Claude Tag 공개 및 모델 성능 수치
Anthropic이 슬랙(Slack) 워크스페이스에 직접 통합되어 팀원과 함께 협업하는 AI 에이전트 'Claude Tag'를 베타 버전으로 출시했다. 이 제품은 기존의 'Claude in Slack' 앱을 대체하며, Claude Enterprise 및 Team 플랜 고객을 대상으로 제공된다. 사용자는 슬랙 채널에서 `@Claude`를 호출해 업무를 위임하는 방식으로 도구를 사용한다.
Claude Tag의 구동 모델은 최근 공개된 Claude Opus 4.8이다. Anthropic에 따르면 Opus 4.8은 이전 모델 대비 에이전트 기반 코딩(Agentic Coding) 점수가 64.3%에서 69.2%로 상승했으며, 지식 작업(Knowledge Work) 점수는 1753점에서 1890점으로 증가했다. 이러한 성능 향상은 AI가 더 긴 시간 동안 독립적으로 작업을 수행하고 판단력을 정교화하는 데 초점이 맞춰져 있다.
실제 적용 사례로 Anthropic은 자사 제품 팀 코드의 65%가 내부 버전의 Claude Tag를 통해 생성되고 있다고 밝혔다. 또한 내부 지원 및 데이터 인사이트 채널 운영에도 동일한 시스템을 적용해 업무 흐름을 자동화하고 있다.
작동 방식과 에이전트 구조
Claude Tag는 단순한 챗봇 형태를 넘어 네 가지 핵심 작동 메커니즘을 통해 '팀원'으로서의 기능을 수행한다.
첫째는 '멀티플레이어(Multiplayer)' 구조다. 기존 AI 통합 도구가 사용자별로 개별 인스턴스를 생성하는 것과 달리, Claude Tag는 특정 슬랙 채널 내에서 하나의 공유된 인스턴스로 작동한다. 채널 내 모든 구성원은 AI가 현재 수행 중인 작업을 실시간으로 확인할 수 있으며, 이전 사용자가 진행하던 대화 맥락을 그대로 이어받아 협업할 수 있다.
둘째는 '지속적 학습(Learning)' 기능이다. Claude Tag는 할당된 채널의 대화 흐름을 모니터링하며 프로젝트 맥락을 누적한다. 사용자가 매번 프로젝트 배경을 다시 설명할 필요가 없으며, 권한이 부여된 경우 다른 슬랙 채널이나 외부 데이터 소스에서 컨텍스트를 가져올 수 있다. 단, 비공개 채널의 내용은 보고하지 않는 제약 조건이 있다.
셋째는 '능동적 행동(Ambient Behavior)'이다. AI가 요청에 응답만 하는 것이 아니라, 연결된 도구와 모니터링 중인 채널에서 관련 정보를 능동적으로 찾아 제시한다. 해결되지 않은 채로 중단된 스레드나 작업이 있을 경우 AI가 먼저 후속 조치를 제안하는 방식이다.
넷째는 '비동기 자율 작업(Asynchronous Work)'이다. 사용자가 요청한 작업을 단계별로 분해한 뒤, 접근 권한이 있는 도구를 사용해 수 시간에서 수 일에 걸쳐 독립적으로 프로젝트를 수행한다.
실무 도입 시 고려사항 및 운영 제어
개발자와 IT 관리자가 Claude Tag를 도입할 때 가장 중요하게 다뤄야 할 지점은 '기업급 격리(Enterprise-grade Isolation)'와 '비용 제어'다.
관리자는 용도에 따라 서로 다른 Claude 정체성(Identity)을 정의할 수 있다. 각 정체성은 특정 채널, 특정 도구, 특정 데이터 접근 권한으로 범위(Scope)가 제한된다. 예를 들어 영업용으로 설정된 Claude는 엔지니어링용 Claude가 가진 메모리나 데이터 접근 권한을 공유하지 않는다. 모든 누적 메모리는 설정된 경계 내에서만 유지된다.
비용 관리를 위해 조직 수준과 채널 수준에서 각각 토큰 지출 제한(Token-spend limits)을 설정할 수 있다. 또한 AI가 수행한 모든 작업의 전체 로그와 해당 작업을 요청한 사용자를 검토할 수 있는 로깅 아키텍처가 제공된다. 이는 규제 준수(Compliance) 및 감사(Audit)가 필요한 기업 환경에서 필수적인 제어 장치로 작동한다.
기존 'Claude in Slack' 앱 사용자는 관리자가 30일 이내에 옵트인(Opt-in)을 통해 마이그레이션을 진행해야 한다. 초기 설정 프로세스는 다음과 같은 4단계로 구성된다.
1. 슬랙 워크스페이스 연결(Pair with Slack)
2. 도구 및 데이터 소스 연결(Connect tools)
3. 토큰 지출 제한 설정(Set spend limits)
4. 비공개 채널에서 테스트 수행(Test in a private channel)
실무자는 AI 에이전트가 채널 내의 제도적 맥락(Institutional Context)을 흡수함에 따라 대체 불가능한 데이터 자산이 형성된다는 점을 인지하고, 초기 권한 설정 단계에서 데이터 접근 범위를 정교하게 설계해야 한다.
