이번 주 테크 업계의 핵심은 효율과 성능의 최적화다. 오픈AI는 고가의 새로운 요금제와 지능형 모델 라우팅(intelligent model routing) 기능을 선보였고, 로컬 AI 추론을 위한 하드웨어 수준의 메모리 최적화와 개발자 도구 개선이 함께 이뤄졌다.

주요 기업들이 기업용 서비스와 구독 상품을 공격적으로 확장하고 있다. ChatGPT Space 도입과 Meta Muse를 통한 자율적인 백그라운드 서버 실행 등이 대표적이다. 덕분에 개발자와 숙련된 사용자들은 성능과 비용, 그리고 일하는 방식(workflow)의 효율성 사이에서 최적의 균형점을 찾을 수 있게 됐다.

보안 영역에서는 OpenAppa가 오픈소스 생태계에 합류했고, 클로드 코드는 터미널 기반의 사용성을 개선했다. 소프트웨어와 하드웨어를 가리지 않는 이러한 변화는 결국 더 많은 처리량과 로컬 실행 환경에 대응하려는 산업의 절박한 움직임이다.

01오픈AI 프로 요금제 — 월 500달러에 사용량 25배 확대

오픈AI가 일반 요금제의 사용량 제한에 자주 부딪히는 헤비 유저와 전문가들의 작업 흐름(workflow)을 위해 고가의 새로운 구독 요금제를 도입한다. AI 서비스에서 사용량 제한은 일정 시간 동안 수행할 수 있는 메시지나 작업 수를 결정하는 일종의 천장 역할을 한다. 오픈AI는 이번 프리미엄 옵션을 통해 개인과 기업이 이러한 제약 없이 AI 활용 규모를 확장할 수 있는 길을 열었다. 다만 그만큼 매달 지불해야 할 비용 부담은 크게 늘어난다. 비용으로 제약을 사는 셈이다.

새로운 요금 체계는 월 100달러, 200달러, 500달러의 Pro 등급으로 구성된다. 가장 높은 단계인 Pro 500 플랜은 기존 Plus 플랜 대비 사용량 제한을 25배까지 대폭 늘렸다. 대량의 질의나 복잡한 작업이 필수적인 전문가들에게 최적화된 구성이다. 끊김 없는 고용량 AI 환경이 곧 생산성인 사용자들을 겨냥했다.

하지만 최고가 요금제가 등장하면서 중간 단계 요금제의 상대적 가치는 떨어졌다. 기존에 Plus 플랜의 20배 사용량을 제공하던 Pro 200 플랜의 제한치가 10배로 반토막 났다. 200달러 요금제의 가성비가 급격히 낮아진 것이다. 오픈AI는 중간 단계의 용량을 줄이는 동시에 Pro 500 옵션을 배치함으로써, 기존 생산성을 유지하려는 헤비 유저들을 자연스럽게 가장 비싼 요금제로 유도하고 있다. 교묘한 상향 판매 전략이다.

02오픈AI의 ChatGPT Space — AI와 팀원이 함께 쓰는 공유 작업 공간

오픈AI가 'ChatGPT Space'를 선보이며 팀의 AI 활용 방식을 근본적으로 바꾼다. 단순히 개인의 질문에 답하는 챗봇 수준을 넘어, 팀원들이 함께 사용하는 공유 작업 환경을 구축한 것이다. 이제 팀은 자율형 AI(AI agents)가 일상 업무에 직접 통합된 통합 작업 공간에서 활동할 수 있다. 단순한 대화형 인터페이스를 넘어 사람과 AI가 공존하는 구조적 허브로 진화한 셈이다. 협업의 중심이 이동한다.

기능적으로는 노션(Notion)과 같은 협업 플랫폼의 경험을 구현했지만, 오픈AI 생태계 내에 직접 구축된 내장형(native) 기능이라는 점이 다르다. 덕분에 다양한 전문 문서와 데이터 소스를 유연하게 처리할 수 있다. 파워포인트 발표 자료부터 스프레드시트, 웹사이트 전체에 이르기까지 모든 정보를 한곳에 모으는 중앙 저장소 역할을 한다. 특히 내장형 환경이기에 저장된 문서들이 작업 공간 내 AI에게 즉시 공유되며, 팀 데이터와 AI의 처리 능력이 더 매끄럽게 연결된다.

이번 변화의 핵심은 서로 다른 도구와 AI 사이의 간극을 없앤 데 있다. 자율형 AI를 공유 작업 공간에 직접 배치함으로써, AI가 단순한 도구가 아닌 하나의 팀원처럼 작동하는 업무 흐름(workflow)을 가능하게 했다. 기업이나 전문 팀은 재무 스프레드시트나 슬라이드 덱 같은 다양한 정보를 체계적으로 정리하고, AI의 실시간 관리와 분석 지원을 받을 수 있다. 인간의 문서 작업과 AI의 지원 사이의 경계가 사라지는 시대다. 이를 통해 팀의 과업 수행과 의사결정 과정이 한층 효율적으로 바뀔 전망이다.

03GPT 6.1 Sol, 성능은 유지하고 비용은 5분의 1로 줄였을까?

오픈AI가 고성능 모델의 지능은 유지하면서 비용은 대폭 낮춘 GPT 6.1 Sol을 공개했다. Astra 모델에 근접한 성능을 내면서도 가격은 약 5분의 1 수준으로 낮춘 것이 핵심이다. 개발사와 기업 입장에서는 운영비 절감 효과가 상당하다. 입력 토큰은 100만 개당 2달러, 출력 토큰은 10달러로 책정됐는데, 이는 Astra의 10달러와 50달러에 비해 매우 저렴한 수준이다. 캐시된 입력 비용은 0.1달러까지 내려갔다. 비용 효율의 시대다.

비용 효율 외에도 기술적, 창의적 구현 능력에서 눈에 띄는 성과를 냈다. 게임 개발 분야에서는 그동안 GPT 기반 게임에서 구현하기 어려웠던 관절 움직임 생성 과정(rigging)을 성공적으로 수행했다. 또한 배달 임무처럼 피드백을 주고받는 기능적인 미션 시스템을 도입해, 이전 버전에는 없었던 목표 중심의 게임 플레이가 가능해졌다. 모션 그래픽 영역에서는 앤스로픽의 Opus 5.5보다 훨씬 빠른 속도를 증명하며 복잡한 시각 프로젝트의 작업 속도를 높였다.

오픈AI는 성능과 비용 사이의 균형을 돕기 위해 Decisions API를 함께 선보였다. 이 시스템은 Luna 모델을 활용해 요청을 가장 적합한 모델로 연결(routing)함으로써, 별도의 외부 도구 없이도 비용과 응답 속도를 최적화한다. 이러한 기술적 기반은 더 큰 전략적 변화로 이어진다. 오픈AI는 이제 GPT를 기존 서비스형 소프트웨어(SaaS) 플랫폼에 직접 통합하는 데 집중하고 있다. Canva, Figma, Shopify 같은 도구와 연결해 GPT가 서비스 내부에서 직접 제어하고 작동하게 만드는 방식이다. 이는 GPT가 다양한 전문 소프트웨어의 인터페이스 역할을 하며 구독과 결제까지 관리하는 마켓플레이스 모델로 진화하겠다는 의도로 보인다.

04통합 메모리 구조가 바꾸는 로컬 AI 성능 격차

로컬에서 AI 모델을 구동할 때는 프로세서의 자체 연산 능력보다 시스템이 모델 데이터에 얼마나 빨리 접근하느냐가 더 중요하다. 모델을 실제로 쓰려면 그래픽처리장치(GPU)가 직접 접근할 수 있는 빠른 메모리에 모델 전체가 올라와 있어야 한다. 모델 용량이 너무 커서 이 전용 메모리를 넘치고 일반 시스템 메모리나 저장장치까지 쓰게 되면 성능이 크게 떨어진다. 예를 들어 RTX 5090에서 실행하는 모델은 전용 비디오 메모리(VRAM)에 들어 있을 때 초당 151토큰을 처리하지만, 시스템 메모리로 밀려나면 초당 8토큰으로 속도가 떨어져 95%의 성능 손실이 발생한다.

AI가 텍스트를 생성하는 속도를 좌우하는 가장 큰 요인은 메모리 대역폭이며, 이는 메모리에서 프로세서로 데이터가 이동하는 속도를 뜻한다. 이 대역폭은 치명적인 병목 구간인데, AI가 토큰 하나를 만들 때마다 시스템이 모델 전체를 메모리에서 다시 읽어와야 하기 때문이다. 따라서 이론적인 최대 속도는 메모리 대역폭을 모델 크기로 나눈 값으로 결정된다. 초당 614GB의 대역폭을 갖춘 M5 Max 같은 기기는 이 구조를 활용해 빠른 생성 속도를 유지한다.

이 구조적 차이 때문에 맥(Mac)과 PC 하드웨어 사이에는 분명한 선이 그어진다. 맥북은 통합 메모리 풀을 써서 GPU가 대량의 공유 메모리에 접근할 수 있다. 120GB에서 125GB의 메모리를 탑재한 M5 Max는 전용 그래픽카드의 비디오 메모리에 들어가지 않는 거대한 모델도 거뜬히 실행한다. RTX 4090이나 5090 같은 그래픽카드는 모델 용량이 메모리 한계를 넘어서면 초당 1~2토큰 속도로 버벅이지만, M5 Max는 초당 60~88토큰을 유지한다. 다만 이 용량에는 대가가 따른다. 순수 토큰 처리 속도, 프롬프트 처리, 미세조정(fine-tuning), 이미지와 영상 생성 같은 작업을 중요하게 여기는 사용자에게는 RTX 3090, 4090, 5090 같은 엔비디아(NVIDIA) 전용 그래픽카드가 여전히 최고의 성능을 낸다.

05오픈소스 보안막 OpenAppa, 자율형 AI의 위험을 막는 방패

자율형 AI 에이전트를 현장에 배치할 때는 해롭거나 불법적인 행동을 실행할 가능성이 있어 상당한 리스크가 따른다. 이를 줄이기 위해 AI 에이전트와 실제 작업 실행 사이에 위치하도록 설계된 전용 보안 계층으로 OpenAppa가 도입됐다. 실무적으로 이 도구는 에이전트가 중대 범죄로 분류될 수 있는 행동을 실수로든 고의로든 수행하지 못하도록 막는 핵심 안전장치 역할을 한다. 명령이 최종 확정되기 전에 이를 가로채고 검증하는 방식으로 AI의 자율성이 사용자나 조직에 치명적인 현실의 결과로 이어지지 않도록 보장한다.

이 도구는 글로벌 개발자 커뮤니티의 접근성을 크게 높이는 행보인 MIT 라이선스 기반의 오픈소스 프로젝트로 출시됐다. 소프트웨어 라이선스에 익숙하지 않은 이들을 위해 설명하면 MIT 라이선스는 가장 개방적인 옵션 중 하나로, 누구나 매우 적은 제한만으로 상업용 제품을 포함해 거의 모든 목적으로 소프트웨어를 사용, 복사, 수정, 배포할 수 있도록 허용한다. 이러한 오픈소스 방식을 채택함으로써 OpenAppa 개발자들은 AI 보안에 투명한 접근 방식을 촉진하고, 외부 개발자들이 내부 코드를 검사하고 안전 메커니즘을 검증하며 개선에 기여할 수 있도록 지원한다.

현재 OpenAppa는 프리뷰 단계에 있으며 이는 아직 다듬어지고 있는 중이며 완전 무르익은 제품이 아님을 뜻한다. 이러한 초기 단계는 널리 쓰이는 업계 도구에 비해 아직 상대적으로 적은 수의 스타(GitHub 별표)를 보유한 깃허브 저장소에서도 드러난다. 하지만 허용적인 라이선스가 적용된 보안 계층의 등장은 AI 에이전트와 연관된 리스크를 경계하는 개발자들에게 필수적인 기반을 제공한다. AI의 의사결정 과정이 현실의 유해한 결과로 이어지는 것을 막는 안전밸브를 구현할 수단을 제시한다.

06메타 뮤즈: 사람이 안 볼 때 서버에서 일하는 AI 에이전트의 등장

인공지능(AI)은 사용자의 명령을 기다리는 수동적인 도구에서, 백그라운드에서 독자적으로 움직이는 능동적인 비서로 진화하고 있다. 서버 기반의 자율 실행 방식으로 전환되면서 AI 에이전트는 사람이 계속 지켜보지 않아도 반복적이고 시간이 오래 걸리는 행정 업무를 스스로 처리한다. 사용자가 직접 최신 정보를 묻지 않아도 정해진 시간에 특정 작업 흐름(workflow)이 실행되도록 예약할 수 있어, 사용자가 자리를 비운 사이에도 일하는 디지털 직원 역할을 톡톡히 한다.

메타 뮤즈(Meta Muse)는 사업 기회 발굴을 자동으로 처리하며 이러한 역량을 보여준다. 1인 창업자의 경우 매주 월요일 오전 9시에 기업마당이나 K-Startup 같은 정부 지원 사업 포털을 자동으로 훑어보도록 에이전트를 설정할 수 있다. 단순한 검색에 그치지 않고 1인 기업 지원 자격이나 인공지능(AI) 분야 사업처럼 구체적인 조건을 적용해 알맞은 지원금을 찾아낸다. 일일이 사이트를 돌아보며 시간을 뺏기던 번거로운 주간 업무가, 정해진 시간에 정확히 받아보는 자동 보고서로 바뀐다.

외부 조사를 넘어 개인 행정 관리와 자금 흐름 점검까지 서버 기반의 자율 실행 영역이 넓어진다. 메타 뮤즈는 매일 아침 8시에 이메일을 확인해 중요한 소식을 추려내도록 프로그래밍할 수 있다. 과거 데이터를 분석하는 능력은 비용 관리에 특히 유용하다. 예를 들어 3개월 치 이메일 기록을 훑어 비싸고 쓰지 않는 구독 서비스를 찾아내거나, 자칫 놓치기 쉬운 결제 실패 알림을 사용자에게 곧바로 알려준다.

이처럼 예약 기반의 서버 자동화로 바뀌면서 사용자와 AI의 관계 자체가 근본적으로 달라진다. 실시간 채팅창을 벗어나 백그라운드 프로세스에서 실행이 이루어지므로, AI가 사업이나 일상의 판에 박힌 관리 업무를 도맡아 처리한다. 사용자가 직접 마감 기한을 기억하거나 구독 서비스를 점검할 필요가 없어진다. 에이전트가 디지털 환경을 계속 지켜보다가 실제로 사람이 직접 나설 일이 생겼을 때만 알림을 보낸다.

07오픈AI Decisions API — 저비용·고속 경로 제어로 운영 효율 극대화

개발자들이 AI 애플리케이션을 훨씬 저렴하고 빠르게 구축할 수 있는 길이 열렸다. 시스템의 '교통 정리'를 담당하는 전용 도구가 도입됐기 때문이다. 오픈AI가 공개한 Decisions API 프리뷰는 신속한 의사결정에 최적화된 경량 모델이다. 거대 범용 모델을 쓸 때 발생하는 높은 비용과 지연 시간 없이, 요청(query)을 가장 효율적인 경로로 안내하거나 적절한 전문 모델로 배분하는 역할을 수행한다. 효율적인 길 찾기가 핵심이다.

Decisions API의 기술적 기반은 Luna 모델의 지능이다. 개발 방식에서는 경쟁사인 Jev와 뚜렷한 차이를 보인다. Jev가 의사결정 전용으로 처음부터 설계된 것과 달리, Decisions API는 기존 Luna 모델을 용도에 맞게 재구성한 버전이다. 오픈AI는 이 방식을 통해 기존의 지능은 유지하면서 응답 속도를 늦추는 불필요한 요소들을 걷어냈다. 방대한 생성 능력보다 속도에 최적화된 도구를 만든 셈이다. 덜어냄으로써 더 빨라졌다.

기업 입장에서 가장 큰 매력은 품질 저하 없이 운영 비용을 획기적으로 줄일 수 있다는 점이다. Decisions API는 Astra 수준의 성능을 내면서도 비용은 극히 일부만 소요된다. 구체적인 수치를 보면 차이가 명확하다. GPT6 Astra의 가격은 입력 토큰 100만 개당 10달러, 출력 토큰 100만 개당 50달러다. 반면 6.1 Soul 같은 경량 모델은 입력 100만 개당 2달러, 출력 100만 개당 10달러 수준까지 낮아진다. 개발자는 이러한 경량 경로 제어 방식을 통해 하이엔드 모델에 버금가는 성능을 유지하면서도, 매 상호작용마다 발생하는 지출을 크게 아낄 수 있다. 성능은 유지하고 비용만 깎아낸 구조다.

08인간의 정보 조직화 능력 — AI 지식 베이스 구축의 성패를 가르는 병목 구간

디지털 방식의 두 번째 뇌나 종합적인 업무용 지식 베이스를 구축하려면 AI에 단순히 파일을 업로드하는 것 이상이 필요하다. 원본 PDF 문서 속에 숨겨진 아이디어를 AI가 자동으로 연결해주기를 바란다면, 서로 다른 텍스트 블록으로 떨어져 있는 개념들을 AI가 제대로 엮어내지 못하는 한계를 마주하게 된다. 데이터 분석과 금융 도구의 기술적 한계가 거의 사라진 시대에 AI 시스템의 주된 병목 현상은 소프트웨어가 아니라 사용자다. 결국 시스템이 실제로 작동하는지를 결정하는 핵심 요인은 정보를 체계화하는 인간의 능력이다.

이러한 한계는 PDF 문서 이해 능력을 측정하도록 설계된 성능 시험(benchmark)에서 뚜렷하게 나타난다. 예를 들어 GPT-6 Sol은 이 테스트에서 24의 신뢰도 지수를 기록했다. 보다 최신 모델인 GPT-6.1 Sol이 이 수치를 신뢰도 지수 30으로 끌어올렸지만, 전반적인 추세는 거의 모든 모델에서 일관되게 유지된다. 신뢰도가 조금씩 향상되더라도 엄격하고 조각나기 쉬운 PDF 텍스트 구조를 제대로 다루지 못하는 문제는 업계 전반의 고질적인 약점으로 남는다.

이러한 실패를 극복하려면 사용자가 데이터 구조화 과정에 적극적으로 개입해야 한다. PDF를 매끄러운 정보의 흐름으로 대하는 대신, 지식 베이스를 구축하는 이는 문서 내에 구조적 관계를 명시적으로 강제해야 한다. 이는 모델이 서로 다른 텍스트 블록 간의 관계를 짐작하느라 헤매지 않도록 정보 조각 사이의 연결 고리를 직접 정의한다는 뜻이다. 문서 구조 자체에서 이러한 관계를 강제함으로써 사용자는 AI가 자료를 일관되게 이해하도록 보장할 수 있으며, 이는 모델이 미숙하게 처리하는 원본 PDF의 공백을 효과적으로 메워준다.

09추론 능력이 높아진 AI, 복잡한 문서의 맥락까지 정확히 짚어낼 수 있을까?

AI 모델의 추론 능력이 향상되면 업로드한 문서를 다루는 방식 자체가 바뀐다. 단순히 필요한 텍스트 조각을 찾아내는 수준을 넘어, 파일 전체의 의미와 섹션 간의 미묘한 연결 고리를 파악하는 능력이 정교해지기 때문이다. 복잡한 금융 데이터나 심층 분석을 다루는 전문가들에게 이는 결정적인 변화다. AI가 핵심 맥락을 놓칠 확률이 줄어들면서, 생산성의 병목 지점이 '소프트웨어의 한계'에서 '사용자가 얼마나 좋은 질문을 던지는가'로 옮겨가게 된다.

이러한 경향은 PDF 파일 처리 능력을 측정하는 벤치마크에서 뚜렷하게 나타난다. 데이터에 따르면 모델의 추론 수준이 한 단계 높아질 때마다 텍스트 이해 성능은 보통 약 2%씩 향상된다. 덕분에 모델은 원본 문서 내의 관계도를 더 정확하게 그려낼 수 있다. 동일 모델 제품군 내의 세대 교체 과정에서도 이런 발전이 확인된다. GPT-6 Sol의 신뢰 지수가 24였던 반면, 후속 모델인 GPT-6.1 Sol은 30까지 올라섰다.

하지만 추론 능력이 높다고 해서 모든 시스템에서 정비례하는 결과가 나오는 것은 아니다. AI의 기반 설계인 아키텍처에 따라 성능 차이가 크게 벌어지기 때문이다. 대부분의 모델은 성능이 올라가지만, 특정 포맷에서는 오히려 결과가 나빠지는 경우도 있다. 특히 Opus 5.5 아키텍처는 가공되지 않은 PDF를 처리할 때 오히려 역효과가 나는 것으로 밝혀졌다. 기업과 사용자가 주의 깊게 살펴야 할 대목이다. 추론 수준의 향상이 일반적인 이해도를 높이는 것은 맞지만, 분석하려는 문서의 종류에 따라 특정 아키텍처가 그 이점을 극대화하거나 혹은 완전히 깎아먹을 수 있다.

10메타 뮤즈 — 수동적 도구에서 능동적인 삶의 관리자로

질문에 답만 하는 수준을 넘어 삶의 목표를 능동적으로 관리하는 AI가 등장했다. 메타 뮤즈는 건강, 금융, 커리어, 생산성, 개인적 관심사, 가족 관계 등 삶의 다양한 영역에서 목표를 추적하도록 설계된 자율형 에이전트(goal-oriented agent)다. 모바일 앱과 직접 연동해 진행 상황을 자동으로 모니터링하고 목표 달성에 필요한 지원을 제공한다. AI가 단순한 도구를 넘어 능동적인 삶의 관리자로 진화하는 지점이다.

이 시스템은 사람이 서로 친해지는 과정과 비슷하게 유용성을 높인다. 시뮬레이션과 강화 학습(reinforcement learning) — AI가 반복적인 시행착오를 통해 더 나은 결정을 내리는 기술적 방식 — 을 통해 사용자의 고유한 취향을 점진적으로 이해한다. 대화를 통해 친구가 좋아하는 음식이나 영화 장르를 알아가는 것과 같은 원리다. 이를 통해 AI는 기초적인 확인 질문을 던지는 단계에서 벗어나, 사용자의 실제 습관과 욕구에 맞춘 정교한 제안을 하는 수준으로 발전한다.

메타 뮤즈는 장기적인 삶의 목표 외에도 전문적인 업무나 개인적인 행정 부담을 처리하는 디지털 비서 역할도 수행한다. 방대한 데이터를 분석해 사용자의 시간과 비용을 아껴준다는 점에서 실질적인 가치가 드러난다. 예를 들어, 지난 몇 달간의 이메일 수백 통을 훑어 사용자가 놓쳤을 법한 미사용 구독 서비스나 과다 청구 항목을 찾아낼 수 있다. 매일 아침 8시에 이메일을 확인해 가장 중요한 업데이트만 보고하도록 설정하는 등 반복적인 작업 흐름(workflow)을 자동화해 효율을 높일 수도 있다.

11개발 환경 혁신 — 클로드 코드의 키보드 중심 작업 방식과 원격 제어

클로드 코드는 개발자가 컴퓨터와 소통하는 텍스트 기반 인터페이스인 터미널에서 직접 실행되어 속도와 키보드 중심의 효율성에 초점을 맞추고 인공지능과 상호작용하는 방식을 간소화한다. 사용자는 Shift+Tab 같은 간단한 단축키를 이용해 계획 모드나 자동 실행 모드 같은 다양한 작동 모드 사이를 전환할 수 있으며, 특정 입력을 통해 음성 명령을 사용할 수도 있다. 이러한 작업 세션을 가볍게 유지하기 위해 'Clear' 버튼을 제공하므로, 개발자는 완전히 새로운 세션을 여는 것보다 더 빠르게 대화와 AI의 현재 기억인 컨텍스트 윈도우를 초기화할 수 있다.

이러한 유연성은 책상을 넘어 확장되어, 개발자가 고강도 작업 중에도 자리에 묶여 있을 필요가 없도록 만든다. 클로드 코드는 모바일 기기를 통한 원격 세션 모니터링을 지원하므로, 사용자는 컴퓨터에서 복잡한 작업을 시작한 뒤 스마트폰으로 진행 상황을 추적할 수 있다. 이는 장시간 실행되는 작업이나 더 큰 작업의 작은 부분을 처리하는 자동화된 보조 도구인 하위 에이전트를 사용할 때 특히 유용하며, 사용자가 프로세스 중단을 막기 위해 필요한 승인을 원격으로 제공할 수 있기 때문이다. 이를 단순화하기 위해 전역 설정을 통해 모든 세션의 원격 제어를 기본값으로 활성화할 수 있으며, 이를 통해 모든 새 채팅에 모바일로 즉시 접근할 수 있어 대용량 파일이나 방대한 프로젝트를 관리할 때 특히 유용하다.

마지막으로 이 도구는 작업의 복잡성에 따라 AI의 강도를 조절할 수 있도록 지원한다. 사용자는 전용 메뉴를 통해 노력 수준을 조절할 수 있으며, 더 크고 까다로운 작업에는 이를 'high'로 설정할 수 있다. 이를 통해 시스템은 작업 규모가 커질 때 늘어난 업무량을 효과적으로 처리할 수 있다. 이러한 기능들이 결합되어 인공지능을 단순한 채팅 인터페이스에서 개발자의 요구 수준과 위치에 유연하게 맞추는 전문가 수준의 도구로 탈바꿈시킨다.