OpenAI, 코덱스 대규모 업그레이드: 7시간 자율 코딩 및 PR 자동 리뷰 지원

AI에게 코딩을 맡길 때 가장 답답한 순간은 간단한 작업에 불필요하게 뜸을 들이거나, 반대로 복잡한 설계를 맡겼을 때 몇 초 만에 엉뚱한 코드를 뱉어낼 때입니다. OpenAI가 이번에 선보인 새로운 코딩 에이전트는 바로 이 간극을 좁히는 데 초점을 맞췄습니다.

OpenAI는 9월 15일 자사의 코딩 에이전트 서비스인 Codex에 특화 모델인 GPT-5-Codex를 도입한다고 발표했습니다. 터미널 환경의 CLI, 웹, VS Code와 Cursor를 지원하는 IDE 확장 프로그램은 물론 GitHub 풀 리퀘스트(PR) 검토까지 제품 전반에 적용됩니다. ChatGPT Plus, Pro, Business, Edu, Enterprise 등 유료 구독자에게 먼저 배포되었으며, 9월 23일부터는 일반 GPT-5와 동일한 가격으로 Responses API를 통해 개발자들에게도 제공되기 시작했습니다.

간단한 질의는 초고속으로, 난제는 7시간 동안 자율 해결

GPT-5-Codex의 핵심 경쟁력은 작업 난이도에 따라 생각하는 시간을 실시간으로 조절하는 동적 추론 능력입니다.

Codex 제품 총괄 Alexander Embiricos는 이전 모델들이 사전에 질문을 분석해 리소스를 배정하는 라우터 방식을 썼던 것과 달리, 새 모델은 라우터 없이 작업 진행 상황에 따라 스스로 작업 시간을 유연하게 늘려간다고 설명했습니다. 처음에는 간단해 보여 착수했더라도, 작업 도중 복잡도가 높다고 판단되면 추가로 시간을 투입해 코드를 고치고 테스트를 돌립니다. OpenAI의 내부 테스트에서는 모델이 혼자서 7시간 넘게 시행착오를 거치며 대형 프로젝트 구현을 완수한 사례도 확인되었습니다.

실제 내부 사용 데이터에서도 극적인 차이가 드러납니다. 가장 단순한 10%의 대화에서는 기본 GPT-5 대비 토큰 소모량을 93.7%나 줄여 빠르게 응답했습니다. 반면 가장 까다로운 상위 10%의 고난도 작업에서는 기존보다 두 배 긴 시간을 들여 코드를 추론하고 수정했습니다. 그 결과 SWE-bench Verified 및 대규모 코드 리팩터링 벤치마크에서 기본 GPT-5를 명확히 앞섰습니다.

터미널 CLI부터 GitHub 자동 리뷰까지 전면 개편

모델 성능 향상과 함께 개발 도구 환경도 대폭 손질되었습니다. 오픈소스로 운영되는 Codex CLI는 설계 화면이나 스크린샷 이미지를 곧바로 첨부할 수 있게 바뀌었고, 작업 진행 과정을 할 일 목록 형태로 정리해 보여줍니다. 외부 데이터와 시스템을 연결하는 MCP 규격과 웹 검색 기능도 추가되었습니다.

클라우드 인프라 측면에서는 컨테이너 캐싱 기술을 적용해 중간 작업 완료 시간을 90% 단축했습니다. 에이전트가 자체 브라우저를 띄워 UI 구현 결과를 시각적으로 확인하고 스크린샷을 GitHub PR에 첨부하는 작업도 가능해졌습니다.

특히 눈에 띄는 기능은 자동화된 코드 리뷰입니다. 단순한 정적 분석 도구와 달리 PR 본문 설명과 실제 코드 차이점을 비교하고, 프로젝트 전체 의존성을 파악한 뒤 직접 테스트를 실행해 동작을 검증합니다. OpenAI는 사내 대다수 PR에 이미 이 기능을 적용해 개발자가 직접 확인하기 전 매일 수백 건의 결함을 미리 잡아내고 있다고 밝혔습니다.

왜 중요한가

AI 코딩 도구 시장은 현재 그 어느 때보다 치열합니다. 2025년 들어 Cursor의 연간 반복 매출(ARR)이 5억 달러를 넘어섰고, Anthropic의 Claude Code 역시 터미널 영역에서 강력한 팬덤을 형성했습니다. OpenAI 입장에서는 단순한 범용 모델 제공을 넘어 완결성 있는 자체 코딩 도구 생태계를 굳힐 필요가 있었습니다.

저희가 보기에 이번 업데이트의 가장 영리한 지점은 고정된 프롬프트 응답 방식을 버리고, 실패한 테스트를 고쳐가며 몇 시간씩 끈질기게 매달리는 에이전트형 실행 구조를 구축했다는 점입니다. 단순 자동 완성을 넘어 혼자서 테스트를 돌리며 버그를 잡는 주니어 개발자에 한층 가까워진 셈입니다. 잦은 UI 수정이나 지루한 대규모 리팩터링, 반복적인 PR 리뷰에 지친 개발팀이라면 지금 당장 워크플로에 도입해 볼 가치가 충분합니다.

다만 자율 에이전트가 로컬 터미널과 클라우드 환경에서 직접 명령어를 실행하고 장시간 구동되는 구조인 만큼, 보안과 비용 리스크는 여전히 주의해야 합니다. 비록 OpenAI가 기본 샌드박스와 네트워크 차단 설정을 제공하지만, MCP를 통해 외부 접근 권한을 넓힐수록 잠재적 취약점 노출 가능성은 커집니다. 에이전트의 자율성에만 의존하기보다는 최종 배포 단계에서 사람이 꼼꼼하게 검증하는 안전장치를 유지하는 것이 중요해 보입니다.