Asana, GPT-6.1 Sol로 브라우저 에이전트 비용 76배 절감

배경

OpenAI가 2026년 10월 9일 공개한 고객 사례에 따르면, 프로젝트 관리 소프트웨어 기업 Asana는 Codex 안에서 GPT-6.1 Sol을 사용해 자사 브라우저 에이전트를 새로 만들었다. 테스트에서 이 에이전트는 비용이 76배 낮아지고 속도는 5배 빨라졌다. Asana는 이 개선 덕분에 호출마다 큰 비용을 치르지 않고도 고객에게 더 강력한 모델을 제공할 여지가 생겼다고 설명한다.

다만 공개된 자료는 신중하게 읽어야 한다. 수치는 테스트 환경에서 나온 결과다. 어떤 과제 묶음을 썼는지, 비교 기준이 된 모델이 무엇인지, 비용을 어떤 방식으로 계산했는지는 요약에 나와 있지 않다. 그래서 두 배수는 규모를 보여 주는 신호로 보는 편이 맞고, 다른 환경에서도 그대로 재현된다는 약속으로 읽으면 곤란하다.

브라우저 에이전트는 구조적으로 비용이 많이 드는 도구다. 웹페이지의 구조나 스크린샷을 읽고 무엇을 클릭하고 입력할지 정한 뒤, 바뀐 화면을 다시 읽는 과정을 작업이 끝날 때까지 되풀이한다. 한 작업에 십수 단계에서 수십 단계가 걸리고, 단계마다 페이지 내용과 이전 맥락이 모델에 다시 들어가므로 토큰이 쌓이고 지연도 누적된다.

심층 분석

비용과 속도는 같은 문제의 두 얼굴이다. 단계가 늘고 맥락이 길어질수록 청구액도 커지고 사용자가 기다리는 시간도 길어진다. 비용이 두 자릿수 배수로 내려간 것은 더 싼 모델로 바꾼다고 되는 일이 아니고, 여러 요인이 겹친 결과일 가능성이 크다. 모델 쪽에서는 더 강한 모델이 같은 작업을 더 적은 단계로 끝내고, 페이지 정보를 더 정확히 읽고, 오류 뒤 재시도를 줄였을 수 있다. 엔지니어링 쪽에서는 모델에 들어가는 페이지 내용을 줄이거나, 캐시된 맥락을 재사용하거나, 결정적인 코드로 처리할 수 있는 단계를 모델 호출에서 떼어 내는 방식이 가능하다.

이 사례에는 놓치기 쉬운 고리도 있다. Asana는 코딩 에이전트인 Codex 안에서 이 작업을 했다. AI 도구로 AI 제품의 운영 효율을 끌어올린 셈이고, 최종 제품 속 모델뿐 아니라 코딩 에이전트도 재구성에 참여했다는 뜻이다. 76배 가운데 모델이 얼마나 기여했고 재작성이 얼마나 기여했는지는 공개 정보에 나뉘어 있지 않다. 이 구분은 중요하다. 대부분이 엔지니어링 덕이라면 다른 기업도 어떤 모델로든 따라갈 수 있지만, 모델 덕이라면 특정 공급자에게 의존하는 이득이다. 추가 자료가 나오기 전까지는 신중한 태도가 맞다.

산업 영향

이 사례는 에이전트 제품의 가장 현실적인 모순을 건드린다. 기업용 소프트웨어 업체는 에이전트를 기능으로 내놓고 싶지만, 호출당 모델 비용 때문에 눈에 띄는 기능이 대규모 사용 단계에서 적자 항목이 될 수 있다. 작업당 비용이 예전의 수십 분의 일로 내려가면 여러 가지가 동시에 바뀐다. 첫째, 기능을 비싼 요금제에 가두지 않고 더 많은 사용자에게 기본으로 열 수 있다. 둘째, 아낀 예산으로 핵심 작업에 더 강한 모델을 써서 성공률을 높일 수 있고, Asana가 말한 더 강력한 모델 제공이 바로 이것이다. 셋째, 속도가 5배 빨라지면 사용 방식이 달라진다. 몇 초 안에 끝나는 동작은 일상 업무 흐름에 넣을 수 있지만, 몇 분 걸리는 동작은 백그라운드 작업으로만 쓸 수 있다.

작업 관리 플랫폼에서 브라우저 에이전트의 가치는 사용자 대신 여러 시스템에 걸친 반복 작업을 처리하는 데 있다. 작업 정리, 상태 동기화, 공개 API가 없는 웹 도구 사이의 정보 옮기기가 그 예이며, 이런 장면은 지연과 건당 비용에 모두 민감하다. 시장 전체로는 세 층위의 영향이 있다. 모델 공급자에게는 고객 사례가 벤치마크 점수 대신 작업당 실제 비용과 소요 시간을 보여 주는 쪽으로 옮겨 가고, 경쟁 축도 가장 강한 모델에서 가격 대비 쓸 만한 모델로 이동한다. Notion, Atlassian, Salesforce처럼 에이전트 기능을 밀고 있는 동종 업체는 비용 하락이 입증되면 높은 추론 비용을 가격 책정의 변명으로 쓰기 어려워지고, 차별점은 데이터, 권한, 워크플로 통합의 깊이로 옮겨 간다. 독립 브라우저 에이전트 스타트업은 압박이 더 크다. 대형 플랫폼이 낮은 비용으로 에이전트를 돌리면서 사용자의 업무 데이터까지 쥐고 있으면, 범용 자동화 도구는 신뢰성이나 특정 분야에서 분명한 강점을 보여야 한다.

전망

앞으로 볼 신호는 네 가지다. 먼저 세부 공개 여부다. 작업 성공률, 표본 규모, 기존 방식과의 비교 조건, 모델과 엔지니어링의 기여 비중이 나오면 사례를 판단하고 재현하기가 훨씬 쉬워진다. 다음은 가격이다. 절감분이 고객용 요금제에 반영되고 더 많은 사용자에게 기능이 열린다면 제품 전략이 된 것이고, 내부 마진으로만 남는다면 시장에 주는 영향은 작다. 세 번째는 신뢰성이다. 비용이 내려가도 사이트 개편, 로그인 검증, 권한 경계, 오작동 위험은 사라지지 않는다. 기업 고객은 결국 안정성과 감사 가능성으로 이 기능을 평가할 것이다. 마지막은 다른 모델 업체의 대응으로, 비슷한 비용과 속도 수치로 맞서면 작업당 비용을 중심으로 한 경쟁이 빠르게 시작될 수 있다.

이 사례의 가치는 두 배수 자체보다 그것이 가리키는 방향에 있다. 에이전트가 시연을 넘어 매일 쓰는 기본 기능이 되려면 운영 비용이 충분히 낮아져야 한다. Asana의 테스트는 그 길 위의 이른 데이터 하나이며, 더 넓은 검증이 필요하다.