핵심 요약 Anthropic이 2026년 9월 1일 Claude Fable 5.1을 공개했습니다. 장시간 코딩·지식업무에 초점을 맞춘 모델로, 입력 100만 토큰당 10달러·출력 100만 토큰당 50달러입니다. 캐시 읽기 가격은 이전 Fable 5보다 75% 낮아졌지만, 안전 모니터링을 위한 기본 30일 데이터 보존 같은 운영 조건도 함께 살펴봐야 합니다.
Fable 5.1은 어떤 모델인가
Fable 5.1은 단순 질문 응답보다 몇 시간에서 며칠 동안 이어지는 복잡한 작업을 겨냥합니다. 전체 코드베이스에 걸친 기능 개발, 코드 리뷰, 성능 개선, 장시간 자율 작업과 여러 단계의 조사·분석이 대표적인 사용 사례입니다. 문서 속 표와 도표를 읽고 결과물을 시각적으로 다시 점검하는 기능도 강조됐습니다.
가격은 정말 낮아졌나
기본 API 가격은 입력 100만 토큰당 10달러, 출력 100만 토큰당 50달러입니다. 눈에 띄는 변화는 캐시 읽기 가격입니다. 100만 토큰당 0.25달러로 Fable 5보다 75% 낮아졌습니다. Anthropic은 이 변화가 일반적인 작업의 비용을 약 25%, 도구를 많이 사용하는 에이전트형 작업은 최대 약 45% 줄일 수 있다고 설명합니다.
하지만 이는 제조사가 제시한 추정치입니다. 실제 비용은 반복 프롬프트의 비율, 캐시 활용률, 출력 길이, 도구 호출 횟수와 재시도에 따라 달라집니다. 짧은 일회성 질문보다 긴 문서와 코드베이스를 반복해서 읽는 작업에서 절감 효과가 더 클 가능성이 있습니다.
가격을 내 작업량으로 다시 계산해보기
‘최대 45% 절감’은 모든 사용자에게 똑같이 적용되는 할인이 아닙니다. 반복해서 읽는 문맥이 얼마나 많은지에 따라 달라집니다. 예를 들어 한 달 동안 새 입력 500만 토큰, 캐시로 다시 읽는 입력 2,000만 토큰, 출력 200만 토큰을 사용한다고 가정해 보겠습니다.
500만 × $10 = $50
2,000만 × $0.25 = $5
200만 × $50 = $100
이 조건의 합계는 월 155달러입니다. 같은 2,500만 입력 토큰을 모두 일반 입력으로 처리했다면 출력까지 합쳐 350달러이므로 차이는 195달러입니다. 다만 이것은 구조를 이해하기 위한 계산일 뿐입니다. 캐시 생성 비용, 도구 사용료, 재시도, 클라우드 마켓플레이스 가격, 세금과 환율은 제외했습니다.
코딩에서 달라진 점
- 한 파일이 아니라 여러 폴더와 서비스에 걸친 기능 구현
- 자체 테스트를 작성해 결과를 점검하는 장시간 작업
- 화면 이미지를 확인하며 디자인과 실제 구현 차이를 수정하는 작업
- 실패했을 때 계획을 바꾸고 다시 시도하는 에이전트형 워크플로
중요한 점은 모델이 작성한 코드가 자동으로 안전하거나 정확해지는 것은 아니라는 사실입니다. 테스트 통과 여부, 의존성 변경, 보안 취약점, 라이선스와 배포 환경을 사람이 검토해야 합니다.
안전장치는 어떻게 작동하나
사이버보안과 생물학 영역에서 위험도가 높다고 판단되는 요청은 더 낮은 능력의 모델로 자동 전달될 수 있습니다. 일반 Claude 환경에서는 사이버보안 요청을 Opus 4.8, 생물학 요청을 Opus 5로 우회하도록 설명돼 있습니다. API 사용자는 별도의 Fallback API 설정을 확인해야 합니다.
이 방식은 안전성을 높이지만 정상적인 연구·방어 작업에서도 응답 능력이 달라질 수 있습니다. 기업 사용자는 어떤 요청이 우회됐는지, 비용과 결과 품질이 어떻게 달라졌는지를 기록할 필요가 있습니다.
데이터 보존도 확인해야 한다
Fable 사용에는 안전 모니터링을 위한 30일 데이터 보존이 기본 적용됩니다. 일부 조건을 충족하는 기업 고객은 자체 클라우드 저장이나 일시적인 제로 데이터 보존 옵션을 사용할 수 있지만, 모든 사용자에게 동일한 조건은 아닙니다. 소스코드·계약서·고객정보를 다루는 조직이라면 모델 성능보다 먼저 보존정책과 접근권한을 검토해야 합니다.
누가 체감하기 쉬울까
대규모 코드베이스를 다루는 개발팀, 반복 자료를 기반으로 긴 보고서를 작성하는 분석팀, 여러 애플리케이션을 오가며 업무를 처리하는 조직이 변화의 효과를 체감하기 쉽습니다. 반면 짧은 질문이나 단순 요약이 중심이라면 더 저렴한 모델이 비용 대비 적합할 수 있습니다.
도입 전에는 30분짜리 비교부터
벤치마크 순위만 보고 전환하기보다 실제 반복 업무 세 가지를 골라 기존 모델과 같은 조건으로 비교하는 편이 낫습니다.
- 완료 기준을 먼저 고정합니다. 테스트 통과, 누락 항목 수, 사람이 고친 줄 수처럼 결과를 판정할 기준을 정합니다.
- 같은 입력과 같은 도구를 사용합니다. 한 모델만 더 많은 파일이나 긴 시간을 받으면 비용과 성능을 비교할 수 없습니다.
- 총비용을 기록합니다. 입력·출력·캐시 토큰뿐 아니라 실패 후 재시도와 사람의 검토 시간을 함께 적습니다.
- 민감정보를 분리합니다. 30일 보존이 허용되는 데이터인지, 조직이 예외 조건을 실제로 충족하는지 먼저 확인합니다.
이렇게 하면 ‘더 똑똑한가’보다 우리 업무 한 건을 끝내는 비용과 검토 시간이 줄었는가를 판단할 수 있습니다.
2026년 9월 2일 공개 내용을 바탕으로 작성했고, 9월 7일 Anthropic 제품 페이지와 개인정보센터에서 가격·보존 조건을 다시 확인했습니다. 성능 수치는 제조사 평가를 포함하며 실제 결과는 작업과 환경에 따라 달라집니다.
함께 읽기: 생성형 AI 검색의 출처 검증과 질문 설계 · 생성형 AI 답변을 검증하는 7단계







답글 남기기