---

🎧 Voice Briefing

📅 *Generated: 2026. 5. 20.

---

카르파티의 Anthropic 합류가 Claude Code에 던지는 진짜 신호

AI 업계 뉴스는 보통 이렇게 소비된다.

“누가 어느 회사로 갔다.”

하지만 안드레이 카르파티가 Anthropic에 합류했다는 소식은 단순한 이직 뉴스로 보기 어렵다.¹ 이 사건이 흥미로운 이유는 카르파티라는 이름값 때문만이 아니다. 그가 지난 몇 년간 공개적으로 말해온 방향과, Anthropic이 Claude Code를 통해 밀고 있는 제품 방향이 거의 같은 문장으로 수렴하고 있기 때문이다.

앞으로의 AI 경쟁은 “누가 더 똑똑한 모델을 만들었는가”에서 끝나지 않는다.

진짜 경쟁은 “그 모델이 실제 일을 하도록 어떤 환경을 만들었는가”로 이동한다.

이게 이번 사건의 핵심이다.

I - 모델은 중요하다. 그러나 모델만으로는 제품이 아니다

우리는 여전히 AI를 벤치마크 순위로 말한다.

GPT가 더 좋은가, Claude가 더 좋은가, Gemini가 더 좋은가. 어떤 모델이 수학을 더 잘 풀고, 어떤 모델이 코드를 더 잘 짜고, 어떤 모델이 긴 문서를 더 잘 읽는가.

물론 모델은 중요하다. 하지만 실제 업무에서 AI의 가치를 결정하는 것은 모델 하나가 아니다.

같은 모델을 써도 어떤 사람은 10분 만에 쓸 만한 결과를 만들고, 어떤 사람은 한 시간 동안 같은 설명을 반복한다. 차이는 모델이 아니라 모델을 둘러싼 작업 환경에서 생긴다.

Claude Code, Codex, MCP, 스킬, 서브에이전트, hooks, 프로젝트 메모리, AGENTS.md, CLAUDE.md, 예시 파일, 스타일 가이드, 폴더 구조.

이 모든 것이 모델의 “래퍼(wrapper)”다.

예전에는 래퍼라는 말이 얕은 응용 서비스라는 뜻으로 쓰였다. 이제는 다르다. 래퍼가 곧 제품이 되고 있다.

II - 카르파티가 말한 것은 프롬프트가 아니라 컨텍스트였다

카르파티는 “vibe coding”이라는 말을 퍼뜨린 인물로 자주 언급된다. 자연어로 원하는 것을 설명하고, AI가 코드를 쓰게 하고, 사용자는 방향을 잡고 반복한다는 감각이다.

하지만 더 중요한 단어는 따로 있다.

컨텍스트 엔지니어링(context engineering).

프롬프트 엔지니어링이 “한 번의 질문을 어떻게 잘 쓰는가”라면, 컨텍스트 엔지니어링은 “AI가 계속 좋은 판단을 하도록 어떤 환경을 만들어둘 것인가”에 가깝다.

이 차이는 작아 보이지만 실제로는 크다.

새 채팅창을 열고 “내 사업을 도와줘”라고 말하면 AI는 추측한다. 사용자는 배경을 설명하고, 기준을 설명하고, 예외를 설명하고, 결국 이전에 열 번 말했던 내용을 다시 말한다.

반대로 AI에게 내 문서, 회의록, 예시, 실패 사례, 판단 기준, 업무 순서를 주면 결과가 달라진다. 같은 모델이어도 훨씬 덜 추측하고, 훨씬 더 나에게 맞는 답을 낸다.

카르파티가 공개적으로 보여준 LLM Wiki 같은 실험도 같은 방향을 가리킨다. 원자료를 그냥 쌓아두는 것이 아니라, AI가 읽고 연결하고 재구성해서 살아 있는 지식 기반으로 바꾸는 방식이다.

개인과 조직의 데이터 해자는 거창한 데이터베이스에서만 생기지 않는다.

회의록, 수업 자료, 고객 상담 기록, 내부 절차서, 자주 쓰는 표현, 판단 기준, 실패했던 프로젝트의 회고. 이런 것들이 AI가 읽을 수 있는 맥락으로 정리될 때, 그때부터 AI는 범용 챗봇이 아니라 내 일을 아는 도구가 된다.

III - Claude Code가 강한 이유는 코딩 도구라서가 아니다

Claude Code를 단순히 “코드 작성 도구”로 보면 절반만 본 것이다.

진짜 강점은 코드 작성 자체보다 작업 환경을 읽고, 파일을 수정하고, 지침을 따르고, 반복 검증을 수행하는 흐름에 있다.

flowchart TD
    A[사용자의 목표] --> B[프로젝트 문맥 읽기]
    B --> C[지침 파일과 예시 확인]
    C --> D[코드 또는 문서 수정]
    D --> E[테스트와 검증]
    E --> F{완료 조건 충족?}
    F -- 아니오 --> B
    F -- 예 --> G[결과 보고]

이 흐름은 챗봇의 흐름이 아니다. 업무자의 흐름이다.

한 번 묻고 한 번 답하는 인터페이스가 아니라, 목표를 받고 조건이 맞을 때까지 움직이는 인터페이스다. 그래서 /goal류의 명령, 에이전트 루프, 자동 연구 루프, 검증 루프가 중요해진다.

AI가 진짜 일을 하려면 세 가지가 필요하다.

요소	의미	제품에서의 형태
맥락	무엇을 기준으로 판단할지	문서, 메모리, 예시, 스타일 가이드
도구	실제로 무엇을 실행할지	파일 수정, 검색, MCP, 외부 API
검증	언제 끝났다고 볼지	테스트, 리뷰, 완료 조건, 지표

모델 하나만으로는 이 세 가지가 완성되지 않는다. 그래서 Anthropic이 Claude Code, Skills, MCP, 기업 도입 지원을 함께 밀고 있는 것이 중요하다.

IV - Anthropic은 모델 회사에서 업무 인프라 회사로 이동 중이다

최근 신호도 이 방향과 맞물린다.

Ramp의 AI Index에 따르면, Ramp 고객 기반에서는 Anthropic이 비즈니스 AI 도입률에서 OpenAI를 처음 앞섰다. 수치는 Anthropic 34.4%, OpenAI 32.3%로 보고됐다.²

이 데이터는 조심해서 읽어야 한다. Ramp 고객군이라는 특정 표본이고, OpenAI의 소비자 브랜드와 대형 엔터프라이즈 계약 전체를 대표하지 않는다.

그럼에도 신호는 분명하다. 기업 사용자는 점점 “가장 유명한 챗봇”이 아니라 “우리 업무에 실제로 들어오는 AI”를 찾고 있다.

Anthropic이 Blackstone, Hellman & Friedman, Goldman Sachs와 함께 기업용 AI 서비스 회사를 만들겠다고 발표한 것도 같은 맥락이다.³ 모델을 만들고, 제품 표면을 만들고, 파트너 네트워크를 만들고, 이제 실제 도입을 돕는 서비스 계층까지 붙이는 것이다.

이건 “모델 API를 열어두었으니 알아서 쓰세요”와 다른 게임이다.

V - 앞으로 Claude Code에서 벌어질 가능성

여기부터는 예측이다. 내부 정보를 아는 것은 아니다. 다만 카르파티가 공개적으로 해온 작업과 Anthropic의 제품 방향을 함께 놓고 보면 몇 가지 흐름은 꽤 자연스럽다.

첫째, 컨텍스트의 앱스토어화다.

프롬프트 마켓플레이스가 아니라, 업무별 스킬, 프로젝트 메모리, 평가 루프, 도메인별 예시, 커넥터, 완료 조건 패키지가 거래되는 형태다.

예를 들어 회계 마감 업무, 부동산 매물 검토, 유튜브 콘텐츠 기획, 학교 행정 문서 작성처럼 특정 직무의 암묵지가 담긴 “작업 환경 패키지”가 생길 수 있다.

둘째, 목표 기반 명령의 세분화다.

“이 코드를 고쳐줘”가 아니라 “테스트가 통과할 때까지 디버그해줘.”

“이 자료를 요약해줘”가 아니라 “이 주제에 대해 반박 가능한 수준의 리서치 브리프를 완성해줘.”

“블로그 글을 써줘”가 아니라 “내 기존 문체와 독자 반응 기준에 맞춰 발행 가능한 초안을 만들어줘.”

명령의 단위가 작업에서 목표로 바뀐다.

셋째, 교육 레이어의 강화다.

카르파티는 어려운 기술을 사람들이 이해 가능한 형태로 바꾸는 데 탁월한 사람이다. Anthropic 입장에서는 이것이 중요하다. 다음 단계의 병목은 모델 성능만이 아니라, 사람들이 자신의 업무를 AI가 이해할 수 있는 형태로 포장하는 능력이기 때문이다.

AI 도입 실패의 상당수는 기술 접근권이 없어서가 아니라, 업무 맥락을 정리하지 못해서 발생한다.

도구는 있는데, 무엇을 맡겨야 할지 모른다. 파일은 있는데, 어떤 기준으로 읽어야 할지 정리되어 있지 않다. 자동화하고 싶지만, 완료 조건을 말하지 못한다.

이 격차를 줄이는 교육 레이어가 Claude 생태계 안에 들어온다면, Claude Code는 개발자 도구를 넘어 “업무를 패키징하는 플랫폼”으로 확장될 수 있다.

VI - 교사와 크리에이터에게 더 중요한 질문

나는 이 흐름을 보며 교육 현장을 떠올린다.

AI 시대에 학생에게 코드를 외우게 하는 것은 점점 덜 중요해진다. 대신 더 중요해지는 능력은 이것이다.

자신이 아는 것을 AI가 일할 수 있는 형태로 설명하는 능력.

교사의 수업 노하우도 마찬가지다. 좋은 수업은 감으로만 이루어지지 않는다. 도입에서 무엇을 묻는지, 어디서 오개념이 생기는지, 어떤 예시가 학생의 눈을 뜨게 하는지, 언제 활동을 멈추고 정리해야 하는지 같은 판단이 들어 있다.

이것을 문서화하지 않으면 AI는 도울 수 없다. 반대로 이것을 정리하면 AI는 교사의 반복 업무를 줄이고, 자료 제작을 보조하고, 피드백 초안을 만들고, 수업 설계를 함께 점검할 수 있다.

기업도, 학교도, 개인 크리에이터도 결국 같은 질문 앞에 선다.

내 머릿속의 암묵지를 AI가 쓸 수 있는 작업 환경으로 바꿀 수 있는가?

이 질문에 답하는 사람이 다음 단계의 AI를 가장 잘 쓰게 된다.

결론 - 카르파티 합류는 헤드라인이 아니라 로드맵이다

카르파티가 Anthropic에 합류했다는 사실 자체보다 중요한 것은 그 방향이다.

모델은 계속 좋아질 것이다. 하지만 모델 성능이 올라갈수록 차이는 오히려 모델 밖에서 난다.

누가 더 좋은 맥락을 만들었는가.

누가 더 좋은 워크플로를 만들었는가.

누가 완료 조건을 더 잘 정의했는가.

누가 자기 분야의 암묵지를 AI가 실행 가능한 형태로 바꿨는가.

이제 AI 활용의 핵심은 “좋은 질문”을 넘어선다.

좋은 질문을 계속 좋은 결과로 이어지게 만드는 환경. 그것이 다음 경쟁력이다.

이 글을 읽고 생각해볼 질문

1. 내 업무에서 AI가 계속 같은 설명을 요구하는 지점은 어디인가?

2. 내가 가진 문서와 예시는 AI가 바로 사용할 수 있는 구조로 정리되어 있는가?

3. 내 분야의 암묵지를 스킬, 체크리스트, 예시, 완료 조건으로 패키징한다면 무엇부터 만들 수 있을까?

좋은 모델을 고르는 일도 중요하다. 하지만 이제는 그보다 한 단계 더 물어야 한다.

나는 내 일을 AI가 일할 수 있는 환경으로 만들고 있는가?

---

Footnotes

1. Axios, “OpenAI co-founder Andrej Karpathy joins Anthropic,” 2026-05-19. https://www.axios.com/2026/05/19/anthropic-openai-karpathy-andrej-claude ↩

2. Axios, “Anthropic overtakes OpenAI in workplace AI adoption,” 2026-05-13. https://www.axios.com/2026/05/13/anthropic-openai-workplace-ai-adoption ↩

3. Anthropic, “Building a new enterprise AI services company with Blackstone, Hellman & Friedman, and Goldman Sachs,” 2026-05. https://www.anthropic.com/news/enterprise-ai-services-company ↩