컴퓨터 조작 에이전트의 단가 혁신: GPT-6.1 Terra가 바꿀 자동화의 경제학

computer-useai-agentsopenaicost-optimization

안녕하세요! 재니미입니다.

화면을 캡처하고, 마우스 좌표를 계산하고, 클릭과 키보드 입력을 보내는 ‘컴퓨터 조작(Computer Use)’ 기술은 AI 에이전트가 소프트웨어를 다루는 가장 직관적인 방식으로 주목받았습니다.

하지만 실제 시스템에 이를 적용하려던 엔지니어들은 두 가지 거대한 장벽에 가로막혔습니다. 매 스텝마다 고해상도 스크린샷을 전송하면서 발생하는 막대한 API 토큰 비용과, 한 번 클릭할 때마다 수 초 이상 걸리는 지연 시간(Latency)이었습니다.

2026년 10월 26일, OpenAI가 발표한 GPT-6.1 Terra는 바로 이 경제적 병목을 정면으로 겨냥한 모델입니다. 플래그십 모델과 대등한 GUI 조작 능력을 1/10 비용과 3배 빠른 속도로 구현하여, 비전 기반 컴퓨터 조작의 현실적인 도입 가능성을 연 배경과 벤치마크 지표를 정리했습니다.

1. 컴퓨터 조작은 왜 그동안 비싸고 느렸을까?

에이전트가 브라우저나 데스크톱 애플리케이션을 조작하려면 매 단계마다 현재 화면의 스크린샷을 모델에 전달해야 합니다.

문제는 화면 이미지 한 장이 수천 개의 비전 토큰으로 쪼개진다는 점입니다. 10~20단계를 거치는 간단한 사무 자동화 작업만 해도 수십만 토큰이 순식간에 소모됩니다. 게다가 거대한 플래그십 멀티모달 모델을 호출하느라 매 동작마다 5초 안팎의 대기 시간이 발생하면서, 사람이 직접 클릭하는 것보다 현저히 느리고 비싼 역설이 발생했습니다.

결국 많은 팀이 비전 기반 조작을 연구용 데모에 머물게 두고, 실제 프로덕션에서는 브라우저 DOM 파싱이나 비공식 API 리버스 엔지니어링으로 돌아갈 수밖에 없었습니다.

2. GPT-6.1 Terra의 파격적인 단가와 속도

GPT-6.1 Terra는 시각적 추론과 정밀한 컴퓨터 조작에 특화된 경량화·고속 모델입니다.

flowchart LR
    Screen["데스크톱 화면 캡처"] --> Terra["GPT-6.1 Terra<br/>(입력 $1 / 출력 $5 per 1M)"]
    Terra --> Action["정밀 마우스·키보드 조작<br/>(3배 빠른 실행 속도)"]
    Action --> Next["다음 화면 확인"]
    Next --> Screen
  • 표준 API 가격: 입력 100만 토큰당 1달러, 출력 100만 토큰당 5달러로 이전 세대 대비 절반 수준입니다. 프롬프트 캐싱을 적용하면 입력 토큰 단가는 0.05달러까지 떨어집니다.
  • 복합 과업 벤치마크 (Agents’ Last Exam): 도면을 3D 모델로 변환하거나 영상을 분석하는 전문 업무 평가에서 플래그십인 GPT-6 Astra와 대등한 점수를 토큰당 1/10 비용으로 기록했습니다.
  • Claude Opus 5.5 대비 효율: 최대 추론 설정에서 토큰 효율은 3배 높고 단가는 1/4 수준으로, 작업당 총비용은 약 1/9에 불과합니다.
  • 처리 속도: GPT-6 Astra 및 GPT-6.1 Sol 대비 3배 이상 빠른 완료 속도를 보여줍니다.

3. OSWorld 2.1과 사실성(Factuality) 개선

속도와 가격을 낮췄다고 해서 작업 정확도가 떨어지지는 않았습니다:

  • 데스크톱 다단계 조작 (OSWorld 2.1): 실제 데스크톱 환경에서 여러 앱을 오가며 과업을 완수하는 벤치마크에서, 중간 추론 설정만으로 이전 세대 최고점을 넘어섰습니다.
  • 오류율 및 환각 감소: 자체 오류 유발 프롬프트 평가에서 저추론 기준 오류율이 53.6%에서 16.7%로 대폭 줄었습니다.
  • 터미널 코딩 평가 (Terminal-Bench 4.0): CLI 환경에서 버그를 잡는 평가에서 50.3%를 기록하여, 이전 세대(21.5%) 대비 두 배 이상의 점수 도약을 보였습니다.

💡 엔지니어의 시각: 에이전트 하네스 설계의 변화

GPT-6.1 Terra의 등장은 에이전트 하네스 아키텍처에 중요한 분기점을 제공합니다:

  1. 화면 캡처 주기의 자유도 확보: 토큰 단가가 1/10로 내려가면서, 조작 전후 화면 검증을 더 촘촘한 주기로 수행할 수 있는 비용적 여유가 생겼습니다.
  2. 비전 조작과 DOM 조작의 하이브리드 구성: DOM 구조가 자주 바뀌거나 캔버스(Canvas) 기반으로 렌더링되어 파싱이 불가능했던 웹 앱에서도 비전 조작을 기본 수단으로 채택할 수 있게 되었습니다.
  3. 업무 자동화의 임계점 통과: “사람 인건비보다 API 비용이 더 비싸서” 도입을 망설였던 반복적 GUI 워크플로우를 본격적인 자동화 파이프라인으로 전환할 수 있는 경제적 타당성이 확보되었습니다.