"AI 결제 가이드 2026 — ChatGPT·Claude·Gemini, 누가 뭘 사야 하나"

-

Free / $20 / $100 / $200 / $250 — 5단계 가격대 정리와 결제 결정 프레임

핵심 요약

  • 대상 독자: ChatGPT/Claude/Gemini 무료 플랜은 써봤고, 유료 결제를 고민 중인 일반 사용자 + 개인 개발자.
  • 얻을 것: 1) 2026년 4월 기준 3사의 정확한 가격·한도 2) 누가 무료로 충분하고 누가 유료가 필요한가 3) $20·$100·$200·$250의 차이 4) 결제 전 자가 점검 5문항.
  • 결론 미리: 대부분의 사용자에게는 $20 한 곳이면 충분하다. 단, 어느 한 곳을 고를지가 사람마다 다르다.
  • 전제: 글에 광고·제휴 코드 없음. 가격은 공식 페이지 기준.

1. 2026년 4월 기준 가격 한눈에

ChatGPT (OpenAI)

플랜 가격 핵심 차별점
Free $0 GPT-5.5 일부, 제한된 메시지·이미지·검색
Go $8/월 Plus 한도의 절반 수준, 일부 시장 한정
Plus $20/월 GPT-5.4 Thinking까지, DALL-E, Voice, Memory, Tasks, Sora(제한), Custom GPTs
Pro $100 $100/월 Plus의 5배 사용량 + GPT-5.4 Pro + o1 Pro mode (2026-04 신설)
Pro $200 $200/월 Plus의 20배 사용량 + Codex 최상위
Business $25/사용자·월 팀 워크스페이스

출처: chatgpt.com/pricing, TechCrunch — Pro $100 발표 (2026-04-09).

Claude (Anthropic)

플랜 가격 핵심 차별점
Free $0 웹·앱 기본 사용
Pro $20/월 무제한 프로젝트, 파일 생성·코드 실행, Workspace 연동
Max 5x $100/월 Pro의 5배 사용량 + Claude Code 우선
Max 20x $200/월 Pro의 20배 사용량 + 신기능·신모델 우선 액세스
Team $30/사용자·월 최소 5명

출처: claude.com/pricing. 주의: 2026-04-21에 Pro 플랜의 Claude Code 포함 여부 변경이 있었고 이후 일부 되돌려진 것으로 보고됨 (Simon Willison 정리).

Gemini (Google)

플랜 가격 핵심 차별점
Free $0 Gemini 기본 모델
AI Pro $19.99/월 Gemini 3 Pro, Deep Research, 2TB 클라우드, Workspace 통합
AI Ultra $249.99/월 Gemini 3.1 Pro, Deep Think, Veo 3.1, 25,000 AI 크레딧, YouTube Premium 포함

출처: gemini.google/subscriptions. 학생은 1년 무료, 신규 가입자 첫해 50% 할인 프로모션 진행 중 (9to5google 정리).

주의사항

  • 환율: 결제는 보통 USD 기준. 한국 카드 결제 시 환율·수수료로 실제 청구액이 1.05~1.10배 정도 올라갈 수 있다.
  • 부가세: 한국 사용자는 VAT 10%가 별도 청구되는 경우가 많다. $20 → 실제 ₩2.9~3.0만원 안팎이 보통.
  • 자동 갱신: 모든 플랜이 월 단위 자동 결제. 해지 안 하면 계속 빠진다.

2. 무료로 충분한가 — 결제하지 말아야 할 사람

다음 중 3개 이상 해당되면 결제는 보류해도 된다.

  • [ ] 주 사용처가 단순 질의응답·번역·요약 (전문 영역 X)
  • [ ] 한 번에 처리하는 문서가 짧음 (10페이지 미만)
  • [ ] 이미지 생성·코드 실행은 거의 안 씀
  • [ ] AI에 의존도가 낮음 (한 달에 몇 시간 이내)
  • [ ] 체감 한도(메시지 차단)에 부딪힌 적이 거의 없음

무료 플랜도 GPT-5.5/Claude/Gemini의 최신 모델을 쓸 수 있다 (한도·횟수만 제한). 가끔 쓰는 사람은 무료가 정답이다.

3. 결제가 답인 사람 — 유료가 필요한 신호

다음 중 2개 이상 해당되면 $20대 결제가 즉시 회수된다.

  • [ ] 일주일에 무료 한도(메시지 컷오프)에 2번 이상 부딪힌다
  • [ ] 한 번에 긴 문서(50페이지+)나 큰 코드 파일을 분석한다
  • [ ] AI를 일/공부의 메인 도구로 쓴다 (하루 2시간+)
  • [ ] 음성·이미지·영상 생성 기능을 쓴다
  • [ ] 모델 응답 품질이 5분만 절약해줘도 본전이라고 판단된다 ($20 ÷ 시간당 인건비 = 손익분기)

손익분기 직관: 시급 ₩30,000 기준이면 한 달에 약 70분만 절약해도 본전. 하루 2~3분이다.

4. ChatGPT vs Claude vs Gemini — 어느 한 곳을 골라야 한다면

세 곳 모두 결제하는 건 비용 낭비다. 하나만 결제하고 나머지는 무료로 쓰는 것이 합리적이다. 선택 기준:

우선 사용처 추천 이유
글쓰기·번역·일상 활용 + 코딩 약간 ChatGPT Plus UI 친숙도·생태계 가장 큼, Custom GPTs로 워크플로 자동화
긴 문서 분석·코드 리뷰·정밀한 추론 Claude Pro 1M 토큰 컨텍스트 + 추론 품질 평가 좋음
Google Workspace(Gmail/Docs/Drive) 위주 + 학생/기존 Google 사용자 Gemini Advanced (AI Pro) Workspace 통합 + 학생 1년 무료 + 신규 50% 할인
검색·리서치 위주 (출처 인용 필수) Perplexity Pro $20 모든 답변에 인용 + 다중 모델 선택 + Deep Research

4.1 한 번 결제했다면 어떻게 활용해야 하나

  • 한 달 사용 기록 → "이 도구 없이 가능한 작업"이 80% 이상이면 다음 달 해지 후 무료 전환
  • 매달 각 도구의 신기능 비교 1회 → 1년에 한 번 갈아타도 됨

5. $100·$200·$250 상위 플랜은 누가 사야 하나

ChatGPT Pro $100 (2026-04 신설)

적합: Plus 한도에 자주 막히지만 Pro $200은 과한 사용자. 부적합: 메인 작업이 GPT-5.4 Pro·o1 Pro 모드를 안 쓰면 Plus로 충분.

ChatGPT Pro $200 / Claude Max 20x $200

적합: 하루 종일 AI를 띄워놓고 일하는 사용자, AI 기반 SaaS·연구·콘텐츠 제작자. 시간 환산: 시급 ₩30,000 기준 한 달 8~9시간 절약하면 본전. 하루 20분.

Claude Max 5x $100

적합: Claude Code 사용자. Pro 플랜에서 한도에 자주 막히는 개발자. 주의: 2026-04 가격 정책 변동이 있었음. 결제 전 공식 페이지 재확인.

Gemini AI Ultra $249.99

적합: YouTube Premium까지 같이 쓰고 Veo 3.1로 영상 생성하는 크리에이터. 부적합: 텍스트 위주 사용자. AI Pro로 충분.

6. 결제 전 자가 점검 5문항

  1. 지난 1주일에 무료 한도에 몇 번 부딪혔는가?
  2. 0~1번 → 무료 유지
  3. 2번+ → 유료 후보
  4. 하루 평균 AI 사용 시간은?
  5. 1시간 미만 → 무료 또는 $20
  6. 2시간 이상 → $20+ 또는 $100
  7. 무엇이 가장 답답한가? 모델 품질? 사용량 한도?
  8. 품질 → 더 비싼 모델 (Pro/Max/Ultra)
  9. 한도 → 더 높은 사용량 (Pro $100, Max 5x)
  10. 이미지·영상·음성 생성을 쓰는가?
  11. 안 씀 → 텍스트 중심으로 결정
  12. 자주 씀 → DALL-E (ChatGPT) / Veo (Gemini Ultra) 차별화 고려
  13. 개인 작업인가, 팀 협업인가?
  14. 개인 → Pro/Plus
  15. 팀 → Team/Business 플랜 (월 1인당 차이는 작음)

7. 정리

상황 추천
대부분의 일반 사용자 무료 또는 $20 한 곳
메인 도구로 쓰는 헤비 유저 $20 → 한도 부딪히면 $100 검토
AI 기반 직업 (전문 작가·연구·개발) $200 단일 플랜 또는 $20 두 곳 조합
학생 (대학교 이상 인증 가능) Gemini AI Pro 1년 무료 + Perplexity Education

가장 흔한 실수: 세 곳 다 결제 ($60+/월) → 90%는 한 곳도 한도까지 안 씀. 가장 합리적: 한 곳 결제 → 한 달 사용 기록 → 갈아탈지 결정.

개발자 팁

API 청구는 구독과 별개다. 추가로 알아둘 것:

  1. API는 사용량 종량제: 구독료 없음, 토큰당 과금. Claude Sonnet 4.6: 입력 $3/MTok, 출력 $15/MTok (공식). GPT-5.5와 Gemini도 비슷한 구조.
  2. 개인 개발용: 월 청구가 보통 $5~30 사이면 API가 구독보다 싸다. 코딩·자동화 위주면 종량제가 유리.
  3. Claude Code / Codex / Gemini CLI: 구독 플랜에 묶여 있는 경우 vs 별도 API 키 사용 비교 필요. Pro $20에 Claude Code가 들어 있는지 여부는 2026-04 시점 변동이 있었으므로 결제 전 재확인.
  4. 사용량 알림 설정: 모든 API 콘솔에 budget alert 있음. 사고 결제 방지를 위해 필수.
  5. 프롬프트 캐싱: Anthropic·OpenAI·Google 모두 지원. 동일 시스템 프롬프트 반복 호출 시 비용을 30~90% 줄여준다 (Claude는 5분 캐시 1.25배·1시간 캐시 2배 write 비용).

참고

이 글은 AI 입문 시리즈의 2/11 편입니다. 다음 편: 프롬프트 엔지니어링 입문 — 잘 묻는 법 5가지 패턴.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »