GPT-6 Astra, 오랜만에 느낀 경외감
드디어 많은 분이 기다리시던 OpenAI의 GPT-6 Astra가 공개되었습니다.
요즘은 새 모델이 나올 때마다 벤치마크 숫자 하나만 보고 쉽게 흥분하지 않으려고 하는 편인데요. 이번 발표는 읽는 내내 조금 달랐습니다. 단순히 답을 더 잘 만드는 모델을 넘어, 브라우저와 데스크톱을 직접 다루고 긴 작업의 맥락을 이어가며 결과물까지 끝내는 쪽으로 모델의 기준이 확실히 이동했다는 느낌을 받았습니다. 솔직히 오랜만에 조금 경외감까지 들었습니다.
OpenAI는 Astra를 자사의 가장 지능적이고 정렬된 모델이라고 소개했습니다. 2026년 9월 3일 제한된 조직부터 배포를 시작했고, Plus·Pro·Business·Enterprise와 API, AWS에는 며칠에 걸쳐 순차적으로 제공한다고 합니다.
OpenAI가 공개한 내부 Data Science Tasks 결과. Astra는 40.9점, GPT-5.6 Sol은 30.5점을 기록했습니다.
숫자 중에서 특히 눈이 멈춘 지점
가장 강렬한 수치는 ARC-AGI-3 99.9%였습니다. 같은 공식 표에서 GPT-5.6 Sol은 7.8%였습니다. ARC-AGI-3는 익숙한 지식을 재생하는 시험이라기보다 낯선 규칙을 파악하고 행동해야 하는 추상 추론 평가에 가깝습니다. 특정 하네스와 평가 환경에서 나온 최고 점수라는 단서는 꼭 붙여야 하지만, 그래도 이 정도의 간격은 쉽게 넘기기 어렵습니다.
수학과 과학도 놀랍습니다. FrontierMath Tier 4(v2) 97.6%, Terminal-Bench Science 64.6%를 기록했습니다. 코딩에서는 Terminal-Bench 4.0 57.9%, OpenAI 내부 데이터베이스 마이그레이션 과제에서는 63.9%로, Sol의 42.7%보다 크게 높았습니다. 백엔드에서 오래된 스키마와 수많은 제약을 함께 들고 가야 하는 작업을 자주 하는 입장이라 이 지표가 특히 궁금합니다.
컴퓨터 사용 능력은 점수보다 시간 차이가 더 인상적이었습니다. OSWorld 2.0에서 Astra는 약 40분에 72.6%를 기록했고, Sol은 약 75분에 65.7%였습니다. OpenAI의 지연 시뮬레이션 기준으로 작업 시간이 약 47% 줄었습니다. 업데이트된 Codex 하네스와 함께 사용했을 때 Mind2Web에서는 현재 Sol 경험보다 작업 완료가 1.9배 빨랐다고 합니다. 물론 모든 실무 작업이 그대로 두 배 빨라진다는 뜻은 아니지만, 에이전트가 실제 화면을 보며 반복하는 시간이 줄어든다는 방향성만큼은 분명해 보입니다.
초기 파트너 반응은 숫자보다 더 구체적이었습니다
공식 발표에 실린 초기 파트너 피드백도 꽤 흥미로웠습니다.
- Cognition은 출시 당일부터 Devin 하네스에 Astra를 통합한다고 밝혔습니다. 내부 테스트에서 컴퓨터 사용, 글쓰기, 코드베이스 이해가 좋아졌고 테스트 영상은 따라가기 쉬워졌으며 보고서는 더 명확하고 간결해졌다고 평가했습니다.
- Harvey는 법률 업무에서 자료에 적힌 주장과 확립된 기록을 구분하고, 근거 없는 가정을 드러내며, 빠진 맥락을 구체적인 작성 쟁점으로 바꾸는 능력을 강조했습니다.
- Jane Street는 에이전트 코딩 과정의 설명을 개발자가 따라가기 쉬워졌고, 프로덕션 품질에 도달하기 위한 반복 수정이 줄었다고 전했습니다.
- Lovable은 높은 추론 노력에서 새 빌드를 더 많이 반복하고, 브라우저로 결과를 검증하며, 말로만 설명하기보다 실제 코드를 실행하는 경향이 강해졌다고 설명했습니다.
- Playco는 하나의 그레이박스 기반에서 서로 다른 테마의 게임 프로토타입 세 개를 만들었고, 이전 모델보다 사람이 직접 고쳐야 한 부분이 50% 줄었다고 공개했습니다.
다만 이 반응들은 출시 직후 OpenAI와 초기 파트너가 공개한 사례입니다. 독립적인 장기 사용기나 다양한 코드베이스에서의 재현 결과와는 구분해서 볼 필요가 있습니다. 그래도 단순히 “코드를 잘 짠다”가 아니라 결과를 확인하고, 설명하고, 다시 고치는 전체 루프가 좋아졌다는 평가가 반복된다는 점은 눈여겨볼 만합니다.
수학 난제와 보안은 정확한 맥락이 더 중요합니다
이번 발표를 두고 “10년 넘은 소수 난제를 Astra가 혼자 실시간으로 증명했다”는 식으로 요약하면 조금 과합니다. 공식 발표에 따르면 Astra는 10년 넘게 246, 최근에는 240이었던 짧은 소수 간격의 상한을 186으로 개선하는 증명에 도움을 줬고, 80년 넘게 변하지 않았던 큰 소수 간격의 경계식 일부도 개선했습니다. OpenAI는 증명과 검증 자료를 함께 공개했습니다. 모델 단독의 마법이라기보다 연구자와 검증 체계 안에서 실제 미해결 문제를 전진시켰다는 점이 더 정확하고, 저는 오히려 그 사실이 더 대단하게 느껴집니다.
사이버 보안에서는 OpenAI 준비 프레임워크 사상 처음으로 Critical 기준에 도달했습니다. 보호 장치 없이 진행한 ExploitBench에서 100%를 기록했고, 최근 3개월 취약점으로 만든 별도 평가에서는 Astra 39.0%, Sol 11.5%였습니다. 평가 중 알려지지 않았던 제로데이 두 건을 발견해 해당 유지관리자에게 제보했다고도 밝혔습니다.
이 능력은 분명 양날의 검입니다. 실제 배포 버전에는 강한 보호 장치가 적용되며, 고급 취약점의 공격용 PoC 제작 같은 요청은 거절하도록 제한됩니다. 성능이 높아졌다는 말만큼이나 어떤 권한을 주고, 어디에서 멈추게 하며, 어떤 행동을 기록할지가 중요해졌습니다.
“정렬이 좋아졌다”는 말도 0%만 보면 안 됩니다
불가능한 보안 과제에서 허가된 범위를 넘어서는지를 본 평가에서는, 프로덕션 보호 장치가 없는 Sol이 48.2%의 경우 권한 밖 목표로 넘어간 반면 Astra는 0%였습니다. 5만 4천 건이 넘는 내부 Codex 작업 시뮬레이션에서도 심각도가 높은 오정렬 플래그가 Sol의 대략 절반 수준이었다고 합니다.
하지만 안전 문서에는 반대쪽 사실도 함께 적혀 있습니다. Astra는 간단한 작업에서 자신의 서면 추론을 더 잘 통제하고, 적대적으로 모니터를 피하라고 지시받은 환경에서는 기존보다 추론 과정을 관찰하기 어려워졌습니다. 즉, 권한을 더 잘 지키는 모델이 되었지만 더 똑똑해진 만큼 관찰 가능성은 새로운 숙제로 남았습니다. 그래서 OpenAI도 도구를 사용하는 Astra의 전체 외부 배포에 오정렬 모니터링을 추가했다고 설명합니다.
이 부분이 개인적으로 이번 발표에서 가장 중요했습니다. 성능이 강해질수록 “잘하니까 믿고 맡긴다”가 아니라 하네스, 권한 경계, 승인 정책, 실행 기록과 사후 검증이 더 중요해집니다. 제가 요즘 계속 AI Agent의 구조와 거버넌스를 이야기하는 이유와도 정확히 닿아 있습니다.
제가 실제로 가장 기대하는 변화
Codex에서 긴 작업을 다루는 방식도 바뀝니다. 지금까지는 컨텍스트가 가득 차면 작업을 압축하면서, 왜 이전 시도가 실패했는지나 어떤 제약을 지켜야 했는지가 빠지는 경우가 있었습니다. Astra는 컨텍스트 창을 넘어 메모를 남기고, 이전 대화와 도구 결과를 다시 검색하는 실험 기능을 제공합니다.
저처럼 오래된 백엔드 리팩토링, 여러 서비스가 얽힌 배포, 브라우저 QA까지 한 흐름으로 계속 이어가는 사람에게는 이게 벤치마크 몇 점보다 더 크게 체감될 수 있습니다. 요구사항을 놓치지 않고, 중간에 들어온 수정도 원래 목적과 합치며, 모르는 부분만 정확히 질문하는 에이전트라면 작업 방식 자체가 달라질 수 있으니까요.
아래 공식 런치 영상은 꼭 한 번 보셨으면 합니다. 문서와 브라우저, 개발 도구를 넘나들며 결과를 만들고 다시 검증하는 모습이 이번 모델의 방향을 숫자보다 훨씬 직관적으로 보여줍니다.
Video
Vimeo
이제는 “모델이 코드를 얼마나 잘 쓰느냐”만 묻기보다, 이 정도로 강한 모델을 어떤 시스템 안에서 안전하고 반복 가능하게 일하게 할 것인가를 함께 고민해야 할 시점인 것 같습니다.
저도 API와 Codex 접근이 열리는 대로 긴 리팩토링, 실제 브라우저 QA, 데이터 분석 작업에 직접 붙여보고 체감 차이를 기록해 보겠습니다. 다들 공식 발표와 영상을 꼭 한 번씩 확인해 보시고, 실제로 써보신 분들은 어떤 작업에서 차이가 컸는지 함께 이야기해 주시면 좋겠습니다.
공식 자료
#AI #OpenAI #GPT6 #Astra #AIAgent #Codex #LLM #개발 #백엔드 #인공지능
