GPT-5.5가 4월 23일 출시됐을 때, OpenAI가 스스로 붙인 정의가 있습니다.

“the first OpenAI flagship positioned primarily as an agent runtime rather than a chat model.”

chat model이 아니라 agent runtime. 자기 제품을 어떻게 부르는지에 그 회사의 전략이 있습니다. 이 단어 교체가 지금 모델 선택의 판 전체를 재배열하고 있습니다.

에이전틱 프로덕션의 첫 대규모 사례

지난주 ChatGPT가 Plaid를 통해 미국 내 1만 2천 개 금융기관에 직접 연결됐습니다. Schwab·Fidelity·Chase·Robinhood·Amex·Capital One — 사용자가 실제 계좌를 연결하면 ChatGPT가 잔액·거래·포트폴리오 데이터를 읽고 맞춤 재무 판단을 내립니다. GPT-5.5의 context reasoning이 핵심 엔진입니다.

이건 “더 똑똑한 답변”이 아닙니다. 외부 데이터 시스템에 OAuth로 연결된 에이전트가 실제 사용자 상황을 읽고 실행 가능한 판단을 내리는 패턴입니다. OpenAI가 선언한 “agent runtime first”가 첫 대규모 프로덕션으로 구현된 순간입니다.

비슷한 패턴이 같은 기간에 여러 곳에서 동시에 보입니다. Anthropic은 Claude Code 사용 한도를 2배로 올리면서 장시간 에이전트 작업을 제품 전략으로 공식화했습니다. Microsoft는 M365 안에서 Excel·PPT·Outlook을 Claude와 직접 연결하는 GA를 열었습니다. Google은 Gemini Enterprise Agent Platform으로 “에이전트 OS” 개념을 Cloud Next에서 정의했습니다.

개별 발표가 아닙니다. 같은 방향을 가리키는 신호들입니다. 에이전틱 AI가 파일럿을 지나 프로덕션 기본값으로 이동하고 있습니다.

세 가지 기준이 교체됐다

에이전틱이 기본값이 되면 모델 선택의 기준도 바뀝니다. 예전엔 “MMLU 점수 X점, 코딩 벤치마크 Y위”가 1차 판단 근거였습니다. 지금은 세 가지가 교체됐습니다.

기준 1: raw 성능 → 에이전틱 완주율 (task completion rate)

에이전트는 단일 추론이 아니라 10~100단계 작업 체인을 끝까지 완주해야 합니다. 중간에 무너지는 모델은 아무리 벤치마크 점수가 높아도 운영에서 쓸 수 없습니다.

Anthropic이 공개한 METR 벤치마크에서 Claude Mythos Preview가 기존 최고 성능 모델 대비 time horizon 2배를 달성했다는 신호가 업계에서 유독 주목받은 이유가 여기 있습니다. 80% 성공률 기준에서 작업 지속시간이 2배라는 건, 더 복잡하고 긴 체인을 안정적으로 처리한다는 뜻입니다. “한 번의 정확도”가 아니라 “긴 체인을 얼마나 끝까지 가져가는가”가 라우팅 1차 변수로 진입했습니다.

기준 2: 범용 모델 하나 → 작업 유형별 라우팅

“이 모델이 더 좋은가”는 이제 맞는 질문이 아닙니다. 맞는 질문은 “이 작업 유형에 어느 모델이 맞는가”입니다.

멀티스텝 코딩   → Claude Sonnet 4.6 (GDPval-AA 에이전틱 1위)
멀티모달 분석   → Gemini 3.1 Pro  (2M 토큰, 할루시네이션 30% 감소)
실시간 음성     → OpenAI voice intelligence (실시간 추론·번역·전사)
생명과학 도메인 → GPT-Rosalind (신약/게놈/단백질 특화)
비용 우선       → DeepSeek V4 Flash (오픈소스, 400K 컨텍스트)
로컬 실행       → SuperGemma4 / Qwen 3.6 (온디바이스, 프라이버시)

arXiv 논문 “Why Global LLM Leaderboards Are Misleading”(2605.06656)이 학술 언어로 같은 결론을 냈습니다. 단일 글로벌 순위표보다 use case별 포트폴리오 평가가 실전 라우팅 의사결정에 더 유효하다는 겁니다.

단일 모델로 전사를 커버하려는 순간, 비용이나 성능 중 하나가 무너집니다.

기준 3: 비용/성능 → 비용/에이전틱 점수

GPT-5.5 Instant는 답변을 단어 기준 30.2%, 줄 기준 29.2% 압축합니다. 성능을 낮추지 않고 토큰 비용을 줄이는 방향입니다. 동시에 Anthropic은 Claude Code 사용 한도를 2배로 올리며 단가 인상을 예고했습니다. 공급자마다 방향이 다릅니다.

Sakana AI의 7B ‘AB-MCTS’ 실험은 더 나아갑니다. 작은 RL 컨트롤러가 여러 거대 모델을 자동 분배·지휘하는 구조 — 오케스트레이션 컨트롤러 자체가 라우팅을 학습합니다. 인간이 설계하던 라우팅 정책이 RL이 학습하는 패러다임으로 진입한 첫 신호입니다.

비용/성능 점수는 정적인 스냅샷입니다. 비용/에이전틱 점수는 “이 작업 체인을 이 비용으로 얼마나 안정적으로 완주하는가”라는 동적 질문입니다.

이게 PM에게 의미하는 것

Bloomberg 최신 노동시장 데이터를 보면 방향이 보입니다. 2025년 5월~2026년 5월 사이, AI 노출 18개 직종(약 1천만 명 규모)의 고용이 첫 번째 거시 감소 신호를 냈습니다(-0.2%). 아직 작은 숫자지만 방향은 명확합니다. 에이전틱 AI가 실행하기 시작한 작업은 결과를 냅니다.

에이전틱이 기본값이 되면 모델 전쟁의 결과가 바뀝니다. “가장 똑똑한 모델”을 쓰는 팀이 이기는 게 아니라, 작업별 라우팅과 거버넌스를 잘 설계한 팀이 이깁니다. PM이 지금 해야 할 것 세 가지입니다.

첫째, 에이전틱 평가 기준을 팀 벤치마크에 추가합니다.

모델을 평가할 때 “멀티스텝 완주율”과 “time horizon”을 기존 벤치마크 옆에 놓습니다. Anthropic METR, OpenAI SWE-bench Verified, TaskBench가 기준점입니다. 지금 팀에서 쓰는 평가 체계에 이 두 축이 없다면, 다음 모델 교체 결정이 잘못된 기준으로 내려질 가능성이 높습니다.

둘째, 작업 유형별 라우팅 맵을 그립니다.

팀에서 에이전트에 맡기는 작업 목록을 뽑고, 각 작업을 “추론 깊이 × 실행 체인 길이 × 비용 임계” 세 축으로 분류합니다. 표 한 장으로 만들어 두면 모델을 교체할 때마다 다시 처음부터 논의하지 않아도 됩니다. 이 표가 없는 팀은 모델 결정이 관성으로 굴러갑니다.

셋째, 벤더 투명성을 라우팅 기준 중 하나로 씁니다.

Claude Code v2.1.116 품질 회귀 post-mortem이 보여준 패턴입니다. 에이전트 인프라에서 문제가 생겼을 때 원인 3가지를 투명하게 공개하고 사용 한도를 전체 리셋하는 벤더와, 조용히 넘어가는 벤더는 장기 운영에서 신뢰 비용이 다릅니다. 모델 성능이 비슷한 두 선택지가 있다면 운영 투명성이 기준입니다.

자기 정의가 전략이다

OpenAI가 GPT-5.5를 “agent runtime”으로 정의한 것, Anthropic이 Claude를 M365·금융·의료 vertical에 SKU로 패키징하는 것, Google이 “에이전트 OS”를 Cloud Next에서 선언한 것 — 세 회사가 같은 달에 자기 제품을 다르게 부르기 시작했습니다.

모델을 선택하는 팀이 물어야 할 질문도 바뀝니다. “이 모델이 MMLU에서 몇 점인가”가 아니라 “우리 제품의 에이전트가 완주해야 하는 작업 체인이 몇 단계이고, 그 완주율을 어떻게 측정하고 있는가”입니다.

기준이 바뀌면 선택이 바뀝니다. 선택이 바뀌면 제품이 바뀝니다.

당신 팀의 모델 선택 기준에는 “에이전틱 완주율”이 들어 있습니까?