No. 98

GPT-5.6의 실전 변화

GPT-5.6의 멀티에이전트, 프로그램형 도구 호출, 캐시와 보안 변화가 AI 작업의 새 운영 기준을 만듭니다.

오늘의 핵심

주말 사이 AI 업계의 가장 큰 변화는 오픈AI의 GPT-5.6 정식 출시가 실제 제품과 API 전반으로 확산된 일입니다. 오늘은 단순한 벤치마크 순위보다 여러 에이전트의 병렬 실행, 프로그램으로 도구를 조율하는 방식, 비용을 예측하는 캐시, 결과물을 직접 다듬는 작업 환경이 개발과 운영을 어떻게 바꾸는지에 초점을 맞춥니다.

GPT-5.6은 3개 모델로 나왔습니다

오픈AI가 제한적 프리뷰를 마치고 GPT-5.6 제품군을 ChatGPT, Codex, API에 정식 출시했습니다. 최고 성능의 Sol, 성능과 비용을 맞춘 Terra, 대량 처리용 Luna로 역할을 분리했습니다.

  • 업무별 모델 선택: 하나의 플래그십 모델을 모든 요청에 쓰기보다 난도와 비용에 맞춰 계층을 고르는 구조입니다.
  • API 가격: 1M 토큰 기준 입력·출력 가격은 Sol이 5·30달러, Terra가 2.5·15달러, Luna가 1·6달러입니다.
📢 모델 경쟁의 기준이 최고 점수 하나에서, 같은 업무를 어떤 비용과 시간으로 끝내는지로 이동하고 있습니다.

출처: GPT-5.6: Frontier intelligence that scales with your ambition — OpenAI

ultra, 복잡한 일을 여러 에이전트의 병렬 작업으로 풉니다

GPT-5.6 Sol의 ultra 설정은 어려운 요청을 여러 작업 흐름으로 나눠 에이전트들이 병렬로 수행한 뒤 결과를 통합합니다. API에서도 Responses API의 멀티에이전트 베타로 같은 설계가 열렸습니다.

  • 시간보다 구조의 변화: 한 에이전트가 순서대로 조사하는 대신 서로 독립적인 조사·검증을 동시에 진행합니다.
  • 조율 비용이 새 변수: 작업 분해, 중복 방지, 결과 충돌 해결이 최종 품질을 좌우합니다.
📢 AI 성능을 높이는 방법에 더 큰 모델뿐 아니라, 적절히 나눈 여러 작업을 다시 정확히 합치는 오케스트레이션이 추가됐습니다.

출처: GPT-5.6: Frontier intelligence that scales with your ambition — OpenAI

프로그램형 도구 호출, 모델이 작업 중 작은 실행 계획을 직접 만듭니다

Responses API의 Programmatic Tool Calling은 모델이 메모리 안에서 작은 프로그램을 실행해 여러 도구와 중간 결과를 조율하게 합니다. 이 방식은 Zero Data Retention 환경과도 호환됩니다.

  • 도구 왕복 감소: 매 단계마다 자연어 응답을 거치지 않고, 코드로 반복·필터·분기 작업을 묶을 수 있습니다.
  • 중간 결과 처리: 많은 도구 출력에서 필요한 정보만 추려 다음 행동을 선택하는 흐름을 만들 수 있습니다.
📢 에이전트 API의 중심이 도구를 한 번 호출하는 기능에서, 여러 도구와 데이터를 실행 중에 계산적으로 조율하는 기능으로 넓어졌습니다.

출처: OpenAI Release Notes — OpenAI

명시적 캐시 지점과 최소 30분 수명으로 비용 예측성이 높아집니다

GPT-5.6은 개발자가 프롬프트 캐시 경계를 정하고 최소 30분간 유지하도록 지원합니다. 캐시 쓰기는 일반 입력 요금의 1.25배이며, 읽기는 90 % 할인됩니다.

  • 긴 공통 문맥 재사용: 규칙, 코드베이스 설명, 문서 묶음을 반복 요청마다 다시 처리하는 비용을 줄일 수 있습니다.
  • 쓰기와 읽기의 손익 계산: 요청 빈도가 낮으면 캐시 쓰기 비용이 더 클 수 있어 실제 호출 패턴에 맞춘 설계가 필요합니다.
📢 긴 문맥을 쓰는 에이전트의 비용 최적화가 프롬프트 축약만의 문제가 아니라, 어떤 문맥을 언제 캐시할지 정하는 인프라 문제가 됐습니다.

출처: GPT-5.6: Frontier intelligence that scales with your ambition — OpenAI

디자인과 컴퓨터 사용이 코드 생성 뒤의 마무리 단계까지 확장됩니다

오픈AI는 GPT-5.6이 인터페이스 코드를 만드는 데서 그치지 않고 렌더링된 결과를 직접 살펴보고 수정하는 능력을 강화했다고 밝혔습니다. 반응형 화면과 실제 사용성을 확인하는 반복 작업이 모델의 작업 범위에 들어갑니다.

  • 결과 표면 확인: 소스 코드만 읽는 대신 브라우저에서 보이는 레이아웃과 동작을 점검합니다.
  • 수정 루프 자동화: 생성, 시각 확인, 문제 수정의 반복을 한 작업 흐름으로 연결합니다.
📢 프런트엔드 AI의 품질은 코드를 얼마나 빨리 쓰는지가 아니라, 실제 화면을 보고 스스로 결함을 줄이는 능력으로 평가받게 됩니다.

출처: GPT-5.6: Frontier intelligence that scales with your ambition — OpenAI

업무 문서가 공유 가능한 결과물로 이동합니다

GPT-5.6은 문서, 스프레드시트, 프레젠테이션에서 참조 형식과 템플릿을 더 정확히 따르는 능력을 강조했습니다. 슬라이드 마스터의 레이아웃과 반복 규칙까지 읽어 새 콘텐츠에 적용하는 사례도 공개됐습니다.

  • 형식 준수: 내용 생성뿐 아니라 글꼴, 간격, 계층, 시각화 규칙을 재현합니다.
  • 재작업 감소: 사람이 다시 손보는 시간을 줄이는 것이 지식 업무 모델의 핵심 평가 기준이 됩니다.
📢 업무용 AI의 경쟁력은 답변의 문장 품질보다, 조직의 기존 형식에 맞는 편집 가능한 산출물을 얼마나 적은 수정으로 내놓는지에 달렸습니다.

출처: GPT-5.6: Frontier intelligence that scales with your ambition — OpenAI

사이버 능력과 접근 통제를 함께 강화했습니다

GPT-5.6 Sol은 취약 코드에서 임의 코드 실행까지 평가하는 ExploitBench에서 73.5 %를 기록해 GPT-5.5의 47.9 %를 앞섰습니다. 오픈AI는 모델 내부 안전 학습에 실시간 검사, 모니터링, 신뢰·위험 기반 접근 통제를 결합했다고 설명했습니다.

  • 방어 기회 확대: 보안 코드 리뷰, 패치, 위협 모델링과 탐지 엔지니어링에 더 강한 모델을 활용할 수 있습니다.
  • 능력과 권한의 동시 관리: 높은 사이버 능력은 사용자의 자격과 요청 위험을 구분하는 운영 체계를 요구합니다.
📢 강한 보안 모델을 출시하는 일은 성능 공개만으로 끝나지 않으며, 누가 어떤 범위까지 쓸 수 있는지를 제품 수준에서 통제해야 합니다.

출처: GPT-5.6: Frontier intelligence that scales with your ambition — OpenAI

ChatGPT Work, 긴 작업 환경을 열었습니다

오픈AI는 복잡하고 오래 걸리는 업무를 맡기는 ChatGPT Work를 정식 공개했습니다. Codex에서는 마크다운과 코드를 앱에서 직접 편집하고, 선택한 부분의 수정 요청과 GitHub PR 검토, 여러 저장소를 한 프로젝트에서 다루는 기능이 포함됐습니다.

  • 대화에서 작업 공간으로: 질문과 답변보다 파일 편집, 검토, 진행 상태 확인이 중심이 됩니다.
  • 여러 시스템 연결: 문서와 저장소, 앱을 오가는 업무를 하나의 장기 작업으로 관리합니다.
📢 AI 제품의 기본 단위가 한 번의 채팅에서, 여러 파일과 도구를 넘나들며 완료 상태를 관리하는 작업으로 바뀌고 있습니다.

출처: OpenAI Release Notes — OpenAI

ChatGPT Sites, 대화 안에서 만든 도구를 바로 공유하게 합니다

ChatGPT Sites 공개 베타는 대화에서 만든 대시보드, 추적기, 포털, 프로토타입과 보고서를 웹사이트나 가벼운 앱으로 다듬어 공유하는 기능입니다.

  • 산출물의 실행 가능성: 정적인 답변을 넘어 다른 사람이 직접 조작하는 결과물을 만듭니다.
  • 제작과 배포의 연결: 미리보기와 수정을 같은 환경에서 반복한 뒤 공유할 수 있습니다.
📢 생성형 AI의 결과가 읽고 복사하는 텍스트에서, 팀이 함께 사용하는 작은 소프트웨어로 빠르게 이동하고 있습니다.

출처: OpenAI Release Notes — OpenAI

이더리움 재단, AI 보안 감사는 ‘트리아지’가 핵심입니다

이더리움 재단 프로토콜 보안팀은 여러 AI 에이전트로 실제 프로토콜 코드를 감사해 libp2p gossipsub의 원격 패닉 취약점 CVE-2026-34219를 찾았다고 공개했습니다. 그러나 가장 많은 노력은 후보를 찾는 일이 아니라 진짜 버그와 그럴듯한 오탐을 구분하는 데 들었습니다.

  • 실행 증거가 기준: 호출 경로와 영향 주장만이 아니라 실제 코드에서 재현되는 최소 증명을 요구합니다.
  • 에이전트는 검색 도구: 후보 수가 아니라 검증을 통과한 실제 취약점 수로 성과를 측정합니다.
📢 AI 감사의 병목은 아이디어 생성이 아니라 재현, 영향 평가, 중복 제거이며 사람의 보안 판단은 오히려 더 중요해졌습니다.

출처: The triage is the product: running AI agents against Ethereum’s protocol code — Ethereum Foundation

sem, 코드 줄 대신 함수와 클래스의 변화를 추적합니다

새 오픈소스 도구 sem은 Git 위에서 함수, 메서드, 클래스 같은 코드 엔티티 단위로 변경을 보여줍니다. 줄 번호가 달라져도 이동과 이름 변경, 수정 여부를 구조적으로 구분하는 것이 목표입니다.

  • 에이전트 친화적 diff: 큰 파일의 줄 변경보다 어떤 동작 단위가 바뀌었는지 빠르게 파악할 수 있습니다.
  • 리뷰 문맥 개선: 단순 이동과 실제 로직 수정을 구분해 검토 소음을 줄입니다.
📢 AI가 코드 리뷰와 변경 분석을 맡을수록 텍스트 줄보다 프로그램 구조를 보존하는 변경 표현이 중요해집니다.

출처: Ataraxy-Labs/sem — GitHub

오늘의 도구 추천

sem — Git 변경을 함수·메서드·클래스 단위로 읽게 해주는 시맨틱 버전 관리 도구입니다. 대규모 리팩터링이나 에이전트가 만든 diff에서 이동과 실제 동작 변경을 구분할 때 유용합니다.

에디터 노트

GPT-5.6 발표에서 가장 눈에 띄는 것은 단일 모델의 점수가 아닙니다. 여러 에이전트를 동시에 움직이고, 도구 출력을 코드로 처리하고, 긴 문맥을 캐시하며, 완성된 화면과 문서를 다시 확인하는 과정이 하나의 제품 안으로 합쳐지고 있습니다.

하지만 이더리움 재단의 경험이 보여주듯 병렬 실행과 강한 도구 사용이 곧 정확한 결과를 뜻하지는 않습니다. 앞으로의 차이는 AI가 얼마나 많은 후보를 내놓는지가 아니라, 실행 가능한 증거를 남기고 틀린 후보를 버리며 최종 결과를 실제 표면에서 확인하는 운영 능력에서 만들어질 것입니다.

다음에 또 찾아옵니다. — 에이브랜치