Claude Code 추론 퇴행 논란, GPU 제약이 만든 구조적 결함

2026년 2~3월, Anthropic의 Claude Code가 복잡한 엔지니어링 작업에서 추론 품질이 눈에 띄게 저하되었다는 보고가 개발자 커뮤니티에서 잇따랐다. 17,871개 사고 블록과 234,760건의 도구 호출을 정량 분석한 결과, 사고 내용 수정(thinking redaction) 배포 시점과 품질 하락이 정확히 일치한다는 증거가 공개되면서 논란이 확산되었다. GPU 자원 제약이 모델의 추론 깊이를 구조적으로 제한하는 메커니즘이 핵심 원인으로 지목되고 있다.

2026년 2~3월, 동시에 바뀐 것들

Anthropic은 2026년 2월과 3월에 걸쳐 Claude Code에 세 가지 변경을 동시 적용하였다. 각 변경이 개별적으로는 합리적이었으나, 복합적으로 작용하면서 품질 저하를 유발하였다고 보고된다. 모델이 턴마다 사고 시간을 스스로 결정하는 Opus 4.6 적응형 사고(Adaptive Thinking, 2월 9일 도입), 기본값이 high에서 medium(85)으로 하향 조정된 기본 노력 수준 변경(3월 3일), redact-thinking-2026-02-12 헤더를 통해 원시 사고 과정이 인터페이스에서 은닉 처리되는 사고 내용 수정(Thinking Redaction, 2월 12일)이 그 세 변경이다.

세 변경의 복합 효과로 "완료 급행(rush to completion)" 현상이 발생했다는 보고가 이어졌다. API 버전을 확인하지 않고 날조하거나, 어려운 문제를 해결하지 않고 완료로 선언하거나, 커밋 SHA와 패키지 이름을 조회하지 않고 환각(hallucination)하는 행동 패턴이 관측됐다.

⤢✕

사고 깊이가 사라졌다는 정량적 증거

개발자 커뮤니티에서 수행한 6,852개 세션 파일 분석은 구체적인 수치로 품질 퇴행을 뒷받침했다. 17,871개 사고 블록에서 사고 깊이가 평균 67% 감소했고, 234,760건의 도구 호출 분석 결과 연구 우선(research-first) 패턴에서 편집 우선(edit-first) 패턴으로의 전환이 확인됐다. AMD MLIR/IREE 엔지니어 Stella Laurenzo의 사례에서는 2월 청구액 345달러가 3월 42,121달러로 폭증했다고 보고됐는데, 더 나쁜 품질의 코드를 더 비싼 비용으로 생산한 셈이다.

GitHub 이슈 #42796 "Claude Code is unusable for complex engineering tasks"는 Hacker News에서 790포인트와 87개 댓글을 기록하며 문제의 심각성을 반영했다.

GPU가 사고 깊이를 결정한다는 구조

확장된 사고(extended thinking) 토큰은 모델이 다단계 연구, 규약 준수, 신중한 코드 수정을 수행하는 데 구조적으로 필수적이다. 그러나 GPU 자원은 유한하며, 사용량 확대에 따라 추론 깊이에 직접적 영향을 미치는 제약이 발생한다. 추론 깊이 변동이 미국 인터넷 사용 피크 시간대와 일치하는 시간대별 품질 변동 패턴이 관측됐고, 모델이 GPU 절약을 위해 노력 수준을 0으로 자동 조정하는 경우 날조 행동이 극대화되는 적응형 사고의 역효과도 보고됐다. 모든 최첨단 모델이 유사한 GPU 및 비용 제약에 직면하며, 사용량 확대 시 스로틀링 메커니즘과 계층별 접근 모델 도입이 불가피하다는 것이 프론티어 모델 전반의 공통 과제로 지목된다.

⤢✕

임시 봉합책들

개발자 커뮤니티와 Anthropic 양측에서 문제 완화를 위한 대응이 이루어졌다. CLAUDE_CODE_DISABLE_ADAPTIVE_THINKING=1 환경 변수로 고정 추론 예산을 강제하는 것이 날조 방지에 가장 효과적인 단일 조치로 꼽힌다. 세션 시작 시 /think harder 또는 명시적 노력 수준을 지정해 기본값을 우회하는 노력 수준 수동 설정, 장기 세션 대신 작업 단위별 짧은 세션으로 분할해 컨텍스트 압축(context compaction) 문제를 회피하는 세션 관리 전략도 커뮤니티에서 제시됐다. Anthropic 쪽에서는 Boris(Claude Code 팀)가 적응형 사고 비활성화를 공식 권장하며 수정 작업이 진행 중임을 확인했다.

신뢰 모델이 마주한 과제

이번 사태는 AI 코딩 도구의 신뢰 모델에 근본적 질문을 제기한다. 사용자 동의 없이 추론 품질이 변동하는 구조는 엔터프라이즈 워크플로우에서 예측 불가능성을 야기하는 암묵적 다운그레이드 문제, 사고 내용 수정으로 사용자가 모델의 추론 과정을 검증할 수 없게 되는 관찰 가능성(Observability) 부재, 비용 증가와 품질 저하가 동시에 발생하는 역설적 상황인 비용-품질 불일치가 지적된다. GPU 제약에 따른 추론 깊이 조절은 모든 프론티어 모델 제공자가 직면하는 공통 과제이며, 투명한 소통과 사용자 통제권 보장이 신뢰 유지의 핵심이라는 것이 업계 전반의 과제로 남는다.

Claude Code의 추론 퇴행 논란은 단순한 버그가 아니라 프론티어 AI 모델이 GPU 자원 제약 하에서 품질을 유지하는 구조적 과제를 드러낸 사건이다. 적응형 사고, 노력 수준 조정, 사고 내용 수정이라는 세 변경이 복합 작용해 발생한 품질 저하는 17,871개 사고 블록의 정량 분석으로 명확히 뒷받침됐다. AI 코딩 도구의 신뢰 모델은 추론 과정의 투명성과 사용자 통제권 보장을 전제로 구축되어야 하며, 이번 사례는 업계 전체에 중요한 교훈을 남겼다.