— Claude Code 성능 저하 사건이 드러낸 AI 서비스의 불편한 진실

6,852개 세션이 남긴 기록

2026년 4월 2일, AMD AI 그룹의 시니어 디렉터 Stella Laurenzo(GitHub: stellaraccident)가 Anthropic 저장소에 제기한 GitHub Issue #42796은 단순한 버그 리포트가 아니었다. 그것은 데이터로 작성된 '고소장'에 가까웠다.

그녀의 팀이 수집·분석한 것

  • Claude Code 세션: 6,852건
  • 도구 호출: 234,760회
  • Thinking 블록: 17,871개

결론은 날카로웠다. "Claude는 복잡한 엔지니어링 작업을 신뢰할 수 없는 지경에 이르렀다."

주요 지표는 아래와 같다.

지표 1월 2월 말 ~ 3월 말 변화
Thinking 블록 평균 글자 수 2,200자 720자 약 67% 감소
문제 해결 전 코드 읽기 횟수 6.6회 2.0회 약 70% 감소
Stop-Hook 위반 (책임 회피·조기 종료) 0회 하루 평균 10회 급증
작업 패턴 충분한 사고 → 연구 부족한 사고 → 직접 편집 구조 전환

Laurenzo는 이 변화들이 Anthropic이 2월에 도입한 Thinking Redaction 기능 타임라인과 정확히 일치한다는 점을 지적했다.

3주 후, Anthropic의 공식 인정

2026년 4월 23일, Anthropic은 자사 엔지니어링 블로그에 포스트모템을 공개하며 세 가지 원인을 공식 인정했다.

  1. 3월 4일 — Claude Code의 기본 추론 강도(reasoning effort)를 high에서 medium으로 하향. UI 지연을 줄이려던 조치.
  2. 3월 26일 — 캐시 최적화 과정의 버그로 세션 추론 기록이 매 턴 삭제됨. Claude가 "건망증에 걸린 것처럼" 동작.
  3. 4월 16일 — 시스템 프롬프트에 "도구 호출 간 25자 이하, 최종 응답 100자 이하" 지시 추가. 코딩 품질 평가에서 3% 하락 초래.

Anthropic은 "의도적인 모델 품질 저하는 없었다"고 강조했다.

여기까지는 공식 발표다.

그러나 반드시 물어야 할 질문

과연 Anthropic은 이 품질 저하를 정말 인지하지 못했을까?

AI 개발사가 새 모델이나 시스템 변경을 배포하기 전 돌리는 평가는 한두 개가 아니다. SWE-Bench, HumanEval, MBPP, Aider Leaderboard, 그리고 각사의 자체 코딩 품질 벤치마크가 존재한다. Anthropic은 업계 최고 수준의 정렬·평가 인프라를 갖춘 회사이며, 포스트모템에서조차 4월 16일 프롬프트 변경에 대해 *"수 주간의 내부 테스트를 거쳤다"*고 언급했다.

그런데 결과적으로, 3%의 코딩 품질 하락과 Thinking 67% 감소를, 외부 엔지니어 한 명이 6,852개 세션을 직접 분석해서 먼저 증명한 사건이 벌어졌다.

세 가지 해석이 가능하다.

  1. 내부 평가가 실제 에이전트 사용 환경을 반영하지 못할 만큼 허술했다.
  2. 평가 지표에 저하가 포착됐지만, 다른 우선순위에 밀려 배포가 강행됐다.
  3. 실무 엔지니어는 감지했으나 조직 차원에서 용인됐다.

어느 쪽이든 결론은 같다. "순수한 기술적 최적화 실수"로만 치부하기엔 설명이 부족하다.

비용 방정식이 말해주는 것

이번 사건에서 Anthropic이 변경한 세 가지 중 두 가지는 모두 토큰 소비를 줄이는 방향이었다는 점을 주목해야 한다.

  • 추론 강도 high → medium → 출력 토큰 감소 → 컴퓨팅 비용 절감- 응답 길이 강제 제한 → 출력 토큰 감소 →컴퓨팅 비용 절감- 캐시 최적화 → 재사용 효율 향상 →컴퓨팅 비용 절감Fortune 보도에 따르면 OpenAI의 매출 총괄은 내부 메모에서 Anthropic이 컴퓨팅 용량 확보에 "전략적 실수"를 저질렀다고 평가했다. 같은 시기 Anthropic은 차세대 모델Mythos의 훈련을 발표했는데, 이 모델은 기존 Opus보다 더 크고 더 많은 GPU를 요구한다.

한쪽에서는 차세대 모델 훈련에 GPU를 할당해야 하고, 반대편에서는 300% 성장한 사용자 트래픽을 감당해야 한다. 이 사이에서 "기존 모델의 서빙 비용을 조금이라도 낮추자"는 압력이 작용하지 않았다고 보기 어렵다.

세 가지 변경은 모두 이 압력에 정확히 부합하는 방향이었다.

이것은 AI 쉬링크플레이션이다

일부 파워 유저들이 이 현상을 AI Shrinkflation 이라고 부른 이유가 여기에 있다. 포장은 그대로, 가격도 그대로인데 내용물만 조용히 줄어드는 과자 같은 구조.

AI 서비스의 특수성은 소비자가 이를 검증하기 지극히 어렵다는 데 있다. 같은 프롬프트에도 확률적으로 다른 답이 나오고, "기분 탓일까"라는 의심은 개인 경험으로만 축적된다. AMD 시니어 디렉터가 6,852개 세션을 정량 분석한 방식이 충격이었던 것은, 그것이 소비자 측이 처음으로 AI 품질 저하를 '데이터로' 입증해낸 사건이었기 때문이다.

달리 말하면, 이 정도 규모의 인프라와 통계 역량을 가진 소수의 엔터프라이즈만이 이런 검증을 할 수 있다는 뜻이다.

그래서 답은

LLM 운영에서의 미세조정(파인튜닝 및 후처리 전반)은 순수한 기술적 최적화의 문제가 아니다.그것은수익성·컴퓨팅 용량·경쟁 타이밍·브랜드 관리가 얽힌 경제적 의사결정이다.

Anthropic은 이번 사건에서 비교적 솔직한 포스트모템을 공개했고, 사용량 한도를 전 구독자에게 리셋했으며, @ClaudeDevs 채널을 통한 투명한 소통을 약속했다. AI 업계 기준으로는 이례적으로 책임 있는 대응이었다는 점은 평가받아 마땅하다.

하지만 근본 질문은 남는다.

다음에 비슷한 일이 생기면, 우리는 어떻게 알 수 있는가?AMD 규모의 조직이 아닌, 월 20달러짜리 Pro 구독자가 성능 저하를 감지하고 증명할 수 있는가? 이번 사건이 남긴 가장 큰 교훈은 Anthropic의 실수 자체가 아니라,AI 서비스 품질에 대한 표준화된 외부 감사·벤치마크·공시 체계가 사실상 전무하다는 현실이다.

Web3가 블록체인 투명성으로 "Don't trust, verify" 패러다임을 세웠다면, 이제 AI 서비스에도 같은 질문이 필요한 시점이 왔다. 사용자가 지불하는 가격과 실제로 제공되는 '지능'의 정합성을 어떻게 검증할 것인가.

Anthropic의 이번 포스트모템은 결론이 아니라, 그 논의의 시작점이다.

참고

  • Stella Laurenzo, GitHub Issue #42796, 2026.04.02
  • Anthropic Engineering Blog, "An update on recent Claude Code quality reports", 2026.04.23
  • VentureBeat / Fortune / The Register 관련 보도

Dennis Kim 2026.04.24