앤트로픽 경제 지수 2026년 1월 보고서 – 경제적 원천 요소

요약

앤트로픽의 2026년 1월 경제 지수 보고서는 클로드 사용을 측정하는 다섯 가지 새로운 '경제적 원천 요소'를 도입하여, 지리적 집중, 작업 복잡성, 기술 편향, 생산성 영향 등을 드러냈습니다.

서론: AI-경제적 영향을 위한 새로운 지표

이 보고서는 클로드가 익명화된 Claude.ai 및 제1자(1P) API 대화 기록을 분류하도록 요청함으로써 도출된 경제적 원천 요소(economic primitives)를 제시합니다. 이는 간단하고 개인정보 보호를 고려한 측정 지표로, AI의 거시경제적 영향과 관련된 다섯 가지 차원을 다룹니다:

작업 복잡성 – 인간 전용 시간, AI 보조 시간, 다중 작업 여부의 추정치.
인간 및 AI 기술 수준 – 프롬프트와 응답을 이해하기 위해 필요한 공식 교육 연수.
사용 사례 – 업무, 과제, 개인용.
AI 자율성 – 클로드에게 위임된 의사결정의 정도.
작업 성공 여부 – 클로드가 작업을 완료했다고 자가 평가하는지 여부.

데이터셋은 2025년 11월 13일부터 20일까지(옵스 4.5 출시 직전 기간) 수집된 100만 건의 클로드.ai 대화(프리, 프로, 맥스)와 100만 건의 1P API 기록을 포함합니다.

1. 2025년 9월 보고서 이후 변화

1.1 작업 집중 현상 지속

상위 10개 작업이 클로드.ai 대화의 **24%**를 차지(23%에서 증가); 1P API 트래픽에서는 이 비율이 32%(28%에서 증가)로 상승.
코딩 관련 작업이 지배적: 클로드.ai의 약 34%, API 대화의 **46%**가 컴퓨터 및 수학 작업을 포함.

1.2 클로드.ai에서 보완형 사용 재확대

보완형 상호작용(작업 반복, 학습, 검증)은 클로드.ai 대화의 **52%**로 증가, 반면 자동화형(지시형) 사용은 **45%**로 감소.
제품 출시(파일 생성, 지속적 메모리, 워크플로우 ‘스킬’)가 사용자들이 더 협업적인 패턴으로 전환하도록 유도한 것으로 보입니다.

1.3 지역적 확산

미국 내 균형화: 인구당 사용량이 주간에 걸쳐 점점 더 균일해지고 있으며, 지니 계수는 0.37에서 0.32로 감소. 단순 외삽에 따르면 균형 상태에 도달하는 데 2~5년이 소요될 것으로 예상됩니다.
글로벌 집중화: 앤트로픽 AI 사용 지수(AUI)는 여전히 인구당 GDP와 밀접하게 연결되어 있으며, 국가 간 균형화의 명확한 징후는 보이지 않습니다.

2. 경제적 원천 요소 – 정의, 검증 및 제한 사항

2.1 운영화

원천 요소	측정 방법	예시 프롬프트
작업 복잡성	클로드가 인간 전용 시간, AI 보조 시간, 단일 대화 내 다중 작업 여부를 추정.	“이 파이썬 함수를 디버그해줘.”
인간 및 AI 기술 수준	클로드가 사용자의 프롬프트와 자신의 응답을 이해하기 위해 필요한 공식 교육 연수를 예측.	“이 회귀 분석의 통계 모델을 설명해줘.”
사용 사례	분류기로 대화를 업무, 과제, 개인용으로 태그.	“내 수업의 문헌 고찰을 도와줘.”
AI 자율성	사용자와의 왕복 없이 클로드가 수행하는 의사결정의 정도를 1~5 단계로 평가.	“완전한 마케팅 계획을 생성해줘.”
작업 성공 여부	클로드가 요청을 충족한다고 생각하는지 평가.	“이 논문의 주요 발견을 요약해줘.”

2.2 검증

소규모 인간 주석 기반 클로드.ai 대화 및 합성 API 데이터를 기반으로 방향성 정확도를 확인.
세 가지 원천 요소(인간 전용 시간, AI 보조 시간, AI 자율성)에 대해 사고의 흐름 프롬프팅(chain-of-thought prompting)이 분류기 성능을 향상시켰으며, 다른 요소는 간단한 프롬프트로 충분했습니다.
외부 기준과 일치: 인간 교육 수준 추정치는 BLS 직업 교육 수준과 상관관계(r > 0.92)를 보였으며, 시간 추정 예측은 앤트로픽의 이전 연구에서 관측된 생산성 향상과 일치했습니다.

2.3 주의사항

원천 요소는 노이즈가 많으며, 정확한 측정값이 아니라 신호(signal)로 해석해야 합니다.
샘플링 기준(≥15건의 대화, ≥5명의 사용자)으로 인해 저빈도 지역 및 희귀 작업은 제외됩니다.
성공률은 모델 능력과 사용자 선택 편향을 모두 반영합니다. 사용자는 실패할 것으로 예상되는 작업을 피할 수 있습니다.

3. AI 사용의 지리적 차이

3.1 소득 수준별 채택 패턴

업무 vs. 과제 vs. 개인용: 인구당 GDP가 높은 국가에서는 업무(예: 덴마크, 미국)와 개인용 사용 비중이 크지만, 저소득 국가에서는 과제 사용 비중이 높습니다(예: 인도네시아).
인구당 GDP가 1% 증가하면 국가 수준에서 AUI가 0.7% 증가합니다.

3.2 미국 주 단위 주요 요인

컴퓨터 및 수학 직업 비중이 높은 주는 AUI가 높습니다. 이러한 종사자 비율이 1% 증가하면 인구당 사용량은 0.36% 증가합니다.
GDP를 통제한 후 교육 연수 원천 요소는 통계적으로 유의미하지 않아, 미국 내에서는 노동력 구성이 주요 결정 요인임을 시사합니다.

3.3 자율성과 협업

고소득 지역은 자동화 수준이 낮고, AI 자율성도 낮아, 협업형(보완형) 사용 스타일을 보입니다.
이 패턴은 미국 주 단위에서는 통계적으로 유의미하지 않으며, 소득 차이가 좁기 때문으로 보입니다.

4. 작업 수준의 생산성 및 노동시장 영향

4.1 속도 향상 vs. 성공률의 트레이드오프

속도 향상(인간 전용 시간 ÷ 인간+AI 시간)은 작업의 교육 수준과 함께 증가: 클로드.ai에서 12년 수준 작업은 약 9배, 16년 수준 작업은 12배.
복잡성이 높을수록 성공률이 감소: 고등학교 이하 작업은 약 70%, 대학 수준 작업은 66%.
성공 확률로 속도 향상을 조정해도 여전히 교육 수준에 따른 긍정적 경향이 남아 있습니다.

4.2 직업에 대한 효과적 AI 커버리지

효과적 AI 커버리지 = Σ (작업 비중 × 성공률). 원시 작업 커버리지와 다릅니다. 일부 높은 빈도 작업은 성공률이 낮기 때문입니다.
예: 데이터 입력 담당자는 원시 커버리지가 낮지만, 주요 작업(데이터 입력)의 성공률이 높아 효과적 커버리지가 높습니다.
방사선 전문의와 의료 기록 전사자도 높은 효과적 커버리지를 보이지만, 미생물학자는 실험실 실습 작업이 커버되지 않아 45도 선 아래에 위치합니다.

4.3 기술 저하 vs. 기술 승화

클로드가 수행하는 작업의 평균 예상 교육 요구 수준은 14.4년으로, 경제 전반의 평균(13.2년)보다 약 1년 높습니다.
클로드가 커버하는 작업을 제거하면 나머지 작업의 평균 교육 요구 수준이 일반적으로 낮아지며, 이는 기술 작가, 여행 에이전트, 많은 교육 직업에서 기술 저하(deskilling)를 의미합니다.
일부 직업(예: 부동산 관리자)은 반복적인 행정 업무가 자동화되면서 고도의 협상 업무는 유지되므로 기술 승화(upskilling)를 경험합니다.

4.4 개선된 생산성 추정치

기준(속도 향상만 고려) 시, 향후 10년간 연간 노동 생산성 성장률은 1.8pp(pp: 퍼센트 포인트)로 추정.
작업 성공률을 반영하면 추정치는 1.2pp(클로드.ai) 및 1.0pp(API)로 감소.
작업 보완성(task complementarity)을 CES 집계 모델로 고려하면, 대체 탄력성(σ)에 매우 민감하게 반응합니다:
- σ = 0.5 → 연간 0.7~0.9pp
- σ = 1.5 → 연간 2.2~2.6pp
API 샘플은 작업 집중도가 높아 σ에 더 민감합니다.

5. 정책 입안자 및 연구자에게 주는 핵심 통찰

경제적 원천 요소는 자동화/보완의 이분법보다 더 풍부하고 다차원적인 AI 사용 시각을 제공합니다.
지리적 불평등은 여전히 지속됩니다: 고소득 국가에서는 클로드를 더 집중적이고 협업적으로 사용하는 반면, 저소득 지역은 과제 중심으로 사용합니다.
기술 편향이 명확합니다: 클로드는 고등 교육 수준의 작업에 비중을 두어, 많은 직업의 순 기술 저하를 초래할 수 있습니다.
생산성 향상은 실제지만, 작업 성공률과 작업 간 보완성 정도에 의해 제한됩니다.
미국 내 빠른 확산(2~5년 내 균형 가능성)은 글로벌 수준의 느린 수렴과 대비되며, 국내 정책이 채택 속도에 더 직접적인 영향을 미칠 수 있음을 시사합니다.
인적 자본의 중요성: 사용자 프롬프트의 교육 수준과 클로드의 응답 복잡성 간 강한 상관관계(r ≈ 0.93)는 AI의 이점을 실현하기 위해 교육과 훈련이 필수임을 강조합니다.

6. 데이터 공개

앤트로픽은 익명화된 전체 데이터셋과 원천 요소 분류 정보를 다음에서 공개합니다:

허깅페이스 레포지토리: https://huggingface.co/datasets/Anthropic/EconomicIndex
보조 그림(그림 1.1–1.8, 2.1–2.2, 3.1–3.5, 4.1–4.6)은 앤트로픽 웹사이트에 호스팅되어 보고서 전반에 걸쳐 참조됩니다.

7. 미래 방향성

새로운 모델(예: 옵스 4.5)의 발전에 따라 작업 성공률이 어떻게 변화하는지 추적하고, 효과적 작업 범위가 확장되는지 확인.
AI 사용의 윤리적, 신뢰-안전성 차원을 포착할 수 있도록 원천 요소를 확장.
API와 클로드.ai 스트림을 결합하여 인터랙티브 채팅에서 생산성 기반 자동화로의 전환을 모델링.
저소득 지역에서 공정한 확산을 가속화할 수 있는 정책 도구(예: AI 접근 지원, 타겟형 AI 리터러시 프로그램)를 조사.

보고서 저자: 루스 앱엘, 막심 마센코프, 피터 매크로리, 마일스 매케인, 라이언 헬러, 타일러 네일론, 알렉스 탐킨.