GPT-5.5는 얼마나 강한가? 공개 벤치마크로 본 실력과 약점

이 표에서 보이는 흐름은 분명하다. GPT-5.5는 터미널 작업, 수학적 추론, 오피스 업무, 지식노동형 과제에서 강하다. 반면 GitHub 이슈 해결, 브라우징 중심 과제, 운영체제 조작형 작업에서는 경쟁 모델도 충분히 강력하다.

어디에 잘 맞나

코딩과 디버깅

GPT-5.5의 가장 눈에 띄는 강점 중 하나는 개발 작업이다. OpenAI는 GPT-5.5가 코드 작성과 디버깅에 뛰어나다고 설명했고, Terminal-Bench 2.0에서도 82.7이라는 높은 점수가 제시됐다.

다만 소프트웨어 개발 전 영역에서 항상 최고라는 뜻은 아니다. SWE-Bench Pro에서는 GPT-5.5가 58.6, Claude Opus 4.7이 64.3으로 제시돼 있다. 기존 저장소의 버그 수정, GitHub 이슈 해결, 대규모 코드베이스 수정이 핵심이라면 Claude 계열 모델과도 직접 비교해 보는 편이 안전하다.

조사, 데이터 분석, 여러 단계의 작업

OpenAI는 GPT-5.5가 온라인 조사, 데이터 분석, 여러 도구를 넘나드는 작업에 강하다고 설명한다. 모호하고 여러 단계로 나뉜 요청에서도 계획을 세우고, 도구를 사용하며, 결과를 확인하면서 작업을 이어갈 수 있다는 설명이다.

다만 브라우징 능력을 보는 BrowseComp에서는 GPT-5.5가 84.4로, Gemini 3.1 Pro의 85.9와 Mythos Preview의 86.9보다 낮다. 조사 업무라 하더라도 검색과 웹 탐색의 비중이 큰 경우에는 다른 모델이 더 나은 결과를 낼 가능성이 있다.

문서, 스프레드시트, 사무 업무

문서 작성, 스프레드시트, 업무용 소프트웨어 조작처럼 사무 현장에 가까운 작업에서는 GPT-5.5가 특히 유력해 보인다. OpenAI는 GPT-5.5의 강점으로 문서·스프레드시트 작성과 소프트웨어 조작을 들었고, New York Times도 OpenAI가 새 기술이 코드 작성과 기타 사무 업무 관련 작업에서 개선됐다고 설명했다고 보도했다.

OfficeQA Pro에서 GPT-5.5는 54.1을 기록해 Claude Opus 4.7의 43.6, Gemini 3.1 Pro의 18.1을 앞섰다. 보고서 초안, 사내 문서, 표 계산, 업무 절차서처럼 ‘말로 설명한 일을 실제 산출물로 정리하는’ 작업에서 강점이 드러날 가능성이 크다.

수학과 기술적 추론

FrontierMath 비교에서 GPT-5.5는 Tier 1–3에서 51.7, Tier 4에서 35.4를 기록했다. 같은 표에 있는 Claude Opus 4.7과 Gemini 3.1 Pro보다 높은 수치다. 수학적 검토, 기술 분석, 복잡한 조건을 단계적으로 따져야 하는 업무에서도 GPT-5.5는 상위 후보로 볼 수 있다.

GPT-5.4와 비교하면 무엇이 달라졌나

GPT-5.4는 추론, 코딩, 에이전트형 워크플로를 하나로 묶고, 스프레드시트·프레젠테이션·문서 같은 전문 업무를 처리하는 모델로 소개됐다.

GPT-5.5는 그 방향을 한 걸음 더 밀어붙인 모델로 보인다. OpenAI는 GPT-5.5가 사용자의 의도를 더 빠르게 이해하고, 더 많은 작업을 스스로 수행할 수 있다고 설명한다. 또한 여러 단계의 과학 작업에 초점을 맞춘 GeneBench에서 GPT-5.5가 GPT-5.4보다 뚜렷하게 개선됐다고 밝혔다.

Claude나 Gemini보다 강한가

분야에 따라 다르다. 공개 비교 기준으로 GPT-5.5는 Terminal-Bench 2.0, FrontierMath, OfficeQA Pro, GDPval에서 Claude Opus 4.7과 Gemini 3.1 Pro보다 높은 성적을 보였다.

반대로 SWE-Bench Pro에서는 Claude Opus 4.7이 GPT-5.5를 앞섰고, BrowseComp에서는 Gemini 3.1 Pro와 Mythos Preview가 GPT-5.5보다 높았다. 터미널 작업이나 사무 업무라면 GPT-5.5를 1순위 후보로 둘 만하지만, GitHub 이슈 해결이나 브라우징 중심 조사에서는 Claude, Gemini, Mythos Preview까지 함께 시험해 보는 것이 현실적이다.

실무 도입 전 확인할 점

모델을 고를 때는 종합 순위보다 ‘우리 일이 어떤 벤치마크와 닮았는지’를 보는 편이 낫다. GPT-5.5는 코드, 조사, 데이터 분석, 문서·스프레드시트, 소프트웨어 조작, 여러 도구를 오가는 작업에 강하다고 설명되지만, 공개 벤치마크에서도 승패는 항목별로 갈린다.

실제로 도입을 검토한다면 다음처럼 나눠 비교하는 것이 좋다.

• 기존 코드베이스의 이슈 해결과 리팩터링이 중요하다면, SWE-Bench Pro에서 강한 Claude 계열 모델도 함께 테스트한다.
• 터미널 조작이 포함된 개발 워크플로가 많다면, Terminal-Bench 2.0에서 82.7을 기록한 GPT-5.5를 유력 후보로 본다.
• 검색과 웹 탐색이 핵심인 조사 업무라면, BrowseComp에서 GPT-5.5를 앞선 Gemini 3.1 Pro와 Mythos Preview도 비교한다.
• 문서, 스프레드시트, 사무 업무 자동화가 목적이라면, OpenAI의 설명과 OfficeQA Pro 결과를 바탕으로 GPT-5.5를 집중 검증한다.

최종 평가

GPT-5.5는 상당히 강한 모델이다. 공개 벤치마크에서는 터미널 작업, 수학·추론, 오피스 QA, 지식노동 평가에서 상위권 성적을 보였다. 다만 BrowseComp, SWE-Bench Pro, OSWorld-Verified처럼 경쟁 모델이 앞서는 항목도 있다.

가장 실용적인 결론은 이렇다. GPT-5.5는 종합 최강 후보 중 하나지만, 모든 용도에서 최적이라고 단정할 수는 없다. 업무에 쓰려면 벤치마크 순위만 보기보다 실제 코드, 문서, 데이터, 사내 도구 환경에서 얼마나 안정적으로 결과를 내는지를 기준으로 평가하는 것이 안전하다.