챗GPT Work 채팅창 등급 비교 — 라이트·중간·높음·매우 높음, 뭐가 달랐을까? 🔍

 

🧪 이번 실험
ChatGPT Work 채팅창에서 같은 블로그 원고를 라이트·중간·높음·매우 높음 노력 등급에 차례로 맡겨봤습니다. 같은 모델과 같은 요청을 사용해도 노력 등급을 높이면 완전히 다른 문제를 발견할까요? 아니면 같은 문제를 더 깊고 구체적으로 검토할까요?

 

일반 Chat과 Work

먼저, 일반 Chat과 Work는 무엇이 달랐을까? 💬

 

처음에는 저도 Work를 일반 채팅창의 다른 모습 정도로 생각했습니다.

하지만 OpenAI의 설명을 확인해보니 둘은 권장하는 작업이 달랐습니다.

 

구분일반	Chat	ChatGPT Work
알맞은 작업	질문, 설명, 아이디어 탐색, 짧은 초안	조사, 분석, 여러 단계의 작업, 완성된 결과물 제작
작업 방식	대화를 통해 답을 얻음	파일과 도구를 활용해 검토할 결과물을 만듦
사용 예	짧은 문장 수정, 간단한 조언	원고 전체 검토, 자료 비교, 문서·파일 제작

 

공식 안내에서는 답변이나 설명, 브레인스토밍, 짧은 초안에는 Chat을 사용하고, 명확한 결과가 필요한 분석이나 파일 제작에는 Work를 사용하라고 설명합니다. Work는 코딩 전용 도구가 아니라 일상적인 글과 문서 작업에도 사용할 수 있습니다. ChatGPT Work 공식 안내

이번에 제가 한 일은 원고 전체를 여러 기준으로 검토하고, 네 등급의 결과를 비교해 발행할 글로 정리하는 작업이었습니다. 그래서 이번 실험은 일반 Chat이 아니라 ChatGPT Work에서 진행했습니다.

 

 

 

그런데 왜 채팅창 추론 수준(노력) 등급을 나눠놓았을까? 🎚️

 

등급이 높을수록 더 꼼꼼하다면, 처음부터 모든 작업을 매우 높음으로 실행하면 될 것처럼 보입니다.

하지만 노력 등급은 답의 좋고 나쁨을 미리 정하는 순위라기보다, 작업에 어느 정도의 검토가 필요한지를 선택하는 기능에 가까웠습니다.

OpenAI는 라이트를 빠르고 범위가 분명한 작업에, 중간을 속도와 깊이의 균형이 필요한 작업에, 높음과 매우 높음을 여러 단계·자료·조건을 살펴야 하는 어려운 작업에 권하고 있습니다. 높은 노력 등급은 복잡한 작업에서 결과를 개선할 수 있지만, 답변 시간이 길어지고 사용하는 토큰도 늘어날 수 있습니다. ChatGPT Work 모델·노력 등급 안내

크레딧도 이유 중 하나였습니다.

ChatGPT Work 공식 안내에는 길거나 복잡한 작업일수록 더 많은 크레딧을 사용할 수 있다고 적혀 있습니다. 다만 이번에 확인한 공식 안내에서는 라이트와 매우 높음이 각각 몇 크레딧을 사용하는지, 등급에 따라 몇 배가 차감되는지에 관한 고정 기준은 찾지 못했습니다. ChatGPT Work 크레딧 안내

따라서 이번 글에서는 크레딧 사용량을 직접 비교하지 않고, 같은 작업에서 답변 내용이 어떻게 달라졌는지만 살펴봤습니다.

 

🧪 실험1 : 같은 원고와 같은 요청을 네 번 사용했다

 

💭 예상 : 노력 등급이 높을수록 더 많은 문제를 발견할 것이다.

 

✅ 결과 : 발견한 문제의 수보다, 문제를 설명하고 수정하는 깊이에서 차이가 났습니다.

 

검토에 사용한 글은 제가 실제로 겪은 이미지 수정 실패를 정리한 원고였습니다.

인스타그램 카드뉴스 속 ‘외로움’의 마지막 글자 ‘움’이 잘못 생성되어 세 번이나 수정을 요청했지만, 비슷한 오류가 반복된 경험을 쓴 글입니다.

네 번의 검토에서는 원고와 모델을 바꾸지 않고, 노력 등급만 변경했습니다. 요청 문구도 모두 같았습니다.

이 글에서 중복되는 내용, 기술적으로 단정적인 표현, 문단 순서를 검토해줘. 건드리지 않아도 되는 부분도 구분해서 알려줘.

 

비교한 조건은 다음과 같습니다.

구분	사용한 조건
원고	동일한 이미지 글자 수정 실패 원고
모델	동일한 모델로 고정
요청	동일한 검토 프롬프트
변경한 조건	라이트·중간·높음·매우 높음 노력 등급
비교 기준	문제 발견, 수정안, 근거 검증, 유지할 부분의 판단

※ 노력 등급의 이름은 실험 당시 ChatGPT Work 화면에 표시된 명칭을 그대로 적었습니다.

 

🧪 실험2 : 라이트도 핵심 문제를 이미 발견했다

 

💭 예상 : 라이트는 눈에 띄는 오탈자나 반복만 간단히 짚을 것이다.

 

✅ 결과 : 예상보다 훨씬 꼼꼼했습니다.

 

라이트부터 원고의 핵심 문제를 대부분 찾아냈습니다.

• ‘작업 방식을 바꿔야 했다’는 결론이 여러 번 반복된 점
• 이미지가 ‘픽셀로 예측된다’거나 ‘전체를 다시 생성한다’는 설명이 단정적으로 들릴 수 있는 점
• 실패와 원인 설명의 순서를 조정하면 흐름이 더 자연스러워지는 점
• 표의 제목이 한 칸에 합쳐진 형식 오류

처음에는 노력 등급이 낮으면 중요한 문제를 놓칠 것이라고 생각했습니다. 하지만 적어도 이번 원고에서는 라이트도 글을 고치는 데 필요한 핵심 문제를 찾아냈습니다.

따라서 이번 결과를 ‘라이트는 못하고 매우 높음은 잘한다’고 정리하기는 어려웠습니다.

 

🧪 실험3 : 등급이 올라갈수록 답은 더 구체적으로 변했다

 

💭 예상 : 높은 등급에서는 라이트가 보지 못한 새로운 문제들이 계속 추가될 것이다.

 

✅ 결과 : 새로운 지적이 크게 늘어나기보다, 같은 문제를 더 정확하게 설명하고 바로 적용할 수 있는 수정안이 붙었습니다.

 

중간 등급부터는 단순히 “이 내용이 반복됩니다”라고 말하는 데서 그치지 않았습니다. 원문을 직접 인용하고, 어떤 문장을 삭제하거나 어느 위치로 옮길지 제안했습니다.

예를 들어 원고에는 비슷한 결론이 세 군데에 있었습니다.

프롬프트를 더 자세히 쓰는 것보다 작업 방식을 바꿔야 했다.

 

중간 등급은 이 주장을 모두 없애기보다, 본문에서는 짧게 설명하고 가장 인상적인 문장을 결말에 남기자고 제안했습니다.

높음과 매우 높음에서는 기술적인 표현을 더 조심스럽게 다뤘습니다.

AI는 이미지를 고치는 대신 다시 만들고 있었습니다.

 

이 문장이 이미지 편집 기능 자체를 부정하는 것처럼 읽힐 수 있다며 다음처럼 바꾸자고 했습니다.

AI는 글자를 타이핑하듯 바꾸고 있지 않았습니다.

 

또 ‘픽셀을 예측한다’는 내부 작동 원리보다, 이미지 속 글자가 편집 가능한 텍스트 상자가 아니었다는 관점으로 설명하는 편이 독자에게 더 정확하다고 판단했습니다.

높음 이상의 결과에서는 OpenAI 공식 문서를 근거로 이미지 편집 기능의 설명과 한계도 확인했습니다. 매우 높음은 여기에 문장을 옮길 위치와 합칠 문단까지 제안하며 원고 전체의 흐름을 더 세밀하게 정리했습니다.

 

네 결과를 비교하면 차이는 대략 이랬습니다.

비교 기준	라이트	중간	높음	매우 높음
문제 발견	핵심 문제를 대부분 발견	문제를 항목별로 더 세분화	기술적 위험까지 구체화	세부 문장과 위치까지 점검
수정안	고칠 방향을 제안	원문 인용과 대체 문장 제시	바로 사용할 문장과 근거 제시	삭제·이동·통합까지 함께 제안
근거 검증	원고 안의 맥락 중심	표현의 정확성과 구조 중심	공식 문서로 기술 설명 확인	근거와 독자의 이해 순서까지 함께 검토
유지할 부분	일부 좋은 문장 구분	살릴 결론을 선택	고칠 부분과 유지할 부분을 분리	글의 철학을 담당하는 문장을 선별

※ 다만 이 표가 네 등급의 절대적인 능력 차이를 뜻하는 것은 아닙니다. 한 편의 원고와 하나의 요청으로 제가 직접 확인한 결과입니다.

 

🧪 실험4 : 매우 높음은 항상 필요한가

 

💭 예상 : 가장 높은 노력 등급을 쓰는 것이 언제나 가장 좋은 선택일 것이다.

 

✅ 결과 : 작업의 목적에 따라 달랐습니다.

 

짧은 요약이나 문장 다듬기, 초안의 방향 확인처럼 범위가 분명한 작업에서는 라이트부터 시작해도 충분해 보였습니다. 이번 실험에서도 라이트가 핵심 문제를 대부분 발견했고, 빠르게 수정 방향을 잡는 데 큰 문제가 없었습니다.

반면 실제로 발행할 글을 마지막으로 다듬거나, 기술적인 설명이 사실과 맞는지 확인하거나, 여러 조건을 함께 검토해야 할 때는 높음 이상의 결과가 유용했습니다. 문제를 지적하는 데서 끝나지 않고 대체 문장과 근거까지 제시해 제가 다시 판단해야 할 범위를 줄여줬기 때문입니다.

크레딧까지 생각하면 선택 기준은 더 분명해졌습니다. 간단한 작업까지 모두 매우 높음으로 처리하기보다 라이트로 먼저 확인하고, 결과가 부족하거나 중요한 최종 검토가 필요할 때 등급을 높이는 편이 효율적이었습니다.

매우 높음은 높음과 완전히 다른 답을 내놓는다기보다, 문장 하나를 어디에 둘지와 무엇을 남길지까지 더 오래 살피는 쪽에 가까웠습니다.

다만 이번 결과는 한 편의 블로그 원고를 검토한 경험입니다. 코딩이나 자료 조사, 긴 문서 분석에서도 같은 차이가 나타나는지는 아직 알 수 없습니다.

이번 실험에서 확인한 차이는 ‘정답을 찾는 능력’보다 ‘검토의 해상도’였습니다.

이번 실험 뒤에는 이런 질문이 남았습니다.

AI가 더 오래 생각해준 답이 항상 더 좋은 답일까요? 아니면 지금 하는 작업에 필요한 검토의 깊이를 선택하는 것이 더 중요할까요?

 

 

📌 Lab Note

 

✔ 라이트도 핵심 문제를 대부분 발견했으며, 노력 등급이 올라갈수록 새로운 문제의 수보다 원문 인용·대체 문장·공식 근거·유지할 부분의 판단이 더해졌습니다.

 

👀 다음 편 예고

 

다음에는 노력 등급을 중간으로 고정하고 모델만 바꿔보겠습니다. 같은 원고와 요청에서도 모델에 따라 검토 방식이 달라지는지 확인해볼 예정입니다.

---

- 결과와 감상 위주의 이야기는 내친구AI에서도 만나보실 수 있어요 😊