이 논문은 2025년 10월부터 2026년 4월까지 약 40만 건의 Claude Code 세션을 분석하여, Agentic coding 환경에서의 인간-AI 협업 패턴, 도메인 전문성의 역할, 그리고 그에 따른 경제적 시사점을 심층적으로 다룹니다.

핵심 방법론 (Core Methodology)

본 연구는 익명화된 세션 데이터를 기반으로, LLM을 활용한 대규모 분석 프레임워크를 구축했습니다.

1. Decision Attribution Classifier: 세션 내의 의미 있는 결정을 'Planning'(무엇을 할 것인가)과 'Execution'(어떻게 할 것인가)으로 분류합니다. 각 세션별로 사용자(User)와 Claude가 기여한 결정의 비율을 계산하여 업무 분담 구조를 수치화했습니다.
2. Expertise Classifier: 사용자의 지시 정밀도, 검증 요청 방식, 교정 주체(사용자가 AI를 교정하는지, 그 반대인지)를 기반으로 사용자의 숙련도를 5단계 척도로 평가합니다.
3. Success Attribution: 'Judged Success'(모델이 Transcript를 분석하여 판단)와 'Verified Success'(git commit, 테스트 통과 등 하드 데이터 존재 여부)를 결합하여 성공 여부를 정량화했습니다.
4. Task Value Estimation: 실제 프리랜서 채용 플랫폼의 데이터를 기반으로 각 세션의 경제적 가치를 추정하는 모델을 적용했습니다.

주요 발견 (Key Findings)

• 업무 분담(Division of Labor): 일반적인 세션에서 사용자는 Planning 결정의 약 70%를 담당하며, Claude는 Execution 결정의 약 80%를 수행합니다. 이는 인간이 의사결정의 방향을 잡고, AI가 구현을 전담하는 체계가 정착되었음을 의미합니다.
• 전문성의 가치(Returns to Expertise): 도메인 전문성이 높을수록 세션당 성공 확률이 높으며, 특히 전문가일수록 Claude가 더 많은 액션(평균 12개 vs 5개)과 더 많은 결과물(약 5배 많은 텍스트 출력)을 생성합니다. 전문가는 문제 해결 과정에서 Claude를 더 효율적으로 조율하며, 실패 상황에서의 포기율(Abandonment Rate)도 초보자(19%)에 비해 훨씬 낮은 5~7% 수준입니다.
• 직군 간 격차 완화: 코딩 전문 직군과 비코딩 직군 간의 성공률 격차는 매우 작으며(약 7% 이내), 이는 Agentic coding 도구가 코딩 기술 자체보다 '문제를 이해하는 능력(Domain Expertise)'을 더 중요하게 만들고 있음을 시사합니다.
• 작업의 변화: 7개월의 관찰 기간 동안 코드 수정(Debugging) 비율은 절반으로 감소한 반면, 데이터 분석, 문서 작성, 소프트웨어 운영 등 고차원적인 작업 비중이 증가했습니다.

결론

Agentic coding은 기술적 구현(Implementation) 업무를 자동화하고 있으나, 특정 분야에 대한 이해와 판단력을 갖춘 도메인 전문가의 가치를 대체하기보다는 오히려 그들의 생산성을 증폭(Amplify)시키고 있습니다. 이러한 현상은 향후 노동 시장에서 코딩 전문성보다 문제 해결을 위한 도메인 지식과 이를 AI에 효과적으로 전달하는 능력(Steering)이 더 높은 보상을 받게 될 것임을 암시합니다.