GPT‑5.6 Luna 80% 인하: AI 모델 경쟁이 ‘성능’에서 ‘작업당 비용’으로 이동한다
OpenAI가 GPT‑5.6 Luna API 가격을 80%, Terra를 20% 내리고 Sol에는 최대 2.5배 빠른 Fast mode를 도입했습니다. 기업에게 중요한 변화는 모델 순위보다 업무 단계별 비용·속도·품질을 다시 조합할 여지가 커졌다는 점입니다.
OpenAI가 7월 30일 GPT‑5.6 제품군의 가격·처리 옵션을 크게 조정했습니다. 가장 저렴한 Luna의 API 가격은 80%, 범용 모델 Terra는 20% 낮아졌고, 최상위 Sol에는 최대 2.5배 빠른 Fast mode가 도입됐습니다. Reuters도 기업들이 AI 지출을 더 엄격히 따지는 가운데 소형 모델 가격이 내려갔다고 보도했습니다. 이제 기업용 AI 경쟁의 핵심 지표는 단순한 벤치마크 점수보다 실제 업무 한 건을 원하는 품질로 끝내는 데 드는 비용에 가까워지고 있습니다.
무엇이 얼마나 달라졌나
OpenAI 공식 발표에 따르면 7월 30일부터 GPT‑5.6 Terra의 API 가격은 입력 100만 토큰당 2달러, 출력 100만 토큰당 12달러입니다. Luna는 입력 100만 토큰당 0.20달러, 출력 100만 토큰당 1.20달러로 책정됐습니다. 가격 인하율은 각각 Terra 20%, Luna 80%입니다.
구독료 자체는 바뀌지 않습니다. ChatGPT와 Codex의 구독 가격 및 전체 할당 예산은 유지되지만, Terra와 Luna를 사용할 때 차감되는 크레딧이 줄어드는 방식입니다. OpenAI는 AWS에도 같은 가격 변경을 순차 반영한다고 밝혔습니다.
Sol의 가격은 유지됩니다. 대신 기존 Priority Processing을 대체하는 Fast mode가 API에 추가됐습니다. 회사 설명 기준으로 Standard 대비 최대 2.5배 빠르고 가격은 2배이며, 모델의 지능 수준은 바뀌지 않습니다. 기존에 priority로 지정한 요청은 자동으로 Fast mode를 사용하도록 이전 호환성도 제공됩니다.
가격 인하의 배경: 더 싼 모델이 아니라 더 싼 ‘완료’
토큰 단가만 비교하면 중요한 부분을 놓치기 쉽습니다. 같은 작업이라도 모델이 여러 번 재시도하거나 불필요하게 긴 추론을 하면 실제 완료 비용은 커집니다. 반대로 작은 모델이 도구를 안정적으로 사용하고 명확한 절차를 끝까지 수행한다면, 단가 인하는 대량 자동화의 경제성을 크게 바꿀 수 있습니다.
OpenAI는 모델 구조, 추론 시스템, 라우팅, 컨텍스트 관리의 개선이 비용 절감의 기반이라고 설명합니다. 또한 사람이 주도한 과정에서 GPT‑5.6 Sol이 운영 커널을 다시 작성·최적화해 모델 서빙의 종단간 비용을 20% 줄였고, 토큰 생성 효율을 15% 이상 높였다고 밝혔습니다. 이 수치는 OpenAI가 공개한 자체 운영 결과이므로 외부 독립 측정치와 구분해 볼 필요가 있습니다.
Reuters의 보도는 이번 조치를 기업의 비용 민감도와 연결합니다. 생성형 AI 도입이 실험 단계를 지나면 호출량, 출력 길이, 재시도, 검수 인력까지 모두 비용이 됩니다. 가격 경쟁이 거세질수록 공급자는 “가장 똑똑한 모델”뿐 아니라 “충분히 좋은 결과를 가장 싸게 반복하는 모델”을 증명해야 합니다.
기업 워크플로는 한 모델보다 ‘계층형 조합’으로
이번 조정은 모든 업무를 Luna로 바꾸라는 뜻이 아닙니다. 오류 비용과 난도가 높은 단계에는 Sol이나 Terra를 쓰고, 계획이 확정된 반복 실행에는 Luna를 배치하는 식의 계층형 구성이 더 현실적입니다. 예를 들어 복잡한 코드 변경의 설계와 불확실성 해소는 상위 모델이 맡고, 명세가 분명한 구현·테스트·분류는 저비용 모델로 넘길 수 있습니다.
- 대량 분류·추출: Luna로 시작하되 표본 검수와 오류율 한도를 먼저 정의합니다.
- 일상적 문서·업무 자동화: Terra를 기준선으로 두고 Luna가 같은 품질 기준을 통과하는지 평가합니다.
- 복잡한 설계·과학·보안 업무: Sol의 추가 비용이 실패 감소나 검토 시간 절감으로 회수되는지 측정합니다.
- 응답 지연이 매출과 직결되는 업무: Fast mode의 2배 가격이 최대 2.5배 속도 향상보다 가치가 큰 구간에만 적용합니다.
실무에서 다시 계산해야 할 네 가지
첫째, 기존 월간 토큰 사용량에 새 단가를 곱하는 것만으로는 부족합니다. 성공한 작업당 총 토큰, 재시도율, 사람 검수 시간을 함께 계산해야 합니다. 출력 토큰 가격이 입력보다 높기 때문에 긴 답변을 줄이고 구조화된 결과를 받는 설계가 비용에 큰 영향을 줍니다.
둘째, 모델 라우팅 규칙을 평가 데이터와 연결해야 합니다. 작업 난도나 오류 위험이 일정 기준을 넘을 때만 상위 모델로 올리고, 그렇지 않으면 저비용 모델을 쓰는 정책을 만들 수 있습니다. 이때 공급자 벤치마크가 아니라 자사 문서·코드·고객 문의로 만든 테스트 세트가 필요합니다.
셋째, Fast mode는 전면 적용보다 선택 적용이 맞습니다. 실시간 고객 응대, 개발자의 대기 시간, 사고 대응처럼 수초의 지연이 실제 비용을 만드는 업무에 우선 배치하고, 배치 처리나 백오피스 작업에는 Standard를 유지하는 편이 합리적입니다.
넷째, 가격 인하가 곧 총비용 감소를 보장하지는 않습니다. 단가가 낮아지면 그동안 경제성이 없던 자동화를 더 많이 실행하게 되어 전체 사용량은 오히려 늘 수 있습니다. 예산 경보, 팀별 한도, 품질 평가를 함께 두지 않으면 절감분이 호출량 증가로 사라질 수 있습니다.
전망: 다음 경쟁은 ‘지능의 가격표’
AI 모델 시장은 최고 성능 발표만으로 차별화하기 어려운 단계에 들어섰습니다. 성능이 충분히 높아진 모델이 늘어날수록 구매자는 지연 시간, 도구 사용 안정성, 컨텍스트 효율, 작업당 비용을 함께 비교합니다. 이번 Luna 80% 인하는 고빈도 에이전트와 대량 업무 자동화의 손익분기점을 낮추려는 강한 신호입니다.
다만 공식 수치가 실제 기업 환경에서도 그대로 재현되는지는 별도의 문제입니다. 가장 좋은 대응은 즉시 전면 교체하는 것이 아니라, 대표 업무 20~50개로 평가 세트를 만들고 Luna·Terra·Sol의 성공률과 총비용을 같은 조건에서 비교하는 것입니다. 모델 가격표보다 자사 업무의 완료 비용 곡선을 가진 기업이 이번 가격 경쟁의 혜택을 가장 먼저 가져갈 가능성이 큽니다.
