GPT-5.6 정식 출시, 토큰 63% 아끼고 SWE-bench Pro는 15점 열세

AI 요약

• 무슨 일: OpenAI가 7월 9일 GPT-5.6을 정식 출시(GA)했습니다. Sol·Terra·Luna 세 티어가 ChatGPT, ChatGPT Work, Codex, API에 동시에 열렸습니다.
  • 가격은 100만 토큰당 Sol $5/$30, Terra $2.50/$15, Luna $1/$6입니다.
  • 같은 날 Microsoft가 GPT-5.6을 M365 Copilot 기본 모델로 지정했고, 기업 에이전트 ChatGPT Work도 함께 출시됐습니다.
• 강점: 프로그래매틱 도구 호출로 지명 고객 기준 토큰을 38%에서 63.5%까지 줄였고, Terminal-Bench 2.1에서 88.8%(Ultra 91.9%)로 Opus 4.8을 앞섰습니다.
• 한계: SWE-bench Pro는 64.6%로 Claude Mythos 5(80.3%)에 약 15점 뒤집니다. Sol 절대 단가는 Sonnet 5·Grok 4.5보다 비싸고, 고급 사이버 능력은 별도 등록과 9월 1일까지의 패스키 설정을 요구합니다.

OpenAI가 2026년 7월 9일 GPT-5.6을 정식 출시했습니다. 6월 26일 소수 파트너에게만 열렸던 프리뷰가 이날 ChatGPT, ChatGPT Work, Codex, OpenAI API로 한꺼번에 풀렸습니다. 한 소식은 이 순간을 "GPT-5.6이 프리뷰 뉴스에서 실제 배포 결정으로 바뀐 날"이라고 적었습니다. 개발팀 입장에서 이제 이 모델은 "언젠가 써볼 것"이 아니라 오늘 라우팅 스택에 넣을지 말지를 정해야 하는 선택지입니다.

이번 출시의 특징은 단일 모델이 아니라 세 티어를 한 번에 열었다는 점입니다. 플래그십 Sol, 균형형 Terra, 저비용·고속 Luna가 이름을 나눠 달고 나왔습니다. OpenAI는 발표에서 벤치마크 1위를 앞세우는 대신 "모든 토큰에서 더 많은 유용한 작업을 뽑아내도록 학습시켰다"고 표현했습니다. 성능 정점이 아니라 달러당 성능을 마케팅의 축으로 삼은 셈입니다. 실제 숫자를 뜯어보면 그 선택이 어디서 유리하고 어디서 불리한지가 꽤 선명하게 갈립니다.

세 티어와 가격표: Sol $5부터 Luna $1까지

먼저 가격입니다. API 기준 100만 토큰당 단가는 아래와 같습니다.

절대 단가만 보면 Sol은 저렴한 모델이 아닙니다. Anthropic Claude Sonnet 5의 인트로 가격이 $2/$10(9월 1일 이후 $3/$15)이고, 바로 전날 공개된 xAI Grok 4.5가 $2/$6인 것과 비교하면 Sol의 $5/$30은 프런티어급 중에서도 윗줄에 속합니다. 프롬프트 캐싱은 캐시 쓰기에 1.25배를 물리고 읽기에 90% 할인을 줍니다. 반대로 Luna의 $1/$6은 저비용 티어 경쟁에 직접 들어가는 가격입니다. 같은 패밀리 안에서도 워크로드를 티어로 나눠 태우라는 설계가 가격표에 그대로 드러납니다.

OpenAI가 절대 단가 대신 강조하는 건 작업당 총비용입니다. Sam Altman은 "이제 모든 기업이 지출과 AI로 얻는 가치를 저울질하고 있다"고 말했습니다. 단가가 높아도 같은 작업을 더 적은 토큰으로 끝내면 청구서는 낮아진다는 논리인데, 이 주장이 성립하려면 토큰 효율이 실제로 커야 합니다.

토큰을 아끼는 방식: 프로그래매틱 도구 호출

GPT-5.6이 토큰을 줄이는 핵심 장치는 Responses API의 프로그래매틱 도구 호출(Programmatic Tool Calling)입니다. 모델이 도구를 한 번에 하나씩 호출하고 그 결과를 다시 컨텍스트에 쌓는 대신, 모델이 작성한 JavaScript를 네트워크가 차단된 격리 V8 런타임에서 실행합니다. 여러 도구 호출과 중간 결과를 코드 한 덩어리로 묶어 처리하니, 왕복마다 프롬프트에 되붙던 중간 산출물이 컨텍스트에서 빠집니다. OpenAI는 지명 고객 기준으로 토큰이 38%에서 63.5%까지 줄었다고 밝혔고, 에이전트 코딩 워크로드에서는 전작 대비 토큰 효율이 54% 개선됐다고 설명했습니다.

이 절감은 실비용에 그대로 반영됩니다. 에이전트가 파일 수십 개를 오가며 도구를 반복 호출하는 긴 세션에서는 중간 결과가 컨텍스트를 계속 부풀리는데, 이걸 코드 실행으로 접으면 입력 토큰 자체가 줄어듭니다. Sol의 입력 단가가 높아도 입력량이 절반 가까이 빠지면 최종 청구액에서 격차가 좁혀집니다. 달러당 성능을 앞세운 마케팅은 여기에 근거를 둡니다.

코딩 벤치마크는 정직하게 갈렸다

문제는 코딩 성능 자체입니다. 토큰 효율과 별개로, 실제 리포지토리 작업을 재는 벤치마크에서 GPT-5.6 Sol의 성적은 항목마다 방향이 다릅니다.

앞서는 항목부터 봅니다. 명령줄에서 실제 작업을 수행하는 Terminal-Bench 2.1에서 Sol은 88.8%로, Claude Opus 4.8의 78.9%를 약 10점 차로 앞섰습니다. 네 개 에이전트를 병렬로 돌리는 Ultra 모드를 켜면 이 점수는 91.9%까지 올라갑니다. Artificial Analysis의 Coding Agent Index v1.1에서도 Sol은 80점으로 Claude Fable 5의 77.2점을 2.8점 앞섰습니다. 터미널 안에서 도구를 다루고 명령을 이어가는 에이전트형 작업이 Sol의 강한 구간입니다.

뒤처지는 항목이 문제입니다. 실제 오픈소스 이슈를 고치는 SWE-bench Pro에서 Sol은 64.6%에 그쳤습니다. 같은 벤치마크에서 Claude Mythos 5는 80.3%, Fable 5는 80%, Opus 4.8은 69.2%입니다. Claude 최상위 모델과는 약 15점, 한 세대 전 Opus 4.8과 비교해도 4점 넘게 뒤집니다. DeepSWE v1.1은 72.7%로 중간쯤이고, 55개 전문 분야를 다루는 Agents' Last Exam에서는 52.7%로 Fable 5를 13.1점 앞섰습니다. 종합하면 Sol은 터미널·에이전트 운용에서는 앞서지만, 리포지토리 단위 코드 수정의 정확도에서는 Claude 상위권에 확실히 못 미칩니다. 한 리뷰가 이 조합을 "빠른 코딩과 벤치마크 문제"라고 요약한 이유입니다.

컨텍스트 윈도우는 OpenAI가 공식 수치를 확정하지 않았습니다. 전작 GPT-5.5가 최대 100만 토큰을 지원했고 GPT-5.6도 같은 수준으로 널리 예상되지만, 발표문에 못 박히지는 않았습니다. 비교 대상인 Opus 4.8은 기본 100만 토큰 컨텍스트에 최대 출력 12만 8천 토큰을 명시하고 있습니다.

ChatGPT Work: Claude Cowork에 대한 응답

이번 발표에서 모델만큼 무게가 실린 건 ChatGPT Work입니다. 개별 프롬프트를 주고받는 챗봇이 아니라, 연결된 앱과 파일을 읽어 문서·스프레드시트·프레젠테이션·리포트·웹사이트를 만들고, 스케줄이나 트리거에 따라 장기 작업을 이어가는 기업용 에이전트입니다. 데스크톱 버전은 내장 브라우저로 로컬 파일과 애플리케이션을 직접 다룹니다. Codex도 이번에 GPT-5.6 기반으로 옮겨, 코딩 에이전트와 업무 에이전트가 같은 모델 위에 서게 됐습니다.

기업 배포를 겨냥한 만큼 안전 장치도 함께 들어갔습니다. 플러그인 접근을 관리하고, 민감한 작업을 제한하며, 고위험 동작은 실행 전에 검사하는 Auto-review 레이어를 둡니다. 자율성이 높아질수록 승인 없이 실행되는 행동이 늘어나는데, 그 지점을 붙잡는 검토 단계를 모델 바깥에 배치한 구조입니다.

M365 Copilot 기본 모델, 그런데 배타적이진 않다

같은 날 나온 두 번째 소식은 파장이 더 큽니다. Microsoft가 7월 9일부터 GPT-5.6을 Microsoft 365 Copilot의 새 기본 모델로 롤아웃하기 시작했습니다. Word, Excel, PowerPoint, Chat, 그리고 협업 공간 Cowork에서 GPT-5.6이 기본으로 추론을 담당합니다. 수억 명이 매일 여는 오피스 제품군의 기본 엔진이 바뀌는 규모입니다.

다만 "preferred model"이라는 표현은 조심해서 읽어야 합니다. 이 지정은 배타적 사용도, 전 테넌트 강제 기본값도, 모든 프롬프트에 GPT-5.6을 쓴다는 뜻도 아닙니다. Microsoft는 내부 테스트를 거쳐 일부 작업에는 Anthropic 모델을 계속 쓰고, Meta·Mistral 등 다른 회사 모델도 자사 데이터센터에서 호스팅하고 있습니다. 이 발표가 OpenAI와 Microsoft의 결별설이 오가는 와중에 나왔다는 점도 함께 봐야 합니다. 두 회사의 관계가 예전 같지 않다는 관측이 계속되는 시점에, OpenAI로서는 여전히 자사 모델이 Microsoft 제품의 기본이라는 사실을 확인시킬 필요가 있었습니다. 표현의 무게와 실제 배타성 사이의 간격이 이번 지정에서 짚어야 할 지점입니다.

개발자는 무엇을 기준으로 골라야 하나

정리하면 GPT-5.6은 벤치마크 정점을 노리는 모델이 아니라, 토큰 효율과 티어 유연성으로 실제 청구서를 낮추려는 모델입니다. 채택을 검토한다면 다음 축으로 나눠 보는 편이 낫습니다.

사이버 안전 쪽 조건도 미리 확인해야 할 대목입니다. GPT-5.6은 CTF 평가에서 96.7%, SEC-Bench Pro 71.2%로 전작 GPT-5.5(45.8%)를 크게 웃돌았습니다. Terra와 Luna는 OpenAI가 정의한 "High" 사이버 능력 임계를 넘었고, Sol은 자율 사이버 작전을 뜻하는 "Critical" 임계 아래에 있습니다. 능력이 올라간 만큼 접근 통제도 조여, 고급 사이버 기능은 "Trusted Access for Cyber" 프로그램 등록을 요구하고, 하드웨어 기반 패스키를 9월 1일까지 활성화해야 전체 접근이 유지됩니다. 보안 워크로드에 쓰려는 팀이라면 모델 성능표만이 아니라 이 등록·인증 절차부터 일정에 넣어야 합니다.

라우팅 관점에서 보면 GPT-5.6은 하나로 고정하는 모델이 아니라 티어를 섞어 쓰는 모델입니다. 대량 실행은 Luna로, 복잡한 추론은 Sol로 태우고, 리포지토리 정확도가 중요한 작업에는 Claude 상위 모델을 남겨두는 혼합 스택이 현실적인 그림입니다. 저비용 모델 경쟁은 이미 중국 오픈 모델이 미국 개발자 토큰의 46%를 가져간 소식에서 다뤘고, GPT-5.6은 여기에 "토큰 효율을 API 레벨에서 접는다"는 변수를 더합니다.

남은 질문

GPT-5.6은 프런티어 경쟁의 무게 중심이 어디로 옮겨가는지를 드러낸 사례입니다. 벤치마크 1위 대신 토큰당 작업량과 티어 유연성을 내세웠고, 모델 출시를 ChatGPT Work·Codex·M365 Copilot이라는 배포 경로와 한 묶음으로 발표했습니다. 성능표에서 이기지 못한 자리를 배포 접근성과 비용 구조로 메우려는 전략입니다.

확인해야 할 것도 남았습니다. 프로그래매틱 도구 호출의 토큰 절감이 지명 고객 사례를 넘어 일반 워크로드에서도 재현되는지, SWE-bench Pro 15점 격차가 실제 리포지토리 작업에서 얼마나 체감되는지, 그리고 M365 Copilot "기본 모델" 지정이 Microsoft의 모델 다변화 속에서 얼마나 오래 유지되는지입니다. 저렴하게 더 많은 일을 처리한다는 약속이 각 팀의 청구서에서 실제로 확인될 때까지, GPT-5.6은 라우팅 후보 중 하나로 실측해 볼 대상입니다.