Claude Opus 5.5 성능 분석: 코딩·업무·비용에서 무엇이 달라졌나

2026-09-23 · 수정 2026-09-25 · AI · 쥬곰 편집부

#Claude Opus 5.5 #Anthropic #AI 벤치마크 #Claude Code #GPT-6 Astra #생성형 AI

코딩과 지식 업무를 동시에 평가하는 차세대 AI 연구 환경

Claude Opus 5.5가 2026년 9월 22일 공식 출시됐다. 하루 전까지는 제품명, 가격과 출시일이 모두 확인되지 않은 주장에 가까웠지만, 이제는 Anthropic 공식 발표, API 문서와 독립 벤치마크를 바탕으로 실제 성능을 비교할 수 있다.

결론부터 말하면 Opus 5.5는 모든 평가에서 무조건 1위인 모델이 아니다. 대신 장시간 코딩 에이전트와 전문 지식 업무에서 최상위 성능을 내면서, 전작보다 API 단가와 캐시 비용을 낮추고 필요한 토큰과 실행 단계를 줄이는 데 초점을 맞췄다. 최대 추론은 가장 높은 점수를 만들지만 출력 토큰도 크게 늘어난다. 대부분의 실무에서는 기본값인 medium이 성능과 비용의 균형점에 더 가깝다.

출시 전 확인되지 않은 주장과 공식 정보를 나눈 과정은 기존 루머 검증 기사에서 확인할 수 있다. 이 글은 출시 이후 공개된 성능과 비용만 다룬다.

핵심 사양과 가격

핵심 사양과 가격: 항목, Opus 5.5 공식값, 실무에서의 의미

Claude Platform 모델 문서에 따르면 컨텍스트 창은 100만 토큰, 일반 최대 출력은 12만 8천 토큰이다. Batch API의 베타 출력 한도는 30만 토큰이다. 신뢰 가능한 지식 기준 시점과 학습 데이터 기준 시점은 모두 2026년 6월로 표시된다.

입력과 출력 가격은 100만 토큰당 각각 4달러와 20달러다. Opus 5의 5달러·25달러에서 20% 내려갔다. 5분 캐시 쓰기는 5달러, 1시간 캐시 쓰기는 8달러, 캐시 읽기는 0.20달러다. Batch API는 입력 2달러·출력 10달러로 절반 가격이다.

Anthropic은 토큰 단가뿐 아니라 실제 작업에 쓰는 토큰과 연산량도 줄어 기본 설정에서 일반적인 작업 비용이 Opus 5보다 40% 낮다고 설명한다. 캐시 읽기 단가는 0.50달러에서 0.20달러로 60% 내려갔다. 긴 대화를 반복해서 불러오는 코딩 에이전트에서는 단순 입력 단가보다 이 변화가 더 중요할 수 있다.

공식 벤치마크: 강점과 한계

공식 벤치마크의 강점과 한계: 평가, Opus 5.5, 비교 결과

Anthropic이 공개한 결과에서 Opus 5.5는 터미널 기반 에이전트 코딩, 실제 병합 가능성을 보는 FrontierCode, 44개 직업의 전문 업무를 평가하는 GDPval-AA에서 강하다. Opus 5와 비교하면 Terminal-Bench 4.0은 52.3%에서 66.4%, GDPval-AA는 1708 Elo에서 1846 Elo로 상승했다.

하지만 최고 모델이라는 한 문장으로 모든 결과를 묶으면 중요한 차이가 사라진다. 비즈니스 앱 자동화를 보는 AutomationBench에서는 GPT-6 Astra가 41.4%로 Opus 5.5의 40.0%보다 높다. 과학 연구형 터미널 과제에서도 Astra가 64.6%, Opus 5.5가 58.7%다. 공식 표 자체가 분야별 승자가 다르다는 점을 보여 준다.

비교 조건도 같지 않다. 대부분의 Opus 5.5 결과는 max, Terminal-Bench는 xhigh를 사용했다. Astra 수치 역시 평가별 최고 추론 설정을 사용한다. 벤치마크 1점 차이를 일상 사용의 확실한 우열로 읽기 어려운 이유다. Anthropic도 상위 모델 사이의 실제 체감 차이가 점수 격차보다 작을 수 있다고 설명한다.

여러 저장소를 이동하며 수정과 검증을 반복하는 장기 코딩 에이전트의 흐름

독립 측정: 최고점은 맞지만 최대 추론은 토큰을 많이 쓴다

Artificial Analysis의 독립 평가는 출시사 표와 비슷하면서도 더 현실적인 비용 경고를 준다. Opus 5.5의 max 설정은 Intelligence Index 58점으로 측정 당시 최고점을 기록했다. 10개 구성 평가 중 Humanity’s Last Exam, SciCode, GDPval-AA, AA-Briefcase, AA-Omniscience와 AutomationBench-AA 등 6개에서 선두였다.

에이전트 지식 업무를 보는 AA-Briefcase는 1822 Elo로 Fable 5.1보다 143점 높았고, Terminal-Bench 4.0은 59.6%로 GPT-6 Astra와 같은 수준이었다. 독립 측정에서도 코딩과 전문 산출물 성능이 강하다는 방향은 유지된다.

다만 최대 추론은 무료 성능 향상이 아니다. Artificial Analysis에서 Opus 5.5 max는 Intelligence Index 작업당 출력 토큰을 약 11만 9천 개 사용했다. Opus 5 max는 약 7만 3천 개, Fable 5.1은 약 7만 8천 개, GPT-6 Astra max는 약 2만 7천 개였다. 낮아진 단가 덕분에 Opus 5와 작업당 비용이 비슷했지만, 긴 출력과 대기시간은 여전히 운영 비용이 된다.

반대로 medium은 독립 지수 51점, 작업당 약 1.34달러로 측정됐다. xhigh는 56점, 약 3.46달러였다. 평가 시점과 구성은 바뀔 수 있지만, 무조건 max를 선택하는 것보다 작업 난도에 맞춰 effort를 올리는 방식이 합리적이라는 결론은 분명하다.

GPT-6 Astra·Sol과 비교하면

같은 회사의 공식 표만으로 경쟁 모델을 판단하기보다 동일한 평가기관의 결과를 보는 편이 낫다. Artificial Analysis 비교에서 Opus 5.5 high는 Intelligence Index 54점, GPT-6 Astra max는 53점이었다. Opus 5.5는 출력 속도와 가중 평균 토큰 가격에서 유리했고, Astra는 설정에 따라 첫 토큰 대기시간과 일부 자동화·과학 과제에서 강점을 보였다.

GPT-6 Sol max와 비교하면 Opus 5.5 high는 54점 대 48점으로 앞섰고, Terminal-Bench 4.0도 57% 대 44%였다. 반면 Sol은 100만 토큰 혼합 가격이 더 낮고 출력 속도가 더 빨랐다. 따라서 복잡한 코드 수정·전문 분석은 Opus 5.5, 대량 반복 처리와 빠른 응답은 Sol처럼 업무를 나누는 편이 비용 효율적이다.

컨텍스트는 Opus 5.5와 Astra가 100만 토큰, Sol은 87만 토큰으로 표시된다. 하지만 최대 컨텍스트 수치가 곧 긴 문서 전체의 완벽한 기억을 뜻하지 않는다. 실제 도입 전에는 문서 중간의 정보 회수, 여러 파일 간 충돌 탐지, 인용 정확성과 장시간 세션의 누락률을 자체 자료로 시험해야 한다.

어떤 추론 강도를 선택할까

low: 분류, 짧은 수정, 이미 구조가 정해진 반복 작업
medium: 일반 코딩, 조사, 문서 작성과 도구 사용의 기본값
high: 여러 파일에 걸친 변경, 까다로운 디버깅, 중요한 업무 분석
xhigh: 장시간 에이전트 작업, 대형 저장소 마이그레이션과 정밀 검증
max: 실패 비용이 매우 크고 최고 성능이 처리시간과 비용보다 중요한 제한된 작업

Opus 5.5는 적응형 추론이 항상 켜져 있어 완전히 끌 수 없다. 단순한 질문까지 max로 실행하면 정확도가 조금 오르는 대신 출력 토큰, 대기시간과 비용이 크게 늘 수 있다. 먼저 medium으로 실행하고 자체 평가에서 부족한 작업만 high 이상으로 올리는 정책이 안전하다.

장시간 코딩에서 달라진 점

Anthropic은 20만 줄 규모 코드베이스 감사와 수정에서 Opus 5.5가 3시간 이내에 완료됐고, Opus 5는 20시간 이상 걸리면서 2.5배의 토큰을 쓴 시험 사례를 제시했다. 또 HAProxy를 C에서 Rust로 옮기는 내부 시험에서는 Fable 5.1보다 2.5시간 빨리 끝내고 비용은 51% 적었다고 밝혔다.

이 수치는 초기 시험자와 Anthropic 내부 평가이므로 모든 저장소에 그대로 적용할 수 없다. 그래도 개선 방향은 명확하다. 단일 함수 생성보다 작업 계획 유지, 여러 저장소의 의존관계 추적, 테스트 반복, 스스로 오류를 확인하는 긴 실행이 주요 목표다. 실제 팀에서는 성공률뿐 아니라 변경 파일 수, 회귀 테스트 통과율, 되돌린 커밋, 사람의 수정 시간까지 함께 기록해야 한다.

API를 바꿀 때 확인할 호환성 문제

Opus 5.5 변경 안내에는 기존 Opus 5 호출을 그대로 바꾸면 문제가 생길 수 있는 항목이 정리돼 있다.

thinking을 비활성화할 수 없고, 기존 활성화·비활성화 설정 대신 effort를 사용해야 한다.
특정 도구를 강제로 지정하는 이전 방식은 오류가 날 수 있어 자동 선택과 엄격한 도구 스키마로 전환해야 한다.
보존된 thinking 블록은 모델과 대화에 연결되므로 대화 기록을 임의로 편집하는 통합은 점검이 필요하다.
Claude API와 Google Cloud의 컴퓨터 사용은 새로운 computer_toolset_20260801 도구 세트가 필요하다.
도구 호출 사이의 진행 문구가 기본 설정에서 비어 보일 수 있어 스트리밍 UI는 thinking.display 처리를 확인해야 한다.

모델 ID만 claude-opus-5-5로 바꾸는 것은 시작일 뿐이다. 자동화 서비스는 거부 응답, fallback 모델, 도구 스키마와 스트리밍 표시까지 함께 시험해야 한다.

출시 후 안전 검증과 Pace the Frontier 맥락

Opus 5.5는 Dario Amodei가 We Must Pace the Frontier를 발표한 뒤 나온 Anthropic의 첫 주요 모델이다. 이 때문에 ‘프런티어 능력 향상 속도를 늦추자고 하면서 열흘 뒤 더 강한 모델을 출시했다’는 비판이 제기될 수 있다. 원문에서 말하는 pacing은 전면 개발 중단이 아니라, 안전·정렬·해석과 제3자 검증이 따라잡도록 능력 단계별 조건을 붙이는 접근이다.

Anthropic은 Opus 5.5 출시 전 Frontier Design과 METR이 외부 평가에 참여했다고 밝혔다. 제품 측면에서는 모델이 행동을 실행하기 전 위험 모드를 분류하는 장치, 감사 가능한 샌드박스, Life Sciences Verification Program과 Cyber Verification Program을 제시했다. 이러한 조치는 회사 안전 주장의 근거이지만, 평가 범위·기간·미해결 항목과 출시 보류 권한이 모두 공개된 독립 감사와 같지는 않다.

장시간 에이전트에서는 보존된 thinking 블록이 작업 연속성을 높이지만, 대화에 연결된 내부 추론 상태를 잘못 재사용하거나 편집하면 호환성 문제가 생길 수 있다. Anthropic은 이 보존 구조를 강화하는 동시에 다른 모델이 출력으로부터 능력을 모방하는 증류 공격에 대한 방어도 추가했다고 설명한다. 개발자는 thinking 블록의 저장·반환 규칙을 지키고, 민감한 로그 보존 정책을 별도로 확인해야 한다.

Anthropic은 Opus 5.5 뒤를 이어 Sonnet 5.5와 Haiku 5.5를 수주 안에 출시할 계획이라고 밝혔다. 따라서 현재의 가격·라우팅 결론도 고정된 최종판이 아니다. Opus는 실패 비용이 큰 복합 작업, Sonnet과 Haiku는 대량 반복과 지연시간 중심 업무로 역할이 다시 나뉠 수 있으므로, 새 모델이 나오면 동일 평가 세트에서 총완료비용을 다시 비교해야 한다.

한국 이용자가 확인할 부분

Claude 웹·앱 구독과 API 과금은 별개다. Anthropic은 Pro, Max, Team과 좌석 기반 Enterprise의 5시간 사용 한도를 늘리고 구독자에게 저장해서 쓸 수 있는 한도 초기화를 제공한다고 밝혔다. 실제 노출 시점과 한도는 계정·플랜·지역에 따라 다를 수 있다.

API 가격은 달러 기준이며 한국에서 결제하면 환율, 부가세와 카드사의 해외 결제 비용이 실제 원화 지출에 영향을 줄 수 있다. 프롬프트 캐시를 쓰지 않는 단발 호출과 대형 저장소를 반복해서 읽는 에이전트의 비용 구조도 크게 다르다.

공개 벤치마크 대부분은 영어 중심이다. 한국어 존댓말, 국내 법령과 기관명, 한영 혼합 보고서, 한국식 표와 공문서 형식에서 같은 우위가 유지된다고 단정할 수 없다. 한국 조직은 실제 내부 문서의 비식별 샘플로 정확도, 근거 링크, 누락률과 검수 시간을 별도로 측정해야 한다.

누구에게 맞고 누구에게 과한가

Opus 5.5는 대형 코드베이스 변경, 여러 도구를 쓰는 장시간 에이전트, 전문 보고서와 재무·법률 자료 정리에 적합하다. 실패했을 때 재작업 비용이 큰 복합 업무에서 낮아진 캐시 가격과 강한 자기검증이 의미를 가진다.

반대로 짧은 요약, 분류, 고객 문의 초안, 단순 데이터 추출처럼 자동 검증이 가능한 대량 작업에는 더 저렴하고 빠른 모델이 유리할 수 있다. API 단가가 내려갔어도 출력 100만 토큰당 20달러이며, max 설정은 많은 추론 토큰을 사용할 수 있다.

가장 현실적인 도입 방식은 전면 교체가 아니라 업무별 라우팅이다. medium으로 시작하고, 실패 비용이 큰 코딩·분석만 high 이상으로 올리며, 반복 작업은 더 빠른 모델에 맡긴다. 모델 순위보다 완성된 결과 한 건의 비용—호출료, 재시도, 사람 검토와 지연시간의 합—을 비교해야 한다.

결론

Claude Opus 5.5는 Opus 5의 단순 점수 상승판보다 효율을 다시 설계한 모델에 가깝다. 공식 평가에서는 에이전트 코딩과 지식 업무가 크게 좋아졌고, 독립 평가에서도 출시 시점 최고 Intelligence Index를 기록했다. 동시에 최대 추론은 출력 토큰을 많이 사용하며, 자동화와 과학 연구 일부 평가에서는 GPT-6 Astra가 앞선다.

따라서 핵심은 Opus 5.5가 무조건 최고인가가 아니다. 장시간 코딩과 전문 업무에서 필요한 품질을 어느 effort에서 가장 낮은 총비용으로 달성하는지가 중요하다. 대다수 사용자는 medium에서 시작하고, 실제 실패율이 충분히 줄어드는 작업에만 high·xhigh·max를 적용하는 것이 합리적이다.

출처와 이용 고지

Anthropic, Claude, OpenAI와 GPT 관련 명칭과 상표는 각 권리자에게 속한다. 이 글은 어느 회사의 후원이나 승인을 받은 공식 콘텐츠가 아니다. 공식 발표의 수치와 Artificial Analysis의 독립 측정을 구분해 자체 문장으로 분석했으며, 회사가 공개한 차트·제품 화면·제3자 사진은 사용하지 않았다.

출처: Anthropic · 직접 캡처/제작 이미지 포함