Astra가 가장 강하다는 사실과 모든 일에 Astra를 써야 한다는 결론은 다릅니다. 토큰당 가격만 보면 Astra는 GPT-5.6 Sol의 2.5배이고 Luna와는 입력 50배, 출력 약 41.7배 차이가 납니다. 짧은 요약과 분류까지 최고 성능 모델로 처리하면 품질 차이보다 비용 차이가 먼저 커질 수 있습니다.
반대로 한 번의 실패가 긴 재작업으로 이어지는 복합 업무에서는 단가만 비교해도 답이 나오지 않습니다. OpenAI가 공개한 일부 장기 작업 평가에서는 Astra가 Sol보다 높은 성공률을 내면서도 출력 토큰과 재시도를 줄여 작업당 예상 비용이 더 낮아졌습니다. 모델 선택의 기준을 ‘제일 똑똑한가’에서 ‘이 작업이 틀렸을 때 얼마를 잃는가’로 바꿔야 하는 이유입니다.
이 글의 결론부터 말하면 다음과 같습니다. 대량 반복 업무의 가성비 출발점은 Luna, 일상적으로 어려운 업무의 무난한 기본값은 Sol high, 여러 도구와 긴 맥락을 오가며 실패 비용이 큰 일은 Astra가 어울립니다. 이는 직접 대조 테스트의 결과가 아니라, 2026년 9월 6일 공식 가격·기능·공개 벤치마크를 종합한 편집상의 주관적 제안입니다.
Astra와 5.6 모델의 위치부터 정리합니다
공식 모델 ID는 gpt-6-astra, gpt-5.6-sol, gpt-5.6-terra, gpt-5.6-luna입니다. 여기서 자주 생기는 오해가 하나 있습니다. Sol high는 별도 모델명이 아닙니다. gpt-5.6-sol에 reasoning.effort: "high"를 적용한 설정을 편의상 부르는 표현입니다.
OpenAI의 GPT 모델 카탈로그는 Astra를 가장 어려운 종단 간 업무용 최고 성능 모델로, Sol을 복잡한 추론과 코딩을 위한 주력 모델로 설명합니다. Terra는 지연 시간·비용·성능의 균형, Luna는 비용에 민감한 대량 작업에 초점을 둡니다.
네 모델 모두 최대 105만 토큰의 컨텍스트와 12만8천 토큰의 최대 출력을 지원합니다. 그러나 같은 크기의 입력을 받을 수 있다는 뜻이 같은 품질·속도·비용을 낸다는 뜻은 아닙니다. Astra의 지식 기준일은 2026년 4월 30일, 5.6 계열은 2026년 2월 16일로 안내돼 있습니다. 최신 사실이 필요한 업무는 이 차이와 무관하게 검색·도구·공식 원문 확인이 필요합니다.
가격표는 단순하지만 실제 비용은 단순하지 않습니다
표준 API의 100만 토큰당 입력·출력 가격은 다음과 같습니다. 캐시, Batch·Flex·Fast 같은 서비스 티어, 도구 호출 비용, 장문맥 할증은 제외한 기본 단가입니다.
| 모델 | 입력 100만 토큰 | 출력 100만 토큰 | 공식 권장 위치 | | --- | ---: | ---: | --- | | GPT-5.6 Luna | $0.20 | $1.20 | 비용 민감·대량 작업 | | GPT-5.6 Terra | $2.00 | $12.00 | 속도·비용·성능의 균형 | | GPT-5.6 Sol | $4.00 | $20.00 | 복잡한 추론·코딩의 주력 | | GPT-6 Astra | $10.00 | $50.00 | 가장 어려운 종단 간 작업 |
한 달 동안 여러 요청에 걸쳐 입력 100만 토큰과 출력 10만 토큰을 사용했다고 가정해 보겠습니다. 어느 한 요청도 27만2천 입력 토큰을 넘지 않고 캐시와 도구 비용이 없다는 단순 예시입니다.
- Luna: $0.20 + $0.12 = $0.32
- Terra: $2.00 + $1.20 = $3.20
- Sol: $4.00 + $2.00 = $6.00
- Astra: $10.00 + $5.00 = $15.00
같은 토큰을 썼다면 Astra는 Sol보다 $9, Luna보다 $14.68 비쌉니다. 이 산술은 대량 요약·태깅·형식 변환에서 Luna의 가성비가 왜 큰지 잘 보여 줍니다. 다만 실제 업무에서는 모델마다 같은 답에 필요한 출력 길이와 재시도 횟수가 다를 수 있어, 토큰 예산만으로 작업 완료 비용을 확정할 수 없습니다.
장문맥도 주의해야 합니다. Astra 모델 문서는 한 요청의 입력이 27만2천 토큰을 넘으면 전체 요청에 입력·캐시 2배, 출력 1.5배의 장문맥 요율이 적용된다고 안내합니다. ‘105만 토큰을 넣을 수 있다’와 ‘105만 토큰을 기본 단가로 넣을 수 있다’는 다른 말입니다.
공개 성능 수치가 보여 주는 것과 못 보여 주는 것
Astra의 강점은 한 번 답하고 끝나는 퀴즈보다 여러 단계의 도구 사용, 긴 실행, 환경 변화 대응에서 크게 나타납니다. OpenAI의 Astra 발표에 공개된 Sol 대비 수치를 보면 방향이 선명합니다.
| 공개 평가 | GPT-5.6 Sol | GPT-6 Astra | 읽을 때 주의할 점 | | --- | ---: | ---: | --- | | Terminal-Bench 4.0 | 37.3% | 57.9% | 실제 터미널 환경의 장기 작업 평가 | | Terminal-Bench Science 0.1 | 22.4% | 64.6% | 과학·연구형 장기 작업에 치우친 평가 | | ExploitGym | 30.3% | 42.4% | 사이버 보안 환경의 제한된 과제 | | SRE-Bench, 단일 시도 | 55.9% | 88.0% | 사이트 신뢰성 엔지니어링 과제 |
Terminal-Bench 4.0에서는 Astra의 작업당 예상 API 비용이 Sol보다 약 9% 낮았고, Terminal-Bench Science에서는 비용을 낮춘 Astra 설정이 61.1%를 기록하면서 Sol보다 작업당 예상 비용이 약 27% 낮았다고 OpenAI는 설명합니다. 토큰 단가가 더 비싼데도 복잡한 일을 더 짧고 적은 재시도로 끝내면 총비용이 역전될 수 있다는 사례입니다.
그러나 이 숫자를 “Astra가 모든 업무에서 세 배 좋다”로 읽으면 안 됩니다. 공급자가 보고한 특정 프롬프트·도구·샌드박스·채점 방식의 결과이고, Luna와 Terra가 같은 표에서 전부 비교된 것도 아닙니다. 한국어 회의록 요약, 고객 응대 초안, 사내 양식 작성의 품질 차이를 직접 증명하지 않습니다. 벤치마크는 어려운 장기 작업에서 Astra의 추가 비용을 회수할 가능성을 보여 주는 신호이지, 조직의 실제 업무 평가를 대신하는 영수증이 아닙니다.
비싼 모델이 작업당 더 쌀 수 있는 세 조건
토큰 단가와 작업 완료 비용 사이에는 세 가지 변수가 있습니다.
첫째는 성공까지의 시도 횟수입니다. Luna가 한 번에 끝낼 일을 Astra가 해도 절감은 거의 없습니다. 반대로 Sol이 세 번 실패하고 사람이 중간마다 맥락을 다시 설명해야 하는 일을 Astra가 한 번에 끝낸다면 가격 차이는 줄어듭니다.
둘째는 출력 길이입니다. 추론을 잘하는 모델이 언제나 더 길게 쓰는 것은 아닙니다. OpenAI의 Astra 사용 가이드는 Astra가 더 적은 출력 토큰으로 강한 결과를 내도록 개선됐다고 설명합니다. 장황한 중간 보고와 잘못된 우회가 줄면 비싼 출력 단가의 일부를 상쇄할 수 있습니다.
셋째는 사람의 검수·복구 시간입니다. API 청구서가 $1 줄어도 담당자가 잘못된 파일 수정, 권한 복구, 결과 재검증에 한 시간을 쓰면 싼 작업이 아닙니다. 특히 코드 변경, 데이터 마이그레이션, 여러 앱을 오가는 에이전트 작업에서는 모델 비용보다 실패 후 복구 비용이 더 클 수 있습니다.
따라서 비용 측정 단위는 ‘100만 토큰’에서 끝나면 안 됩니다. 성공한 결과 한 건당 모델 비용, 평균 재시도, 사람의 개입 시간, 잘못된 결과의 복구 시간을 함께 기록해야 합니다.
Luna·Sol high·Astra에 일을 나누는 기준
| 구분 | 역할 | 설명 | 예시 |
|---|---|---|---|
| Luna | 많이 돌리고 쉽게 검수할 수 있는 일 | 형식이 일정하고 실패를 자동 규칙이나 표본 검수로 빨리 잡을 수 있는 작업에 먼저 배치합니다. | 문서 분류, 필드 추출, 짧은 요약, 제목 후보, 정형 초안 |
| Terra | Luna의 재시도가 늘어나는 중간 지대 | 대량 처리의 비용은 중요하지만 문맥 이해와 도구 사용이 조금 더 필요한 작업의 완충 역할을 합니다. | 여러 문서의 비교 요약, 중간 난도 조사, 반복형 코드 수정 |
| Sol high | 매일 만나는 어려운 전문 업무 | 한두 단계 추론으로 끝나지 않지만 최상위 모델을 상시 쓸 정도로 실패 비용이 크지는 않은 업무의 기본값입니다. | 설계 검토, 원인 분석, 긴 문서 작성, 복합 코드 변경 |
| Astra | 실패·재작업 비용이 큰 장기 작업 | 많은 파일과 도구를 오가고 중간 결정이 뒤 단계 전체에 영향을 주는 작업에서 추가 비용을 검토합니다. | 대규모 마이그레이션, 복합 장애 분석, 중요한 최종 검토 |
여기서 ‘중요한 일’은 문서 제목에 ‘중요’가 붙은 일을 뜻하지 않습니다. 되돌리기 어렵고, 숨은 의존성이 많고, 틀렸을 때 여러 사람의 시간이 다시 드는 일입니다. 반대로 임원 보고용 문장이라도 사실 확인과 승인 절차가 따로 있고 초안만 만드는 단계라면 Luna나 Terra로 시작할 수 있습니다.
왜 Luna는 가성비 선택으로 보이는가
Luna 공식 문서는 비용에 민감한 대량 작업용 모델로 설명하며, 캐시 입력은 100만 토큰당 $0.02까지 내려갑니다. 입력이 많고 출력이 짧은 분류·추출 작업에서는 Sol과의 가격 차이가 누적될수록 커집니다.
Luna가 좋은 출발점이 되려면 검수 장치가 있어야 합니다. 허용 값 목록, JSON 스키마, 길이 제한, 금칙어, 표본 검수처럼 실패를 값싸게 잡을 수 있다면 낮은 단가를 실제 절감으로 바꾸기 쉽습니다. 반대로 답의 오류를 사람이 긴 원문과 대조해야 한다면 싼 모델을 쓴 뒤 검수 비용이 커질 수 있습니다.
가성비는 ‘가장 싼 모델’이 아니라 요구 품질을 통과하는 가장 싼 설정입니다. Luna low 또는 medium에서 시작하고, 실패 사례가 쌓일 때 Terra나 Sol로 올리는 방식이 합리적입니다. 모델을 올리기 전에 프롬프트와 입력 구조, 성공 기준이 불분명한 문제부터 고쳐야 합니다.
왜 Sol high는 무난한 기본값으로 보이는가
Sol은 Astra보다 토큰 단가가 60% 낮고, 5.6 계열의 주력 추론 모델입니다. high는 답변에 더 많은 추론 예산을 쓰도록 하는 설정이라, 짧은 반복 작업에는 과할 수 있지만 설계·분석·작성·코딩이 섞인 일상 업무에서는 품질과 비용 사이의 설명하기 쉬운 중간점이 됩니다.
‘무난하다’는 말은 항상 최고라는 뜻이 아닙니다. 작업이 간단하면 Luna가 더 낫고, 속도와 비용의 균형이 우선이면 Terra가 맞을 수 있습니다. 반대로 Sol high에서 같은 단계가 반복해서 막히거나, 도구를 오래 사용한 뒤 초반 지시를 놓치거나, 실패 후 사람이 큰 복구를 해야 한다면 Astra 승격을 검토할 신호입니다.
이 글이 Sol high를 기본값으로 제안하는 이유는 공식 벤치마크가 모든 업무의 우승자를 정해 줬기 때문이 아닙니다. 가격 차이가 분명하면서도 복잡한 전문 업무용이라는 역할이 명확하고, Luna와 Astra 사이에서 운영 규칙을 만들기 쉬워 보인다는 주관적 운영 판단입니다.
Astra는 ‘정말 중요할 때만’이라는 원칙이 맞을까
대체로 맞지만, 중요도의 정의를 결과물의 격식보다 실패 비용과 작업 길이에 두어야 합니다. Astra를 고려할 만한 신호는 다음과 같습니다.
- 여러 저장소·문서·앱·브라우저를 오가며 상태를 오래 유지해야 합니다.
- 초반의 잘못된 가정 하나가 뒤의 수십 단계와 많은 파일을 망가뜨릴 수 있습니다.
- 실패 원인을 찾고 되돌리는 데 모델 비용보다 사람 시간이 훨씬 많이 듭니다.
- Sol에서 재시도와 중간 개입이 반복돼 작업당 비용이 이미 높아졌습니다.
- 결과를 바로 실행하지 않더라도, 최종 승인 전에 놓치면 큰 손실이 생기는 검토 단계입니다.
반대로 짧은 질의, 첫 아이디어, 반복 요약, 쉽게 되돌릴 수 있는 초안에 Astra를 고정할 이유는 약합니다. Astra는 none 추론을 지원하지 않고 최소 low부터 시작합니다. 빠른 단순 응답까지 한 모델로 통일하면 운영은 편해 보여도 비용 최적화의 여지가 사라집니다.
또 하나의 함정은 ‘Astra라서 검수 생략’입니다. 공개 성능이 높아도 잘못된 입력, 오래된 정보, 과도한 권한, 모호한 완료 조건은 그대로 남습니다. 중요한 작업일수록 더 강한 모델과 사람 승인, 변경 범위 제한, 되돌리기, 실행 로그를 함께 둬야 합니다.
ChatGPT·Codex 플랜과 API 가격을 섞으면 안 됩니다
앞의 달러 표는 OpenAI API의 토큰 단가입니다. ChatGPT 앱이나 Codex에서 구독 플랜으로 모델을 선택할 때 보이는 메시지·작업 한도, 크레딧, 사용 가능 여부와 같은 단위가 아닙니다. 같은 Astra 작업도 입력 길이, 도구 호출, 실행 시간, 계정의 출시 상태에 따라 제품 안에서 체감 소모가 달라질 수 있습니다.
따라서 개인 사용자는 API 표를 보고 “내 플랜에서 Astra 한 번은 정확히 얼마”라고 환산하면 안 됩니다. 제품 화면에 표시되는 현재 한도와 사용량을 확인해야 합니다. 팀이 API로 자동화를 만든다면 입력·출력 토큰, 캐시 적중, 27만2천 토큰 초과 요청, 도구 비용을 로그로 집계해야 합니다.
공통으로 쓸 수 있는 지표는 있습니다. 모델별 요청 수가 아니라 성공한 작업 수, 재시도 횟수, 사람 개입 시간, 승인 거절률을 기록하는 것입니다. 그래야 구독형 제품과 API를 써도 “Astra를 중요한 일에만 쓴다”는 원칙이 실제 비용 절감으로 이어지는지 확인할 수 있습니다.
팀에 적용할 때는 자동 승격 규칙을 만듭니다
모든 사용자가 매번 모델을 고민하게 하면 가장 익숙하거나 가장 강한 모델로 쏠립니다. 작업의 실패 비용과 검수 가능성을 기준으로 기본 모델과 승격 조건을 미리 정하는 편이 낫습니다.
- 검수오류를 자동 규칙이나 짧은 표본 검수로 잡을 수 있으면 Luna에서 시작합니다.
- 복잡도여러 자료와 단계가 필요하지만 되돌리기 쉬우면 Terra 또는 Sol medium을 검토합니다.
- 기본값일상적인 고난도 전문 업무는 Sol high를 기준선으로 두고 성공률과 지연을 기록합니다.
- 승격재시도·중간 개입·복구 시간이 임계치를 넘거나 실패 비용이 크면 Astra로 올립니다.
- 재평가월별로 성공한 작업당 비용을 비교해 과한 모델은 내리고 반복 실패 작업은 올립니다.
평가 샘플은 쉬운 성공 사례만 모으면 안 됩니다. 정상, 모호한 입력, 도구 실패, 긴 맥락, 권한 부족, 되돌리기 상황을 함께 넣어야 합니다. 모델별로 같은 입력과 같은 성공 조건을 적용하고, 답변의 문체보다 업무 결과가 통과했는지를 채점합니다.
결론: 최고 모델보다 승격 기준이 더 중요합니다
Astra는 Sol보다 단순히 조금 더 좋은 모델이 아니라, 장기 도구 사용과 복합 문제 해결의 실패율을 낮추는 데 비용을 지불하는 선택에 가깝습니다. 일부 공개 평가에서는 그 성능 차이가 재시도와 출력 비용을 줄여 작업당 비용까지 역전시켰습니다. 그러나 짧고 반복적인 업무에서는 높은 단가를 회수할 가능성이 작습니다.
그래서 현실적인 운영 원칙은 세 줄로 정리됩니다. Luna는 가성비가 중요한 대량 반복 업무, Sol high는 매일 만나는 어려운 업무의 무난한 기본값, Astra는 실패와 재작업 비용이 큰 정말 중요한 장기 업무에 둡니다. Terra는 Luna의 실패가 늘지만 Sol의 비용까지 필요하지 않은 중간 지대에 놓습니다.
이 선택은 영구적인 서열표가 아닙니다. 실제 업무 표본에서 성공한 결과 한 건당 비용과 사람의 개입 시간을 재고 승격·강등해야 합니다. 가장 비싼 모델을 아끼는 것보다, 어떤 실패가 비싼지 먼저 정의하는 조직이 모델 비용을 더 잘 통제합니다.
공식 출처
- GPT-6 Astra model, OpenAI
- GPT models, OpenAI
- GPT-5.6 Luna model, OpenAI
- Using GPT-6 Astra, OpenAI
- Introducing GPT-6 Astra, OpenAI
- GPT-6 Astra System Card, OpenAI
- OpenAI Design Guidelines, OpenAI
