OpenAI의 GPT-6 Astra는 GPT-5.6 Sol과 무엇이 다를까요? 공식 성능과 가격, Computer Use, Codex, 3D 게임 사례, Reddit 커뮤니티 평가와 직접 사용해본 후기까지 초보자도 이해하기 쉽게 정리했습니다.

2026년 9월 3일 OpenAI가 새로운 고성능 AI 모델 GPT-6 Astra를 공개했습니다.

새로운 AI 모델이 나올 때마다 흔히 이런 이야기가 나옵니다.

“벤치마크 점수가 몇 점 올랐다.”
“코딩 성능이 좋아졌다.”
“추론 능력이 더 강해졌다.”

그런데 이번 GPT-6 Astra는 조금 다르게 볼 필요가 있습니다.

Astra의 가장 큰 변화는 단순히 질문에 더 좋은 답을 하는 것이 아니라,

AI가 컴퓨터를 직접 사용하면서 여러 단계의 일을 끝까지 처리하는 능력이 크게 좋아졌다는 점

입니다.

쉽게 말하면 예전 AI가

“물어보면 답해주는 똑똑한 상담자”

에 가까웠다면,

Astra는 점점

“업무를 맡기면 직접 자료를 찾고, 프로그램을 사용하고, 결과물을 만들어주는 실무자” (혹은 사무직의 대체자)

에 가까워지고 있습니다.

저도 직접 사용해봤는데, GPT-5.6 Sol보다 단순히 지능이 조금 좋아졌다는 느낌보다는 제가 원하는 결과를 먼저 이해하고 그 결과까지 가는 과정을 잘 정리해주는 느낌이 더 강했습니다.

이번 글에서는 먼저 OpenAI가 공식적으로 발표한 내용을 중심으로 GPT-6 Astra가 무엇인지 살펴보고, 그다음 실제 사용 사례와 커뮤니티 반응, 그리고 제가 직접 사용해본 경험까지 정리해보겠습니다.

GPT-6 Astra는 어떤 모델인가?

GPT-6 Astra는 현재 OpenAI가 복잡한 업무를 처리하기 위해 만든 최상위급 모델입니다.

특히 다음과 같은 작업에 강하도록 만들어졌습니다.

• 복잡한 문제 분석

• 프로그램 개발

• 인터넷 자료 조사

• 컴퓨터 화면을 보고 직접 작업하기

• 문서, 엑셀, 프레젠테이션 만들기

• 여러 단계를 거치는 업무

• 오랫동안 이어지는 프로젝트

여기서 중요한 것은 “한 가지 질문에 얼마나 똑똑하게 답하느냐”가 아니라 “하나의 목표를 얼마나 끝까지 수행할 수 있느냐”입니다.

예를 들어 예전 AI에게는 이런 식으로 하나씩 시켜야 하는 경우가 많았습니다.

이 자료를 읽어줘.
중요한 내용을 정리해줘.
표로 만들어줘.
다른 자료와 비교해줘.
보고서로 만들어줘.
오류가 없는지 다시 확인해줘.

Astra가 지향하는 방식은 조금 다릅니다.

“이 자료들을 분석해서 비교 보고서를 완성해줘.”

라고 목표를 주면, 필요한 단계를 AI가 스스로 나누어 처리하는 방향입니다.

GPT-6 Astra와 GPT-5.6 Sol의 기본 차이

먼저 기본 사양을 보면 두 모델 모두 상당히 큰 양의 정보를 한 번에 처리할 수 있습니다.

여기서 토큰(Token)이라는 말이 조금 어렵게 느껴질 수 있습니다.

토큰은 AI가 글을 읽고 쓰는 데 사용하는 일종의 계산 단위라고 생각하면 됩니다.

글자 수와 완전히 같지는 않지만,

AI가 얼마나 많은 내용을 읽고 얼마나 많은 내용을 만들었는지를 계산하는 단위

정도로 이해하면 충분합니다.

그리고 Context Window라는 표현도 자주 나오는데, 이것은 쉽게 말해

AI가 한 번의 작업에서 동시에 기억하고 참고할 수 있는 정보의 양

입니다.

Astra와 Sol 모두 약 105만 토큰을 처리할 수 있기 때문에 상당히 큰 프로젝트나 많은 문서를 한꺼번에 다룰 수 있습니다.

그렇다면 Context 크기도 비슷한데 Astra는 무엇이 달라졌을까요?

가장 큰 변화 1. 컴퓨터를 직접 사용하는 능력이 좋아졌다

Astra의 가장 눈에 띄는 변화 중 하나는 Computer Use, 즉 컴퓨터를 직접 다루는 능력입니다.

예를 들어 AI가 화면을 보고

• 필요한 버튼을 찾고

• 메뉴를 열고

• 웹사이트에 정보를 입력하고

• 프로그램을 실행하고

• 다른 프로그램으로 이동하고

• 결과를 확인하는

작업을 할 수 있습니다.

OpenAI가 공개한 OSWorld 2.0이라는 평가에서는 Astra가 72.6%, GPT-5.6 Sol은 65.7%를 기록했습니다.

화면에서 필요한 위치를 정확히 찾아내는 ScreenSpot-Pro에서는

• Astra: 92.7%

• Sol: 76.9%

로 차이가 더 크게 나타났습니다.

쉽게 말하면 Astra는 단순히

“버튼을 눌러야 합니다.”

라고 설명하는 것보다,

“어떤 버튼을 눌러야 하는지 화면에서 찾아 실제로 작업하는 능력”

이 훨씬 좋아진 것입니다.

이런 변화는 앞으로 AI가 실제 사무업무나 프로그램 작업을 대신하는 데 매우 중요합니다.

가장 큰 변화 2. 여러 단계를 거치는 일을 더 잘한다

Astra의 특징을 가장 잘 보여주는 수치 중 하나가 AutomationBench입니다.

이 평가는 한 문제를 맞히는 능력보다 여러 단계를 거치는 업무를 얼마나 잘 끝내는지를 평가합니다.

결과는

• GPT-6 Astra: 41.4%

• GPT-5.6 Sol: 18.1%

였습니다.

두 배 이상 차이가 납니다.

왜 이게 중요할까요?

실제 업무는 대부분 한 단계로 끝나지 않기 때문입니다.

예를 들어 보고서를 만든다고 하면

자료를 찾고 →
읽고 →
중요한 내용을 골라내고 →
비교하고 →
표를 만들고 →
문서를 작성하고 →
틀린 부분을 다시 확인해야 합니다.

프로그램 개발도 마찬가지입니다.

코드를 한 번 작성하는 것으로 끝나는 것이 아니라

기존 프로그램을 살펴보고 →
문제를 찾고 →
코드를 고치고 →
실행하고 →
오류를 확인하고 →
다시 수정해야 합니다.

Astra는 바로 이런 “일의 흐름을 이어가는 능력”이 많이 좋아졌다고 볼 수 있습니다.

가장 큰 변화 3. 화면과 3D 공간을 이해하는 능력이 좋아졌다

Astra가 출시된 뒤 3D 게임이나 Blender 작업 사례가 많이 등장하는 이유도 여기에 있습니다.

CAD 관련 평가인 BenchCAD에서는

• Astra: 95.9%

• Sol: 83.3%

를 기록했습니다.

즉 텍스트뿐 아니라 화면, 공간, 구조를 이해하고 그 결과를 직접 수정하는 능력이 좋아졌습니다.

이런 능력은 단순한 코딩뿐 아니라

• 웹디자인

• UI 제작

• 3D 모델링

• 게임 개발

• CAD

• 화면 테스트

같은 작업에서도 중요합니다.

가장 큰 변화 4. 긴 작업에서도 처음 목표를 덜 잊는다

AI와 긴 프로젝트를 해본 사람이라면 이런 경험이 있을 수 있습니다.

처음에는 AI가 프로젝트 목적을 잘 알고 있었는데 몇 시간 동안 작업하다 보면

“처음에 왜 이 기능을 만들기로 했는지”

를 잊는 경우입니다.

AI가 한 번에 기억할 수 있는 양에는 한계가 있기 때문에 작업이 너무 길어지면 이전 내용을 압축해서 저장합니다.

그 과정에서

• 과거에 실패했던 방법

• 처음 정했던 요구사항

• 테스트 결과

• 특정 기능을 그렇게 만든 이유

같은 세부 정보가 빠질 수 있습니다.

Astra는 이런 문제를 줄이기 위해 이전 작업 내용을 별도의 메모처럼 남기고, 필요하면 과거 Context를 다시 검색하는 방식도 지원하고 있습니다.

쉽게 말하면

AI가 프로젝트를 진행하면서 자신의 업무 노트를 남기고, 필요할 때 예전 회의록을 다시 찾아보는 것

과 비슷합니다.

장기간 프로그램을 개발하거나 연구 프로젝트를 진행할 때 꽤 중요한 변화입니다.

가장 큰 변화 5. 일을 하다가 새로운 요구를 줘도 방향을 유지한다

예를 들어 AI에게

“이 프로그램을 만들어줘.”

라고 요청했다고 생각해보겠습니다.

AI가 열심히 작업하고 있는데 중간에 사용자가

“그런데 모바일에서도 사용 가능해야 해.”

라고 조건을 하나 더 추가합니다.

기존 AI에서는 이런 새로운 요구사항이 들어가면 원래 작업의 방향을 놓치거나 처음부터 다시 시작하는 경우가 있었습니다.

Astra는 이런 상황에서도 기존 작업을 유지하면서 새로운 조건을 반영하도록 개선되었습니다.

이런 기능은 실제 사람과 협업하는 방식과 점점 비슷해지는 부분입니다.

GPT-6 Astra와 GPT-5.6 Sol 성능 비교

OpenAI가 공개한 주요 결과를 간단하게 보면 다음과 같습니다.

이 표에서 중요한 부분이 하나 있습니다.

Astra가 모든 평가에서 Sol보다 압도적으로 높은 것은 아닙니다.

웹 조사 능력이나 순수 코딩 평가에서는 차이가 생각보다 작습니다.

그런데

• 컴퓨터 사용

• 화면 이해

• 여러 단계 업무

• 개발 환경 직접 조작

같은 평가에서는 차이가 상당히 커집니다.

그래서 Astra를 단순히

“Sol보다 모든 질문에 훨씬 좋은 답을 하는 모델”

이라고 생각하기보다는

“실제 일을 수행하는 능력이 크게 강화된 모델”

이라고 보는 것이 더 정확합니다.

그런데 가격은? Astra는 Sol보다 2.5배 비싸다

성능이 좋아졌다면 당연히 가격도 궁금합니다.

API 가격 기준으로 보면 Astra는 Sol보다 상당히 비쌉니다.

현재 가격을 단순 비교하면 Astra는 Sol보다 약 2.5배 비쌉니다.

예를 들어 AI가 큰 작업을 하나 하면서

• 10만 토큰을 읽고

• 2만 토큰을 출력했다고

가정해보겠습니다.

단순 계산하면

GPT-5.6 Sol

약 $0.80

GPT-6 Astra

약 $2.00

정도가 됩니다.

같은 양의 토큰을 사용한다면 Astra가 정확히 2.5배 정도 비싼 셈입니다.

그렇다면 Astra는 무조건 가성비가 나쁜 모델일까?

꼭 그렇지는 않습니다.

이 부분이 조금 재미있습니다.

예를 들어 Sol이 어떤 문제를 해결하기 위해

첫 번째 시도 실패 →
두 번째 수정 →
테스트 실패 →
세 번째 수정 →
다시 테스트

를 반복했다고 생각해보겠습니다.

Astra가 그 문제를 한두 번의 시도만으로 해결한다면 토큰 하나의 가격은 비싸더라도 전체 작업 비용은 오히려 비슷하거나 낮아질 수도 있습니다.

OpenAI가 공개한 일부 평가에서도 실제로 이런 사례가 나타났습니다.

예를 들어 BenchCAD에서는 Astra가 Sol보다 성능이 높았지만, 전체 작업을 완료하는 데 사용된 비용은 Astra 쪽이 오히려 더 낮았습니다.

결국 가격을 비교할 때는

“토큰 한 개가 얼마인가?”

보다

“원하는 결과까지 몇 번의 작업이 필요한가?”

를 보는 것이 더 중요합니다.

다만 간단한 작업이라면 이야기가 다릅니다.

버튼 하나 수정하거나, 코드 몇 줄을 고치거나, 이미 방법이 정해진 작업이라면 굳이 Astra를 사용할 이유가 크지 않습니다.

그런 작업은 Sol이 훨씬 경제적입니다.

ChatGPT Plus에서는 가격보다 ‘사용량’이 더 문제일 수 있다

API를 사용하는 사람은 사용한 만큼 비용을 내면 됩니다.

하지만 ChatGPT Plus에서 Codex나 Work를 사용하는 경우에는 일정 시간 동안 사용할 수 있는 작업량에 제한이 있기 때문에 체감이 다릅니다.

현재 OpenAI가 공개하는 예상 사용량을 보면 Astra가 Sol보다 훨씬 많은 자원을 사용합니다.

대략적으로 보면 Plus에서 5시간 동안

• Astra: 약 3~30회 수준

• Sol: 약 10~100회 수준

의 Local 작업이 가능한 것으로 안내되고 있습니다.

물론 이 숫자는 고정된 메시지 개수가 아닙니다.

“질문을 30번 하면 무조건 끝난다.”

는 의미가 아닙니다.

작업이 간단하면 더 많이 사용할 수 있고,

프로젝트 전체를 읽고, 인터넷을 검색하고, 여러 파일을 수정하고, 테스트까지 하는 큰 작업이면 한두 번만 요청해도 사용량이 크게 줄어들 수 있습니다.

그래서 Astra의 특징을 한 문장으로 표현한다면

굉장히 강력하지만 그만큼 무거운 모델

이라고 할 수 있습니다.

GPT-6 Astra는 실제로 어디에 사용할 수 있을까?

Astra를 개발자만 사용하는 모델이라고 생각할 필요는 없습니다.

오히려 OpenAI가 공개한 활용 범위를 보면 일반적인 사무업무부터 전문 개발까지 상당히 넓습니다.

예를 들어 다음과 같은 작업입니다.

자료 조사

여러 웹사이트를 검색하고 자료를 비교한 뒤 핵심 내용을 정리할 수 있습니다.

보고서 만들기

자료를 분석한 뒤 Word 문서나 보고서 형태로 정리할 수 있습니다.

엑셀 분석

Excel 데이터를 읽고 계산하고 필요한 표와 그래프를 만들 수 있습니다.

프레젠테이션 만들기

자료를 분석해 발표 구조를 잡고 PPT까지 만들 수 있습니다.

회사 업무시스템 사용

웹 기반 CRM이나 온라인 신청 시스템에서 필요한 정보를 입력하고 업데이트할 수 있습니다.

프로그램 개발

기존 프로그램을 분석하고 코드를 수정한 뒤 실행과 테스트까지 이어서 할 수 있습니다.

웹사이트 제작

웹사이트를 만들고 실제 화면을 확인하면서 오류나 디자인 문제를 수정할 수 있습니다.

3D·CAD 작업

Blender나 CAD 같은 프로그램을 이용해 3D 모델을 만들고 결과를 직접 확인하며 수정할 수 있습니다.

즉 Astra는 개발자 전용 AI라기보다

컴퓨터를 이용해 복잡한 일을 하는 사람을 위한 업무형 AI

에 더 가깝습니다.

인터넷 검색도 많이 하는데, OpenAI가 자체 검색엔진을 만들었을까?

Astra를 실제로 사용하면서 흥미로웠던 부분이 하나 있습니다.

자료 조사를 시키면 몇 개의 웹페이지를 대충 보고 끝나는 것이 아니라 필요하면 상당히 많은 검색을 반복합니다.

그래서 저도 처음에는

“이거 Google이나 Bing을 계속 사용하는 건가?”

라는 생각이 들었습니다.

찾아보니 OpenAI도 자체적인 검색 인프라를 이미 상당히 구축하고 있었습니다.

OpenAI는 OAI-SearchBot이라는 자체 웹 크롤러를 운영하고 있습니다.

웹 크롤러는 쉽게 말하면

인터넷을 돌아다니면서 웹페이지 정보를 수집하는 프로그램

입니다.

Google도 이런 프로그램을 이용해 수많은 웹페이지를 수집한 뒤 검색 결과를 보여줍니다.

OpenAI도 일부 환경에서는 직접 수집하고 저장해 둔 웹 정보를 ChatGPT 검색에 활용하고 있습니다.

다만

“ChatGPT가 이제 Google처럼 완전히 자체 검색엔진만 사용한다.”

라고 말하는 것은 정확하지 않습니다.

외부 검색 서비스도 함께 활용할 수 있습니다.

그래서 현재는

OpenAI 자체 검색 자료 + 외부 검색 서비스

를 함께 활용하고 있다고 보는 것이 정확합니다.

개인적으로 이 부분도 앞으로 중요하다고 생각합니다.

AI 모델이 아무리 똑똑해도 최신 정보를 찾지 못한다면 한계가 있기 때문입니다.

앞으로 AI 경쟁은 단순히

누가 더 똑똑한 모델을 만드는가

뿐 아니라

누가 더 좋은 검색 시스템과 도구를 AI에게 연결하는가

의 경쟁이 될 가능성이 높습니다.

45분 만에 만든 3D 게임이 화제가 된 이유

Astra가 출시된 뒤 가장 빠르게 퍼진 사례 중 하나가 3D 게임 제작입니다.

한 개발자는 Astra와 Codex, Blender를 연결해 약 45분 만에 3D 게임 데모를 만들었다고 공개했습니다.

원하는 분위기는

슬프지만 아름다운 디스토피아
복셀 스타일
실제처럼 느껴지는 조명

이었습니다.

작업 방법이 상당히 흥미롭습니다.

먼저 AI에게 원하는 게임 분위기의 이미지를 만들게 합니다.

그다음 실제 게임 화면을 캡처합니다.

그리고 AI가

원하는 이미지와 현재 게임 화면을 비교합니다.

차이가 있으면 다시 Blender를 수정합니다.

그리고 다시 화면을 확인합니다.

즉

만들기 → 보기 → 비교하기 → 다시 고치기

를 AI가 반복하는 것입니다.

저는 “45분 만에 게임을 만들었다”는 숫자보다 이 방식이 더 중요하다고 생각합니다.

사람이 디자인 작업을 할 때도 똑같습니다.

일단 만들어보고,

눈으로 확인하고,

마음에 들지 않는 부분을 고치고,

다시 확인합니다.

이런 과정을 AI가 직접 수행하기 시작했다는 것입니다.

Reddit과 Codex 커뮤니티의 실제 반응은?

출시된 지 오래되지 않았기 때문에 아직 최종적인 평가는 아닙니다.

다만 Reddit이나 Codex 관련 커뮤니티를 살펴보면 몇 가지 반응이 반복해서 나타납니다.

긍정적인 평가는 대체로 다음과 같습니다.

“Sol보다 설명을 적게 해도 원하는 것을 빨리 이해한다.”

“3D나 화면을 보는 능력이 확실히 좋아졌다.”

“Astra Low도 생각보다 굉장히 강하다.”

“문제를 해결하기까지 수정 횟수가 줄었다.”

“속도가 상당히 빠르다.”

특히 개발자 커뮤니티에서는 Astra Low와 Sol High를 비교하는 글도 많이 등장하고 있습니다.

물론

Astra Low가 항상 Sol High보다 좋다

는 의미는 아닙니다.

작업 종류에 따라 결과는 달라질 수 있습니다.

반대로 부정적인 평가도 있습니다.

가장 많이 등장하는 이야기는 역시

“너무 빨리 사용량이 줄어든다.”

입니다.

Plus 사용자가 Astra Medium으로 큰 작업 하나를 요청했는데 몇 분 만에 5시간 사용량이 거의 끝났다는 사례도 공유되고 있습니다.

또 일부 사용자는 Astra가 너무 빨리 작업을 마무리하려는 경우가 있다고 평가하기도 합니다.

그래서 현재 커뮤니티의 분위기를 간단히 표현하면

“실력은 확실히 좋은데 Plus에서 마음껏 쓰기에는 너무 무겁다.”

정도가 가장 비슷해 보입니다.

저도 직접 Astra를 사용해봤습니다

저 역시 Astra를 실제 개발 작업에 사용해봤습니다.

최근 제가 만들고 있는 도구 중 하나가 직업평가를 지원하기 위한 프로그램입니다.

이 프로그램은 단순한 웹페이지 하나가 아닙니다.

평가 항목을 어떻게 구성할지,

평가 결과를 어떻게 계산할지,

결과보고서를 어떻게 만들지,

화면은 어떻게 구성할지,

AI를 어떤 부분에 사용할지,

개인정보와 평가 결과는 어떻게 관리할지 등

여러 부분을 함께 고려해야 합니다.

기존 GPT-5.6 Sol도 이런 개발을 충분히 도와줄 수 있습니다.

그런데 Astra에게

“이 직업평가도구를 제대로 만들기 위해 무엇이 필요한지 전체적으로 분석해줘.”

라는 큰 단위의 요청을 해봤습니다.

개인적으로는 결과가 상당히 인상적이었습니다.

단순히 많은 내용을 만들어낸 것이 아니라

제가 무엇을 만들려고 하는지 먼저 이해하고, 필요한 요소들을 순서와 관계에 맞게 정리해주는 느낌이 강했습니다.

그래서 제가 가장 크게 느낀 차이를 표현한다면

“Astra는 정렬이 굉장히 잘 되어 있다.”

였습니다.

무조건 더 많은 생각을 한다기보다

어떤 일을 먼저 해야 하고, 그다음 어떤 일을 해야 하는지를 더 잘 정리하는 느낌입니다.

Astra Low도 생각보다 강했다

저는 처음에는 Astra의 진짜 성능을 보려면 High나 Max 정도를 사용해야 할 것이라고 생각했습니다.

그런데 실제로 사용해보니 Low도 상당히 강했습니다.

제 체감으로는 기존에 Sol에서 비교적 높은 Reasoning을 사용했던 것과 비교해도 크게 부족하지 않은 경우가 많았습니다.

여기서 Reasoning Effort라는 말을 쉽게 설명하면

AI에게 얼마나 오래 생각하게 할 것인지 정하는 설정

이라고 이해하면 됩니다.

Low는 비교적 빠르게 생각하고,

Medium은 더 깊게 생각하고,

High나 Max로 갈수록 어려운 문제를 더 오래 분석합니다.

물론 오래 생각할수록 사용량도 많아집니다.

그래서 Astra라고 해서 무조건 High나 Max를 선택하는 것은 좋은 방법이 아닙니다.

특히 Plus 사용자라면 Low부터 시작해보고 부족할 때만 높이는 방식이 훨씬 현실적입니다.

문제는 정말 사용량이었다

Astra를 쓰면서 가장 아쉬웠던 부분도 분명했습니다.

Astra는 장시간 복잡한 작업을 처리하는 것이 장점입니다.

그래서 저도 실제로 큰 작업 하나를 맡겨봤습니다.

그런데 하나의 작업을 다 끝내기 전에 Plus 사용량을 거의 모두 사용했습니다.

결국 다시 사용할 수 있을 때까지 약 5시간을 기다려야 했습니다.

조금 아이러니한 부분입니다.

Astra는 장시간 작업에 강한 모델인데,

Plus 사용자에게는 정작 장시간 작업을 계속 맡기기 어려울 수 있습니다.

그래서 현재로서는 모든 작업을 Astra에게 맡기는 것보다 중요한 부분에서 선택적으로 사용하는 방식이 더 현실적이라고 생각합니다.

그렇다면 Astra와 Sol은 어떻게 나눠 쓰면 좋을까?

저라면 현재 이렇게 사용할 것 같습니다.

쉽게 표현하면 이렇게 정리할 수 있습니다.

Astra로 생각하고 → Sol로 만들고 → Astra로 최종 확인한다.

Astra에게 가장 중요한 판단을 맡기고,

실제 반복적인 개발은 Sol에게 맡긴 뒤,

마지막에 Astra가 전체 프로젝트를 다시 확인하도록 하는 방식입니다.

Astra가 Sol보다 토큰 가격이 약 2.5배 비싸고 Plus 사용량도 더 많이 소비한다는 점을 생각하면 꽤 현실적인 방법입니다.

GPT-6 Astra가 진짜 중요한 이유

Astra를 소개하는 글을 보면 높은 벤치마크 숫자나 45분 만에 만든 게임 이야기가 많이 등장합니다.

물론 이런 결과도 상당히 인상적입니다.

하지만 저는 Astra에서 더 중요한 변화가 따로 있다고 생각합니다.

바로

AI에게 맡길 수 있는 ‘일의 크기’가 계속 커지고 있다는 것

입니다.

처음 생성형 AI가 등장했을 때는

“문장 하나 써줘.”

정도였습니다.

그다음에는

“보고서 하나 만들어줘.”

가 됐습니다.

코딩에서는

“이 코드 한 줄 만들어줘.”

에서

“이 기능을 만들어줘.”

로 발전했습니다.

그리고 Astra가 지향하는 방향은 점점

“내가 원하는 결과가 이것이니 필요한 일을 판단해서 여기까지 완성해줘.”

에 가까워지고 있습니다.

검색도 하고,

컴퓨터도 사용하고,

프로그램을 실행하고,

파일을 만들고,

결과가 맞는지 확인하고,

필요하면 다시 수정합니다.

AI가 단순히 답을 만드는 것을 넘어 일을 수행하는 도구로 바뀌고 있는 것입니다.

앞으로는 전문가의 역할이 오히려 더 중요해질 수도 있다

Astra 출시 이후 3D 게임이나 웹사이트 같은 화려한 사례가 빠르게 등장하고 있습니다.

그러다 보면

“이제 전문가가 필요 없는 것 아닌가?”

라는 생각을 할 수도 있습니다.

저는 오히려 반대로 보고 있습니다.

AI가 실행 능력을 갖추면 갖출수록 무엇을 만들어야 하는지 정확하게 판단할 수 있는 사람의 전문성이 더 중요해질 수 있습니다.

예를 들어 일반 사용자가 Astra에게

“좋은 직업평가도구를 만들어줘.”

라고 요청하는 것과,

직업평가를 실제로 수행해본 전문가가

어떤 항목을 평가해야 하는지,
어떤 결과는 해석에 주의해야 하는지,
이용자에게 어떤 방식으로 결과를 설명해야 하는지

를 알고 Astra를 사용하는 것은 결과가 완전히 달라질 수 있습니다.

3D 개발도 마찬가지입니다.

전문 3D 아티스트가 정확한 조명과 재질, 구도에 대한 지식을 가지고 Astra를 사용한다면 단순한 데모보다 훨씬 뛰어난 결과물을 만들 수 있습니다.

결국 AI가 발전할수록

전문가가 직접 모든 것을 만드는 능력

에서

전문가가 AI에게 올바른 방향을 제시하고 결과를 판단하는 능력

으로 역할이 조금씩 변화할 가능성이 있습니다.

마치며: 가장 좋은 AI보다 중요한 것은 어떻게 나눠 쓰느냐

GPT-6 Astra는 분명 강력한 모델입니다.

하지만

“Astra가 나왔으니 이제 Sol은 필요 없다.”

라고 생각하는 것은 아직 적절하지 않아 보입니다.

간단한 작업은 Sol이 훨씬 경제적입니다.

반복적인 작업은 더 가벼운 모델이 적합할 수도 있습니다.

반대로

• 복잡한 문제를 처음 분석할 때

• 프로젝트 전체 구조를 잡을 때

• 여러 도구를 연결해야 할 때

• 해결하기 어려운 문제를 검토할 때

• 최종 결과물을 전체적으로 확인할 때

Astra의 장점이 크게 나타날 수 있습니다.

그래서 현재 제가 가장 현실적이라고 보는 방식은 여전히 이것입니다.

Astra로 생각하고, Sol로 만들고, Astra로 검토한다.

앞으로 AI를 잘 사용하는 능력도 단순히

“프롬프트를 얼마나 잘 쓰느냐”

에서 한 단계 더 발전할 것 같습니다.

어떤 일을 Astra에게 맡길지,

어떤 일은 Sol에게 맡길지,

어떤 부분은 AI가 아니라 사람이 직접 판단해야 할지

구분하는 능력이 더 중요해질 것입니다.

GPT-6 Astra는 단순히 더 좋은 챗봇의 등장이 아니라,

AI가 ‘답을 해주는 도구’에서 ‘함께 일을 하는 도구’로 이동하고 있다는 것을 보여주는 모델이라고 생각합니다.