새로운 AI 모델이 출시되면
가장 강력한 모델부터 선택합니다.
GPT-5.6 Sol은
왜 이러한 습관이 잘못된지 보여줍니다.
중요한 것은 최고 성능이 아닙니다.
가장 적은 비용으로
원하는 결과를 얻는 설계입니다.
I. 우리는 모델을 너무 단순하게 선택했습니다
새로운 모델이 출시되면
사람들은 먼저 벤치마크를 확인합니다.
이전 모델보다 얼마나 똑똑한가요.
코딩 점수는 얼마나 향상되었나요.
컨텍스트는 얼마나 길어졌나요.
그리고 가장 높은 점수를 받은
모델을 기본값으로 설정합니다.
이 방법은 편리합니다.
하지만 비용이 비싸고 속도가 느립니다.
무엇보다도
GPT-5.6의 변화를 놓칩니다.
GPT-5.6은 하나의 모델이 아닙니다.
Sol, Terra, Luna라는
세 가지 실행 티어로 나뉩니다.
Sol은 복잡한 코딩, 컴퓨터 사용,
리서치 및 보안 작업을 위한 플래그십입니다.
Terra는 성능과 비용의 균형을 맡습니다.
Luna는 빠르고 저렴한
대량 작업을 담당합니다.
기본 Power 설정은
Sol과 중간 추론을 사용합니다.
OpenAI 모델 선택 가이드
여기서 질문이 바뀝니다.
“가장 똑똑한 모델은 무엇인가?”가 아니라,
“이 작업에 필요한
가장 작은 모델은 무엇인가?”입니다.
II. 진짜 변화는 성능이 아니라 조합에 있습니다
GPT-5.6 Sol은 강력합니다.
105만 토큰의 컨텍스트를 지원합니다.
최대 입력은 92만2천 토큰입니다.
최대 출력은 12만8천 토큰입니다.
텍스트와 이미지를 입력받고
웹 검색, 파일 검색, 코드 실행,
컴퓨터 사용, MCP 및 스킬을 활용합니다.
GPT-5.6 Sol 공식 사양
그러나 숫자만 보면
핵심을 놓칠 수 있습니다.
GPT-5.6의 진정한 변화는
선택할 수 있는 축이 더 많아졌다는 것입니다.
모델을 선택한 후에도
세 가지를 더 결정해야 합니다.
GPT-5.6의 4축 튜닝 스택
모델 티어
Sol, Terra, Luna 중
어떤 엔진을 사용할 것인가.추론 강도
none,low,medium,
high,xhigh,max중
얼마나 깊게 생각하게 할 것인가.실행 모드
일반적인
standard를 사용할 것인가.더 많은 연산으로 신뢰도를 높이는
pro를 사용할 것인가.프롬프트 구조
무엇을 지시하고
무엇을 모델에 맡길 것인가.
이 네 축을 나는
MREP 스택이라고 부릅니다.
Model.
Reasoning.
Execution.
Prompt.
이제 모델 선택은
제품 하나를 선택하는 것이 아니라
서버 인프라를 설계하는 것입니다.
“Use the lowest reasoning effort that produces the result you need.”
— OpenAI 모델 가이드
필요한 결과가 나오면
추론 강도는 낮을수록 좋습니다.
최고 사양을 사용하는 것은
최적화가 아닌 포기입니다.
측정을 포기한 것입니다.
III. Sol이 항상 정답은 아닙니다
예를 들어 봅시다.
매일 1,000개의 고객 문의를 분류하고
세 줄로 요약해야 합니다.
복잡한 추론이 필요하지 않습니다.
결과 형식이 이미 정해져 있습니다.
이 작업에 Sol과 Pro 모드를 사용하면
결과가 잘 나올 것입니다.
그러나 Luna로도
동일한 품질을 얻을 수 있습니다.
그렇다면 Sol은
성능 향상이 아니라 낭비입니다.
반대 상황도 있습니다.
수십 개의 파일에 걸친
보안 취약점을 분석해야 합니다.
코드 흐름을 추적하고
공격 가능성과 오류를 구분해야 합니다.
수정 사항이 새로운 취약점을
만들지 않는지도 확인해야 합니다.
이때는 Sol이 적합합니다.
High나 Extra High를 비교하고
필요에 따라 Max까지 테스트할 수 있습니다.
여러 영역을 독립적으로 조사할 수 있다면
멀티 에이전트도 후보가 됩니다.
세 번째 상황도 있습니다.
대표가 시장 보고서 30개를 읽고
경쟁사의 기능과 가격을 비교하려 합니다.
모든 문서를 Sol이
한 줄씩 읽게 할 필요는 없습니다.
도구가 데이터를 수집합니다.
코드가 중복을 제거합니다.
조건에 맞는 결과만 남깁니다.
모델은 압축된 근거를 받아
최종 판단에 집중합니다.
이것이 GPT-5.6의
Programmatic Tool Calling입니다.
모델이 JavaScript를 작성하여
허용된 도구를 병렬로 호출합니다.
반복문과 조건문을 사용합니다.
중간 결과를 실행 환경에서 처리하고
작은 구조화된 결과만 컨텍스트로 반환합니다.
모델이 모든 데이터를 읽는 대신
코드가 기계적인 작업을 처리합니다.
Programmatic Tool Calling 가이드
AI가 더 똑똑해진 것만이 아닙니다.
AI가 언제 생각하고
언제 코드로 처리해야 하는지 선택할 수 있게 되었습니다.
IV. GPT-5.6 Sol에서 변경된 8가지
1. Programmatic Tool Calling
기존의 도구 호출은
대화형이었습니다.
모델이 도구를 호출합니다.
결과를 읽습니다.
다음 호출을 결정합니다.
호출할 때마다
중간 결과가 컨텍스트에 쌓입니다.
GPT-5.6은 예측 가능한 작업을
JavaScript 프로그램으로 묶을 수 있습니다.
병렬 호출.
필터링.
정렬.
중복 제거.
집계.
검증.
이러한 작업을 코드로 처리하고
최종 결과만 모델에 전달합니다.
다만 모든 도구 작업에
적합하지는 않습니다.
결과를 볼 때마다
새로운 의미 판단이 필요한 경우
직접 도구 호출이 더 나을 수 있습니다.
결제나 삭제와 같이
승인이 필요한 작업도 마찬가지입니다.
2. 멀티 에이전트 베타
GPT-5.6 모델은
루트 에이전트가 여러 하위 에이전트를 만들고
병렬로 작업하게 할 수 있습니다.
한 에이전트는 보안을 담당합니다.
한 에이전트는 정확성을 담당합니다.
다른 에이전트는
누락된 테스트를 찾습니다.
루트 에이전트가
결과를 수집하고 중복 및 충돌을 정리합니다.
큰 코드베이스를 탐색합니다.
여러 문서를 비교합니다.
다중 가설을 검증합니다.
독립된 컴포넌트를 구현하는 데 유용합니다.
그러나 이것도
항상 빠른 해결책은 아닙니다.
순차적 추론이 필요한 작업이 있습니다.
같은 파일을 동시에 수정해야 하는 작업이 있습니다.
느린 외부 API 하나가
전체 시간을 결정하는 작업에는
멀티 에이전트가 도움이 되지 않을 수 있습니다.
토큰 사용량도 늘어날 수 있습니다.
현재 이 기능은 베타 상태입니다.
OpenAI 멀티 에이전트 가이드
3. Persisted Reasoning
기존의 멀티턴 작업은
대화가 이어져도
이전 판단의 구조가 약해질 수 있었습니다.
GPT-5.6은 사용 가능한 추론 항목을
다음 턴에서 다시 사용할 수 있습니다.
reasoning.context를 통해
현재 턴만 사용할지,
여러 턴에 걸쳐 이어갈지를 결정합니다.
중요한 점은
이 기능은 모델의
원시 사고 과정을 공개하지 않습니다.
추론 항목은 불투명한 상태로 유지됩니다.
효과는 노출이 아니라
연속성에 있습니다.
긴 디버깅이나 리서치와 같이
목표와 가정이 여러 턴에 걸쳐 유지되어야 하는 작업에서는
같은 판단을 처음부터 반복할 필요가 줄어듭니다.
추론 유지 가이드
4. Pro 모드
Pro는 별도의 모델명이 아닙니다.
gpt-5.6-pro로
모델을 변경하는 방식도 아닙니다.
같은 GPT-5.6 모델에서
reasoning.mode: "pro"를 설정합니다.
Pro 모드는 더 많은 모델 작업을 수행하여
하나의 최종 답변을 생성합니다.
난이도가 높은 최적화.
고가치 코드 리뷰.
실패 비용이 큰 분석과 같이
품질 차이가 실제 결과에 영향을 미치는 작업에 적합합니다.
대신 지연 시간이 늘어납니다.
토큰과 비용도 증가합니다.
“Choose pro mode when quality matters most.”
— OpenAI GPT-5.6 가이드
“중요한 작업”과
“어려운 작업”은 다릅니다.
중요하지만 간단한 작업에는
Pro 모드가 필요하지 않습니다.
어렵고 품질 차이가
실제 손실로 이어질 때 사용해야 합니다.
5. Max 추론 강도
GPT-5.6은 max 추론을 지원합니다.
더 많이 생각한다고
항상 더 좋은 답이 나오는 것은 아닙니다.
현재 xhigh를 사용 중이라면
같은 대표 작업에서
xhigh와 max를 비교해야 합니다.
정확도가 그대로인데
비용과 시간만 증가했다면
Max는 개선이 아닙니다.
모델의 사고량이 아니라
업무 성공률을 측정해야 합니다.
6. 명시적 프롬프트 캐싱
GPT-5.6에서는
재사용할 프롬프트 섹션을
직접 지정할 수 있습니다.
긴 시스템 가이드.
고정된 참고 문서.
반복해서 사용하는 도구 정의는
프롬프트의 앞부분에 배치합니다.
변하는 내용인 사용자 질문과 같은 것은
뒤에 배치합니다.
그러면 동일한 접두어 섹션을
캐시에서 다시 읽을 수 있습니다.
단, GPT-5.6부터는
캐시 쓰기가 일반 입력의 1.25배로 과금됩니다.
캐시 읽기는 할인됩니다만
한 번 쓰고 다시 쓰지 않는 프롬프트의 경우
오히려 손해일 수 있습니다.
따라서 cached_tokens만 확인하는 것이 아니라,
cache_write_tokens도 함께 고려해야 합니다.
캐시는 절약 수단이 아닙니다.
반복률이 충분할 때만
투자가 절약됩니다.
OpenAI 프롬프트 캐싱 가이드
7. 프론트엔드 디자인과 의도 이해
GPT-5.6은 레이아웃, 시각적 계층,
디자인 판단이 향상되었습니다.
단순히 코드 생성에 그치지 않고,
더 정돈되고 사용하기 쉬운 화면을 만드는 데
집중되었습니다.
사용자의 표면적인 문장보다
실제 목표와 기대 수준을
더 잘 추론하도록 설계되었습니다.
그래서 모든 단계를
프롬프트에 적을 필요가 줄었습니다.
하지만 권한 경계와 성공 조�