AI Fluency Index(새 탭에서 열림)를 출시했을 때, 저희는 사람들이 시간이 지나면서 Claude를 더 잘 다루게 되는 과정을 이해하고 싶었습니다. 초기 데이터는 Chat에서 나왔으며, 그 데이터는 일관된 이야기를 들려주었습니다. 즉, 역량(fluency)은 서로 매우 다르게 작동하는 두 가지 경로를 따라 발전한다는 것입니다. 어떤 기술은 연습을 통해 자연스럽게 성장하고, 다른 기술은 의도적이고 반복적인 교육이 필요합니다. 이 발견은 저희가 온보딩과 제품 내 학습을 바라보는 방식을 형성했으며, 조직이 자체적인 Claude 교육을 구축하는 데 있어 출발점을 제공했습니다.
그 이후로 저희는 이 Index를 Claude Code와 Claude Cowork로 확장했으며, 11개의 행동적 AI 역량 지표에 걸쳐 총 5만 건이 넘는 대화를 분석하게 되었습니다. 역량은 세 가지 표면(surface) 모두에서 공통된 구조를 가지고 있지만, 각 제품은 저마다의 진입점을 가지고 있습니다. "Claude를 잘 다루게 된다"는 것이 어떤 모습인지는 어떤 Claude를 사용하는지에 따라 달라지며, 팀의 역량 구축을 책임지고 있다면 무엇을 먼저 가르칠지에 있어 이 구분이 중요합니다.

이 글에서는 저희가 발견한 내용을 살펴보고, 조직에 맞게 적용할 수 있는 간단한 커리큘럼 모델을 제시합니다.
각 제품에는 고유한 시그니처 행동이 있습니다
각 Claude 표면은 시작 단계에서 서로 다른 행동에 보상을 줍니다. 저희는 이를 시그니처 행동이라고 부릅니다. 이는 존재할 때 다른 역량 지표들을 가장 안정적으로 끌어올리는 관문 행동입니다.
Chat에서 시그니처 행동은 반복하기입니다. 후속 턴을 통해 다듬어 나가는 사용자는 저희가 측정하는 다른 모든 차원에서 더 강한 역량을 보이며, 메시지 하나만 보내고 떠나는 사용자는 비판적 평가를 거의 보이지 않습니다. 반복은 다른 기술들이 발전할 수 있는 공간을 만들어냅니다.
Claude Code와 Claude Cowork에서 시그니처 행동은 목표 명확화하기입니다. 두 에이전틱 표면 모두 Claude가 작업을 시작하기 전에 원하는 바를 명확하게 밝히는 사용자에게 보상을 줍니다. 목표를 명확히 하는 사용자는 형식을 더 자주 지정하고, 상호작용 스타일을 더 의도적으로 설정하며, 작업을 더 효과적으로 세분화합니다. 목표 명확성은 이 표면들에서 반복이 그러지 못하는 방식으로 설명(Description) 행동 전반과 함께 묶여 나타납니다.
조직을 위한 Claude 교육을 구축하는 사람이라면, 온보딩에서 시그니처 행동을 먼저 가르쳐야 한다는 것이 시사점입니다. 반복을 초기에 확립하지 않는 Chat 커리큘럼은 그 위에 무언가를 쌓아 올리는 데 어려움을 겪을 것입니다. 목표 명확성을 확립하지 않는 Claude Code 또는 Claude Cowork 커리큘럼은 모호한 요청을 넘기고 나서 왜 결과물이 핵심을 놓쳤는지 의아해하는 사용자를 만들어낼 것입니다.
설명 스펙트럼은 연습을 통해 발전합니다
시그니처 행동 다음으로, 학습자는 저희가 설명(Description) 스펙트럼이라고 부르는 것을 따라 발전합니다. 이는 Claude가 제공하는 결과물을 형성하기 위해 사용할 수 있는 선택지의 범위입니다. 이 스펙트럼은 내구성, 즉 해당 기능이 Claude와의 상호작용에 영향을 미치는 기간을 기준으로 구성됩니다. 기본 단계에서는 형성이 그 순간에 일어나며 하나의 응답에만 영향을 미칩니다. 반복하고, 맥락을 추가하고, 파일을 업로드합니다. 고급 단계에서는 형성이 설정(configuration) 안에서 일어나며, 이후 이어지는 모든 응답에 큰 노력 없이도 영향을 미칩니다. 프로젝트를 설정하고, CLAUDE.md를 작성하고, 워크플로를 예약합니다.
여기서 고무적인 발견은 설명 기술이 시간과 노출에 따라 유기적이고 비선형적으로 성장하는 것으로 보인다는 점입니다. 더 오래 사용해 온 사용자는 예시를 더 자주 제공하고, 상호작용 스타일을 더 의도적으로 설정하며, 어조에 대한 기대를 더 명확하게 전달합니다. Claude를 계속 사용하는 사람들은 스스로 이러한 기술을 찾아가므로, 교육 시간이 제한적이라면 사람들에게 Claude와 함께 연습할 수 있는 다양한 유형의 설명을 단순히 노출시키는 것만으로도 효과가 있을 것입니다.
분별력의 나선은 가르쳐야 합니다
Claude가 돌려주는 결과물을 평가하는 일련의 행동인 분별력(Discernment)은 매우 다르게 발전합니다. 이는 근속 기간에 따라 성장하지 않습니다. 기능에 대한 친숙도에서 전이되지도 않습니다.
이는 부분적으로 검증이 이루어지는 방식의 변화로 설명됩니다. Claude가 파일을 수정하거나 보고서를 작성하면, 사용자는 Claude가 무엇을 했는지 볼 수 있습니다. 사용자는 diff를 검토하고, 테스트를 실행하고, 결과물을 훑어봅니다. 이러한 관찰적 검증은 실재하는 것이며, 저희의 지표는 이를 완전히 포착하지 못합니다. 왜냐하면 단순히 눈으로 볼 수 있을 때는 "이게 맞나요?"라고 입력하지 않기 때문입니다. 하지만 관찰은 눈에 보이는 오류만 잡아낼 뿐입니다. 잘못된 가정, 누락된 맥락, 그럴듯하지만 거짓인 주장은 놓치게 됩니다. 컴파일이 되는 diff라도 여전히 잘못된 접근 방식을 담고 있을 수 있고, 깔끔하게 읽히는 보고서라도 여전히 잘못된 출처를 인용하고 있을 수 있습니다.
또한, 과거 신입 직원들이 수행하던 업무가 점점 더 Claude에 의해 자동화되면서, 사람들에게 "좋은 결과물이 어떤 모습인지"를 가르치는 의도적인 프로그램이 필요해질 것입니다.
교육 시간이 제한적이라면, 분별력에 집중해야 할 부분입니다.
간단한 커리큘럼 모델
간단히 말해, 교육 순서는 다음과 같습니다:
- 시그니처 행동을 먼저 가르치기
- 설명 스펙트럼을 따라 발전시키기
- 모든 단계에서 분별력을 다시 다루기
정식 모듈이든 짧은 팀 세션이든, 모든 제품 학습 경험은 해당 제품의 시그니처 행동을 강화하고, 학습자와 관련된 기능을 소개하며, 분별력 점검으로 마무리해야 합니다. "이제 의문을 제기해 보기" 단계를 포함시키는 것이 비판적 평가를 계속 작동시키는 핵심입니다.
아래 표는 이 모델을 각 제품에 대응시킨 것입니다. 이를 자체 커리큘럼의 출발점으로 삼아, 팀이 실제로 사용하는 기능과 점검 항목에 맞게 조정해 보세요.
Chat
시그니처 행동: 반복하기. 후속 턴을 통해 다듬어 나가기.
| 내구성 수준 | 기능 | 교육 방법 | 분별력 점검 |
|---|---|---|---|
| 기본 | 반복, 모델 선택, 파일 업로드, 웹 검색 | 시연한 다음, 각자의 작업으로 직접 탐색하게 하기 | 이 응답이 실제로 사용 가능한가요, 아니면 한 번 더 다듬어야 하나요? |
| 중간 | 아티팩트, 확장 사고, 커넥터 | 생성과 형식 지정을 함께 가르치고, 확장 사고는 "Claude가 더 깊이 생각하길 원할 때" 사용하는 기능으로 소개하기 | 사고 과정을 읽어보세요. 추론이 타당한가요, 아니면 Claude가 그저 자신 있게 들리기만 한 건가요? |
| 지속 | 프로젝트, 맞춤 지침, 메모리 | 잘 설정된 프로젝트가 그 안의 모든 대화를 어떻게 바꾸는지 보여주기 | 프로젝트가 Claude에게 올바른 컨텍스트를 제공하고 있나요, 아니면 그저 더 많은 컨텍스트만 제공하고 있나요? |
Claude Code
시그니처 행동: 목표 명확화하기. Claude가 실행을 시작하기 전에 원하는 바를 밝히기.
| 내구성 수준 | 기능 | 교육 방법 | 분별력 점검 |
|---|---|---|---|
| 기본 | 프롬프트 명확성, 파일 참조, 모델 선택 | 명확한 목표 하나, 에이전틱 실행 한 번, 그다음 검토 | diff를 수락하기 전에, Claude에게 무엇을 가정했는지 물어보세요 |
| 중간 | 스킬, 슬래시 명령어, MCP | 반복 사용 가능한 기능을 만들기 | 틀릴 수 있는 사례로 해당 기능을 테스트해 보세요 |
| 지속 | CLAUDE.md, 훅, 서브에이전트 | 저장소 내 모든 세션을 형성하기 | 설정을 점검하세요. Claude가 의도한 대로 사용하고 있나요? |
Claude Cowork
시그니처 행동: 목표 명확화하기. Claude가 실행하기 전에 필요한 것을 명시한 브리프를 작성하기.
| 내구성 수준 | 기능 | 교육 방법 | 분별력 점검 |
|---|---|---|---|
| 기본 | 초기 프롬프트, 모델 선택, 내장 질문, 결과물 검토 | 자체 완결적인 프롬프트를 작성하고, 돌아온 결과를 확인하기 | 이것을 사용하기 전에 물어보세요: 무엇이 이를 틀리게 만들 수 있을까요? |
| 중간 | 커넥터, 플러그인, 스킬 | 반복 가능한 가져오기 또는 생성 패턴을 만들기 | 커넥터가 실제로 필요한 것을 가져왔나요, 아니면 찾기 쉬운 것만 가져왔나요? |
| 지속 | 예약된 워크플로, 다단계 자동화 | 당신 없이도 실행되는 작업을 만들기 | 이 워크플로가 여전히 좋은 결과를 내는지 마지막으로 확인한 게 언제인가요? |
앞으로 나아갈 방향
AI Fluency Index는 매달 이러한 패턴을 계속 추적하고 있으며, 제품이 발전하고 데이터셋이 늘어남에 따라 저희가 배운 내용을 계속 공개할 예정입니다. 조직을 위한 Claude 교육을 구축하면서 이 연구를 기반으로 삼고 싶다면, AI Fluency 프레임워크와 교육 자료(새 탭에서 열림)를 무료로 이용하실 수 있으며, AI Fluency 뉴스레터 구독하기(새 탭에서 열림)를 통해 AI 역량에 관한 새로운 연구 소식을 받아보실 수 있습니다.
저희는 특히 에이전틱 표면에서 분별력 교육을 실험하고 있는 팀들의 이야기를 듣고 싶습니다. 데이터가 시사하는 바에 따르면, 사용자가 자연스럽게 하는 행동과 좋은 관행이 요구하는 것 사이의 가장 큰 격차가 바로 그 지점에 있기 때문입니다. 이와 관련된 작업을 진행하고 계시다면, 저희에게 꼭 알려주시기 바랍니다.