Anthropic, Claude 연구 세션 20만 건 분석…데이터 분석·논문 작성에 집중

Anthropic이 과학자들이 Claude를 어떤 분야의 어떤 연구 작업에 쓰는지 분석한 보고서를 2026년 11월 5일 공개했다. 소비자 요금제에서 이뤄진 연구 세션 207,049건을 조사한 결과, 데이터 분석과 논문 작성에 사용이 몰렸고 실험실 작업이나 가설 설정에는 상대적으로 적게 쓰였다.

표본은 2026년 8월 2일부터 9월 30일까지의 세션이다. 대화와 지식 업무용 화면인 Chat과 Cowork에서 128,914건, 사용자 파일을 직접 다루며 코드를 쓰고 실행하는 Claude Code에서 78,135건을 모았다. Anthropic은 별도로 Claude Science 세션도 추가 표본으로 살폈다.

개인정보를 지키며 분석한 방식

연구팀은 개인정보를 보호하는 인프라로 세션을 분석했다. 언어 모델을 분류기로 써서 각 대화를 미리 정한 분류 체계(SciNet)의 범주에 맞춰 표시하게 했고, 연구팀이 보관하고 분석한 정보는 '화학', '데이터 정제' 같은 라벨뿐이라고 밝혔다. 연구 데이터, 가설, 실험 방법, 초기 결과, 미발표 논문 같은 내용은 추출하거나 저장하지 않았다. 결과는 합산해서만 보고했고, 서로 다른 계정이 일정 수 이상인 항목만 공개했다.

분류는 두 단계다. 첫 분류기가 과학 연구와 관련된 세션인지 가려내고, 둘째 분류기가 분야, 세부 분야, 작업을 정한다. SciNet은 34개 분야, 318개 세부 분야, 7,262개 작업으로 이뤄져 있다. 논문 초안 작성처럼 모든 분야에 공통인 작업도 있고, 광학 흡수·방출 스펙트럼 예측처럼 재료과학에만 해당하는 작업도 있다.

어떤 분야가, 어떤 작업에 쓰나

Claude에서 세션 비중이 큰 분야는 컴퓨터과학 11.9%, 공학 8.4%, 의학 7.7% 순이다. 이들은 전 세계 연구자 수로도 큰 분야에 속한다. 분야별 세션 비중과 연구자 비중 사이의 로그-로그 상관계수는 0.79다. 다만 연구자 수만으로는 설명되지 않아서, 컴퓨터과학·수학·통계 같은 형식과학과 사회과학은 규모에 비해 많이 쓰고, 화학처럼 실험실 작업이 많은 물리과학과 환자를 대하는 시간이 긴 의학은 적게 쓴다.

Claude Code는 계량적인 분야에 더 쏠린다. 컴퓨터과학은 전 세계 연구자의 4.3%지만 Claude Code 세션의 32.7%를 차지한다. 세션은 쓴 도구가 아니라 수행 중인 연구 분야를 기준으로 분류하므로, 다른 계산과학 분야의 코딩 작업은 컴퓨터과학에 들어가지 않는다. 연구자 수와의 상관계수는 0.62로 Claude보다 낮다. 경제학을 뺀 사회과학과 인문·예술 분야는 상대 사용량이 낮다. 세부 분야로는 인공지능과 머신러닝이 연구자 비중 1.2%에 비해 Claude 5.0%, Claude Code 15.2%로 두드러졌다. 계산생물학·전산언어학·전산신경과학 같은 계산 중심 분야와 로보틱스도 사용이 많았다.

작업 범주별로는 데이터 분석이 Claude 세션의 33.7%, Claude Code 세션의 48.1%로 가장 많다. 연구자가 이 작업에 쓰는 시간 비중은 27.6%다. 글쓰기와 소통은 Claude에서 32.0%로, 연구자 시간 비중 16.0%의 두 배다. 반대로 데이터 수집은 연구자 시간의 28.6%를 차지하지만 세션 비중은 Claude 11.5%, Claude Code 11.9%에 그쳤다. 임상·생화학 데이터 수집처럼 물리적 제약이 있는 작업에서 특히 낮고, 온라인 데이터 수집처럼 순수하게 디지털인 작업은 오히려 많이 쓰이기도 한다. 아이디어 구상과 가설 설정은 연구자 시간의 7.1%인데 세션은 Claude 4.2%, Claude Code 2.1%였다.

개별 작업으로는 논문 초안 작성이 Claude 18.6%, Claude Code 11.1%로 가장 잦았다. Claude에서는 문헌 검토·종합이 6.8%, 심사위원 의견에 대한 답변이 6.7%로 뒤를 이었다. Claude Code에서는 결과물 설계·제작·보완이 4.8%, 데이터와 결과 시각화가 4.6%였다.

연구자 528명 설문도 같은 경향을 보였다. 응답자는 주로 생명·건강과학 분야의 적극적인 AI 사용자이며, Anthropic의 AI for Science 등 지원 프로그램 신청자로 미국과 캐나다 연구기관 소속이다. AI 연구 크레딧을 신청한 사람들이라 일반 과학자보다 AI를 많이 쓸 가능성이 크다. 이들은 데이터 분석과 글쓰기에서 AI 사용이 가장 많고 아이디어 구상과 데이터 수집에서 적다고 답했으며, 공동 수행이나 위임 형태의 사용도 데이터 분석과 글쓰기에서 더 많다고 답했다. 그런데 중요한 연구 결과를 내는 데 가장 중요한 범주로는 아이디어 구상을 1위, 데이터 수집을 2위로 꼽았다. Anthropic은 아이디어 구상 사용이 적은 이유로 연구자가 직접 아이디어를 내기를 선호하거나 AI 능력을 낮게 보는 경우, 구상이 다른 작업에 섞여 분류가 어려운 경우, AI가 연구 질문 선택 같은 상위 수준의 구상에 실제로 약할 가능성을 들었다.

Claude Science는 더 전문적이고 자율적

Claude Science 사용은 생명과학에 집중돼 있다. 생의학과 생물학이 세션의 50% 이상을 차지한다. 단백질-단백질 또는 단백질-리간드 상호작용의 작용 기전 모델을 제안하는 작업은 Claude보다 Claude Science에서 나타날 가능성이 5.6배 높다. 논문 초안 작성이나 공동 연구자 조율 같은 일반 작업은 상대적으로 적다. 아이디어 구상과 가설 설정은 Claude Science 세션의 8%로, 연구자 시간 비중과 비슷하다.

생의학·생물학 분야에서 Claude Science의 작업은 Claude나 Claude Code보다 길고 정교하며 자율적이다. AI 없이 했을 때 걸릴 사람 작업 시간이 거의 두 배다. 박사 수준 훈련(교육 20년)이 필요한 것으로 추정되는 비율은 80% 이상으로, 다른 화면의 약 50~70%보다 높다. AI 자율성이 높은 세션은 70% 이상으로, Claude의 23.7%보다 훨씬 높고 Claude Code의 64.1%보다도 다소 높다. 유료 사용자라면 누구나 Claude Science를 쓸 수 있지만 더 전문적이거나 까다로운 용도를 가진 사람이 주로 쓸 가능성이 있다. Anthropic은 작업 차이가 사용자 구성을 일부 반영할 수 있어, 제품 간 차이를 사용 양상으로 기술한다고 밝혔다.

결과물은 분야별로 갈린다. 문서·보고서·논문 같은 글 형태는 사회과학과 인문학에서, 코드·소프트웨어 출력·데이터 같은 기술 형태는 자연과학과 형식과학에서 더 흔하다. 보건과학은 사회과학과 비슷하다. 기술 결과물은 Claude Code에서 Claude의 약 두 배로 흔하지만 분야별 전체 경향은 같다.

AI 능력 점수와 사용량의 관계

Anthropic은 작업마다 AI가 이론상 얼마나 잘 해낼 수 있는지 나타내는 능력 점수를 만들어 실제 사용과 비교했다. 사용 비율은 연구자 시간 비중 대비 Claude 세션 비중이다. 연구자 시간의 5%를 차지하는 작업이 Claude 세션의 10%를 차지하면 비율은 2다. 능력 점수 하위 20% 작업은 반응 혼합물 정제나 참여 관찰처럼 거의 쓰이지 않았다. 중간 점수에서는 비율이 약 1이었다. 상위 20%에 속하는 데이터 시각화나 통계 검정 같은 작업은 연구자 시간에 비해 Claude에서 약 2배, Claude Code에서 약 4배 쓰였다.

능력 점수가 높은 이유도 살폈다. 강화 학습 적합도 지수와의 상관계수는 0.78이다. 이 적합도는 성공 여부를 검증하기 쉽고, 많은 사례를 컴퓨팅 환경에서 모사할 수 있고, 피드백이 빠른 정도로 매긴다. 인지 작업 비중이 큰 작업은 점수가 높고(0.69), 물리 작업(-0.57), 대인 작업(-0.31), AI 사용 규제가 있는 작업(-0.38)은 낮다. 강화 학습 적합도 하위 5분의 1 작업은 거의 쓰이지 않았고, 상위 5분의 1은 Claude에서 2배, Claude Code에서 4배 쓰였다.

세부 분야의 연구자당 Claude 사용량은 작업 평균 능력 점수가 높을수록 늘었다(Claude 0.45, Claude Code 0.57). 능력이 높은 세부 분야일수록 Claude에 더 자율적으로 일을 맡기는 경향도 나타났다.

연구 속도는 얼마나 빨라질까

Anthropic은 단순한 경제 모형으로 세 가지 시나리오를 계산했다. 예측이 아니라 예시라고 밝혔다. 시나리오 1은 현재 AI 능력이 널리 쓰이는 경우로, 설문과 능력 점수로 추정했다. 시나리오 2와 3은 AI가 물리적이지 않은 연구 단계의 75%, 100%를 완전히 자동화하는 가상의 미래다. 세 경우 모두 물리적 단계는 연구자가 맡는다. 비용은 AI 에이전트 1시간에 30달러, 연구자 1시간에 95달러로 가정했고, AI는 절약하는 연구자 시간 1시간당 0.2시간 돌아간다고 봤다. AI 비용은 현재 공개 정가를 썼다.

시나리오 1에서 AI는 새 연구 한 편에 드는 연구자 시간의 27~52%를 맡을 수 있고 분야별 중앙값은 38%다. 현재 AI 작업이 자율보다 보조나 공동 수행에 가까워서 가속은 컴퓨터과학처럼 AI 친화적인 분야도 2배 안팎에 그친다. 분야 차이는 주로 두 요인이 만든다. 하나는 물리 작업으로, 농업·생의학·화학·재료과학은 연구자 시간의 38~41%를 물리 단계에 쓰지만 중앙값 분야는 4%다. 다른 하나는 인지 작업 안의 능력 점수 분포로, 예술(물리 10%)과 역사(4%)는 물리 비중은 낮아도 정성적·해석적 작업이라 점수가 낮다. 보고서는 이런 작업이 강화 학습에 덜 맞기 때문일 수 있다고 추정한다.

시나리오 2에서 자동화되는 단계는 비물리 연구자 시간의 컴퓨터과학 82%, 예술 28%다. 역사·인류학·예술은 약 2배 이하로 가속한다. 시나리오 3에서는 낮은 능력 점수가 더는 제약이 아니어서 예술·인문학이 따라붙지만, 실험실·현장 작업이 연구자 시간의 약 40%를 차지하는 생물·화학·재료과학·농업·생의학은 자동화 실험실이 없으면 3~4배에 머문다.

Anthropic은 두 가지를 결론으로 들었다. 물리적 병목은 가속의 상한을 정하고, 병목이 없는 분야에서는 AI 비용이 한계가 된다. 가정상 완전 자동화된 작업도 연구자가 하는 비용의 약 16분의 1이 들어 가속이 약 16배에서 멈추며, AI 비용이 절반이 되면 속도가 두 배가 된다. 모형은 대형강입자충돌기처럼 분야 차원의 제약, 장비·재료 비용, 물리 실험을 대체하는 시뮬레이션, 아이디어의 질을 반영하지 않는다. 연구 감각이 사람 고유의 영역으로 남으면 가속은 더 느려지고, AI가 더 나은 가설을 찾으면 더 빨라질 수 있다고 덧붙였다. 또 컴퓨터과학처럼 AI 자체를 만드는 분야가 크게 가속하면 AI 연구가 더 강한 AI를 낳는 되먹임이 생길 수 있다고 설명했다.

연구자들의 기대와 남은 제약

생명·건강과학 연구자 설문에서 응답자의 절반 이상은 2027년까지 AI가 데이터 분석에서 최고 연구자 수준에 이를 것으로 내다봤고, 38%는 이미 도달했다고 답했다. 2030년까지는 데이터 분석 94%, 글쓰기 89%, 아이디어 구상과 데이터 수집 각 72%가 최고 수준 도달을 예상했다. 사람 개입 없이 연구 전체를 수행하는 AI는 2030년까지 약 40%, 2035년까지 약 64%가 예상했고 16%는 불가능하다고 답했다. 자율적 과학적 돌파구는 약 절반이 2035년 이후에야, 혹은 영영 오지 않는다고 봤다.

보고서는 과거 설문에서 AI 진전이 자주 과소평가됐다고 짚었다. 2022년 중반 조사에서 국제수학올림피아드 금메달 수준 달성 시기의 중앙값 추정은 도메인 전문가 2030년, 슈퍼포캐스터 2035년이었으나 AI는 2025년에 이를 달성했다. 생물학 실험실 작업처럼 물리 세계의 실행이 필요한 분야는 예외였다.

Anthropic은 가속을 막을 수 있는 제약도 정리했다. 새 기술의 확산은 대체로 느리고 조직이 재편된 뒤에야 생산성 이득이 나타난다는 점, 물리 실험과 연구 질문 선택이 병목으로 남을 수 있다는 점이다. 연구자의 업무와 만족도도 달라질 수 있다. 미국 연방 지원 과제의 연구책임자는 연구 시간의 약 44%를 행정 요건 충족에 쓴다고 답한 조사가 있으며, AI가 이 부담을 덜면 만족도가 오를 수 있다고 봤다. 반대로 보람 있는 작업을 AI가 가져가면 만족도가 떨어질 수 있다고 했다.

분석의 한계는 방법론에 있다. 설문 응답자는 AI 연구 크레딧을 신청한 적극적 사용자라 일반 과학자보다 AI를 많이 쓸 가능성이 크다. 세부 분야별 수치는 표본 변동과 분류 오차 때문에 개별 소규모 분야보다 전체 경향을 봐야 한다. 교육, 심사, 행정 같은 비연구 업무는 분석에서 제외했다.