의 작업을 가져와서일까?"

이 질문에 답하기 위해 O*NET 작업과 요청 클러스터에 대한 고정 효과(fixed effects)를 추가하여 동일한 작업 내에서 고경력과 저경력 사용자를 비교했습니다. 이렇게 통제한 결과에서도 약 3%p의 성공률 차이가 유지되었습니다. 모델 선택, 사용 사례, 국가까지 통제한 최종 분석에서는 오히려 4%p로 약간 더 높은 효과가 나타났습니다.

이러한 결과는 고경력 사용자가 단순히 다른 작업을 가져오거나 다른 언어를 사용해서가 아니라, AI에서 원하는 것을 더 잘 끌어내는 방법을 학습했기 때문일 가능성을 시사합니다.

시사점과 향후 전망

이번 Anthropic Economic Index 보고서는 노동 시장에 중요한 함의를 가집니다. 경제학자들이 오래 전부터 논의해 온 기술 편향적 기술 변화(skill-biased technological change) 개념과 연결되는데, 고숙련 작업을 수행하는 초기 채택자들이 후기 채택자보다 Claude와의 상호작용에서 더 높은 성공률을 보이면서, 이들 사이의 격차가 벌어질 수 있다는 것입니다.

흥미로운 역설은 이 초기 채택 사용자들이 동시에 AI로 인한 직업 변화에 가장 많이 노출되어 있다는 점입니다. 즉, AI의 영향을 가장 많이 받는 사람들이 현재의 증강적 도입 단계에서는 AI로부터 가장 많은 도움을 받고 있는 셈입니다.

또 하나의 중요한 발견은 이전 보고서의 가설, 즉 경험이 많은 사용자일수록 자동화 방식을 선호할 것이라는 예측과 반대되는 결과가 나왔다는 것입니다. 실제로 가장 숙련된 사용자들은 Claude와 더 많이 반복 작업하며 협력하는 경향을 보였습니다. 이는 "실행을 통한 학습(learning-by-doing)"과 일치하는 패턴입니다. AI를 사용하는 시간이 늘어날수록 AI를 활용하는 능력도 함께 성장한다는 것입니다.

물론 이러한 결과가 코호트 효과나 생존 편향(Survivorship Bias)에 의해 설명될 가능성도 있습니다. 초기 채택자들이 본래 더 기술적인 사용자일 수 있고, 계속 Claude를 사용하는 사람들은 Claude가 특히 잘 수행하는 작업을 가진 사람들일 수 있습니다. 하지만 세밀하게 통제된 회귀 분석은 이러한 단순한 형태의 교란 요인을 배제하고 있으며, 시간이 지나면서 코호트 효과와 학습 효과를 더 명확히 분리할 수 있을 것으로 기대됩니다.

Anthropic Economic Index report: Learning curves 소개 블로그

Anthropic Economic Index report: Learning curves 보고서 PDF

Anthropic Economic Index report의 Appendix PDF

Anthropic Economic Index 보고서에 사용한 데이터셋

더 읽어보기

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

파이토치 한국 사용자 모임이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일로 보내드립니다! (기본은 Weekly지만 Daily로 변경도 가능합니다.)

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~