Anthropic Economic Index: Claude 사용에 새겨진 일상의 리듬과 노동자들의 AI 인식에 대한 연구

9bow · 7월 6, 2026, 6:30오전

Anthropic Economic Index 소개

우리의 하루에는 저마다의 리듬이 있습니다. 아침에는 뉴스를 확인하고, 낮에는 업무 메일과 씨름하며, 저녁에는 오늘 뭘 먹을지 고민하고, 잠들기 전에는 잠이 오지 않아 뒤척입니다. 그리고 이제, 그 리듬의 상당 부분이 AI와 나누는 대화 속에 그대로 새겨지고 있습니다.

Anthropic Economic Index(AEI) 는 Anthropic이 Claude 사용 데이터를 분석해 AI가 경제와 노동에 어떻게 스며드는지를 추적해 온 시리즈 리포트입니다. 이번에 공개된 여섯 번째 리포트 "Cadences(리듬)" 는 AI가 사람들의 일상과 노동의 박자를 어떻게 반영하는지, 그리고 사람들이 그 변화를 어떻게 체감하고 기대하는지를 대규모 데이터로 들여다봅니다. 이 글은 그 리포트를 세 개의 장으로 나누어, 데이터가 말해주는 이야기를 차근차근 정리합니다.

기존의 AI 사용 분석에는 몇 가지 뚜렷한 한계가 있었습니다. 첫째, 이전 AEI 리포트들은 대체로 7일치 스냅샷 에 의존했습니다. 특정 일주일간의 대화를 표본으로 뽑아 분석하는 방식이라, 하루 안에서 시간대별로 어떻게 사용이 오르내리는지, 특정 날짜(예: 세금 신고 마감일)에 무슨 일이 벌어지는지를 포착하기 어려웠습니다. 둘째, 분석 대상이 사실상 채팅 대화(chat) 에 국한되어 있었습니다. 하지만 지난 1년 사이 Claude Code와 Cowork가 빠르게 성장하면서, 이제 Claude 세션의 상당수는 몇 시간씩 자율적으로 돌아가는 에이전트형 작업으로 바뀌었습니다. 채팅 로그만으로는 사람들이 AI를 어떻게 쓰는지를 온전히 담아낼 수 없게 된 것입니다. 셋째, 사용 로그는 "세션 안에서 무슨 일이 일어났는가" 만 알려줄 뿐, 사람들이 AI를 두고 무엇을 느끼고 무엇을 기대하는지, 즉 세션 바깥의 인식 에 대해서는 아무것도 말해주지 않았습니다.

이번 리포트는 이 세 가지 한계를 정면으로 다루기 위해 데이터 파이프라인을 크게 손봤습니다. 매일 대화의 일부를 연속적으로 표집하는 새로운 프라이버시 보존 원격 측정 방식을 도입해 시간 단위(hourly) 까지 사용 패턴을 볼 수 있게 했고, 각 대화의 산출물(output)을 분류하는 새 분류기를 추가했으며, chat과 Cowork 대화(합쳐서 "Claude 대화")와 1P API 트래픽을 월 단위로 구분해 더 세밀한 데이터를 공개했습니다. 여기에 더해, 2026년 4월에 시작한 Anthropic Economic Index Survey 의 초기 결과를 프라이버시 보존 시스템(Clio) 을 통해 실제 사용 데이터와 연결함으로써, 처음으로 사람들에게 직접 물어본 답 을 사용 행동과 나란히 놓고 분석했습니다.

리포트는 크게 세 개의 장으로 구성됩니다. 1장(Cadences) 은 바깥세상의 리듬이 Claude 사용에 어떻게 반영되는지를, 2장(Artifacts) 은 사람들이 Claude 세션에서 실제로 무엇을 만들어 가는지를, 3장(Perceptions) 은 설문을 통해 드러난 사람들의 기대와 감정을 다룹니다. 하나씩 살펴보겠습니다.

챕터 1: 사용 로그에 새겨진 삶의 리듬 (Cadences)

이전 리포트들이 7일 스냅샷에 의존했던 것과 달리, 이번에는 2026년 4월 10 일부터 6월 10 일까지 매일 대화의 일부를 연속적으로 표집하는 방식으로 바뀌었습니다. 덕분에 전 세계 노동 패턴의 밀물과 썰물, 즉 하루와 한 주 단위로 사용이 어떻게 출렁이는지를 관측할 수 있게 되었습니다. 참고로 이 모든 분석은 프라이버시를 보존하는 방식으로 이뤄집니다. 대화 기록은 오직 또 다른 Claude 인스턴스만 읽으며, 관측치가 충분하지 않은 셀은 걸러냅니다.

주중과 주말: 업무에서 개인으로

가장 먼저 눈에 띄는 것은 Claude 사용이 일주일의 리듬(workweek) 을 그대로 따라간다는 점입니다. chat과 Cowork 대화 중 개인 용도로 분류된 비중은 평일에는 약 35\% 수준이지만, 주말이 되면 50\% 에 육박하는 수준까지 치솟습니다. 주말에는 사람들의 대화가 업무 서신, 마케팅 문구, 슬라이드 덱에서 정서적 지지, 의료 관련 질문, 투자 조언 쪽으로 옮겨갑니다. 이 전환은 특히 고소득 국가에서 가장 두드러졌습니다.

같은 패턴은 Claude Code와 1P API 트래픽에서도 관찰되었는데, 다만 두 경우 모두 개인 용도의 기본 비율 자체는 더 낮았습니다. 요청 클러스터(request cluster)를 한 단계 더 깊이 들여다보면, 어떤 Claude Code 작업이 평일과 주말 사이에서 가장 크게 흔들리는지 보입니다. 주말에 가장 많이 줄어드는 것은 백엔드 아키텍처, API 디버깅, 데이터 저장 관련 작업이었고, 반대로 가장 많이 늘어나는 것은 AI 에이전트 설계, 퀀트 트레이딩, 게임 개발이었습니다. 주말이 새로운 시도를 위한 여유 공간을 만들어 준다는 해석도 가능합니다. 실제로 여러 나라에서 창업 관련 대화는 토요일과 일요일에 가장 많았습니다. 반면 구직 활동은 다른 업무 작업과 마찬가지로 주말에 줄어들었습니다.

하루의 리듬: 뉴스는 아침에, 레시피는 저녁에

시간 단위 데이터는 하루 안의 리듬까지 포착합니다. 아래 그림은 여러 요청 클러스터가 하루 중 어느 시간대에 평균 대비 얼마나 자주 등장하는지를 보여줍니다.

사람들은 현지 시각 오전 7 시경에 뉴스를 요청합니다. 업무 서신(예: 이메일 초안 작성)은 근무 시간의 곡선을 따라가며 오전 10 시에서 11 시 사이에 완만한 정점을 찍습니다. 가장 극적인 스파이크 중 하나는 레시피 요청으로, 저녁 6 시에는 평균 대비 2.3\times 더 자주 등장합니다. 미디어 추천은 저녁 시간에 집중되고, 수면 조언은 동이 트기 직전 새벽 시간대에 정점을 찍습니다. 하루를 보내는 인간의 리듬이 사용 로그 위에 거의 그대로 그려지는 셈입니다.

밤과 주말에 일하는 사람들, 그리고 세금 마감일

흥미로운 점은, 밤이나 주말에 사람들이 Claude에게 업무 를 맡길 때 그 작업들이 상대적으로 고임금 직군 쪽으로 쏠린다는 것입니다. 이것을 두고 요청한 사람의 직업을 단정할 수는 없지만, 마케팅 매니저나 프로그래머처럼 상대적으로 보수가 높은 직종의 사람들이 전통적인 근무 시간 바깥에서도 일하는 경향이 있다는 점과 맞닿아 있습니다. 반대로 텔레마케팅이나 사무 보조처럼 하위 두 분위(quartile)에 속하는 직업 관련 작업은 밤과 주말에 전체 대화에서 차지하는 비중이 줄었습니다. 이 패턴이 컴퓨터 및 수학 관련 작업 때문만은 아니었습니다. 해당 직군을 분석에서 제외하는 강건성 검증(robustness check)을 거쳐도, 상위 분위 작업은 여전히 밤과 주말에 늘어났습니다.

날짜의 힘도 데이터에 선명하게 남습니다. 이번 리포트의 표본 기간은 미국의 세금 신고 마감일을 포함하는데, 마감일을 전후로 세금 관련 대화가 크게 치솟았습니다. 4월 14 일, 세금 관련 클러스터는 5 월 평균적인 날보다 8 배나 흔했고, 마감일인 15 일에도 비슷한 수준을 유지하다가, 16 일에는 급격히 가라앉았습니다. AI 사용이 단지 개인의 습관뿐 아니라 사회 전체가 공유하는 마감일 같은 제도적 리듬까지 반영한다는 것을 보여주는 대목입니다.

챕터 2: Claude는 무엇을 만들어내는가 (Artifacts)

1장이 언제 사람들이 Claude를 쓰는지를 다뤘다면, 2장은 그들이 세션을 마치며 무엇을 손에 쥐고 나가는지 를 다룹니다. 리포트는 각 대화가 만들어낸 주된 산출물을 산출물(Artifact) 이라 부르고, 이를 문서, 설명, 코드 조각, 학술 논문 등 30 개가 넘는 범주로 분류합니다.

사람들이 손에 쥐고 나가는 것들

새 분류기는 Claude 대화의 93\% 가 어떤 산출물을 만들어낸다고 판정했습니다. 가장 흔한 산출물은 설명(explanation)으로 전체 대화의 17\% 를 차지했고, 그 뒤를 문서 및 보고서(15\% ), 안내(guidance, 11\% )가 이었습니다. 뚜렷한 산출물이 없는 나머지 7\% 는 짧게 끝났거나 중단된 대화, 오류가 난 경우, 또는 Claude가 되물었으나 사용자가 이어가지 않은 경우 등입니다.

크게 보면 설명이나 안내 같은 대화형 산출물 과 문서나 발표 자료 같은 문서형 결과물 이 각각 전체의 약 3분의 1씩을 차지했고, 앱이나 스크립트 같은 코드 및 기술 작업이 약 6분의 1을 차지했습니다. 어떤 산출물이냐가 그 산출물이 무엇을 위한 것인지까지 알려주지는 않습니다. 같은 문서라도 업무 결과물일 수도, 개인 프로젝트일 수도 있기 때문입니다.

같은 산출물, 다른 용도: 업무 vs 개인 vs 학업

리포트는 1월 AEI 리포트 에서 도입한 분류 방식을 이어받아, 각 대화를 업무, 개인, 학업(coursework)으로 나눕니다. 어떤 산출물은 거의 항상 개인적입니다. 창작 글쓰기, 안내, 레시피를 만들어내는 대화의 80\% 이상이 개인 용도로 분류되었습니다. 같은 범주 안에서도 개인과 업무의 결은 사뭇 다릅니다. 예컨대 개인 창작 글쓰기는 팬픽, 세계관 설정, 시가 주를 이루는 반면, 업무성 창작 글쓰기(13\% )는 대개 짧은 영상 스크립트, 시나리오, 연설문 형태였습니다. 반대로 업무성일 가능성이 가장 높은 범주는 마케팅 콘텐츠 제작(80\% ), 블로그나 기사 작성(81\% ), 데이터베이스 쿼리 작성(82\% )이었습니다.

업무와 개인 어느 쪽으로도 비슷하게 쓰이는 산출물도 많습니다. 계획이나 전략 수립(업무 44\% , 개인 49\% ), 번역(업무 42\% , 개인 44\% )이 대표적입니다. 예를 들어 개인적인 계획 산출물은 여행 일정이나 운동 스케줄이 흔했고, 업무 계획은 창업이나 콘텐츠 전략에 관한 것이 많았습니다.

질문을 뒤집어 볼 수도 있습니다. 업무 대화는 문서 및 보고서(20\% )를 가장 많이 만들어냈고, 그 뒤로 설명(9\% ), 이메일 초안(7\% ), 분석 및 요약(6\% )이 이었습니다. 학업 대화도 비슷한 양상이지만 교육 자료(11\% )와 학술 논문(6\% )의 비중이 더 컸습니다. 반면 개인 대화가 문서를 만들어내는 경우는 6\% 에 불과했고, 대신 설명(25\% )과 추천(22\% )이 주를 이뤘습니다.

비용은 일의 가치를 따라간다

이런 산출물을 만들어내려면 연산이 필요하고, 리포트는 그 연산 비용이 일의 가치 와 함께 커지는 경향을 발견했습니다. 각 대화의 연산 비용을 토큰(token) 수, 즉 Claude의 내부 추론(reasoning)까지 포함해 처리하고 생성한 텍스트의 양으로 측정한 뒤, 각 대화의 작업을 그 작업을 통상 수행하는 직업에 매핑해 직업별로 비교했습니다.

결과는 직업의 중위 임금이 높을수록 대화당 토큰 수도 커지는 뚜렷한 양(positive)의 관계였습니다. 예를 들어 마케팅 매니저는 편집자보다 시간당 임금이 약 두 배 높은데(시간당 80 달러 대 37 달러), 이들의 작업에 매핑된 대화는 약 2.5\times 더 많은 토큰을 소비했습니다. 물론 이 관계에는 잡음이 많고 눈에 띄는 예외도 있습니다. 약사는 통계 보조원보다 거의 세 배를 버는데(시간당 68 달러 대 24 달러), 약사 작업에 매핑된 대화는 통계 보조원의 약 \frac{1}{20} 수준의 토큰만 사용했습니다.

산출물 유형별로 봐도 이야기는 비슷합니다. 더 복잡하고 가치 있는 산출물일수록 훨씬 많은 토큰을 소비했습니다. 앱을 만드는 대화는 중위 대화의 3 배가 넘는 토큰을 썼고, 반대로 전형적인 설명은 중위 대화의 약 \frac{1}{5} 만 사용했습니다. 임금에 따른 토큰 소비 격차의 약 44\% 가 이 산출물 구성의 차이 로 설명되었습니다. 고임금 직군일수록 연산 집약적인 산출물을 만들 가능성이 높다는 뜻입니다.

이것이 경제적으로 왜 중요할까요? 고임금 직군에 매핑된 대화에서 Claude는 턴(turn)당 더 많이 생산하고(1.34\times ), 동시에 사용자도 더 많이 관여하며(턴 수 1.53\times ), 확장 사고(extended thinking)를 더 자주 켰습니다(34\% 대 31\% ). 중요한 것은 이 둘이 함께 움직인다는 점입니다. Claude가 더 많이 생산한다고 해서 사람이 덜 관여하는 것이 아니었습니다. 리포트는 이를 두고 "인간이 가장 가치 높은 작업에 계속 관여한다면, 이 패턴은 노동을 대체하기보다 증강하는 쪽에 가깝다" 고 해석합니다. 실제로 직업을 임금 기준 3분위로 나누면, 상위 3분위 직업에 매핑된 전형적인 대화는 하위 3분위의 2.07\times 에 달하는 토큰을 소비했습니다.

Claude에게 얼마나 맡기는가: 자율성

같은 산출물이라도 사람이 Claude에게 얼마나 많은 판단을 위임하는지는 제품에 따라 크게 달라집니다. 리포트는 이 위임의 정도를 AI 자율성(AI Autonomy) 으로 정의하고 "없음"에서 "극단적"까지 1 에서 5 점 척도로 측정했습니다. 수학 계산, 번역, 단순 질의응답처럼 명세가 명확한 작업은 자율성이 낮고, 앱이나 웹사이트, 게임, 발표 자료처럼 수많은 선택지 중에서 지속적인 판단이 필요한 작업은 자율성이 높습니다.

핵심 발견은, 거의 모든 산출물 유형(제시된 31 개 중 26 개)에서 자율성이 chat이나 Cowork보다 Claude Code 에서 더 높다는 것입니다. 예를 들어 스크립트나 코드 조각을 만드는 대화는 chat/Cowork에서보다 Claude Code에서 평균 0.53 점 더 높은 자율성을 보였습니다. 전체 대화를 통틀어 평균 차이는 0.37 점이었는데, 이 차이의 원천은 두 가지입니다. 약 3분의 2는 같은 작업을 더 많이 위임한 채로 수행 하는 데서 왔습니다. 블로그 글이 좋은 예입니다. 두 제품에서 요청과 작업 자체는 비슷하지만, 사람이 Claude와 함께 일하는 방식은 확연히 다릅니다. chat/Cowork에서 블로그를 만드는 중위 대화는 13 번의 주고받음을 거치지만, Claude Code에서 블로그를 만드는 중위 세션은 사람의 프롬프트가 단 한 번뿐이었습니다. 나머지 3분의 1은 두 제품 간 산출물 구성 자체가 다른 데서 비롯되었습니다.

물론 예외도 있습니다. 가장 두드러진 것은 데이터 및 스프레드시트 작업으로, 이 경우엔 오히려 Claude.ai 대화의 자율성이 Claude Code보다 높았습니다(3.09 대 2.74 ). 이 격차의 약 70\% 는 작업 구성의 차이에서 비롯됩니다. Claude.ai에서는 이 산출물이 Claude가 구조 자체를 설계하는 재무 모델링이나 대시보드 쪽으로 기우는 반면, Claude Code에서는 명세가 정확히 주어지는 구조적 추출과 태깅 쪽으로 기울기 때문입니다.

이 차이가 단지 모델 선택 때문이 아니냐는 의문이 자연스럽게 떠오릅니다. 실제로 Claude Code 세션은 가장 강력한 모델을 훨씬 자주 씁니다(Opus 비중이 54\% 로, chat/Cowork의 10\% 보다 높습니다). 하지만 같은 모델 로 서비스된 대화만 비교해도 격차는 유지되었습니다. Sonnet을 쓴 대화만 놓고 봐도 Claude Code 세션이 여전히 0.26 점 더 높은 자율성을 보였습니다. 저자들은 이를 두고 "어떤 제품을 쓰는가가 어떤 모델이 밑에 깔려 있는가보다 더 중요할 가능성이 높다" 고 정리합니다. 한 걸음 물러서서 보면, 사용자가 가장 많이 위임하는 산출물 유형은 가장 많은 연산을 소비하는 유형과 일치했습니다(chat/Cowork에서 평균 자율성과 중위 토큰 사용량의 상관계수 r = 0.68 ).

Claude는 요청받은 것보다 높은 수준으로 답한다

리포트는 각 대화에서 사용자의 프롬프트와 Claude의 응답 각각에 대해, 그 텍스트를 이해하는 데 필요한 교육 연수(years of education)로 표현되는 독해 수준(reading level)을 추정했습니다. 산출물 유형에 따라 독해 수준은 크게 갈렸습니다. 학술 논문으로 이어지는 평균적인 질의는 이해하는 데 16 년 이상의 교육, 대략 학사 수준을 요구했고, 이 중 15\% 는 박사 수준 이상(20 년 이상)이었습니다. 반대편 끝에는 레시피나 안내로 이어지는 대화가 있었는데, 프롬프트를 이해하는 데 10 년 미만의 교육이면 충분했습니다.

일반적으로 산출물의 독해 수준이 높으면 프롬프트의 독해 수준도 높았습니다(대화 전반의 상관계수 0.87 ). 그런데 흥미로운 점은, 거의 모든 범주에서 Claude의 응답이 프롬프트보다 이해 수준이 높았다는 것입니다. 평균적으로 약 교육 1 년치만큼 높았습니다. 이 격차는 사용자가 무언가를 만들어 달라고 설명하는 경우에 가장 컸습니다. 이미지 및 그래픽(+2.6 년), 게임(+1.9 년), 앱 및 웹사이트(+1.7 년)가 그렇습니다. 이 격차의 일부는 단순히 어투의 차이일 수 있습니다. 프롬프트는 짧고 격식 없는 반면, Claude는 다듬어진 문장으로 답하기 때문입니다. 실제로 블로그(-0.1 ), 학술 논문(+0.0 ), 이메일(+0.3 )처럼 독자를 향한 글에서는 격차가 거의 없었는데, 이런 경우 프롬프트 자체가 이미 결과물과 같은 어투의 초안이나 원문을 담고 있는 경우가 많기 때문으로 보입니다.

챕터 3: 사람들은 AI를 어떻게 느끼는가 (Perceptions)

앞의 두 장은 사람들이 Claude를 어떻게 쓰는지 를 보여주지만, 그들이 직장에서 AI를 어떻게 경험하는지 에 대해서는 많은 것을 말해주지 못합니다. 자신의 일과 일터가 어떻게 바뀔 것으로 기대하는지, AI의 현재와 미래 영향에 대해 어떻게 느끼는지, 이 기술에 무엇을 바라는지는 사용 로그만으로는 알 수 없습니다.

Anthropic은 앞서 2025년 12월, Anthropic Interviewer 를 활용해 8만 1천 명의 Claude 사용자를 인터뷰 한 바 있습니다. 당시 응답자들은 큰 생산성 향상을 보고하면서도 일자리 대체에 대한 우려를 드러냈고, 그 우려는 특히 사회 초년생과 Claude가 가장 많은 일을 하는 직군에 집중되어 있었습니다. 이 작업을 한 걸음 더 발전시키기 위해 Anthropic은 2026년 4월 Anthropic Economic Index Survey 를 시작했습니다.

설문은 누가 답했는가

이 설문의 강점은 응답을 실제 사용 데이터와 연결한다는 데 있습니다. 5월 중순부터 6월 초까지의 사용 데이터를 프라이버시 보존 방법 으로 연결하되, 각 응답자의 사용 패턴을 특징짓기 위해 사람당 최대 20 개 세션을 무작위로 표집하고, 표집 잡음을 줄이기 위해 세션이 5 개 미만인 응답자는 제외했습니다. 최종적으로 연결된 표본은 약 9,700 명입니다.

다만 이 설문은 일반 인구를 대표하지 않는다는 점을 분명히 해 둘 필요가 있습니다. Claude 사용자 중 무작위 표본을 대상으로 하고, 설문을 끝까지 완료하는 사람에게 선택 편향이 있을 수 있으며, 사용 빈도가 낮은 사용자는 분석에서 걸러냈기 때문입니다. 실제로 컴퓨터 및 수학 관련 직업이 응답자의 약 30\% 를 차지해, 미국 전체 고용에서의 비중(4\% )을 크게 웃돌았습니다. 관리직 역시 응답자의 23\% 로 고용 비중(7\% )보다 과대 대표되었는데, 정작 이들이 만든 세션은 전체의 4\% 에 불과했습니다. 이는 관리자들이 Claude를 관리 업무 자체가 아닌 다른 작업에 쓴다는 해석과 맞닿아 있습니다. 이런 대표성의 한계에도 불구하고, 뒤에서 살펴볼 일자리 변화에 대한 패턴들은 5만 명 이상의 미국인을 대상으로 한 전국 대표 표본 설문(Anthropic Public Record)에서도 유사하게 확인되었습니다.

AI 노출도: 체감, 관측, 이론, 그리고 예상

AI가 직업에 미치는 영향을 이야기할 때 흔히 쓰이는 개념이 노출도(exposure), 즉 특정 직업의 업무 중 AI로 수행 가능한 비중입니다. 이전 연구 에서 Anthropic은 실제로 Claude로 수행되는 작업의 비중을 포착하는 관측 노출도(observed exposure) 를, 그리고 기존 연구 는 대규모 언어 모델이 이론적으로 수행 가능한 작업의 비중인 이론적 노출도(theoretical exposure) 를 제시했습니다.

이번 설문은 여기에 새로운 축을 더합니다. 사람들에게 직접 "오늘날 AI가 당신 업무의 몇 퍼센트를 스스로 해낼 수 있는가" (체감 노출도, reported exposure)와 "12개월 뒤에는 몇 퍼센트를 해낼 것으로 기대하는가" (예상 노출도, anticipated exposure)를 물은 것입니다. 응답자의 10 명 중 약 6 명이 내년을 오늘보다 더 높은 구간으로 골랐고, 3분의 1이 넘는 사람이 내년에는 AI가 자기 업무의 대부분 또는 거의 전부를 해낼 수 있으리라 기대했습니다.

체감 노출도는 관측 노출도와 이론적 노출도 모두와 양의 상관관계를 보였습니다. 즉 사람들이 체감하는 AI의 능력은 실제 관측치와 대체로 방향이 맞았습니다. 그런데 미래 기대치에서는 다른 그림이 나타났습니다. 관측 노출도나 이론적 노출도가 높은 직군이라고 해서 내년에 더 큰 진보를 기대하는 것은 아니었습니다. 체감 노출도와 예상 노출도의 최적 적합선이 거의 평행했기 때문입니다. 다시 말해, 소프트웨어 엔지니어와 건설 관리자가 각자의 직업 안에서 대체로 비슷한 폭의 진보 를 기대하고 있었습니다. 이는 AI 능력이 특정 분야에 국한되지 않고 전반적으로 함께 향상되는 "밀물(rising tide)" 이라는 관점과 일관됩니다.

한 가지 더 짚어둘 점은, 세 지표가 체계적인 순서를 이룬다는 것입니다. 체감 노출도는 관측 노출도를 꾸준히 웃돕니다. 한 직업의 모든 작업을 모두가 하는 것은 아닌 데다, 이 설문이 AI를 더 많이 쓰는 사람에게 더 많이 도달하기 때문으로 보입니다. 반대로 이론적 노출도는 현재 사용량이 아니라 가능성의 상한 이므로, 다시 체감 노출도를 웃돕니다. 즉 이론적 노출도 > 체감 노출도 > 관측 노출도의 순서입니다.

노출도는 무엇과 함께 움직이는가

인식은 응답자의 배경과도 체계적으로 얽혀 있습니다. 첫째, 체감 노출도는 국가의 1인당 GDP와 음(negative)의 상관관계를 보였습니다. 고소득 국가에서 사람들이 체감하는 "AI가 지금 내 일을 해낼 수 있는 비중" 은 약 10 퍼센트포인트 낮았습니다. 직업 수준의 노출도 지표는 대체로 선진국에서 더 높게 나오는데도 말입니다. 이는 저소득 국가 노동자가 일상적으로 하는 작업 중 AI가 대체할 수 있는 비중이 실제로 더 클 가능성과 맞닿아 있습니다.

둘째, 체감 및 예상 노출도는 경력 연수와도 음의 상관관계를 보였습니다. 경력 15 년 이상인 사람은 첫해 노동자보다 그 비중을 약 10 퍼센트포인트 낮게 봤습니다. 후속 질문에서 사람들에게 "AI가 결코 하지 못할 것 같은 작업은 무엇이며 그 이유는 무엇인가" 를 물었을 때, 가장 흔한 답은 AI에게는 자신의 일이 요구하는 판단력, 맥락 이해, 상황 추론이 없다는 것이었습니다. 특히 경력 15 년 이상인 사람들은 신뢰를 쌓고 사람을 관리하는 관계적, 대인적 차원을 AI가 복제할 수 없는 것으로 꼽았습니다.

셋째, 그리고 가장 흥미로운 점은, 체감 및 예상 노출도가 자동화(automation) 사용 비중 과 함께 올라간다는 것입니다. 여기서 자동화란 Claude에게 거의 입력 없이 작업을 통째로 맡기는 사용 방식을 뜻합니다(예: "이 문서를 번역해줘" 같은 지시형, 또는 "이 이메일을 더 캐주얼하게 고쳐줘" 같은 피드백 루프). 이는 위임이 능력에 관한 정보를 준다는 해석, 즉 작업을 통째로 넘겨본 사람이 AI가 무엇을 스스로 해낼 수 있는지를 직접 관찰한다는 해석과 부합합니다.

자동화 사용자일수록 오히려 더 낙관적이다

일자리에 대한 불안도 데이터에 담겼습니다. 응답자의 3분의 1 이상이 향후 12개월 안에 자신 또는 동료(동료, 후배, 상사)의 업무 책임이 크게 바뀔 가능성이 높다고 봤고, 10\% 는 자신이 일자리를 잃을 가능성이 높거나 매우 높다고 답했습니다. 이 10\% 는 미국의 연간 실직 위험률보다 살짝 낮은 수준이지만, 이 설문의 응답자가 고용이 안정적인 지식 노동자에 쏠려 있다는 점(원래 이직 위험이 평균보다 낮을 집단)을 감안하면 오히려 체감 위험이 높아진 신호일 수 있습니다. 실제로 그렇게 답한 사람 중 38\% 는 그 예측의 원인을 AI로 돌렸습니다. 주목할 점은, 사람들이 자신보다 타인 의 실직을 더 걱정했다는 것입니다. 특히 후배 동료에 대한 우려가 컸는데, 3분의 1이 넘는 응답자가 후배가 내년에 일자리를 잃을 확률을 60\% 이상으로 봤습니다. 실직에 대한 우려는 저소득 국가에서 전반적으로 더 높게 나타났습니다.

그렇다면 Claude를 더 자동화된 방식으로 쓰는 사람들이 실직을 더 두려워할까요? 놀랍게도 정반대였습니다. 리포트는 AI가 향후 1년간 일에 미칠 영향을 여섯 가지 차원에서 물었습니다. 급여, 고용 안정성, 새 일자리를 찾을 능력(경제적 차원)과 의미, 자율성, 인간적 상호작용(내재적 차원)입니다.

여섯 차원 모두에서, 자동화된 세션의 비중이 높은 사람일수록 내년 자기 일의 결과에 대해 더 낙관적 이었습니다. Claude를 증강(augmentation) 방식으로 쓰는 사람보다 말입니다. 가장 큰 효과는 미래 급여와 새 일자리를 찾을 능력에 대한 기대에서 나타났습니다.

왜 자동화 사용과 낙관이 함께 움직일까요? 한 가지 가능성은 선택 편향입니다. AI에 가장 열광하는 사람이 작업을 통째로 넘길 의향도 가장 크다는 것입니다. 리포트는 이 가능성을 완전히 배제할 수는 없지만, 열정의 대리 지표라 할 수 있는 Claude.ai 가입 기간을 통제해도 추정치가 유의미하게 바뀌지 않았다고 밝힙니다. 또 다른 가능성은, 자동화된 방식으로 쓰는 사람이 오늘의 이득을 더 많이 체감한다는 것입니다. 실제로 대다수 사람이 업무의 속도(86\% ), 범위(82\% ), 품질(69\% )에서 생산성 향상을 보고했고, 27\% 는 원래라면 돈을 주고 사야 했을 서비스를 아낀 비용 절감 효과까지 보고했습니다.

위임하면 배움이 사라질까

위임에 대한 흔한 우려는, 작업을 통째로 AI에게 넘기면 생각을 외주화하게 되어 산출은 늘어도 배움과 역량은 쇠퇴하리라는 것입니다. 데이터는 이 패턴을 보여주지 않았습니다. 사람들의 68\% 가 AI로 더 많이 배운다고 답했고, 57\% 가 AI 덕분에 자기 역량의 가치가 높아졌다고 느꼈습니다. 자동화 사용 비중이 높아질수록 역량의 시장 가치가 오른다 고 답하는 비율은 함께 올랐고, 더 많이 배운다 고 답하는 비율은 대체로 평평했습니다. 다시 말해 무겁게 위임하는 사람도 남들과 같은 비율로 배운다고 보고한 것입니다. 다만 이것이 자기 평가라는 점, 그리고 역량은 더 가치 있게 여겨지면서도 얼마든지 침식될 수 있다는 점에서, 이 데이터가 역량 쇠퇴 가능성을 완전히 배제하지는 못합니다.

성별에 따른 사용 방식의 차이

누가 Claude를 어떻게 쓰는지를 보면 가장 두드러진 차이는 성별에서 나타났습니다. 연결된 표본에서 여성은 12\% 에 불과했는데, 이들은 남성과 다른 방식으로 Claude를 썼습니다. 직업 차이를 통제한 뒤에도, 여성은 업무 목적으로 Claude를 쓸 가능성이 약간 낮았고, Claude Code에서의 세션 비중은 0.24 표준편차(6.3 퍼센트포인트) 낮았으며, 자동화 사용 비중은 0.33 표준편차(7.3 퍼센트포인트) 낮았습니다. 대신 여성은 Claude를 더 반복적으로(iteratively) 사용했고, 채팅에서 더 많은 활동 시간을 기록했습니다. 이는 더 협업적인 관여의 신호로 볼 수 있습니다.

사람들은 10년 뒤에 무엇을 바라는가

설문은 희망적인 질문으로 끝을 맺습니다. "크게 꿈꿔 보세요. 10년 뒤 AI가 만든 경제는 어떤 모습이길 바랍니까?" 라는 개방형 질문에 대한 응답을 분류기로 주제별로 태깅했습니다.

가장 흔한 주제는 AI에 의한 일의 증강 이었습니다. 응답자의 절반 이상이 의미 있는 일을 AI와 함께하고 싶다는, 자신의 커리어가 여전히 중요하길 바란다는, 그리고 새로운 산업과 일자리가 생겨나길 희망한다는 뜻을 표했습니다. 동시에 절반이 조금 넘는 사람들은 일의 지루한 부분을 AI가 자동화 해 주어 더 많은 여가와 일 바깥의 의미를 위한 공간이 생기길 바랐습니다. 세 번째로 흔한 주제는 약 3분의 1이 언급한 공유된 번영 으로, AI가 만들어낸 경제적 이득이 널리 나누어지기를 바라는 희망이었습니다. 프론티어에 가장 가까이 있는 사람들조차, 그들의 바람은 대체가 아니라 협업을 향해 있었습니다.

결론 및 시사점

AI는 점점 더 많은 표면(surface)을 통해, 점점 더 지능적인 산출물과 함께, 경제 전반으로 빠르게 확산되고 있습니다. 초기의 채팅 인터페이스에서 사용은 단순했고 채팅 창 안에 갇혀 있었지만, 이제 Claude 모델은 Claude Code와 Cowork를 통해 몇 시간씩 자율적으로 작동합니다. 형태가 바뀌면서 사용자층도 바뀌고 있습니다. 초기 사용자는 고도로 기술적인 사람들이었지만, 가장 최근의 사용자들은 노동 시장에서 더 낮은 임금 을 받는 작업에도 Claude를 적용하고 있습니다.

이번 리포트가 던지는 메시지는 크게 세 가지로 요약됩니다. 첫째, 더 자주, 더 촘촘히 측정하기 시작하면서 우리 일상의 리듬이 사용 로그에 얼마나 선명하게 새겨지는지가 드러났습니다. 둘째, 산출물을 기록하기 시작하면서 Claude가 만들어내는 결과물이 훨씬 읽기 쉬워졌고, 그 안에서 연산 비용이 일의 가치를 따라간다는 직관적인 패턴이 보였습니다. 셋째, 사용 데이터만으로는 담을 수 없는 것을 설문이 채웠습니다. 사람들은 우리가 생각하는 것보다 AI를 더 많이 쓰고 있었고, 자기 직업의 관측 노출도가 시사하는 것보다 더 높은 비중의 일을 AI가 해낼 수 있다고 체감하고 있었습니다.

Claude가 하는 일을 정확히 분류하는 것은 앞으로도 계속 움직이는 목표로 남을 것입니다. AI 능력이 커지면서 AI들이 서로 상호작용하고 교환하는 일이 늘어날 것이고, 어쩌면 인간이나 단순한 분류기로는 알아보기 어려운 방식이 될지도 모릅니다. 궁극적으로 Claude가 경제에 미치는 영향은 사용 로그만큼이나 고용과 생산성 같은 경제 총량 지표에서 드러날 것입니다. 그럼에도 AI가 가장 많은 일을 하는 영역에서 가장 먼저 영향이 나타날 가능성이 높은 만큼, 끊임없이 변하는 이 사용 패턴을 밝혀내는 일은 대중에게 정보를 전하는 핵심적인 방법으로 남을 것입니다.

Anthropic Economic Index report: Cadences 블로그

Anthropic Economic Index: Cadences (PDF)

Anthropic Economic Index Survey 소개

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! 텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로도 새 글 알림을 받으실 수 있습니다.

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~