클로드 코워크 실사용기: AI 화이트칼라 자동화 주장과 실제 생산성 데이터의 간극

핵심 메시지

• 앤스로픽이 공개한 클로드 코워크는 코딩 밖의 업무를 자동화한다는 점에서 화제가 됐고, 도구 자체도 클로드 코드 위에서 만들어졌다.
• 직접 시킨 파워포인트 과제는 겉보기 완성도는 높았지만 핵심 수치 두 개가 틀렸고, 모델은 출처를 확인하지 못했다는 단서조차 달지 않았다.
• 옥스퍼드 이코노믹스는 노동생산성 증가율이 예년보다 높지 않다는 점을 근거로, 최근의 감원을 AI 탓으로 돌리기 어렵다고 본다.
• LLM이 어떤 순간엔 천재 같고 어떤 순간엔 허술한 이유는 깊은 원리 이해와 얕은 암기가 한 모델 안에 뒤섞여 있기 때문이다.
• 결론은 양극단이 아닌 중간이다. 사람이 검토·수정하는 전제로 쓰면 생산성은 분명히 오르지만, 아직 대체 단계는 아니다.

쉽게 이해하기

한 주요 AI 연구소 대표는 지난해, 지금쯤이면 자사가 작성하는 코드의 100%가 자사 AI 모델에서 나올 것이고 2026년에는 나머지 지식노동도 같은 길을 걷는다고 예측했다. 앤스로픽이 최근 공개한 클로드 코워크는 그 예측을 뒷받침하는 사례처럼 소개됐다. 코딩이 아닌 업무를 자동화하는 모습이 4200만 회 조회로 퍼졌고, 이 도구의 코드 자체가 클로드 코드 안에서 최신 모델로 작성됐다는 점이 특히 주목받았다.

영상 제작자는 클로드 코드를 오래 써 왔고 코워크도 48시간가량 다뤄 본 뒤, 그 예측이 사실이 아니라고 잘라 말한다. 그가 시킨 과제는 특정 축구 구단의 최근 다섯 시즌 같은 날짜 리그 순위를 비교표로 만들어 파워포인트로 바탕화면에 저장하라는 것이었다. 코워크는 확인 질문을 던지고 계획을 제시한 뒤 시각적으로 그럴듯한 결과물을 빠르게 내놨지만, 확인해 보니 2023년과 2025년 1월 순위가 둘 다 틀렸다. 직접 5분 만에 찾은 BBC와 통계 사이트는 2025년 1월 13일 해당 구단이 3위가 아니라 7위였다고 기록하고 있었다.

그렇다고 도구를 버리라는 말은 아니다. 클로드 코드 개발 책임자도 코워크 코드를 최신 모델이 썼다고 밝힌 뒤 "사람의 개입이 전혀 없었던 것은 아니며 사람이 계획하고 설계하고 여러 차례 주고받아야 했다"고 덧붙였다. 영상은 오픈AI가 2025년 10월 공개한 연구를 인용해, 블라인드 채점 기준으로는 이미 임계점을 넘었다고 본다. 사람이 처음부터 직접 하는 것보다, 모델에게 반복해서 시키고 사람이 검토·수정하는 쪽이 더 큰 생산성 배수를 낸다는 것이다. 앞의 잘못된 표도 숫자 몇 개만 고치면 처음부터 만드는 것보다 빨랐다.

다만 이 이점은 최신 모델을 쓰는 소수에게 한정된다. 코워크는 월 90~100달러 수준의 최상위 요금제, 그것도 맥OS에서만 쓸 수 있다. 옥스퍼드 이코노믹스가 2026년 1월 7일 낸 보고서도 향후 1~2년간 AI가 실업률을 크게 끌어올릴 것으로 보지 않으며, 대량 해고가 사실이라면 뛰어야 할 노동생산성 증가율이 2025년에 예년 수준을 넘지 못했다는 점을 근거로 든다. 보고서는 기업들이 수요 부진이나 과거의 과잉 채용 대신 AI 도입을 이유로 대는 편이 투자자에게 더 긍정적인 메시지가 되기 때문이라고 설명한다.

영상 제작자 역시 대량 실직이 임박했다는 쪽보다, 직무의 목적과 그 안의 자동화 가능한 개별 작업을 혼동하지 말라는 젠슨 황의 관점에 가깝다고 말한다. 축구 중계자의 목소리와 전술 분석은 자동화할 수 있어도, 보는 사람을 즐겁게 만든다는 목적까지 AI가 더 잘 해내는 것은 아니라는 것이다. 후반부는 같은 모델이 거대한 코드베이스에서 미세한 버그를 찾아내면서 동시에 엉뚱한 실수를 하는 이유를 다룬다. 최근 논문은 이해를 서로 다른 표현 사이의 연결을 등록하는 단순한 개념적 이해, 특정 조건에서만 성립하는 상태 의존적 이해, 흩어진 사실들을 관통하는 원리적 이해의 세 층위로 나누는데, LLM은 이 세 층위에 걸친 뒤죽박죽한 메커니즘의 혼합으로 이해를 분산해 갖고 있으며 손실을 가장 효율적으로 줄이는 쪽을 그때그때 택한다.

주요 인사이트

• 생산성 향상의 조건이 바뀌었다. 이제 관건은 모델이 한 번에 맞히느냐가 아니라, 반복 시도와 사람의 검토·수정을 합친 총비용이 직접 하는 것보다 싼가다.
• AI 결과물의 진짜 위험은 틀린 답 자체가 아니라 틀렸다는 신호가 없다는 점이다. 신뢰할 출처를 못 찾았을 때도 모델은 아무 단서 없이 그럴듯한 표를 내놓았다.
• 감원 발표의 이유와 실제 원인은 다를 수 있다. 노동생산성 증가율이 따라 오르지 않았다면, AI가 사람을 대체하고 있다는 서사는 통계보다 홍보에 가깝다.
• 같은 모델이 시를 쓰며 운율을 미리 계획하는 회로를 갖고도, 'A의 아내가 B'라는 문장에서 'B의 남편이 A'를 추론하지 못할 수 있다. 깊은 이해와 얕은 암기는 배타적이지 않다.
• 현재 학습 방식에서는 모델이 대부분의 문제를 맞히기 시작하면 더 높은 수준의 이해를 익힐 유인이 줄어든다. 정확도를 끌어올리려면 학습 유인 자체를 바꿔야 한다.

자주 묻는 질문

관련 AI 소식