새 AI 모델이 나오면
가장 강한 모델부터 고른다.
GPT-5.6 Sol은
그 습관이 왜 틀렸는지 보여준다.
중요한 건 최고 성능이 아니다.
가장 적은 비용으로
원하는 결과를 만드는 설계다.
I. 우리는 모델을 너무 단순하게 골랐다
새 모델이 발표되면
사람들은 벤치마크부터 본다.
이전 모델보다 얼마나 똑똑한가.
코딩 점수는 얼마나 올랐는가.
컨텍스트는 얼마나 길어졌는가.
그리고 가장 높은 점수를 받은
모델을 기본값으로 설정한다.
이 방식은 편하다.
하지만 비싸고 느리다.
무엇보다
GPT-5.6의 변화를 놓친다.
GPT-5.6은 하나의 모델이 아니다.
Sol, Terra, Luna라는
세 가지 실행 티어로 나뉜다.
Sol은 복잡한 코딩, 컴퓨터 사용,
리서치와 보안 작업을 위한 플래그십이다.
Terra는 성능과 비용의 균형을 맡는다.
Luna는 빠르고 저렴한
대량 작업을 담당한다.
기본 Power 설정은
Sol과 중간 추론을 사용한다.
OpenAI 모델 선택 가이드
여기서 질문이 바뀐다.
“가장 똑똑한 모델은 무엇인가?”가 아니다.
“이 작업에 필요한
가장 작은 모델은 무엇인가?”이다.
II. 진짜 변화는 성능이 아니라 조합이다
GPT-5.6 Sol은 강력하다.
105만 토큰의 컨텍스트를 지원한다.
최대 입력은 92만2천 토큰이다.
최대 출력은 12만8천 토큰이다.
텍스트와 이미지를 입력받고
웹 검색, 파일 검색, 코드 실행,
컴퓨터 사용, MCP와 스킬을 활용한다.
GPT-5.6 Sol 공식 사양
하지만 숫자만 보면
핵심을 놓친다.
GPT-5.6의 진짜 변화는
선택할 수 있는 축이 늘어났다는 것이다.
모델을 고른 다음에도
세 가지를 더 결정해야 한다.
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 쓸 것인가.더 많은 연산으로 신뢰도를 높이는
pro를 사용할 것인가.프롬프트 구조
무엇을 지시하고
무엇을 모델에 맡길 것인가.
이 네 축을 나는
MREP 스택이라고 부른다.
Model.
Reasoning.
Execution.
Prompt.
이제 모델 선택은
제품 하나를 고르는 일이 아니다.
서버 인프라를 설계하는 일이다.
“Use the lowest reasoning effort that produces the result you need.”
— OpenAI 모델 가이드
필요한 결과가 나온다면
추론 강도는 낮을수록 좋다.
최고 사양을 쓰는 것은
최적화가 아니다.
측정을 포기한 것이다.
III. Sol이 항상 정답은 아니다
예를 들어 보자.
매일 고객 문의 1,000건을 분류하고
세 줄로 요약해야 한다.
복잡한 추론은 필요 없다.
결과 형식도 고정되어 있다.
이 작업에 Sol과 Pro 모드를 쓰면
결과는 잘 나올 것이다.
하지만 Luna로도
동일한 품질이 나올 수 있다.
그렇다면 Sol은
성능 향상이 아니라 낭비다.
반대 상황도 있다.
수십 개 파일에 걸친
보안 취약점을 분석해야 한다.
코드 흐름을 추적하고
공격 가능성과 오탐을 구분해야 한다.
수정안이 새로운 취약점을
만들지 않는지도 검토해야 한다.
이때는 Sol이 맞다.
High나 Extra High를 비교하고
필요하면 Max까지 테스트할 수 있다.
여러 영역을 독립적으로 조사할 수 있다면
멀티에이전트도 후보가 된다.
세 번째 상황도 있다.
대표가 시장 보고서 30개를 읽고
경쟁사 기능과 가격을 비교하려 한다.
모든 문서를 Sol이
한 줄씩 읽게 할 필요는 없다.
도구가 데이터를 수집한다.
코드가 중복을 제거한다.
조건에 맞는 결과만 남긴다.
모델은 압축된 근거를 받아
최종 판단에 집중한다.
이것이 GPT-5.6의
Programmatic Tool Calling이다.
모델이 JavaScript를 작성해
허용된 도구를 병렬로 호출한다.
반복문과 조건문을 사용한다.
중간 결과를 실행 환경 안에서 처리하고
작은 구조화 결과만 컨텍스트로 돌려보낸다.
모델이 모든 데이터를 읽는 대신
코드가 기계적인 작업을 맡는 것이다.
Programmatic Tool Calling 가이드
AI가 더 똑똑해진 것만이 아니다.
AI가 언제 생각하고
언제 코드로 처리할지 선택하게 됐다.
IV. GPT-5.6 Sol에서 달라진 8가지
1. Programmatic Tool Calling
기존 도구 호출은
대화형이었다.
모델이 도구를 호출한다.
결과를 읽는다.
다음 호출을 결정한다.
호출할 때마다
중간 결과가 컨텍스트에 쌓인다.
GPT-5.6은 예측 가능한 작업을
JavaScript 프로그램으로 묶을 수 있다.
병렬 호출.
필터링.
정렬.
중복 제거.
집계.
검증.
이런 작업을 코드로 처리하고
최종 결과만 모델에 전달한다.
다만 모든 도구 작업에
적합한 것은 아니다.
결과를 볼 때마다
새로운 의미 판단이 필요하다면
직접 도구 호출이 낫다.
결제나 삭제처럼
승인이 필요한 작업도 마찬가지다.
2. 멀티에이전트 베타
GPT-5.6 모델은
루트 에이전트가 여러 하위 에이전트를 만들고
병렬로 작업하게 할 수 있다.
한 에이전트는 보안을 본다.
한 에이전트는 정확성을 본다.
다른 에이전트는
누락된 테스트를 찾는다.
루트 에이전트가
결과를 모아 중복과 충돌을 정리한다.
큰 코드베이스 탐색.
여러 문서 비교.
복수 가설 검증.
독립된 컴포넌트 구현에 유리하다.
하지만 이것도
무조건 빠른 버튼은 아니다.
하나의 순차적 추론이 필요한 일.
같은 파일을 동시에 수정하는 일.
한 개의 느린 외부 API가
전체 시간을 결정하는 일에는
멀티에이전트가 도움이 되지 않는다.
토큰 사용량도 늘 수 있다.
현재 베타 기능이라는 점도 중요하다.
OpenAI 멀티에이전트 가이드
3. Persisted Reasoning
기존 멀티턴 작업은
대화 내용은 이어져도
이전 판단의 구조가 약해질 수 있었다.
GPT-5.6은 사용할 수 있는 추론 항목을
다음 턴에서 다시 활용할 수 있다.
reasoning.context를 통해
현재 턴만 사용할지,
여러 턴에 걸쳐 이어갈지 정한다.
중요한 점이 있다.
이 기능은 모델의
원시 사고 과정을 공개하지 않는다.
추론 항목은 불투명한 상태로 유지된다.
효과는 노출이 아니라
연속성에 있다.
긴 디버깅이나 리서치처럼
목표와 가정이 여러 턴 동안 유지되는 작업에서
같은 판단을 처음부터 반복할 필요가 줄어든다.
추론 유지 가이드
4. Pro 모드
Pro는 별도의 모델명이 아니다.
gpt-5.6-pro로
모델을 바꾸는 방식도 아니다.
같은 GPT-5.6 모델에서
reasoning.mode: "pro"를 설정한다.
Pro 모드는 더 많은 모델 작업을 수행해
하나의 최종 답을 만든다.
난도가 높은 최적화.
고가치 코드 리뷰.
실패 비용이 큰 분석처럼
품질 차이가 실제 결과를 바꾸는 작업에 적합하다.
대신 지연 시간이 늘어난다.
토큰과 비용도 증가한다.
“Choose pro mode when quality matters most.”
— OpenAI GPT-5.6 가이드
“중요한 일”과
“어려운 일”은 다르다.
중요하지만 단순한 작업에는
Pro가 필요 없다.
어렵고 품질 차이가
실제 손실로 이어질 때 사용해야 한다.
5. Max 추론 강도
GPT-5.6은 max 추론을 지원한다.
더 많이 생각하면
항상 더 좋은 답이 나올 것 같지만
공식 권고는 다르다.
현재 xhigh를 사용한다면
같은 대표 작업에서
xhigh와 max를 비교해야 한다.
정답률이 그대로인데
비용과 시간만 늘었다면
Max는 개선이 아니다.
모델의 사고량이 아니라
업무 성공률을 측정해야 한다.
6. 명시적 프롬프트 캐싱
GPT-5.6에서는
재사용할 프롬프트 구간을
직접 지정할 수 있다.
긴 시스템 지침.
고정된 참고 문서.
반복해서 사용하는 도구 정의는
프롬프트 앞부분에 둔다.
사용자 질문처럼 변하는 내용은
뒤에 배치한다.
그러면 동일한 접두 구간을
캐시에서 다시 읽을 수 있다.
단, GPT-5.6부터는
캐시 쓰기가 일반 입력의 1.25배로 과금된다.
캐시 읽기는 할인되지만
한 번 쓰고 다시 쓰지 않는 프롬프트라면
오히려 손해가 될 수 있다.
따라서 cached_tokens만 보면 안 된다.
cache_write_tokens도 함께 측정해야 한다.
캐시는 절약 기능이 아니다.
반복률이 충분할 때만
절약이 되는 투자다.
OpenAI 프롬프트 캐싱 가이드
7. 프런트엔드 디자인과 의도 이해
GPT-5.6은 레이아웃과 시각적 위계,
디자인 판단이 개선됐다.
단순히 코드를 생성하는 데서 끝나지 않고
더 정돈되고 사용하기 쉬운 화면을 만드는 데
초점을 맞췄다.
사용자의 표면적 문장보다
실제 목표와 기대 수준도
더 잘 추론하도록 설계됐다.
그래서 모든 단계를
프롬프트에 적을 필요가 줄었다.
하지만 권한 경계와 성공 조건까지
생략해도 된다는 뜻은 아니다.
모델이 알아서 해야 할 영역과
반드시 지켜야 할 제약을 구분해야 한다.
8. 원본 이미지 해상도
GPT-5.6은 original 또는 auto로 전달한
이미지의 원래 크기를 보존할 수 있다.
큰 화면의 작은 버튼.
복잡한 대시보드.
공간 관계가 중요한 도면.
컴퓨터 사용에서의 클릭 위치처럼
세밀한 시각 정보가 중요한 작업에 유리하다.
대신 큰 이미지는
더 많은 입력 토큰과 지연 시간을 만들 수 있다.
해상도도 모델과 같다.
높을수록 좋은 것이 아니다.
필요할 때 높여야 한다.
V. 가장 역설적인 변화는 프롬프트다
GPT-5.6의 새 기능 중
가장 중요한 것은 기능이 아닐 수 있다.
프롬프트 작성 방식이 달라졌다.
우리는 모델이 실수할 때마다
지침을 추가해왔다.
“반드시 확인해라.”
“절대 추측하지 마라.”
“항상 단계별로 생각해라.”
“간결하게 써라.”
“다시 검증해라.”
이런 문장이 쌓여
프롬프트가 설정 파일이 됐다.
문제는 모델이 발전해도
설정 파일은 그대로 남는다는 것이다.
30년 개발자도
새 버전 앞에서는 같은 유혹을 받는다.
기존 설정을 지우는 것보다
새 옵션 하나를 더 붙이는 편이 마음이 편하다.
하지만 레거시 프롬프트는
레거시 코드와 같다.
과거의 버그를 막기 위해 만든 조건이
새 버전에서는 성능을 방해한다.
OpenAI의 내부 평가에서는
길고 명시적인 시스템 프롬프트를
더 작은 프롬프트로 바꿨을 때
점수가 약 10~15% 개선됐다.
전체 토큰은 41~66% 줄었고
비용은 33~67% 감소했다.
모든 업무에서 같은 결과가
보장된다는 뜻은 아니다.
하지만 방향은 분명하다.
“Use shorter prompts.”
— OpenAI GPT-5.6 가이드
여기서도 함정이 있다.
“간결하게 답해라”를
강하게 반복하면 안 된다.
GPT-5.6은 기본적으로
이전 모델보다 압축적인 응답을 선호한다.
지나친 간결성 지시는
소개만 지우는 게 아니다.
필요한 근거와 산출물까지
잘라낼 수 있다.
좋은 프롬프트는
무조건 짧은 프롬프트가 아니다.
중복은 짧고
성공 조건은 분명한 프롬프트다.
나쁜 방식은 이렇다.
간결하게 답해라.
불필요한 설명을 하지 마라.
핵심만 써라.
길게 쓰지 마라.
반복하지 마라.
더 나은 방식은 이렇다.
결론부터 제시한다.
결론을 뒷받침하는 근거와 중요한 예외,
다음 행동은 유지한다.
서론, 반복, 일반론부터 제거한다.
분량을 줄이라고 말하는 대신
무엇을 남길지 지정하는 것이다.
VI. AI 시대의 경쟁력은 모델 접근권이 아니다
GPT-5.6 Sol은 강력하다.
긴 컨텍스트를 다룬다.
도구를 프로그램으로 묶는다.
하위 에이전트를 병렬로 운영한다.
이전 추론을 다음 턴에 이어간다.
더 깊은 Pro 모드와
Max 추론도 제공한다.
하지만 이 기능을
전부 켜는 것이 정답은 아니다.
서버를 운영할 때
모든 요청을 가장 비싼 인스턴스에 보내지 않는다.
데이터베이스도
모든 쿼리에 최대 자원을 할당하지 않는다.
중요도와 난도에 따라
라우팅하고 측정하고 조정한다.
AI도 같은 단계에 들어왔다.
모델은 이제
구매할 제품이 아니다.
운영할 인프라다.
프롬프트도 명령문이 아니다.
모델과 도구와 권한을 연결하는
아키텍처다.
앞으로 AI를 잘 쓰는 사람은
가장 강한 모델을 가진 사람이 아니다.
어떤 작업을 어디에 보내고
얼마나 생각하게 하며
무엇을 코드에 맡길지 아는 사람이다.
최강 모델을 사지 마라.
가장 싼 성공 경로를 설계하라.
지금 사용하는 프롬프트에서
중복된 세 줄부터 지워봐라.
그리고 Sol Medium과
한 단계 낮은 설정을 비교해봐라.
느낌이 아니라
결과로 결정해야 한다.