Anthropic 내부에서 AI 도입과 함께 채용·업무·관리 역할이 바뀐 모습

배경과 문제

앤트로픽은 AI 모델을 만드는 회사이면서 동시에 자사 업무에 AI 에이전트를 가장 적극적으로 활용하는 조직이다. 에이전트는 슬랙 대화에 참여하고, 회의를 잡고, 버그를 고치고, 대규모 엔지니어링 프로젝트를 수행한다. 이 때문에 앤트로픽의 고용 변화는 AI가 노동 수요와 업무 조직을 어떻게 바꿀지 보여주는 선행 지표가 될 수 있다. 연구진은 고용 기록, AI 사용 로그, 산출 지표, 직원 설문, 커뮤니케이션 패턴, 채용 평가 기록을 종합하고 17명의 직원 면담으로 맥락을 보강했다.

핵심 발견은 세 가지다. 첫째, 회사가 빠르게 성장하는데도 주니어 기술직의 상대적 채용 비중이 줄었다. 둘째, 코딩 에이전트를 도입한 직원의 산출량이 같은 기간 도입하지 않은 직원보다 가파르게 올랐다. 셋째, 에이전트가 쏟아내는 결과물을 읽고 검토하는 인간의 주의력이 병목이 되면서, 에이전트를 관리하고 감시하는 '메타워크'가 상호작용 세션에서 차지하는 비중이 커졌다. 채용 관리자들은 기술적 전문성보다 자율성과 판단력을 더 강조하기 시작했다.

기존 접근의 한계

AI가 일자리에 미치는 영향을 추정한 기존 연구는 주로 채용 공고나 설문조사 같은 외부 데이터를 사용한다. 이런 자료는 실제 업무 현장에서 AI 도구가 어떻게 쓰이고 산출량이 어떻게 변하는지 직접 보여주지 못한다. 또 특정 시점의 단면 비교는 'AI를 쓰는 사람'과 '안 쓰는 사람'의 원래 차이를 통제하기 어렵다. 예를 들어 생산성이 높은 직원이 먼저 AI를 도입한다면, 도입 후 성과 차이를 모두 AI 덕분으로 돌릴 수 없다.

앤트로픽 연구는 내부 행동 로그와 개인 단위 패널 데이터를 쓴다는 점에서 다르다. 같은 직원이 AI 도구를 도입하기 전과 후의 산출량을 비교하고, 같은 달에 일하는 도입자와 비도입자를 대조한다. 그래도 도입 시점이 무작위가 아니라는 한계는 남는다. 큰 프로젝트를 앞둔 직원이 미리 도구를 준비하는 선택 편향이 있을 수 있고, 완전 자율 에이전트를 처음 쓰는 직원은 이미 산출량이 오르는 추세였다고 원문이 명시한다.

연구방법을 단계별로

연구진은 먼저 고용 구성을 분석했다. 기술 부서 내 주니어 직원 비중, 신규 채용 중 주니어 비중, 채용 공고 수를 2025년 초부터 2026년 중반까지 추적했다. 동시에 에이전트 세션 원격 측정에서 '개인 주도형 상호작용 세션'과 하위 에이전트를 합산해 에이전트 작업 시간을 계산했다. 에이전트 시간은 추론과 도구 사용을 포함하되 30분 초과 대기는 제외했고, 인간 시간은 인원수에 주 40시간을 곱해 추정했다.

생산성 효과는 192명의 엔지니어 도입자와 74명의 비도입자를 비교하는 이중 고정 효과 모형으로 추정했다. 개인과 달력월 고정 효과를 넣어 '원래 잘하는 사람' 효과를 줄이고, 표준오차는 개인 단위로 군집화했다. 코드 품질은 같은 직원이 같은 달 같은 디렉터리에서 직접 쓴 코드와 에이전트가 쓴 코드를 비교해, 90일 내 삭제된 줄 비율, 버그 수정 삭제 비율, 커밋 전체 되돌림 여부, 린트 억제 주석 추가 여부 등을 대리지표로 썼다.

업무 과정 변화는 설문, 면담, 슬랙 네트워크, 캘린더 데이터로 측정했다. 메타워크 비중은 2,000개의 한 줄 채팅 요약을 자동 분류해 '에이전트 기술 구축, 다른 에이전트 계획·검토, 파이프라인 대시보드·모니터, 업무 문서화'에 해당하는 세션 비율로 계산했다. 채용 평가 변화는 2024년 이후 수천 명의 면접 평가표를 자동 코딩해 'AI 도구 활용', '자율성·판단력', '도메인 전문성' 같은 평가 주제가 언급된 비율을 비교했다.

결과와 숫자의 의미

기술 부서 내 주니어 재직자 비중은 2025년 초 21%에서 14%로, 기술직 신규 채용 중 주니어 비중은 27%에서 9%로 떨어졌다. 별개의 지표인 회사 전체 인원 중 기술 부서 비중도 61%에서 56%로 낮아졌다. 회사 전체는 지난 1년간 인원이 3배로 늘었고 기술직 절대 채용도 증가했다. 따라서 비중 하락을 곧 인원 감소나 해고로 읽을 수 없다. 영업·재무 등의 빠른 채용은 전체 부서 구성의 변화를 설명하지만, 기술 부서 안에서 주니어 비중이 줄어든 현상과는 구분해야 한다.

에이전트 시간은 2026년 3월 처음으로 인간 시간을 넘어섰고, 8월에는 개인 주도형 세션만으로 인간의 6배에 달했다. 코드 커밋은 엔지니어 1인당 6개월 전의 약 5배로 늘었다. 영업 담당자는 에이전트 도입 후 더 많은 고객과 거래를 성사했고, 변호사는 계약을 더 많이 처리했다. 한 영업 담당자는 클로드 자동화가 이메일 초안과 고객관리 시스템 연동을 맡아 기존 업무의 약 20%를 대체했고, 다른 직원은 대면 시간이 늘어 고객의 30%를 더 만날 수 있었다고 말했다.

코드 품질 대리지표에서는 에이전트가 쓴 코드와 사람이 직접 쓴 코드 사이에 유의미한 차이가 발견되지 않았다. 그러나 이를 모든 코드 품질이 같다는 증거로 읽을 수는 없다. AI 오류는 인간 오류보다 식별하기 어려울 수 있고, 측정한 지표는 삭제·되돌림 같은 제한된 차원일 뿐이다. 완전 자율 에이전트 도입자는 도입 전부터 산출량이 가파르게 오르는 추세였기 때문에, 도입 후 상승분을 전부 에이전트 효과로 해석해서는 안 된다.

구체적인 예시

제품 디자인 팀은 원래 클로드.ai의 인사말 'Hello night owl', 'Coffee and Claude time?' 같은 문구를 썼다. 2026년 봄 이 팀은 에이전트가 매력적인 제품 문구를 쓰도록 안내하는 컨텍스트 그래프를 만들었고, 팀은 '에이전트 프롬프트와 모델 평가 작성'으로 업무를 전환했다. 기존 문구 작성 업무가 자동화되어 더 큰 규모로 처리되자, 팀은 모델 평가와 프롬프트 작성으로 역할을 옮겼다. 인원 감축 사례가 아니라 기존 업무와 역할이 달라진 사례로 소개된다.

재무 관리자는 구매 요청 검토 에이전트를 만들어 '시간이 많이 걸리는 일을 찾아내 사람이 다른 일에 집중하게 한다'고 동료에게 설명했다. 임원 비서는 일정 관리와 이메일 분류를 맡는 개인 비서 에이전트를 만들고, '클로드가 초급 행정 역할을 이미 대체하는 지점을 지났다'고 말하며 자신의 업무를 '비서실장' 수준의 고차원 과제로 옮겼다. 영업 담당자는 UI와 도구 연결, MCP까지 포함한 맞춤형 대시보드를 3~4시간 만에 혼자 만들어냈다.

엔지니어 한 명은 에이전트 요청을 분류하는 '에이전트 비서실장'을 만들었고, 다른 엔지니어는 자신의 클로드 팀에 '우리 소통 방식에서 잘 되는 것과 안 되는 것을 이야기하자'는 성과 리뷰를 써줬다. 변호사는 법률 질문 검토에서 '법률 조언의 SEO'로 관심을 옮겼다. 고객의 에이전트가 발견할 수 있는 프레임워크를 작성하는 일이다. 이런 사례는 반복 업무가 자동화되면서 인간의 역할이 '직접 실행'에서 '에이전트가 잘 일하도록 환경을 설계하는 일'로 이동하는 패턴을 보여준다.

한계와 오해하기 쉬운 점

이 연구는 성장 중인 AI 기업 한 곳의 내부 자료와 17명 면담에 기반한 관찰 연구다. 전체 경제나 모든 직종의 인과 효과를 추정한 무작위 실험이 아니다. 회사 자체 분석이라는 이해관계도 있다. 8월의 '에이전트:인간 6:1'은 개인이 지시하는 상호작용 세션과 하위 에이전트의 실행 시간을 인원수×주 40시간 추정치와 비교한 것이다. 에이전트 시간은 추론·도구 사용을 포함하고 30분 초과 대기를 제외한다. 사람 6명을 대체했다거나 생산성이 6배라는 뜻이 아니다.

도입 전후 분석은 무작위 배정이 아니므로 선택 편향이 남는다. 큰 프로젝트를 앞둔 직원이 먼저 도구를 도입하면 효과가 과대 추정될 수 있다. 완전 자율 에이전트 채택자는 이미 산출량 상승 추세였다고 원문이 경고한다. 6개월간 커밋 약 5배는 코드 산출량 지표일 뿐 품질이나 매출 인과효과 5배가 아니다. 코드 삭제·버그 수정·되돌림 등 제한된 품질 대리지표에서 차이를 못 찾은 것이 모든 품질이 같다는 증거는 아니다.

출력 읽기에 반주 이상 걸린다는 수치는 토큰당 0.75단어, 분당 250단어라는 가정에서 나온 추정치다. 실제 읽는 시간을 측정한 값이 아니다. 80% 대기는 상호작용 세션의 전체 경과 시간(wall-clock)을 분모로 한 것이며, 앞의 6:1에 쓰인 활성 실행 시간과 분모가 다르다. 메타워크 10→22%는 2,000개 한 줄 채팅 요약을 자동 분류한 평균 상호작용 세션 비중이다. 전체 노동시간 비중으로 바꾸면 안 된다. 생산성 설문의 44%, 58%, 75% 중 마지막은 질문이 완화되어 직접 추세 비교에 주의해야 한다.

매출/직원 2~4배는 창업 5년 시점의 구글·메타와 2025달러로 조정한 비교다. 산업·매출 구조 차이를 통제한 생산성 인과효과가 아니다. 인력 재배치, 주식 보상, 정책 제안은 저자의 제안이며 보편적 효과가 입증된 조치가 아니다. 원문은 '앤트로픽의 고용 관행 중 경제 전반에 복제할 수 없는 부분이 많다'고 스스로 밝힌다.

실제로 어떻게 활용할까

이 보고서는 AI 도입이 빠른 조직에서 어떤 실행 업무가 자동화되고 어떤 판단·대인 업무가 남는지 살펴볼 사례 자료다. 채용이나 교육에 적용한다면, 지원자의 지식뿐 아니라 도구를 활용하고 결과를 검토하는 능력을 어떻게 평가할지 생각해 볼 수 있다. 이는 해설자의 활용 제안이며, 이 연구가 주니어 채용 축소나 기본 기술 교육의 축소를 권장·검증했다는 뜻은 아니다. 한 기업의 관찰 결과를 다른 산업의 인사 정책에 바로 적용할 수는 없다.

정책 입안자는 이 연구를 'AI 확산 시 노동 이동성과 재배치 지원'의 필요성을 보여주는 근거로 참고할 수 있다. 앤트로픽은 일자리 위험 조기 경보 시스템을 만들고 내부 재배치를 우선한다. 그러나 원문은 이런 사내 조치가 신규 채용 감소를 직접 해결하지 못하며, 재훈련과 소득 지원 같은 정부 정책이 함께 필요하다고 명시한다. 기업의 자발적 재배치 약속은 신규 고용을 꺼리게 만드는 비용이 될 수도 있다는 상충 관계도 함께 제시한다.