GPT-6.1 Sol의 가격표 읽기: 저렴해진 AI가 업무 비용도 줄일까

OpenAI는 9월 29일 GPT-6.1 Sol을 발표하며 코딩, 컴퓨터 조작, 전문 업무에서 GPT-6 Sol보다 개선됐다고 설명했다. 일부 평가에서 Astra에 가까운 결과를 더 낮은 비용으로 얻었다는 것이 회사의 주장이다. 다만 모델 사용료가 내려가도 검수와 수정에 드는 시간까지 줄어드는지는 실제 업무에서 따로 확인해야 한다.

뉴스를 접한 팀이 먼저 해야 할 일은 모델 이름을 교체하는 작업보다 현재 비용이 어디서 발생하는지 찾는 것이다. 초안을 만드는 데 드는 사용료, 틀린 내용을 고치는 시간, 업무 시스템에 옮기는 수고가 서로 다르기 때문이다. 모델 호출이 저렴해지는 변화는 이 가운데 첫 항목에 직접 작용한다. 나머지 항목까지 함께 줄어드는지는 별도의 관찰이 필요하다.

공식 API 문서의 표준 요율에서 GPT-6.1 Sol은 100만 토큰당 일반 입력 2달러, 캐시 입력 0.10달러, 캐시 쓰기 2.50달러, 출력 10달러다. 입력이 27만 2,000토큰을 넘는 요청은 입력·캐시 요율이 두 배, 출력 요율이 1.5배가 되며 전체 요청에 적용된다. 아래 표는 이 두 구간을 분리했다.

캐시는 이전에 사용한 문맥을 재사용하는 비용 항목으로 이해하면 쉽다. 다만 파일을 다시 첨부했다는 이유만으로 모든 입력에 캐시 단가가 붙는다고 계산해서는 안 된다. 예산을 잡을 때는 일반 입력과 실제 캐시 사용량을 나누어 기록하고, 캐시를 만드는 비용도 확인해야 한다. 가장 낮은 숫자 하나를 전체 업무의 단가로 쓰면 예상 청구액이 작게 보이기 쉽다.

긴 문서를 다루는 업무에서는 처리해야 하는 자료 전체와 한 번에 보내는 자료의 양을 구분할 필요가 있다. 예컨대 계약서 여러 개를 비교하는 가상의 업무라면 모든 자료를 매번 전송할지, 관련 부분을 찾아 전달할지에 따라 요청의 길이가 달라진다. 전송량을 줄이는 선택이 필수 조항 누락으로 이어지면 비용 절감의 의미가 사라진다. 자료 선택 방식과 정확도를 함께 점검해야 한다는 뜻이다.

이해를 위한 가상 예산을 계산해 보자. 표준 짧은 입력 구간에서 캐시 없이 한 번에 입력 10만 토큰과 출력 1만 토큰을 사용하면 입력 0.20달러와 출력 0.10달러를 합쳐 0.30달러다. 이는 공개 단가에 가정한 사용량을 곱한 값이다. 실제 요청을 실행해 측정한 비용도, 특정 문서를 처리하는 데 반드시 필요한 양도 아니다.

같은 방식으로 입력 30만 토큰과 출력 1만 토큰을 가정하면 긴 입력 구간을 적용해 1.20달러와 0.15달러, 합계 1.35달러가 된다. 이때는 기준을 넘은 입력 일부에만 할증을 붙이는 계산과 결과가 다르다. 요청 길이가 경계 근처인 팀이라면 평균값만 보는 대신 긴 요청이 얼마나 자주 발생하는지도 기록하는 편이 예산 관리에 도움이 된다.

두 예시는 모델 토큰 비용만 비교한다. 검색, 실행 환경, 저장 공간처럼 별도로 청구되는 항목이 있는지 확인해야 전체 비용을 설명할 수 있다. 또한 API의 토큰 과금과 ChatGPT의 월 구독료는 다른 상품의 계산이다. 월 구독을 이미 결제한 사람에게 토큰 단가만 보여 주며 매번 이 금액을 추가로 낸다고 안내하는 것은 부정확하다.

모델 문서는 문맥 길이를 105만 토큰, 최대 출력을 12만 8,000토큰으로 표시한다. 입력은 텍스트와 이미지, 출력은 텍스트를 지원하며 음성·영상 자체 입력 지원과는 구분된다. 문맥 길이는 한 번에 다룰 수 있는 범위에 관한 사양이지, 그 범위의 모든 문장을 완벽히 기억하거나 같은 정확도로 처리한다는 보증은 아니다.

문서 분석 업무라면 자료 끝에 있는 예외 조항을 찾는지, 서로 다른 파일의 날짜를 섞지 않는지, 답변의 근거 위치를 다시 열 수 있는지부터 비교할 수 있다. 코딩 업무라면 변경한 코드의 양보다 요구 사항을 충족하는지와 기존 동작을 망가뜨렸는지가 더 직접적인 기준이다. 같은 모델도 주어진 자료와 도구가 달라지면 결과가 바뀌므로, 제품 이름만 같은 비교는 충분하지 않다.

시험할 업무는 쉬운 것만 고르지 않는 편이 좋다. 평소 재작업이 많은 사례, 자료가 서로 충돌하는 사례, 답을 내지 말아야 하는 사례를 함께 준비하면 실패 양상을 볼 수 있다. 성공한 결과 몇 개를 모아 소개하는 방식은 제품을 설명할 때 유용하지만 전환 결정을 내리기에는 부족하다. 실제로 반복되는 입력 묶음을 보관해 다음 변경 때도 다시 비교하는 것이 낫다.

API의 추론 강도는 low, medium, high, xhigh, max를 지원하고 기본값은 medium이다. none과 minimal은 지원하지 않는다. 도구 호출은 Responses API를 사용하도록 안내한다. 따라서 기존 앱에서 이름만 바꾸는 경우에도 요청 설정과 도구 연결 방식이 새 모델의 지원 범위에 맞는지 점검해야 한다.

평가할 때 한 모델에는 상세한 자료와 충분한 시간을 주고 다른 모델에는 짧은 지시만 주면 비용 대비 성능을 해석하기 어렵다. 같은 입력, 같은 도구, 같은 종료 조건을 먼저 맞추고 추론 설정을 달리하는 실험은 따로 구분하는 편이 좋다. 결과가 좋아졌다면 모델 교체의 효과인지, 지시문을 고친 효과인지 알아야 이후의 개선도 재현할 수 있다.

업무 결과를 합격 또는 불합격으로만 기록하는 것도 아쉬운 방법이다. 사실 수정, 형식 수정, 출처 보완, 도구 실행 실패처럼 재작업의 종류를 분리하면 다음 조치가 보인다. 사실 수정이 많다면 검증 단계를 강화하고, 형식 수정만 많다면 출력 지시를 개선하는 식이다. 모델을 더 비싼 것으로 바꾸는 선택은 이런 원인을 확인한 뒤 판단할 수 있다.

출시 소개는 ChatGPT Work와 Codex의 Plus·Pro·Business·Enterprise·Edu 제공을 안내한다. 한편 9월 29일 릴리스 노트는 Pro부터 시작해 다른 요금제로 확대하는 순차 배포라고 설명한다. 조직 계정은 관리자 권한 설정도 영향을 준다. 두 공식 안내의 표현 차이를 고려해 이 기사에서는 모든 한국 계정에서 즉시 선택할 수 있다고 단정하지 않았다.

모델 메뉴에 이름이 보이지 않을 때는 가입 상품, 업무 공간의 허용 설정, 해당 기능의 배포 여부를 순서대로 확인하는 편이 합리적이다. 다른 사람의 화면에 표시된다는 사실만으로 자신의 계정에도 동일한 권한이 있다고 볼 수는 없다. API를 사용하는 개발자는 이와 별도로 API 계정의 모델 접근과 사용 한도를 확인해야 한다. 한국어 입력의 품질 역시 이용 가능 여부와 다른 평가 항목이다.

팀이 비교표를 만든다면 성공한 결과 한 건에 들어간 비용을 별도 칸에 적을 수 있다. 전체 호출 비용을 단순히 요청 수로 나누면 재시도가 많아도 저렴하게 보일 수 있다. 반면 최종적으로 검토를 통과한 결과 수를 분모로 삼으면 실패와 재작업의 부담이 반영된다. 여기에는 사람이 보완한 시간을 돈으로 환산할지, 시간 자체로 나란히 보여 줄지도 먼저 정해 두는 편이 좋다.

평가 결과를 읽을 때는 업무 구성의 변화에도 주의해야 한다. 지난달에는 짧은 자료가 많았고 이번 달에는 긴 자료가 많았다면 평균 비용의 증가는 모델 교체 때문만은 아닐 수 있다. 자료 길이와 작업 종류를 비슷하게 나눈 뒤 비교해야 원인을 설명하기 쉽다. 반대로 쉬운 작업이 늘어 전체 성공률이 올라간 것을 새 모델의 능력 향상으로 소개하는 것도 피해야 한다.

작업의 합격 기준은 사전에 적되, 평가 중 발견한 새로운 실패를 무시할 필요는 없다. 예를 들어 처음에는 표의 숫자만 확인했는데 출처가 다른 행으로 연결되는 오류를 발견했다면 기준을 보완할 수 있다. 다만 변경한 기준을 예전 결과에도 적용해야 비교가 유지된다. 새 모델에는 느슨한 기준을, 기존 모델에는 엄격한 기준을 쓰면 선택을 정당화하는 자료만 남는다.

운영 전환을 결정했다면 결과 형식에 의존하는 후속 절차도 확인할 수 있다. 사람이 읽기에는 더 좋은 답변이어도 자동 입력 양식에서 필수 칸을 놓치면 다음 단계가 멈춘다. 모델이 출처를 표시하는 방식, 빈 값을 처리하는 방식, 요청이 실패했을 때 반환하는 결과를 확인해야 하는 이유다. 이 부분은 지능 평가와 별도로 서비스 연결의 안정성을 살피는 작업이다.

검증 기간에 기존 방식으로 돌아갈 경로를 남겨 두면 새로운 모델을 더 명확하게 평가할 수 있다. 전환 후 문제가 생겼을 때 임시로 복구할 수 있어야 원인을 서둘러 단정하지 않고 조사할 여유가 생긴다. 유지해야 할 것은 모든 과거 설정이 아니라 비교에 필요한 입력과 결과, 사용한 조건의 기록이다. 비용 절감의 근거도 이 기록이 있어야 나중에 다시 확인할 수 있다.

소규모 팀이라면 전 업무를 한 번에 전환하기보다 검수 기준이 분명한 작업부터 적용할 수 있다. 예를 들어 사내 자료를 바탕으로 표를 채우는 업무에서는 빈칸 처리, 출처 표시, 숫자 일치라는 기준을 정하기 쉽다. 반대로 여러 이해관계자가 결론을 조율해야 하는 업무는 문장 품질만으로 성공을 정의하기 어렵다. 적용 단위를 작게 나누면 모델의 장점과 관리 부담이 더 선명해진다.

최종 판단에는 사용료와 사람의 시간을 함께 남겨야 한다. 초안이 저렴해도 담당자가 다시 만드는 데 오래 걸린다면 업무 전체 비용은 줄지 않는다. 반대로 단가 차이가 작아도 수정 횟수가 감소하면 실제 효용이 클 수 있다. GPT-6.1 Sol의 가격표가 제공하는 것은 이런 검증을 시작할 조건이며, 특정 조직의 절감액 자체는 아니다. 운영 결과를 쌓아야 자신에게 맞는 선택인지 설명할 수 있다.