결론부터 말할게요. Claude가 한번에 소설 7권 분량을 읽을 수 있게 됐어요.
2026년 3월 13일, Anthropic이 Claude Opus 4.6과 Sonnet 4.6에 100만(1M) 토큰 컨텍스트 윈도우를 정식 적용했어요. 추가 요금 없이요. 이게 왜 대박인지 감이 안 올 수 있으니까, 숫자로 풀어볼게요.
100만 토큰이 얼마나 되는 거예요?
솔직히 “토큰"이라는 단위 자체가 와닿지 않잖아요. 우리한테 익숙한 단위로 바꿔봤어요.
| 단위 | 대략적인 양 |
|---|---|
| 영어 단어 | 약 75만 단어 |
| A4 페이지 | 1,500~2,000페이지 |
| 소설 분량 | 5~7권 (해리포터 전권 수준) |
| 코드 파일 | 약 10만 줄 이상 |
| PDF 보고서 | 수백 페이지짜리 서너 개 |
해리포터 시리즈 전 7권이 약 108만 단어예요. Claude한테 통째로 넣고 “3권에서 시리우스 블랙이 처음 등장하는 장면 찾아줘” 하면 찾아준다는 뜻이에요. 예전엔 상상도 못 했죠.
참고로, AI 토큰 카운터로 직접 토큰 수를 계산해볼 수 있어요.
벤치마크: 숫자로 보는 찐 실력
한국 개발자분들 벤치마크 좋아하시잖아요. 표 준비했어요.
Anthropic이 공개한 MRCR v2(Multi-Round Coreference Resolution) 벤치마크 기준으로, 100만 토큰 컨텍스트에서의 정보 검색 정확도예요.
| 모델 | MRCR v2 (1M 토큰) | 컨텍스트 윈도우 | 가격 (입력/출력, 100만 토큰당) |
|---|---|---|---|
| Claude Opus 4.6 | 76~78% | 1M | $15 / $75 |
| Claude Sonnet 4.6 | ~70% (추정) | 1M | $3 / $15 |
| GPT-5.4 (OpenAI) | 36% | 1M | $10 |
| Gemini 3.1 Pro (Google) | 26% | 1M | $1.25~2.50 / $10 |
Opus 4.6이 GPT-5.4보다 2배 이상, Gemini 3.1 Pro보다 3배 정확해요. 100만 토큰짜리 문서 더미에서 특정 정보를 찾아내는 능력이 압도적이라는 뜻이에요.
참고로 MRCR v2는 “긴 문맥 속에서 여러 번 언급된 대상을 정확히 추적하는 능력"을 측정하는 벤치마크예요. 쉽게 말하면, 방대한 문서 한가운데 숨겨진 바늘을 찾는 테스트죠.
더 자세한 AI 모델별 비교는 ChatGPT vs Claude vs Gemini 비교 분석에서 확인해보세요.
가격은 얼마나 들어요?
한국 원화 기준으로 정리했어요 (1 USD ≈ 1,451 KRW).
API 사용자 (개발자)
| 모델 | 입력 100만 토큰 | 출력 100만 토큰 | 원화 환산 (입력) |
|---|---|---|---|
| Opus 4.6 | $15 | $75 | ≈ ₩21,765 |
| Sonnet 4.6 | $3 | $15 | ≈ ₩4,353 |
구독 사용자 (일반)
Claude Pro 구독(월 $20, 약 ₩29,000)이면 100만 토큰을 그냥 쓸 수 있어요. 추가 요금 없음. 이전에는 20만 토큰이었는데 5배가 늘어난 거예요. 가성비가 말도 안 되게 좋아졌죠.
포인트: OpenAI GPT-5.4도 100만 토큰을 지원하지만, 정확도가 Claude의 절반도 안 돼요. Gemini 3.1 Pro는 토큰당 가격이 제일 저렴하지만, 100만 토큰 성능이 26%로 사실상 쓸 수 없는 수준이에요. 가성비만 따지면 Sonnet 4.6이 현재 시장에서 압도적이에요.
“Lost in the Middle” — 솔직히 말할 게 있어요
여기서 한 가지 중요한 걸 짚고 넘어갈게요. 100만 토큰을 지원한다는 것과, 100만 토큰을 완벽하게 활용한다는 건 다른 얘기거든요.
“Lost in the Middle” 문제라고 해요. AI 모델이 긴 문맥의 처음과 끝은 잘 기억하는데, 중간에 있는 정보는 놓치는 현상이에요. 마치 두꺼운 책의 첫 장과 마지막 장은 기억나는데, 한가운데 내용은 가물가물한 것처럼요.
Claude Opus 4.6도 예외는 아니에요. MRCR v2에서 7678%라는 건 나머지 2224%는 놓친다는 뜻이니까요. 업계에서는 100만 토큰 기준 실질 활용률을 50~65% 정도로 봐요. 즉, 100만 토큰을 넣어도 전부 동일한 정확도로 처리하는 건 아니에요.
그래서 실무에서는 이런 전략이 필요해요:
- 중요한 정보는 앞이나 뒤에 배치 — AI가 가장 잘 기억하는 위치예요
- 구조화된 형태로 입력 — 마크다운 헤더, 번호 매기기, XML 태그 등을 활용하면 정확도가 올라가요
- 컨텍스트 엔지니어링 활용 — 어떤 정보를 어디에 배치할지 설계하는 기술이 중요해졌어요
컨텍스트 엔지니어링이 뭔지 궁금하다면, Context Engineering Master 스킬을 확인해보세요. 프롬프트에 컨텍스트를 효과적으로 배치하는 방법을 체계적으로 정리해뒀어요.
실무에서 이걸 어떻게 쓸까?
숫자만 보면 감이 안 올 수 있으니까, 한국 직장인/학생들이 바로 써먹을 수 있는 시나리오를 정리해봤어요.
1. 자기소개서 + 채용 공고 한번에 분석하기
취업 준비할 때 가장 귀찮은 게 뭐예요? 채용 공고 읽고 → 회사 정보 찾고 → 기존 자소서 뜯어고치는 루프잖아요. 100만 토큰이면 이걸 한방에 할 수 있어요.
- 지원할 회사 채용 공고 10개
- 내 기존 자기소개서 5개
- 회사 IR 자료, 뉴스 기사 등
이걸 전부 넣고 “이 회사에 맞는 자기소개서 초안 써줘"라고 하면, Claude가 회사별 톤까지 맞춰서 작성해줘요. 따로따로 복붙하면서 컨텍스트 날릴 일이 없어요.
2. 리포트 작성
대학 리포트든 회사 보고서든, 참고 자료가 문제예요. 논문 PDF 10개, 통계 데이터, 관련 기사 — 예전엔 이걸 요약해서 넣어야 했는데, 이제 원문 그대로 넣으면 돼요. 요약 과정에서 빠지는 디테일이 없으니까 결과물 퀄리티가 확 올라가요.
3. 코드 리뷰 & 리팩토링
10만 줄짜리 코드베이스를 통째로 넣을 수 있어요. 파일 하나하나 넣으면서 “아까 이 파일 기억해?” 할 필요가 없어졌어요. 전체 프로젝트의 맥락을 이해한 상태에서 리뷰해주니까, “이 함수는 저쪽 모듈이랑 충돌할 수 있어요” 같은 피드백도 가능해져요.
4. 법률/계약서 분석
계약서 몇십 페이지를 그대로 넣고, “불리한 조항 찾아줘” “이 계약서랑 저 계약서 조건 비교해줘” 같은 요청이 가능해요. 임대차 계약서, 근로계약서, 프리랜서 계약서 등 한국 실무 문서에도 그대로 적용할 수 있어요.
5. 대규모 번역 프로젝트
한영/영한 번역할 때 가장 큰 문제가 뭐였냐면, 문맥이 끊기는 거였어요. 앞에서 “이사회"로 번역한 걸 뒤에서 “이사진"으로 번역하는 식으로요. 100만 토큰이면 문서 전체를 보면서 용어 일관성을 유지할 수 있어요.
다른 AI 모델은 어떤 상황이야?
100만 토큰 전쟁이 본격적으로 시작됐어요. 주요 모델 현황을 한눈에 정리하면요.
| 모델 | 회사 | 최대 컨텍스트 | 장문 처리 성능 | 한줄 평 |
|---|---|---|---|---|
| Claude Opus 4.6 | Anthropic | 1M | MRCR 76~78% | 장문 처리 끝판왕 |
| Claude Sonnet 4.6 | Anthropic | 1M | MRCR ~70% | 가성비 최강 |
| GPT-5.4 | OpenAI | 1M | MRCR 36% | 스펙은 좋은데 실성능은 글쎄 |
| Gemini 3.1 Pro | 1M | MRCR 26% | 가격은 최저, 정확도는 아쉬움 | |
| Gemini 2.5 Flash | 1M | 빠르지만 깊이 부족 | 속도 우선이면 OK | |
| GPT-4o | OpenAI | 128K | — | 여전히 범용 선택지 |
여기서 포인트: 컨텍스트 윈도우 크기 ≠ 실제 성능이에요. 세 회사 다 100만 토큰을 지원하지만, 그 안에서 정보를 정확히 찾아내는 능력은 Claude가 압도적으로 앞서 있어요. GPT-5.4는 같은 100만 토큰인데 정확도가 절반도 안 되거든요.
그래서 누가 쓰면 좋을까?
모든 사람한테 필요한 건 아니에요. 솔직히 짧은 질문-답변이면 10만 토큰으로도 충분하거든요. 근데 이런 분들한테는 진짜 게임 체인저예요.
꼭 써봐야 하는 사람:
- 취준생/이직러: 자소서 + 채용 공고 + 포트폴리오를 한번에 분석하고 싶은 분
- 개발자: 대형 코드베이스 리뷰, 레거시 코드 분석이 필요한 분
- 대학원생/연구원: 논문 여러 편을 동시에 참고하며 리서치하는 분
- 콘텐츠 크리에이터: 시리즈물 집필할 때 전체 스토리라인 일관성 유지가 필요한 분
- 법무/계약 담당: 복수의 계약서를 비교 분석해야 하는 분
굳이 안 써도 되는 사람:
- 간단한 질문-답변 위주라면 기존 모델로 충분
- 일반 채팅에는 체감 차이가 크지 않음
실전 꿀팁: 100만 토큰 제대로 활용하는 법
100만 토큰을 무작정 채우는 건 비효율적이에요. 몇 가지 팁 알려드릴게요.
1. 중요도 순서로 배치하세요
앞에서 말한 “Lost in the Middle” 때문에, 가장 중요한 정보는 대화 시작 부분이나 끝부분에 넣으세요. 참고 자료는 중간에요.
2. 구조를 명확하게 잡으세요
## 섹션 1: 핵심 요구사항
(여기에 가장 중요한 지시사항)
## 섹션 2: 참고 자료
(여기에 문서, 데이터 등)
## 섹션 3: 출력 형식
(원하는 결과물 형태)
이렇게 마크다운으로 구조화하면 AI가 훨씬 정확하게 처리해요.
3. 단계별로 나누세요
100만 토큰을 한번에 다 쏟아붓기보다, 먼저 핵심 문서로 분석하고 → 추가 자료를 넣으면서 보강하는 방식이 결과물이 더 좋아요.
4. 검증 질문을 던지세요
긴 문맥을 넣은 뒤에 “방금 넣은 자료 중에서 X에 대한 내용이 어디 있었어?“라고 물어보세요. AI가 제대로 파악하고 있는지 확인하는 거예요.
Claude 프롬프트 최적화에 관심 있으시면, 프롬프트 엔지니어링 강좌도 추천해요. 실전에서 바로 쓸 수 있는 테크닉을 다루고 있거든요.
앞으로 어떻게 될까?
솔직히 2025년 초만 해도 20만 토큰이 대단하다고 했어요. 1년 만에 5배가 됐죠. 이 추세면 2027년에는 1,000만 토큰도 가능할 수 있어요.
근데 중요한 건 단순히 숫자가 커지는 게 아니라, 실질 활용률이 올라가는 것이에요. 100만 토큰 넣었는데 5065%만 제대로 처리한다면, 숫자가 커져도 의미가 제한적이잖아요. Anthropic이 MRCR에서 7678%를 찍었다는 건, 이 문제를 가장 적극적으로 풀고 있다는 뜻이에요.
“컨텍스트 윈도우가 커진다"는 건 결국 AI가 우리 업무의 더 많은 맥락을 이해할 수 있게 된다는 거예요. 파일 하나가 아니라 프로젝트 전체를, 문서 한 장이 아니라 부서 전체 히스토리를 보는 거죠. 이건 단순한 스펙 업그레이드가 아니라 일하는 방식 자체가 바뀌는 거예요.
마무리
정리하면요.
- Claude Opus 4.6 & Sonnet 4.6: 100만 토큰, 추가 요금 없음 (3월 13일 정식 출시)
- 벤치마크 (MRCR v2, 1M 기준): Claude 76~78% vs GPT-5.4 36% vs Gemini 3.1 Pro 26%
- 실질 활용률: 50~65% — “Lost in the Middle” 감안해야 함
- 가성비 끝판왕: Sonnet 4.6 (입력 ₩4,353/100만 토큰)
- 실무 활용: 자소서 분석, 코드 리뷰, 리포트 작성, 계약서 비교, 대규모 번역
100만 토큰이라는 숫자가 중요한 게 아니라, 그 안에서 얼마나 정확하게 정보를 찾아내느냐가 진짜 실력이에요. 그리고 지금 기준으로 그 실력은 Claude가 확실히 앞서 있어요.
궁금한 점이나 실무에서 써본 경험 있으시면 댓글로 알려주세요. AI 모델 비교가 더 궁금하시면 ChatGPT vs Claude vs Gemini 완전 비교 글도 참고해보세요.
다음 글에서 더 유용한 AI 활용법으로 찾아올게요!
