Claude Opus 4.8 출시: 코딩·에이전트 벤치마크는 얼마나 올랐나

Anthropic이 2026년 5월 28일 Claude Opus 4.8을 내놨습니다. 버전 숫자만 보면 0.1 올린 소수점 업데이트입니다. 그런데 발표 내용을 뜯어보면 이야기가 다릅니다. 가격은 그대로 묶어둔 채, 가장 까다로운 코딩 벤치마크에서 4.9포인트를 끌어올렸고, “코드 결함을 놓치지 않는” 정직성 지표는 4배 개선됐습니다 — Anthropic. 여기에 Claude Code용 동적 워크플로우(Dynamic Workflows)라는 새 실행 방식까지 얹었습니다. 이 글은 무엇이 실제로 바뀌었고, 경쟁 모델과 어떻게 갈리는지, 실무자가 지금 무엇을 결정해야 하는지를 데이터로 정리합니다.

핵심 요약

• Opus 4.8은 SWE-bench Pro에서 69.2%를 기록해 Opus 4.7(64.3%)보다 4.9포인트 올랐습니다 — Anthropic.
• 입력·출력 토큰 가격은 100만 토큰당 5달러·25달러로 4.7과 동일하게 동결됐습니다 — Anthropic.
• 코드 결함을 표시 없이 통과시킬 확률이 4.7보다 4배 낮아졌습니다 — Anthropic.
• Claude Code의 동적 워크플로우는 수백 개의 서브에이전트를 병렬 오케스트레이션합니다 — Anthropic·TechCrunch.

무엇이 달라졌나?

Opus 4.8은 Opus 4.7을 같은 가격으로 대체하는 직접 업그레이드입니다. 코딩·에이전트·추론·실무 지식 작업 전반에서 전작을 앞섭니다 — Anthropic. 핵심 변화는 네 가지로 압축됩니다. 동적 워크플로우, 작업 도중 system 메시지 삽입, 선택형 Fast 모드, 그리고 정렬 평가에서의 정직성 향상입니다.

표면적으로는 점진적 개선처럼 보입니다. 하지만 변화의 무게중심이 “한 번의 답변 품질”에서 “긴 작업을 끝까지 끌고 가는 능력”으로 옮겨갔다는 점이 중요합니다. Claude Code는 Opus 4.8과 함께 수십만 줄 규모의 코드베이스 마이그레이션을 착수부터 병합까지 수행할 수 있고, 기존 테스트 스위트를 통과 기준으로 삼습니다 — TechCrunch.

META TOUR의 분석: 버전 숫자보다 “기준선이 바뀌었다”는 점이 핵심입니다. 0.1 업데이트가 가장 어려운 벤치마크에서 5포인트 가까이 움직였다면, 그건 마이너 패치가 아니라 세대 교체에 가깝습니다.

잠깐, SWE-bench가 뭔가요? — 벤치마크 용어 풀이

본격적인 점수 이야기에 앞서, 자주 나오는 시험 이름부터 한 줄씩 풀어둡니다. 숫자보다 ‘무엇을 재는 시험인지’를 알아야 점수가 읽힙니다.

• SWE-bench: AI가 실제 깃허브(GitHub)에 올라온 버그·기능 요청을 직접 고치는 시험입니다. 진짜 코드 저장소와 문제 설명을 주고, AI가 코드를 수정해 그 프로젝트의 테스트를 통과시키면 정답으로 칩니다 — swebench.com.
• SWE-bench Verified: 위 시험에서 문제가 모호하거나 깨진 항목을 사람이 걸러낸 검증된 500문항 묶음입니다. 그만큼 깔끔하고 쉬운 편이라 상위 모델들의 점수가 이미 88% 안팎으로 몰려 있습니다(포화) — swebench.com.
• SWE-bench Pro: 가장 어려운 변형입니다. 여러 파일을 동시에 손봐야 하고, 정답이 인터넷에 노출되지 않은 활성 저장소에서 뽑아 ‘AI가 외워서 푸는 것’을 막았습니다. 실제 개발자가 마주하는 난도에 가깝습니다 — morphllm.
• Terminal-Bench: AI가 명령줄 터미널에서 사람처럼 일하는지 봅니다. 파일을 살피고 명령을 실행하고 디버깅하는 여러 단계 작업으로, 최상위 모델도 절반 남짓만 풉니다 — tbench.ai.
• OSWorld: AI가 마우스·키보드로 진짜 컴퓨터를 조작해 실제 앱으로 과제를 끝내는지 평가합니다(사람 정답률 약 72%) — os-world.github.io.
• GPQA Diamond / GDPval / HLE: 각각 박사 수준 과학 난제 198문항, 실제 직업 44종의 경제적 가치가 있는 업무, 인간 전문가 지식의 한계에 가까운 초고난도 학술 시험을 뜻합니다 — Artificial Analysis·OpenAI.

이름이 낯설어도 핵심은 하나입니다. 요즘 AI 평가는 ‘퀴즈 정답 맞히기’에서 **‘실제 일을 끝까지 해내기’**로 옮겨갔다는 것. 그래서 코딩 모델의 진짜 실력은 쉬운 시험이 아니라 Pro·Terminal 같은 어려운 시험에서 갈립니다.

벤치마크로 본 코딩 성능

코딩 성능 향상의 진짜 신호는 SWE-bench Pro에 있습니다. Opus 4.8은 이 벤치마크에서 69.2%를 기록해 Opus 4.7의 64.3%에서 4.9포인트 올랐습니다 — Vellum. SWE-bench Verified는 87.6%에서 88.6%로 1.0포인트 오르는 데 그쳤는데, 이는 Verified가 이미 포화 구간에 들어섰기 때문입니다. 난도가 높은 변형일수록 격차가 더 벌어집니다.

오른 지표만 있는 건 아닙니다. Terminal-Bench 2.1은 66.1%에서 74.6%로 크게 뛰었고, 경제 가치 평가 GDPval-AA에서는 1890 Elo로 GPT-5.5(1769)와 Gemini 3.1 Pro(1314)를 제치고 선두에 올랐습니다 — Vellum. 특히 눈에 띄는 건 수학입니다. 미국 수학올림피아드(USAMO) 2026 문제에서 Opus 4.8은 96.7%를 기록해, 전작 Opus 4.7의 69.3%에서 27포인트 넘게 뛰었습니다 — llm-stats. 반대로 GPQA Diamond는 93.6%로 전작(94.2%)보다 소폭 내려, 모든 지표가 일제히 향상된 것은 아닙니다. 코드 작성뿐 아니라 터미널 실행·수학·경제적 가치 평가까지 끌어올린, 균형 잡힌 업그레이드입니다.

META TOUR의 관점: Verified 점수만 보고 “거의 안 올랐다”고 판단하면 오독입니다. 포화된 쉬운 벤치마크가 아니라, 실제 엔지니어가 마주하는 어려운 과제(Pro)에서 5포인트가 움직였다는 게 현장 체감을 가릅니다.

GPT-5.5·Gemini 3.1 Pro와 비교하면?

에이전트형 코딩에서 Opus 4.8은 경쟁 모델을 뚜렷한 격차로 앞섭니다. SWE-bench Pro 기준 Opus 4.8은 69.2%로, GPT-5.5(58.6%)를 10.6포인트, Gemini 3.1 Pro(54.2%)를 15포인트 앞섰습니다 — Vellum. 컴퓨터 사용 벤치마크 OSWorld-Verified에서도 83.4%로 GPT-5.5(78.7%)와 Gemini 3.1 Pro(76.2%)를 위에서 눌렀습니다.

추론 영역에서도 우위가 유지됩니다. 다분야 난제 평가인 Humanity’s Last Exam에서 Opus 4.8은 도구 없이 49.8%, 도구 사용 시 57.9%를 기록해 GPT-5.5를 앞섰습니다 — Vellum. 모든 항목에서 1위는 아니지만, 에이전트가 길게 일해야 하는 작업일수록 격차가 커진다는 패턴이 일관되게 나타납니다.

단, 한 가지는 짚고 넘어가야 합니다. 위 비교 점수들은 각 개발사가 자체 환경에서 측정해 발표한 값입니다. 제3자가 같은 잣대로 다시 재는 표준 리더보드(예: Scale의 SWE-bench Pro)에서는 같은 모델군이 10~30포인트씩 낮게 나오기도 합니다 — morphllm. 방향성(앤트로픽이 에이전트 코딩에서 앞선다)은 여러 자료에서 일관되지만, 절대 수치 자체는 ‘회사 발표 기준’이라는 점을 염두에 두는 게 정확합니다.

META TOUR의 분석: 벤치마크 1~2포인트 차이는 마케팅 노이즈인 경우가 많습니다. 그런데 10~15포인트 격차라면 이야기가 다릅니다. 에이전트 코딩에서 이 정도 차이는 실제 작업 완수율에서 체감으로 드러납니다. 다만 숫자를 곧이곧대로 믿기보다, ‘누가 어떤 환경에서 잰 점수인가’를 함께 보는 습관이 발표 점수와 실무의 간극을 줄여줍니다.

동적 워크플로우(Dynamic Workflows)의 작동 방식

동적 워크플로우는 Claude Code가 수백 개의 서브에이전트를 병렬로 오케스트레이션하는 새 실행 방식입니다 — Anthropic. 보도 기준 동시 실행은 16개, 한 번의 실행당 총 1,000개로 상한이 설정돼 있습니다 — MarkTechPost. 동작 원리는 단순합니다. 사용자가 작업을 설명하면 Claude가 그 작업을 오케스트레이션하는 자바스크립트 스크립트를 직접 작성하고, 런타임이 이를 백그라운드에서 실행한 뒤 결과를 검증해 돌려줍니다.

이게 왜 중요할까요? 기존에는 하나의 컨텍스트 창이 감당할 수 있는 일의 규모가 한계였습니다. 동적 워크플로우는 그 한계를 분산 실행으로 넘깁니다. “작업을 계획한 뒤 한 세션에서 수백 개의 병렬 서브에이전트를 돌려라”고 지시하면, Claude가 결과를 검증한 다음에야 사용자에게 반환합니다 — TechCrunch.

기능은 연구 프리뷰 단계로 제공되며, CLI·데스크톱 앱·VS Code 확장에서 쓸 수 있습니다. 이용 가능한 요금제는 Max·Team·Enterprise입니다(Enterprise는 관리자가 켜야 활성화) — MarkTechPost. 한 가지 짚을 점은 보도된 1,000개 상한이 안전장치라는 사실입니다. 무한정 에이전트를 풀어놓는 게 아니라, 비용과 폭주를 막는 명시적 한계 안에서 대규모 작업을 돌립니다.

정직성 개선이 실무에 미치는 영향

이번 업데이트에서 벤치마크 숫자보다 사용자가 한 세션 안에서 더 빨리 체감하는 변화는 정직성 개선입니다. Opus 4.8은 코드 결함을 표시 없이 통과시킬 확률이 Opus 4.7보다 4배 낮습니다 — Anthropic. 코드 리뷰를 맡겼을 때 “문제없다”고 어물쩍 넘어가는 빈도가 크게 줄었다는 뜻입니다.

이는 단순한 정확도 이상의 문제입니다. AI에게 검토를 맡기는 이유는 사람이 놓친 결함을 잡기 위해서입니다. 그런데 모델이 결함을 보고도 지적하지 않으면, 검토 자체가 무의미해집니다. 한 테스터는 “올바른 질문을 던지고, 실수를 잡아내며, 부실한 계획에는 반대 의견을 낸다”고 평했습니다 — Anthropic. 무비판적 동의가 줄고 비판적 판단이 늘었다는 신호입니다.

META TOUR의 관점: 코딩 점수 5포인트보다 “결함 누락 4배 감소”가 실무에선 더 큽니다. 점수는 합격선을 넘느냐의 문제지만, 정직성은 그 AI를 검토자로 신뢰할 수 있느냐의 문제입니다. 신뢰가 없으면 자동화 자체가 성립하지 않습니다.

가격과 Fast 모드 — 무엇을 선택해야 하나?

가격은 변하지 않았습니다. 표준 사용 기준 입력 100만 토큰당 5달러, 출력 100만 토큰당 25달러로 Opus 4.7과 동일합니다 — Anthropic. 성능은 올랐는데 비용은 그대로라는 건, 같은 예산으로 더 나은 결과를 얻는다는 의미입니다. 모델 교체에 따른 비용 재산정 부담이 없다는 점도 도입 결정을 쉽게 만듭니다.

새로 추가된 Fast 모드는 별도 선택지입니다. 이전 모델 대비 2.5배 빠른 속도를 제공하며, 가격은 입력 10달러·출력 50달러로 표준의 두 배입니다 — Anthropic·The New Stack. 속도가 결과물 가치를 좌우하는 작업(대화형 디버깅, 빠른 반복 작업)이라면 Fast 모드가, 비용 효율이 우선이거나 백그라운드로 돌려도 되는 대량 작업이라면 표준 모드가 합리적입니다.

여기에 claude.ai 사용자는 응답의 노력 수준(effort)을 직접 선택할 수 있게 됐습니다. 노력 수준은 응답 속도와 토큰 사용량에 직접 영향을 줍니다 — Anthropic. 또한 Messages API는 작업 도중 system 항목을 추가해도 프롬프트 캐시를 깨뜨리지 않도록 개선됐습니다. 긴 에이전트 작업에서 캐시를 유지한 채 지시를 갱신할 수 있다는 점은 비용과 지연 양쪽에 유리합니다.

이 업데이트가 시장에 보내는 신호

Opus 4.8은 프런티어 모델 경쟁이 “단발 성능 자랑”에서 “장시간 에이전트 작업의 신뢰성”으로 이동하고 있음을 보여줍니다. 가격을 동결한 채 가장 어려운 벤치마크를 끌어올리고, 결함 누락을 4배 줄이며, 수백 개 서브에이전트 오케스트레이션을 정식 기능으로 묶은 조합이 그 방향을 가리킵니다 — TechCrunch.

업계 맥락도 무시할 수 없습니다. 흥미롭게도 Anthropic은 Opus 4.8을 공개한 바로 그날(2026-05-28), 약 650억 달러 규모의 투자를 유치하며 기업가치 약 9,650억 달러를 인정받았다고 발표했습니다 — 테크크런치. 1조 달러에 육박하는 평가로, IPO를 앞둔 마지막 비공개 라운드로 알려졌습니다. 연 환산 매출은 5월 기준 약 470억 달러를 넘어선 것으로 전해집니다 — 테크크런치. 모델 성능이 곧 기업 가치 서사와 직결되는 국면에서, “같은 가격에 더 강한 모델”은 가장 설득력 있는 메시지입니다. 다만 실무자 입장에서 중요한 건 서사가 아니라, 자신의 워크플로우에서 실제로 더 적은 비용으로 더 많은 일을 끝낼 수 있느냐입니다.

출시 2주, 현장의 평가는?

발표 직후 개발자들의 반응은 ‘도약’보다 ‘착실한 개선’ 쪽으로 모였습니다. AI 도구를 오래 추적해 온 개발자 사이먼 윌리슨은 Opus 4.8을 “겸손하지만 분명히 손에 잡히는 개선”이라 평하며, 특히 모델이 스스로 불확실한 부분을 솔직히 드러내는 점을 높이 샀습니다 — Simon Willison. 화려한 신기능보다 ‘믿고 맡길 수 있는 안정성’에 무게가 실린 업데이트라는 평가가 많았습니다. 결함 누락 4배 감소가 가장 자주 인용된 대목이라는 점이 이를 뒷받침합니다.

덧붙임 (2026년 6월): Fable 5 출시로 바뀐 위치

이 글이 나온 지 약 2주 뒤, 지형이 한 번 더 움직였습니다. 2026년 6월 9일 Anthropic은 가장 강력한 ‘Mythos’급 모델을 처음으로 일반에 공개한 Claude Fable 5를 내놨습니다 — 포춘·NBC. 이로써 Opus 4.8은 ‘최상위 플래그십’에서 한 단계 내려와, 더 안정적이고 가성비 좋은 ‘주력 일꾼’ 자리로 위치가 바뀌었습니다. 다만 은퇴한 건 아닙니다. Fable 5는 생물·사이버 보안처럼 민감한 일부 요청을 안전장치 차원에서 Opus 4.8로 넘겨 처리하는 구조라, 4.8은 여전히 현역으로 돌아가고 있습니다 — NBC. ‘가장 센 모델’과 ‘가장 믿을 만한 모델’이 반드시 같지는 않다는 걸 보여주는 대목입니다.

META TOUR가 지금 추천하는 것

새 모델이 나올 때마다 전면 교체할 필요는 없습니다. 다만 Opus 4.8은 가격이 동결됐다는 점에서 교체 위험이 거의 없습니다. 코드 리뷰·대규모 마이그레이션·에이전트형 자동화를 다루는 팀이라면, 기존 워크플로우의 일부를 Opus 4.8로 바꿔 결함 누락률과 작업 완수율을 직접 측정해 보는 것을 권합니다. 벤치마크는 출발점일 뿐, 판단 기준은 당신의 실제 작업 결과입니다.

자주 묻는 질문

Claude Opus 4.8은 언제 출시됐고 어디서 쓸 수 있나요?

2026년 5월 28일 전 채널에 즉시 출시됐습니다 — Anthropic. API에서는 모델 ID claude-opus-4-8로 호출할 수 있고, claude.ai와 Claude Code(CLI·데스크톱·VS Code)에서도 바로 사용할 수 있습니다. 동적 워크플로우는 Max·Team·Enterprise 요금제에서 연구 프리뷰로 제공됩니다.

Opus 4.7에서 4.8로 바꾸면 비용이 늘어나나요?

아니요. 표준 사용 가격은 입력 100만 토큰당 5달러, 출력 25달러로 Opus 4.7과 동일하게 동결됐습니다 — Anthropic. 성능은 올랐지만 비용 재산정 부담은 없습니다. 단, 새로 추가된 Fast 모드를 쓰면 2.5배 속도에 두 배 가격(입력 10달러·출력 50달러)이 적용됩니다 — Anthropic·The New Stack.

코딩 성능은 실제로 얼마나 좋아졌나요?

가장 까다로운 SWE-bench Pro에서 64.3%에서 69.2%로 4.9포인트 올랐습니다 — Vellum. SWE-bench Verified는 포화 구간이라 1.0포인트(87.6%→88.6%) 상승에 그쳤습니다. 어려운 과제일수록 향상 폭이 크다는 패턴이 일관되게 나타납니다.

동적 워크플로우는 무한정 에이전트를 돌릴 수 있나요?

아니요. 동시 실행 16개, 한 실행당 총 1,000개 서브에이전트로 상한이 명시돼 있습니다 — MarkTechPost. 이 상한은 비용 폭주와 무한 루프를 막는 안전장치입니다. Claude가 작성한 자바스크립트 스크립트를 런타임이 백그라운드에서 실행하고 결과를 검증해 반환합니다.

경쟁 모델 대비 가장 큰 강점은 무엇인가요?

에이전트형 코딩입니다. SWE-bench Pro에서 Opus 4.8(69.2%)은 GPT-5.5(58.6%)와 Gemini 3.1 Pro(54.2%)를 10포인트 이상 앞섰습니다 — Vellum. 단발 질의보다 길게 이어지는 자동화 작업에서 격차가 더 벌어집니다.

결론

Claude Opus 4.8은 “0.1 업데이트치고는 무겁다”는 한 문장으로 요약됩니다. 같은 가격에 가장 어려운 코딩 벤치마크를 4.9포인트 끌어올렸고, 결함 누락을 4배 줄였으며, 대규모 병렬 에이전트 실행을 정식 기능으로 만들었습니다. 경쟁의 무대가 단발 성능에서 장시간 작업의 신뢰성으로 넘어가고 있다는 신호입니다.

지금 할 일은 명확합니다. 가격 동결로 교체 위험이 낮으니, 코드 리뷰나 에이전트 자동화를 다루는 팀이라면 워크플로우 일부를 Opus 4.8로 바꿔 직접 측정해 보세요. 벤치마크가 아니라 당신의 실제 결과가 판단 기준입니다.

다른 모델과의 비교는 GPT-5.5, 벤치마크와 실무의 간극에서, ‘크고 강한’ 모델과 정반대 노선을 택한 사례는 사카나 AI에서 볼 수 있습니다.

참고 자료

• Anthropic. Introducing Claude Opus 4.8. 2026-05-28. 2026-05-29 확인. 자료 보기
• TechCrunch. Anthropic releases Opus 4.8 with new ‘dynamic workflow’ tool. 2026-05-28. 2026-05-29 확인. 자료 보기
• MarkTechPost. Anthropic Ships Claude Opus 4.8 Alongside Dynamic Workflows and Cheaper Fast Mode. 2026-05-28. 2026-05-29 확인. 자료 보기
• Vellum. Claude Opus 4.8 Benchmarks Explained. 2026. 2026-05-29 확인. 자료 보기
• The New Stack. Claude Opus 4.8 is here: effort controls, dynamic workflows, cheaper fast mode. 2026. 2026-05-29 확인. 자료 보기
• llm-stats. Claude Opus 4.8 launch benchmarks (USAMO·Terminal-Bench 등). 2026. 2026-06-11 확인. 자료 보기
• morphllm. SWE-bench Pro leaderboard — vendor-reported vs standardized. 2026. 2026-06-11 확인. 자료 보기
• Simon Willison. Claude Opus 4.8 — “a modest but tangible improvement”. 2026-05-28. 2026-06-11 확인. 자료 보기
• TechCrunch. Anthropic raises $65 billion, nears $1T valuation ahead of IPO. 2026-05-28. 2026-06-11 확인. 자료 보기
• Fortune. Anthropic releases its first Mythos model (Fable 5) to the public. 2026-06-09. 2026-06-11 확인. 자료 보기
• NBC News. Anthropic releases public Mythos model, Claude Fable 5. 2026-06-09. 2026-06-11 확인. 자료 보기
• SWE-bench. Official benchmark & Verified subset. 2026-06-11 확인. 자료 보기