오픈AI는 2026년 7월 30일부터 GPT-5.6 루나(Luna)의 API 가격을 80%, 테라(Terra)를 20% 인하했다. 새 요금은 루나가 100만 토큰당 입력 0.20달러와 출력 1.20달러, 테라가 입력 2달러와 출력 12달러이며, 최상위 모델 Sol의 요금은 100만 토큰당 입력 5달러와 출력 30달러로 변동이 없다. 오픈AI는 이 인하가 자사 서빙 효율 개선을 고객에게 넘긴 것이라고 설명하면서, GPT-5.6 Sol이 프로덕션 커널을 스스로 다시 작성해 모델 서빙의 종단 비용을 20% 줄였고 토큰 생성 효율을 15% 이상 높였다고 밝혔다. ASAP은 오픈AI 공식 발표 두 건을 1차 출처로 가격표 뒤에 있는 구조를 정리한다.

새 가격표는 하위 두 모델에만 적용됐다

오픈AI가 2026년 7월 30일 공개한 요금 변경은 GPT-5.6 계열 세 모델 중 아래 두 개에만 적용됐다. 루나는 가장 빠르고 저렴한 모델로 80% 인하돼 100만 토큰당 입력 0.20달러, 출력 1.20달러가 됐다. 일상 업무용 균형 모델인 테라는 20% 인하돼 입력 2달러, 출력 12달러가 됐다. 최상위 모델 Sol의 가격은 그대로다.

가격 인하는 API에만 머물지 않는다. 오픈AI는 낮아진 루나와 테라 요금이 코덱스(Codex)와 ChatGPT Work에서 유료 구독 사용량을 계산하는 방식에도 반영된다고 밝혔다. 구독료와 할당량 예산 자체는 그대로 두되 테라와 루나 사용이 더 적은 크레딧을 소모하게 되는 구조다. 구독 등급별로는 무료와 Go 사용자가 테라를, 플러스와 프로, 비즈니스, 엔터프라이즈 사용자가 테라와 루나를 쓸 수 있다.

같은 발표에는 속도 옵션 변경도 담겼다. 오픈AI는 API에서 기존 우선 처리(Priority Processing)를 대체하는 패스트 모드(Fast mode)를 도입했다. GPT-5.6 Sol에 대해 패스트 모드는 표준 처리 대비 최대 2.5배 빠른 속도를 2배 가격에 제공하며 지능에는 변화가 없다. 기존에 priority 태그를 달아 보내던 요청은 자동으로 패스트 모드를 쓰게 되므로 하위 호환이 유지된다.

인하 재원은 모델이 스스로 만든 서빙 효율이라고 오픈AI는 설명한다

오픈AI가 제시한 인하의 근거는 판매 전략이 아니라 원가 구조다. 회사는 사람이 주도하는 과정 안에서 GPT-5.6 Sol이 프로덕션 커널을 자율적으로 다시 쓰고 최적화했으며, 토큰 생성을 개선하기 위한 수백 건의 실험을 설계하고 실행했고, 학습을 모니터링하다 문제가 생기면 개입했다고 밝혔다. 그 결과 커널 작업이 모델 서빙의 종단 비용을 20% 낮췄고, 실험들이 토큰 생성 효율을 15% 이상 끌어올렸다.

효율이 모델 안에서만 나오지 않는다는 점도 함께 제시됐다. 오픈AI는 라우팅 개선이 하드웨어 가동률을 유지하고, 문맥 관리 개선이 에이전트의 중복 작업을 막으며, 도구와 제품 설계가 과제 완료에 필요한 단계 수를 줄인다고 설명했다. 이를 뒷받침하는 수치로 ARC-AGI-3 공개 과제 집합 점수를 들었다. 유지되는 추론과 문맥 관리를 개선한 결과 GPT-5.6 Sol의 점수가 13.3%에서 38.3%로 올랐고, 이때 사용한 출력 토큰은 6분의 1로 줄었다. 모델은 바뀌지 않았고 주변 시스템만 바뀐 결과다.

가격 대비 성능에 대한 회사 측 주장도 구체적이다. 오픈AI는 루나가 1년 전 최전선급이던 모델들과 비슷한 성능을 과제당 대략 6센트 수준의 비용으로, 거의 9배 빠른 속도로 낸다고 밝혔다. 전문 업무를 재는 Agents' Last Exam 기준으로는 루나가 페이블 5(Fable 5)를 앞서면서 과제당 추정 비용은 99% 가까이 낮다고 적었다.

80%와 20%의 격차가 이번 발표의 진짜 메시지다

세 모델 중 하나만 80% 내리고 하나는 20%, 최상위는 동결한 배치는 균일한 가격 인하가 아니라 계층 재설계다. 인하 폭의 격차가 향하는 곳은 분명하다. 값싼 대량 처리 구간에서는 경쟁자와 가격으로 맞붙고, 최전선 구간에서는 가격을 지키겠다는 것이다. Sol을 동결한 채 오히려 2배 가격의 패스트 모드를 새로 얹은 것이 이 해석을 뒷받침한다. 최상위 구간에서 팔려는 것은 토큰 단가가 아니라 응답 속도와 신뢰성이다.

이 배치가 겨냥하는 압력이 어디서 오는지도 읽힌다. 저가 구간 요금을 다섯 배 가까이 낮춘 2026년 7월 30일은 딥시크가 V4-Flash 공개 베타를 연 7월 31일과 하루 차이이며, 이 시기 저가 대량 처리 구간에서 요금 경쟁이 집중되고 있었다. 다만 오픈AI 발표문 자체는 경쟁사를 언급하지 않고 효율 개선의 전가라는 논리로만 설명한다. 두 서술이 모순되는 것은 아니다. 원가가 내려간 것과 지금 그 인하를 실행할 이유가 생긴 것은 다른 문제이며, 발표문은 앞엣것만 설명한다.

실무자 입장에서 이 격차가 만드는 결론은 모델 선택이 아니라 작업 분할이다. 오픈AI 스스로 코딩 워크플로를 예로 들어 Sol이 불확실성을 해소하고 계획을 세운 뒤, 잘 규정된 변경 구현과 테스트 작성·실행, 결과 평가는 루나가 맡는 구성을 제시했다. 한 워크플로 안에서 지능 등급이 여러 번 바뀌는 설계다. 단일 모델을 정해놓고 전 구간에 쓰는 방식은 이번 요금표에서 가장 비싼 선택지가 됐다.

토큰 단가가 아니라 성공한 결과의 원가로 세는 관점

오픈AI가 이번에 반복해 제시한 기준은 토큰 단가가 아니라 성공한 결과 하나에 드는 총원가다. 고객이 사려는 것은 토큰이 아니라 해결된 문의, 배포된 소프트웨어, 검토된 계약, 답이 나온 과학 질문이며, 여기에는 시간과 재시도, 감독, 오류 처리 비용이 모두 포함된다는 서술이다. 이 관점에서는 더 비싼 모델이 한 번에 제대로 끝내면 재시도와 사람 개입을 반복하는 싼 모델보다 결과적으로 저렴할 수 있다.

이 프레이밍은 자사에 유리한 방향이지만 그렇다고 틀린 것도 아니다. 검증할 방법이 있기 때문이다. 재시도율과 사람 개입 시간을 로그로 재는 조직이라면 두 구성의 실제 원가를 비교할 수 있고, 그 비교 없이 단가표만 보고 모델을 바꾸는 조직은 이 주장을 반박할 근거도 갖지 못한다. 즉 이 프레이밍의 수용 여부는 믿음의 문제가 아니라 계측 체계를 갖췄는지의 문제다.

주의할 지점도 함께 있다. 성공한 결과의 원가라는 기준은 품질 기준선이 고정돼 있을 때만 성립한다. 싼 모델로 내려가면서 허용 오차를 슬쩍 넓히면 원가는 당연히 내려가고 비교는 무의미해진다. 오픈AI가 필요한 결과와 품질 기준을 먼저 정의한 뒤 평가로 어디에 더 많은 지능이 실제로 필요한지 판단하라고 적은 것은 이 함정을 피하는 순서를 말한 것이다. 평가 체계 없이 요금 인하만 받아들이면 절감된 것은 비용이 아니라 품질일 수 있다.

국내 팀이 이번 주에 실제로 손댈 것

한국 기업이 이번 인하에서 곧바로 얻는 이득은 대량 처리 업무의 손익분기가 내려간다는 점이다. 문서 대규모 분석, 고객 문의 분류, 정형화된 구현 작업처럼 건당 가치가 크지 않아 자동화 대상에서 밀려 있던 업무들이 새 요금에서는 계산이 맞기 시작한다. 특히 출력 토큰 요금이 100만 토큰당 6달러에서 1.20달러로 내려간 것은 요약과 생성처럼 출력이 긴 작업의 원가에 직접 반영된다.

두 번째로 손댈 곳은 라우팅이다. 워크플로 단계별로 모델을 나누는 구성은 이번 요금표에서 절감 폭이 가장 큰 조치이지만, 단계별 품질 기준과 실패 시 상위 모델로 넘기는 조건이 정의돼 있어야 작동한다. 이 조건이 없으면 저가 모델이 만든 결과를 사람이 뒤에서 고치는 비용이 절감분을 잠식한다. 라우팅을 도입하기 전에 단계별 합격 기준부터 문서화하는 순서가 맞다.

세 번째는 계약과 예산 계획이다. 2026년 7월 9일 GPT-5.6 계열이 나온 지 3주 만에 특정 모델 가격이 5분의 1로 떨어지는 시장에서 연 단위 토큰 예산을 고정 단가로 잡아두는 방식은 위험보다 손실 쪽에 가깝다. 조달 조건에 요금 변동 반영 조항을 두는 것과, 특정 모델에 종속되지 않도록 프롬프트와 평가셋을 모델 독립적으로 관리하는 것이 이번 사례가 주는 실무 교훈이다.

확인되지 않은 것과 지켜볼 것

첫째는 지속 가능성이다. 오픈AI는 인하 재원이 효율 개선이라고 설명했지만, 서빙 비용 20% 절감과 토큰 생성 효율 15% 개선만으로 루나의 80% 인하가 원가 안에서 소화되는지는 발표문의 수치로 계산되지 않는다. 이 격차가 추가 효율 개선으로 메워지는지, 아니면 점유율 확보를 위한 마진 희생인지는 다음 분기 이후에야 드러난다.

둘째는 루나의 실제 품질이다. 회사는 Agents' Last Exam과 과제당 비용 비교를 근거로 제시했지만, 이 수치는 오픈AI가 고른 지표에서 나온 값이다. 저가 구간 모델을 실제 업무에 넣는 조직이라면 자사 과제로 만든 평가셋에서 재시도율을 포함해 비교해야 하며, 그 결과가 발표문의 비율과 일치하리라는 보장은 없다.

셋째는 요금 반영의 범위와 시점이다. 오픈AI는 이번 가격 변경이 AWS에서는 발표 당일 늦게부터 순차 적용된다고 밝혔다. 클라우드 마켓플레이스나 리셀러를 통해 API를 쓰는 국내 조직은 실제 청구서에 언제부터 반영되는지를 별도로 확인해야 한다는 뜻이다.

출처: 오픈AI 공식 발표 "Advancing the price-performance frontier with GPT-5.6"(2026년 7월 30일)와 "Building abundant intelligence"(2026년 7월 31일) 기반 ASAP 정리