🤖 Claude Opus 4.7, 이게 진짜 AI 업그레이드다 — 개발자가 꼭 알아야 할 5가지 변화

 

"또 업데이트야?" 그 반응, 저도 똑같았어요

AI 모델 업데이트가 이제 거의 월간 구독처럼 나오다 보니, 솔직히 처음엔 좀 무감각해진 분들 많으시죠. 저도 처음엔 "어 또 나왔네" 하고 넘기려다가 이번 Claude Opus 4.7은 좀 다르다는 느낌이 들었어요.

2026년 4월 16일 Anthropic이 공개한 Claude Opus 4.7은 단순 마이너 패치가 아닙니다. 코딩 성능, 비전 처리, 지시 이행 방식, 비용 제어까지 실무에서 직접 체감되는 변화들이 포함돼 있거든요. 특히 개발자나 AI 도구를 업무에 적극적으로 활용하는 분들이라면 프롬프트를 처음부터 다시 검토해야 할 수도 있을 만큼 바뀐 것들이 있어요.

이 글에서는 Opus 4.7이 실제로 무엇이 달라졌는지, 그리고 어떤 상황에서 체감 차이가 나는지 실무 관점으로 정리해봤습니다.

코딩 성능, 숫자로만 보면 작아 보이지만 실제는 달라요

이번 업데이트에서 가장 먼저 눈에 띄는 건 에이전틱 코딩 성능입니다. SWE-bench Verified 기준으로 87.6%를 기록하며 공개 모델 중 상위권을 유지하고 있어요. Cursor의 내부 벤치마크인 CursorBench에서는 이전 버전 대비 58%에서 70%로 올랐고, 93개 작업 코딩 벤치마크에서도 13% 향상이 확인됐습니다.

그런데 숫자보다 더 중요한 건 "왜 이 성능이 올랐냐"는 거예요. Opus 4.6에서 사용자들이 가장 많이 불만을 제기한 문제가 두 가지였습니다. 하나는 이미 확인한 내용을 반복 탐색하는 순환 루프 현상이고, 다른 하나는 장기 작업 중 이전 맥락을 잃어버리는 컨텍스트 손실 문제였어요. Anthropic은 이 두 가지를 직접적으로 타겟으로 잡고 Opus 4.7을 설계했다고 밝혔습니다.

쉽게 말하면, 이전에는 긴 작업을 맡겼을 때 중간에 길을 잃거나 제자리를 맴도는 경우가 많았는데, 이번에는 그게 크게 줄었다는 거예요.

비전 처리 3배 향상, 이게 왜 실무에서 중요한가

이번 업데이트에서 가장 조용하지만 실질적인 영향이 큰 변화는 이미지 해상도 지원입니다. Opus 4.7은 최대 2,576픽셀, 약 3.75메가픽셀까지 이미지를 처리할 수 있어요. 이전 버전인 4.6이 1.15메가픽셀이었으니 3배 이상 올라간 거죠.

"그게 그렇게 중요해?"라고 생각할 수 있는데, 실무에서 AI를 쓸 때 이미지가 흐릿하게 인식돼서 분석이 틀리거나 좌표 매핑이 어긋나는 경우 많이 겪어보셨죠. 스크린샷 분석, 복잡한 다이어그램 해석, 문서 OCR, 화학 구조식이나 기술 도면 같은 작업들이 이제 실제 해상도 그대로 인식됩니다.

특히 Computer Use 워크플로우, 즉 AI가 직접 화면을 보면서 조작하는 방식에서 체감 차이가 크다는 평이 많습니다. 이전에는 고해상도 이미지를 다룰 때 스케일 팩터를 별도로 계산하고 좌표를 변환해야 하는 과정이 필요했는데, 4.7부터는 그런 번거로움이 크게 줄었어요.

xhigh 노력 레벨, 왜 이걸 새로 만들었을까요

Opus 4.7에서 새로 생긴 기능 중 하나가 xhigh 노력 레벨입니다. 기존에는 high와 max 두 단계가 있었는데, 그 사이에 xhigh가 추가됐어요. Claude Code에서는 이미 모든 플랜의 기본값이 xhigh로 올라가 있습니다.

왜 이게 필요했냐면요. 기존 high는 복잡한 다단계 추론에서 가끔 한계를 보였고, max는 토큰 소모가 급격히 늘어서 비용 제어가 어려웠습니다. 실제 데이터를 보면, xhigh에서 max로 올려도 성능 차이는 약 3퍼센트포인트에 불과한데 토큰 비용은 거의 두 배가 됩니다.

AI 비용이 어느 정도 규모가 되면 진짜 부담이 되기 시작하잖아요. 무조건 max를 쓰는 게 정답이 아니라는 걸 Anthropic이 공식적으로 인정하면서, 그 중간 지점을 만들어준 거라고 볼 수 있어요. 실무에서는 xhigh가 대부분의 작업에 충분하다는 의견이 많습니다.

지시 이행이 정밀해졌다는 게 오히려 함정이 될 수 있어요

이건 사람들이 가장 많이 놓치는 포인트예요. Opus 4.7은 지시를 훨씬 정밀하게 따릅니다. 이전 버전은 애매한 지시를 적당히 해석해서 넘어갔는데, 4.7은 문자 그대로 실행하는 경향이 강해졌어요.

대부분의 경우에는 장점이지만, Opus 4.6용으로 작성된 프롬프트를 그대로 4.7에 적용하면 예상치 못한 결과가 나올 수 있습니다. Anthropic도 공식적으로 이전 모델용 프롬프트와 하네스를 재조정하라고 권고하고 있을 정도예요.

한 가지 재미있는 현상도 있어요. 나무위키 같은 사용자 후기를 보면, Opus 4.7이 맥락이 덜 주어진 상황에서 대중적 소통 능력이 오히려 어색해졌다는 평도 있습니다. 검증 가능한 정답과 복잡한 지시 이행에서는 분명히 더 뛰어나지만, 일상적인 대화 맥락에서는 조금 딱딱하게 느껴질 수 있다는 거죠. 이건 사용 목적에 따라 장점이 될 수도, 단점이 될 수도 있어요.

Task Budgets와 비용 제어, 기업 입장에서 중요한 이유

Opus 4.7이 기업 활용에 초점을 맞췄다는 평가를 많이 받는데, 그 핵심이 바로 Task Budgets 기능입니다. API에서 공개 베타로 사용할 수 있고, 에이전트 루프 전체에 토큰 예산을 설정할 수 있어요. 에이전트가 알아서 작업 우선순위를 정하고, 예산이 소진될 때 작업을 깔끔하게 마무리하는 방식입니다.

규모가 있는 운영 환경에서는 비용 예측이 안 되는 게 가장 큰 리스크거든요. 한 달에 수억 토큰을 처리하는 워크로드라면 토큰 예산 제어 하나가 실제로 수백만 원 단위의 차이를 만들 수 있어요.

다만 여기서 주의할 점이 있습니다. Opus 4.7은 새로운 토크나이저를 도입했는데, 동일한 입력을 넣었을 때 이전 버전보다 최대 35% 더 많은 토큰을 소비할 수 있어요. 공식 단가는 Opus 4.6과 동일하게 입력 100만 토큰당 5달러, 출력 100만 토큰당 25달러로 유지됐지만, 실질적으로는 비용이 오른 셈입니다. 마이그레이션 전에 반드시 토큰 수 벤치마킹을 먼저 해보는 게 좋아요.

Grok 4.3과의 비교, 가격이 10배 차이면 어떻게 해야 할까

이 부분은 지금 개발자 커뮤니티에서 가장 뜨거운 주제 중 하나예요. 비슷한 시기에 xAI가 Grok 4.3을 출시했는데, 가격이 Opus 4.7보다 약 6배에서 10배까지 저렴합니다. 토크나이저 변경까지 감안하면 실질적인 비용 격차는 더 벌어지고요.

그래서 요즘 실무에서 많이 채택하는 전략이 혼합 아키텍처입니다. 간단하고 반복적인 작업에는 Grok 4.3이나 더 저렴한 모델을 쓰고, 복잡한 에이전틱 코딩이나 고해상도 비전 분석이 필요한 핵심 작업에만 Opus 4.7을 투입하는 거예요. 실제로 월간 AI 비용이 일정 수준 이하라면 이런 방식이 비용 효율면에서 훨씬 나을 수 있어요.

단, Terminal-Bench 2.0 같은 특정 벤치마크에서는 Opus 4.7이 Grok보다 낮은 점수를 기록한 경우도 있습니다. 자신의 워크로드에서 어떤 모델이 더 맞는지는 직접 테스트해보는 게 가장 정확해요.

장기 멀티세션 작업, 드디어 맥락을 잃지 않는 수준이 됐어요

개인적으로 이번 업데이트에서 가장 인상 깊은 부분 중 하나예요. Opus 4.7은 파일 시스템 기반 메모리를 활용해 장기 프로젝트의 맥락을 수 시간 이상 유지할 수 있습니다.

대규모 코드베이스 리팩토링, 장기 리서치, 다단계 보고서 작성 같은 작업에서 이전에는 어느 시점에서 흐름이 끊기거나 처음 지시한 내용을 AI가 까먹는 경우가 많았잖아요. 4.7부터는 중단 없이 이어서 진행할 수 있는 수준이 됐고, 자신의 출력을 스스로 검증하는 능력도 향상돼서 hallucination과 모순 오류가 크게 줄었다는 평이 많습니다.

보고서를 단계별로 작성하거나, 긴 코드베이스를 세션에 걸쳐 수정하는 작업을 자주 하는 분들에게는 이 변화가 꽤 실질적으로 느껴질 거예요.

마무리

Claude Opus 4.7은 코딩 성능 향상, 비전 해상도 3배 개선, xhigh 노력 레벨 추가, 정밀 지시 이행, Task Budgets 비용 제어까지 실무 적용 가능성이 높은 변화들이 담긴 업데이트입니다. 단, 기존 프롬프트는 반드시 재조정이 필요하고, 새 토크나이저로 인한 비용 시뮬레이션도 먼저 해보는 게 좋아요.

무조건 업그레이드가 정답은 아닙니다. 복잡한 에이전틱 코딩, 고해상도 이미지 분석, 장기 멀티세션 작업이 핵심 워크로드라면 전환을 검토해볼 만하고, 그렇지 않다면 비용 구조를 먼저 확인하고 결정하는 게 현명합니다. AI 도구는 이제 "써볼까"가 아니라 "어떻게 쓸까"를 고민해야 하는 단계예요.