2026년 9월 22일, Apple이 드디어 새로운 Mac mini M6를 정식 출시했습니다.

Mac mini는 원래도 작은 크기에 비해 성능이 뛰어난 데스크탑이었지만, 이번 M6 세대는 방향이 조금 다릅니다. 단순히 CPU와 GPU가 빨라진 것이 아니라, Apple이 대놓고 “AI 워크플로를 항상 켜두는 데스크탑”을 이야기하기 시작했습니다.

Mac mini M6, 한국 출시 가격은 얼마일까?

Apple Korea 공식 발표 기준으로 M6 탑재 Mac mini의 시작 가격은 1,499,000원, 교육용 가격은 1,329,000원입니다.

상위 모델인 M5 Pro 탑재 Mac mini는 2,990,000원부터 시작합니다.

Apple 공식 판매 구성 중 24GB 메모리·512GB SSD 모델은 현재 2,179,000원으로 판매 됩니다.

모델	한국 시작 가격	메모리
Mac mini M6	1,499,000원	16GB 기본, 최대 32GB
Mac mini M5 Pro	2,990,000원	최대 64GB

Apple 공식: 새로운 Mac mini와 Mac Studio, 오늘 정식 출시

그런데 M4는 89만원부터였는데?

맞습니다. 2024년 M4 Mac mini의 한국 출시 가격은 16GB 기준 890,000원부터였습니다.

M6의 시작 가격인 1,499,000원과 비교하면, 전 세계 AI 시장의 급성장으로 인한 메모리 수요 증가와 공급 부족이 맞물리면서 이번 세대의 시작 가격은 큰 폭으로 상승했습니다. 그래서 이번 세대는 단순히 “신형이니까 무조건 교체”라기보다는, AI·로컬 LLM·개발·영상 작업처럼 성능 차이를 실제로 쓰는 사람에게 의미가 더 큰 제품에 가깝습니다.

M4와 M6, 핵심 사양만 비교해보면

항목	M4 Mac mini	M6 Mac mini
CPU	10코어	12코어
GPU	10코어	12코어 + Neural Accelerators
Neural Engine	16코어	듀얼 16코어 Neural Engine
통합 메모리	16/24/32GB	16/24/32GB
메모리 대역폭	120GB/s	최대 170GB/s
무선	Wi‑Fi 6E, Bluetooth 5.3	Wi‑Fi 7, Bluetooth 6
이더넷	1Gb 기본	2.5Gb 기본, 10Gb 옵션

Apple의 공식 수치로는 M6 Mac mini가 M4 대비 CPU 최대 40% 향상, 그래픽 최대 2배, AI 성능 최대 4배 향상을 제시합니다.

또한 LM Studio에서의 LLM prompt processing은 Apple 테스트 기준으로 M4보다 최대 4.8배 빠르다고 설명합니다.

AI 성능이 정말 4배 일까? 

Apple의 “최대 4배 AI 성능”은 특정 워크로드와 테스트 조건에서 나온 수치입니다. 모든 로컬 LLM이 정확히 4배 빨라진다는 의미는 아닙니다.

특히 Ollama, LM Studio, llama.cpp 같은 로컬 LLM 도구는 대체로 GPU와 메모리 대역폭의 영향을 크게 받습니다.

그래도 M6에서 GPU 코어마다 Neural Accelerator를 넣고, 메모리 대역폭을 M4의 120GB/s에서 최대 170GB/s까지 올린 것은 로컬 AI 입장에서 꽤 의미가 큽니다.

2nm M6, 뭐가 달라졌을까?

M6는 Apple의 첫 2 나노 칩입니다. 12코어 CPU와 12코어 GPU, GPU 코어별 Neural Accelerator, 듀얼 16코어 Neural Engine을 탑재했습니다.

작은 데스크탑 안에서 CPU·GPU·AI 연산을 동시에 끌어올리면서도 Apple Silicon 특유의 전력 효율을 유지하는 것이 핵심입니다.

게임 성능도 꽤 많이 올랐습니다

Apple은 Cyberpunk 2077 Ultimate Edition의 레이트레이싱 게임 성능에서 M4 대비 최대 2배를 제시합니다.

독립 리뷰에서도 M6 Mac mini가 1080p 게임에서 이전 세대보다 훨씬 여유로운 모습을 보인다는 평가가 나오고 있습니다.

다만 Mac mini를 게임 머신 하나만 보고 사는 것은 여전히 애매합니다. 이번 제품의 진짜 매력은 게임보다 개발 + 영상 + AI + 일반 작업을 한 박스에서 조용히 처리한다는 점입니다.

디자인은 거의 그대로입니다

외형은 2024년 M4 Mac mini에서 등장한 12.7cm 정사각형 디자인을 유지합니다. 즉 “새 Mac” 티는 거의 안 납니다. 책상 위에서 보면 예전 M4와 구분하기 어려울 정도입니다. 대신 기존 M4 Mac mini용 스탠드나 액세서리를 계속 활용하기 쉬운 장점이 있습니다.

연결성은 꽤 좋아졌습니다

M6 Mac mini는 Wi‑Fi 7, Bluetooth 6, 2.5Gb Ethernet을 기본 지원하고 10Gb Ethernet 옵션을 제공합니다.

NAS, 대용량 영상 파일, 로컬 AI 모델 파일을 자주 옮기는 사람이라면 2.5Gb Ethernet 기본 지원은 생각보다 반가운 변화입니다.

그럼 누가 M6 Mac mini를 사면 좋을까?

• M1·M2 Mac mini에서 업그레이드하려는 사용자
• 작고 조용한 개발 머신이 필요한 사람
• Final Cut Pro, Logic Pro, Xcode 작업을 한 기기에서 처리하는 사용자
• LM Studio, Ollama, MLX 등으로 로컬 AI를 실행하려는 사람
• 24시간 가까이 켜두는 개인 AI 서버나 자동화 머신이 필요한 사용자

M4 사용자는 바꿔야 할까?

M4 Mac mini를 이미 가지고 있다면 이야기가 달라집니다.

웹, 문서, 일반 코딩 위주라면 M4도 여전히 매우 빠릅니다. AI 작업을 거의 하지 않는다면 M6로 바꾸는 체감이 가격 차이만큼 크지 않을 수 있습니다.

반대로 로컬 LLM, 이미지 생성, 에이전트, 코드 생성 같은 AI 작업이 중심이라면 M6의 메모리 대역폭과 GPU 구조 변화는 꽤 매력적입니다.

Apple 공식 영상

YouTube – Apple: The new Mac mini with M6

Apple 공식 영상에서는 최대 40% 빠른 CPU, 최대 2배 그래픽, 최대 4배 AI 성능을 중심으로 M6 Mac mini를 소개합니다.

그런데 진짜 중요한 질문은 따로 있습니다

AI 목적으로 Mac mini를 산다면 CPU 코어 수보다 더 중요한 것이 있습니다.

16GB? 24GB? 32GB?

Apple Silicon에서는 이 메모리가 CPU만 쓰는 RAM이 아닙니다. GPU도 같은 메모리를 공유합니다.

그래서 다음 2부에서는 Mac mini의 통합 메모리가 왜 로컬 LLM에 유리한지, 16GB·24GB·32GB에서 실제로 어느 크기의 모델까지 가능한지, M6와 RTX GPU의 차이가 무엇인지를 집중적으로 살펴보겠습니다.

로컬 AI를 처음 시작하면 모델 이름부터 암호처럼 보입니다.

7B, 13B, 27B, 70B… 도대체 B는 무엇일까?

결론부터 말하면 B는 Billion, 즉 10억을 뜻합니다. 7B 모델은 약 70억 개, 13B는 약 130억 개, 70B는 약 700억 개의 파라미터를 가진 모델이라는 뜻입니다.

파라미터 70억 개? AI 머릿속의 아주 작은 다이얼 70억 개

파라미터(parameter)는 AI가 학습 과정에서 조정한 숫자입니다. 하나하나는 작은 숫자지만 수십억 개가 모이면 언어의 패턴과 관계를 표현하는 거대한 모델이 됩니다.

그래서 7B에서 숫자 7은 단순한 버전 번호가 아닙니다. 대략적인 모델 규모와 필요한 메모리를 짐작하게 해주는 첫 번째 힌트입니다.

왜 7B 모델이 7GB가 아닐까?

FP16에서는 파라미터 하나를 저장하는 데 2바이트가 필요합니다. 따라서 가중치만 단순 계산하면:

• 7B × 2바이트 ≈ 14GB
• 13B × 2바이트 ≈ 26GB
• 70B × 2바이트 ≈ 140GB

그리고 실제 추론에는 모델 가중치만 필요한 것이 아닙니다. KV cache, 컨텍스트 길이, 런타임 버퍼 같은 추가 공간도 필요합니다. NVIDIA 역시 LLM의 GPU 메모리를 좌우하는 주요 요소로 모델 가중치와 KV cache를 설명합니다.

참고: NVIDIA – Mastering LLM Techniques: Inference Optimization

그런데 7B 모델을 8GB 그래픽카드에서도 돌린다는데요?

여기서 등장하는 비밀 무기가 양자화(Quantization)입니다.

FP16이 파라미터 하나를 16비트로 표현한다면, 8비트나 4비트로 줄여 저장할 수도 있습니다. 일종의 압축 이사입니다. 큰 가구를 조금 작게 접어 VRAM이라는 방 안에 넣는 셈입니다.

4비트라면 이론상 파라미터 하나가 약 0.5바이트이므로 7B 모델의 순수 가중치는 약 3.5GB 수준까지 줄어듭니다. 물론 실제 실행에는 추가 메모리가 필요합니다. NVIDIA도 4비트 양자화된 27B 모델의 가중치를 약 13.5GB로 설명하며 별도 오버헤드가 필요하다고 안내합니다.

참고: NVIDIA – Accelerating Larger LLMs Locally

그럼 내 그래픽카드는 어디까지 가능할까?

예를 들어 GeForce RTX 4070 Ti SUPER 16GB를 가지고 있다고 해보겠습니다. 16GB VRAM은 로컬 AI 입문용으로 꽤 재미있는 구간입니다.

모델 규모	FP16 단순 가중치	4bit 단순 가중치	16GB GPU에서
7B	약 14GB	약 3.5GB	4bit 매우 여유로운 편
13B	약 26GB	약 6.5GB	4bit 현실적인 선택
27B	약 54GB	약 13.5GB	4bit도 설정에 따라 빠듯
70B	약 140GB	약 35GB	전체 GPU 적재는 어려움

표의 4bit 수치는 가중치만 단순 계산한 값입니다. 실제 필요한 VRAM은 모델 구조, 양자화 형식, 컨텍스트 길이, KV cache, 실행 프로그램에 따라 달라집니다.

16GB를 넘으면 끝인가요? 아닙니다

모델 전체가 VRAM에 들어가지 않아도 일부 레이어를 시스템 RAM과 CPU에 맡기는 GPU Offloading 방법이 있습니다. LM Studio나 llama.cpp 계열 도구에서 자주 만날 수 있습니다.

다만 “실행된다”와 “쾌적하다”는 다른 이야기입니다. VRAM에 모델이 잘 들어갈수록 일반적으로 GPU의 속도를 더 잘 활용할 수 있습니다.

Hugging Face는 AI 모델 창고

로컬 AI를 하다 보면 결국 Hugging Face를 만나게 됩니다. 개발자 입장에서는 AI 모델이 진열된 거대한 앱스토어이자 GitHub 같은 공간이라고 생각하면 쉽습니다.

초보자가 모델을 고를 때 먼저 볼 것

1. 모델 크기: 7B, 8B, 13B, 14B처럼 파라미터 규모를 확인합니다.
2. 파일 형식: llama.cpp나 LM Studio를 쓴다면 GGUF가 편리합니다.
3. 양자화: Q4_K_M 같은 4bit 계열은 용량과 품질의 균형 때문에 자주 선택됩니다.
4. 라이선스: 상업적 이용 여부와 사용 조건을 반드시 확인합니다.
5. Model Card: 어떤 용도로 만든 모델인지, 필요한 실행 방법이 무엇인지 읽어봅니다.

Hugging Face에서 가장 간단하게 다운로드하기

Python이 설치되어 있다면 터미널에서 Hugging Face CLI를 사용할 수 있습니다.

pip install -U huggingface_hub

그 다음 원하는 모델 저장소를 찾았다면 다음처럼 받을 수 있습니다.

hf download HuggingFaceH4/zephyr-7b-beta

특정 폴더에 저장하고 싶다면:

hf download HuggingFaceH4/zephyr-7b-beta --local-dir ./models/zephyr-7b

Hugging Face 공식 문서에 따르면 hf download는 단일 파일뿐 아니라 저장소 전체도 받을 수 있고, --local-dir로 저장 위치를 지정할 수 있습니다.

공식 가이드: Hugging Face – Downloading models

Python 코드로 모델 전체를 받고 싶다면?

from huggingface_hub import snapshot_download

snapshot_download(
    repo_id="HuggingFaceH4/zephyr-7b-beta",
    local_dir="./models/zephyr-7b"
)

snapshot_download()는 모델 저장소의 스냅샷을 내려받고 여러 파일을 병렬로 처리합니다. 필요한 파일만 선택하거나 제외하는 것도 가능합니다.

공식 가이드: Hugging Face Hub 다운로드 가이드

다운로드 버튼을 누르기 전에 파일 크기 확인하기

70B라는 숫자를 보고 “일단 받아보자!”라고 누르면 SSD가 먼저 놀랄 수 있습니다.

모델 페이지의 Files and versions에서 실제 파일 크기를 확인하고, GGUF라면 Q4, Q5, Q8 등 어떤 양자화 파일인지 살펴보는 습관이 좋습니다.

정리: 모델 이름을 보면 내 GPU에서 돌릴 수 있을까

이제 모델 이름에 붙은 7B나 70B가 조금 다르게 보일 겁니다.

B는 모델의 덩치를 알려주는 표지판이고, 양자화는 그 덩치를 줄이는 압축 기술이며, VRAM은 모델이 올라가 일할 작업대입니다.

16GB VRAM 그래픽카드를 가지고 있다면 처음부터 70B를 붙잡기보다 7B~14B급 4bit 모델부터 시작해보는 것이 이해도 쉽고 속도도 즐길 만합니다. 이후 20B~30B급을 시험하면서 GPU Offload와 컨텍스트 길이가 성능에 어떤 영향을 주는지 직접 확인하면 로컬 AI가 갑자기 훨씬 재미있어집니다.

요즘 AI를 직접 내 PC에서 돌려보고 싶다는 생각을 하는 분들이 많습니다. ChatGPT처럼 대화하는 AI, Stable Diffusion 같은 이미지 생성 AI, 영상 생성 모델까지 이제는 개인 PC에서도 실행할 수 있습니다.

그런데 막상 시작하려고 보면 한 가지 벽을 만납니다.

“왜 AI 좀 돌리려는데 그래픽카드가 이렇게 비싸지?”

게임을 하지 않는 사람이라면 더 이상합니다. 그래픽카드는 원래 게임 화면을 예쁘게 보여주는 장치라고 생각했는데, 왜 인공지능 시대가 되자 갑자기 가장 중요한 부품이 되었을까요?

결론부터 말하면, AI는 ‘엄청난 양의 계산’을 동시에 처리해야 하기 때문입니다

CPU는 매우 똑똑한 만능 사무원에 가깝습니다. 복잡한 일을 순서대로 처리하는 데 강합니다. 반면 GPU는 수천 명의 계산원이 한꺼번에 같은 종류의 계산을 처리하는 구조입니다.

AI의 핵심 연산은 대부분 거대한 행렬 계산입니다. 숫자 수백만 개를 곱하고 더하는 작업이 반복됩니다. 이런 작업에서는 CPU보다 GPU가 훨씬 효율적입니다.

그래서 GPU는 게임용 부품에서 시작했지만, 지금은 AI 연산의 핵심 엔진이 되었습니다.

그런데 GPU 성능보다 더 중요한 것이 있습니다. 바로 VRAM입니다

로컬 AI를 처음 시작할 때 많은 분들이 CUDA 코어 수, 클럭, 벤치마크 점수만 봅니다. 하지만 실제로 AI를 실행하다 보면 먼저 부딪히는 한계는 종종 VRAM 용량입니다.

VRAM은 그래픽카드 안에 붙어 있는 전용 메모리입니다. 게임에서는 고해상도 텍스처, 프레임 버퍼 등을 저장하고, AI에서는 모델의 가중치와 연산 중 필요한 데이터를 담습니다.

NVIDIA는 VRAM을 GPU가 빠르게 접근할 수 있는 고속 메모리라고 설명합니다. 게임뿐 아니라 생성형 AI에서도 VRAM 크기는 실행 가능한 모델 크기와 직결됩니다.

AI 모델은 사실 ‘거대한 숫자 덩어리’입니다

LLM에서 자주 보는 7B, 13B, 70B 같은 숫자는 모델의 파라미터 수를 뜻합니다. 예를 들어 7B 모델은 약 70억 개의 파라미터를 가진 모델입니다.

이 숫자들을 메모리에 올려야 AI가 계산을 시작할 수 있습니다.

예를 들어 FP16 형식에서는 파라미터 하나에 약 2바이트가 필요합니다. 단순 계산으로만 보면 70억 개라면 약 14GB입니다. 여기에 실행 중 필요한 추가 메모리까지 포함되면 요구량은 더 커집니다.

NVIDIA 기술 문서에서도 7B 모델을 FP16으로 실행하거나 학습하는 경우 상당한 GPU 메모리가 필요하다고 설명합니다.

그래서 8GB 그래픽카드에서는 실행하기 어려운 모델이 16GB에서는 돌아가고, 24GB 이상에서는 훨씬 여유롭게 동작하는 상황이 생깁니다.

그런데 여기서 궁금해집니다. “7B가 정확히 뭐고, 내가 가진 그래픽카드로는 몇 B까지 돌릴 수 있을까?” 이 부분은 별도의 입문 글에서 7B·13B·70B, FP16과 4bit 양자화, VRAM 계산법부터 Hugging Face에서 실제 모델을 내려받는 방법까지 이어서 정리했습니다. 7B·13B·70B는 무슨 뜻일까? 내 그래픽카드로 돌릴 수 있는 AI 모델 찾기

VRAM은 책상 크기라고 생각하면 쉽습니다

AI 모델을 거대한 설계도라고 생각해보겠습니다.

VRAM은 그 설계도를 펼쳐놓는 책상입니다.

책상이 충분히 크면 모든 자료를 한 번에 펼쳐놓고 빠르게 작업할 수 있습니다. 하지만 책상이 좁으면 자료를 계속 서랍에 넣었다 꺼내야 합니다.

AI에서도 비슷합니다. 모델이 VRAM에 전부 올라가지 않으면 일부 데이터를 시스템 RAM이나 CPU 쪽으로 넘겨야 합니다. 이것을 GPU Offloading이라고 부릅니다.

실행은 가능해질 수 있지만 속도는 크게 느려질 수 있습니다.

게임에서 VRAM이 중요했던 이유가 AI에서도 그대로 이어집니다

고사양 게임에서도 4K 해상도, 고해상도 텍스처, 레이트레이싱을 사용하면 VRAM 사용량이 크게 증가합니다.

AI 역시 마찬가지입니다. 다만 게임이 텍스처와 프레임 데이터를 올린다면, AI는 수십억 개의 파라미터를 올린다는 차이가 있습니다.

즉 게임 시대에 GPU가 ‘화면을 만드는 엔진’이었다면, AI 시대에는 ‘생각을 계산하는 엔진’ 역할까지 맡게 된 셈입니다.

그래서 NVIDIA가 AI 시대의 핵심 기업이 되었습니다

GPU는 원래 그래픽 처리용으로 발전했지만, 병렬 연산이라는 특성이 딥러닝과 매우 잘 맞았습니다. NVIDIA는 CUDA 생태계를 통해 개발자가 GPU를 AI 연산에 활용하기 쉽게 만들었습니다.

이 때문에 오늘날 PyTorch, TensorFlow, Stable Diffusion, LLM 추론 도구 등 수많은 AI 소프트웨어가 NVIDIA GPU에 최적화되어 있습니다.

그렇다면 무조건 가장 비싼 그래픽카드를 사야 할까요?

그렇지는 않습니다. 중요한 것은 내가 어떤 AI를 돌릴 것인가입니다.

• 가벼운 로컬 LLM: 8GB~12GB VRAM에서도 양자화 모델을 활용하면 충분히 경험할 수 있습니다.
• Stable Diffusion, SDXL: 12GB~16GB 정도면 꽤 편하게 사용할 수 있습니다.
• 조금 더 큰 LLM, 이미지 생성, 영상 생성: 16GB 이상이 확실히 유리합니다.
• 대형 LLM, 학습, 고해상도 영상 생성: 24GB 이상 또는 여러 GPU가 필요할 수 있습니다.

최근에는 4비트, 8비트 양자화를 이용해 모델 크기를 크게 줄일 수 있습니다. 덕분에 과거에는 24GB VRAM이 필요했던 모델을 더 적은 메모리에서도 실행할 수 있습니다.

CPU와 RAM이 많으면 GPU 없이도 가능하지 않을까요?

가능합니다.

실제로 llama.cpp 같은 도구는 CPU만으로도 LLM을 실행할 수 있습니다. Apple Silicon처럼 통합 메모리를 사용하는 시스템도 로컬 AI에서 상당히 매력적입니다.

하지만 속도 차이는 분명합니다.

AI에서 중요한 것은 단순히 “돌아가느냐”가 아니라 얼마나 빠르게 결과가 나오느냐입니다.

이미지 한 장을 만드는 데 5초가 걸리는 것과 2분이 걸리는 것은 체감이 완전히 다릅니다. 영상 생성에서는 이 차이가 몇 분과 몇 시간으로 벌어질 수도 있습니다.

그래픽카드 가격이 비싼 진짜 이유

결국 우리가 비싼 GPU를 사는 이유는 단순히 FPS를 높이기 위해서가 아닙니다.

GPU에는 다음과 같은 요소가 동시에 들어갑니다.

• 수천 개의 병렬 연산 코어
• AI 전용 Tensor Core
• 고속 VRAM
• 매우 높은 메모리 대역폭
• 복잡한 전력 및 냉각 설계

특히 VRAM은 단순한 저장 공간이 아닙니다. GPU가 초당 수백 GB 이상의 데이터를 주고받을 수 있도록 설계된 매우 빠른 메모리입니다.

로컬 AI의 가장 큰 장점은 ‘내 컴퓨터에서 돌아간다’는 것입니다

그렇다면 클라우드 AI를 쓰면 되지 않을까요?

물론 대부분의 사람에게는 ChatGPT, Gemini, Claude 같은 서비스가 훨씬 편합니다.

하지만 로컬 AI에는 분명한 장점이 있습니다.

• 인터넷 없이 사용할 수 있습니다.
• 개인 데이터가 외부 서버로 나가지 않습니다.
• API 비용을 계속 지불하지 않아도 됩니다.
• 모델을 자유롭게 수정하고 실험할 수 있습니다.
• 자동화 시스템과 직접 연결하기 쉽습니다.

특히 개발자나 AI를 직접 연구하고 싶은 사람에게 로컬 AI는 하나의 작은 개인 연구실이 됩니다.

초보자가 그래픽카드를 고를 때는 ‘성능’보다 VRAM부터 보세요

로컬 AI를 목적으로 그래픽카드를 구입한다면 다음 순서로 보는 것이 좋습니다.

1. VRAM 용량
2. CUDA 및 AI 소프트웨어 호환성
3. Tensor Core 세대
4. 메모리 대역폭
5. 전력 소비와 가격

게임 벤치마크에서 조금 더 빠른 GPU보다 VRAM이 더 많은 GPU가 AI에서는 오히려 더 유용한 경우가 많습니다.

마무리: AI 시대의 그래픽카드는 새로운 형태의 컴퓨터입니다

과거에는 좋은 그래픽카드를 사는 이유가 분명했습니다.

게임을 더 높은 해상도와 더 높은 FPS로 즐기기 위해서였습니다.

하지만 AI 시대에는 의미가 달라졌습니다.

그래픽카드는 이제 단순히 화면을 그리는 장치가 아니라 이미지 생성, 영상 생성, 음성 합성, LLM 추론까지 담당하는 작은 병렬 컴퓨터가 되었습니다.

그리고 그 컴퓨터의 작업 공간이 바로 VRAM입니다.

그래서 로컬 AI를 시작하면 자연스럽게 이런 생각을 하게 됩니다.

“GPU가 얼마나 빠른가?”보다 먼저 “VRAM이 얼마나 큰가?”

아마 AI를 직접 돌려본 사람이라면 이 말이 꽤 빠르게 이해될 것입니다.

---

핵심 키워드: 로컬 AI, GPU, VRAM, 그래픽카드, LLM, Stable Diffusion, 생성형 AI, NVIDIA, CUDA

AI를 업무에 활용할 때 중요한 것은 답변의 품질과 작업을 마치는 데 필요한 시간, 비용입니다. 앤트로픽이 2026년 9월 22일 공개한 Claude Opus 5.5는 이 세 가지의 개선을 내세운 모델입니다. 이번 글에서는 공식 발표를 바탕으로 주요 기능과 가격, 활용 방법을 살펴봅니다.

Claude Opus 5.5, 무엇이 달라졌나요?

앤트로픽은 Opus 5.5의 주요 변화로 복잡한 작업 수행 능력, 처리 효율, 명확한 설명을 강조합니다. 공식 발표에 따르면 Opus 5 대비 출력 생성 속도가 30% 이상 빨라졌으며, 일반적인 작업의 실행 비용은 기본 설정에서 약 40% 줄어듭니다. 이는 회사 측 평가 결과이며 실제 작업마다 차이가 있습니다. [1]

1. 큰 프로젝트를 다루는 코딩 기능

공식 제품 설명에 따르면 여러 파일에 걸친 기능 개발, 디버깅, 리팩터링, 코드 리뷰에 대응합니다. 문제의 원인을 찾고 수정 결과를 점검하며, 변경 내용을 이해하기 쉽게 설명하는 데 초점을 맞췄습니다. [2]

활용 예시로는 배치 프로그램의 오류 원인을 로그와 코드로 함께 분석하거나, 오래된 모듈의 수정 범위와 테스트 항목을 정리하는 작업을 생각할 수 있습니다. 운영 반영 전에는 기존 결과와의 비교가 필요합니다.

2. 여러 도구를 연결하는 AI 에이전트

에이전트는 목표를 수행하기 위해 도구를 사용하며 여러 단계를 진행하는 AI입니다. Opus 5.5는 작업 계획, 하위 에이전트 조율, 세션 간 메모리 활용 등 긴 작업을 이어가는 기능을 강조합니다. 실제 사용 범위는 연결한 도구와 실행 환경에 따라 달라집니다. [2]

3. 문서·차트 분석과 업무 결과물 작성

문서, 차트, 스크린샷을 해석하고 스프레드시트·발표자료·문서를 만드는 업무도 주요 활용 분야입니다. 핵심을 앞에 배치하고 사용자가 지정한 글쓰기 규칙을 따르는 설명 방식 역시 개선점으로 소개됐습니다. [2]

예를 들어 상품 비교 자료를 제공하고 구매 기준별 표와 블로그 초안을 요청할 수 있습니다. 가격·출시일 등 변동 정보는 원문과 대조하는 과정이 필요합니다.

4. API 가격과 ‘40% 절감’의 의미

아래는 공식 발표의 표준 API 가격입니다. 단위는 100만 토큰당 미국 달러입니다. [1]

항목	Opus 5	Opus 5.5
입력	$5	$4
출력	$25	$20
캐시 읽기	$0.50	$0.20

40%는 모든 요금의 일괄 할인율이 아닙니다. 입력·출력 단가는 20%, 캐시 읽기는 60% 내려갔고, 작업당 토큰 사용량 감소까지 반영한 회사 측 추정치입니다. 구독료가 40% 인하됐다는 뜻도 아닙니다.

별도 Fast mode는 최대 2.5배 속도를 제공하며, 입력 $8·출력 $40으로 표준 모드보다 비쌉니다. [1]

어디에서 사용할 수 있나요?

공식 안내 기준으로 Claude의 Pro·Max·Team·Enterprise 이용자가 사용할 수 있습니다. 개발자는 Claude Platform과 AWS·Google Cloud·Microsoft Foundry에서 이용할 수 있으며, Claude API 모델 ID는 claude-opus-5-5입니다. [2]

실제 업무에서는 이렇게 비교해 보세요

도입 전에는 자주 하는 작업 하나를 골라 기존 모델과 동일한 자료·요구사항으로 비교해 보는 것이 좋습니다. 정답 여부와 함께 완료 시간, 재수정 횟수, 총비용을 기록하면 자신의 업무에서 개선 효과가 있는지 판단하기 쉽습니다.

확인 기준: 2026년 9월 29일. 직접 사용 후기가 아닌 공식 발표 기반 소개입니다.

참고 자료

• [1] Anthropic — Introducing Claude Opus 5.5
• [2] Anthropic — Claude Opus 제품 안내

“지적 노동에서 전문가를 넘는다”는 말은 과장이었을까

OpenAI가 2025년 12월, 최신 AI 모델 GPT-5.2를 공개했다.
OpenAI는 이 모델을 “전문 지식 노동과 장시간 에이전트 작업을 위한 가장 진보한 프런티어 모델”이라고 설명한다.

이 문장은 익숙하다.
AI 발표 때마다 반복되어 온 표현이기 때문이다.

하지만 GPT-5.2에 대해 업계가 주목하는 이유는 따로 있다.
이번에는 “더 똑똑해졌다”는 선언이 아니라, 이미 경제적 효과가 수치로 증명되고 있다는 점이다.

이미 업무 시간은 줄어들고 있었다

OpenAI에 따르면,
평균적인 ChatGPT Enterprise 사용자는 이미 하루 40~60분의 시간을 절약하고 있으며,
헤비 유저의 경우 주당 10시간 이상을 AI로 절감하고 있다고 답했다.

GPT-5.2는 이 지점을 더 밀어붙이기 위해 설계됐다.

• 스프레드시트 생성
• 프레젠테이션 구성
• 코드 작성과 리뷰
• 이미지 이해
• 긴 문맥 분석
• 도구 호출과 다단계 프로젝트 처리

즉, GPT-5.2는 “답변을 잘하는 모델”이 아니라
실제 결과물을 만들어내는 모델에 가깝다.

GPT-5.2는 하나의 모델이 아니다

GPT-5.2는 용도에 따라 세 가지로 제공된다.

• GPT-5.2 Instant
  일상 업무, 학습, 검색, 설명에 최적화된 고속 모델
• GPT-5.2 Thinking
  복잡한 추론, 코드, 장문 문서, 다단계 의사결정을 위한 모델
• GPT-5.2 Pro
  시간이 걸리더라도 정확성과 완성도를 최우선으로 하는 최상위 모델

이 구성은 OpenAI의 전략 변화를 보여준다.
“하나의 AI가 모든 것을 한다”는 환상에서,
업무 흐름에 맞춘 AI 분업 체계로 이동하고 있다는 신호다.

GPT-5.2 Thinking과 Pro는 실제로 얼마나 강해졌나

GPT-5.2에 대한 설명이 추상적으로 느껴진다면,
이제는 숫자를 볼 차례다.

OpenAI는 GPT-5.2 Thinking을 중심으로,
GPT-5.2 Pro의 일부 결과를 포함한 세부 벤치마크 점수를 공개했다.
이 평가는 단순 정답률이 아니라, 실제 업무·연구·엔지니어링 맥락을 기준으로 설계된 것이 특징이다.

전문 지식 노동 (Professional Work)

평가 항목	GPT-5.2 Thinking	GPT-5.2 Pro	이전 세대
GDPval (승·무 기준)	70.9%	74.1%	38.8% (GPT-5)
GDPval (명확한 승리만)	49.8%	60.0%	35.5%
투자은행 스프레드시트 과제	68.4%	71.7%	59.1%

이 수치는 의미가 명확하다.
GPT-5.2 Thinking은 이미 다수의 지식 노동 과제에서 인간 전문가와 동급 이상이며,
Pro 모델은 그 안정성과 완성도를 더 끌어올린다.

특히 스프레드시트, 재무 모델링, 프레젠테이션 구성처럼
형식과 구조가 중요한 업무에서 개선 폭이 크다.

코딩 성능 (Coding)

평가 항목	GPT-5.2 Thinking	GPT-5.2 Pro	GPT-5.1 Thinking
SWE-Bench Pro (Public)	55.6%	–	50.8%
SWE-bench Verified	80.0%	–	76.3%
SWE-Lancer IC Diamond	74.6%	–	69.7%

SWE-Bench Pro는 실제 코드 저장소를 기반으로
“패치를 만들어 문제를 해결할 수 있는지”를 평가한다.

GPT-5.2 Thinking은 여기서 **새로운 최고점(SOTA)**을 기록했다.
이는 곧,

• 대규모 코드베이스 리팩토링
• 기능 구현
• 버그 수정

같은 작업을 사람의 개입 없이 끝까지 밀고 갈 확률이 높아졌다는 뜻이다.

사실성 (Factuality)

평가 항목	GPT-5.2 Thinking	GPT-5.1 Thinking
오류 없는 응답 (검색 사용)	93.9%	91.2%
오류 없는 응답 (검색 없음)	88.0%	87.3%

숫자 차이는 크지 않아 보이지만,
업무 현장에서는 이 2~3%가 재검토 비용과 신뢰도를 크게 바꾼다.

GPT-5.2는 “더 똑똑한 AI”라기보다
“덜 틀리는 AI”에 가까워졌다고 보는 편이 정확하다.

초장문 문맥 이해 (Long Context)

평가 항목	GPT-5.2 Thinking	GPT-5.1 Thinking
MRCRv2 (8 needles, 4k–8k)	98.2%	65.3%
MRCRv2 (16k–32k)	95.3%	44.0%
MRCRv2 (128k–256k)	77.0%	29.6%

이 결과는 매우 상징적이다.
GPT-5.2는 256k 토큰 구간에서도 논리 붕괴 없이 정보를 유지한다.

즉, 이제 AI는

• 계약서 수십 개
• 보고서 수백 페이지
• 대화 로그 전체

를 **“읽고, 기억하고, 다시 꺼내 쓸 수 있는 단계”**에 들어섰다.

비전(Vision) 이해

평가 항목	GPT-5.2 Thinking	GPT-5.1 Thinking
CharXiv Reasoning (w/ Python)	88.7%	80.3%
ScreenSpot Pro (GUI 이해)	86.3%	64.2%

GPT-5.2는 단순 이미지 인식을 넘어,
**“화면의 구조와 맥락”**을 이해하기 시작했다.

이는 기술 지원, 운영 대시보드 분석, UI 리뷰 같은
실무 영역에서 특히 강력하다.

수학·과학·추론

평가 항목	GPT-5.2 Thinking	GPT-5.2 Pro	GPT-5.1 Thinking
GPQA Diamond	92.4%	93.2%	88.1%
AIME 2025	100%	100%	94.0%
FrontierMath (Tier 1–3)	40.3%	–	31.0%
ARC-AGI-2	52.9%	54.2%	17.6%

특히 ARC-AGI-2는 사전 지식이 통하지 않는 추상 추론 문제다.
여기서의 점프는 GPT-5.2가 단순 패턴 인식 모델을 넘어서
‘새 문제를 푸는 사고 구조’를 갖추기 시작했음을 보여준다.

이 숫자들이 말해주는 것

GPT-5.2는 모든 영역에서 “조금씩 좋아진 모델”이 아니다.

• 지식 노동 → 전문가 수준 도달
• 코딩 → 엔드투엔드 처리 가능
• 문맥 → 사고의 지속성 확보
• 비전 → 업무 화면 이해
• 추론 → 새 문제 대응

즉, GPT-5.2는
“AI를 어디까지 맡길 수 있는가”라는 질문에 처음으로 실질적인 답을 제시한 모델이다.

환각이 줄었다는 말의 무게

GPT-5.2 Thinking은 환각(hallucination) 발생률도 줄였다.
실제 ChatGPT 질의 기준으로,
오류가 포함된 응답은 약 30% 상대적으로 감소했다.

숫자만 보면 작아 보일 수 있다.
그러나 업무에서 이 차이는 치명적이다.

• 리서치
• 분석
• 의사결정 지원

이 영역에서 “조금 덜 틀린 AI”는
“훨씬 더 신뢰할 수 있는 AI”를 의미한다.

긴 문서, 이제는 진짜 ‘읽는다’

GPT-5.2 Thinking은 256k 토큰까지의 장문 문맥에서
거의 100%에 가까운 정확도를 기록했다.

계약서, 보고서, 연구 논문, 회의 기록처럼
수십만 토큰에 흩어진 정보를 하나의 논리로 엮는 작업이 가능해졌다.

이는 단순한 컨텍스트 확장이 아니라,
사고의 지속성이 확보됐다는 의미다.

이미지와 화면을 이해하는 AI

GPT-5.2는 시각 인식에서도 큰 폭의 개선을 보였다.

• 과학 논문 차트 해석
• GUI 스크린샷 이해
• 대시보드, 다이어그램 분석

특히 화면 요소의 상대적 위치를 이해하는 능력이 향상되면서,
기술 지원, 디자인 검토, 엔지니어링 업무에서 활용도가 높아졌다.

오랫동안 아이폰 사용자들의 숙원이었던 교통카드 기능이 마침내 실현되었습니다. 2025년 7월부터 한국에서도 Apple Wallet(지갑) 앱에 티머니 교통카드를 추가하여, 실물 카드 없이 아이폰 또는 애플 워치만으로 지하철, 버스 등 대중교통을 이용할 수 있게 되었습니다. 서울을 비롯한 대한민국 전역의 지하철 및 버스 대부분에서 아이폰을 태그하여 승차할 수 있으며, 편의점 등 티머니 가맹점에서도 결제 수단으로 사용할 수 있습니다

애플페이 티머니 개요 및 장점

오랫동안 아이폰 사용자들의 숙원이었던 교통카드 기능이 마침내 실현되었습니다. 2025년 7월부터 한국에서도 Apple Wallet(지갑) 앱에 티머니 교통카드를 추가하여, 실물 카드 없이 아이폰 또는 애플 워치만으로 지하철, 버스 등 대중교통을 이용할 수 있게 되었습니다. 서울을 비롯한 대한민국 전역의 지하철 및 버스 대부분에서 아이폰을 태그하여 승차할 수 있으며, 편의점 등 티머니 가맹점에서도 결제 수단으로 사용할 수 있습니다

애플페이 티머니는 **익스프레스 모드(Express Mode)**를 지원하여, 아이폰을 잠금 해제하거나 앱을 실행할 필요 없이 단말기에 가까이 대기만 하면 자동으로 결제가 이루어집니다. 심지어 아이폰 배터리가 완전히 방전된 후에도 최대 5시간까지 교통카드 기능을 사용할 수 있는 전원 절약 모드도 지원됩니다. 잔액 확인 및 충전도 아이폰의 지갑 앱에서 바로 가능하고, 자동 충전 기능을 통해 잔액 부족 걱정 없이 이용할 수 있다는 편리함이 있습니다. 아래에서는 Apple Pay 기반 티머니 카드의 등록 방법부터 사용법, 충전 방법, 이용 가능 지역/교통수단, 그리고 실물 카드 대비 장단점까지 차례로 알아보겠습니다.

애플페이 티머니 등록 절차

아이폰에서 티머니 교통카드를 사용하려면, 우선 Apple 지갑 앱에 티머니 카드를 추가해야 합니다. 절차는 다음과 같습니다:

1. 지원 기기 및 iOS 버전 확인: 아이폰 XS/XR 이후 모델이고 iOS 17.2 이상(애플 워치는 Series 6 이상에 watchOS 10.2 이상)이어야 합니다. 구형 기기는 지원되지 않으니 유의하세요. 또한 선불형 티머니 카드만 추가 가능하며(후불 교통카드는 미지원), 아이폰과 애플 워치에 각각 별도로 카드 발급이 필요합니다.
2. 지갑 앱에서 카드 추가: 아이폰의 Wallet (지갑) 앱을 열고 “+” (추가) 버튼을 탭합니다. 메뉴에서 **“교통 카드”**를 선택하고 **“Tmoney”**를 고르면, 화면 안내에 따라 새로운 티머니 교통카드를 발급할 수 있습니다. 이때 최소 충전 금액을 설정하라는 안내가 나오며, 초기 등록을 위해 일정 금액을 충전해야 합니다. 원하는 금액을 애플페이를 통해 결제하면 티머니 카드가 지갑에 추가됩니다. 발급과 충전에 국내 발급 신용/체크카드 (애플페이에 등록된 카드) 가 필요합니다. 현재(2025년 7월) 애플페이에서 지원되는 국내 카드사가 제한적이므로, 현대카드 등 애플페이 등록 카드가 있어야 이 방법으로 충전까지 완료할 수 있습니다.
3. 모바일 티머니 앱 이용 (대안): 만약 현대카드 등 애플페이 가능 카드가 없다면, 모바일 티머니 iOS 앱을 통해 우회할 수 있습니다. App Store에서 “모바일 티머니” 앱을 최신 버전으로 설치/업데이트한 뒤 실행하고, 앱 내에서 모바일 티머니 카드를 새로 발급합니다. 발급된 카드에 다른 신용/체크카드나 계좌이체 등으로 충전한 다음, 해당 티머니 카드를 아이폰 지갑에 추가하면 됩니다. 이렇게 하면 현대카드가 없어도 아이폰에 충전된 티머니 카드를 사용할 수 있습니다. 다만 이 방식은 별도의 앱 설치와 본인 인증 절차가 필요하며, 충전 수단에 따라 일부 수수료가 부과될 수 있습니다

Tip: 애플 워치에서도 티머니를 쓰고 싶다면, 아이폰에서 티머니 카드를 발급한 후 Watch 앱의 “지갑 및 Apple Pay” 설정으로 들어가 애플 워치에 티머니 카드 추가를 진행해야 합니다. 아이폰에 추가한 카드가 자동으로 워치에 동기화되는 것은 아니므로, 워치용으로 별도 발급·추가하세요

지갑 앱에서의 사용 방법

일단 지갑 앱에 티머니 교통카드를 추가했다면, 사용 방법은 기존 실물 티머니 카드와 거의 동일합니다. 아이폰이나 애플 워치로 지하철 개찰구 단말기나 버스 단말기에 가져다 대기만 하면 결제됩니다. 익스프레스 모드 덕분에 별도의 Face ID 인증이나 화면 켜기도 필요 없으며, 잠긴 화면 상태에서도 태그만으로 인식됩니다. 태그 시 진동/소리와 함께 화면 상단에 티머니 카드 이미지와 잔액 변동 등이 잠깐 표시되어, 성공적으로 결제되었는지 확인할 수 있습니다. 애플 워치 역시 화면을 켤 필요 없이 단말기에 가까이 대면 진동 피드백과 함께 승차가 완료됩니다.

잔액 확인 및 이용 내역: 아이폰의 지갑 앱에서 티머니 카드를 선택하면 현재 잔액이 표시됩니다. 카드를 아래로 스크롤하면 최근 거래 내역도 확인할 수 있어, 언제 어디서 얼마나 사용했는지 볼 수 있습니다

또한 티머니 카드 우측 상단의 “⦁⦁⦁” 버튼을 탭하면 카드 세부 설정 메뉴가 열리며, 여기서 자동 충전 설정이나 카드 삭제, 익스프레스 모드가 활성화 여부 등을 관리할 수 있습니다. 참고로 애플페이 티머니는 기본적으로 첫 추가 카드에 익스프레스 모드가 자동 활성화되며, 만약 티머니 카드를 여러 장 추가한 경우 하나만 Express로 설정되고 나머지는 수동 선택해야 사용 가능합니다.

오프라인 결제: 티머니 카드는 대중교통 외에도 편의점, 택시 등 티머니 가맹점에서 소액결제 수단으로 사용할 수 있습니다. 결제 시 “티머니로 결제할게요”라고 말한 뒤 아이폰을 리더기에 태그하면, 교통카드 잔액에서 금액이 차감되어 결제됩니다. 이때도 대체로 익스프레스 모드로 인식되지만, 일부 단말기에서는 인식이 다소 지연되거나 실패할 수 있으니, 화면에 표시되는 완료 여부를 확인하는 것이 좋습니다.

저전력 모드: 아이폰 배터리가 부족한 경우에도 최대 5시간까지는 교통카드 기능이 유지됩니다. 배터리가 0%로 꺼진 상태에서 교통카드를 태그하면, 전원 절약 모드로 잔여 시간 동안 결제가 가능하므로 긴급한 상황에서 유용합니다. 다만 5시간이 지나 완전히 방전된 경우나 기기를 분실한 경우를 대비해 예비용 실물 카드를 소지하거나, 애플 워치를 함께 활용하는 것도 안전한 방법입니다.

충전 및 자동 충전 방법 (지원 결제 수단)

애플페이 티머니 카드는 충전식(선불) 교통카드이므로, 잔액이 충분해야 사용할 수 있습니다. 충전하는 방법은 여러 가지가 있으며, 지원되는 결제 수단에도 차이가 있습니다. 주요 충전 방법과 특징은 아래 표와 같습니다:

충전 방법	특징 및 결제 수단
지갑 앱 직접 충전	애플 Wallet 앱에서 티머니 카드 선택 후 “충전” 메뉴 사용. 애플페이에 등록된 국내 발급 신용/체크카드로 결제되어 즉시 충전됨. 수수료 없이 즉시 충전 가능하지만, 현재 국내에서 애플페이를 지원하는 카드사(예: 현대카드)에 한해 이용 가능.
모바일 티머니 앱 충전	티머니 공식 앱에서 충전 금액 선택 후 다양한 결제 수단 사용 가능. 애플페이에 등록되지 않은 다른 신용/체크카드, 계좌이체, 간편결제 등을 통해 충전할 수 있음. 일부 결제 수단은 소액결제 수수료 (~2%)가 붙을 수 있으며, 충전 후 해당 금액이 지갑의 티머니 카드에 반영된다.
오프라인 충전	편의점(CU, GS25 등)이나 지하철 자동충전기 에서 현금으로 충전. 아이폰의 티머니 카드를 리더기에 태그하여 실물 카드처럼 충전할 수 있다. 편의점은 점포마다 지원 여부가 다를 수 있고, 지하철 무인 충전기는 수수료 없이 이용 가능.

충전한 금액은 즉시 티머니 카드 잔액에 반영되며, 충전 최대 한도는 50만 원입니다 (실물 카드와 동일). Apple 지갑에서의 자동 충전 기능도 세계 최초로 도입되었는데, 이를 활용하면 잔액이 일정 금액 이하로 내려갈 때 미리 설정한 금액만큼 자동으로 충전됩니다. 지갑 앱의 카드 설정에서 **“자동 충전”**을 켜고 *기준 잔액 (예: 5,000원 이하)*과 *충전 금액 (최소 1만 원~)*을 지정하면, 이후부터는 잔액이 부족해도 자동으로 카드에 금액이 추가됩니다. 예를 들어 잔액 7,000원 이하로 떨어지면 20,000원을 자동충전하도록 설정해 두면 출퇴근 시 잔액 부족으로 곤란을 겪을 일이 사라집니다. 자동충전 시 결제되는 카드 역시 애플페이에 등록된 국내 신용카드로 한정되며, 현재로선 현대카드로 설정하는 경우가 많습니다. 자동 충전 설정/변경은 지갑 앱이나 티머니 앱 양쪽에서 모두 가능합니다.

2025년 7월 현재 애플페이 국내 서비스는 현대카드 단독으로 제공되고 있습니다. 지갑 앱에서 티머니를 충전하거나 자동충전을 이용하려면 현대카드처럼 애플페이에 등록된 국내 카드가 반드시 필요합니다. 현대카드가 없는 경우 앞서 언급한 티머니 앱 충전 또는 오프라인 충전 방식을 이용해야 합니다. 추후 신한카드, KB국민카드 등 다른 카드사의 애플페이 지원이 확대되면 지갑 앱 충전도 더 자유로워질 것으로 기대됩니다.

티머니 사용 가능 지역 및 교통수단

애플페이 티머니 카드는 기존 실물 티머니 교통카드와 동일한 범위에서 사용 가능합니다. 즉, 티머니로 결제할 수 있는 대부분의 교통수단에서는 아이폰 교통카드로도 이용이 가능하다는 뜻입니다. 수도권부터 지방까지 폭넓게 활용되지만, 일부 제한 사항도 있으므로 상세 내용을 정리하면 다음과 같습니다:

교통수단	티머니 사용 범위
지하철	서울·경기 수도권 전철 (1~9호선, 신분당선, 공항철도 등 모든 노선), 인천 지하철 1~2호선, 부산 1~4호선, 대구 1~3호선, 대전 1호선, 광주 1호선 등 전국 도시철도에서 사용 가능
시내버스	서울, 경기, 인천 등 수도권 전 지역의 시내버스 및 부산·대구·광주·대전·울산 등 광역시 버스, 그 외 강원·충청·경상·전라 대부분 지역의 시내·농어촌 버스까지 지원. 거의 전국 모든 도시에서 현금 대신 티머니로 버스 요금을 낼 수 있습니다.
택시	서울 및 수도권 전체, 6대 광역시, 그리고 대부분 기초지자체의 택시에서 티머니 결제 가능. 다만 일부 지방의 구형 단말기 택시는 티머니 결제를 지원하지 않을 수 있습니다.
시외버스	시외버스(광역버스) 요금 결제는 티머니 지원되지 않음. 고속도로를 이용하는 시외/고속버스의 터미널 현장 구매나 모바일 예매는 티머니로 불가능합니다.
고속버스	일부 고속버스 노선 한정으로 티머니 결제가 지원됨. (예: 금호고속, 동양고속, 중앙고속 등 일부 회사). 해당 고속버스 터미널 매표소에서 티머니로 승차권을 구매할 수 있습니다.
철도(KTX 등)	코레일에서 운행하는 KTX, ITX-새마을, 무궁화호 등 열차 승차권 구매에도 티머니 사용 가능. 자동발매기에서 티머니로 결제하여 승차권을 살 수 있습니다. (※ SRT는 별도 카드 필요)

요약하면, “티머니” 마크가 붙어 있는 거의 모든 교통수단에서 아이폰 티머니도 사용할 수 있다고 보면 됩니다. 실제로 기자 실험에 따르면, 아이폰에 추가한 티머니 카드로 서울 시내버스를 승차한 결과 1500원 요금이 정상 차감되며 실물 카드와 동일하게 동작했습니다. 단, 일부 시외버스와 일부 지역의 택시를 제외하고는 문제없이 이용 가능하나, 혹시 모를 단말기 미지원에 대비해 승차 전 티머니 결제여부를 미리 확인해보는 것이 좋습니다. 현재는 청소년 우대용 티머니나 기후동행카드/K패스 등 특수 할인 교통카드는 지원되지 않으므로(등록 불가), 해당 할인 혜택을 받으려면 아직 실물 카드를 이용해야 합니다.

실물 카드 대비 디지털 티머니의 장단점

스마트폰 속으로 들어온 디지털 티머니는 여러모로 편리하지만, 기존 실물 티머니 카드와 비교했을 때 장점과 단점이 있습니다. 이를 정리하면 다음과 같습니다:

디지털 티머니의 주요 장점

• 휴대 편의성: 지갑이나 카드 케이스를 들고 다닐 필요 없이 항상 소지하는 아이폰만으로 교통카드를 이용할 수 있습니다. 실물 카드 분실 위험도 사라집니다. 또한 아이폰과 애플 워치를 연동하면 손목만으로도 결제되는 등 일상 이동이 한층 간편해집니다.
• **손쉬운 **충전 및 관리: 아이폰에서 언제든지 잔액 확인과 충전을 할 수 있어 편의점이나 역무기기 앞에서 번거롭게 충전할 필요가 없습니다. 자동 충전을 켜두면 잔액이 부족할 틈 없이 늘 일정 금액이 유지되어 안심입니다. 이 모든 충전 과정에 수수료가 없고(애플페이 충전 시) 매우 즉각적으로 처리가 됩니다.
• 보안 및 분실 대처: 애플페이 티머니는 Secure Element 칩을 통해 카드 정보를 안전하게 저장하고, 개인의 이용 내역을 애플이나 티머니가 추적할 수 없습니다. 기기를 분실하였을 경우 나의 찾기(Find My) 앱을 통해 원격으로 아이폰을 분실 모드로 전환하거나 티머니 카드를 즉시 사용 중지할 수 있어, 실물 카드를 잃어버렸을 때보다 보안 대응이 용이합니다.
• 빠른 태그 인식: 실제 사용 후기에 따르면 아이폰의 티머니 인식 속도는 매우 빨라 지하철 개찰구나 버스 단말기에서 실물 카드와 동일하게 즉시 인식됩니다. 특히 최신 교통 단말기와의 호환성이 좋아 쾌적하게 이용할 수 있습니다. (※ 다만 일부 구형 단말기는 인식이 살짝 지연될 수 있다고 보고됨)
• 추가 기능: 모바일 티머니 앱과 연동하여 티머니 마일리지 적립이나, 어린이/청소년 할인 설정 같은 부가 기능을 활용할 수 있습니다. 예를 들어 모바일 티머니 앱에서 해당 연령으로 등록하면 디지털 티머니 카드에도 청소년/어린이 교통할인 요금이 적용됩니다. (실물 할인카드는 별도 발급 절차가 필요한 반면, 모바일에서는 비교적 간편하게 설정 가능.)

디지털 티머니의 단점 및 유의사항

• 초기 설정 및 조건: 애플페이 지원 아이폰 (iPhone XS, XR 이후 모델) 이면서 iOS 17.4 이상이 설치되 있어있어야 하고, 국내 발급 카드가 애플페이에 등록되어 있어야 티머니 충전이 가능합니다. 특히 외국인 관광객의 경우 국내 신용카드가 없으면 아이폰에 티머니를 충전할 방법이 없어 사실상 사용이 불가능합니다. (일본의 Suica처럼 해외 카드로 바로 충전되지 않는 점이 아쉬운 부분입니다.) 현재 티머니 측에서도 외국인 관광객도 사용할 수 있는 방안을 검토 중이라고 하나, 아직까지는 한국 거주자 위주의 서비스임을 참고해야 합니다.
• 특수 할인/후불 기능 미지원: 앞서 언급했듯 후불형 티머니 카드 (신용카드 연계 교통결제)나 정기권/KPass/기후동행카드 등의 특수 기능은 디지털 티머니에서 지원되지 않습니다. 따라서 해당 할인 혜택을 받기 위해서는 실물 카드(또는 별도 앱)을 그대로 사용해야 합니다. 또한 현재 일부 티머니 선불카드의 잔액 이전도 직접적으로 할 수 없어, 기존 카드 잔액을 모바일로 옮기려면 번거로운 환불 절차나 마일리지 전환을 거쳐야 하는 불편도 있습니다.
• 기기별 개별 카드: 아이폰과 애플 워치를 둘 다 사용하는 경우 각 기기에 별도의 티머니 카드를 발급해야 합니다. 하나의 교통카드를 두 기기가 공유하지 못하므로, 두 장의 카드에 잔액을 각각 관리해야 합니다. 예를 들어 아이폰과 워치에 각각 5천 원씩 충전되어 있다면 한쪽을 다 쓰더라도 다른 쪽 잔액을 합쳐 쓸 수는 없습니다. 이 부분은 다소 비효율적일 수 있는데, 추후 아이클라우드 연동 등을 통한 개선이 기대됩니다.
• 기타 사항: 디지털 티머니는 초기 발급 시 최소 충전금액 부담(보통 1만원 내외 권장) 정도가 있으며, 실물 카드(통상 2,500원 구매) 대비 카드 발급 자체 비용은 없으나 충전 자금은 선불로 잡아두어야 합니다. 또한 아주 드물게 티머니 결제가 지원되지 않는 터미널이나 오류 상황이 있을 수 있으므로, 중요한 출퇴근시에 대비해 잔액 부족 알림을 켜두거나(자동충전 활용) 예비 수단을 준비하는 것이 좋습니다.

애플페이 도입은 아이폰 사용자들에게 큰 편의를 가져다주었습니다. 아직 몇 가지 제약 사항이 남아있지만, 향후 더 많은 카드사의 애플페이 참여와 외국인 이용 지원, 후불 기능 등이 확충 된다면 더욱 완성도 높은 서비스가 될 것으로 보입니다. 지금까지 실물 교통카드를 들고 다녔던 아이폰 사용자라면, 빠르고 편리한 애플페이 교통카드 기능을 꼭 사용해보시기 바랍니다.