For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ko/articles/anthropic-ai-work-report-agent-hours-hiri-d16b5c5e.md.
Anthropic은 10월 16일 AI의 사내 활용 현황과 기술에 대한 대중의 기대를 나란히 살펴보는 보고서 두 편을 발표했습니다. 한 보고서는 회사 내부의 고용과 업무를 살펴보고, 다른 보고서는 Anthropic 직원 1,334명의 설문 결과를 미국...
Anthropic은 10월 16일 AI의 사내 활용 현황과 기술에 대한 대중의 기대를 나란히 살펴보는 보고서 두 편을 발표했습니다. 한 보고서는 회사 내부의 고용과 업무를 살펴보고, 다른 보고서는 Anthropic 직원 1,334명의 설문 결과를 미국 성인의 응답과 비교합니다.
두 집단의 차이는 큽니다. 직원들은 2030년까지 AI가 현재 업무 시간의 평균 75%를 수행할 수 있으리라 예상한 반면, 취업 중인 미국 응답자들은 28%로 전망했습니다. 2030년까지 노벨상 수준의 발견이 이뤄질 가능성에 대한 기대치는 직원 91%, 미국 성인 39%였습니다.
이는 서로 다른 경험과 전망이지, 이미 결론이 난 미래를 두 가지 방식으로 측정한 결과가 아닙니다. 보고서를 제대로 이해하려면 Anthropic이 한 회사 내부에서 관찰한 사실과 응답자들이 앞으로 일어날 것으로 믿는 일을 구분해야 합니다.
Anthropic의 고용 연구는 사내 고용 및 산출 기록, 에이전트 원격 측정 데이터, 커뮤니케이션 및 캘린더 데이터, 채용 평가, 설문, 직원 17명과의 인터뷰를 종합합니다. 이 연구는 기술직과 비기술직 전반에서 에이전트 사용이 일상화된 조직의 모습을 보여 줍니다.
2026년 3월, 자율형 에이전트와 대화형 에이전트의 가동 시간을 합산한 수치가 추정 인간 근무 시간을 처음 넘어섰습니다. 8월에는 직원이 직접 사용하는 대화형 에이전트만으로도 인간 근무 시간의 약 6배에 이르는 가동 시간이 누적됐으며, 원자료의 차트에서 연구 조직은 약 19배에 달했습니다.
이 비교는 각 수치의 정의를 함께 살펴봐야 합니다. 에이전트 작업 시간에는 추론과 능동적인 도구 사용이 포함되며, 30분이 넘는 대기 시간은 제외됩니다. 인간 근무 시간은 직원 수에 주당 40시간을 곱해 추정합니다. 소프트웨어는 여러 작업을 병렬로 처리해 시간을 빠르게 누적할 수 있습니다. 가동 시간이 6배라는 사실만으로 유용한 업무가 6배 늘었거나 직원 6명이 대체됐다고 볼 수는 없습니다.
부서별 Slack 네트워크 사례는 커뮤니케이션의 변화를 보여 줍니다. 원자료에는 직원 155명과 에이전트 대화 150건에서 직원 237명과 에이전트 대화 7,922건으로 늘어난 것으로 나옵니다. 에이전트 노드는 대화 스레드나 세션을 나타내며, 인간과 동등한 동료가 수천 명 있다는 뜻은 아닙니다.
보고서에 따르면 엔지니어링 커밋은 2025년 12월 기준선의 약 5배까지 증가했으며, 데이터 과학 쿼리, 처리된 계약서와 송장, 영업 산출량도 늘었습니다. 원자료 차트에서 엔지니어 1인당 커밋 수는 기준선의 5.1배입니다.
Anthropic은 에이전트 도구를 도입한 직원과 아직 도입하지 않은 직원을 비교하고, 시간의 흐름에 따라 이들을 추적합니다. 단순히 회사 전체의 도입 전후 총계를 비교하는 것보다 유용한 접근이지만, 도입 여부는 무작위로 정해지지 않았습니다. 사업 성장, 프로젝트 변화, 초기 도입자의 특성이 비교 결과에 영향을 줄 수 있습니다.
코드의 양은 품질이나 사업적 가치의 불완전한 지표이기도 합니다. Anthropic은 개인별 코드 비교에서 이후 삭제 및 되돌리기와 관련된 몇 가지 대리 지표에 차이가 없었다고 보고하지만, 이러한 지표가 가능한 모든 결함을 포착하는 것은 아닙니다.
다음 사례는 조직의 변화를 구체적으로 보여 줍니다.
이는 범위가 한정된 사내 결과와 개인의 경험담입니다. 한 주의 기대치가 다른 곳의 3개월과 비슷하다는 말은 인터뷰 참여자의 비교이지, 경제 전반의 생산성 비율을 측정한 결과가 아닙니다.
생성이 빨라지면 두 번째 문제가 생깁니다. 사람은 무제한으로 생성되는 결과물을 검토할 수 없습니다. 원자료 차트는 엔지니어링 및 연구 부문의 주간 Claude 산출물을 모두 읽으려면 1인당 약 424시간이 필요하다고 추정합니다.
이 수치는 생성된 토큰을 단어당 0.75토큰, 분당 250단어로 읽는다는 가정을 적용해 환산한 읽기 시간입니다. 직원들이 실제로 424시간 일했거나 생성된 모든 문장을 읽어야 했다는 뜻은 아닙니다.
반대로 대화형 세션은 전체 경과 시간의 약 80%를 인간의 입력을 기다리며 보냈습니다. 이는 유휴 시간 비율이지, 작업 실패율이 80%라는 뜻은 아닙니다. 두 관찰은 모두 주의력 병목 현상을 보여 줍니다. 에이전트가 더 많은 결과물을 만들 수는 있지만, 사람은 여전히 무엇을 요청하고 검토하며 실행할지 결정해야 합니다.
직원들은 다른 에이전트를 분류하는 에이전트, 모니터링 대시보드, 재사용 가능한 지침을 만들어 대응했습니다. 기록된 상시 지침은 1년 사이 수백 개에서 8,500개로 늘었습니다. 보고서가 추정한 세션 중 이러한 도구 및 조정 작업에 쓰인 비중은 10%에서 22%로 높아졌습니다.
조직의 맥락을 최신 상태로 유지하는 것도 중요합니다. 한 직원은 담당 업무가 바뀐 뒤에도 예전 상품 문서에 이름이 남아 있어, 에이전트가 셔츠와 머그잔 관련 요청을 계속 보냈습니다. 소프트웨어 활동이 늘어난다고 해서 조직의 기억이 자동으로 정확해지는 것은 아닙니다.
Anthropic에서 매일 병합된 코드 변경 건수는 5월 약 2,500건에서 9월 30,000건 이상으로 늘었습니다. 엔지니어링 관련 기록에 따르면 회사는 검토 도구와 관련 도구를 함께 구축하면서 모노레포를 새로운 소스 관리 시스템인 Scion으로 이전했습니다.
7명으로 구성된 팀은 시스템을 구축하고 5개월 만에 이전을 완료했습니다. 한 구체적인 사례에서 Mythos Preview 초기 버전으로 Git에서 Scion으로 데이터를 수집하는 파이프라인을 다시 작성한 결과, 팀의 이전 프로토타입보다 메모리 사용량은 20분의 1, 실행 속도는 4배 나아졌습니다. 이 배수는 해당 파이프라인 비교에만 해당하며 모든 엔지니어링 활동에 적용되는 것은 아닙니다.
Anthropic의 8월 직원 설문은 Morning Consult가 미국 성인 10,980명을 대상으로 실시한 설문과 함께 진행됐습니다. 미국 표본은 전국 성인을 대표하도록 가중치를 적용했고, 직원 설문에는 가중치를 적용하지 않았습니다. 미국 응답자에게는 미래에 관한 질문을 2027년과 2030년으로 나눠 제시했습니다.
두 집단은 AI가 현재 할 수 있는 일에 대해서는 미래 능력에 대한 전망보다 의견 차이가 작았습니다. 양쪽 모두 약 4분의 1이 AI가 이미 과학 연구를 설계하고 수행해 발표할 수 있다고 봤습니다. 이 능력을 2027년까지 갖출 것이라는 기대치는 직원 약 90%, 미국 성인 38%로 벌어졌습니다.
Anthropic 외부의 컴퓨터, 엔지니어링, 과학 직종 종사자들은 2030년까지 AI가 자신의 업무 중 33%를 수행할 수 있으리라 예상했습니다. 해당 직종의 정기적인 AI 사용자 사이에서는 그 비율이 40%로 높아졌지만, Anthropic 직원의 75%보다는 여전히 낮았습니다.
아이디어를 한 문장으로 입력하면 We0 AI가 쇼케이스 사이트, 페이지, CMS를 생성하고 출시 후 고객과 트래픽 확보를 돕습니다.
무료 등록을 위한 하나의 완전한 프로젝트 생성
하나의 완전한 생성 흐름을 시도하고 첫 번째 프로젝트 초안을 빠르게 보는 데 가장 적합합니다.
시간 절약에 대해서도 차이가 있었습니다. AI에 적합한 작업을 고르고 확인과 수정을 포함했을 때, 직원의 59%는 작업 시간이 4분의 1 이하로 줄었다고 답했습니다. 직장에서 AI를 사용하는 미국 성인 중에는 26%가 그렇게 답했고, 29%는 AI를 사용해도 시간이 같거나 더 오래 걸린다고 했습니다.
이는 모든 업무가 아니라 AI에 적합한 작업에 대한 응답입니다. 응답에는 도구, 업무 흐름, 작업 선택, 모델 접근성, 조직의 지원, 응답자의 기대가 서로 다르게 반영될 수 있습니다.
직원들은 2026년 초 프런티어 모델을 만드는 데 필요한 더 광범위한 업무에 대해서도 질문을 받았습니다. 여기에는 연구 방향 설정, 실험, 평가가 포함됩니다. 직원들의 중앙값 추정치는 당시 AI가 업무의 51%를 수행한다는 것이었으며, 2027년 말에는 80%, 2030년 말에는 95%로 높아졌습니다.
95%는 사내 설문에서 나온 개인의 전망입니다. 감사된 측정치도 아니고, 개발 업무의 정확히 5%만 인간에게 남기겠다는 Anthropic의 공식 약속도 아닙니다. 또한 2026년 초의 고정된 기준점은 2030년에 프런티어 모델로 간주될 모델을 만드는 데 필요한 업무량이 얼마나 될지 묻는 것과 다릅니다.
Anthropic의 별도 연구 논의는 진전 사례를 보다 좁은 범위에서 제시합니다.
| 실험 또는 사례 | 보고된 결과 | 비교의 범위와 한계 |
|---|---|---|
| 소형 모델 학습 코드 최적화 | Mythos Preview는 초기 속도보다 약 52배 빨라졌고, 숙련된 인간은 4~8시간 동안 약 4배의 속도 향상을 달성했습니다. | 고정된 코드 최적화 작업이며, 실제 프런티어 모델 학습이 52배 빨라진 것은 아닙니다. |
| 약한 감독을 활용한 강한 모델 연구 | 에이전트는 누적 800시간과 약 18,000달러의 컴퓨팅 비용으로 정의된 성능 격차의 97%를 회복했습니다. 인간 두 명은 일주일 동안 약 23%를 회복했습니다. | 인간이 문제와 평가 기준을 선택했으며, 결과가 실제 운영 규모 모델에 그대로 적용되지는 않았습니다. |
| 연구의 다음 단계 선택 | 129개의 선별된 사례 중 64%에서 Mythos Preview의 제안이 더 낫다고 평가됐습니다. | 원래 인간의 판단을 개선할 여지가 있는 사례를 의도적으로 선택했습니다. |
마지막 사례의 선정 조건은 특히 중요합니다. 인간의 선택이 이미 적절했던 127개의 별도 사례에서는 모델의 제안이 더 낫다고 평가된 비율이 약 20%에 불과했습니다. 이 결과는 특정 연구 요소의 개선 가능성을 뒷받침하지만, AI가 인간의 연구 판단을 전반적으로 넘어섰다는 일반적인 결론을 뒷받침하지는 않습니다.
Anthropic은 전체적으로 상당히 성장했지만 기술직 채용의 구성은 달라졌습니다. 고용 보고서에 따르면 기술 부서에서 주니어 직원이 차지하는 비율은 21%에서 14%로, 주니어 채용 비율은 27%에서 9%로 감소했습니다.
비중이 줄었다고 해서 절대 인원도 반드시 감소하는 것은 아닙니다. 다만 초급 수준의 구현 업무가 줄어들어 일자리가 적어질 경우, 사람들이 어떻게 전문성을 쌓을 수 있을지는 별개의 문제입니다. 회사 보고서는 사내 직무 재배치와 위험에 놓인 역할의 모니터링을 다루면서, 현재 직원을 보호하는 것이 애초에 채용되지 않은 사람들에게는 도움이 되지 않는다는 점도 인정합니다.
직원들은 회사 전체 채용이 중단되리라고 대체로 예상하지 않았습니다. 95%는 향후 1년 동안 직원 수가 늘어날 것으로 예상했습니다. 이는 직원들의 기대이지 채용 계획이 아닙니다.
기대 보고서는 설문 응답을 경제 모델에 적용하기도 합니다. 미국 성인 응답자 중앙값의 입력값은 2030년 미국 GDP 성장률 5.4%를, Anthropic 직원 응답자 중앙값의 입력값은 17.1%를 산출합니다. 이 수치는 조건부 모델 시나리오이며, 측정된 성장률이나 무조건적인 전망이 아닙니다.
원자료는 Anthropic이 광범위한 도입보다 약 18개월 앞서 있다는 제안으로 마무리됩니다. 이를 경제적 해석으로 볼 수는 있지만, 보고서가 다른 모든 기업에 적용되는 보편적인 18개월 일정을 입증하는 것은 아닙니다. 확산 속도는 신뢰성, 보안, 비용, 규제, 고객 선호, 업무 조직 방식에 따라 달라질 것입니다.
아닙니다. 95%는 2026년 초 프런티어 모델을 만드는 일을 묻는 질문에서 2030년 말에 대해 직원들이 제시한 중앙값 전망입니다. 보고서는 이러한 개인의 추정치를 회사의 측정 결과나 전망과 명확히 구분합니다.
아닙니다. 가동 시간 비교는 소프트웨어 실행 시간을 집계하고 직원 수를 바탕으로 인간 근무 시간을 추정합니다. 절약된 업무 시간을 확인하려면 작업 결과와 품질, 검토에 들어간 노력, 인간 업무 흐름과의 타당한 비교가 필요합니다.
약 5배라는 수치는 특정 기준선과 비교한 엔지니어 1인당 커밋 수를 가리킵니다. 모든 직무에서 같은 수준의 증가가 있었다는 뜻은 아니며, 코드가 많아졌다는 사실만으로 유용한 산출량을 충분히 측정할 수는 없습니다.
산출물의 양을 가정된 읽기 속도로 읽는 데 필요한 시간으로 환산한 수치입니다. 생성된 텍스트의 규모를 보여 주기 위한 것으로, 직원의 실제 근무 시간이거나 모든 내용을 읽어야 한다는 뜻은 아닙니다.
빠르게 성장하는 AI 기업 한 곳에서 채용 구성이 달라졌다는 증거입니다. 더 넓은 범위의 결과는 기술 도입, 수요, 새로운 업무의 창출, 고용주가 교육과 경력 경로를 설계하는 방식에 따라 달라집니다.
이 수치는 직원 응답자 중앙값의 답변을 바탕으로 산출한 모델 시나리오입니다. AI 역량, 도입, 시간 절약, 자율성, 근로자 전환에 관한 가정에 따라 달라집니다.
Anthropic의 내부 자료는 에이전트 사용 확대, 여러 지표에서의 산출량 증가, 에이전트 감독 업무의 증가, 주니어 기술직 채용 비중의 감소를 보여 줍니다. 직원 설문에서도 대중 설문보다 AI의 발전 속도를 훨씬 빠르게 예상했습니다.
이 보고서는 관찰된 직장 내 변화, 특정 작업에 관한 실험, 개인의 전망을 서로 구분해서 볼 때 가장 유용합니다.
한 문장에서 시작해 몇 분 안에 완전한 웹사이트를 받아보세요.
