목차
비녀장인류경제지수( Anthropic Economic Index)는 당사의 개인정보 보호 데이터 분석 시스템을 사용하여 클로드의 경제 전반에서의 활용도를 추적합니다. 이는 인공지능이 경제에 미치는 영향을 조기에 파악하여 연구자와 정책 입안자들이 충분한 준비 시간을 가질 수 있도록 하기 위한 노력의 일환입니다.
이번 최신 보고서는 이전 보고서(2025년 11월 데이터 사용)에서 제시한 기본 경제 프레임 확장하여 2026년 2월의 Claude 사용량을 분석합니다. 표본 기간은 Claude Opus 4.5 출시 후 3개월이 지난 2월 5일부터 2월 12일까지이며, Claude Opus 4.6 출시 기간과 겹칩니다.
먼저 이전 보고서와 비교하여 사용량 변화를 살펴보았습니다. 증강 상호작용(즉, AI 지원 사용자 기능을 활용하는 협업 상호작용)의 비율이 Claude.ai와 API 트래픽 모두에서 소폭 상승 했습니다. Claude.ai에서는 사용 사례가 더욱 다양해지고 있으며, 상위 10개 작업이 전체 사용량에서 차지하는 비중이 2025년 11월보다 낮아졌습니다. 이러한 다양화로 인해 Claude.ai에서 대화당 평균 보수는 이전 보고서보다 약간 낮아졌습니다.
다음으로, 클로드(Claude)가 노동 시장과 더 넓은 경제에 미치는 영향의 핵심 요소인 클로드 도입 학습 곡선에 초점을 맞추겠습니다. 숙련된 사용자는 클로드의 기능을 더욱 효과적으로 활용할 수 있는 사용 습관과 전략을 개발해 왔다는 증거를 제시합니다. 실제로, 저희 데이터는 숙련된 사용자가 더 가치 있는 작업을 시도할 뿐만 아니라 대화에서 성공적인 답변을 얻을 가능성이 더 높다는 것을 보여줍니다.
이전 보고서 이후 변경 사항
제1장에서는 2026년 1월에 발표된 이전 경제지표 보고서의 결과를 재검토하고 다음과 같은 결론을 도출합니다.
- Claude.ai의 활용 사례는 점점 더 다양해지고 있습니다. 코드 작성 작업은 Claude.ai의 활용 범위가 확대됨에 따라 자사 API 트래픽 내의 자동화된 워크플로로 점차 이동하고 있습니다. 이번 보고서에서는 Claude.ai 사용 집중도가 감소했습니다. 2월에는 상위 10개 작업이 전체 트래픽의 19%를 차지했는데, 이는 11월의 24%에서 감소한 수치입니다. 그럼에도 불구하고, 이번 표본에 포함된 거의 모든 작업은 이전 표본에도 나타났습니다. 현재 약 49%의 직종 종사자들이 업무의 최소 4분의 1 이상을 Claude.ai를 사용하여 처리하고 있습니다.
- 클로드의 활용 범위는 저임금 작업까지 확대되었습니다. 활용 사례가 다양해짐에 따라, 관련 직종에 종사하는 미국 근로자의 임금으로 측정한 클로드 작업의 평균 경제적 가치는 소폭 감소했습니다. 이러한 현상은 스포츠, 제품 비교, 주택 수리와 관련된 개인 맞춤형 검색이 증가한 데 따른 것입니다. 이는 일반적인 "채택 곡선" 설명과 일치하는데, 초기 사용자는 코딩과 같은 특정 고부가가치 작업에 집중하는 반면, 후기 사용자는 더 광범위한 유형의 작업을 포괄한다는 것입니다.
- 전 세계적인 보급 불균형은 여전히 지속되고 있습니다. 사용량은 여전히 특정 국가에 집중되어 있으며, 상위 20개국이 전체 1인당 사용량의 48%를 차지하고 있습니다. 이는 이전 보고서의 45%에서 증가한 수치로, 전 세계적인 보급 격차가 여전히 존재함을 보여줍니다. 그러나 미국 내에서는 클로드의 1인당 사용량이 점차 수렴되고 있습니다. 이전 보고서 이후 상위 10개 주의 사용량 점유비율 은 40%에서 38%로 감소했습니다.
학습 곡선
경제 지표의 핵심적인 발견은 클로드 알고리즘의 초기 도입이 매우 불균등했다는 점입니다. 고소득 국가에서 더 집중적으로 도입되었고, 미국 내에서는 지식 노동자가 많은 지역에 집중되었으며, 상대적으로 소수의 전문적인 업무와 직종에만 적용되었습니다.
중요한 질문은 도입 불평등이 인공지능의 혜택이 어디로, 누구에게 돌아갈지를 어떻게 결정할 것인가 하는 점입니다. 예를 들어, 인공지능을 효과적으로 사용하기 위해 보완적인 기술과 전문 지식이 필요하고(이전 보고서에서 주장했던 바와 같이), 이러한 기술은 사용과 실험을 통해 습득할 수 있다면, 조기 도입의 이점은 선순환을 만들어낼 수 있습니다.
2장에서는 사용자가 Claude에서 얻는 가치를 어떻게 형성하는지, 즉 모델의 기능을 현재 작업에 어떻게 맞추는지, 그리고 플랫폼 사용 경험이 축적됨에 따라 사용 패턴과 효율성이 어떻게 변화하는지 살펴봅니다.
- 모델 선택은 작업에 적합합니다. 사용자들은 노동 시장에서 일반적으로 더 높은 임금을 제공하는 작업에 가장 똑똑한 모델 제품군인 Opus를 선택하는 경향이 있다는 것을 발견했습니다. 예를 들어, Claude.ai 유료 사용자들 사이에서 Opus 사용률은 코딩 작업에서 평균보다 4%포인트 높았고, 과외 관련 작업에서는 평균보다 7%포인트 낮았습니다. 이러한 모델 선택 패턴은 API에서 더욱 두드러지게 나타납니다.
- 장기 사용자들이 업무에 집중하는 추세입니다. 클로드아이(Claude.ai)를 오래 사용한 사용자일수록 업무용으로 활용할 가능성이 높습니다. 특히 클로드아이를 6개월 이상 사용한 고숙련 사용자들은 업무용으로 활용할 가능성이 7%포인트 더 높으며, 이들이 클로드아이를 통해 처리하는 업무는 더 높은 수준의 교육을 요구하는 것으로 나타났습니다.
- 직접 해보면서 배우세요. 경험이 풍부한 사용자일수록 클로드와의 대화에서 더 큰 성공을 거둡니다. 특히, 작업 유형이나 지리적 요인을 고려한 후에도 경험이 풍부한 사용자는 대화를 성공적으로 완료할 확률이 3~4%포인트 더 높습니다.
제1장: 이전 보고서 이후 변경 사항
Claude.ai의 다양한 활용 사례
우리는 미국 노동통계국 직업정보네트워크(O*NET)의 직무에 각 대화를 매핑하여 클로드가 수행하는 작업 유형을 연구했습니다. 이 매핑은 개인 정보 보호를 고려한 방법론을 사용하여 개별 대화 기록을 노출하지 않고도 전반적인 행동을 분석할 수 있도록 했습니다.
저희는 두 플랫폼, 즉 Claude.ai(소비자 인터페이스)와 자체 API(개발자 플랫폼)에서 각각 백만 건의 대화를 샘플링했습니다.
코드 작성은 여전히 저희 플랫폼에서 가장 흔한 사용 사례이며, 컴퓨터 및 수학 관련 작업이 Claude.ai 대화의 35%를 차지합니다.
2025년 11월부터 2026년 2월까지 Claude.ai의 작업 집중도는 감소했습니다. 상위 10개 O*NET 작업이 전체 대화의 19%를 차지했는데, 이는 11월의 24%에서 줄어든 수치입니다. 이러한 감소는 코드 작성 작업이 자사 API로 이동한 데 부분적으로 기인합니다. Claude Code의 프록시 설계는 코드 작성 작업을 여러 개의 독립적인 API 호출로 분산시킵니다. API에서 코드 작성 작업이 차지하는 비중은 증가했지만, 전체 작업 범주별 분포는 비교적 안정적인 수준을 유지하고 있습니다.
이러한 사용자 이동은 집중도 감소의 일부만을 설명할 뿐입니다. 사용 시나리오 구성도 변화했는데, 학업 관련 대화 비중은 19%에서 12%로 감소한 반면, 개인적인 사용은 35%에서 42%로 증가했습니다. 학업 관련 대화 감소의 일부는 일부 지역의 겨울 방학 때문으로 볼 수 있습니다. 또한 2월 에는 신규 사용자 등록이 급증하여 일반 사용자가 더 많이 유입되었습니다.
클로드(Claude)의 업무 영역 다양화는 기존 패턴을 기반으로 이루어지고 있습니다. 이전 보고서에 따르면 직종의 49%가 이미 업무의 최소 4분의 1에서 클로드를 사용하고 있으며, 이 수치는 이전 보고서 이후 거의 변동이 없습니다. 새로운 O*NET 업무가 등장하는 속도 또한 이전 보고서에 비해 상당히 둔화되었습니다.
첫 번째 보고서 이후, 저희는 대화를 교육, 피드백 루프, 작업 반복, 검증, 학습의 다섯 가지 상호작용 유형으로 분류하고, 이를 다시 자동화와 증강이라는 두 가지 주요 범주로 세분화했습니다. Claude.ai에서 증강 기능의 사용량은 검증 및 학습 패턴의 소폭 증가에 힘입어 약간 증가했습니다. 반면, 자사 API 문서에서 자동화 기능의 사용량은 크게 감소했습니다.
API 플랫폼에서 컴퓨터 및 수학 관련 업무의 비중이 증가했습니다. 2025년 8월 이후 API 플랫폼에서는 이 범주가 14% 증가한 반면, Claude.ai에서는 18% 감소했습니다. 병행 노동 시장 분석에 따르면 API 플랫폼에서의 이러한 변화는 향후 더 직접적인 직업적 영향을 예고하는 것일 수 있습니다. Claude.ai에서 관리 관련 업무의 비중은 3%에서 5%로 증가했는데, 여기에는 분석 업무(예: 투자 보고서 작성)와 고객 응대 업무가 포함됩니다.
저희는 관련 직종에 종사하는 미국 근로자의 시간당 평균 임금을 기준으로 작업 가치를 측정합니다. Claude.ai의 평균 작업 가치는 시간당 49.30달러에서 47.90달러로 소폭 하락했는데, 이는 주로 단순한 사실 정보 검색(스포츠, 날씨) 증가와 코딩 작업 비중 변화 때문입니다. 이전 분석에 따르면 Claude의 작업은 일반적으로 평균 이상의 교육 수준을 요구하며, 이러한 작업은 평균 이상의 임금을 지급하는 것으로 나타났습니다.
두 보고서 사이의 변화를 살펴보면, 몇 가지 주요 지표에서 Claude.ai의 평균 작업 복잡성이 감소한 것을 알 수 있습니다. 일반적인 사람의 입력에 필요한 평균 교육 수준은 12.2년에서 11.9년으로 줄어들었고, 사용자들은 Claude에게 더 많은 자율성을 부여했으며, 작업을 독립적으로 완료하는 데 걸리는 예상 시간은 약 2분 단축되었습니다. 반면, AI의 도움 없이 작업을 완료하는 난이도는 약간 증가했습니다.
새롭게 부상하는 자동화 모델
점점 더 많은 작업이 API로 마이그레이션됨에 따라 자동화에 노출되는 수준도 높아지고 있습니다. API 워크플로는 주로 명령 기반이며 사람의 개입은 최소화됩니다. 우리는 이전에 자동 결제 및 청구 지원을 포함한 고객 서비스 애플리케이션의 보편성을 강조하면서 고객 서비스 담당자가 자동화에 매우 많이 노출되어 있으며, 이는 잠재적으로 직업 전환을 가속화할 수 있음을 보여주었습니다.
두 API 워크플로우의 빈도는 샘플링 기간 사이에 대략 두 배로 증가했습니다.
- 기업 영업 및 홍보: 영업 지원 콘텐츠 자동화, B2B 잠재 고객 조사, 고객 정보 보강, 콜드 이메일 작성.
- 자동화된 거래 및 시장 운영: 시장 및 포지션 모니터링, 투자 조언 제공, 거래자 에게 시장 상황 정보 제공.
지리적 수렴 재검토
이전 보고서에서 우리는 인구수를 고려한 인류 인공지능(AI) 사용 지수가 미국 전역의 주에서 빠르게 수렴하고 있으며, 초기에는 도입률이 낮았던 주들도 이제 신속하게 따라잡고 있다고 언급했습니다.
최신 데이터에 따르면 수렴 추세는 지속되고 있지만, 이전보다 속도가 느려졌습니다. 2025년 8월부터 2026년 2월까지 상위 5개 주의 1인당 사용량 점유비율 은 30%에서 24%로 감소했습니다. 지니 계수는 2025년 8월 이후 감소했지만, 수렴 속도는 둔화되었습니다. 업데이트된 예측에 따르면 모든 주의 1인당 사용량이 동등해지는 데는 이전 예측치인 2~5년보다 긴 약 5~9년이 걸릴 것으로 예상됩니다. 6
국제적인 차원에서는 상황이 정반대입니다. 시장 집중도가 높아졌고, 그에 따라 지니 계수도 상승. 1인당 사용량이 가장 높은 국가들이 전체 사용량에서 차지하는 비중이 커졌으며, 상위 20개국의 1인당 사용량을 기준으로 조정한 비중은 45%에서 48%로 상승.
제2장: AI 활용법 배우기
이 장에서는 사용자가 AI를 배포하고 학습하는 방식을 반영하는 두 가지 사용 특성, 즉 모델 선택과 숙련된 사용자의 사용 패턴을 살펴봅니다.
첫 번째 측면인 모델 선택은 지능의 필요성에 대한 통찰력을 제공합니다. 현재 사용자가 속도, 효율성 및 비용 간의 절충을 할 수 있는 다중 모델 환경에서의 사용자 행동에 대한 연구는 거의 없습니다. Opus가 적절한 작업에 집중적으로 접근하는 방식은 사용자가 더 어렵고 가치가 높은 작업을 이 모델에 할당하는 행동을 반영해야 합니다.
두 번째 설문조사에서는 사용자 경력별 사용 패턴을 분석하여 Claude.ai 사용 기간에 따른 차이점을 살펴보고 학습 곡선을 파악하고자 했습니다. 사용자들이 Claude를 더 능숙하게 사용하는지, 사용 패턴은 어떻게 변화하는지 알아보았습니다. 그 결과, "실행을 통한 학습"이라는 가설에 부합하는 증거를 발견했습니다. 경험이 많은 사용자일수록 대화에서 더 생산적이었고, Claude와 더 깊이 있게 협업했으며, 더 어려운 과제에 도전하고, 다양한 업무 시나리오에 Claude를 더 폭넓게 적용하는 경향을 보였습니다.
모델 선택
클로드의 모델 제품군인 하이쿠, 소네트, 오푸스는 각각 비용, 속도, 성능 간의 절충점을 가지고 있습니다. 오푸스는 컨텍스트 제약 조건이 가장 높아 복잡한 작업에 탁월하지만, API 토큰당 비용도 가장 높습니다. 사용량 한도에 가까워진 비용에 민감한 사용자는 어렵고 가치가 높은 작업에는 오푸스를 사용하고, 간단한 작업에는 다른 대안을 선택하는 것이 좋습니다. 이는 저희 문서에서 관찰한 내용과 대체로 일치합니다. 3
Claude.ai의 유료 사용자 중 모든 모델군을 통틀어 컴퓨터 및 수학 관련 작업(소프트웨어 코딩 등)에 Opus를 사용하는 비율은 55%인 반면, 교육 관련 작업에는 45%에 불과합니다.
기술에 정통한 사용자는 성능상의 이점을 인지하고 기본 Sonnet에서 다른 솔루션으로 능동적으로 전환할 수 있습니다. 반면 효율성을 중시하는 사용자는 사용량 제한을 초과하지 않기 위해 일상적인 작업에만 Sonnet을 사용할 수 있습니다. 이러한 차이는 상대적으로 단순한 교육 작업이나 비용에 민감한 학생 집단의 특성을 반영하는 것일 수도 있습니다.
보다 자세한 분석 결과, 고임금 업무일수록 Opus 사용 옵션이 더 많다는 상관관계가 드러났습니다. 예를 들어, Claude.ai에서 소프트웨어 개발자 업무의 Opus 사용률은 34%였지만, 과외 업무는 12%에 불과했습니다. 다른 요인들을 통제한 후, 평균 시급이 10달러 증가할 때마다 Claude.ai 대화에서 Opus 사용 점유비율 1.5%포인트 증가했습니다. 자사 API 트래픽은 업무 복잡성에 약 두 배 더 민감하게 반응하며, 업무 가치가 10달러 증가할 때마다 Opus 점유비율 2.8%포인트 증가합니다. 절차적 워크플로를 사용하는 사용자는 웹 인터페이스 사용자보다 모델을 전환할 이유가 더 많을 수 있습니다.
학습 곡선
클로드의 첫 번째 모델은 2023년 3월에 출시되었습니다. 이후 빠른 성장세를 보이면서 사용자 프로필이 매우 다양해졌는데, 초기 출시 때부터 모델을 사용해 온 사용자부터 측정 기간 동안 최근에 가입한 사용자까지 폭넓게 분포되어 있습니다. 클로드의 사용자 프로필이 사용자 경험에 미치는 영향은 심층적으로 탐구할 가치가 있는 주제입니다.
경험이 풍부한 사용자(표본 조사 기간 최소 6개월 전에 가입한 사용자)는 Claude를 보다 반복적인 방식으로 활용했으며, 위임 사용은 크게 감소했습니다. 이들은 업무에 Claude를 사용하는 비율이 약 7%포인트 더 높았고, 높은 수준의 교육을 요구하는 작업을 선호했으며, 작업 분포가 덜 집중되어 있었습니다. 상위 10개 O*NET 작업이 이들의 대화에서 차지하는 비중은 20.7%였으며, 대조군에서는 22.2%였습니다.
숙련도가 높은 사용자들의 업무 분담은 사용 경험이 1년 추가될 때마다 약 1년의 교육이 더 필요한 것과 유사합니다. 또한, 이들은 개인적인 목적으로 클로드를 사용하는 비율이 더 낮습니다. 플랫폼 사용 경험이 1년인 사용자들의 대화 중 개인적인 내용은 38%에 불과한 반면, 신규 사용자들은 44%에 달합니다.
이러한 패턴은 여러 가지 방식으로 해석될 수 있습니다. 숙련도가 높은 사용자는 자발적으로 선택한 집단으로, 초기 사용자였던 프로그래머와 같은 고유한 특성을 반영할 가능성이 있으며, 이는 잠재적인 교란 요인이 될 수 있습니다. 또한, 생존자 편향이 존재합니다. 1년 전에 등록한 사용자는 Claude를 유용하게 여길 가능성이 높은 반면, 사용을 중단한 사용자는 관찰 대상에서 제외됩니다.
초기 분석 결과, 소득 수준과 교육 수준이 낮은 국가일수록 사용 복잡성이 높은 경향이 있는 것으로 나타났습니다. 이는 초기 도입 패턴으로 설명될 수 있는데, 특정 국가 또는 사용자 그룹에서 클로드를 처음 사용하는 사람들은 고부가가치 기술 애플리케이션에 클로드를 사용하는 얼리어답터일 가능성이 높습니다. 도입이 증가함에 따라 더 많은 사람들이 참여하게 되고, 사용자 기반은 보다 일상적인 사용 사례를 포함하도록 확장됩니다.
요청 클러스터 분석 결과, 경험이 많은 사용자들 사이에서 가장 높은 보수를 받는 작업은 AI 연구, Git 운영, 원고 수정, 스타트업 융자 였습니다. 경험이 적은 사용자들 사이에서는 하이쿠 작문, 스포츠 경기 결과 조회, 파티 음식 추천이 가장 높은 보수를 받는 작업으로 나타났습니다.
경험 효과
변수를 통제하면서 이러한 관계를 더 자세히 살펴보기 위해, 대화별 특성을 고려한 로그 레벨 데이터를 분석에 사용했습니다. 대화 성공률을 종속 변수로, 경력 지수를 예측 변수로 하는 단순 이변량 회귀 분석 결과, 경력이 많은 사용자일수록 대화를 성공적으로 완료할 확률이 약 5%포인트 더 높은 것으로 나타났습니다.
성공은 단순히 모방 가능한 훌륭한 프롬프트 기법을 반영하는 것일 수도 있습니다. 그러나 숙련된 사용자들이 더 높은 기본 성공률을 보이는 근본적으로 다른 작업에 참여하고 있다면, 이러한 결과에 대한 진정한 설명은 작업 할당일 수 있습니다.
이 명세는 O*NET 작업 및 요청 클러스터에 대한 고정 효과를 포함하며, 동일한 유형의 작업을 수행하는 숙련도가 높은 사용자와 경험이 부족한 사용자를 비교합니다. 예를 들어, "기업 재무 분석, 평가 및 모델링 수행" 클러스터에서 숙련도가 높은 사용자와 경험이 부족한 사용자를 비교합니다. 고정 효과는 해당 클러스터 내에서 숙련도가 높은 사용자의 평균적인 이점을 반영하며, 그 결과 효과 크기는 3% 포인트가 됩니다.
최종 분석에서는 모델, 사용 사례 및 지역 고정 효과를 추가로 포함하여 고도로 숙련된 사용자가 서로 다른 모델을 선택하는지, 다른 언어로 소통하는지, 다른 애플리케이션을 사용하는지, 또는 다른 지역에서 등록하는지 여부를 살펴보았습니다. 분석 결과, 고도로 숙련된 사용자의 영향이 약간 개선된 것으로 나타났으며, 이러한 모든 요인을 통제한 후 성공률이 4%포인트 증가한 것으로 확인되었습니다.
이러한 결과는 숙련도가 높은 사용자일수록 클로드 대화에서 더 성공적인 결과를 보이며, 이러한 현상은 언어나 수행 중인 작업과 같은 단순한 요인 때문이 아니라는 것을 보여줍니다.
숙련된 사용자들이 클로드와 상호작용할 때 더 큰 성공을 거두는 이유는 사용하는 언어나 수행하는 작업과 같은 단순한 요소만으로는 설명할 수 없습니다. 설득력 있는 설명은 플랫폼에서 학습하는 능력이 향상되었다는 점에 있으며, 이는 경험이 쌓임에 따라 제품군을 확장하는 데 있어 핵심적인 성공 요인이 될 수 있습니다.
논의하다
본 보고서는 Claude 사용의 주요 지표를 재검토하고, 처음으로 모델 선택 및 대화 성공률을 분석합니다. 2025년 8월 이후 자사 API 사용량이 점차 집중되는 추세를 보이며, 상위 10개 O*NET 작업이 전체 트래픽의 28%에서 33%로 증가했습니다. Claude.ai의 작업은 2025년 11월 데이터 이후 더욱 다양해졌습니다. 미국 내 지역적 통합은 지속되고 있지만, 이전 보고보다 속도가 느려졌습니다. 도입률이 낮은 국가들은 상대적으로 약간의 불이익을 겪고 있습니다.
기본 경제 프레임 통해 클로드 사용량의 장기적인 변화를 추적할 수 있습니다. 학업 관련 사용 점유비율 감소한 반면, 개인적인 대화 비중은 증가했습니다. 클로드.ai 입력의 평균 복잡성은 약간 감소했으며, 대화 내용의 복잡성이 낮아지고 독립적으로 완료하는 데 걸리는 시간 추정치도 낮아졌습니다.
Claude는 주로 미국 전체 경제 활동을 대표하지 않는 복잡하고 고부가가치 작업을 처리합니다. 사용자 기반이 확장됨에 따라 저임금 작업 범주의 트래픽 비중이 약간 증가했습니다. 직업별 급여를 기준으로 측정한 작업 가치 추정치는 첫 번째 보고서 이후 Claude.ai에서는 감소했지만 API에서는 상승 했습니다. 두 플랫폼 모두 가장 강력한 Opus 모델 제품군을 사용하여 복잡한 작업에 집중하고 있으며, 이러한 변화는 API에서 더욱 두드러집니다.
숙련된 사용자일수록 클로드를 협업적으로 활용하며, 업무에 더 많이 사용하고, 더 어려운 과제에 도전하며, 더 나은 결과를 얻습니다. 이는 가장 고급 및 숙련된 사용자들 사이에서 자동화된 사용이 주를 이룰 것이라는 예상과 상반됩니다. 오히려 숙련된 사용자들은 반복적인 사용을 선호하는 것으로 나타났습니다. 이러한 결과는 "실행을 통한 학습"이라는 주장과 일맥상통합니다. 즉, AI에 대한 노출이 많을수록 기술 클레임 능력이 향상된다는 것입니다.
또 다른 설명은 집단 효과 또는 생존자 편향이 이러한 결과에 영향을 미쳤을 수 있다는 것입니다. 초기 사용자들은 평균 이상의 기술력을 보유했을 가능성이 있으며, 클로드를 지속적으로 사용하는 사용자들은 해당 작업이 클로드에 가장 적합하다고 믿는 사람들일 수 있습니다. 잘 통제된 회귀 분석을 통해 단순한 교란 요인(고도로 숙련된 사용자들이 다양한 유형의 작업을 수행하는 것)을 설명할 수 있었습니다. 향후에는 집단 효과, 생존자 편향, 그리고 "실행을 통한 학습"을 더 잘 구분할 수 있을 것으로 기대합니다.
성공률의 격차는 노동 시장 불평등을 심화시킬 수 있습니다. 경제학자들은 오랫동안 숙련도에 따라 임금이 달라지는 기술 변화의 잠재적 영향력을 인지해 왔습니다. 이러한 혁신은 고숙련 노동자의 임금을 인상하는 반면, 다른 숙련도의 노동자의 임금은 억제합니다. 본 분석은 이러한 현상이 발생하는 경로를 밝혀냈습니다. 고숙련 노동자인 얼리 어답터는 저숙련 노동자인 후발 어답터에 비해 클로드와의 상호작용에서 더 높은 성공률을 보입니다. 두 그룹 모두 AI 기반 혁신의 영향을 받지만, 얼리 어답터는 확장 단계에서 가장 큰 수혜자입니다.
각주
- Claude Code에서 자동화된 코드 작성 작업은 Claude.ai 구독에서 발생하므로 Claude.ai 트래픽으로 집계됩니다.
- 본 연구에서는 다음과 같은 O*NET 작업 범주를 "개인적" 용도(또는 개인적 목적)로 정의합니다. 1) 식품 준비 및 관련 서비스(35-0000); 2) 개인 관리 및 서비스(39-0000); 3) 예술, 디자인, 레크리에이션, 스포츠 및 미디어(27-0000), 주로 레크리에이션/스포츠 관련 작업; 4) 농업, 어업 및 임업(45-0000); 5) 건물 및 부지 청소 및 유지 보수(37-0000); 6) 커뮤니티 및 사회 서비스(21-0000), 주로 개인 건강/가족 관련 작업. 교육 관련 작업은 개인적 용도에 포함하지 않습니다.
- 본 분석에서는 Claude.ai의 무료 플랜 사용자를 표본에서 제외했습니다.
- 동일한 작업을 수행하는 여러 직종과 관련된 O*NET 급여를 집계하기 위해, 고용 인원 수와 해당 작업에 소요되는 시간 비율을 가중치로 사용하여 급여의 가중 평균을 계산합니다.
- 새로운 패턴을 식별하기 위해 다음과 같은 O*NET 작업을 선택했습니다. (i) 현재 데이터에서 최소 300회 나타나는 작업, (ii) 이전 보고서에 비해 최소 2배 이상 증가한 작업.
- 제시된 범위는 가중치를 적용한(5년) 또는 적용하지 않은(9년) 이전 보고서의 다양한 추정치를 반영합니다.
- 본 분석에서는 동일한 개인정보보호 임계값 추정 모델을 사용하여 로그 수준 데이터를 활용합니다. 자세한 방법론은 부록을 참조하십시오.
- 경력 연수를 어떻게 정의하든 결과는 비슷합니다.
- 저희의 샘플링 기간이 슈퍼볼 광고 공개 시기와 겹쳐 많은 신규 사용자가 유입되었습니다.
