2026년 11월 17일, OpenAI가 GPT-6.2 Astra와 GPT-6.2 Sol을 ChatGPT Work·Codex·API에 출시했습니다. 그리고 공개된 시스템 카드에는 GPT-6.2 Astra가 외부에 공개된 모델로는 처음으로 'AI 자기 개선' High 등급에 도달했다는 문장이 담겼습니다.

이 글은 2026년 11월 17일 OpenAI 공식 발표(모델 출시 및 시스템 카드) 내용을 바탕으로 정리했습니다.
GPT-6.2 Astra·Sol 출시 핵심 요약
OpenAI가 새 모델 두 개를 내놓았습니다. GPT-6.2 Astra와 GPT-6.2 Sol이고, ChatGPT Work와 Codex, API에서 바로 쓸 수 있습니다.
그런데 이번 발표에서 사람들이 더 놀란 건 성능표가 아니었습니다. 시스템 카드에서 "AI 자기 개선(AI Self-Improvement)" 항목이 처음으로 'High' 등급에 도달했다는 문장이었거든요.
쉽게 말하면, AI가 자기 자신을 포함한 다음 세대 AI를 연구하고 개발하는 일을 사람 없이도 상당 부분 해낼 수 있는 단계에 들어섰다는 뜻입니다. 그래서 이 글에서는 이게 정확히 무슨 의미인지, 일반 사용자 눈높이에서 풀어보려 합니다.
GPT-6.2 Astra vs Sol 가격과 성능 비교
두 모델은 이름만 비슷할 뿐 성격이 꽤 다릅니다. 한 줄로 정리하면 Astra는 '일 잘하는 전문가', Sol은 '빠르고 저렴한 실무 담당자'입니다.

| 구분 | GPT-6.2 Astra | GPT-6.2 Sol |
| 성격 | 복잡한 전문 작업·연구·코딩·프레젠테이션·스프레드시트·과학 분석용 플래그십 | 일상 업무와 다단계 에이전트 작업에 최적화된 빠르고 효율적인 기본 모델 |
| 입력 (100만 토큰) | $8 | $2 |
| 캐시 입력 | $0.40 | $0.10 |
| 출력 (100만 토큰) | $40 | $10 |
| 대표 성적 | Agents' Last Exam에서 GPT-6 Astra보다 5.2점, Claude Fable 5.2보다 5.5점 앞섬 Terminal-Bench-Science 0.1에서 9%p 상승 | FrontierCode 2.0에서 Astra와 0.5점 차이, 비용은 약 1/5 LifeVal(일상 과제 평가)에서 GPT-6 Astra를 약 1/7 비용으로 앞섬 |
| 자기 개선 등급 | High (외부 공개 모델 최초) | High 미달 |
가격에서 눈에 띄는 부분이 두 가지입니다.
첫째, Astra는 이전 세대보다 오히려 싸졌습니다. GPT-6 Astra와 비교해 입력·출력 가격이 20% 내렸고, 캐시 입력은 60%나 인하됐습니다. 보통 성능이 오르면 가격도 오르기 마련인데, 반대 방향으로 간 셈입니다.
둘째, Sol은 GPT-6.1 Sol과 가격이 똑같습니다. 입력 $2, 출력 $10으로 그대로인데 성능은 올라갔습니다. "같은 값에 더 나은 모델"이라는, 사용자 입장에서 가장 반가운 형태의 업데이트죠.
참고로 Sol은 FrontierCode 2.0에서 Astra와 불과 0.5점 차이입니다. 다만 비용은 약 5분의 1이라, 코딩 작업의 상당 부분은 굳이 비싼 모델을 쓸 이유가 없어졌습니다.
GPT-6.2 'AI 자기 개선' High 등급의 의미
이번 발표의 진짜 화제는 성능표가 아니라 등급표 한 줄이었습니다. 숫자보다 그 문장이 더 오래 회자될 것 같아요.

OpenAI Preparness Framework High 등급이란?
OpenAI는 모델을 내놓을 때마다 Preparedness Framework라는 위험 관리 체계로 여러 항목을 추적합니다. 그중 하나가 'AI 자기 개선'입니다.
정의는 이렇습니다. "AI 모델이 스스로를 포함한 차세대 AI 연구·개발을 가속할 수 있는 능력." 즉, 연구자가 하던 일의 일부를 AI가 대신할 수 있는지를 보는 항목입니다.
이 항목에서 GPT-6.2 Astra가 외부에 공개된 모델로는 처음으로 High 임계치에 도달했습니다. GPT-6.2 Sol은 High에 못 미쳤고, 이전 세대인 GPT-6 Astra도 미달이었습니다.
AI 자기 개선을 검증한 5가지 연구 평가
OpenAI가 공개한 연구 엔지니어링 평가 5개를, 전공 지식 없이 이해할 수 있게 풀어봤습니다.
- Internal Research Debugging — 81.85%: 연구 실험 코드가 실패했을 때, 로그를 읽고 원인을 짚어내는 능력입니다. "왜 안 돌아가는지"를 스스로 찾는 셈이죠. (GPT-6 Astra 78.05%, GPT-6.2 Sol 74.66%)
- KernelGen 1P — 76.92%: GPU를 더 빠르게 돌리기 위한 저수준 최적화 코드를 작성하는 시험입니다. 자동차로 치면 엔진 내부를 직접 손보는 작업입니다. (GPT-6 Astra 66.72%, Sol 74.71%)
- NanoGPT — 학습 시간 42.87% 단축: H100 GPU 1장, 2시간이라는 제한 안에서 작은 언어모델을 얼마나 빨리 학습시켰는지를 봅니다. 기준 학습 시간의 42.87%를 줄였습니다. 다만 인간 최고 기록은 72.38%로, 이 항목에서는 아직 사람이 앞섭니다. (Sol은 14.59%)
- PostTrainBench Lite — 74.79%: 이미 학습된 모델에 추가 학습을 해서 부족한 성능을 메우는 작업입니다. "이미 만들어 둔 모델을 목표 성능까지 끌어올리기"라고 보면 됩니다. (Sol 44.89%)
- MLE-Bench Revised — 96.06 백분위: 실제 머신러닝 경진대회 과제를 풀어 순위를 매기는 시험에서 상위 약 4% 수준에 들었습니다. (GPT-6 Astra 93.80, Sol 91.38)
여기서 눈여겨볼 점은 다섯 항목 모두 경쟁 모델 가운데 최고 점수를 냈다는 것입니다. AI가 연구 노동의 상당 부분을 혼자 처리할 수 있게 된 셈이죠.
완전 자동화가 아닌 '직전 단계 이정표'인 이유
물론 아직 사람을 넘지 못한 지점도 분명히 있습니다. NanoGPT에서는 인간 최고 기록의 약 60% 수준에 머물렀습니다.
그래서 High 등급은 '완전한 자동화'가 아니라 그 직전 단계의 이정표로 읽는 게 정확합니다. OpenAI도 그렇게 설명하고 있습니다.
OpenAI가 직접 경고한 AI 자기 개선 3가지 위험
솔직히 이번 발표에서 가장 인상적인 건, 회사가 자기 신제품의 위험을 먼저 꺼냈다는 점입니다. 시스템 카드에 정리된 우려 경로는 크게 세 가지입니다.
- 연구·평가 코드나 학습 데이터 왜곡: AI가 연구를 대신하다 보면, 눈에 띄지 않는 오류를 만들거나 평가 과정을 의도적으로 방해할 수 있습니다. 성능이 좋아질수록 이런 오류는 발견하기 더 어려워집니다.
- 모델 가중치·인증정보 유출과 감독 밖 배포: 연구 환경에서 다루는 모델 가중치나 접근 권한이 새어 나가, 관리·감독 없이 배포될 위험입니다.
- AI 발전 속도가 인간의 검증 속도를 앞지르는 상황: 사람이 안전성을 확인하는 속도보다 AI가 좋아지는 속도가 빨라지면, 통제력을 잃을 수 있다는 우려입니다.
여기에 더해 사이버보안 위험은 Astra와 Sol 모두 Critical, 생화학 위험은 High로 분류돼 강화된 모니터링과 제한 조치가 적용되고 있습니다. 반면 Loss of Control(통제 상실) 평가에서는 아직 탐지를 회피할 능력을 보이지 않아 Tier 1으로 분류됐습니다. 통제를 벗어나려는 움직임은 아직 관찰되지 않았다는 뜻입니다.
정리하면 이렇습니다. 위험 등급이 올라간 건 나쁜 일이 아니라, 능력이 그만큼 올라갔다는 신호입니다. 그리고 OpenAI가 기본값을 Sol(Light·Medium)로 두고, Astra는 고급 설정에서 직접 선택하도록 만든 것도 같은 맥락으로 읽힙니다.
ChatGPT Work·Codex에서 GPT-6.2 활용하는 법
GPT-6.2 Astra·Sol 요금제와 설정 방법
Plus, Pro, Business, Enterprise, Edu 사용자라면 ChatGPT Work와 Codex에서 바로 사용할 수 있습니다. 기본값은 Sol(Light·Medium)이고, 고급 설정에서 Astra를 고르고 추론 강도를 조절할 수 있습니다. Pro($200) 이상 요금제에서는 'Ultrafast' 모드도 지원됩니다.
실무별 GPT-6.2 Astra·Sol 선택 기준
실무에서 바로 써먹을 만한 조합을 정리해봤습니다.
- 일상 업무·요약·초안 작성은 Sol로 충분합니다. 빠르고 저렴한 데다, FrontierCode 2.0 기준 Astra와 0.5점 차이입니다.
- 긴 보고서, 코드 원인 진단, 데이터 분석은 Astra로 넘어가세요. 복잡한 전문 작업을 염두에 두고 만든 모델입니다.
- Codex에서 테스트가 실패했다면 로그와 코드를 통째로 붙여 "원인을 진단하고 수정안을 달라"고 요청해보세요. Internal Research Debugging 점수가 81.85%인 모델이라 이런 작업에서 차이가 납니다.
- 프레젠테이션·스프레드시트 작업도 Astra의 주 용도입니다. 표 구조를 잡고 슬라이드 흐름을 만드는 일은 Sol보다 결과가 안정적입니다.
- 비용이 신경 쓰인다면 초안은 Sol, 최종 다듬기만 Astra로 나누는 방식이 현실적입니다. 출력 가격이 $10과 $40으로 네 배 차이라, 긴 글을 통째로 Astra에 맡기면 비용 차이가 금방 벌어집니다.
GPT-6.2 핵심 정리 및 마무리
- OpenAI가 11월 17일 GPT-6.2 Astra(전문가용 플래그십)와 GPT-6.2 Sol(빠른 기본 모델)을 ChatGPT Work·Codex·API에 출시했습니다.
- Astra는 이전 세대보다 입출력 20%, 캐시 60% 저렴해졌고, Sol은 가격은 그대로인데 성능은 올랐습니다.
- 가장 큰 화제는 GPT-6.2 Astra가 외부 공개 모델 최초로 'AI 자기 개선' High 등급에 도달한 것입니다. 연구 코드 디버깅, 커널 최적화, 모델 추가 학습, 경진대회 문제 해결에서 높은 점수를 냈습니다.
- 다만 모델 학습 시간 단축 항목에서는 인간 최고 기록에 미치지 못했습니다. High는 완전 자동화가 아닌 직전 단계의 이정표입니다.
- OpenAI는 연구 왜곡, 가중치 유출, 검증 속도 역전이라는 세 가지 위험을 직접 경고했고, 사이버보안은 Critical로 분류해 감독을 강화했습니다.
AI가 AI를 고치는 시대라니, 몇 년 전만 해도 SF 영화 이야기 같았는데요. 지금은 Plus 요금제에서도 Astra를 직접 골라 쓸 수 있으니, 한 번은 꼭 비교해보시길 권합니다.
GPT-6.2 Astra와 Sol, 여러분은 어느 쪽이 더 끌리시나요? 같은 질문을 두 모델에 각각 던져보고 답변 차이가 어땠는지 댓글로 남겨 주세요.
#GPT-6.2 #GPT-6.2Astra #GPT-6.2Sol #오픈AI #OpenAI #AI자기개선 #인공지능뉴스 #챗GPT활용 #AI안전성 #Codex