OpenAI 공식 가이드 정리
GPT-6 패밀리 실전 사용 가이드: 모델 고르기부터 운영까지
OpenAI가 2026년 10월 2일 공개한 "A model guide for the GPT-6 family"를 바탕으로, 어떤 모델을 쓰고 어떻게 지시하고 비용을 어떻게 관리할지 정리합니다.
GPT-6은 하나가 아니라 세 가지 모델입니다
GPT-6은 작업 성격에 맞춰 고르는 "모델 세트"로 나왔습니다. 토큰(token)은 모델이 글을 읽고 쓸 때 쪼개서 세는 단위이고, 가격은 보통 "입력 100만 토큰당 $얼마"로 표시됩니다.
GPT-6 Astra
가장 어려운 추론 작업용. 입력 $10 / 출력 $50 / 캐시입력 $1 (100만 토큰당)
GPT-6.1 Sol
복잡한 코딩·리서치·컴퓨터 사용(Computer Use)용. Astra에 근접한 지능을 1/5 가격에 제공. 입력 $2 / 출력 $10 / 캐시입력 $0.1
GPT-6 Luna
송장 항목 추출, 요청 분류, 구조화된 요약처럼 반복이 많은 대량 작업용. 입력 $0.1 / 출력 $0.5 / 캐시입력 $0.01
선택 기준
가장 어려운 문제엔 Astra, 코딩·에이전트 작업의 기본값은 Sol, 반복 대량 처리는 Luna로 내려서 비용을 절약합니다.
지시는 더 구체적일수록 좋은 게 아닙니다
OpenAI의 설명에 따르면 모델이 뉘앙스와 모호함을 다루는 능력이 좋아져서, 지나치게 세세한 지시가 오히려 결과를 방해할 수 있습니다. 매 단계를 일일이 지시하기보다, 모델이 스스로 좋은 판단을 내릴 수 있는 "환경"을 설계하는 쪽으로 방향이 바뀌고 있습니다.
가이드가 권장하는 프롬프트 구성 요소는 다음 네 가지입니다.
목표: 결제 모듈의 타임아웃 버그를 재현하고 고친다 맥락: 관련 로그, DB 스키마, 최근 배포 기록을 첨부한다 제약: 결제 API 계약은 변경하지 않는다 승인 경계: DB 스키마 변경은 사람 승인 전까지 보류한다 완료 기준: 재현 테스트 통과 + 회귀 테스트 전체 통과
프롬프트·스킬·저장소 안내 문서(예: AGENTS.md)는 쌓아두지 말고 다듬어야 합니다. Astra처럼 지시를 충실히 따르는 모델일수록, 오래되거나 서로 충돌하는 규칙이 실패의 원인이 될 수 있다고 가이드는 경고합니다.
오래 걸리는 작업은 "방치"가 아니라 "관제"가 필요합니다
작업이 한 번의 응답을 넘어 길게 이어질 때 쓰는 세 가지 장치입니다.
미드턴 스티어링(mid-turn steering)
모델이 작업하는 도중에 수정 지시를 끼워 넣어 방향을 바꿀 수 있습니다.
비동기 툴 호출(async tool calling)
느린 작업(빌드, 외부 API 호출 등)이 끝나길 기다리는 동안 다른 독립적인 일을 계속 진행합니다.
위임(delegation)
GPT-6.1 Sol은 Responses API에서 멀티 에이전트 워크플로(베타)를 지원해, 하위 작업을 다른 에이전트에 맡길 수 있습니다.
컴퓨터 사용(Computer Use)
Astra·Sol·Luna 모두 API가 없는 웹사이트·데스크톱 앱도 화면을 보고 클릭·입력해 조작할 수 있습니다.
가이드는 "API나 연결된 툴로 바로 처리할 수 있으면 그것을 쓰고, 화면을 읽거나 버튼을 눌러야 할 때만 컴퓨터 사용을 쓰라"는 원칙을 제시합니다. 즉 컴퓨터 사용은 최후의 수단이지 기본값이 아닙니다.
운영 비용은 캐싱과 압축(compaction)으로 관리합니다
프롬프트 캐싱은 반복해서 보내는 동일한 맥락(시스템 지시, 긴 문서 등)을 모델이 다시 처리하지 않고 재사용하는 기능입니다. 가이드에 따르면 캐시된 입력 토큰은 모델에 따라 캐시되지 않은 입력보다 최대 95% 저렴합니다.
압축(compaction)은 대화가 길어졌을 때 오래된 맥락을 요약·정리해 토큰 사용량을 줄이는 기능입니다. 둘을 같이 쓰면 장시간 작업의 비용과 응답 속도를 동시에 관리할 수 있습니다.
추론 강도(reasoning effort)는 API에서 낮음(low)부터 매우 높음/최대(extra high, max)까지 조절할 수 있고, 대화 중간에 바꿔도 캐시가 끊기지 않습니다. 응답 속도가 중요하면 Fast 모드, Astra에는 Ultrafast 옵션도 있습니다.
실제로 적용한 회사들
가이드는 Astra를 실무에 적용한 사례로 법률 리서치·작성의 Harvey, 소프트웨어 테스트의 Cognition, 비즈니스 분석의 Hex, 영상 편집의 Invideo를 소개합니다. Invideo는 색 보정(color grading) 작업에서 약 3배의 성공률 향상을 보고했습니다.
정리
이 가이드가 말하는 핵심은 하나입니다. "AI에게 무엇을 할지 묻는 일"은 GPT-6 덕분에 더 쉬워졌지만, "AI가 어디까지 스스로 결정해도 되는지, 결과가 비용만큼 가치가 있었는지를 판단하는 시스템을 만드는 일"은 오히려 더 어려워지고 있습니다. 모델을 잘 고르는 것만큼, 그 모델을 둘러싼 지시·승인·비용 구조를 설계하는 역량이 중요해졌습니다.
댓글
댓글 쓰기