챗GPT 제일 높은 설정만 쓰면 손해입니다! 업무별로 이렇게 고르세요

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

챗GPT·코덱스를 항상 최고 설정으로 쓰기보다, 업무별 품질 기준을 충족하는 가장 가벼운 모델·에포트 조합을 고르는 것이 효율적입니다.

📌 핵심 요점

1. 비교 대상은 비개발자 실무 13개와 모델·에포트 19개 조합이었다. 총 247건 중 결과가 없는 4건을 제외한 243건을 평가했으며, 영상의 순위는 이 테스트 범위에 한정된다.
2. 일반 업무의 기본값으로는 GPT 6.1 솔 미디엄을 추천한다. 영상에서는 아스트라와의 품질 차이가 크지 않은 경우가 많았고, 비용과 대기 시간을 함께 줄일 수 있었다고 설명한다.
3. GPT 6 아스트라 엑스트라 하이는 품질과 실수 비용을 우선하는 복잡한 업무에 배치한다. 평균 품질이 가장 높았으며, 특히 3D 애니메이션에서 솔보다 좋은 결과를 보였다.
4. GPT 6.1 테라는 짧고 정답이 분명한 정형 업무에, GPT 6 루나는 수정 범위가 매우 좁은 반복 업무에 적합하다는 평가다. 권장 에포트는 테라가 엑스트라 하이 또는 울트라, 루나가 엑스트라 하이다.
5. 에포트를 올려도 품질이 항상 좋아지지는 않았다. 자주 하는 업무에 동일한 입력으로 두 설정을 비교하고, 합격 기준을 넘는 가장 가벼운 조합을 기준표에 기록하는 것이 영상의 최종 제안이다.

🧩 배경과 문제 정의

영상은 챗GPT·코덱스에서 모델과 에포트 선택이 복잡해지면서, 사용자가 품질 불안을 피하려고 최고 설정을 고정하는 문제에서 출발한다. 이 선택은 대기 시간과 사용량 부담을 키우지만, 반대로 설정을 낮추면 결과물의 누락이나 오류가 걱정된다.

발표자는 교육 사업을 하는 가상 회사의 자료로 비개발자가 자주 맡길 만한 13개 업무를 구성했다. 모델 4개와 에포트 수준을 조합한 19개 설정에 같은 업무별 프롬프트를 적용하고, 확보한 결과물의 품질과 추정 비용을 비교했다. 핵심 질문은 가장 강한 모델이 무엇인지에 더해, 각 업무에서 필요한 품질을 가장 적은 부담으로 얻는 조합이 무엇인지다.

🕒 시간순 섹션별 상세정리

1. 최고 설정 고정의 비용과 비교 실험의 목적

• 모델과 에포트를 고르기 어려워 최고 설정을 유지하면 간단한 답장에도 기다림과 사용량 부담이 생기고, 설정을 낮추면 품질이 불안해지는 문제가 드러난다. [00:39]
• 비개발자 실무 13개를 19개 조합으로 실행한 결과를 바탕으로, 자신의 업무에 맞는 선택 기준표를 만들자는 목표를 보여준다. [01:11]

2. 모델은 담당자, 에포트는 검토 시간

• 모델을 직원에 비유해 아스트라는 고급 시니어, 솔은 팀장, 테라는 빠른 실무자, 루나는 정해진 일을 저렴하게 처리하는 신입으로 보여준다. [01:39]
• 에포트는 검토 시간에 비유한다. 더 꼼꼼한 처리가 가능하지만 기다리는 시간과 사용량도 늘어날 수 있다고 보여준다. [01:57]
• 울트라는 단순히 오래 생각하는 단계보다 일을 나눠 서브에이전트를 활용하는 방식으로 소개하며, 오래 생각하는 수준으로는 엑스트라 하이를 구분한다. [02:26]

3. 실험 구성과 블라인드 평가 방식

• 고객 회신, 데이터 분석, PPT·웹페이지 제작, 디자인 편집, 견적·엑셀 수정 등 13개 업무를 가상 교육 회사 자료로 구성하고 같은 업무에는 같은 프롬프트를 사용했다. [02:51]
• 19개 조합을 실행하고 오류가 난 경우 재시도했으며, 247건 중 결과가 없는 4건을 제외한 243건을 평가 대상으로 삼았다. [03:18]
• 클로드 코드에 평가를 맡기되 결과를 보기 전에 기준을 저장하고, 모델명을 가린 상태로 채점해 순위를 매겼다고 보여준다. [03:42]

4. 비용 해석과 전체 비교 결과

• 비용은 구독 사용의 실제 청구액이 아니라 API 단가를 바탕으로 한 추정치이며, 설정 사이의 상대적인 사용 부담을 비교하는 용도로 드러난다. [04:08]
• 전체 평균 품질은 아스트라 엑스트라 하이가 가장 높았지만 비용도 컸고, 솔 미디엄은 높은 품질과 낮은 비용의 균형이 좋았다는 결과를 보여준다. [05:18]
• 발표자는 이 순위가 모든 업무에 적용되지는 않는다고 강조하며, 품질 우선은 아스트라 엑스트라 하이, 비용 대비 품질은 솔 미디엄이라는 기준을 제안한다. [05:56]

5. 복잡한 고객 회신은 솔이 효율적

• 장애·일정 연기·보상 요구가 섞인 고객 메일에 정책을 적용해 환불 금액과 승인권자를 판단하고, 회신과 내부 메모 등을 작성하는 과제를 사용했다. [06:53]
• 최적 조합은 솔 엑스트라 하이였고, 솔 로우도 비용 대비 좋은 결과를 보였다. 로우의 7위 표시는 공동 1위가 여섯 개였다는 순위 구조와 함께 해석해야 한다. [07:18]
• 아스트라도 잘했지만 비용과 시간이 더 들었으며, 테라·루나는 상대적으로 낮은 순위를 보였다고 보여준다. [07:41]

6. 데이터 분석에서는 답변 완결성이 차이를 만듦

• 주문·결제·수강 관련 파일 여덟 개를 정제하고 질문에 답하는 분석 과제에서, 솔이 아스트라와 비슷한 품질을 더 적은 비용으로 보여줬다고 보여준다. [08:08]
• 루나는 병목이나 추가 질문에 대한 답을 놓쳐 수정이 많이 필요했던 반면, 솔 하이는 바로 사용할 수 있는 수준이었다는 사례를 제시한다. [08:34]

7. PPT 제작은 내용과 필수 산출물을 함께 평가

• 여덟 장짜리 교육 제안서를 만들고 PDF·PNG 렌더까지 요청한 과제에서 솔 하이가 아스트라와 유사한 품질을 더 낮은 비용으로 제공했다고 보여준다. [09:05]
• 솔 로우도 품질을 일부 양보하면 비용 대비 쓸 만했지만, 루나는 렌더 파일 누락이나 수정 지시 오류를 보였다고 비교한다. [09:33]
• 디자인 가이드 덕분에 외형은 비슷해도 필수 행동을 빠뜨릴 수 있으므로, 결과물의 겉모습과 지시 이행을 함께 봐야 한다는 사례다. [09:48]

8. 웹페이지 제작은 실제 동작 확인이 중요

• 워크숍 랜딩 페이지와 실제 전송이 없는 신청 폼을 만들고 데스크톱·모바일 화면을 확인하는 과제에서, 솔 로우도 좋은 결과를 냈다고 보여준다. [10:17]
• 루나 하이는 요청한 디자인을 어느 정도 구현했지만 정상 이메일에도 오류를 내는 문제가 있었다. 솔은 요청한 흐름을 수행해 외형뿐 아니라 기능 검증의 중요성을 보여준다. [10:54]

9. 디자인 편집·브라우저 조사·간단한 버그 수정

• 칸바 배너의 여러 요소를 바꾸고 보호 요소를 유지한 채 내보내는 과제에서는 솔 미디엄이 좋은 결과를 냈다. 루나 엑스트라 하이도 비용 대비 가능성이 있었지만 글자가 어색하게 잘린 사례가 제시됐다. [11:34]
• 브라우저로 X를 조사하는 작업에서도 솔 미디엄이 좋은 성과를 보여, 반드시 아스트라를 사용할 필요는 없었다고 보여준다. [11:57]
• 계산기 버그 수정은 솔 로우도 잘 수행했지만, 루나 로우는 요구된 기록을 제출하지 않아 평가가 어려웠다고 보여준다. [12:42]

10. 테라는 짧고 정답이 분명한 업무에 배치

• 테라는 결과물이 짧고 지시가 명확한 메일, SNS 작업, 간단한 문서 검색과 공급사 비교표 등에서 비용 덕분에 최적 조합이 되는 경우가 있었다고 보여준다. [13:31]
• 승인된 사실을 정해진 형식으로 바꾸는 메일·SNS 작성에서는 테라 울트라가 좋은 결과를 냈으며, 상위 모델과 비슷한 성능을 더 낮은 비용으로 제공한 점을 강조한다. [14:00]
• 사내 문서와 메일에서 일곱 질문의 근거를 찾아 답하는 문서 검색에서도 테라가 좋은 성과를 보였다고 보여준다. [14:17]

11. 루나는 수정 범위가 매우 좁은 작업에 한정

• 지정된 단가 네 개와 날짜 두 개만 바꾸고 기존 수식·서식·배치를 유지하는 과제처럼, 범위가 좁은 반복 수정에서 루나도 좋은 결과를 냈다고 보여준다. [14:58]
• CRM의 담당자나 다음 연락일 변경도 활용 사례로 든다. 테라가 단순 업무 전반의 후보라면, 루나는 정해진 부분만 고치는 경우에 쓸 만했다는 평가다. [15:30]

12. 아스트라는 3D 애니메이션에서 차별화

• 아스트라는 평균적으로 뛰어났지만 비용과 대기 시간 때문에 업무별 최적 모델로 선택되는 경우는 적었다고 보여준다. [15:52]
• 3D 애니메이션 제작에서는 특히 엑스트라 하이가 솔보다 좋은 성과를 보였으며, 이처럼 품질 차이가 드러나는 작업에 활용할 것을 제안한다. [16:18]

13. 아스트라와 솔의 에포트 선택은 다름

• 아스트라는 에포트가 높아질수록 순위가 좋아지는 경향을 보였고, 복잡한 판단을 위해 선택하는 모델인 만큼 엑스트라 하이를 추천한다. [17:27]
• 솔은 미디엄에서 비용 대비 성과가 좋았으며, 엑스트라 하이나 울트라로 높여도 순위 차이가 크지 않은 경우가 있었다고 보여준다. [17:51]
• 자신의 업무에서 미디엄과 높은 에포트의 결과 차이가 없다면, 더 빠르고 부담이 적은 미디엄을 선택하자는 제안이다. [18:23]

14. 테라와 루나는 높은 에포트로 선별 활용

• 테라는 엑스트라 하이나 울트라를 권장한다. 영상의 추정 비용 비교에서는 높은 에포트에서도 솔 미디엄보다 상당히 저렴해 단순 업무용으로 의미가 있었다고 보여준다. [19:25]
• 루나의 낮은 순위는 상대평가 결과이며 절대적인 사용 불가를 뜻하지 않는다고 강조한다. 다만 로우는 안정성이 아쉬워 엑스트라 하이를 추천한다. [20:09]
• 루나는 정말 단순한 일을 여러 번 처리해야 할 때 선별적으로 활용할 수 있다는 입장이다. [20:21]

15. 업무별 기본값과 상향·하향 기준

• 일반 업무는 솔 미디엄을 기본으로 삼고, 실수 비용이 크거나 최고의 품질이 필요한 결과물은 아스트라 엑스트라 하이를 선택하자는 기준을 제시한다. [21:56]
• 짧고 정답이 분명한 메일·SNS 변환, 문서 검색, 비교표 등은 테라 엑스트라 하이 또는 울트라로 처리하는 방안을 추천한다. [22:52]
• 루나는 비용이 큰 부담이 되는 대량 반복 작업 중에서도 수정 내용이 아주 단순하고 명확한 경우에 한정해 사용하라고 권한다. [23:35]

16. 반복 횟수·상대 순위·추정 비용의 한계

• 발표자는 업무별 한두 번의 테스트여서 모든 업무에 일반화하기 어렵다고 드러낸다. 낮은 순위의 결과도 수정하면 활용할 수 있었고, 저렴한 모델 비중을 높이면 수동 검수도 늘릴 수 있다고 보여준다. [25:06]
• 높은 에포트는 더 오래 걸렸지만 품질까지 좋아진 업무는 일부였으며, 다시 실행해도 같은 결과가 나올지는 알 수 없다고 강조한다. [25:31]
• 비용은 기록된 토큰과 공개 단가를 곱한 추정이고, 업무 종류나 구체적인 지시가 바뀌면 모델 간 품질 차이도 달라질 수 있다고 보여준다. [26:02]

17. OpenAI 추천과 실험 결과의 차이

• 영상은 OpenAI의 모델 선택 안내를 소개하고, 13개 업무를 대응시켰을 때 일곱 개는 대체로 일치하고 여섯 개는 차이가 있었다고 보여준다. [26:50]
• 발표자는 3D 애니메이션에 아스트라, 문서 검색에 테라가 좋았다고 평가했지만, 소개된 추천에서는 각각 솔 엑스트라 하이와 루나 엑스트라 하이가 제시됐다고 비교한다. [27:15]
• 차이는 평가 기준과 업무 지시에 따라 생길 수 있다고 보며, 자신의 실무에서는 루나의 수정 부담을 고려할 때 테라를 저비용 업무의 기본 후보로 삼는 편이 낫다고 판단한다. [28:21]

18. 최종 선택표와 같은 입력으로 비교하는 습관

• 최종 권장은 일반 업무에 솔 미디엄, 명확한 반복 업무에 테라 엑스트라 하이 이상, 복잡하거나 중요한 결과물에 아스트라 엑스트라 하이, 사람이 검토하는 초안과 단순 대량 작업에 루나 엑스트라 하이다. [28:54]
• 자주 하는 업무 몇 개를 같은 입력과 두 설정으로 비교하고, 기준을 넘는 조합 중 가장 가벼운 설정을 표에 기록하면 매번 고민을 줄일 수 있다고 제안한다. [29:17]
• 시청자의 업무별 설정 경험을 요청하고, 생산성을 높이는 시스템 구축에 관한 후속 콘텐츠를 예고하며 영상을 마무리한다. [29:37]

🧾 결론

• 모델 선택은 전체 순위보다 업무의 복잡성, 정답의 명확성, 수정 범위, 실수 비용을 기준으로 판단해야 한다.
• 영상의 권장 출발점은 솔 미디엄이다. 품질이 부족하거나 중요한 결과물이라면 아스트라 엑스트라 하이를 검토하고, 정형 업무는 테라, 극히 단순한 반복 수정은 루나로 나눈다.
• 낮은 상대 순위가 곧 사용 불가를 뜻하지는 않는다. 저렴한 모델을 활용하되 사람이 검수하고 수정하는 부담까지 함께 고려해야 한다.
• 한두 번의 테스트에서 나온 추천을 고정된 정답으로 받아들이기보다, 자신의 실제 업무에서 재현되는지 확인해야 한다.

📈 투자·시사 포인트

• AI 업무 도입에서는 최고 성능 모델의 일괄 사용보다 업무별 배분이 비용 관리의 핵심이라는 시사점을 준다. 다만 영상의 비용 수치는 실제 구독 차감액이 아닌 API 단가 기반 추정치다.
• 생산성은 생성 속도와 결과물 품질을 함께 봐야 한다. 저렴한 설정으로 절약한 비용이 검수·수정 부담으로 이어질 수 있으므로 사람의 후속 작업도 비교 대상에 포함필요가 있다.
• 반복 실행이 많은 업무는 작은 설정 차이의 영향이 누적된다. 영상은 정형 업무와 제한된 수정 작업을 구분해 테라와 루나를 선별적으로 활용할 것을 제안한다.
• 이 자료는 업무 운영과 AI 사용 효율에 관한 비교다. 특정 기업의 실적이나 주가에 대한 투자 판단을 뒷받침하는 자료로 확장하기는 어렵다.

⚠️ 불확실하거나 확인이 필요한 부분

• 각 조합을 반복적으로 충분히 검증한 실험은 아니다. 발표자는 업무별로 한두 번 테스트했다고 밝혔으므로 결과의 재현성과 순위 안정성은 확인이 필요하다.
• 비용은 기록된 토큰 수에 공개 API 단가를 곱한 추정이다. 실제 챗GPT·코덱스 구독 요금이나 사용량 차감 방식과 일치한다고 볼 수 없다.
• 모델 이름을 가리고 사전 평가 기준으로 채점했지만, 평가자는 클로드 코드였다. 이 방식만으로 평가 편향이 완전히 제거됐다고 단정할 수는 없다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 자주 맡기는 업무를 복잡한 판단, 정형 생성·검색, 제한된 반복 수정으로 나누고 각 업무의 필수 산출물을 적는다.
• 대표 업무에 같은 입력을 주고 솔 미디엄과 비교할 설정 하나를 실행해 품질, 대기 시간, 누락, 수정량을 기록한다.
• 고객 회신은 정책·금액·승인권자, 데이터 분석은 질문별 답변과 근거, PPT는 렌더 파일, 웹페이지는 폼 동작처럼 업무별 합격 기준을 정한다.
• 합격한 조합 중 가장 가벼운 설정을 기준표에 기록하고, 품질이 부족할 때 상향할 조건을 함께 적는다.

❓ 열린 질문

• 같은 업무를 여러 차례 반복해도 솔 미디엄과 아스트라 엑스트라 하이의 품질 차이가 작게 유지될까?
• 테라·루나의 낮은 생성 비용에 사람의 검수·수정 시간을 더하면 어떤 업무에서 절감 효과가 남을까?
• 업무 지시와 평가 기준을 바꾸면 영상의 추천 조합과 OpenAI 추천 사이의 차이가 줄어들까?