비엔지니어의 Claude Code 활용 4가지 ROI 실측 가이드

저는 지난 블로그에서 AI 코딩 도구의 ROI를 측정하는 4가지 핵심 지표(사용자별 토큰 소비량, 세션·요청당 비용, AI 제안 채택률, 코드 재수정 비율)를 다룬 바 있습니다. 이번 글에서는 이 4가지 지표를 Claude Code에 접목해 Claude Code 활용 ROI를 측정하는 방법을 소개하려 합니다.

Claude Code는 세션별 토큰·도구 사용 데이터를 로컬에 자동으로 기록하는데요. 이를 활용해 ROI 측정 지표를 산출할 수 있습니다. 이 데이터로 베이스라인을 측정하고, 이후 변화 추세를 비교하면 Claude Code 활용 ROI를 일정 수준으로 추적할 수 있죠.

이 글은 Claude Code 활용 ROI를 측정하기 위한 실습 조건과 환경을 설명하고, 4가지 지표를 측정하는 상세 실습 가이드를 다루려고 합니다. 단, 앞선 글의 지표 일부는 실습 환경에 맞게 재정의해 적용합니다. 아울러 실습의 한계와 실무 적용 시 유의 사항도 함께 살펴보겠습니다.

실습 조건과 환경은?

이 글에서 설정한 Claude Code 활용 ROI 측정 실습의 조건과 환경을 소개합니다.

Claude Code 활용 ROI 측정 기능과 라이선스별 가능 범위

Anthropic은 Claude Code 활용 ROI를 측정하는 기능을 라이선스 단계별로 다르게 제공합니다.

• Analytics 대시보드와 Claude Code Analytics Admin API (Team·Enterprise 플랜): 조직 단위로 수락된 코드 라인 수, 제안 채택률, 활성 사용자, 세션 수와 같은 사용 지표를 제공합니다. Claude Code Analytics Admin API에서는 도구별 수락·거부율, 모델별 토큰·비용 추정 데이터도 추가로 확인할 수 있고요. GitHub을 연동하면 Claude Code가 작성한 코드가 포함된 Pull request(PR)를 식별하는 Contribution Metrics도 사용할 수 있죠.
• Console 사용량 대시보드 (API 종량제): 일별 API 비용과 활성 사용자·세션, 사용자별 지출과 수락된 라인 수를 확인할 수 있습니다. 사용량과 지출에 집중된 화면으로, 조직 단위 Analytics 대시보드와 다루는 지표 범위가 다릅니다.
• 로컬 사용량 데이터 (Pro·Max 플랜): 개인 사용자는 Claude Code 슬래시 명령 /usage(별칭 /cost)로 현재 세션 정보와 구독 한도 사용률을 확인할 수 있습니다. 또 ~/.claude/projects/ 경로 아래 세션별 JSONL 로그가 자동으로 기록되는데요. 이 로그를 분석하면 자기가 사용한 데이터로 토큰·세션·도구 사용 패턴을 파악할 수 있습니다.

이 글은 개인 라이선스 환경에서 로컬 사용량 데이터로 ROI를 측정합니다. 조직 단위 측정이 가능한 Team·Enterprise 플랜이나 API 종량제 환경은 다루지 않습니다.

실습 환경

이 글은 다음 조건에서 실습을 진행합니다.

• 현재 라이선스: Claude Max 개인 라이선스
• 데이터 기간: 약 3개월 (2026년 2월 9일 ~ 5월 13일)
• 라이선스 변경 이력: 측정 기간 초기에 다른 라이선스로 사용을 시작했고, 이후 Max 라이선스로 전환했습니다. 이 실습은 라이선스를 구분하지 않고 약 3개월의 누적 데이터를 분석합니다.
• 사용 직무: 비엔지니어 (콘텐츠 기획·제작 위주)
• 데이터 출처: 로컬 JSONL 로그 (~/.claude/projects/)
• 지표: 사용자별 토큰 소비량, 세션·요청당 비용, 작업 유형별 도구 호출 분포, 세션당 메시지 수 베이스라인

이 실습은 비엔지니어 환경에서 진행돼 코드 작성 활동이 적습니다. 따라서 앞선 글에서 다룬 4가지 지표 중 AI 제안 채택률은 작업 유형별 도구 호출 분포로, 코드 재수정 비율은 세션당 메시지 수 베이스라인으로 변형해 측정합니다. 사용자별 토큰 소비량과 세션·요청당 비용은 그대로 적용합니다.

Claude Code 활용 ROI 베이스라인을 어떻게 측정할까?

이제 Claude Code 사용 데이터로 4가지 지표 베이스라인을 측정하겠습니다. 실습은 저의 약 3개간 누적 사용 데이터를 토대로 진행합니다.

측정에는 두 가지 도구를 사용합니다.

• ccusage: 로컬 JSONL 로그를 일·월·세션 단위로 집계하는 오픈 소스 CLI 도구입니다. 토큰 소비량과 API 환산 비용을 표 형식으로 보여줍니다. 실습 1과 실습 2에서 사용합니다.
• Claude Code 자체: JSONL 로그를 자연어 요청으로 분석하도록 Claude Code에 직접 요청합니다. Claude Code가 분석 스크립트를 작성하고 실행해 결과를 정리합니다. 실습 3과 실습 4에서 사용합니다.

실습 1·2는 토큰·비용과 같은 정량 데이터를 다루기에 ccusage가 적합하고요. 실습 3·4는 도구 호출 분포·세션 메시지 수와 같은 특정한 사용 패턴 분석을 요청하기에 Claude Code에 직접 분석을 지시하는 게 효율적입니다.

이 글의 ROI 측정 실습 구성

실습 1: 토큰 소비 패턴 측정

지난 글에서 다룬 첫 번째 지표인 사용자별 토큰 소비량에 대응하는 실습입니다. ccusage로 저의 일별·월별 토큰 소비 패턴 베이스라인을 측정합니다.

진행 순서

1. 터미널을 열고 Node.js가 설치돼 있는지 확인합니다. macOS 사용자라면 다음 명령으로 확인할 수 있습니다.

   bash

   node --version
   

   ‘v20.x’ 같은 버전 번호가 표시되면 정상입니다. 표시되지 않으면 Node.js를 먼저 설치해야 합니다.

2. ccusage 일별 집계를 실행합니다. ccusage는 별도 설치 없이 npx로 바로 실행할 수 있습니다.

   bash

   npx ccusage@latest daily
   

   처음 실행하면 ccusage 패키지를 임시로 내려받습니다. 10 ~ 30초 후 일별 토큰 사용량과 API 환산 비용이 표로 출력됩니다.

   ccusage 일별 토큰 소비 집계 결과

3. 월별 집계도 확인합니다. 월별 합계는 베이스라인 평균을 잡는 데 적합합니다.

   bash

   npx ccusage@latest monthly
   

   ccusage 월별 토큰 소비 집계 결과

측정 결과

저의 약 3개월 간 토큰 소비 베이스라인은 다음과 같습니다.

• 총 토큰 소비량: 약 3억 3672만 토큰
• API 환산 총비용: $239.17 (약 35만6650원)
• 활동일 일평균: 약 1083만 토큰
• 캐시 사용 비중: 약 96.6% (Cache Read 3억 2515만 / 총 3억 3672만)

월별로 살펴보면 사용 패턴이 명확하게 변했습니다. 2월(약 20일 치) 1386만 토큰·$7.12에서 4월 2억 706만 토큰·$149.04로, 약 3개월 사이 토큰 사용량이 15배 늘었죠. 모델 사용도 2 ~ 3월 haiku-4-5·opus-4-6·sonnet-4-5·sonnet-4-6 혼용에서 4월 이후 opus-4-7 중심으로 바뀌었고요. 5월은 13일 치만 집계해서 9300만 토큰·$71.93으로 기록됐는데요. 추세를 단정 짓기에 표본이 부족합니다.

결과 해석

지난 글에서도 언급했듯 토큰 소비량 단독으로 ROI를 판단하기는 어렵습니다. 다만 제 베이스라인을 ROI 측면에서 평가하려면 다음 세 가지 신호를 함께 추론할 수 있는데요.

• 활동 강도: 일평균·월별 토큰 사용량이 증가하면 도구 활용이 늘어나고 있으며, 정체·감소하면 활용도가 낮아지고 있다는 의미입니다. 저는 2월 대비 4월 15배 증가했으니 활용이 확대되고 있다는 신호로 볼 수 있습니다.
• 효율성: 캐시 사용 비중이 높을수록 같은 컨텍스트를 다시 처리하지 않고 재사용해 비용이 크게 줄어드는데요. 제 캐시 사용 비중 96.6%는 효율적인 사용 패턴이라고 평가할 수 있습니다.
• 가치 정합성: 토큰 사용량 증가가 가치 산출과 정합하면 ROI가 양호하다고 볼 수 있죠. 저는 4월 토큰 폭증이 다양한 분야의 콘텐츠 작업 확대와 맞물려 있어 ROI가 나쁘지 않아 보입니다. 가치 산출 없이 토큰만 폭증하면 비효율 신호로 판단할 수 있고요.

한 가지 짚고 갈 점은 API 환산 비용 $239.17이 제가 실제로 낸 비용은 아니라는 점입니다. 이는 같은 토큰 사용량을 종량제로 환산했을 때 추정되는 참고 값이고요. Claude Pro·Max 구독 사용자의 실제 비용은 실습 2의 /cost에서 다른 형태로 확인할 수 있습니다.

실습 2: 세션·요청당 비용 측정

지난 글에서 다룬 두 번째 지표인 세션·요청당 비용에 대응하는 실습입니다. ccusage 세션 집계와 Claude Code의 /cost 슬래시 명령으로 세션 단위 비용 베이스라인을 측정합니다.

진행 순서

1. ccusage 세션별 집계를 실행합니다.

   bash

   npx ccusage@latest session
   

   세션 단위로 토큰·비용이 집계됩니다. 세션 수가 많으면 결과가 길게 출력되니 표 상단과 마지막 Total 행을 함께 확인해야 합니다.

   ccusage 세션별 토큰 소비 집계 결과

2. Claude Code 안에서 /cost 슬래시 명령을 실행합니다. 현재 활성 세션 정보와 구독 한도 사용률을 보여줍니다.

   Claude Code /cost 명령으로 확인한 구독 한도 사용률

측정 결과

저의 세션·요청당 비용 베이스라인은 다음과 같습니다.

• ccusage 집계 총 세션 수: 52개 (약 3개월)
• 세션당 API 환산 평균 비용: 약 $4.60 (약 6852원)
• 세션당 비용 분포: 최저 $0.06 (약 90원, subagents, 2026-03-09) ~ 최고 $22.04 (약 3만 2830원, insight-v2, 2026-05-08)
• 현재 주간 구독 한도 사용률 (Max): 19% (Sonnet 한도 3%)

세션 간 비용 차이가 크게 나왔습니다. 최고 비용 세션이 최저 비용 세션의 약 367배인데요. 세션 이름으로 유추하건대, 작업 성격에 따라 비용이 크게 달라지는 것으로 풀이됩니다. 홈페이지 관련 작업·콘텐츠 작업이 비용 상위를 차지하고요. 기술 실험, 기술 블로그 작성용 실습과 같은 짧은 세션은 비용이 적었습니다.

결과 해석

세션·요청당 비용도 단순 평균만으로 ROI를 판단하기는 곤란합니다. 다만 제 베이스라인을 ROI 측면에서 평가하려면 다음 세 가지 신호를 함께 고려해야 합니다.

• 비용 분포 패턴: 세션 비용 분포가 양극화돼 있으면 단순 평균만으로 사용 패턴을 올바르게 이해하기 어렵습니다. 저는 최저 $0.06과 최고 $22.04 사이 약 367배 차이가 나는 양극화 분포에 해당하는데요. 작업 성격별 cohort 분석이 필요합니다.
• 구독 한도 활용도: 주간 구독 한도 사용률은 도구 활용도 적정 수준을 보여주는 신호입니다. 저의 현재 사용률 19% (Sonnet 3%)는 한도 도달 위험 없이 활용을 크게 늘려도 괜찮다는 신호로 볼 수 있습니다.
• 비용-가치 정합성: 고비용 세션이 고가치 산출과 정합하면 ROI가 좋다고 판단할 수 있습니다. 저는 비용 상위 세션이 주 업무인 콘텐츠 작업인데요. 해당 작업도 높은 가치를 창출해야 이 작업에 쓰인 Claude Code 비용도 ROI 측면에서 양호한 평가를 받을 수 있다고 생각합니다.

ccusage와 /cost가 보여주는 정보가 다른 점도 유념해야 하는데요. ccusage는 토큰 사용량의 API 환산 추정 비용을 보여주고요. /cost는 구독 한도 대비 사용률을 보여줍니다. Pro·Max 구독 사용자에게 ‘세션당 비용’의 의미는 종량제 사용자와 다른데요. ccusage와 /cost의 결과를 함께 고려하는 게 세션·요청당 비용 현황을 정확히 판단하는 데 도움이 될 거로 보입니다.

실습 3: 작업 유형별 도구 호출 분포 측정

지난 글에서 다룬 세 번째 지표인 AI 제안 채택률에 대응하는 실습입니다. Claude Code의 코드 편집 도구 채택률은 코드를 작성하지 않는 환경에서는 의미가 작습니다. 이에 저는 제 환경에 맞게 ‘작업 유형별 도구 호출 분포’로 지표를 재정의해 측정했습니다. 제가 Claude Code의 어떤 도구를 얼마나 호출하는지 보는 것도 사용 특성을 명확히 이해하는 데 보탬이 될 수 있겠죠.

진행 순서

1. Claude Code 세션에서 다음 프롬프트를 입력합니다.

   plain

   ~/.claude/projects/ 경로의 모든 JSONL 로그 파일을 분석해서 도구 호출 분포를 정리해 주세요.
   
   - 모든 프로젝트 폴더의 모든 .jsonl 파일을 읽으세요.
   - 각 파일의 각 줄은 JSON 객체이고, type이 "assistant"인 메시지 중 message.content 배열 안에 "type": "tool_use"인 항목을 찾으세요.
   - 각 tool_use의 name 필드(Read, Edit, Write, Bash, Glob 등)를 집계하세요.
   - 도구별 호출 횟수와 전체 대비 비율(%)을 표로 정리해 호출 횟수 내림차순으로 출력해 주세요.
   - 분석한 JSONL 파일 총 개수와 tool_use 호출 총 개수, 가장 많이 쓰인 상위 3개 도구의 짧은 해설을 함께 알려주세요.
   

2. Claude Code가 분석 스크립트를 작성·실행하고 결과를 표로 출력합니다. 진행 중 Bash 실행 권한이나 파일 읽기 권한을 요청하면 승인합니다.

   Claude Code가 분석한 도구별 호출 분포

측정 결과

저의 도구 호출 분포 베이스라인은 다음과 같습니다.

• 분석한 JSONL 파일 수: 130개
• 총 도구 호출 수: 4113건
• 상위 도구 분포: Bash 61.85%, Read 12.86%, TodoWrite 5.23%, Edit 4.06%, Glob 2.87%, WebFetch 2.77%, Write 2.07%, Grep 1.82%, ToolSearch 1.60%, WebSearch 0.83%

Bash가 압도적 1위(61.85%)고요. Read까지 합치면 두 도구가 약 75%를 차지합니다. 코드 편집 도구(Edit, Write)는 합쳐 6.13%에 불과합니다. 흥미로운 점은 작업 계획·체크리스트 관리 도구인 TodoWrite(5.23%)가 Edit(4.06%)보다 많이 쓰였다는 점입니다.

결과 해석

지난 글에서도 밝혔듯 AI 제안 채택률은 사용 행태를 드러내는 신호일 뿐, 가치를 직접 측정하는 지표는 아닙니다. 다만, 제 베이스라인을 ROI 측면에서 평가하려면 다음 세 가지 신호를 해석할 수 있는데요.

• 도구 다양성: 호출이 여러 도구에 분산되면 활용 폭이 넓다는 의미입니다. 저는 상위 5개 도구에 약 85%가 집중돼 있는데요. 그래도 10개 이상의 도구를 활발히 호출하고 있어 다양한 도구를 골고루 활용한다고 볼 수 있습니다.
• 사용 정체성 명확성: 도구 분포가 사용자의 직무·작업 성격과 정합하면 필요에 맞게 적절히 사용한다고 판단할 수도 있는데요. 저는 Bash·Read·Glob·WebFetch 중심으로 도구가 분포돼 있고요. 이는 비엔지니어의 콘텐츠 작업(파일 탐색, 명령 실행, 정보 수집) 성격에 걸맞은 사용 패턴이기도 합니다.
• 자동화 잠재성: 도구 분포가 복합 워크플로 자동화에 가까울수록 도구 활용 가치가 높다고 볼 수 있죠. Claude Code는 자동화 도구이기도 하니까요. 제 도구 호출 패턴은 TodoWrite·Bash·Glob·Read·WebFetch가 결합한 패턴인데요. 이는 단순 질의응답을 넘어 워크플로 자동화 도구로 Claude Code를 사용한다는 신호입니다.

저의 코드 편집 도구(Edit, Write) 호출 비율은 6.13%로 낮은데요. 이것만 보면 ‘AI 코딩 도구를 거의 사용하지 않는 사람’으로 보일 수 있습니다. 그러나 단일 도구 비율이 아닌 전체 분포 패턴으로 봤을 때, 저는 Claude Code를 코드 작성용이 아닌, 명령 실행·파일 탐색·작업 계획·정보 수집을 결합한 워크플로 자동화 도구로 활용하고 있고요. 위 지표가 제 사용 특징을 명확하게 보여줍니다.

실습 4: 세션당 메시지 수 베이스라인 측정

지난 글에서 다룬 네 번째 지표인 코드 재수정 비율에 대응하는 실습입니다. 코드 재수정 비율은 코드를 작성하지 않는 환경에서는 측정하기 어렵습니다. 이에 저는 제 환경에 맞게 ‘세션당 메시지 수’로 지표를 재정의해 측정했습니다. 세션당 메시지 수는 한 작업 단위에서 사용자와 Claude가 얼마나 대화를 주고받았는지 보여주는 지표인데요. 코드 재수정 비율을 측정할 때도 시간 경과 추세가 핵심이듯 세션당 메시지 수도 추세로 봐야 의미 있는 베이스라인이 됩니다.

진행 순서

1. Claude Code 세션에서 다음 프롬프트를 입력합니다.

   plain

   ~/.claude/projects/ 경로의 모든 JSONL 로그 파일을 분석해서 세션당 메시지 수 분포를 정리해 주세요.
   
   - 모든 프로젝트 폴더의 모든 .jsonl 파일을 읽으세요. 각 파일이 하나의 세션입니다.
   - 각 세션 파일에서 type이 "user" 또는 "assistant"인 라인의 개수를 세어주세요.
   - 각 세션의 첫 줄 timestamp에서 세션 시작 날짜를 추출하세요.
   - 다음을 산출해 표로 출력하세요.
     · 전체 세션 수, 전체 메시지 수
     · 세션당 메시지 수: 평균, 중간값, 최소, 최대
     · 메시지 수 구간별 세션 분포 (1~10, 11~50, 51~100, 101~500, 501+)
     · 월별 세션당 메시지 수 평균
   

2. Claude Code가 분석 스크립트를 작성·실행하고 결과를 표로 출력합니다.

   Claude Code가 분석한 세션당 메시지 수 분포 (전체 통계, 메시지 수 구간별 세션 분포)

   Claude Code가 분석한 세션당 메시지 수 분포 (월별 추이, 가장 긴 세션 Top 5)

측정 결과

저의 세션당 메시지 수 베이스라인은 다음과 같습니다.

• 분석한 세션 수: 129개
• 전체 메시지 수: 1만1232건
• 세션당 평균: 87.07 / 중간값: 31
• 세션 분포: 1 ~ 10 메시지 27.91%, 11 ~ 50 메시지 33.33%, 51 ~ 100 메시지 10.85%, 101 ~ 500 메시지 27.13%, 501+ 메시지 0.78%
• 월별 평균(중간값): 2월 44.92(30), 3월 30.92(21), 4월 168.97(163), 5월 131.80(37.5)

평균(87)과 중간값(31)의 큰 격차가 눈에 띕니다. 제 세션이 짧은 작업과 긴 작업으로 양분돼 일부 긴 세션이 평균을 끌어올리는 패턴이죠. 구간별 분포에서도 짧은 세션(50 이하) 61%와 긴 세션(101+) 28%가 양극을 차지하고요. 중간 구간(51 ~ 100)은 10.85%로 가장 적습니다.

결과 해석

세션당 메시지 수도 시간 경과 추세를 함께 보면, 의미를 비교적 온전히 해석할 수 있습니다. 다만, 제 베이스라인을 ROI 측면에서 평가하려면 다음 세 가지 신호를 함께 추론할 수 있는데요.

• 작업 깊이: 긴 세션 비율은 도구로 심층 작업을 얼마나 수행하는지 보여줄 수 있습니다. 저는 101+ 메시지 세션이 28%를 차지했는데요. 이는 짧은 단발성 질의응답뿐만 아니라 긴 작업도 활발히 수행한다는 신호로 볼 수 있습니다.
• 사용 모드 분포: 세션 메시지 수 분포가 양극화되면 도구를 여러 모드로 활용한다는 의미로 해석할 수 있죠. 저는 짧은 세션 61%와 긴 세션 28%, 중간 구간 10.85%의 이중 봉우리 분포를 보이는데요. 짧은 세션은 빠른 질문·실험·확인이고 긴 세션은 주 업무인 콘텐츠 작업이죠. Claude Code를 다양한 모드로 사용하는 특징을 확인할 수 있습니다.
• 추세 안정성: 월별 변화 양상은 추세 해석의 신뢰도에 영향을 미치는데요. 저는 4월 평균·중간값이 폭증(평균 169, 중간값 163)했습니다. 이 또한 콘텐츠 작업 확대 시기와 일치하죠. 단, 5월 표본은 13일 치로 작아 판단을 내리기가 조심스러운데요. 5월 말까지 충분한 데이터가 누적된 뒤 다시 측정해야 의미 있는 해석이 가능합니다.

이 실습의 한계와 실무 적용 시 유의 사항은?

지금까지 측정한 베이스라인을 실무에 적용할 때 유념할 점이 있습니다.

1. 약 3개월 데이터의 한계

이번 실습 데이터는 약 3개월 분량으로 베이스라인 수립에는 적절합니다. 그러나 도입 6 ~ 12개월 차의 비용 통제와 성능 변화 추세를 짚기에 부족하죠. 특히 실습 4의 5월 데이터(13일 치)는 표본이 작아 추세로 단정할 수 없고요. 이번 실습 결과는 베이스라인 수립 단계의 측정값으로 한정해 보고, 일정 기간마다 같은 방식으로 측정하면서 추세를 누적하는 게 적절합니다.

2. 비엔지니어 환경의 특수성

이번 실습 결과는 비엔지니어인 저의 Claude Code 용도가 코드 작성 도구가 아닌 워크플로 자동화 도구임을 보여줬습니다. 같은 도구라도 사용자 직무·환경에 따라 Claude Code ROI 의미가 달라질 수 있다는 점도 확인했죠.

이는 조직 단위 ROI 측정에도 시사점을 줍니다. 조직 안에서 직무별로 같은 AI 코딩 도구를 다르게 활용할 수 있고요. 특정 지표를 여러 직무에 일률적으로 적용하는 건 정확한 ROI 이해를 가로막을 수 있죠. 비엔지니어 사용자의 워크플로 자동화 가치도 Claude Code ROI의 한 축으로 포함해 살피는 걸 제안하고 싶습니다.

직무별 Claude Code ROI 측정 지표 차이

3. 실습 방법론의 호환성

이번 실습 방법론은 비엔지니어 대상으로 진행했지만, 엔지니어 환경에도 적용할 수 있습니다. 엔지니어는 AI 제안 채택률, 코드 재수정 비율을 재정의할 필요 없이 원형 그대로 측정할 수 있고요. ccusage는 토큰·비용 측정 시 동일하게 활용하면 됩니다. Claude Code 자체 분석 프롬프트는 Edit/MultiEdit/Write/NotebookEdit 도구의 채택률 또는 작성 코드의 7 ~ 21일 내 수정 비율을 산출하도록 변형할 수 있고요.

맺음말

지금까지 Claude Code 활용 ROI를 측정하는 4가지 지표 베이스라인을 살펴봤습니다. 이 글의 요점은 다음과 같은데요.

1. 토큰 소비 패턴은 ccusage 일별·월별 집계로 측정했습니다. 저는 약 3개월간 캐시 사용 비중 96.6%의 베이스라인을 확인했고요. 활동 강도·효율성·가치 정합성 신호로 ROI를 추론했습니다.
2. 세션·요청당 비용은 ccusage 세션 집계와 /cost 슬래시 명령으로 측정했습니다. 세션당 평균 약 $4.60, 주간 한도 사용률 19%의 베이스라인을 확인했습니다. 비용 분포 패턴·구독 한도 활용도·비용-가치 정합성으로 ROI를 판단할 수 있었습니다.
3. 도구 호출 분포는 Claude Code에 JSONL 로그 분석을 직접 요청해 측정했습니다. Bash 61.85% 중심의 베이스라인을 확인했고요. 도구 다양성·사용 정체성 명확성·자동화 잠재성으로 사용 특성을 파악할 수 있었습니다.
4. 세션당 메시지 수는 Claude Code 자체 분석으로 측정했습니다. 세션당 평균 87.07/중간값 31의 베이스라인을 확인했죠. 작업 깊이·사용 모드 분포·추세 안정성으로 사용 패턴을 다각도로 이해할 수 있었습니다.

참고 자료

1. Grace(박민영), "AI 코딩 도구 ROI를 정확히 측정하는 4가지 핵심 지표", 인포그랩, 2026-05-06, https://insight.infograb.net/blog/2026/05/06/ai-roi/
2. "Track team usage with analytics", Anthropic, https://code.claude.com/docs/en/analytics
3. "Manage costs effectively", Anthropic, https://code.claude.com/docs/en/costs
4. "Claude Code Analytics API", Anthropic, https://platform.claude.com/docs/en/manage-claude/claude-code-analytics-api
5. "ccusage", GitHub 리포지터리, https://github.com/ryoppippi/ccusage
6. "Prompt caching", Anthropic, https://platform.claude.com/docs/en/build-with-claude/prompt-caching

우리 조직의 AI 코딩 도구 도입과 ROI 측정 전략을 찾고 계시나요? DevOps 전문가, 인포그랩과 상담하세요!