핵심 요약
Claude Code 사용 데이터 분석에 따르면, 사람은 "무엇을 할지"를 주로 결정하고 AI는 "어떻게 할지"를 주로 실행한다.
코딩 성공률은 직업이 소프트웨어 엔지니어인지보다, 사용자가 해결하려는 문제 영역을 얼마나 잘 아는지에 더 크게 좌우된다.
연구의 출발점: 실제 사용 데이터로 본 에이전트 코딩
이 연구는 2025년 10월부터 2026년 4월까지의 약 40만 개 Claude Code 세션을 분석했다.
목표는 단순히 "AI가 코드를 잘 짜는가"가 아니라, 실제 사람들이 AI와 함께 어떤 일을 하고, 누가 결정을 내리며, 어떤 조건에서 성공하는지를 보는 것이다.
분석 대상은 CLI, Claude.ai, Claude Code 데스크톱 앱에서의 상호작용 세션이다. 자동화 파이프라인처럼 사용자가 직접 대화하지 않는 방식은 제외했다.
일의 종류: 코딩만 하는 도구가 아니다
Claude Code 세션은 크게 아홉 가지 작업 유형으로 분류된다.
가장 큰 비중은 코드 작성, 버그 수정, 테스트와 자동화 같은 직접적인 코딩 작업이다. 전체의 약 56%를 차지한다.
하지만 나머지도 중요하다. 소프트웨어 배포와 운영, 기존 시스템 이해, 변경 계획 수립, 데이터 분석, 문서 작성 같은 작업도 상당한 비중을 차지한다.
즉 Claude Code는 "코드 생성기"라기보다, 기술 작업 전반을 함께 처리하는 실행형 조수에 가깝다.
역할 분담: 사람은 방향을, Claude는 실행을 맡는다
전형적인 세션에서 사람은 계획 결정의 약 70%를 맡는다. 예를 들어 무엇을 만들지, 어떤 접근을 택할지, 완료 기준을 어떻게 볼지 정한다.
반대로 실행 결정은 Claude가 약 80%를 맡는다. 어떤 파일을 고치고, 어떤 코드를 쓰고, 어떤 명령어를 실행할지는 주로 AI가 판단한다.
비유하면 사람은 건축주나 설계 책임자에 가깝고, Claude는 현장에서 설계안을 실제 구조물로 바꾸는 시공팀에 가깝다.
한 번의 지시가 만드는 작업량
일반적인 세션은 사용자의 프롬프트와 Claude의 작업이 몇 차례 오가는 구조다.
사용자가 한 번 지시하면 Claude는 평균적으로 약 10개의 행동을 수행한다. 파일을 읽고, 코드를 수정하고, 명령어를 실행하고, 긴 설명을 출력한다.
흥미로운 점은 사용자의 전문성이 높을수록 Claude가 한 번의 지시에서 더 많은 일을 한다는 것이다. 초보 사용자의 지시는 짧은 심부름을 만들고, 전문가의 지시는 긴 작업 흐름을 만든다.
전문성의 의미: 코딩 실력만을 뜻하지 않는다
이 연구에서 전문성은 직함이나 일반 지능이 아니라, 해당 작업에 대한 구체적 이해를 뜻한다.
예를 들어 회계사가 Python을 잘 모르더라도, 월말 정산 규칙과 예외 상황을 정확히 설명하고 Claude의 실수를 잡아낸다면 그 작업에서는 전문가로 볼 수 있다.
반대로 숙련된 개발자라도 처음 다루는 기술 스택이나 도메인에서는 초보처럼 행동할 수 있다.
핵심은 "코드를 직접 쓸 수 있느냐"보다 "문제를 정확히 설명하고 결과를 판단할 수 있느냐"다.
전문성이 높을수록 성공 확률이 높다
세션의 성공 여부는 Claude가 사용자가 원한 목표를 달성했는지, 테스트 통과나 커밋 같은 검증 가능한 신호가 있는지를 바탕으로 판단했다.
초보 수준 세션은 엄격한 기준의 검증 성공률이 약 15%였다. 중급 이상은 약 28~33% 수준이었다.
차이는 초보에서 중급으로 올라갈 때 가장 크다. 중급에서 전문가로 갈수록 추가 이득은 있지만 폭은 작다.
즉 완벽한 대가가 아니어도 된다. 문제를 실무적으로 이해하는 수준만 되어도 AI 활용 효과가 크게 올라간다.
문제가 생겼을 때 전문성의 차이가 더 드러난다
에러, 실패한 테스트, 반복 시도, 사용자 불만처럼 문제가 발생한 세션을 따로 보면 전문성의 효과가 더 선명하다.
초보 사용자는 문제가 생기면 포기하거나 세션을 중단할 가능성이 높다. 반면 중급 이상 사용자는 Claude를 다시 조정해 목표에 도달할 가능성이 크다.
이는 전문성이 단순히 "처음부터 좋은 지시를 내리는 능력"만이 아니라, AI가 길을 잃었을 때 다시 방향을 잡아주는 능력이라는 뜻이다.
직업보다 도메인 이해가 더 중요하다
코드를 실제로 생성하거나 수정한 세션만 보면, 소프트웨어 관련 직업군의 검증 성공률은 약 34%, 비소프트웨어 직업군은 약 29%였다.
차이는 있지만 압도적이지 않다. 느슨한 성공 기준에서는 두 집단이 거의 비슷한 수준이다.
상위 10개 주요 직업군 모두가 소프트웨어 직업군과 몇 퍼센트포인트 이내의 성공률을 보였다.
이는 에이전트 코딩 도구가 프로그래밍을 특정 직업의 전유물에서 여러 분야의 업무 기술로 바꾸고 있음을 시사한다.
사용 패턴 변화: 디버깅은 줄고, 더 큰 작업은 늘었다
7개월 동안 버그 수정 세션의 비중은 33%에서 19%로 크게 줄었다.
대신 소프트웨어 운영, 데이터 분석, 문서 작성처럼 더 넓은 업무가 늘었다.
또 프리랜서 작업 게시물과 비교해 추정한 세션당 작업 가치는 평균 약 27% 상승했다.
이는 Claude Code가 단순한 오류 해결 도구에서, 더 복잡하고 경제적 가치가 큰 작업을 수행하는 도구로 이동하고 있음을 보여준다.
한계: 성공을 완전히 알 수는 없다
연구진은 실제 사용자가 결과물을 이후에 채택했는지, 업무 성과로 이어졌는지까지는 알 수 없다.
또 성공, 직업, 전문성 같은 판단은 모두 세션 기록을 모델이 분류한 결과다. 개인정보 보호를 위해 개별 대화는 연구자가 직접 읽지 않았다.
따라서 이 결과는 확정적 결론이라기보다, 에이전트 코딩이 노동과 전문성에 어떤 변화를 가져오는지 보여주는 초기 신호로 보는 것이 적절하다.
인사이트
AI 코딩 시대에도 사라지지 않는 핵심 능력은 "문제를 이해하는 힘"이다.
코딩 문법을 몰라도, 자신의 분야에서 목표·제약·예외·검증 기준을 명확히 설명할 수 있다면 AI는 강력한 실행자가 된다.
실천 팁은 간단하다. AI에게 "이걸 만들어줘"라고만 하지 말고, 왜 필요한지, 성공 기준은 무엇인지, 조심해야 할 예외는 무엇인지 함께 알려라.
앞으로 더 중요한 사람은 코드를 직접 많이 치는 사람이 아니라, AI가 올바른 일을 하도록 정확히 지휘할 수 있는 사람일 가능성이 크다.
Source : Agentic coding and persistent returns to expertise \ Anthropic
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.