studio.soluta

개념 Models

모델 고르기

흰 고양이 옆에 크기가 다른 주황색 퍼핏 세 개가 큰 순서대로 서 있는 그림
큰 모델은 복잡한 판단에, 작은 모델은 요약·분류처럼 답이 분명한 일에 씁니다

모델은 AI의 두뇌 등급입니다. 같은 서비스 안에도 크기가 다른 모델이 여러 개 있고, 성능·속도·비용 세 기준으로 고릅니다.

  • 큰 모델: 복잡한 기획, 긴 문서 분석, 어려운 판단에 쓰는 대신 느리고 비쌉니다.
  • 작은 모델: 요약, 분류, 형식 변환처럼 답이 명확한 일에 쓰고, 빠르고 저렴합니다.

직군으로 보면 이렇게 갈립니다.

  • 마케터가 캠페인 카피 초안을 여러 개 뽑을 때는 작은 모델로 충분합니다.
  • 기획자가 부서별 회의록을 종합해 방향을 판단할 때는 큰 모델이 낫습니다.

처음에는 기본으로 선택된 모델로 시작하고, 답이 얕다 싶을 때 한 등급 올립니다.

직접 해보기

그대로 붙여넣기
다음 세 가지 업무에 어떤 모델 등급(가장 빠름 / 기본 / 가장 정교함)을 붙이면 좋을지 이유와 함께 한 줄씩 답해 줘. 1) 회의록에서 결정사항만 추려내기 2) 캠페인 카피 5개 초안 뽑기 3) 신사업 진출 여부를 여러 자료 근거로 판단하기

대괄호 안은 실제 값으로 바꿔서 붙여넣습니다.

내 상황에 맞춰
내가 이번 주에 처리할 업무가 있어: [한 줄로 설명]. 이 일에 빠른 모델과 정교한 모델 중 어느 쪽이 맞을지, 성능·속도·비용 세 기준으로 판단해서 알려 줘.
한 단계 더
지금 이 세션에서 쓰고 있는 모델이 뭔지 확인하고, 지금까지 나눈 대화 내용의 무게에 비춰 이 등급이 적절한지 판단해 줘.

받은 추천이 실제 일의 무게와 맞는지 다시 확인해 보세요.

헷갈리기 쉬운 것

모델 이름을 외우는 데 집착하면 서비스가 개편될 때마다 다시 헷갈립니다. 이름 대신 성능·속도·비용 세 기준으로 기억하면 이름이 바뀌어도 판단 기준은 그대로 남습니다. 반대로 항상 가장 큰 모델만 쓰면 속도와 비용에서 손해를 봅니다. 이때는 일의 난이도에 맞춰 등급을 낮추는 것이 맞습니다.

왜 이렇게 작동하나요

인쇄소에 견적을 맡기는 장면을 떠올려 보세요. 빠르고 저렴한 디지털 인쇄와 느리지만 정교한 옵셋 인쇄를 일의 성격에 따라 나눠 맡깁니다. 이해를 돕기 위한 비유입니다.

큰 모델은 답 하나를 만드는 데 거치는 계산이 많습니다. 그래서 어려운 판단에 강하고, 같은 이유로 응답이 느려지고 비용이 올라갑니다.

더 알고 싶다면

등급은 어디서 고르나요?
  • 대화형 도구는 대개 입력창 근처의 모델 선택 메뉴에서 고릅니다. 서비스마다 이름은 다르지만 구성은 비슷해서, 예를 들어 Claude는 빠른 Haiku, 중간 Sonnet, 정교한 Opus처럼 같은 계열 안에 등급을 나눠 둡니다.
  • 메뉴 이름과 위치는 개편 때마다 바뀌므로 외우는 대신, 지금 화면에서 모델이라는 말이 붙은 메뉴를 찾는 습관이 오래갑니다. 고르는 자리를 못 찾으면 기본으로 선택된 모델로 시작해도 됩니다.
  • 무료 요금제에서는 고를 수 있는 등급이 제한되기도 해서, 등급 선택이 보이지 않으면 요금제 안내부터 확인합니다.
중간 등급은 언제 쓰나요?
  • 답이 하나로 정해져 있지는 않지만 오래 판단할 필요도 없는 일에 씁니다. 문구 다듬기, 짧은 기획 메모, 자료 재구성이 여기에 들어갑니다.
  • 회의록 요약이 작은 모델의 일이고 신사업 판단이 큰 모델의 일이라면, "요약을 바탕으로 다음 주 안건 초안 잡기"처럼 그 사이에 있는 일이 중간 등급의 자리입니다.
  • 실제 운영은 중간 등급을 기본값으로 두고, 답이 얕으면 위로 올리고 단순 반복이면 아래로 내리는 식으로 양쪽 끝을 예외로 쓰면 편합니다.

같은 모델인데 답이 달라지는 이유는?

모델은 다음에 올 말을 후보 가운데 고를 때 매번 똑같이 뽑지 않고, 대화에 쌓인 맥락과 요청 문장도 매번 달라서 같은 질문에도 답이 조금씩 갈립니다. 이 고르기의 원리는 별도 카드에서 다룹니다.

LLM이 뭔가요 카드에서 다룹니다 →

용어 풀이

전체 용어집 →
모델
AI가 답을 만들어내는 엔진입니다. 같은 서비스 안에서도 크기가 다른 여러 모델을 골라 쓸 수 있습니다.

2026-07-13 기준 · 출처 · Models overview