Claude Opus 4.8 총정리 - 벤치마크·가격·ultracode 해석 (2026)

Claude Opus 4.8, 한 문장으로 뭐가 달라졌나?

긴 작업을 한 번 시키고 오래 맡겨도 덜 흐트러진다. 이게 Opus 4.8을 한 문장으로 줄인 답이다. Anthropic은 2026년 5월 28일 Opus 4.8을 공개하면서 “벤치마크 전반 개선”, “더 나은 협업자”, “동일한 기본 가격”을 앞세웠다 (출처: Anthropic 발표). 새 아키텍처의 신모델이라기보다, 4.7을 실전에서 쓰기 좋게 다시 조인 고성능 업그레이드에 가깝다.

출시일과 어디서 쓸 수 있나?

공식 발표일은 2026년 5월 28일, API 모델 ID는 claude-opus-4-8이다. 기본 1M 컨텍스트는 Claude API, AWS Bedrock, Vertex AI에서 제공되고 최대 출력은 128K다. Microsoft Foundry만 200K 컨텍스트로 제한된다 (출처: Claude API docs). 웹앱에서는 Pro·Max·Team·Enterprise 사용자가 쓸 수 있고, Claude Code와 묶어 쓰는 사람은 먼저 Claude Code 완전 정복을 보면 흐름이 잡힌다.

개발자가 체감하는 변화 세 가지

벤치마크 숫자보다 먼저 와닿는 건 행동이다.

1. 컨텍스트 유지: 긴 에이전트 루프에서 compaction(대화 압축) 이후에도 목표를 덜 잃는다.
2. 도구 호출 신뢰도: 4.7에서 일부 사용자가 겪던 “필수 tool call을 빼먹는” 문제가 줄었다.
3. 오케스트레이션 내장: Claude Code에 dynamic workflows와 ultracode가 함께 붙었다 (출처: dynamic workflows 소개).

여기에 운영자가 반길 디테일도 두 가지 생겼다. 프롬프트 캐시 최소 길이가 1,024토큰으로 내려와 짧은 공통 서두도 캐싱되고, 대화 중간에 system message를 넣어도 초반 캐시를 깨지 않는다. 둘 다 “에이전트를 길게 돌릴 때 비용과 안정성을 동시에 잡는” 쪽이다.

4.7에서 4.8, 한눈에 비교

벤치마크는 업무군별로 어떻게 읽나?

Opus 4.8의 벤치마크를 한 줄 순위로 읽으면 오해한다. 강점은 “지능 점수”가 아니라 에이전트형 코딩·컴퓨터 사용·전문 업무 세 묶음이 동시에 올라왔다는 데 있다. 그러니 “내 업무가 어느 묶음이냐”로 읽는 게 맞다. 핵심값은 SWE-bench Pro 69.2%, Terminal-Bench 2.1 74.6%, OSWorld-Verified 83.4%, GDPval-AA 1890, Finance Agent v2 53.9%다 (출처: Anthropic 제품 페이지, System Card).

코드 수정이 많다면: SWE-bench Pro 69.2%

SWE-bench Pro는 장난감 문제가 아니라, 활발히 유지보수되는 저장소의 큰 멀티파일 수정에 초점을 둔다. 여기서 Opus 4.8은 69.2%로 4.7(64.3%), GPT-5.5(58.6%), Gemini 3.1 Pro(54.2%)를 모두 앞선다 (출처: SWE-bench Pro 논문). System Card에는 SWE-bench Verified 88.6%, Multilingual 84.4%, Multimodal 38.4%도 함께 실렸다. 즉 단순 패치뿐 아니라 다국어 코드, 시각 정보가 섞인 이슈까지 끌어올리려는 방향이다. 멀티파일 PR을 자주 맡기는 팀이라면 가장 직접적으로 체감할 지점이다.

화면을 직접 조작한다면: OSWorld 83.4%

OSWorld-Verified는 문서 편집·웹 브라우징·파일 관리 같은 실제 컴퓨터 사용 환경을 흉내 낸다. Opus 4.8은 83.4%로 4.7 재평가치(약 82%)를 소폭 넘는다. 이 수치가 진짜 말하는 건 단순한 “GUI 클릭”이 아니다. 긴 멀티스텝 작업에서 끝까지 목표를 잃지 않는 지속력, 바로 그 능력이다 (출처: System Card, OSWorld 논문).

문서·리서치가 섞인다면: GDPval-AA 1890

GDPval-AA는 문서·슬라이드·다이어그램·스프레드시트 같은 실제 직무 산출물 평가에 가깝다. Opus 4.8은 1890 ELO로 GPT-5.5를 약 121점, 약 66.7% pairwise win rate로 앞섰다. SEC 공시 기반 Finance Agent v2에서도 53.9%로 GPT-5.5(51.8%), 4.7(51.5%)을 소폭 앞선다 (출처: GDPval 논문). 리서치·문서 작업까지 한 에이전트로 묶으려는 팀에 의미가 있다.

터미널 자동화라면: 여기는 GPT-5.5가 낫다

솔직히 짚고 가자. Terminal-Bench 2.1에서는 GPT-5.5가 83.4%로 Opus 4.8(74.6%)을 앞선다 (출처: Anthropic 발표, OpenAI GPT-5.5 발표). 셸 중심 배치 작업, 커맨드라인 도구 체인이 주력이면 4.8이 나왔어도 GPT-5.5 총정리를 같이 보고 판단하는 편이 맞다.

ultracode는 어떻게 켜고 무엇이 달라지나?

이번 릴리스에서 가장 실질적으로 바뀐 건 모델 점수가 아니라 ultracode다. 먼저 분명히 하면, ultracode는 새 모델 등급이 아니라 Claude Code의 설정이다. 켜면 effort가 xhigh로 맞춰지고, Claude가 필요하다고 판단할 때 dynamic workflows를 자동으로 발동한다 (출처: dynamic workflows 소개).

켜는 법은 명령 한 줄이다

Claude Code 세션에서 /effort ultracode를 입력하면 켜진다. effort 단계는 low / medium / high / xhigh / max / ultracode / auto로 나뉘고, ultracode가 가장 공격적인 단계다. 속도가 필요하면 /fast로 fast mode를 함께 토글한다. 끄고 싶으면 /effort high처럼 낮은 단계로 되돌리면 된다.

dynamic workflows가 실제로 도는 방식

ultracode가 진짜로 하는 일은 dynamic workflows다. Anthropic 설명대로면 Claude는 먼저 계획을 세우고, 작업을 잘게 쪼갠 뒤, 수십~수백 개의 서브에이전트를 병렬로 굴린다. 이어서 다른 에이전트가 그 결과를 반박·검증하고, 합의가 모일 때까지 반복한 다음 하나의 정리된 결과를 돌려준다. “한 모델이 한 세션에서 길게 답하는 것”과는 질적으로 다른, 멀티에이전트 오케스트레이션이 Claude Code 안에 들어온 셈이다.

어떤 작업에서 켤 가치가 있나

아무 작업에나 켜는 기능이 아니다. 범위가 넓고 병렬화가 먹히는 일에서 빛난다.

• 코드베이스 전체 버그 헌트
• 프레임워크 마이그레이션
• 보안 감사와 검증 반복
• 성능 병목 추적과 리팩터링 루프

Anthropic이 든 사례는 강하다. Bun의 Zig → Rust 포팅에서 약 75만 줄을 다루며 기존 테스트 99.8%를 통과했고, 첫 커밋부터 머지까지 11일이 걸렸다고 한다. 제품화 전 사람 검토는 당연히 필요하지만, “분기 단위 계획이 며칠 단위로 내려온다”는 메시지를 보여주는 예로는 충분하다 (출처: dynamic workflows 소개).

실무에서 실제로 좋아지는 작업은?

벤치마크보다 더 와닿는 건 매일 굴리는 루프에서의 체감이다. 문서에서 읽히는 개선 셋을 실제 상황에 붙여 본다.

긴 에이전트 루프가 덜 탈선한다

Claude API 문서는 4.8이 긴 agentic trace에서 compaction 이후 덜 탈선하고, 필수 tool call 생략 문제를 줄였다고 적었다 (출처: Claude API docs). 예를 들어 30분짜리 멀티파일 리팩터링을 맡겼는데 중간 압축 한 번에 방향이 틀어져 이후 작업이 통째로 날아가는 경험, 에이전트를 굴려 본 팀이라면 익숙하다. 4.8의 개선은 정확히 이 지점에서 체감된다.

”다 됐다”는 보고를 더 믿을 수 있다

Anthropic은 Opus 4.8이 자기가 쓴 코드의 결함을 그냥 넘어갈 가능성이 4.7 대비 약 4배 낮다고 밝혔다. System Card의 코드 요약 honesty 평가에서 중요한 실패를 사용자에게 알리지 않는 비율이 3.7%까지 내려갔다 (출처: System Card). 이건 “환각이 4배 줄었다”가 아니라, 에이전트가 작업을 끝냈다고 보고할 때 실패를 숨기지 않는가, 이 매우 실무적인 항목에서의 진전이다. 자동화 파이프라인에서 “완료” 신호를 신뢰할 수 있느냐는 곧 사람 검토 비용으로 이어진다.

긴 워크플로 비용이 줄어든다

긴 워크플로 중간에 시스템 지시를 바꾸면 보통 이전 프롬프트를 통째로 다시 넣어 입력 비용이 커진다. 4.8은 중간 system message를 허용해 이 부담을 덜고, 캐시 최소 길이도 1,024토큰으로 내려와 짧은 공통 서두까지 캐싱된다. 이 흐름은 Claude Code 가격·제한 총정리에서 다룬 “토큰을 줄이며 긴 세션을 안정화하는 법”과 자연스럽게 이어진다.

가격은 정말 4.7과 같다고 봐도 될까?

표기 단가만 보면 같다. 하지만 실제 청구액까지 같다고 보면 틀릴 가능성이 높다.

단가는 동결, fast mode는 오히려 싸졌다

기본 API 가격은 입력 $5 / 출력 $25로 4.7과 동일하다. 흥미로운 건 fast mode다. 4.8 fast mode는 입력 $10 / 출력 $50에 최대 2.5배 속도인데, 이전 Opus fast mode가 $30 / $150였으니 사실상 훨씬 현실적인 가격대로 내려왔다 (출처: Claude API pricing).

그런데 청구서는 늘 수 있다

단가가 같아도 실제로 태우는 토큰이 늘어날 변수가 셋이다.

1. 새 토크나이저: Anthropic은 4.7 이후 새 토크나이저가 동일 텍스트에서 최대 35% 더 많은 토큰을 잡을 수 있다고 적었다.
2. dynamic workflows: 서브에이전트 병렬 실행은 본질적으로 토큰을 많이 쓴다.
3. 추가 multiplier: inference_geo: "us" 옵션은 1.1배, 캐시 쓰기는 1.25배 또는 2배가 붙는다.

즉 “단가 동결”은 맞지만 “청구서 동결”은 아니다. ultracode를 켠 세션은 비용이 특히 튀니 별도로 추적하자.

GPT-5.5·Gemini와 어떻게 나눠 쓰나?

“가장 센 모델 하나만 쓰면 되는 거 아닌가” 싶지만, 2026년 5월 기준으로는 업무별로 나눠 쓰는 게 더 현실적이다. Opus 4.8은 만능이 아니고, 경쟁 모델도 각자 강한 축이 있다.

터미널·CLI가 핵심이면 GPT-5.5를 병행

Terminal-Bench 2.1에서 GPT-5.5가 83.4%로 명확히 앞선다. 셸 자동화, 배치 작업, 커맨드라인 도구 체인이 주력인 팀은 Codex 계열 CLI 에이전트와 GPT-5.5를 함께 벤치하는 편이 맞다.

코드 패치·GUI·문서 업무면 Opus 4.8

반대로 코드베이스 패치나 실제 UI 조작, 문서·리서치가 섞이면 Opus 4.8 쪽 그림이 좋아진다. SWE-bench Pro 69.2%와 OSWorld 83.4%는 “한 번 지시하고 오래 맡겨도 끊김이 적다”는 메시지와 맞아떨어진다. Claude Opus 4.7 리뷰에서 보였던 “코딩엔 강하지만 일부 축 회귀” 느낌보다 균형이 낫다.

어떤 팀이 지금 도입해야 하나?

결론은 명확하다. 장기 에이전트형 코딩과 실제 컴퓨터 사용이 핵심인 팀은 지금 바로 검토할 가치가 크고, 터미널 자동화가 핵심인 팀은 GPT-5.5와 병행 비교가 필요하다.

지금 바로 검토해도 좋은 팀

• 이미 에이전트 루프를 운영 중인 팀: Claude Code나 사내 에이전트를 굴리고 있다면 안정성 개선이 바로 체감된다.
• 멀티파일·마이그레이션·GUI 자동화가 많은 팀: 4.8의 강점 축과 정확히 겹친다.
• 문서·리서치형 에이전트를 만드는 팀: GDPval·Finance Agent 개선이 실제 산출물 품질로 이어진다.

조금 더 신중해야 하는 팀

• 터미널 자동화가 주력인 팀: 이 축은 GPT-5.5가 낫다.
• 토큰 비용이 빡빡한 스타트업: 새 토크나이저와 workflow 토큰을 먼저 측정하자.
• 오작동이 큰 사고로 이어지는 프로덕션·금융·보안 팀: dynamic workflows는 scoped task부터.

도입은 이 순서로 판단한다

과대평가하지 않으려면 무엇을 조심하나?

좋은 릴리스일수록 과장도 빨리 붙는다. 도입 판단을 흐리는 표현 셋만 걸러내면 된다.

• “모든 벤치마크 1위”: 틀리다. Anthropic 자체 표에서도 Terminal-Bench 2.1은 GPT-5.5가 앞선다. 강한 업그레이드이지 완승 모델은 아니다.
• “4배 더 정직하다”: 코드 요약 honesty 평가에서의 개선이지, 모든 허위 주장 가능성이 4배 줄었다는 뜻이 아니다. 일반 환각 감소 수치처럼 쓰면 곧 광고가 된다.
• 제품 페이지의 화려한 수치: Online-Mind2Web 84% 같은 값은 제품 소개·파트너 코멘트 맥락에 섞여 있다. 정식 System Card 매트릭스 수치와는 분리해서 보는 게 안전하다.

FAQ: Claude Opus 4.8 자주 묻는 질문

결론: 지금 기억할 한 줄

Claude Opus 4.8은 “모든 걸 이긴 새 황제”가 아니라, 4.7의 장점을 지키면서 코드 수정·컴퓨터 사용·전문 업무형 에이전트에 더 단단해진 모델이다. SWE-bench Pro 69.2%, OSWorld 83.4%, GDPval-AA 1890은 분명 강하다. 동시에 터미널은 GPT-5.5가 낫고, ultracode는 새 모델이 아니라 고비용 멀티에이전트 오케스트레이션 설정이라는 점도 함께 기억하면 된다.