🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

오픈AI는 GPT-5.6 루나·테라의 가격을 낮추고 솔의 고속 처리를 도입해, 기업이 업무 단계별로 필요한 지능·속도·비용을 선택할 수 있는 가격 대비 성능 범위를 넓혔다.

📌 핵심 요약

• GPT-5.6 루나의 가격은 80%, 일상 업무용 균형 모델인 테라의 가격은 20% 인하됐으며, 코덱스와 챗지피티 워크에서도 두 모델의 사용량이 더 적은 크레딧으로 계산된다.
• API의 기존 우선 처리는 패스트 모드로 대체되며, GPT-5.6 솔을 동일한 지능 수준으로 표준 처리보다 최대 2.5배 빠르게 이용할 수 있지만 가격은 두 배다.
• 오픈AI는 업무의 중요도, 오류 비용, 긴급성, 규모를 기준으로 필요한 결과를 먼저 정의하고 평가를 통해 각 단계에 적합한 모델을 선택하라고 제안한다.
• 효율 향상은 모델, 추론 시스템, 에이전트 실행 계층, 하드웨어 배치, 운영 소프트웨어, 문맥 관리 전반에서 이뤄졌으며, 솔이 참여한 최적화 작업은 서비스 비용과 토큰 생성 효율을 추가로 개선했다.
• 7월 30일부터 API에서 테라는 입력 100만 토큰당 2달러·출력 12달러, 루나는 입력 0.20달러·출력 1.20달러로 제공되며 솔의 가격과 기존 구독 가격 및 할당량은 유지된다.

🧩 주요 포인트

1. 루나·테라 가격 인하와 솔 패스트 모드 도입 → 대량 반복 업무의 경제성과 시간 민감 고난도 업무의 처리 속도를 서로 다른 방식으로 개선한다.
2. 결과 기준의 모델 선택과 단계별 조합 → 모든 작업에 최고급 모델을 고정하기보다 추가 지능이 실제 품질을 높이는 구간에만 비용을 집중할 수 있다.
3. 모델부터 운영 계층까지 이어지는 전면적 효율화 → 같은 연산 자원으로 더 많은 유용한 작업을 처리하고 이후의 비용·성능 개선 주기를 단축한다.

🧠 상세 정리

1. 가격 대비 성능 개선의 핵심 발표

오픈AI는 2026년 7월 30일 GPT-5.6의 실행 효율 향상을 고객이 체감할 수 있는 가격과 속도 변화로 전환한다고 발표했다. 전날에는 GPT-5.6이 자사 운영 효율을 높이는 데 기여한 과정을 소개했고, 이번 발표에서는 그 성과를 루나·테라 가격 인하와 솔의 빠른 처리 옵션으로 연결했다. 회사가 제시한 목표는 고객이 동일한 AI 예산으로 더 많은 유용한 작업을 수행하고, 시간이 중요한 업무를 더 빨리 처리하도록 하는 것이다. 이러한 변화는 모델 제작뿐 아니라 서비스 운영과 실제 업무 적용 방식까지 수년간 개선한 결과라고 설명한다. 오픈AI는 고급 지능을 더 풍부하고 저렴하게 공급하는 일이 범용 인공지능의 혜택을 넓히려는 자사 임무를 제품 정책으로 실천하는 것이라고 규정했다.

2. 루나와 테라의 가격 인하

가장 빠르고 저렴한 모델로 소개된 GPT-5.6 루나의 가격은 기존보다 80% 낮아졌고, 일상적인 업무에 맞춘 균형형 모델 GPT-5.6 테라는 20% 인하됐다. 이 가격 변화는 API 단가에만 적용되는 것이 아니라 코덱스와 챗지피티 워크의 유료 구독에서 사용량을 계산하는 방식에도 반영돼, 루나와 테라가 더 적은 크레딧을 소모한다. 특히 루나는 도구를 사용하고 여러 단계로 구성된 업무 흐름을 완료할 수 있어, 대량 작업을 높은 품질로 처리하는 응용 프로그램의 운영 비용을 낮추는 역할을 맡는다. 오픈AI는 루나가 약 1년 전 최첨단으로 평가됐던 모델과 비슷한 성능을 작업당 약 6% 수준의 비용과 거의 9배의 속도로 제공한다고 밝혔다. 이에 따라 이전에는 비용 때문에 제한적으로만 적용할 수 있었던 고빈도 업무도 더 큰 규모로 운영할 수 있다는 것이 발표의 핵심 주장이다.

3. 솔을 위한 패스트 모드

API에서는 기존 우선 처리 상품을 대체하는 패스트 모드가 도입됐다. GPT-5.6 솔의 패스트 모드는 지능 수준을 바꾸지 않으면서 표준 처리보다 최대 2.5배 빠른 속도를 제공하고, 이용 가격은 표준 처리의 두 배로 책정된다. 기존 요청과의 호환성도 유지돼 우선 처리 태그가 붙은 API 요청은 별도 변경 없이 자동으로 패스트 모드를 사용한다. 이 방식은 코덱스의 빠른 실행 옵션과도 맞춰져 있어 기존 사용 흐름을 크게 바꾸지 않고 이용할 수 있다. 오픈AI는 복잡한 솔 작업 가운데 응답 시간이 특히 중요한 경우에는 추가 비용을 지불해 속도를 높이고, 시간 민감도가 낮은 경우에는 표준 처리를 이용하는 선택지를 제공하려는 것이라고 설명한다.

4. 결과를 기준으로 한 모델 선택

오픈AI는 AI를 효율적으로 사용하는 출발점을 모델 자체가 아니라 달성해야 할 결과로 제시한다. 업무의 중요도, 오류가 발생했을 때의 비용, 긴급성, 처리 규모에 따라 지능·속도·신뢰성·비용 사이의 적정 균형이 달라지며, 하나의 업무 흐름 안에서도 단계별 요구가 바뀔 수 있다는 설명이다. 기업은 먼저 필요한 결과와 품질 기준을 정한 뒤 평가를 수행해, 추가 지능이 실제 결과를 개선하는 구간과 더 빠르고 저렴한 처리로도 같은 품질을 얻을 수 있는 구간을 구분할 수 있다. 예를 들어 코딩 업무에서는 솔이 불확실성을 해소하고 계획을 세운 뒤, 루나가 명확해진 변경 사항을 구현하고 테스트를 작성·실행하며 결과를 평가하도록 구성할 수 있다. 전문 업무 평가인 에이전트의 마지막 시험에서는 루나가 페이블 5보다 높은 성능을 보이면서 추정 작업당 비용은 약 99% 낮았다고 제시됐다. GPT-5.6 제품군은 이런 단계별 선택을 통해 각 지점에 필요한 최대한의 지능을 적용하되, 실제로 창출되는 가치에 맞는 비용을 지불하도록 설계됐다.

5. 고객 사례에서 제시된 운영 성과

기사에 인용된 고객 평가들은 루나와 테라의 비용·속도 개선이 실제 업무 구성에 어떤 변화를 줬는지를 보여준다. 노션은 개인용 에이전트의 작업 공간 질의응답과 범위가 정해진 업무에서 테라가 GPT-5.5와 비슷한 품질을 내면서 작업당 비용은 절반, 소요 시간은 60% 적었다고 밝혔다. 블리치는 루나 도입 후 단일 구조화 출력 호출을 완전한 도구 호출형 에이전트 반복 구조로 전환했으며, 프롬프트 캐시 재사용률이 24%에서 90%로 높아지고 처리 문맥은 2.2배 늘어난 반면 출력 토큰은 8.5배 줄었다고 설명했다. 이 회사가 보고한 비용은 GPT-5.4 미니보다 87% 낮았고, 더스트는 동일한 에이전트 업무에서 이전 기본 모델보다 루나가 40% 빠르고 40% 저렴했다고 밝혔다. 램프의 내부 코딩 평가에서는 루나와 테라가 비용 효율성을 주도해 루나가 백그라운드 에이전트 자동화의 기본 모델이 됐으며, 코그니션은 루나를 대형 모델의 반복적인 업무를 맡는 보조 프로그래머로 활용했다. 리플릿 역시 루나의 가격과 성능 조합이 당초 장기간 구현하기 어렵다고 예상했던 활용 사례를 가능하게 했다고 평가했다.

6. 모델부터 에이전트 실행 계층까지의 효율화

가격과 처리량 개선의 기반은 모델 하나가 아니라 모델을 실행하고 실제 업무에 연결하는 전체 계층의 효율 향상이다. 오픈AI는 모델 자체, 모델을 구동하는 추론 시스템, 도구와 문맥을 연결하는 에이전트 실행 계층을 함께 개선했다고 설명한다. GPT-5.6 모델은 업무를 수행할 때 더 직접적인 경로를 택하고, 개선된 작업 배치는 하드웨어가 유휴 상태에 머무는 시간을 줄여 생산적으로 사용되도록 한다. 최적화된 운영 소프트웨어는 토큰 생성을 효율화하며, 향상된 문맥 관리는 에이전트가 이미 완료한 일을 반복하지 않도록 돕는다. 이러한 변화가 결합되면서 동일한 연산 자원으로 더 많은 유용한 작업을 완료하고, 결과 하나를 얻는 데 필요한 시간·토큰·비용을 함께 줄일 수 있었다는 것이 오픈AI의 설명이다.

7. 솔이 참여한 추가 최적화 과정

GPT-5.6 솔은 인간이 주도하는 기술 개선 과정 안에서 다음 단계의 효율 향상을 찾고 구현하는 데도 활용됐다. 솔은 운영 환경의 커널을 자율적으로 다시 작성하고 최적화했으며, 토큰 생성 성능을 높이기 위한 수백 건의 실험을 설계하고 실행했다. 또한 학습 과정을 감시하다 문제가 발생했을 때 개입하는 역할도 수행했다. 커널 최적화 작업은 모델을 서비스하는 전체 비용을 20% 줄이는 데 기여했고, 실험 결과 토큰 생성 효율은 15% 넘게 높아졌다고 오픈AI는 밝혔다. 회사는 모델의 능력과 자율성이 향상될수록 기술팀이 다음 효율 개선을 더 빠르게 발견할 수 있어, 모델 향상이 다시 운영 효율 향상을 촉진하는 순환 구조가 형성된다고 설명한다.

8. 규모 확장과 기업 업무의 경제성

오픈AI는 풍부한 지능 수요를 충족하려면 연산 자원의 총량뿐 아니라 각 연산 자원이 만들어 내는 유용한 작업량도 함께 늘려야 한다고 본다. 이를 위해 복원력 있는 인프라 구성을 구축하고, 개별 업무를 실행 특성에 가장 적합한 시스템과 연결하는 전략을 제시했다. 가격 대비 성능 곡선의 저비용 구간에서는 루나와 테라의 인하된 가격이 대량 작업을 훨씬 큰 규모로 경제적으로 운영하도록 돕는다. 반대편의 고성능 구간에서는 솔의 패스트 모드가 응답 시간이 중요한 복잡한 작업에 더 빠른 접근을 제공한다. 그 결과 대규모 문서 분석, 고객 상호작용 분류, 정형화된 구현 작업은 일상 운영에 폭넓게 적용할 수 있고, 중요한 고난도 업무에는 필요할 때 더 높은 속도와 지능을 배정할 수 있다는 것이 발표의 논리다.

9. 제공 범위와 구체적인 가격

GPT-5.6 테라와 루나는 챗지피티 워크, 코덱스, 오픈AI API에서 계속 제공된다. 챗지피티 워크와 코덱스의 무료 및 고 요금제 사용자는 테라를 이용할 수 있고, 플러스·프로·비즈니스·엔터프라이즈 사용자는 테라와 루나 중에서 선택할 수 있다. 7월 30일부터 API에서 테라는 입력 100만 토큰당 2달러, 출력 100만 토큰당 12달러이며, 루나는 입력 100만 토큰당 0.20달러, 출력 100만 토큰당 1.20달러다. 솔의 API 가격과 챗지피티·코덱스 구독 가격 및 할당량 예산은 바뀌지 않지만, 테라와 루나 사용 시 차감되는 크레딧은 줄어든다. 솔의 패스트 모드는 API의 우선 처리를 대체하면서 기존 우선 처리 태그 요청과의 호환성을 유지하므로, 기존 연동을 중단하지 않고 새로운 속도 체계로 전환할 수 있다.

🧾 핵심 주장 / 시사점

• GPT-5.6 제품군의 운영 원칙은 하나의 모델을 전체 업무에 고정하는 것이 아니라, 평가 결과에 따라 계획·판단에는 솔을 쓰고 명확한 구현·시험에는 루나를 쓰는 식으로 단계별 역할을 나누는 것이다.
• 가격 인하는 단순한 요금 조정이 아니라 모델의 작업 경로, 추론 시스템, 하드웨어 배치, 운영 소프트웨어, 문맥 관리에서 발생한 절감 효과를 고객에게 이전한 결과로 제시된다.
• 기사에 인용된 고객 사례에서는 낮은 모델 단가뿐 아니라 프롬프트 캐시 재사용 증가, 출력 토큰 감소, 처리 시간 단축, 도구 호출형 에이전트 전환이 작업당 비용 절감과 함께 나타났다.

✅ 액션 아이템

• 업무 중요도·오류 비용·긴급성·규모로 필요한 결과를 먼저 정의한 뒤, 단계별로 루나·테라·솔 조합을 평가한다.
• 대량 반복 업무는 인하된 루나·테라 단가로 재계산하고, 시간 민감 고난도 구간만 솔 패스트 모드 적용 범위를 정한다.
• 추가 지능이 실제 품질을 높이는 구간에만 비용을 모으도록, 최고급 모델 고정 사용 구간을 점검한다.

❓ 열린 질문

• 루나 80%·테라 20% 인하와 솔 2배 요금·최대 2.5배 속도 조건에서, 단계별 손익분기 기준은 무엇인가?
• 동일 지능 수준에서 패스트 모드가 표준 처리 대비 품질 손실 없이 이득인 업무 유형은 어디인가?
• 중요도·오류 비용·긴급성·규모 중 모델 상향을 정당화하는 최소 품질 개선 폭은 어떻게 판단할 것인가?