앤트로픽, AI 생산성 연구 공개: 작업 시간 80% 단축·미국 생산성 성장률 2배 견인

생성형 AI가 실제로 업무 생산성을 높이고 있는지, 아니면 단순히 그럴싸한 답변만 늘어놓고 있는지에 대한 논쟁이 이어지는 가운데 Anthropic이 실제 서비스 로그를 기반으로 한 계산서를 내놓았습니다.

Anthropic은 2025년 11월 25일 노동 생산성에 관한 연구 보고서를 공개했습니다. 개인정보 보호 분석 시스템을 통해 Claude.ai 무료, Pro, Max 계정에서 추출한 실제 대화 10만 건을 분석하여, 사용자가 AI에 맡긴 작업의 규모와 시간 절감 효과를 추정했습니다.

작업 시간 평균 80% 단축, 1회당 55달러 절감 효과

10만 건의 실제 대화 데이터를 살펴보면 사용자들이 주로 상당한 노력이 필요한 복잡한 작업에 Claude를 활용하고 있음이 드러납니다.

모델의 추정에 따르면 사용자들이 요청한 작업은 전문 인력이 AI 없이 수행할 경우 평균 1.4시간(약 90분)이 걸리는 업무였습니다. 하지만 Claude의 도움을 받으면서 개별 작업 완료 시간은 평균 약 80% 단축되었습니다.

Anthropic은 이를 미국 직업 정보 네트워크(O*NET) 및 노동통계국(BLS) 임금 데이터와 결합했습니다. 그 결과 AI 없이 사람이 직접 처리했다면 건당 평균 약 55달러의 인건비가 소요되었을 작업으로 산출되었습니다.

다만 직종별 편차는 컸습니다. 의료 보조 관련 업무는 소요 시간이 90% 줄어든 반면, 하드웨어 관련 문제 해결은 56% 단축에 그쳤습니다. 업무 단위에서도 법률 및 경영 관리 업무는 수작업 시 약 2시간이 걸리는 반면, 식품 조리 관련 작업은 30분 수준이었습니다.

현재 세대 AI 모델의 효율을 미국 경제 전반으로 확장해 추산하면, 향후 10년간 미국 연간 노동 생산성 성장률을 1.8% 끌어올릴 수 있는 것으로 나타났습니다. 이는 2019년 이후 연평균 성장률의 약 두 배에 달하며, 최근 경제학계가 내놓은 예측치 중 최상단에 해당합니다.

AI가 측정한 AI의 시간, 얼마나 신뢰할 수 있나

Claude가 Claude의 절감 시간을 직접 평가한다는 방식에 대해 의문이 제기될 수 있는 만큼, 연구진은 두 가지 검증 절차를 거쳤습니다.

우선 1,800건의 동의된 대화를 대상으로 프롬프트 문구를 다양하게 바꿔 테스트한 결과, 로그 스케일 상관계수 0.89에서 0.93을 기록하며 높은 자체 일관성을 보였습니다. 오픈소스 JIRA 티켓을 활용한 외부 벤치마크에서도 실제 개발자의 시간 예측 정확도(스피어만 상관계수 0.50)와 비교했을 때 Claude Sonnet 4.5가 의미 있는 추정 능력을 보였다고 밝혔습니다.

그러나 연구진은 결정적인 한계도 명시했습니다. 사용자가 대화창 밖에서 Claude의 답변을 검증하고, 오류나 환각을 수정하며, 실제 결과물로 완성하기까지 들인 시간은 측정할 수 없었다는 점입니다. 이 때문에 80%라는 단축 수치가 현재의 생산성 효과를 어느 정도 과대평가했을 가능성이 있음을 연구진도 인정했습니다.

왜 중요한가

AI 도입을 고민하는 팀이나 지식 노동자에게 이번 연구는 분명한 실무적 기준을 제시합니다. 몇 분짜리 이메일 초안을 쓰는 것보다 법률 문서 검토나 기술 분석처럼 원래 1~2시간이 걸리던 무거운 업무에 AI를 투입할 때 실질적인 시간 절감 효과가 발생한다는 점입니다. 복잡한 지적 작업을 다루는 사용자라면 지금 적극적으로 워크플로에 도입해 볼 가치가 충분합니다.

산업 전반의 관점에서는 논의의 초점이 단순 도입률에서 작업 간 병목 현상으로 이동할 것으로 보입니다. 보고서가 지적했듯 특정 문서 작성 작업이 90% 빨라지더라도, AI가 개입할 수 없는 물리적 승인이나 현장 작업이 지연되면 조직 전체의 성장은 정체됩니다. 결국 개별 소프트웨어 도입을 넘어 업무 파이프라인 전체를 재설계하는 기업이 경쟁 우위를 점하게 될 것입니다.

Anthropic이 막연한 추정을 넘어 실제 대화 로그와 공공 임금 데이터를 결합해 정량화 모델을 만든 것은 매우 영리한 접근입니다. 하지만 출력물을 검증하는 데 드는 비용, 이른바 '환각 확인 비용'을 배제한 점은 치명적인 공백입니다. 현업에서 80%라는 수치를 액면 그대로 받아들이기보다는 철저한 사후 검증 비용을 감안해 도입 전략을 세워야 합니다.