가속과 불평등의 두 얼굴: 코딩 에이전트가 사회과학에 남긴 신호
Anthropic이 사회과학자 1,260명을 대상으로 한 서베이(2026년 2~3월)를 공개했다. 챗봇과 달리 분석을 직접 실행·해석·반복하는 "코딩 에이전트"가 연구를 어떻게 바꾸는지를 추적한 첫 실증 리포트다. 이 글에서는 매일 Claude Code를 쓰는 개발자의 시선으로 5개 인사이트를 정리한다.
인사이트 1: 에이전트는 챗봇이 아니다 — 시도는 81%, 상시 사용은 20%
응답자의 81%가 연구에 생성형 AI를 써봤지만, 코딩 에이전트를 정기적으로(주 1회 이상) 쓰는 사람은 20%에 불과하다. 사용자 중 86%가 Claude Code를 쓴다.
써본 81%와 매일 쓰는 20% 사이의 간극은 도구 성능 문제가 아니라 "실행을 통째로 맡겨도 되나"라는 신뢰의 문제다. 매일 써보면 안다 — 막히는 지점은 거기서 갈린다.
인사이트 2: 채택이 극도로 불균등하다 — 그것도 일반 AI보다 더 가파르게
남성 이름 연구자의 코딩 에이전트 사용률은 여성 이름의 2배가 넘고, 상위 25개 대학 연구자는 40% 더 많이 쓴다. 박사과정·포닥은 주 1회 이상 사용이 25%인 반면 종신교수는 그 절반 이하다. 이 격차는 일반 AI 사용 격차보다 크다.
국내 개발·연구 커뮤니티에서도 에이전트형 도구는 아직 얼리어답터 중심으로 보인다(체감). 초기 커리어가 종신교수의 2배로 쓴다는 건 주니어에게 흔치 않은 구조적 역전이다. 지금 잡아두면 드문 선점이 된다.
인사이트 3: 에이전트는 '글'이 아니라 '코드'에 쓰인다
코딩 에이전트 사용자의 97%가 분석 코드 생성에 쓴다(다른 AI 사용자는 77%). 산문 편집이 그다음이고, 글 초안 작성은 경제학·경영학을 빼면 소수 관행이다.
에이전트가 글보다 코드에서 빛나는 이유는 코드가 실행되고 검증되기 때문이다. 검증 루프가 있는 일에 AI를 붙여야 한다 — 정답이 즉시 돌아오지 않는 작업일수록 사람 몫이 남는다.
인사이트 4: 앞단은 가속, 뒷단은 정체
코딩 에이전트 사용자는 시작한 프로젝트가 약 25% 많고 워킹페이퍼를 약 50% 더 올렸다. 그러나 저널에 새 논문을 더 많이 제출했다는 증거는 없다. (선택 효과를 배제할 수 없는 기술적 비교다.)
시작이 쉬워질수록 '시작만 한 것'이 쌓인다. 워킹페이퍼 +50%에도 저널 제출이 그대로인 게 그 증거다. 결국 평가받는 건 완성이라는 걸, 주니어로서 더 경계하게 된다.
인사이트 5: 개인 생산성엔 낙관(88%), 분야 전체엔 회의(70% 격차)
88%가 AI의 논문 생산성 기여에 낙관적(10점 척도 중앙값 초과)이지만, 70%는 분야 전체 영향보다 자기 논문 생산성에 더 낙관적이다. 즉 개인엔 기대, 분야엔 우려가 공존한다.
쓰는 사람일수록 낙관이 큰 건 효용을 직접 봤기 때문이다. 분야 전체에 대한 회의는, 정작 안 써본 쪽의 막연한 불안일 수도 있다고 본다.
코딩 에이전트는 연구의 '시작'을 분명히 앞당겼다. 다만 그 가속이 완성과 분야의 건강으로 이어질지는 아직 데이터가 답하지 못한다. 도구를 매일 쥔 사람으로서, 나는 '시작'이 아니라 '완성'에서 갈릴 거라고 본다.
원문 전문 번역 (참고용)
AI 코딩 에이전트는 우리가 경제와 사회를 연구하는 방식을 어떻게 바꾸고 있나?
코딩 에이전트는 챗봇으로부터의 급진적 단절이다. 연구 아이디어와 데이터셋을 받아 스스로 분석을 작성·실행하고, 결과를 해석하며, 사람의 개입 없이 반복할 수 있다. 실증 연구에서 처음으로, 그동안 "축소 불가능한 인간의 단계"로 여겨지던 작업이 자동화될 수 있게 되었다.
잠재적 이득은 분명하다. 과학의 가속, 더 값싸고 풍부한 발견, 더 과감한 연구다. 그러나 위험도 따른다. 연구 격차의 증폭, 학술 기록의 혼잡, 그리고 AI의 분석적 선택이 우리가 경제와 사회를 집단적으로 이해하는 방식을 형성할 가능성이다. 지금까지 논쟁은 주로 글쓰기 보조에 집중됐지만, 코딩 에이전트는 연구의 구조 자체를 더 근본적으로 재편할 수 있다.
이를 살피기 위해 우리는 2026년 2~3월에 정량 사회과학자 1,260명을 서베이했다. 전체의 81%가 연구를 돕기 위해 AI 챗봇을 써봤지만, 코딩 에이전트를 정기적으로(주 1회 이상) 쓰는 사람은 20%에 그쳤다. 이 서베이는 더 큰 진행형 연구의 기준선(baseline) 웨이브이며, 응답자는 Claude Max 접근권을 제공하는 연구에 자기선택으로 참여했다(AI에 호의적인 쪽으로 표본 편향이 있다).
표본 구성
대표 표본은 아니다. AI에 관심 있는 연구자 쪽으로 모집 편향이 있다. 분야는 경제학·정치학·사회학이 각각 약 20%로 비교적 고르게 분포하고, 경영과학과 심리학이 그 뒤를 잇는다. 공중보건·교육·커뮤니케이션은 소수다. 커리어 단계로는 정교수·부교수가 약 40%, 조교수가 약 25%, 박사과정생이 약 30%다.
코딩 에이전트는 아직 대다수 사회과학자에게 도달하지 않았다
일반 AI 챗봇 사용과 통합된 코딩 에이전트 채택 사이에는 분명한 차이가 있다. 사용자 사이에서는 Claude Code가 지배적 도구다(86%). 두 번째는 Codex(31%)이고, Cursor와 Google Antigravity도 언급된다. 서베이는 Claude Code 출시 한 달 뒤, OpenAI의 Codex 앱 이전에 진행돼 커맨드라인 도구에 초점이 맞춰졌다. 후속 확인 질문으로 응답자가 실제로 해당 도구를 썼는지 검증했다.
채택은 매우 불균등하다
분야별 편차가 날카롭다 — 채택 기울기가 일반 AI 사용보다 가파르다. 경제학 39%, 정치학 25%인 반면 공중보건 6%, 교육 4%, 커뮤니케이션 6%다. 초기 커리어 연구자가 채택을 이끈다(더 기술 친화적이고, 코드·데이터를 직접 다루며, 커리어 압박이 크다). 박사과정·포닥은 주 1회 이상 사용이 25%를 갓 넘고, 종신교수는 그 절반 이하다.
채택 차이는 분야와 커리어 단계를 넘어선다
성별 격차가 일반 AI 사용 격차를 상당히 웃돈다. 남성 이름 연구자는 여성 이름 연구자의 2배가 넘는 비율로 코딩 에이전트를 쓴다. 지위가 높은 사립대학에서 채택이 눈에 띄게 높다 — 상위 대학 연구자는 40% 더 많이 쓴다(상위 25개 대학은 Nature Index 선도기관 기준). 이 격차는 AI를 이미 써본 사람들 사이에서도 유지되고, 분야와 커리어 단계를 통제해도 성별 격차가 남는다. 모든 차이는 p<0.05 수준에서 유의하다.
연구자들은 AI를 주로 코딩과 편집에 쓴다, 글쓰기가 아니라
"AI 글쓰기가 주 용도"라는 통념은 증거와 어긋난다. 모든 집단에서 코드 생성이 지배적 용도다 — 코딩 에이전트 사용자 97%, 다른 AI 사용자 77%. 산문 편집이 두 번째로 흔하고, 방법론 자문·배경 조사가 세 번째 층위다. 글 초안 작성은 소수 관행으로, 주로 경제학·경영학 연구자에게서 나타난다. 응답자는 복수 용도를 선택할 수 있었다.
코딩 에이전트 사용자는 워킹페이퍼를 더 많이 올리고 그랜트를 더 많이 보내지만, 저널엔 더 내지 않는다
이 비교는 순전히 기술적(descriptive)이며 선택 효과를 배제할 수 없다. 코딩 에이전트 사용자는 시작한 프로젝트가 비사용자보다 약 25% 많고, 올린 워킹페이퍼가 약 50% 많다(지표에 따라 10%에서 75%까지). 그랜트 제출도 더 많고, 학회 제출도 더 많을 가능성이 시사된다. 그러나 저널에 새 논문을 더 많이 제출했다는 증거는 없다. 이는 단순한 시차일 수도, 코딩 에이전트가 정제보다 프로젝트 착수에 강하기 때문일 수도 있다. 이 데이터만으로 인과를 단정할 수 없다. (6개월 회상 기간, 자기보고, 커리어 단계·분야·응답 주차를 통제한 추정치, 강건 표준오차 기반 95% 신뢰구간.)
연구자들은 AI가 생산성을 높일 것으로 기대하지만, 사회과학 전체를 개선할지엔 덜 확신한다
좁은 논문 생산성에 대한 낙관과 분야 수준 영향에 대한 낙관 사이에 분명한 간극이 있다. 88%가 논문 생산성에 대해 10점 척도 중앙값(5)을 넘는 낙관을 보였고, 50%는 8점 이상이었다. 그러나 70%는 분야 전체 영향보다 자기 논문 생산성에 더 낙관적이다. 분야 영향에 더 낙관적인 연구자는 드물고, 오히려 더 비관적인 쪽이 많다. AI 사용자는 비사용자보다, 코딩 에이전트 사용자는 그중에서도 더 낙관적이다. 우려의 핵심은 논문 혼잡과 관심 경쟁, 선택적 보고 문제의 악화, 위험 회피적·점진적 연구의 가속이다.
논의(Discussion)
코딩 에이전트 사용자는 더 많은 워킹페이퍼·그랜트·프로젝트 착수를 보이지만 인과는 불분명하다. 초기 채택은 초기 커리어, 남성, 상위 대학 쪽으로 기울어 있고, 코딩 에이전트 격차는 일반 LLM 격차보다 가파르다. 연구자들은 당장의 이득(논문 생산성)이 분야 수준의 비용을 동반할 수 있다고 우려한다. 관찰된 생산성 차이는 도구의 효과가 아니라 초기 채택자들의 사전 차이를 반영한 것일 수 있다.
한계도 명시된다. (1) AI 연구를 위해 모집된 정량 연구자 대상의 자기선택 이메일 서베이이고, (2) 응답자는 비응답자보다 더 헤비한 사용자이자 더 낙관적일 가능성이 크며, (3) 초기 생산성 차이는 기술적으로만 해석돼야 하고, (4) 초기 채택자는 측정되지 않은 방식으로 더 생산적일 수 있으며, (5) 양만 측정했을 뿐 연구 산출물의 질은 측정하지 못했다. 후속 작업으로 깨끗한 비교군을 갖춘 무작위 실험과 내용·질 평가가 예고됐다.
저자 및 참고문헌
저자: Thomas Lyttelton, Maxim Massenkoff, Nathan Wilmers.
주요 참고문헌: Alvero 외(2026), "Generative AI in Sociological Research", Sociological Science; Korinek(2025), "AI agents for economic research", NBER WP w34202; Liang 외(2025), "Quantifying large language model usage in scientific papers", Nature Human Behaviour; Lu 외(2026), "Towards end-to-end automation of AI research", Nature; Wilmers & Engzell(2026), "The Paper Factory", SocArXiv.
