2026 - 노동 - 앤트로픽의 고용 환경은 어떻게 변화하고 있을까요?

https://www.anthropic.com/research/employment-at-anthropic

2026.10.16
[How employment is changing at Anthropic]

본 보고서는 인공지능 도입이 기업 내 업무 구조, 생산성, 그리고 고용 형태에 미치는 영향을 실증적으로 분석하기 위해 인큐베이터 역할을 하는 기업 앤트로픽(Anthropic)의 내부 데이터를 심층적으로 조명하고 있습니다. 핵심 연구 결과에 따르면, 자율형 AI 에이전트가 수행하는 작업량이 인간의 근무 시간을 크게 추월하면서 직원들의 역할이 직접적인 실행자에서 AI를 감독하고 조율하는 관리자로 전환되었고, 그 결과 전사적인 생산성과 업무 처리량이 폭발적으로 증가했습니다. 그러나 이 과정에서 인간의 주의력이 한계 병목 현상으로 작용하여 메타 업무와 상호작용적 회의가 늘어났으며, 특히 기술 부서를 중심으로 주니어 직원의 채용 비중이 급격히 감소하는 등 노동 수요에 중대한 변화가 발생했습니다. 궁극적으로 본 문서는 이러한 기술적 격변 속에서 기업이 직원들에게 공정한 재정적 보상을 제공하고 내부 인력을 유연하게 재배치하는 전략이 필수적임을 역설하며, 다가올 미래 노동 시장의 변화에 대비할 수 있는 실마리를 제시하는 것을 목적으로 합니다.

 

 

1. Introduction — AI의 영향은 ‘일자리 수’보다 ‘일의 구성’에서 먼저 나타난다

근거: pp.2–3

핵심 질문

이 보고서는 단순히 “AI가 사람을 대체했는가?”를 묻지 않습니다. AI가 업무 전반에 깊이 들어간 조직에서 다음 요소가 어떻게 함께 바뀌는지를 살펴봅니다.

• 어떤 수준과 유형의 인력을 채용하는가.
• 직원이 무엇을 직접 수행하고 무엇을 AI에 맡기는가.
• 생산된 결과물을 누가 검토하고 의사결정하는가.
• 기존 인력을 변화한 업무에 어떻게 배치하는가.

Anthropic은 AI 도입이 깊이 진행된 기업이라는 점에서 가능한 미래의 선행 사례로 제시됩니다. 다만 일반 기업을 대표하는 표본으로 제시되는 것은 아닙니다.

자료 구성과 연구의 강점

자료	확인하려는 변화
고용·채용 기록	직급·직군별 인력 수요
AI 사용 로그·업무 산출 지표	도입 시점과 산출 변화
직원 설문	업무 경험과 기대
내부 커뮤니케이션·캘린더	협업 구조와 회의 시간
채용 평가 기록	선호 역량의 변화
직원 인터뷰 17건	정량적 변화의 현장 맥락

분석: 단일 만족도 설문에 의존하지 않고, 실제 행동 기록과 산출 지표에 인터뷰를 결합했다는 점이 강점입니다. “AI를 잘 활용한다고 느낀다”와 “업무 수행 방식이 실제로 달라졌다”를 연결해 살펴볼 수 있습니다.

해석의 범위

반면 이 사례는 AI를 직접 개발하고, 내부 도구와 모델에 접근하며, 사업이 빠르게 성장하는 기업의 경험입니다.

따라서 이 장의 적절한 해석은 다음과 같습니다.

일반 기업에서도 같은 속도로 같은 변화가 일어난다는 예측이 아니라, AI 활용이 깊어졌을 때 나타날 수 있는 조직 변화의 메커니즘을 관찰한 연구다.

 

2. Labor demand at the frontier — 고용이 늘어도 초급 인력의 진입 기회는 줄어들 수 있다

근거: pp.3–5, Figure 1

2.1. 총고용과 채용 구성은 다른 방향으로 움직인다

보고서는 Anthropic의 빠른 성장 속에서도 초급 기술직의 상대적 비중이 하락했다고 설명합니다.

지표	보고서의 관측 결과	읽어야 할 의미
기술 부문 재직자 중 초급 인력 비중	21% → 14%	기존 인력 구성의 변화
기술직 신규 채용 중 초급 비중	27% → 9%	진입 기회의 상대적 축소
전체 인력 중 기술 부문 비중	61% → 56%	비기술 부문이 더 빠르게 확대
AI 때문에 채용을 줄였다는 관리자 응답	ML 약 3분의 1, SWE 약 5분의 1	관리자들의 원인 인식

기술직 채용 자체는 절대 규모로 계속 증가했다고 명시합니다. 따라서 “기술직 비중 하락”을 “기술직 전체 인원 감소”로 바꾸어 읽으면 안 됩니다. 초급 채용 비중 하락 역시 그 자체만으로 초급 채용 인원의 절대 감소량을 알려주지는 않습니다.

분석: AI의 고용 영향은 대규모 해고보다 먼저 새로 채용할 인력의 구성 변화로 나타날 수 있습니다. 기업의 성장이나 전체 채용 증가만 보면 이 변화를 놓치기 쉽습니다.

2.2. 기술직과 비기술직 사이의 업무 경계가 약해진다

비기술 직원의 코딩 중심 에이전트 세션은 2025년 8월 월 2회에서 2026년 5월 90회로 증가했습니다. 여기서 비기술 직원은 기준 시점에 코드 커밋이 없었던 직원이며, 신규 입사자는 제외한 정의입니다. [p.4]

영업 직원이 직접 대시보드와 업무 파이프라인을 만든 사례는 이러한 변화를 보여줍니다.

동시에 기술 부문 내부에서도 다음 변화가 관측됩니다.

• 최근 30일간 커밋이 없는 직원의 비중이 거의 절반으로 축소.
• 엔지니어 대 제품관리자 비율이 약 17:1이며 이전보다 상승.
• 관리자의 코드 커밋 수가 두 배로 증가. [pp.4–5]

분석: 두 방향의 변화가 동시에 일어납니다.

• 비기술 직원은 자신의 업무 도구를 직접 구축합니다.
• 기술 조직의 관리·조정 담당자도 구현에 더 직접 참여합니다.

따라서 이를 단순히 “개발자가 불필요해진다”로 읽기보다는, 직무별로 분리돼 있던 기획·조정·구현 기능이 개인에게 다시 결합되는 현상으로 이해하는 편이 정확합니다.

2.3. 행정업무의 인력 수요는 별도로 제약받는다

영업·재무·채용 부문이 확대되는 가운데, 통상 회사 규모에 비례해 늘어나는 행정 기능은 상대적으로 적은 인원으로 운영됩니다.

문서는 그 배경으로 다음을 함께 제시합니다.

• 에이전트 비서.
• 자동화된 검토.
• 티켓 서비스 아웃소싱.

주의: 이 결과를 모두 AI의 효과로 귀속할 수는 없습니다. 보고서 자체가 외주화 등 다른 운영 방식도 원인으로 포함합니다. [p.5]

2.4. 자동화는 직무 소멸뿐 아니라 내부 이동으로 이어진다

1년 이상 재직한 직원의 월별 부서 이동 가능성은 2026년에 전년보다 50% 높아졌습니다. 이는 직원의 절반이 이동했다는 뜻이 아니라, 이동 가능성의 상대적 증가입니다. [p.5]

제품 문구를 작성하던 팀은 콘텐츠 생성을 에이전트에 넘긴 뒤, 프롬프트와 모델 평가 작성으로 업무를 전환했습니다.

분석: 이 사례의 핵심은 “글쓰기 역량이 사라졌다”가 아닙니다. 같은 언어 역량의 적용 대상이 사용자 행동에서 모델 행동으로 바뀌었다는 데 있습니다.

이 장의 한계

직원 1인당 매출이 창업 후 유사 시기의 Google·Meta보다 2–4배 높다는 비교도 제시됩니다. 다만 물가를 보정했더라도 사업모델, 시장 환경, 자본·컴퓨팅 투입 구조까지 같아지는 것은 아닙니다. 이 수치만으로 AI의 순수 노동생산성 효과를 식별할 수는 없습니다. [p.3, p.18 각주]

 

3. Is AI driving productivity increases at Anthropic? — 산출 증가는 확인되지만, 그 전부가 AI의 인과효과는 아니다

근거: pp.5–9, Figures 2–4; Figure 5는 p.10

3.1. 에이전트 실행 규모와 인간 노동량을 비교한다

2026년 3월에는 자율형·대화형 에이전트를 합친 실행시간이 인간 근무시간을 처음 넘어섰다고 설명합니다. 직원이 지시하는 대화형 세션으로 좁혀도, 8월에는 에이전트 시간이 인간 시간의 6배에 도달합니다. [pp.5–6]

다만 측정 방식은 서로 다릅니다.

대상	산정 방식
에이전트	추론·활성 도구 사용 등을 포함하는 실행시간, 30분을 초과하는 대기 제외
인간	직원 수 × 주당 40시간 가정
Figure 2 범위	직원 지시 대화형 세션과 하위 에이전트 합산

분석: 이 비율은 AI 작업의 규모를 보여줍니다. 그러나 에이전트 1시간과 인간 1시간의 가치가 같다는 뜻도, 직원 한 명이 여섯 명분의 성과를 냈다는 뜻도 아닙니다.

3.2. 여러 직군에서 산출량이 증가한다

엔지니어 1인당 코드 커밋은 6개월 전보다 5배 수준으로 증가했습니다. 이 밖에도 데이터 질의, 법률 계약 처리, 송장 처리, 영업 계약 성사 등의 증가가 제시됩니다. [pp.6–7]

여기서 중요한 것은 지표의 성격입니다.

• 코드 커밋 수는 구현 활동량의 지표입니다.
• 처리 계약 수는 법무 처리량의 지표입니다.
• 영업 계약 성사 수는 고객 확보 성과의 지표입니다.

분석: 서로 다른 업무의 산출 증가를 보여주지만, 비용·품질·위험을 모두 반영한 공통 생산성 지표는 아닙니다. 특히 코드 양의 증가가 곧바로 고객 가치나 수익 증가를 뜻하지는 않습니다.

3.3. 개인별 AI 도입 시점을 이용해 기여를 추정한다

연구는 회사 전체의 사업 호황을 AI 효과와 구별하기 위해, 도입자와 아직 도입하지 않은 직원의 변화를 비교합니다.

• 코딩 에이전트 도입 엔지니어: 192명.
• 연구 기간 중 미도입 엔지니어: 74명.
• 도입 시점: 월간 에이전트 세션이 처음 5회 이상이 된 달.
• 분석: 개인·달력 월 고정효과를 적용.
• 불확실성: 개인 단위로 군집화한 표준오차와 95% 신뢰구간 제시. [pp.7–8]

도입 이후 코드 추가량이 증가하는 패턴이 나타납니다.

분석: 단순한 도입 전후 평균 비교보다 설득력 있는 설계입니다. 동일인의 안정적인 특성과 같은 달의 공통 환경을 일부 통제하기 때문입니다.

그러나 도입은 무작위가 아닙니다. 큰 프로젝트를 앞둔 직원이 먼저 도구를 도입했을 수 있습니다. 실제로 완전자율 에이전트 도입자는 도입 전부터 산출량이 빠르게 증가하고 있었습니다. [p.9]

따라서 결론은 다음 범위가 적절합니다.

AI 도입 이후 산출 증가를 뒷받침하는 관측 증거가 있으나, 증가분 전체를 AI만의 효과로 확정할 수는 없다.

3.4. 코드 품질은 ‘일부 대리지표’로 검사했다

동일 직원·동일 월·동일 코드 디렉터리에서 사람이 직접 작성한 코드와 에이전트 작성 코드를 비교했습니다.

검사 지표에는 다음이 포함됩니다.

• 90일 이내 코드 삭제.
• 버그 수정에 따른 삭제.
• 커밋 전체 되돌리기.
• 린트 검사 억제 주석.
• 수정 필요 표시.
• 테스트 건너뛰기·재시도·실패 허용 표시. [p.8]

본문은 이후 삭제되거나 되돌려지는 비율에서 차이를 발견하지 못했다고 보고합니다. [p.9]

[확인 필요] 이를 “AI 코드와 인간 코드의 품질이 완전히 같다”로 확대할 수는 없습니다. 잠재 보안 취약점, 장기 유지보수성, 설계 적합성, 아직 발견되지 않은 결함까지 검증한 결과는 아닙니다.

3.5. 비개발 업무로도 효과가 확장되지만, 사례와 평균을 구별해야 한다

영업에서는 도입 이후 고객 계약 성사가 늘어나는 패턴을 제시합니다. 인터뷰에서는 다음 경험도 보고됩니다.

• 한 영업 담당자: 기존 업무의 약 20%를 자동화.
• 다른 담당자: 대면 활동에 집중하면서 접촉 가능한 고객이 30% 증가. [p.9]

이 수치는 각 인터뷰 참여자의 경험이지 영업 조직 전체의 평균 효과가 아닙니다.

Figure 5는 복잡한 Claude 활용이 많은 직무에서 초급 고용 증가가 낮은 관계를 보여줍니다. 다만 직무 단위의 기술적 상관관계이며, 높은 AI 활용 복잡도가 초급 고용 감소를 직접 유발했다는 인과 증명은 아닙니다. [pp.9–10]

 

4. Bottlenecks and process — 실행이 빨라질수록 사람의 검토·조정·맥락 관리가 중요해진다

근거: pp.9–15, Figures 6–8

4.1. 모델 성능 향상은 업무 기대 수준을 끌어올린다

새 모델 출시 이후, 이전 모델 기준으로 상위 10% 난이도에 해당하는 과제가 전체 세션에서 차지하는 비중은 10%에서 13%로 증가했다고 보고합니다. 난이도는 과제의 깊이·범위·관련 시스템 수 등을 Claude로 평가했습니다. [pp.10–11]

분석: 성능 개선의 효과는 기존 업무의 시간 단축에만 머물지 않습니다. 조직은 이전보다 어려운 일을 AI에 맡기고, 그 결과 직원에게 기대하는 업무 수준도 높아집니다.

다만 난이도는 자동 평가 결과이며, 인간의 실제 노력이나 사업적 가치와 동일한 지표는 아닙니다.

또한 업무 프로세스에 대한 긍정 응답은 2024년 말 44%, 2025년 11월 58%, 2026년 4월 75%로 제시되지만, 마지막 조사에서는 질문의 “가능한 한 최대한 생산적”이라는 조건이 완화되었습니다. 세 수치를 완전히 동일한 문항의 시계열로 읽어서는 안 됩니다. [p.10]

4.2. 새로운 병목은 생성 능력이 아니라 인간의 주의력이다

대화형 세션의 전체 경과시간 중 약 80%는 인간 입력을 기다리는 유휴시간으로 추정됩니다. [p.11]

이는 앞 장의 실행시간과 모순되지 않습니다.

• 앞 장은 여러 에이전트의 실행시간을 합산합니다.
• 이 장은 대화형 세션의 시작부터 종료까지 경과시간에서 대기를 살펴봅니다.

직원 입장에서는 여러 에이전트가 동시에 검토와 결정을 요구합니다. 문제는 각 요청이 비슷한 긴급도로 제시되어 사소한 확인과 중요한 위험을 구분하는 비용이 커진다는 데 있습니다.

Figure 6은 출력 토큰을 단어 수로 바꾸고, 토큰당 0.75단어·분당 250단어 읽기를 가정해 독해 시간을 추정합니다. 비기술 직군에서도 모든 출력을 읽는 데 주 근무시간의 절반 이상이 필요할 만큼 출력량이 늘었습니다. [pp.11–12]

주의: 이는 전부 읽었을 때의 추정 부담이며, 실제 직원이 그만큼 읽었다는 시간 사용 실측은 아닙니다.

4.3. ‘메타업무’가 새로운 업무 영역으로 커진다

보고서의 메타업무는 결과물을 직접 만드는 일이 아니라, 에이전트가 일을 잘하도록 작업 체계를 만드는 일입니다.

메타업무	구체적인 내용
지침 구축	상시 지침·스킬·업무 문서 작성
작업 설계	다중 에이전트 실행 명세와 계획 수립
검토 체계	다른 에이전트의 출력을 검토하는 절차 구성
운영 가시화	대시보드·모니터·파이프라인 구축

상시 지침은 2025년 7월 수백 개에서 1년 후 8,500개로 늘었습니다. 평균 직원의 대화형 Claude 세션에서 메타업무가 차지하는 비중은 2025년 가을 10%에서 2026년 봄 22%로 증가했습니다. [pp.11–13]

분석: 업무가 단순히 없어지는 것이 아니라, 업무 수행 체계를 설계하고 유지하는 활동으로 이동합니다. 이는 자동화의 성과를 가능하게 하는 투자이면서 동시에 새로운 운영 비용입니다.

[확인 필요] 22%는 근무시간 비중이 아닙니다. 한 줄짜리 채팅 요약 2,000건을 자동 분류해 추정한 세션 비중입니다. [p.13]

4.4. AI는 인간 간 협업을 없애지 않았다

캘린더 기록에서 중위 직원의 회의 시간은 전년보다 20% 늘었고, 기술직 개별 기여자에서도 16% 증가했습니다. [p.13]

한 대규모 부서의 Slack 분석에서는 에이전트 상호작용이 크게 늘었지만, 인간 간 커뮤니케이션의 구조와 밀도는 크게 바뀌지 않았습니다. 에이전트는 기존 인간 관계망을 대체하기보다 그 위에 추가되는 형태였습니다. [p.14]

분석: 구현을 자동화해도 다음 과제는 남습니다.

• 부서 간 우선순위 조정.
• 조직적·시스템적 문제 해결.
• 책임과 의사결정 권한의 합의.
• 고객·지원자와의 대인 상호작용.

회의 시간의 증가는 이러한 조정 수요와 일관되지만, 회사 성장과 직군 구성 변화의 영향도 있으므로 AI만의 결과로 단정할 수는 없습니다.

4.5. 업무 기록은 사람뿐 아니라 에이전트를 위한 운영 기반이 된다

회의에서 결정했더라도 기록이 없으면 에이전트는 이를 알 수 없습니다. 반대로 오래된 문서가 남아 있으면 이미 담당 업무가 바뀐 직원에게 계속 요청을 보낼 수 있습니다. [pp.14–15]

분석: 이 장이 보여주는 문제는 단순한 문서 부족이 아닙니다. 조직의 현재 상태와 에이전트가 읽는 상태 사이의 불일치입니다.

따라서 실무적으로는 문서량보다 다음이 중요하다는 시사점을 도출할 수 있습니다.

• 결정의 현재 유효성.
• 담당자 변경 반영.
• 폐기·대체된 지침 식별.
• 에이전트가 접근할 수 있는 최신 맥락.

다만 이러한 관리 항목은 분석상 권고이며, 보고서가 모두 구현됐다고 검증한 통제는 아닙니다. 또한 원문의 개방적 업무 문화가 무제한 정보 접근을 정당화하는 것은 아닙니다.

4.6. 채용 평가는 실행 기술보다 판단과 자율성을 더 강조한다

2024년 이후 채용된 수천 명의 면접 평가 기록을 자동 분석한 결과, AI 도구 활용 경험에 대한 언급이 증가했습니다.

• 기술직: 2024년 약 5%에서 2026년에는 그 세 배 수준.
• 비기술직: 약 7%에서 네 배 수준.
• 기술직에서는 자율성과 판단력에 대한 강조가 증가.
• 비기술직에서는 고객·미션 지향성이 증가.
• 전문영역 지식이나 실행 능력에 대한 언급의 상대적 비중은 감소. [p.15]

분석: 조직은 “정해진 작업을 얼마나 능숙하게 수행하는가”뿐 아니라, 무엇을 맡기고, 어떤 결과를 믿으며, 언제 개입할지를 판단하는 능력을 더 중시하게 됩니다.

다만 면접 평가에서의 언급 비중은 공식 채용 가중치나 입사 후 성과의 직접 측정치가 아닙니다. 전문지식이 불필요해졌다는 결론도 이 자료에서는 도출되지 않습니다.

 

5. What employers can do — 자동화 성과를 공유하고, 인력 전환을 조직적으로 관리해야 한다

근거: pp.15–18

이 장의 앞부분은 이전 결과를 재정리하므로 생략하고, 새로 제시되는 대응 방안과 한계만 분석합니다.

5.1. 자동화의 이익을 직원과 공유한다

보고서는 직원이 자신의 지식을 기계가 활용할 수 있도록 체계화하고, 기존 업무를 자동화하며, 높아진 기대 수준에 적응해야 한다면 그 성과에 대한 경제적 이해관계도 가져야 한다고 주장합니다. Anthropic에서는 폭넓은 주식 보유가 그 방식으로 제시됩니다. [p.17]

분석: 이는 보상에 대한 부가적 논의가 아니라, 자동화 참여의 유인에 관한 주장입니다. 자동화에 기여할수록 자신의 자리가 불안해진다면 직원이 적극적으로 지식과 업무 방식을 공개할 이유가 약해질 수 있습니다.

다만 저자들도 기업가치가 크게 상승한 회사의 주식 보상 방식을 모든 기업에 그대로 적용하기 어렵다고 인정합니다. 일반화 가능한 원칙은 성과 공유이며, 수단이 반드시 주식일 필요는 없습니다.

5.2. 직무 변화 조기경보를 구축한다

Anthropic은 직무 수준의 수요·생산성 지표를 AI 역량·활용 수준과 함께 살펴보는 상시 조기경보 체계를 구축 중이라고 설명합니다. [p.17]

목적은 변화가 발생한 뒤 대응하는 것이 아니라, 업무가 이동하는 영역을 파악해 직원의 기술과 맞는 다른 직무를 탐색하는 것입니다.

[확인 필요] 문서는 조기경보의 방향을 제시하지만, 구체적인 지표 정의·임계값·예측 성능·오경보율·재배치 성과를 공개하지 않습니다. 따라서 검증된 완성형 제도로 평가할 수는 없습니다.

5.3. 내부 재배치를 우선하되, 비용과 부작용도 인정한다

저자들은 새로 필요한 업무를 매번 외부 채용으로 충당하기보다 기존 직원의 내부 이동을 지원할 필요가 있다고 주장합니다. [pp.17–18]

이 접근은 AI 활용의 목적에도 영향을 줄 수 있습니다.

• 인건비 절감만 목표로 하면 기존 업무의 대체에 집중하기 쉽습니다.
• 인력 유지와 재배치를 함께 고려하면 새로운 제품·시장·업무를 찾도록 유도할 수 있습니다.

그러나 보고서는 재배치 약속이 항상 무비용·무조건적인 해법이라고 주장하지 않습니다.

• 기업의 인력 유지 비용이 커질 수 있음.
• 신규 채용에 더 신중해질 수 있음.
• 다른 기업으로 이동하는 편이 더 생산적인 경우도 있음. [p.18]

분석: 내부 재배치는 고용 보호와 조직 적응력을 함께 추구하는 전략이지만, 노동시장 전체의 최적 배치를 자동으로 보장하지는 않습니다.

5.4. 재직자 보호는 신규 진입자의 문제를 해결하지 못한다

마지막 문단은 보고서의 중요한 정책적 한계를 분명히 합니다.

이미 고용된 사람을 보호하는 제도는, 애초에 채용되지 않은 사람에게는 도움이 되지 않는다. [p.18, 취지 번역]

따라서 성과 공유와 재배치만으로 초급 채용 둔화를 해결할 수는 없습니다. 저자들은 기업의 대응에 더해 재훈련·소득 지원 등 정부 정책이 필요하다고 주장합니다.

분석: 이 장의 정책 대상은 구분해야 합니다.

• 재직자: 변화한 업무로의 전환과 성과 배분.
• 노동시장 신규 진입자: 최초 고용 기회와 경력 형성 경로.

이 구분을 하지 않으면, 기업 내부 전환이 성공했다는 사실만으로 노동시장 전체의 문제가 해결됐다고 오해하게 됩니다.

 

종합 해석 — ‘실행의 자동화’와 ‘판단력의 형성’ 사이에 긴장이 생긴다

이 보고서에서 도출되는 중요한 추가 질문은 다음입니다.

기업은 더 많은 자율성과 판단력을 요구하는데, 그 역량을 쌓아 온 초급 실행 업무는 줄어든다면 미래의 숙련 인력은 어떻게 길러지는가?

보고서는 일부 직원이 원래 자신의 기술을 형성했던 직접 수행 업무에서 점차 멀어진다고 지적하지만, 장기적인 숙련 형성 문제를 실증적으로 해결하지는 않습니다. [p.16]

따라서 교육·인력개발 관점의 후속 과제는 단순한 AI 사용법 교육을 넘어섭니다. AI가 수행한 결과를 평가할 능력, 예외 상황에서 직접 개입할 능력, 책임 있는 판단에 필요한 경험을 어떤 업무와 훈련으로 확보할지를 별도로 설계해야 합니다. 이는 보고서의 측정 결과가 아니라, 관측된 변화에서 도출한 실무적 시사점입니다.

출처: 첨부 PDF, How Employment is Changing at Anthropic, 본문 pp.2–18, Figures 1–8. pp.19–20은 인용 안내·감사의 글·참고문헌이며 별도 분석 챕터에서 제외했습니다.