오픈AI API 50% 인하, 실제 절감의 조건은 수정·검수 부담 감소

GPT-6.1 테라는 초안 다음에 무엇을 하나?

제안서를 쓰려면 문장을 만드는 일과 도면을 읽는 일이 연결돼야 한다. 오픈AI(OpenAI)의 GPT-6.1 테라는 이미지·문서를 해석하는 능력에 글쓰기와 컴퓨터 작업 수행 기능을 결합했다. 지원 대상에는 제안서 초안, 기술 도면 분석, 양식 입력, 영상 편집이 들어간다.

이 조합의 가치는 업무를 이어서 처리하는 데 있다. 문서를 읽고, 필요한 내용을 뽑고, 정해진 양식에 옮기는 과정까지 맡길 수 있다면 사람이 결과를 다음 단계로 옮기는 수고도 줄어들 수 있다. 여러 단계의 작업을 처리하도록 설계했다는 설명을 눈여겨볼 이유다.

기업이 사고 싶은 것은 잘 쓴 답변보다 끝난 업무다.

테라를 평가할 출발점도 여기에 놓여야 한다. 초안이 그럴듯한지를 넘어, 그 초안을 다음 업무에 넘길 수 있는지를 보는 것이다. 자동화의 범위가 넓어질수록 이용 요금과 함께 결과를 받아들이는 조건도 중요해진다.

API 50% 인하는 어디에 붙는 할인인가?

50% 인하의 대상은 표준 API 이용 요금이다. 비교 모델은 GPT-5.6 테라와 GPT-6.1 솔이다. 회사 전체의 업무비나 직원의 작업 시간이 같은 비율로 줄었다는 발표로 넓혀 읽으면 계산의 출발점부터 어긋난다.

요금표도 하나의 가격으로 끝나지 않는다. 토큰 100만개당 입력은 1달러, 이전에 처리한 데이터를 재사용하는 캐시 입력은 0.05달러, 출력은 5달러다. 같은 모델을 쓰더라도 무엇을 넣고 얼마나 생성하는지에 따라 청구액이 달라지는 구조다.

이를테면 문서를 읽게 하는 업무와 긴 초안을 받아내는 업무는 요금표에서 무게가 실리는 자리가 다르다. 반복해서 쓰는 내용을 캐시 입력으로 처리할 수 있는지도 비용을 가른다. 반값이라는 말은 구매의 문턱을 설명하지만, 실제 청구서를 대신해 주지는 않는다.

오류 감소는 어떻게 사람의 비용을 줄이나?

결과를 덜 고쳐도 된다면 API 요금 밖에서도 절감이 생긴다. 오류를 유도하는 질문으로 진행한 오픈AI 내부 평가에서, 낮은 추론 수준을 적용한 테라의 오류율은 16.7%였다. GPT-5.6 테라의 오류율은 53.6%였다.

이 변화가 실제 업무에서도 나타난다면 의미는 분명하다. 틀린 내용을 찾아내고, 다시 요청하고, 수정본을 읽는 부담이 줄어들 수 있다. 저렴한 모델이더라도 사람이 매번 결과를 크게 손봐야 한다면 자동화의 이익은 작아진다. 정확도 개선을 가격과 함께 봐야 하는 이유다.

내부 평가의 오류율을 곧바로 회사 문서의 오류율로 가져다 쓸 수는 없다. 대신 기업이 시험할 질문은 구체적이다. 같은 업무를 맡겼을 때 수정 없이 받아들일 결과가 늘어나는가. 사람이 확인하는 시간이 줄어드는가. 여기서 차이가 나야 성능 개선이 업무비 절감으로 넘어간다.

추론 수준이 다르면 성적표도 나눠 읽어야 한다

전문 업무 수행 평가인 Agents' Last Exam에서는 중간 추론 수준의 테라가 GPT-5.6 테라보다 15%포인트 높은 점수를 기록했다. 앞서 본 오류율은 낮은 추론 수준에서 나온 결과다. 코딩 성적에는 최대 추론 수준이 적용됐다.

각 성적은 서로 다른 질문에 답한다. 전문 업무를 얼마나 잘 수행하는지, 유도 질문에 얼마나 덜 틀리는지, 코딩 과제를 얼마나 해결하는지를 따로 보여 준다. 이를 합쳐 가장 낮은 비용으로 모든 업무를 더 정확하게 끝낸다고 읽어서는 안 된다.

기업의 선택도 업무별로 갈라져야 한다. 양식 입력에서 충분한 설정이 복잡한 코드 수정에도 충분하리라는 보장은 없다. 실제로 쓸 추론 수준과 받아들일 결과의 기준을 정한 뒤, 그 조건에서 발생한 비용을 비교해야 요금표와 성적표가 같은 업무를 가리키게 된다.

코딩 50.3% 해결, 더 비싼 모델은 왜 남나?

터미널-벤치 4.0에서 최대 추론 수준을 적용한 테라는 과제의 50.3%를 해결했다. GPT-5.6 테라의 공개 평가 점수는 21.5%였다. 전작보다 개선됐지만, 이 성적 자체가 모든 코딩 업무를 맡길 수 있다는 약속은 아니다.

오픈AI도 고도의 전문성이 필요한 복잡한 코딩에는 GPT-6.1 솔과 GPT-6 아스트라가 여전히 더 적합하다고 설명했다. 저렴해진 테라와 다른 모델의 역할이 함께 남아 있는 셈이다. 가격 인하가 모델 선택을 없애지는 않았다.

여기서 비용 판단은 한 단계 깊어진다. 어려운 일을 저렴한 모델에 맡긴 뒤 수정과 재시도를 거듭한다면, 처음부터 더 적합한 모델을 쓰는 편이 나을 수 있다. 테라의 경쟁력은 모든 일을 대신하는 데서보다, 맡겨도 되는 업무의 범위를 넓히는 데서 찾아야 한다.

오픈AI가 낮추려는 것은 반복 업무의 문턱이다

이번 선택을 관통하는 방향은 반복 업무에 AI를 쓰는 부담을 낮추는 것이다. 여러 단계의 사무·전문 업무를 겨냥하면서 요금을 낮추고, 복잡한 코딩에는 다른 모델의 역할을 남겼다. 가장 어려운 문제의 성적만 겨루기보다 실제 업무에 투입할 자리를 넓히는 전략으로 읽힌다.

기업 입장에서는 자동화 후보에 올릴 수 있는 업무가 늘어날 여지가 생겼다. 사용료 때문에 망설이던 작업은 다시 따져볼 수 있고, 정확도가 부족했던 작업은 수정 부담이 줄었는지 시험할 수 있다. 가격과 성능의 개선이 만나는 곳에서 새로운 사용 이유가 생긴다.

그러나 싸게 생성한 결과가 그대로 쓸 수 있는 결과인지는 업무 현장에서 갈린다. 테라가 열어 놓은 기회는 분명하지만, 그 가치를 재는 단위는 호출 횟수보다 완료된 업무여야 한다. 오픈AI가 낮춘 요금이 기업의 이익으로 남는 순간은, 직원이 같은 일을 다시 하지 않아도 되는 순간이다.