GPT6, 일반인도 잡일, 업무 다 대체됩니다…제대로 쓰는 법

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

GPT6로 일상 잡일과 업무를 맡기는 핵심은 에이전트의 실행 비용을 이해하고, 어려운 판단에만 고성능 모델을 써서 검증 가능한 결과와 시간 절약을 얻는 것이다.

📌 핵심 요점

1. AI 활용이 답변을 받는 단계에서 실제 일을 끝내도록 맡기는 단계로 확장된다. 일정 등록도 예약 정보 확인, 입력, 저장, 결과 검증까지 이어지는 작업이다.
2. Computer Use는 화면을 확인하며 행동하는 기능이고, 하네스는 모델의 판단과 도구 실행, 작업 맥락을 연결하는 장치다. 전용 도구로 처리할 수 있는 일은 해당 도구를 활용한다.
3. 토큰 사용량은 마지막 답변 길이보다 자료 읽기, 반복 판단, 오류 수정, 결과 확인에 좌우된다. 여러 에이전트는 대기 시간을 줄일 수 있지만 자료 중복 읽기와 결과 통합 비용을 늘릴 수 있다.
4. 영상은 일상적인 실행을 솔의 중간 설정으로 시작하고, 애매한 판단만 에스트라의 높은 설정에 맡기는 방식을 제안한다. 작업 범위와 종료 조건을 명확히 하면 불필요한 조사와 확장을 줄일 수 있다.
5. 경제성은 토큰 최소화보다 사람이 돌려받는 시간으로 판단해야 한다. 이용료뿐 아니라 결과 확인과 재작업에 드는 시간까지 포함해야 한다.

🧩 배경과 문제 정의

영상은 발표자가 에스트라 사용 후 사용량이 빠르게 줄어 월 20달러 플러스에서 월 100달러 프로로 변경했다는 경험으로 시작한다. 중심 질문은 고성능 AI를 일반 직장인과 학생의 귀찮은 일에 어떻게 활용하고, 그 과정에서 발생하는 토큰 비용을 어떻게 관리할 것인가다.

설명은 요가 일정 등록에서 출발해 화면 조작, 하네스, 반복 추론과 다중 에이전트의 비용으로 이어진다. 이후 실제 활용 후기와 설정 방법을 소개하고, 최종적으로 이용료와 사람의 검수 시간을 포함해 돌려받는 시간을 평가 기준으로 제시한다. 제시된 사례와 수치는 영상의 인용이며, 모든 업무의 완전한 대체나 동일한 절감 효과를 입증하는 자료는 아니다.

🕒 시간순 섹션별 상세정리

1. 고성능 모델을 일상 업무에 쓰려면

• 발표자는 에스트라로 여러 작업을 수행하면서 사용량이 예상보다 빨리 줄어 요금제를 올렸다고 보여준다. 성능과 함께 사용 비용을 체감했다는 도입부다. [00:37]
• 게임 제작이나 건물 설계 같은 시연보다, 일반인이 미뤄둔 일을 대신 처리하고 토큰을 덜 쓰는 방법에 초점을 맞춘다. [00:58]

2. 일정 등록으로 보는 Computer Use와 하네스

• 요가 일정 등록 요청도 예약 내역 확인, 캘린더 선택, 모호한 시간 확인, 등록 결과 검증을 요구한다. 화면을 직접 다루면 입력과 저장, 오류 확인도 추가된다. [02:04]
• 연결된 전용 도구나 파일로 빠르게 처리할 수 있는 일은 해당 경로를 쓰고, 화면 확인이 필요한 부분에 Computer Use를 활용한다고 보여준다. [02:27]
• 하네스는 모델이 정한 행동에 필요한 도구를 실행하고 결과를 돌려주며 작업 맥락을 이어준다. 일반 사용자는 서비스가 준비한 환경에서 자료와 목표를 주고 승인과 결과 확인에 참여한다. [03:38]

3. 짧은 답변 뒤에서 누적되는 토큰

• 일정 등록 과정에서는 메일 읽기, 화면 파악, 저장 확인, 실패 후 재시도마다 모델이 판단한다. 클릭당 고정 비용이 아니라 정보량과 판단 횟수에 따라 사용량이 달라진다. [04:22]
• 코딩에서도 파일 탐색, 코드 읽기와 수정, 테스트, 오류 분석이 반복된다. 최종 수정이 몇 줄이어도 그 전에 읽은 자료와 실행 결과가 작업에 쓰인다. [04:57]
• 여러 에이전트가 자료 조사와 검사를 나누면 대기 시간은 줄 수 있지만, 각자의 자료 읽기와 중앙 에이전트의 결과 통합으로 전체 토큰은 늘 수 있다. [05:32]

4. 하네스 효율과 실제 업무 활용

• 불필요한 재확인과 지나친 업무 분할은 비용을 늘린다. 영상은 ARC 프라이즈의 하네스 변경 사례를 소개하면서 퍼즐 평가의 절감 효과를 회사 업무에 그대로 적용할 수는 없다고 덧붙인다. [06:15]
• OpenAI 내부 사용자의 기자 명단 관리, 참석 여부 확인, 기사 수집과 보고서 작성 후기를 통해 여러 단계가 이어지는 업무를 예시로 든다. [06:52]
• 주장 원출처 조사와 가이드 작성, 스프레드시트의 웹 앱 전환도 보여준다. 필요한 자료와 접근 권한을 제공한 뒤 사람이 출처와 계산 결과를 확인하는 흐름이다. [07:27]

5. 개인정보 삭제 요청과 화면 인식의 한계

• 개인정보 검색과 삭제 요청 대행은 GPT6 이전에도 공유된 활용법이다. 영상은 모든 정보의 삭제가 확인된 사례는 아니라고 구분한다. [07:51]
• 공식 삭제 절차와 요청서를 준비하게 하되 발송 전 내용을 확인하고, 본인 인증이나 최종 제출에 참여할 수 있다. 처리 후에는 검색 결과와 원본 사이트를 따로 확인해야 한다. [08:26]
• 영상이 인용한 ScreenSpot Pro 점수는 에스트라 약 93%, 솔 약 77%다. 이는 화면에서 필요한 위치를 찾는 능력에 관한 수치이며 업무 전체의 성공률은 아니다. [08:58]

6. 실행과 어려운 판단에 서로 다른 모델 쓰기

• 프롬프트 글자 수보다 고성능 모델이 맡는 범위와 반복 횟수를 줄이는 방식을 제안한다. 명단 정리는 솔로 처리하고 같은 이름이나 불확실한 항목을 따로 모으는 예시다. [09:38]
• 애매한 항목만 에스트라의 높은 설정으로 원문과 대조하고, 판단이 끝나면 다시 솔로 보고서에 반영한다. 모델 변경은 메시지를 보내기 전 선택 메뉴에서 해야 한다고 보여준다. [10:03]
• 처리 순서 자체가 불분명하다면 에스트라로 기준을 먼저 만들고 나머지 정리를 넘길 수 있다. 모델과 추론 강도는 별도 설정이며 표시 항목은 계정과 모델에 따라 달라질 수 있다. [10:31]

7. 추론 강도와 에이전트 수 조절하기

• 중간은 정보 추출과 양식 채우기, 높음은 자료 대조, 매우 높음은 불일치와 예외 분석, 최대는 앞선 설정에서 해결하지 못한 문제에 시도하는 방식으로 보여준다. [10:53]
• 낮은 설정에서 반복해서 실패하면 높은 설정으로 한 번에 끝내는 것보다 더 많은 토큰을 쓸 수 있다. 익숙한 일은 중간에서 시작하고 막힌 부분만 높이는 접근을 권한다. [11:10]
• 작은 명단 수정에는 추가 에이전트가 불필요할 수 있지만, 서로 다른 사이트를 동시에 조사할 때는 분담이 유리할 수 있다. 실제로 나눌 만한 작업인지 판단하는 것이 기준이다. [11:39]

8. 종료 조건과 결과물 범위로 낭비 줄이기

• 보고서는 기존 양식을 유지하고 바뀐 숫자와 내용만 수정한 뒤 합계를 확인하면 끝내도록 지정한다. 발표 초안은 첨부 자료 안에서 작성하고 추가 인터넷 조사를 하지 않도록 범위를 정할 수 있다. [12:20]
• 작은 3D 데모를 만든 뒤 표현을 계속 추가하면서 작업 시간이 약 8시간으로 늘고 주간 사용량의 절반 정도를 썼다는 개인 사례를 보여준다. 표 하나와 기능을 갖춘 앱은 필요한 작업량이 다르다. [12:54]
• 필요한 명단을 검증했다면 일단 마치고 추가 기능은 이후 판단한다. 공통 절감률은 없으므로 자주 맡기는 업무에서 결과와 사용량을 직접 비교해야 한다. [13:25]

9. 기업 도입 효과를 시간과 총비용으로 평가하기

• 기업은 자료 정리 자체뿐 아니라 업무 설명, 진행 확인, 수정과 대기에 드는 시간도 고려한다. AI가 부서 갈등을 없애지는 못하지만 접근 가능한 자료를 정해진 형식으로 만드는 과정은 줄일 수 있다고 보여준다. [14:04]
• 영상은 자료 조사·추출이 4시간에서 20분으로, 인터뷰 준비·분석이 2시간에서 25분으로 줄었다는 기업 후기를 인용한다. 특정 모델이나 Computer Use만의 효과를 따로 측정한 결과는 아니다. [14:26]
• 3시간 40분을 시간당 5만 원으로 환산한 약 18만 원은 시간의 가치에 대한 예시다. 실제 평가는 AI 이용료와 사람이 검수·수정하는 시간을 반영해야 한다. [14:46]

10. 토큰보다 실제로 돌려받는 시간 확인하기

• 한 시간 걸리던 보고서가 자료 전달과 검수 10분으로 끝난다면 50분을 확보한 셈이다. 그 시간을 얻기 위해 얼마의 사용량을 감수할지 판단하는 방식이다. [15:03]
• 토큰을 적게 쓰는 것보다 위임 후 사람이 다시 해야 할 일이 얼마나 남는지가 중요하다. 더 많은 토큰을 쓰더라도 일을 정확히 끝내면 비용을 지불할 이유가 생긴다고 정리한다. [15:36]
• 직접 확인할 수 있는 보고서나 명단으로 시작하고, 중간 설정에서 처리하되 애매한 부분만 높은 설정에 맡긴다. 완료 조건을 알려주고 실제로 남은 시간을 보라는 제안으로 마무리한다. [16:00]

🧾 결론

• 처음에는 참석자 명단이나 정기 보고서처럼 결과의 정확성을 직접 확인할 수 있는 반복 업무가 적합하다.
• 낮은 추론 설정이 항상 저렴한 것은 아니다. 반복 실패가 많다면 높은 설정으로 한 번에 처리하는 편이 사용량을 줄일 수 있다.
• 모델 성능과 함께 도구 연결, 맥락 유지, 업무 분할 방식이 결과와 비용을 결정한다.
• 제목의 전면 대체 표현과 달리, 본문은 필요한 승인과 최종 검증에 사람이 참여하는 활용법을 설명한다.

📈 투자·시사 포인트

• AI 서비스의 가치는 모델 성능뿐 아니라 실제 업무를 끝내는 하네스와 도구 연결의 효율에서도 발생한다.
• 기업 도입 효과를 평가할 때는 처리 시간뿐 아니라 업무 설명, 진행 확인, 결과 수정에 드는 시간을 함께 살펴야 한다.
• 절약한 시간을 인건비로 환산한 값은 현금 절감액과 다르다. 이용료와 검수 비용을 반영하고 확보한 시간을 다른 업무에 활용할 수 있는지 확인해야 한다.
• 영상의 기업 사례와 평가 수치만으로 특정 모델의 수익성이나 투자 성과를 판단하기는 어렵다. 반복 업무에서 품질과 사용량을 직접 비교하는 접근이 제시된다.

⚠️ 불확실하거나 확인이 필요한 부분

• GPT6·에스트라의 출시 시점, 요금제, 모델 선택 메뉴와 추론 설정은 영상의 설명이다. 제공된 자막만으로 실제 제공 조건을 독립적으로 확인할 수 없으며, 영상도 계정과 모델에 따라 표시 항목이 다르다고 설명한다.
• ARC 프라이즈 평가에서 하네스 변경 후 비용이 절반 아래로 내려갔다는 사례는 퍼즐 평가에 관한 것이다. 일반 회사 업무에서 같은 절감률이 나온다는 근거는 아니다.
• ScreenSpot Pro의 약 93%와 솔의 약 77%는 영상이 인용한 OpenAI 발표 수치다. 화면 요소를 찾는 평가이며 인터넷 업무 전체의 성공 확률을 뜻하지 않는다.
• 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

• 정기 보고서나 참석자 명단처럼 직접 검증할 수 있는 반복 업무 하나를 선정하고, 기존 소요 시간을 기록한다.
• 필요한 원본 자료와 기존 양식, 수정 범위, 완료 조건을 함께 제공한다. 추가 조사가 필요 없다면 그 범위도 명시한다.
• 영상에서 제안한 방식처럼 익숙한 작업은 솔의 중간 설정으로 시작하고, 불확실한 항목만 분리해 더 높은 설정으로 검토한다.
• 모델을 바꿀 때는 채팅 문구에만 의존하지 않고 메시지를 보내기 전에 모델 선택 메뉴를 확인한다.

❓ 열린 질문

• 내가 자주 맡기는 업무에서는 어떤 모델과 추론 설정 조합이 검수 시간을 포함한 총비용을 가장 낮추는가?
• 여러 에이전트로 나눴을 때 얻는 시간 단축이 자료 중복 읽기와 결과 통합 비용을 상쇄하는 업무 규모는 어느 정도인가?
• 하네스 개선으로 얻은 평가상의 비용 절감이 실제 보고서 작성이나 명단 관리에서도 재현되는가?