GPT-6.1 Terra와 GPT-6.1 Sol의 차이는 결국 명확한 트레이드오프로 귀결됩니다. 토큰당 비용 면에서 Terra는 Sol의 정확히 절반 수준이며, OpenAI 발표에 따르면 3배 이상 빠릅니다. 반면 타사 코딩 에이전트 벤치마크에서는 Sol이 54점, Terra가 48점을 기록했습니다. OpenAI는 10월 26일 Sol과 GPT-6 Luna 사이의 새로운 중간 계층 모델로 Terra를 gpt-6.1-terra라는 이름으로 출시했습니다.
코딩 에이전트를 하나만 운영한다면 믿을 수 있는 모델을 하나 골라 쓰면 그만입니다. 하지만 수십 개를 운영한다면 예외적인 작업보다 '기본(default)' 설정이 훨씬 중요해집니다. 대부분의 에이전트 스텝 비용이 바로 이 기본 설정에 따라 청구되기 때문입니다. 이 글에서는 Sharkly의 크루(Crew)를 위한 라우팅 규칙을 제안합니다. 일반 멤버에는 Terra를 기본값으로 지정하고, 리더 및 난도 높은 작업(hard tail)에는 Sol을 배정하는 전략과 함께 각 조합별 1,000 에이전트 스텝당 비용을 살펴봅니다.
요약 (TL;DR)
일상적인 코딩, 문서 작성, 컴퓨터 사용(computer-use) 작업을 수행하는 크루 멤버의 기본 런타임 모델로는 GPT-6.1 Terra를 지정하세요. 크루 리더와 Terra에서 2회 실패한 태스크(Task)에는 GPT-6.1 Sol을 적용합니다. 예시 스텝 프로필 기준으로 볼 때, 1,000 에이전트 스텝당 비용은 전체 Sol 구성 시 $26.55, 전체 Terra 구성 시 $13.28이며, Sol 리더 하에 Terra 멤버를 두는 조합은 $14.60입니다. Sol로의 에스컬레이션을 포함하는 Terra 우선 규칙은 전체 태스크의 절반이 에스컬레이션되기 전까지는 전체 Sol 구성보다 항상 저렴합니다.
한눈에 보는 GPT-6.1 Terra vs GPT-6.1 Sol
| GPT-6.1 Terra | GPT-6.1 Sol | |
|---|---|---|
| API id | gpt-6.1-terra |
gpt-6.1-sol |
| Input / cached / output per 1M tokens | $1 / $0.05 / $5 | $2 / $0.10 / $10 |
| Coding Agent Index (Artificial Analysis) | 48 | 54 |
| Speed (OpenAI) | over 3x faster on average | baseline |
| Lowest effort level | none |
low |
| OpenAI’s positioning | computer use, writing, visual understanding | the most complex coding |
모든 가격 항목이 정확히 절반입니다. 따라서 비용 측면에서의 결정은 매우 간단하며, 핵심 질문은 품질로 귀결됩니다. 즉, Terra의 비교적 낮은 코딩 점수로 인해 재실행(rerun)이 얼마나 자주 발생하는가 하는 점입니다.
에이전트 루프가 길어질 때는 Terra의 몇 가지 세부 요금 기준을 눈여겨볼 필요가 있습니다. Batch 및 Flex 모드는 정가의 절반이며, Fast 모드는 2배입니다. 입력 토큰이 272K를 초과하는 요청의 경우, 전체 요청에 대해 입력 및 캐시 요율이 2배, 출력 요율이 1.5배로 청구됩니다. 전체 세부 가격표는 OpenAI 가격 정책 페이지에서 확인할 수 있습니다.
기본 런타임이 결정하는 것
기본 런타임 모델이란 특정 실행 시 모델을 별도로 지정하지 않았을 때 에이전트가 사용하는 모델입니다. 크루(Crew) 환경에서는 이 기본 런타임이 대다수 스텝의 비용, 대기 중인 태스크(Task)의 대기 시간, 하루에 검토 대기 상태로 올라오는 결과물의 수량을 좌우합니다.
여기서 '에이전트 스텝'이란 에이전트 루프 내부에서 발생하는 단일 모델 호출을 의미합니다. 즉 문맥 파악, 추론, 도구 호출(tool call) 또는 코드 수정 출력으로 이어지는 일련의 과정입니다. 하나의 태스크는 수십 번의 스텝을 거칠 수 있습니다. 런타임을 비교할 때 태스크 단위 계산보다 스텝 단위 계산이 훨씬 유용한 이유가 바로 여기에 있습니다. 태스크의 길이는 천차만별이지만, 스텝의 패턴은 일정하기 때문입니다.
1,000 에이전트 스텝당 비용 비교
여러 모델 조합을 비교하기 위해 하나의 예시 스텝을 상정해 보겠습니다. 입력 토큰 30,000개 중 85%가 프롬프트 캐시에 적중(hit)하고, 추론을 포함한 출력 토큰이 1,500개인 경우입니다. 장기 실행 에이전트 루프는 매 스텝마다 동일한 레포지토리 컨텍스트를 재전송하므로, 세션이 웜업(warm-up)되고 나면 높은 캐시 적중률을 보이는 것이 일반적입니다.
API 키 과금 기준 정가로 계산하면, 이러한 단일 스텝 비용은 Terra에서 $0.0133, Sol에서 $0.0266입니다. 이를 1,000 스텝 단위로 환산하면 다음과 같습니다.
| Crew mix | Share of steps on Sol | Cost per 1,000 steps |
|---|---|---|
| All Sol | 100% | $26.55 |
| Terra members, Sol leader | 10% | $14.60 |
| Terra members, Sol leader and hard tail | 25% | $16.59 |
| All Terra | 0% | $13.28 |
| All Terra at higher effort (3,000 output tokens) | 0% | $20.78 |
여기서 두 가지 주목할 만한 결과가 도출됩니다. 첫째, 리더만 Sol로 변경할 경우 전체 Terra 대비 1,000 스텝당 약 $1.30의 추가 비용만 발생합니다. 리더는 계획 수립과 작업 위임을 주로 맡기 때문에 전체 스텝에서 차지하는 비중이 작기 때문입니다. 둘째, Terra의 effort 수준을 높이더라도 기본 설정의 Sol보다 여전히 저렴합니다. 즉, Terra에서 출력 토큰을 2배로 늘리는 것이 모델을 Sol로 전환하는 것보다 비용이 적게 듭니다.
이 수치에는 캐시 쓰기(cache-write) 비용은 포함되지 않았습니다. 만약 컴퓨터(Computer)가 API 키 대신 ChatGPT 플랜으로 로그인되어 있다면, 절감 효과는 금전적 수치가 아니라 플랜 사용량 한도에 도달하기 전까지 더 많은 실행을 수행할 수 있는 형태로 나타납니다. OpenAI에 따르면 Terra는 "ChatGPT Work 및 Codex의 모든 Plus, Pro, Enterprise, Edu 사용자에게 제공"되며, Free 및 Go 플랜에는 포함되지 않습니다.
Sharkly 크루를 위한 라우팅 규칙
Sharkly의 크루(Crew)는 단일 리더 에이전트의 조율 하에 사람과 에이전트로 구성된 재사용 가능한 협업 그룹입니다. 실행은 리더 우선 방식으로 이루어집니다. 리더가 태스크(Task)와 크루 지침을 확인한 뒤 직접 처리하거나 특정 작업을 수행할 멤버 에이전트를 호출(멘션)합니다. 이러한 구조는 두 런타임 모델에 매우 깔끔하게 대응됩니다.
- 리더에는 GPT-6.1 Sol 배정: 리더는 모호한 목표를 해석하고 다음 수행자를 결정합니다. 계획이 잘못되면 모든 멤버가 엉뚱한 방향으로 작업을 진행하게 되므로, 리더 자리에는 더 강력한 모델을 배치해야 합니다. 크루 리더 가이드에서는 왜 리더 자리를 업그레이드하는 것이 비용 효율적인지 자세히 다룹니다.
- 멤버에는 GPT-6.1 Terra(
medium) 배정: 일상적인 코딩, 리팩터링, 테스트, 문서 작성, PR 설명 작성 및 컴퓨터 사용(computer-use) 태스크는 여기서 시작합니다. - 2차 실패 시 에스컬레이션: Terra 멤버가 태스크를 두 번 실패하면 사람이 해당 태스크를 Sol 버전 에이전트에 재할당합니다. 에이전트가 자체적인 직감으로 알아서 에스컬레이션하도록 두지 마세요. 에스컬레이션 결정은 태스크 상에서 명확히 추적되어야 합니다.
- 태스크 유형별 에스컬레이션 추적: 서비스 간 마이그레이션처럼 특정 유형의 태스크가 매번 에스컬레이션된다면, 해당 태스크 유형은 처음부터 Sol로 라우팅합니다.
- 분류(Triage) 작업은 Luna로 위임: 라벨링이나 1차 선별 작업은 한 단계 더 낮은 모델로 내릴 수 있습니다. 관련 내용은 GPT-6 Luna 가이드를 참고하세요.
이 규칙은 출발점일 뿐 벤치마크 결과가 아닙니다. 한 스프린트(Sprint) 동안 운영해 본 뒤, 실제 에스컬레이션 발생 비율을 보고 기준선을 조정하세요.
Terra 우선 전략이 손해가 되는 시점
에스컬레이션에는 비용이 따릅니다. Terra의 실패한 시도는 Sol 실행을 시작하기 전에 소모되는 비용이기 때문입니다. Terra의 시도가 전체 Sol 실행만큼 많은 스텝을 소모하는 최악의 경우를 상정해 보겠습니다. Sol 1회 실행 비용을 S라고 하면, Terra 1회 시도 비용은 0.5S입니다. 태스크 중 에스컬레이션되는 비율을 f라고 할 때, 태스크당 예상 비용은 0.5S + f × S가 됩니다.
이 값이 전체 Sol 실행 비용(S)과 같아지는 지점은 f가 0.5에 도달할 때입니다. 즉, 전체 태스크의 절반이 에스컬레이션되기 전까지는 Terra 우선 방식이 여전히 저렴합니다. 실행 스텝이 늘어나는 경우에도 동일한 계산이 적용됩니다. 태스크 완료에 Terra가 Sol보다 2배 많은 스텝을 필요로 하지 않는 한, 태스크당 비용은 Terra가 여전히 우세합니다.
비용 측면의 손익분기점(BEP)은 상당히 여유가 있으므로, 실제 병목이 되는 한계점은 사람의 시간입니다. 실패한 시도가 발생할 때마다 누군가는 코드 차이(diff)를 열어보고, 로그를 확인하고, 재할당 작업을 해야 합니다. 따라서 토큰 비용상으로는 Terra가 여전히 유리하더라도, 특정 태스크 유형의 에스컬레이션 비율이 20%를 초과한다면 해당 유형은 Sol로 전환하는 것이 좋습니다.
속도 역시 셈법을 바꿉니다. 모델이 3배 이상 빠르게 완료되면 컴퓨터 자원이 더 일찍 확보되므로, 대기 중인 태스크가 더 빨리 시작되고 태스크별 타임아웃 내에 더 많은 실행이 완료될 수 있습니다.
Sharkly에서 라우팅 규칙 설정하기
Sharkly는 토큰을 직접 판매하지 않습니다. 모든 실행은 각 컴퓨터(Computer)의 런타임에 이미 연결된 Codex 플랜 또는 API 키를 통해 청구됩니다. 따라서 먼저 해당 환경에서 Terra가 정상 작동하는지 확인하세요. Codex CLI 0.159.0 이상 버전에서 터미널에 codex -m gpt-6.1-terra 명령어를 입력하면 됩니다.
Sharkly의 에이전트 문서에 따르면 에이전트는 "기본적으로 런타임의 모델을 따르며", 모델(Model) 항목에서 해당 런타임이 제공하는 카탈로그 내 다른 모델을 선택할 수 있습니다. 또한 에이전트 또는 런타임의 사용자 지정 인수(Custom arguments)에서도 모델을 설정할 수 있습니다.
기존 설정을 매번 수정하기보다는 변형(variant)을 만들어 규칙을 구성하는 것이 좋습니다. 세 가지 설정의 예시는 다음과 같습니다.
Agent "Codex, routine" Custom arguments: --model gpt-6.1-terra effort: medium
Agent "Codex, hard tail" Custom arguments: --model gpt-6.1-sol effort: medium
Crew leader Custom arguments: --model gpt-6.1-sol
문서에서는 '다른 기본 모델 사용'을 에이전트 변형(variant)을 생성하는 주요 사유로 안내합니다. 원본의 지침(instructions)과 레포지토리는 그대로 유지하면서 모델만 재정의할 수 있기 때문입니다. 두 가지 변형을 운용하면 보드의 가독성도 높아집니다. 각 태스크마다 어떤 라인에서 실행되었는지 한눈에 표시되기 때문입니다. 일회성 테스트의 경우, 담당자(Assignee) 선택기에서 실행별 모델을 선택하면 해당 실행에 한해서만 에이전트 기본값이 재정의됩니다.
Sharkly는 어떤 모델이 실행했든 관계없이 태스크 상에 컨텍스트, 진행 상황, 차단 요소(blocker), 결과 및 사람의 검토 내용을 일관되게 보존하므로, 애초에 에스컬레이션 비율을 정확히 측정하고 추적할 수 있습니다.
저렴한 기본 모델이 해결해주지 못하는 것
Terra는 코드 변경 사항을 만들어내는 비용을 낮춰주지만, 이를 검토하고 승인(accept)하는 비용까지 낮춰주지는 않습니다. 절반의 비용으로 3배 빠르게 실행된다는 것은 금요일까지 사람의 검토를 기다리는 변경점(diff)이 훨씬 더 많이 쌓일 수 있음을 뜻합니다. 멤버를 추가하기 전에 먼저 코드 리뷰 대기열을 점검하세요. 이에 관한 자세한 내용은 사람의 검토가 병목이다(human review is the bottleneck) 포스트에서 다루고 있습니다.
또한 가장 까다로운 난이도의 작업까지 해결해 주지는 못합니다. OpenAI 자체에서도 가장 복잡한 코딩 작업에는 Sol 또는 GPT-6 Astra를 권장하고 있으며, 코딩 에이전트 인덱스에서 나타난 6점의 격차 역시 이를 뒷받침합니다. 앞서 소개한 라우팅 규칙은 이러한 고난도 작업을 의도적으로 Sol에 할당하도록 설계되었습니다.
마치며
Terra를 기본으로 삼고, Sol을 예외로 두세요. 제시된 스텝 프로필 기준으로 이 방식은 리더와 고난도 작업에 더 강력한 모델을 그대로 유지하면서도 전체 Sol 구성 대비 청구 비용을 거의 절반으로 줄여줍니다. 특정 태스크 유형을 상위 모델로 전환할지 여부는 토큰 가격이 아닌 실제 에스컬레이션 비율을 보고 판단하세요.
지금 바로 시작해 보세요. Codex 에이전트의 Terra 변형을 하나 생성하고, 이를 Sol 리더가 이끄는 크루에 배치한 뒤 한 스프린트 동안 운영해 보세요. 가격 안내 페이지에 명시된 대로 Sharkly는 현재 최대 5인 규모의 조직에 무료로 제공됩니다.
자주 묻는 질문 (FAQ)
GPT-6.1 Terra가 코딩에서 GPT-6.1 Sol보다 더 뛰어난가요?
아닙니다. Artificial Analysis의 코딩 에이전트 인덱스에서 Sol은 54점, Terra는 48점을 기록했습니다. Terra는 가격과 속도에서 우위를 점하므로, 가장 까다로운 태스크보다는 일상적인 코딩 작업에 적합합니다.
GPT-6.1 Terra는 GPT-6.1 Sol에 비해 얼마나 더 저렴한가요?
모든 항목에서 정확히 절반입니다. 100만 토큰당 입력은 $2 대 $1, 캐시는 $0.10 대 $0.05, 출력은 $10 대 $5입니다.
크루 리더도 Terra로 실행해야 할까요?
Sol로 시작하는 것을 권장합니다. 리더가 차지하는 스텝 비중은 적기 때문에 업그레이드 비용이 거의 들지 않는 반면, 잘못된 계획은 모든 멤버를 엉뚱한 방향으로 이끌 수 있습니다.
Sol에서 effort none을 사용할 수 있나요?
불가능합니다. GPT-6.1 Sol에서는 none 옵션이 제거되어 최하위 수준이 low입니다. 반면 Terra에서는 다시 none을 사용할 수 있습니다.
GPT-6.1 Terra는 무료인가요?
아닙니다. 무료 API 티어는 없으며, ChatGPT Free 및 Go 플랜에는 포함되지 않습니다. 플랜 사용량과 토큰당 과금의 차이에 대해서는 API 키 없이 GPT-6.1 Sol 실행하기 포스트에서 설명하고 있습니다.
에이전트 설정을 변경하지 않고 특정 태스크 하나만 Sol로 전환하려면 어떻게 하나요?
담당자(Assignee) 선택기에서 실행별 모델 선택 옵션을 사용하세요. 해당 실행에 한해서만 에이전트의 기본값이 재정의됩니다.
