> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# Anthropic 동향 분석

> 이 문서는 **[AI 동향](/ai-trends/overview)** 섹션의 일부입니다.

## 개요

Anthropic은 2021년 OpenAI 출신 Dario Amodei, Daniela Amodei 형제가 설립한 AI 안전성 연구 기업으로, **"AI의 안전한 발전"** 이라는 미션 아래 세계에서 가장 강력한 AI 모델 중 하나인 Claude를 개발하고 있습니다. 2026년 현재, Anthropic은 단순한 모델 제공자를 넘어 **AI Agent 생태계의 표준을 정의하는 플랫폼 기업** 으로 성장했습니다.

이 문서는 Anthropic의 모델 진화, 핵심 제품, 생태계 전략, 안전성 연구, 비즈니스 현황을 종합적으로 분석합니다.

> **참고**
> **이 문서의 범위**: 2024년 하반기부터 2026년 초까지의 Anthropic 동향을 다룹니다. Agent 설계 패턴, MCP 기술 상세, Claude Code 활용법 등은 별도의 전문 가이드([Anthropic AI Agent 전략](../guides/genai-concepts/agent-landscape/anthropic), [MCP 가이드](../guides/mcp/README))를 참고하세요.

***

## 1. Claude 모델 계보: 1세대부터 4.6까지

### 왜 모델 계보가 중요한가

AI 모델의 진화 과정을 이해하면, 각 세대가 **어떤 한계를 극복하기 위해** 등장했는지 파악할 수 있습니다. 이는 적절한 모델 선택과 향후 방향 예측에 필수적입니다.

### 전체 타임라인

아래 표는 Claude 모델 패밀리의 전체 진화 과정을 정리한 것입니다. 세대가 올라갈수록 컨텍스트 윈도우, 추론 능력, 도구 사용 능력이 비약적으로 향상되었음을 확인할 수 있습니다.

| 세대        | 모델                   | 출시 시기   |  컨텍스트 윈도우 | 핵심 혁신                      |
| --------- | -------------------- | ------- | :-------: | -------------------------- |
| **1세대**   | Claude 1             | 2023.03 | 9K → 100K | 최초 공개, 긴 컨텍스트의 시작          |
| **2세대**   | Claude 2             | 2023.07 |    100K   | 코딩 능력 향상, Claude.ai 출시     |
|           | Claude 2.1           | 2023.11 |    200K   | 2배 컨텍스트, 도구 사용(Beta)       |
| **3세대**   | Claude 3 Haiku       | 2024.03 |    200K   | 초경량 모델, 최저 비용              |
|           | Claude 3 Sonnet      | 2024.03 |    200K   | 균형잡힌 성능/비용                 |
|           | Claude 3 Opus        | 2024.03 |    200K   | 당시 최강 모델, GPT-4 대항마        |
| **3.5세대** | Claude 3.5 Sonnet    | 2024.06 |    200K   | Opus급 성능을 Sonnet 가격으로      |
|           | Claude 3.5 Sonnet v2 | 2024.10 |    200K   | Computer Use 지원, 코딩 강화     |
|           | Claude 3.5 Haiku     | 2024.11 |    200K   | 3 Sonnet급 성능을 Haiku 가격으로   |
| **4세대**   | Claude Sonnet 4      | 2025.05 |    200K   | 정직성 향상, 코딩 최적화             |
|           | Claude Opus 4        | 2025.05 |    200K   | 7시간 자율 작업, SWE-bench 72.5% |
| **4.5세대** | Claude Sonnet 4.5    | 2025 H2 | 200K → 1M | 하이브리드 추론, 비용 효율            |
|           | Claude Opus 4.5      | 2025 H2 |     1M    | 강화된 추론                     |
| **4.6세대** | Claude Opus 4.6      | 2026 초  |     1M    | 현재 최신 플래그십 모델              |

각 세대 전환에서 일어난 핵심 변화는 단순한 벤치마크 점수 향상이 아니라, **모델이 할 수 있는 일의 범주 자체가 확장** 되었다는 점입니다.

### 1세대 \~ 2세대: 기초 확립 (2023)

Claude 1과 2 세대는 Anthropic의 **Constitutional AI(CAI)** 방법론을 최초로 적용한 모델입니다.

| 혁신                    | 설명                                                          |
| --------------------- | ----------------------------------------------------------- |
| **Constitutional AI** | 사람의 피드백(RLHF) 대신 AI 자체가 헌법(원칙)에 따라 스스로의 출력을 평가하고 개선하는 학습 방식 |
| **긴 컨텍스트**            | Claude 1.3에서 100K 토큰 달성 (당시 GPT-4는 8K\~32K)                 |
| **200K 컨텍스트**         | Claude 2.1에서 200K 토큰 달성, 약 500페이지 분량의 텍스트를 한 번에 처리          |
| **도구 사용 Beta**        | Claude 2.1에서 Function Calling 유사 기능 첫 도입                    |

> **참고**
> **왜 긴 컨텍스트가 중요했나**: GPT-4가 8K~~32K로 제한된 시기에 Claude가 100K~~200K를 제공한 것은 큰 차별점이었습니다. 긴 문서 분석, 코드 리뷰, 법률 문서 검토 같은 엔터프라이즈 사용 사례를 열어주었기 때문입니다.

### 3세대: 멀티 티어 전략 (2024.03)

Claude 3는 Anthropic이 **"하나의 모델이 아닌 모델 패밀리"** 전략을 처음 도입한 세대입니다.

| 티어       | 모델     | 포지셔닝             | 가격 (입/출력, 1M 토큰당) |
| -------- | ------ | ---------------- | :---------------: |
| **프리미엄** | Opus   | 최고 추론 능력, 복잡한 분석 |     $15 / $75     |
| **밸런스**  | Sonnet | 성능과 속도의 균형       |      $3 / $15     |
| **경제형**  | Haiku  | 빠른 응답, 대량 처리     |   $0.25 / $1.25   |

이 3-티어 전략의 핵심은 **같은 아키텍처 기반에서 크기만 다른 모델을 제공** 하여, 사용자가 작업 복잡도에 따라 적절한 모델을 선택할 수 있게 한 것입니다. 이 전략은 이후 OpenAI(GPT-4o, GPT-4o mini), Google(Gemini Pro, Flash, Nano) 등 경쟁사도 따라갔습니다.

### 3.5세대: 게임 체인저 (2024.06\~11)

Claude 3.5 Sonnet은 AI 업계에서 **"Sonnet이 Opus를 이겼다"** 는 놀라움을 불러일으킨 모델입니다.

| 혁신               | 내용                                                           |
| ---------------- | ------------------------------------------------------------ |
| **성능 역전**        | 3.5 Sonnet이 대부분의 벤치마크에서 3 Opus를 추월 -- 더 저렴한 모델이 더 비싼 모델보다 우수 |
| **Computer Use** | 3.5 Sonnet v2에서 스크린샷 기반 데스크톱 제어 기능 Beta 출시 (2024.10)         |
| **MCP 표준 공개**    | Claude 생태계 확장의 핵심 인프라 (2024.11)                              |
| **코딩 벤치마크**      | HumanEval 92%, SWE-bench Verified에서 당시 1위                    |

> **주의**
> **업계에 미친 영향**: 3.5 Sonnet의 성공은 "무조건 큰 모델이 좋다"는 스케일링 법칙에 대한 의문을 제기했습니다. 이후 업계 전체가 **효율적인 추론(efficient inference)** 과 **모델 증류(distillation)** 에 더 많은 투자를 하게 되는 계기가 되었습니다.

### 4세대: Agent 시대 개막 (2025.05)

Claude 4 패밀리는 **"대화형 AI에서 자율적 Agent로"** 의 전환점을 표시합니다.

#### Opus 4 -- 7시간 자율 코딩

| 능력                       | 상세                                 |
| ------------------------ | ---------------------------------- |
| **SWE-bench**            | 72.5% (당시 최고 기록)                   |
| **자율 작업**                | 단일 프롬프트로 최대 7시간 연속 코딩              |
| **Interleaved Thinking** | 도구 사용 중에도 사고를 이어가는 하이브리드 추론        |
| **자가 수정**                | 테스트 실패 시 원인 분석 → 코드 수정 → 재실행 자동 반복 |

Opus 4가 중요한 이유는 단순히 벤치마크 점수가 높아서가 아닙니다. **"사람이 자리를 비운 사이에 실제로 의미 있는 작업을 완료할 수 있는 최초의 모델"** 이라는 점입니다. 이는 AI를 "보조 도구"에서 "자율적 작업자"로 재정의하는 전환점이었습니다.

#### Sonnet 4 -- 정직성에 집중

Sonnet 4는 **"거짓 동의를 하지 않는 모델"** 을 목표로 설계되었습니다.

| 특징                | 설명                              |
| ----------------- | ------------------------------- |
| **Sycophancy 감소** | 사용자의 잘못된 주장에 동의하지 않고, 정중하게 반박   |
| **불확실성 표현**       | "확실하지 않습니다"를 적극적으로 표현           |
| **코딩 최적화**        | Opus 대비 80% 수준의 코딩 능력, 5배 빠른 응답 |

### 4.5\~4.6세대: 현재 진행형 (2025 H2 \~ 2026)

#### 1M 컨텍스트 윈도우

4.5세대부터 도입된 **100만 토큰 컨텍스트** 는 실질적으로 다음을 의미합니다:

| 분량          |    토큰 수    | 활용 시나리오                         |
| ----------- | :--------: | ------------------------------- |
| 논문 1편       |    \~8K    | 단일 문서 분석                        |
| 중간 규모 코드베이스 |   \~100K   | 프로젝트 전체 코드 리뷰                   |
| 대형 프로젝트     |   \~500K   | 모노레포 분석, 마이그레이션 계획              |
| **1M 토큰**   | **1,000K** | **수십만 줄 코드 + 문서 + 테스트를 동시에 처리** |

1M 컨텍스트는 특히 Claude Code에서 큰 의미를 가집니다. 대규모 코드베이스를 한 번에 이해하고, 여러 파일에 걸친 리팩토링을 정확하게 수행할 수 있기 때문입니다.

#### Opus 4.6

Opus 4.6은 Claude Code의 기본 모델로 사용되며, 다음과 같은 특징을 가집니다:

| 항목                    | 상세                                               |
| --------------------- | ------------------------------------------------ |
| **모델 ID**             | `claude-opus-4-6`                                |
| **컨텍스트**              | 1M 토큰                                            |
| **Extended Thinking** | Adaptive Thinking으로 진화 -- 작업 복잡도에 따라 사고 깊이 자동 조절 |
| **주요 용도**             | 복잡한 코딩, 장기 Agent 작업, 심층 분석                       |

#### Opus 4.7 (현재 최신 모델, 2026년 4월)

2026년 4월 16일 공개된 최신 플래그십 모델입니다.

| 항목                | 상세                                                             |
| ----------------- | -------------------------------------------------------------- |
| **모델 ID**         | `claude-opus-4-7`                                              |
| **핵심 강화**         | 비전(Vision) 능력 대폭 강화                                            |
| **주요 용도**         | Claude Design의 시각적 자산 생성, 고품질 코딩, 장기 Agent 작업                  |
| **Claude Design** | Opus 4.7 기반으로 프로토타입/슬라이드/목업을 자연어로 생성하는 새 제품 (Research Preview) |

***

## 2. MCP (Model Context Protocol) 생태계

### MCP가 등장한 이유

2024년 이전, AI Agent가 외부 도구와 소통하는 방식은 완전히 파편화되어 있었습니다:

| 문제              | 상세                                                     |
| --------------- | ------------------------------------------------------ |
| **N x M 통합 문제** | N개의 AI 모델과 M개의 도구를 연결하려면 N x M개의 커스텀 통합 필요             |
| **플랫폼 의존**      | OpenAI의 Function Calling, Google의 Tool Use 등 각 사 고유 방식 |
| **재사용 불가**      | 하나의 도구 통합 코드를 다른 모델에서 재사용할 수 없음                        |

MCP는 이 문제를 **표준화된 프로토콜** 로 해결합니다. USB-C가 충전기를 통일한 것처럼, MCP는 AI와 도구 간의 통신을 통일합니다.

### 아키텍처

MCP는 **클라이언트-서버 아키텍처** 를 따르며, JSON-RPC 2.0을 기반으로 합니다.

| 계층                  | 역할      | 상세                                                              |
| ------------------- | ------- | --------------------------------------------------------------- |
| **Data Layer**      | 프로토콜 정의 | JSON-RPC 기반 메시지 구조, 라이프사이클 관리, 프리미티브(Tools, Resources, Prompts) |
| **Transport Layer** | 통신 채널   | Stdio (로컬 프로세스), Streamable HTTP (원격 서버)                        |

#### 핵심 참여자

| 참여자        | 역할                                   | 예시                                          |
| ---------- | ------------------------------------ | ------------------------------------------- |
| **Host**   | MCP Client를 내장한 AI 애플리케이션            | Claude Desktop, VS Code, Cursor, Genie Code |
| **Client** | Host 안에서 Server와 1:1 연결 유지           | SDK가 생성하는 클라이언트 인스턴스                        |
| **Server** | Resources, Tools, Prompts를 노출하는 프로그램 | Databricks MCP Server, GitHub MCP Server    |

#### 3대 프리미티브

MCP 서버가 노출할 수 있는 세 가지 핵심 기능입니다. 이 세 가지가 AI가 외부 세계와 소통하는 모든 방식을 표준화합니다.

| 프리미티브         | 역할                    | 예시                                         |
| ------------- | --------------------- | ------------------------------------------ |
| **Tools**     | 모델이 호출할 수 있는 실행 가능 함수 | `execute_sql`, `send_message`, `create_pr` |
| **Resources** | 읽기 전용 컨텍스트 데이터        | 파일 내용, DB 스키마, API 문서                      |
| **Prompts**   | 재사용 가능한 상호작용 템플릿      | "코드 리뷰 수행", "SQL 쿼리 작성"                    |

### 생태계 성장

MCP의 성장 속도는 업계에서 유례를 찾기 어렵습니다. 아래 지표는 공개 후 약 1년 만에 달성한 수치입니다.

| 지표              | 수치 (2025.12 기준) | 의미        |
| --------------- | :-------------: | --------- |
| 월간 SDK 다운로드     |   **9,700만+**   | 개발자 채택 속도 |
| 등록된 MCP 서버      |   **10,000+**   | 생태계 규모    |
| 지원 Host (클라이언트) |     **50+**     | 플랫폼 호환성   |

### 주요 MCP 호스트 (클라이언트)

MCP를 지원하는 AI 애플리케이션의 범위는 계속 확장되고 있습니다. 단순히 Anthropic 제품뿐 아니라, 경쟁사 제품까지 MCP를 채택한 것이 이 프로토콜의 성공을 증명합니다.

| 호스트                   | 개발사        | 지원 기능                             |
| --------------------- | ---------- | --------------------------------- |
| **Claude Desktop**    | Anthropic  | Tools, Resources, Prompts         |
| **Claude Code**       | Anthropic  | Tools, Resources, Sampling, Roots |
| **VS Code (Copilot)** | Microsoft  | Tools                             |
| **Cursor**            | Anysphere  | Tools, Resources                  |
| **Windsurf**          | Codeium    | Tools                             |
| **ChatGPT**           | OpenAI     | Tools (Connectors)                |
| **JetBrains IDEs**    | JetBrains  | Tools                             |
| **Genie Code**        | Databricks | Tools, Resources                  |

> **성공**
> **핵심 인사이트**: OpenAI의 ChatGPT와 Microsoft의 VS Code Copilot이 MCP를 지원한다는 것은, Anthropic이 만든 프로토콜이 사실상의 **업계 표준(de facto standard)** 이 되었음을 의미합니다.

### AAIF 기부와 표준화

2025년 12월, Anthropic은 MCP를 **Linux Foundation 산하 AAIF(AI Alliance Interop Framework)** 에 기부했습니다.

| 항목          | 내용                                    |
| ----------- | ------------------------------------- |
| **공동 기부자**  | Anthropic, **OpenAI**, Block (Square) |
| **거버넌스**    | Linux Foundation의 오픈 거버넌스 모델          |
| **의미**      | 단일 기업의 프로토콜에서 산업 표준으로 전환              |
| **프로토콜 버전** | 2025-06-18 (최신 스펙)                    |

이 결정의 전략적 의미는 다음과 같습니다:

1. **벤더 중립성 확보**: Anthropic 단독 소유의 프로토콜이라는 인식 해소
2. **경쟁사 참여 유도**: OpenAI가 공동 기부자로 합류하면서 업계 전체의 채택 가속화
3. **장기 생존 보장**: Linux Foundation의 거버넌스는 HTTP, Kubernetes 등 장수하는 표준들의 공통 특징

### 최신 MCP 기능 (2025-2026)

MCP 스펙은 지속적으로 진화하고 있습니다.

| 기능                                   | 설명                         |      상태      |
| ------------------------------------ | -------------------------- | :----------: |
| **Streamable HTTP**                  | SSE 기반 원격 서버 통신            |      GA      |
| **OAuth 2.0 인증**                     | 원격 MCP 서버의 표준 인증 방식        |      GA      |
| **Elicitation**                      | 서버가 사용자에게 추가 정보 요청         |      GA      |
| **Sampling**                         | 서버가 호스트의 LLM에 완성 요청        |      GA      |
| **Tasks**                            | 장기 실행 작업의 상태 추적            | Experimental |
| **Apps**                             | MCP 클라이언트 안에서 실행되는 인터랙티브 앱 | Experimental |
| **Discovery**                        | MCP 서버의 자동 검색              |      GA      |
| **Enterprise-Managed Authorization** | 기업용 인증/인가 관리               |      GA      |

***

## 3. Claude Code & Computer Use

### Claude Code: 터미널 네이티브 코딩 Agent

Claude Code는 2025년 2월 GA되어, AI 코딩 도구 시장에서 독특한 포지션을 확보했습니다.

#### 기존 도구와의 근본적 차이

| 관점           | GitHub Copilot  | Cursor            | Claude Code                    |
| ------------ | --------------- | ----------------- | ------------------------------ |
| **인터페이스**    | IDE 내 자동완성      | IDE (포크된 VS Code) | 터미널 CLI                        |
| **작업 범위**    | 코드 라인/함수 수준     | 파일/프로젝트 수준        | 코드베이스 전체                       |
| **자율성**      | 수동 (사용자가 수락/거부) | 반자동 (채팅 기반)       | 자율적 (자체 판단으로 실행)               |
| **도구 사용**    | 제한적             | MCP 지원            | MCP + Bash + Git 완전 통합         |
| **CI/CD 통합** | GitHub Actions  | 제한적               | Headless 모드로 CI/CD 파이프라인 내장 가능 |

이 비교에서 가장 중요한 차이는 **자율성** 입니다. Copilot과 Cursor는 사용자의 지시를 기다리지만, Claude Code는 스스로 파일을 탐색하고, 문제를 발견하고, 수정하고, 테스트하고, 커밋합니다.

#### 성장 지표

| 지표        |   수치 (2025 말 기준)   |
| --------- | :----------------: |
| 일일 활성 사용자 |      **35만+**      |
| 누적 생성 PR  |      **100만+**     |
| 지원 IDE 확장 | VS Code, JetBrains |

#### 핵심 아키텍처

```
Claude Code
├── 내장 도구
│   ├── Read (파일 읽기)
│   ├── Edit (파일 수정)
│   ├── Write (파일 생성)
│   ├── Bash (명령어 실행)
│   ├── Grep (내용 검색)
│   ├── Glob (파일 패턴 매칭)
│   └── Git (버전 관리)
├── 확장 도구
│   ├── MCP Clients (다중 MCP 서버 연결)
│   ├── WebSearch (웹 검색)
│   ├── WebFetch (웹 콘텐츠 수집)
│   └── ToolSearch (대규모 도구셋에서 검색)
├── 실행 엔진
│   ├── Subagent Pool (병렬 하위 작업)
│   ├── Background Tasks (장기 실행)
│   └── Hooks (이벤트 기반 자동화)
└── 컨텍스트 관리
    ├── CLAUDE.md (프로젝트/사용자/디렉토리별 설정)
    └── 1M 토큰 윈도우 관리
```

#### CLAUDE.md 계층 구조

Claude Code의 독특한 설계 중 하나는 **계층적 지시 시스템** 입니다.

| 수준           | 파일 위치                               | 적용 범위           |
| ------------ | ----------------------------------- | --------------- |
| **사용자 전역**   | `~/.claude/CLAUDE.md`               | 모든 프로젝트에 적용     |
| **프로젝트**     | `프로젝트루트/CLAUDE.md`                  | 해당 프로젝트 전체      |
| **프로젝트 사용자** | `~/.claude/projects/<경로>/CLAUDE.md` | 특정 프로젝트에서 개인 설정 |
| **디렉토리**     | `하위디렉토리/CLAUDE.md`                  | 해당 디렉토리 한정      |

이 계층 구조 덕분에 팀의 공통 규칙(프로젝트 CLAUDE.md)과 개인의 선호(사용자 CLAUDE.md)를 분리하여 관리할 수 있습니다.

### Computer Use: 데스크톱 제어 Agent

2024년 10월 Beta로 출시된 Computer Use는 **스크린샷 기반으로 컴퓨터를 조작** 하는 기능입니다.

#### 작동 원리

반복 루프: Screenshot(화면 캡처) → Analyze(UI 요소 파악) → Act(클릭/타이핑) → Verify(결과 확인)

| 단계             | 동작                   | 기술                    |
| -------------- | -------------------- | --------------------- |
| **Screenshot** | 현재 화면 캡처             | 이미지 캡처 API            |
| **Analyze**    | UI 요소, 텍스트, 버튼 위치 파악 | Claude의 비전(Vision) 능력 |
| **Act**        | 좌표 기반 마우스/키보드 제어     | OS 접근성 API            |
| **Verify**     | 결과 스크린샷으로 성공 여부 확인   | 시각적 검증                |

#### macOS 네이티브 통합 (2025\~)

초기 Computer Use는 순수 스크린샷 기반이었지만, macOS Accessibility API 통합으로 크게 개선되었습니다:

| 항목      |    스크린샷 방식   |    macOS 네이티브    |
| ------- | :----------: | :--------------: |
| **속도**  | 느림 (캡처 + 분석) | 빠름 (직접 UI 트리 접근) |
| **정확도** |  중간 (좌표 추정)  |   높음 (요소 직접 참조)  |
| **안정성** |   해상도/테마 영향  |      OS가 보장      |

#### 활용 시나리오

| 시나리오            | 설명                     | 장점                |
| --------------- | ---------------------- | ----------------- |
| **레거시 시스템 자동화** | API 없는 오래된 웹/데스크톱 앱 조작 | 기존 시스템 수정 불필요     |
| **UI 테스트**      | E2E 테스트 자동화            | 시각적 검증 가능         |
| **RPA 대체**      | 기존 RPA 도구보다 유연한 자동화    | NLP 기반 지시 가능      |
| **데이터 수집**      | 복잡한 웹 인터랙션 기반 데이터 추출   | 로그인, 다단계 내비게이션 처리 |

> **주의**
> **프로덕션 사용 시 주의**: Computer Use는 아직 Beta입니다. 반드시 샌드박스(Docker, VM) 내에서 실행하고, 민감 정보가 표시되는 화면에서는 사용을 제한해야 합니다.

***

## 4. Extended Thinking (Adaptive Thinking)

### 왜 등장했는가

기존 LLM의 한계 중 하나는 **"생각 없이 바로 답하는"** 방식이었습니다. 간단한 질문에는 적합하지만, 복잡한 수학 문제, 다단계 추론, 전략적 판단에서는 성능이 떨어졌습니다. Extended Thinking은 이 문제를 해결합니다.

### 진화 과정

| 시기         | 이름                       | 특징                                       |
| ---------- | ------------------------ | ---------------------------------------- |
| 2025.02    | **Extended Thinking**    | 수동으로 `budget_tokens` 설정, 모든 응답에 동일 깊이 적용 |
| 2025 H2    | **Adaptive Thinking**    | 작업 복잡도에 따라 사고 깊이 자동 조절                   |
| 2025\~2026 | **Interleaved Thinking** | 도구 사용 중에도 사고를 이어감 (비선형 추론)               |

### Interleaved Thinking의 혁신

기존 모델과 Claude 4+의 추론 방식을 비교하면 다음과 같습니다:

**기존 방식 (선형):**

1. 사용자 질문 수신
2. 생각 (전체 계획 수립)
3. 도구 호출
4. 결과 수신 대기 (유휴)
5. 생각 (결과 반영)
6. 응답

**Interleaved 방식 (비선형):**

1. 사용자 질문 수신
2. 생각 시작 + 병렬로 도구 호출
3. 도구 결과 수신하면서 동시에 다음 단계 계획
4. 추가 도구 호출 + 중간 결과 반영한 사고 계속
5. 응답

이 방식의 효과:

* 전체 작업 완료 시간 **30\~50% 단축**
* 중간 결과를 실시간 반영하여 **정확도 향상**
* 여러 도구를 **병렬** 호출하여 효율성 극대화

### API 사용법

```python theme={null}
response = client.messages.create(
    model="claude-opus-4-6",
    max_tokens=16384,
    thinking={
        "type": "enabled",
        "budget_tokens": 10000   # 사고에 할당할 최대 토큰
    },
    messages=[{
        "role": "user",
        "content": "이 아키텍처의 보안 취약점을 분석해줘."
    }]
)

# 응답 구조
for block in response.content:
    if block.type == "thinking":
        print(f"[사고 과정] {block.thinking}")
    elif block.type == "text":
        print(f"[최종 답변] {block.text}")
```

### budget\_tokens 가이드

작업 유형에 따라 적절한 토큰 예산을 설정하는 것이 중요합니다. 과도한 예산은 비용 낭비이고, 부족한 예산은 품질 저하로 이어집니다.

| 작업 유형    | 권장 budget\_tokens | 이유               |
| -------- | :---------------: | ---------------- |
| 간단한 코딩   |      2K \~ 4K     | 한두 단계 추론으로 충분    |
| 복잡한 디버깅  |      4K \~ 8K     | 여러 파일 간 관계 추적 필요 |
| 시스템 설계   |     8K \~ 16K     | 다양한 트레이드오프 고려 필요 |
| 수학/논리 문제 |     16K \~ 32K    | 단계별 엄밀한 추론 필요    |
| 연구 수준 분석 |    32K \~ 128K    | 광범위한 탐색과 검증 필요   |

***

## 5. Constitutional AI와 안전성 연구

### Constitutional AI (CAI) -- Anthropic의 핵심 기술

Anthropic의 정체성을 정의하는 기술인 Constitutional AI는 **AI가 스스로를 감독하는** 학습 방법론입니다.

#### 왜 필요했는가

| 기존 방법 (RLHF) | 고려사항                       |
| ------------ | -------------------------- |
| 인간 피드백 기반 학습 | 인간 평가자의 편향이 모델에 그대로 전달     |
| 레드팀 테스트      | 비용이 높고, 모든 공격 벡터를 커버할 수 없음 |
| 규칙 기반 필터링    | 우회가 쉽고, 정상 사용도 차단하는 과잉 필터링 |

#### CAI의 작동 원리

| 단계           | 동작                     | 핵심                     |
| ------------ | ---------------------- | ---------------------- |
| **1. 헌법 정의** | 인간이 원칙(헌법)을 텍스트로 작성    | "도움이 되되, 해를 끼치지 않는다" 등 |
| **2. 자기 비평** | AI가 자신의 출력을 헌법 기준으로 평가 | "이 응답이 원칙에 부합하는가?"     |
| **3. 자기 수정** | 비평 결과를 바탕으로 출력 개선      | RLAIF (AI 피드백 기반 강화학습) |
| **4. 반복**    | 수정된 출력으로 다시 학습         | 점진적 품질 향상              |

CAI의 핵심 장점은 **스케일러블** 하다는 것입니다. 인간 평가자 수에 의존하지 않으므로, 모델이 커져도 동일한 방법론을 적용할 수 있습니다.

### Responsible Scaling Policy (RSP)

Anthropic은 AI 모델의 능력이 증가함에 따라 안전 조치도 비례적으로 강화해야 한다는 **책임 있는 스케일링 정책** 을 운영합니다.

| ASL 레벨    | 위험 수준 | 요구 사항                   |
| --------- | ----- | ----------------------- |
| **ASL-1** | 최소    | 기본적인 안전 테스트             |
| **ASL-2** | 중간    | 레드팀 테스트, 배포 전 안전 평가     |
| **ASL-3** | 높음    | 외부 감사, 정부 기관과 협력, 배포 제한 |
| **ASL-4** | 매우 높음 | (아직 미정의, 향후 능력 증가 시 적용) |

### 최근 안전성 연구 성과 (2025\~2026)

| 연구                   | 내용                                  | 의미                               |
| -------------------- | ----------------------------------- | -------------------------------- |
| **Circuit Tracing**  | 모델 내부의 신경망 회로를 추적하여 특정 행동의 원인을 파악   | Interpretability(해석 가능성) 분야의 돌파구 |
| **Sleeper Agent 탐지** | 학습 시 심어진 악의적 행동을 탐지하는 기법 연구         | 공급망 공격 방어                        |
| **Sycophancy 감소**    | Claude 4에서 사용자에게 거짓 동의를 하는 경향 대폭 감소 | 정직한 AI 비서 실현                     |
| **Tool Use Safety**  | Agent가 도구를 남용하지 않도록 하는 안전 가드레일 연구   | Agentic AI 시대의 필수 연구             |

> **참고**
> **Interpretability의 중요성**: "왜 AI가 이런 답을 했는가?"를 설명할 수 없다면, AI를 신뢰할 수 없습니다. Anthropic의 Circuit Tracing 연구는 신경망 내부를 "해부"하여 특정 행동이 어떤 뉴런 경로에서 발생하는지 추적합니다. 이는 의료, 금융, 법률 분야에서 AI 도입의 전제 조건입니다.

***

## 6. 비즈니스 전략

### 펀딩과 기업 가치

Anthropic은 설립 이후 공격적인 자금 조달을 통해 AI 연구와 인프라에 대규모 투자를 이어왔습니다.

| 시기      | 라운드        |     금액     | 주요 투자자                  |     기업 가치    |
| ------- | ---------- | :--------: | ----------------------- | :----------: |
| 2021    | 시드         |   \$124M   | Jaan Tallinn 등          |      --      |
| 2022    | Series A   |   \$580M   | Spark Capital, Google 등 |      --      |
| 2023.02 | Series B   |   \$300M   | Google                  |      --      |
| 2023.05 | Series C   |   \$450M   | Spark Capital           |    \~\$5B    |
| 2023.09 | Amazon 투자  |   \$1.25B  | Amazon (최대 \$4B 약속)     |      --      |
| 2023.10 | Series D   |    \$2B    | Google                  |      --      |
| 2024.03 | Amazon 추가  |   \$2.75B  | Amazon (총 \$4B)         |      --      |
| 2024.07 | Series E   |   \$580M   | Menlo Ventures 등        |    \~\$18B   |
| 2025.01 | Mega Round |    \$2B    | Lightspeed, Google 등    |    \~\$60B   |
| 2025.03 | Amazon 추가  | \$4B 추가 약속 | Amazon (총 \$8B+)        |      --      |
| 2025 H2 | Series 추가  |     비공개    | 다수 기관 투자자               | \~\$100B+ 추정 |

> **주의**
> **핵심 인사이트**: Anthropic의 기업 가치 상승 곡선은 2023년 $5B에서 2025년 $60B 이상으로, 약 2년 만에 **12배** 이상 증가했습니다. 이는 AI 산업의 폭발적 성장과 함께, Anthropic이 OpenAI에 이어 **명실상부한 2위 AI 기업** 으로 자리잡았음을 보여줍니다.

### 수익 구조

| 수익원                   | 설명                            | 비중 (추정) |
| --------------------- | ----------------------------- | :-----: |
| **Claude API**        | 개발자/기업용 API (토큰 기반 과금)        |   50%+  |
| **Claude Pro/Team**   | 소비자/팀 구독 ($20/월, $30/월)       | 20\~25% |
| **Claude Enterprise** | 대규모 기업용 (SSO, 감사 로그, SLA)     | 15\~20% |
| **AWS Bedrock**       | Amazon Bedrock에서 Claude 모델 제공 | 10\~15% |
| **Google Vertex AI**  | Google Cloud에서 Claude 모델 제공   |  5\~10% |

### 엔터프라이즈 전략

Anthropic의 엔터프라이즈 접근은 **"API-First + 클라우드 마켓플레이스"** 전략입니다.

| 채널                    | 특징                                | 대상               |
| --------------------- | --------------------------------- | ---------------- |
| **Direct API**        | 직접 계약, 최고 유연성                     | AI-네이티브 기업, 스타트업 |
| **AWS Bedrock**       | Amazon과의 전략적 파트너십, AWS 보안/네트워킹 활용 | AWS 사용 기업        |
| **Google Vertex AI**  | Google Cloud 고객 대상                | GCP 사용 기업        |
| **Claude Enterprise** | SSO, SCIM, 감사 로그, 데이터 격리          | 대기업, 규제 산업       |

#### Claude Enterprise 주요 기능

| 기능                | 설명                     |
| ----------------- | ---------------------- |
| **SSO/SAML**      | 기업 ID 관리 시스템 통합        |
| **SCIM**          | 사용자 프로비저닝 자동화          |
| **감사 로그**         | 모든 대화와 도구 사용 기록        |
| **데이터 보호**        | 학습에 사용하지 않음 보장 (계약 명시) |
| **500K 컨텍스트**     | 기업 구독자에게 확장된 컨텍스트 윈도우  |
| **Admin Console** | 팀 관리, 사용량 모니터링, 정책 설정  |

### Claude Cowork (2026 Preview)

2026년 초 프리뷰로 공개된 Claude Cowork는 **지식 노동자를 위한 Agent** 입니다.

| 항목       | 설명                                        |
| -------- | ----------------------------------------- |
| **대상**   | 개발자가 아닌 비즈니스 사용자                          |
| **기능**   | 이메일, 문서, 캘린더, 슬랙 등 업무 도구와 연동하여 작업 자동화     |
| **차별점**  | MCP 기반으로 기업 내부 도구와 직접 연결                  |
| **포지셔닝** | Microsoft Copilot, Google Duet AI의 직접 경쟁자 |

### Claude Design (2026년 4월, Research Preview)

자연어 대화로 **프로토타입, 슬라이드, 피치 덱, 목업** 을 생성하는 새 제품입니다.

| 항목        | 설명                                 |
| --------- | ---------------------------------- |
| **기반 모델** | Claude Opus 4.7                    |
| **핵심 혁신** | 디자인 → Claude Code로 즉시 구현 (핸드오프 제거) |
| **내보내기**  | URL 공유, Canva, PDF, PPTX, HTML     |
| **시장 영향** | 발표 직후 Figma 주가 -7.5%, Adobe -1%    |

자세한 내용은 [Claude Design 상세](keywords/claude-design)를 참고하세요.

### Claude Managed Agents (2026년 4월)

자율 에이전트를 배포하기 위한 **완전 관리형 인프라** 입니다.

| 항목         | 설명                             |
| ---------- | ------------------------------ |
| **가격**     | \$0.08/세션시간 + 토큰 비용            |
| **제공 기능**  | 오케스트레이션, 샌드박싱, 세션 상태, 인증, 스케일링 |
| **얼리 어답터** | Notion, Rakuten, Asana         |
| **의미**     | 에이전트 운영(AgentOps)을 PaaS로 해결    |

***

## 7. OpenAI와의 경쟁 구도

### 포지셔닝 비교

Anthropic과 OpenAI는 같은 AI 모델 시장에서 경쟁하지만, 접근 방식은 근본적으로 다릅니다.

| 관점           | Anthropic                                | OpenAI                       |
| ------------ | ---------------------------------------- | ---------------------------- |
| **미션**       | "AI 안전성 연구 기업"                           | "AGI를 모든 인류에게"               |
| **설립 배경**    | OpenAI 안전 팀 출신이 안전성 우려로 독립               | AI 연구 비영리 → 영리 전환            |
| **수익화**      | API-First, B2B 중심                        | 소비자(ChatGPT) + API           |
| **Agent 전략** | MCP(개방형 표준) + Claude Code                | Agents SDK + Custom GPTs     |
| **안전성**      | Constitutional AI, RSP, Interpretability | RLHF, Red Team, Safety Board |
| **클라우드**     | AWS(Amazon) + GCP(Google)                | Azure(Microsoft) 독점          |
| **강점**       | 코딩, 긴 컨텍스트, 안전성                          | 멀티모달, 브랜드 인지도, 사용자 기반        |

### 모델 대 모델 비교 (2026 초 기준)

| 영역           | Claude (Opus 4.6) | GPT-4o / o1 / o3 | 평가                         |
| ------------ | :---------------: | :--------------: | -------------------------- |
| **코딩**       |         우위        |        경쟁적       | SWE-bench에서 Claude가 지속적 우위 |
| **수학/추론**    |        경쟁적        |      우위 (o3)     | OpenAI의 o-시리즈가 수학에서 강세     |
| **긴 컨텍스트**   |         1M        |   128K (GPT-4o)  | Claude의 명확한 우위             |
| **멀티모달**     |     텍스트+이미지+코드    |  텍스트+이미지+오디오+비디오 | OpenAI가 더 넓은 모달리티 지원       |
| **Agent 도구** |    MCP (산업 표준)    | Function Calling | MCP가 표준화 면에서 우위            |
| **가격 효율**    |        경쟁적        |        경쟁적       | 유사한 가격대                    |

### 전략적 차별화

Anthropic이 OpenAI 대비 확보한 **구조적 차별화** 포인트:

1. **MCP 표준 소유자**: AI Agent 생태계의 인프라 계층을 장악
2. **듀얼 클라우드 전략**: AWS와 Google Cloud 양쪽에서 사용 가능 (OpenAI는 Azure 한정)
3. **코딩 Agent 우위**: Claude Code가 코딩 작업에서 가장 높은 자율성 달성
4. **안전성 리더십**: Constitutional AI, Interpretability 연구에서 업계 최고 수준
5. **1M 컨텍스트**: 실질적으로 가장 긴 유효 컨텍스트 윈도우 제공

***

## 8. 향후 전망

### 단기 (2026년)

| 영역                | 전망                 | 근거                          |
| ----------------- | ------------------ | --------------------------- |
| **모델**            | Claude 5 세대 출시 예상  | 약 6\~12개월 주기 세대 교체 패턴       |
| **MCP**           | AAIF를 통한 공식 표준화 진행 | Linux Foundation 거버넌스 체계 확립 |
| **Claude Cowork** | GA 출시 및 기업 채택 확대   | 비개발자 시장 본격 진입               |
| **Computer Use**  | GA 전환              | 2년간의 Beta 기간 후 안정화 예상       |

### 중기 (2027\~2028)

| 영역             | 전망                                          |
| -------------- | ------------------------------------------- |
| **Agentic AI** | 자율 작업 시간 7시간 → 24시간+ 확장, "AI 동료" 수준의 자율성    |
| **MCP 생태계**    | HTTP가 웹의 기반이듯, MCP가 AI Agent 통신의 기반 인프라로 정착 |
| **엔터프라이즈**     | Fortune 500 기업의 과반수가 Claude 기반 Agent 도입     |
| **멀티모달**       | 오디오, 비디오 입출력 지원 확대                          |

### 핵심 리스크

| 리스크               | 설명                                      | 완화 요인                       |
| ----------------- | --------------------------------------- | --------------------------- |
| **OpenAI의 자원 규모** | Microsoft의 \$10B+ 투자로 압도적 컴퓨팅 자원        | Amazon + Google의 듀얼 파트너십    |
| **오픈소스 모델 추격**    | Meta Llama, Mistral 등 오픈소스 모델의 빠른 성능 향상 | Agent 생태계(MCP)라는 네트워크 효과    |
| **규제 리스크**        | EU AI Act 등 AI 규제 강화                    | 안전성 연구 리더십이 오히려 규제 친화적 포지셔닝 |
| **수익성**           | 대규모 GPU 투자 대비 아직 흑자 전환 미달               | 빠른 매출 성장, ARR \$1B+ 추정      |
| **인재 경쟁**         | AI 인재 시장의 극심한 경쟁                        | 안전성 미션에 공감하는 인재 유인          |

***

## 9. 정리 -- Anthropic의 세 가지 베팅

Anthropic의 전략을 한 마디로 요약하면, 세 가지 큰 베팅에 회사의 미래를 걸고 있다는 것입니다.

| 베팅                      | 내용                                             | 현재 상태                                        |
| ----------------------- | ---------------------------------------------- | -------------------------------------------- |
| **1. 안전성이 곧 차별화다**      | AI가 더 강력해질수록, 안전한 AI가 선택받는다                    | Constitutional AI, RSP, Interpretability로 리드 |
| **2. Agent의 인프라를 소유하라** | AI Agent 시대에 모델보다 생태계가 중요하다                    | MCP가 AAIF 통해 산업 표준으로 확정                      |
| **3. 개발자가 시장을 만든다**     | 개발자 도구(Claude Code, Agent SDK)가 엔터프라이즈 채택을 이끈다 | DAU 35만+, PR 100만+ 달성                        |

> **성공**
> **Databricks 사용자에게의 시사점**: Anthropic의 전략은 Databricks 생태계와 깊이 연결되어 있습니다.

* **MCP**: Databricks 공식 MCP Server가 존재하며, Genie Code가 MCP Host 역할
* **Claude 모델**: Databricks Model Serving에서 Claude API 연동 가능
* **Agent SDK**: Databricks Agent Framework와 함께 사용하여 하이브리드 Agent 구축 가능
* **AI Dev Kit**: Databricks AI Dev Kit가 MCP 기반으로 Claude Code와 직접 통합