GPT-6가 가져온 변화는 단지 모델이 더 똑똑해진 것이 아니라, 우리가 작업을 더 세밀하게 배분하고, 추론 투입을 제어하며, 컨텍스트를 재사용할 수 있게 된 것입니다. 콘텐츠와 GEO를 수행하는 팀에게 진정으로 연구할 가치가 있는 것은 “어떤 모델이 가장 강력한가”가 아니라, 검색, 작성, 검증, 발행으로 이어지는 이 프로세스를 어떻게 더 신뢰할 수 있게 만들고, 동시에 각 기준 충족 콘텐츠의 비용을 낮출 것인가입니다.

1. 모델은 점점 강해지는데, 왜 콘텐츠는 여전히 쓰기 어려울까?

AI로 글을 대량 작성해 본 적이 있다면, 높은 확률로 이런 상황을 겪었을 것입니다. 처음 보면 구조는 완전하고 문장은 매끄러우며, 심지어 요약도 그럴듯합니다. 하지만 자세히 확인해 보면 데이터의 출처가 없거나, 제품 버전이 맞지 않거나, 혹은 2천 자를 썼는데도 여전히 독자가 가장 궁금해하는 질문에 답하지 못한 것을 발견하게 됩니다.

이때 가장 쉽게 떠올리는 해결책은 바로 더 강력한 모델로 바꾸는 것입니다.

하지만 저는 먼저 한 가지를 묻는 것을 더 권합니다: 문제가 정말 모델의 능력에 있는 것일까, 아니면 작업 프로세스에 있는 것일까?

신뢰할 수 있는 자료가 없고, 명확한 작업 경계도 없으며, 발행 전 검증 단계도 없다면, 모델을 바꾼다고 해서 근본적인 문제가 반드시 해결되는 것은 아닙니다.

OpenAI의 GPT-6 사용 가이드 역시 실제로는 “능력 업그레이드”만을 중심으로 전개되지 않았습니다. 대신 모델 선택, 추론 수준, 캐싱, 컨텍스트 압축, 멀티 에이전트 협업을 함께 논의합니다. 그것이 강조하는 것은 서로 다른 능력이 구체적인 작업에 기여하도록 하고, 출시 전에 성공률, 지연 시간, 성공한 작업당 비용을 측정하는 것입니다.

콘텐츠 팀에게 이 생각은 매우 실용적입니다: AI가 더 많이 쓰게 하는 것만 생각하지 말고, 먼저 더 안정적으로 납품하게 하세요.

GPT-6 모델 시리즈 및 가격 구간 비교 카드

2. Astra, Sol, Luna는 어떻게 선택할까? 이들을 서로 다른 직무로 생각하자

위 OpenAI 공식 가이드의 포지셔닝에 따르면, GPT-6 Astra는 가장 어려운 추론 작업을 대상으로 합니다. GPT-6.1 Sol은 복잡한 코딩, 연구 및 컴퓨터 작업을 대상으로 하며, GPT-6 Luna는 필드 추출, 분류, 구조화된 요약처럼 목표가 명확하고 규모화된 처리가 필요한 반복 작업에 더 적합합니다.

매개변수를 억지로 외우기보다는, 이들을 팀 내의 서로 다른 직무로 이해하는 편이 낫습니다.

아래 표는 콘텐츠 비즈니스를 결합해 제시한 선정 제안이며, 공식 성능 순위가 아닙니다:

콘텐츠 단계 우선 평가를 권장하는 모델 주요 고려 사항
글 분류, 필드 추출, 고정 형식 요약 GPT-6 Luna 작업이 명확하므로, 먼저 형식 정확도와 단위 비용을 확인
다중 출처 연구, 자료 정리, 글 통합 GPT-6.1 Sol 자료 간 판단과 다단계 실행이 필요
논쟁 분석, 복잡한 논증, 핵심 콘텐츠 검토 GPT-6 Astra 오류의 대가가 더 크고, 더 깊은 판단이 필요

예를 들어, 우리는 “기업은 어떻게 AI 인터페이스를 선택해야 하는가”라는 글을 준비하고 있습니다. 각 업체 문서에서 가격과 기능 필드를 추출하는 데 처음부터 가장 강력한 모델을 사용할 필요는 없습니다. 서로 다른 방안의 복잡한 비즈니스상 선택과 포기를 분석하는 일에는 더 많은 추론 자원을 투입할 가치가 있습니다.

물론 이것은 “작은 모델이 담당하는 콘텐츠는 검사할 필요가 없다”는 뜻이 아닙니다. 가격, 과금 단위, 버전 번호와 같은 정보는 단순히 추출하는 작업이라 해도 오류가 발생할 수 있습니다.

작업이 단순하다는 것은 처리 방식이 더 가벼워질 수 있다는 뜻일 뿐, 검수 기준이 더 느슨해질 수 있다는 뜻은 아닙니다.

3. 추론 수준은 높을수록 좋은 것이 아니라, 이 단계가 그만한 가치가 있는지를 봐야 한다

모델을 선택한 뒤에도 쉽게 간과되는 변수가 하나 있습니다: 추론 투입입니다.

OpenAI의 가이드는 추론 수준을 능력과 가격 사이의 균형으로 설명합니다. Low는 일반적인 추출 또는 소폭 편집에 해당하고, Medium은 판단이 필요한 작업에 사용되며, High는 심층 분석과 세심한 검토에 사용됩니다. 더 높은 단계는 모델이 지원하고, 추가적인 수익이 시간과 비용에 걸맞을 때 사용해야 합니다.

직설적으로 말하면:

  • 제목 하나를 수정하는 데 모델이 반복해서 추론할 필요는 없습니다.
  • 세 가지 비즈니스 방안을 비교한다면, 조금 더 생각할 공간을 줄 수 있습니다.
  • 두 자료 사이에 실질적인 충돌이 있는지 판단하는 일은 진지한 분석이 필요합니다.

아래와 같은 방식으로 테스트를 시작할 수 있습니다:

작업 권장 시작점 언제 상향할 것인가
태그 분류, 형식 변환 낮은 추론 투입 명확한 모호성 또는 규칙 충돌이 발생할 때
글 개요, 방안 비교 중간 추론 투입 선택과 포기를 설명할 수 없거나 핵심 조건을 누락할 때
사실 충돌 분석, 중요한 결론 검토 높은 추론 투입 여전히 핵심 문제가 해결되지 않으면 더 높은 단계를 테스트

여기에는 중요한 차이가 있습니다: 더 오래 생각한다고 해서 더 많은 사실을 아는 것은 아닙니다.

작업에 최신 가격이나 막 출시된 제품 정보가 필요하다면, 먼저 출처를 보완해야지 단순히 추론 수준을 높여서는 안 됩니다. 증거가 부족할 때 가장 좋은 출력은 더 매끄러운 추측이 아니라 “이 정보는 아직 확인할 수 없습니다”일 수 있습니다.

또한 위 표는 워크플로 제안이지, 범용 API 매개변수 표가 아닙니다. 실제로 사용 가능한 단계와 매개변수 이름은 구체적인 모델과 연동 문서를 기준으로 해야 합니다.

4. “캐싱으로 95% 절감”은 매우 매력적이지만, 계산을 잘못하면 안 된다

캐싱은 대량 콘텐츠 생산에서 가장 주목할 만한 최적화 지점 중 하나일 수 있습니다.

브랜드 소개, 작성 규범, 고정 용어집, 검토 요구 사항…… 이러한 자료는 매번 요청에 반복해서 등장하는 경우가 많습니다. OpenAI는 안정적인 지침과 참고 자료를 변경되는 작업 세부 사항보다 앞에 배치하고, 공유 컨텍스트를 재사용할 수 있도록 도구 정의를 일관되게 유지할 것을 권장합니다. 공식 가이드는 캐시된 입력의 비용이 캐시되지 않은 입력과 비교해 모델에 따라 최대 95%까지 낮아질 수 있다고 언급합니다.

하지만 여기서는 반드시 분명히 봐야 합니다:

캐시된 입력이 95% 저렴하다고 해서, 글 전체의 생산 비용이 95% 감소하는 것은 아닙니다. 공식 발표된 GPT-6.1 Sol 표준 API 가격을 예로 들면: 입력 token 100만 개당 2달러, 캐시된 입력은 0.10달러, 출력은 10달러입니다. 여기서 인용한 것은 OpenAI 공식 표준 가격이며, 본 사이트 또는 제3자 접속 채널의 실제 견적을 의미하지 않습니다. 가격 변동은 서비스 제공자의 최신 페이지를 기준으로 하세요.

시연 계산 예시이며, 실측 결과가 아닙니다:

한 번의 작업에 다음이 있다고 가정합니다:

  • 20,000개의 입력 token;
  • 그중 15,000개는 캐시에 적중 가능;
  • 3,000개의 출력 token.
비용 항목 모든 입력 캐시 미적중 15,000개 입력 캐시 적중
캐시되지 않은 입력 $0.0400 $0.0100
캐시된 입력 $0 $0.0015
출력 $0.0300 $0.0300
합계 $0.0700 $0.0415

이 가정에 따라 계산하면 token 비용은 약 40.7% 감소하며, 95%가 아닙니다.

또한 여기에는 도구 호출, 실패 재시도, 인적 검토 및 적용될 수 있는 기타 비용도 포함되지 않았습니다.

따라서 비교적 신뢰할 수 있는 방법은 프롬프트를 두 계층으로 나누는 것입니다:

안정 계층: 브랜드 규범, 글쓰기 스타일, 출력 형식, 검토 규칙.

동적 계층: 이번 주제, 목표 독자, 새로 검색된 자료, 현재 작업 요구사항.

그런 다음 실제 요청에서의 캐시 적중 상황을 관찰해야 하며, “최대 할인”을 보고 곧바로 프로젝트 예산에 반영해서는 안 됩니다.

5. 멀티 에이전트는 연구에 매우 적합하지만, 떠들썩함을 위해 역할을 나누는 데는 적합하지 않습니다

연구형 글에는 보통 독립적으로 진행할 수 있는 몇 가지 작업이 포함됩니다:

  • 공식 문서 확인;
  • 실제 사례 찾기;
  • 자주 묻는 질문 수집;
  • 가격과 기능 대조;
  • 서로 다른 출처 사이의 불일치 정리.

이러한 작업은 어느 정도 독립성이 있으므로 병렬 처리에 적합합니다.

OpenAI의 가이드에서는 GPT-6.1 Sol이 Responses API에서 독립 작업을 하위 에이전트에게 분배한 뒤 결과를 종합할 수 있다고 소개하며, 이 멀티 에이전트 기능은 가이드에서 beta로 표시됩니다.

하지만 멀티 에이전트는 공짜 효율 향상이 아닙니다.

Anthropic은 자사 연구 시스템의 엔지니어링 회고에서 멀티 에이전트가 여러 독립적인 방향으로 확장하는 연구에 적합하지만 token 소비를 현저히 증가시킨다고 언급했습니다. 그들이 관찰한 데이터에서 멀티 에이전트 시스템의 token 사용량은 일반 채팅의 약 15배였습니다. 이 수치는 해당 특정 시스템의 경험에 속하므로 모든 제품에 직접 적용할 수는 없습니다.

따라서 저는 다음과 같이 배치하는 것을 더 권장합니다:

여러 에이전트가 각각 증거를 찾게 하고, 한 명의 편집자가 글을 통합 구성한 뒤, 사람이 최종 검토합니다.

다섯 개의 에이전트가 각각 다섯 개의 문단을 쓰고 바로 이어 붙이게 하지 마세요. 이렇게 하면 중복, 모순, 문체 불일치가 쉽게 발생합니다.

다음은 콘텐츠 팀이 시작하기에 적합한 프로세스 예시입니다:

AI 콘텐츠 제작 워크플로: 문제 결정, 작업 분배, 병렬 검색 및 검증, 편집 통합, 인적 검토, 게시 회고

이미지는 GPT Image 2가 생성한 방법 예시이며, 성능 실측을 의미하지 않습니다.

이 프로세스가 실제로 유용하게 작동하려면, 각 하위 작업은 다음 네 가지를 산출하는 것이 좋습니다:

  1. 결론: 무엇을 발견했는가.
  2. 출처: 증거는 어디에 있는가.
  3. 제한 사항: 어떤 경우에 적용되지 않는가.
  4. 확인 필요 항목: 아직 무엇에 대해 결론을 내릴 수 없는가.

특히 주의할 점은, 사실 검증은 다른 모델이 “이 문장에 문제가 없다고 느끼게” 하는 것이 아니라, 출처와 다시 대조하게 하는 것입니다.

여러 에이전트의 의견이 일치한다고 해서 사실이 이미 증명된 것은 아닙니다.

6. 장기 작업은 상태를 저장해야 하고, 자동 작업은 권한을 명확히 구분해야 합니다

짧은 글을 작성할 때는 자료를 컨텍스트에 넣는 것만으로도 충분할 수 있습니다. 하지만 연속 기획물이나 지속적으로 유지보수하는 제품 문서를 작업한다면 문제는 달라집니다.

OpenAI의 가이드에서는 긴 대화의 컨텍스트 크기를 줄이면서도 작업을 계속하는 데 필요한 상태를 유지하기 위한 컨텍스트 압축을 소개합니다.

콘텐츠 작업의 경우, 어떤 압축 방식을 사용하든 별도의 작업 기록을 유지할 것을 권장합니다:

  • 확인된 사실 및 그 출처;
  • 현재 사용 중인 제품 버전;
  • 아직 해결되지 않은 자료 간 충돌;
  • 완료된 단계와 미완료 단계;
  • 반드시 사람이 확인해야 하는 결정.

“우리는 이미 이 문제를 연구했다”와 같은 모호한 요약만 남기지 마세요. 이후의 글쓰기에 실제로 필요한 것은 증거와 경계입니다.

자동 작업도 마찬가지입니다. 공식 가이드에서는 API 또는 연결된 도구로 직접 완료할 수 있는 단계는 이러한 방식을 우선 사용하고, 화면을 읽거나 클릭 또는 양식 작성이 필요할 때 컴퓨터 조작 기능을 고려하라고 권장합니다.

블로그 프로세스에서는 AI가 초안 정리, 링크 검사, 이미지 생성을 자동으로 수행하도록 허용할 수 있지만, 정식 게시, 글 삭제, 온라인 설정 변경은 인적 확인 이후에 두어야 합니다.

백엔드를 조작할 수 있다고 해서 무제한 권한을 가져야 하는 것은 아닙니다.

7. GEO로 돌아가면: 더 빨리 쓴다고 해서 AI에 더 쉽게 인용되는 것은 아닙니다

여기까지 왔다면 두 가지 문제를 분리할 필요가 있습니다:

  • AI를 사용해 콘텐츠 제작 효율을 높이는 것;
  • 생성형 검색 답변에서 콘텐츠가 더 쉽게 발견되고 인용되게 하는 것.

전자는 워크플로 문제이고, 후자야말로 GEO가 주목하는 핵심입니다.

초기 GEO 연구는 생성형 엔진에서의 콘텐츠 가시성을 중심으로 전개되었으며, 해당 평가 설정에서 최대 약 40%의 가시성 향상을 보고하는 동시에 분야별 효과에 차이가 있다고 지적했습니다. 이 결과를 곧바로 “그대로 따르면 이 사이트 트래픽이 40% 증가한다”라고 이해할 수는 없습니다.

Google의 공식 설명은 더 실용적입니다: AI Overviews와 AI Mode를 위해 별도의 특별 최적화 요구사항은 필요하지 않으며, 기본 SEO와 신뢰할 수 있고 사람 중심적인 콘텐츠는 여전히 중요합니다. 페이지는 색인되고 요약이 표시될 자격을 갖춰야 지원 링크로 등장할 기회가 있습니다.

이것이 모든 AI 검색 제품의 규칙을 의미하지는 않지만, 적어도 이른바 “만능 GEO 템플릿”을 서둘러 찾지 말아야 한다는 점을 일깨워 줍니다. 이 사이트의 블로그에 대해서는, 우선 아래 몇 가지 일을 잘 해두는 것을 더 권장합니다.

1. 한 편의 글로 하나의 실제 문제 해결하기

“AI의 미래를 종합적으로 분석하기”는 크게 들리지만, 반드시 유용한 것은 아닙니다.

“제품 문구를 일괄 생성할 때, 캐시가 실제로 비용을 절감하는지 어떻게 판단할 것인가”는 오히려 더 명확하게 설명하기 쉽고, 독자도 바로 적용하기 편리합니다.

2. 숫자에 적용 조건을 보완하기

“비용 40% 절감”만 쓰지 마세요.

어떤 모델을 사용했는지, 어떻게 계산했는지, 출력·도구·인건비가 포함되었는지, 그리고 이 숫자가 실험 결과인지 시연 계산 사례인지를 설명해야 합니다.

3. 핵심 내용을 이미지 안에만 숨기지 않기

Google은 중요한 내용을 텍스트 형식으로 제공할 것을 명확히 권장하며, 구조화된 데이터 역시 페이지에서 보이는 내용과 일치해야 합니다.

따라서 차트는 이해를 도울 수 있지만, 본문에서는 여전히 결론, 데이터 및 조건을 설명해야 합니다.

4. 사실, 제안 및 예측을 구분하기

“공식 문서가 특정 기능을 지원한다”는 한 종류의 정보입니다.

“우리는 콘텐츠 팀이 이렇게 사용할 것을 권장한다”는 또 다른 종류입니다.

“향후 어떤 변화를 가져올 가능성이 있다”는 다시 세 번째 종류입니다.

이들을 명확히 구분하는 것은 모든 문장을 단정적으로 쓰는 것보다 더 가치 있습니다.

5. 실제 결과를 관찰하고, 자체 평가 점수를 맹신하지 않기

고정된 질문 세트를 만들고, 서로 다른 AI 검색 제품이 정기적으로 이 사이트를 인용하는지, 어떤 글을 인용하는지, 인용이 정확한지를 기록한 뒤, 실제 방문과 전환 분석을 함께 결합할 수 있습니다.

이러한 추적은 여전히 시간, 지역 및 제품 차이의 영향을 받지만, 적어도 공개된 근거가 없는 “GEO 고득점”을 글에 부여하는 것보다 더 참고 가치가 있습니다.

8. 정말 최적화해야 할 것은 “각 합격 글의 비용”

콘텐츠 팀은 두 가지 숫자에 쉽게 집중하게 됩니다. 하루에 몇 편을 생성하는지, 각 편이 얼마나 많은 token을 소모하는지입니다.

하지만 100편을 생성했는데 최종적으로 20편만 발행할 수 있다면, 이 효율은 높지 않을 수 있습니다.

저는 이 지표를 보는 것을 더 권장합니다:

편당 합격 콘텐츠 비용 = 총 생산 비용 ÷ 심사를 통과한 글 수

여기서 총 생산 비용에는 모델 호출, 검색 도구, 재작업 및 인적 검수가 포함되어야 하며, 첫 번째 생성 비용만 포함되어서는 안 됩니다.

실제 적용 시에는 먼저 대표적인 작업 묶음을 선택해 소규모 테스트를 진행하고, 처음부터 사이트 전체에 적용하지 마세요.

중점적으로 기록할 사항:

지표 답해야 할 질문
사실 오류율 날조, 오래된 정보 또는 버전 혼동이 있는가?
출처 추적 가능성 핵심 결론의 원래 근거를 찾을 수 있는가?
1차 심사 통과율 얼마나 많은 콘텐츠가 대폭적인 재작업을 필요로 하지 않는가?
편당 합격 비용 실패한 작업과 인력을 포함한 뒤, 실제로 얼마나 들었는가?
납기 소요 시간 검색 시작부터 발행 가능 시점까지, 얼마나 걸리는가?
발행 후 효과 유효한 방문, 인용 또는 비즈니스 전환을 가져오는가?

테스트 후 다시 결정하세요: 어떤 작업을 하향 처리할지, 어떤 단계에서 추론 투입을 늘릴지, 어떤 조사가 병렬로 진행할 가치가 있는지, 어떤 단계는 반드시 사람에게 맡겨야 하는지입니다.

마무리하며: 필요한 곳에 영리함을 쓰기

GPT-6는 콘텐츠 팀에 더 많은 선택지를 제공하지만, 선택지가 많아졌다고 해서 모든 단계에 가장 강력한 구성을 사용해야 한다는 뜻은 아닙니다.

더 시도해 볼 만한 방향은 다음과 같습니다:

간단한 작업은 가볍게 처리하고, 복잡한 판단은 진지하게 추론하며, 반복되는 컨텍스트는 최대한 재사용하고, 독립적인 조사는 적절히 병렬화하며, 정식 발행 전에는 검수를 남겨두는 것.

GEO도 마찬가지입니다.

어떤 모델도 한 편의 글이 인용될 것이라고 보장할 수는 없습니다. 우리가 할 수 있는 일은 그것이 실제 질문에 답하고, 추적 가능한 증거를 제공하며, 적용 범위를 명확하게 설명하도록 하는 것입니다.

결국 진정으로 추구할 가치는 “AI가 조금 더 많이 쓰게 하는 것”이 아니라 다음입니다:

발행되는 모든 콘텐츠가 더 읽을 가치가 있고, 더 철저한 검증을 견딜 수 있게 하는 것.

참고 자료

  1. OpenAI: GPT-6 실무 가이드
  2. OpenAI: Introducing GPT-6.1 Sol
  3. Anthropic: How we built our multi-agent research system
  4. GEO: Generative Engine Optimization（KDD 2024）
  5. Google Search Central: AI features and your website

이 글은 자료 정리 및 응용 분석이며, 이 사이트의 성능 실측에 해당하지 않습니다. 모델 기능, 테스트 단계 및 가격은 변경될 수 있으므로 서비스 제공업체의 최신 문서를 기준으로 하세요.