coding agent에 가장 좋은 로컬 LLM은 하나의 모델명이 아닙니다. 비공개 코드, 반복 패치, 낮은 지연의 edit-test loop, 이미 가진 hardware를 활용해 Claude Code나 OpenAI Codex보다 accepted change당 비용을 낮추는 route입니다.
복잡한 설계, 긴 context, 팀 review, managed background task, 감사 가능한 workflow는 여전히 cloud agent가 강합니다. Codex와 Claude Code의 공식 문서도 실제 비용이 plan window, model choice, context, API billing, team behavior에 따라 달라진다는 점을 보여 줍니다.
판단 단위는 token 가격이 아니라 accepted change입니다. 대기, prompt, review, rework, test, hardware amortization, subscription/API spend를 모두 더한 뒤 최종적으로 받아들여진 변경 수로 나눕니다. 로컬 출력이 review를 무겁게 만들면 싸지 않습니다.
짧은 결론
로컬 route는 scope가 좁고 반복 가능하며 가까운 test가 있고 빠른 feedback loop가 있을 때 강합니다. 비공개 repo 설명, import rewrite, 단순 migration, test scaffold, config cleanup, lint-driven fix가 좋은 예입니다. 반대로 요구사항이 모호하고 여러 package를 건드리며 설계 판단과 팀 가시성이 필요하면 Codex, Claude Code, API-backed workflow가 더 안전합니다.
route matrix
| 작업 유형 | 로컬 LLM | Codex | Claude Code | API/Hosted agent |
|---|---|---|---|---|
| 비공개 repo 읽기 | 최적 | policy 이후 | policy 이후 | 과할 수 있음 |
| 반복 기계 패치 | 강함 | 강함 | 강함 | batch에 적합 |
| offline edit-test loop | 최적 | network/window 의존 | network/window 의존 | 약함 |
| 복잡한 설계 | 보조만 | 강함 | 강함 | orchestration 의존 |
| 긴 context refactor | 주의 | 강함 | 강함 | budget 필요 |
| CI/team automation | wrapper 필요 | 좋음 | 좋음 | 표준화 쉬움 |
이 표는 repo마다 달라야 합니다. data policy가 강하면 local이 늘고, review log와 shared workflow가 중요하면 Codex, Claude Code, hosted agent가 늘어납니다.
증거 경계
2026-07-08 기준 확인에서 universal winner는 없습니다. OpenAI는 Codex를 terminal, IDE, web, cloud surfaces에서 쓰는 coding agent로 설명하고, pricing은 ChatGPT plan usage, API key billing, cloud features, model choice를 나눕니다. Anthropic의 Claude Code costs도 tokens, context management, /usage, model choice, team behavior를 따로 봐야 한다고 말합니다. Qwen3-Coder, Qwen3-Coder-Next, Devstral은 agentic coding 후보지만 model card만으로 우리 repo에서 더 싼 accepted patch를 보장하지는 않습니다.
accepted change당 비용
필요한 지표는 request price가 아니라 accepted change cost입니다. local에는 GPU amortization, 전력, setup, quantization, wrapper configuration, context packing, failed patch, human rescue가 들어갑니다. cloud에는 subscription window, API tokens, cloud runtime, organization controls, audit logs, tool switching이 들어갑니다. local route는 총 시간과 rework를 줄일 때만 이깁니다.
로컬이 이기는 작업
로컬의 승리 조건은 bounded loop입니다. 명확한 goal, 소수 files, 가까운 test, 반복 가능한 rule, 명확한 stop rule이 있어야 합니다. 후보 모델로 Qwen3-Coder, Qwen3-Coder-Next, Devstral, small code models를 테스트할 수 있지만 daily use는 hardware, context budget, wrapper가 결정합니다. 16GB VRAM 경로는 16GB local coding LLM guide를 보세요.
Claude Code, Codex, hosted agent가 이기는 작업
cloud route는 불확실성에 강합니다. architecture decision, large refactor, long history, team audit, background task, shared PR review가 있으면 stronger hosted model과 managed workflow가 더 싸질 수 있습니다. Codex는 ChatGPT/Codex surfaces를 이미 쓰는 팀에 좋고, Claude Code는 CLI habit과 planning style이 맞는 작업에 좋으며, API agents는 CI, budget, repeatable orchestration에 좋습니다.
7일 pilot
한 번의 demo로 migration을 결정하지 마세요. Day 1에는 accepted-change metric을 정의합니다. Day 2에는 함수 하나와 가까운 test로 local smoke test를 합니다. Day 3에는 같은 작업을 Codex 또는 Claude Code로 실행합니다. Day 4에는 review와 rework를 측정합니다. Day 5는 privacy/context boundary, Day 6은 task class route table, Day 7은 keep/split/stop 결정입니다.
중단 규칙
context spill이 주요 bug가 되면 중단합니다. review cost가 절약분보다 크면 중단합니다. setup과 model swap이 일상 작업을 먹으면 중단합니다. team visibility가 local speed보다 중요하면 cloud로 돌립니다. 중단은 local LLM의 실패가 아니라 작업을 올바른 route로 되돌리는 운영입니다.
운영 기록
route table을 팀에서 재사용하려면 매번 같은 필드를 기록해야 합니다. task brief, allowed files, forbidden files, model and wrapper, context length, verification command, latency, human rewrite, final accept or reject입니다. '모델이 실행됐다'는 기록은 부족합니다. 'diff가 받아들여졌다'는 기록이 필요합니다. 같은 task를 여러 번 반복해야 한 번의 성공이 아니라 안정성을 볼 수 있습니다.
실패 원인도 나누어야 합니다. 느린 응답은 offload, 긴 context, 무거운 wrapper packing에서 자주 생깁니다. 품질 문제는 모델 능력뿐 아니라 task scope가 너무 넓거나 가까운 test가 없거나 prompt가 제약을 충분히 전달하지 못해서 생길 수 있습니다. review cost가 늘면 diff가 너무 크거나 설명이 약하거나 모델이 숨은 설계 결정을 하고 있다는 신호입니다.
팀에서는 route table을 issue template이나 PR checklist에 넣는 편이 좋습니다. local로 허용되는 task, cloud로 돌려야 하는 task, 사람이 먼저 design note를 써야 하는 task를 구분합니다. 비공개 repo에서는 local route의 가치가 compliance와 control일 수 있고, 제품팀에서는 cloud route의 가치가 logs, audit, consistent review일 수 있습니다.
pilot 마지막에는 next action을 붙입니다. keep local, shrink local, route to cloud, API orchestration으로 이동, test 추가, stop 중 하나입니다. 이렇게 해야 7일 뒤에 남는 것이 모델 사용감이 아니라 다음 작업에 적용할 수 있는 운영 규칙이 됩니다.
공식 plan, API billing, model availability가 바뀌면 route table도 다시 계산해야 합니다. 오래된 가격, 오래된 context window, 오래된 model package를 전제로 두면 local과 cloud 비교가 곧 틀어집니다. 갱신할 때는 같은 smoke test를 다시 실행하고 채택한 이유와 버린 이유를 짧게 남깁니다.
범위를 넓힐 때도 같은 검증 명령을 반복합니다.
자주 묻는 질문
coding agent에 가장 좋은 로컬 LLM은 무엇인가요?
보편적인 1위는 없습니다. Qwen3-Coder, Qwen3-Coder-Next, Devstral, small code models는 후보이지만 winner는 우리 repo에서 accepted-change cost를 낮추는 route입니다.
로컬 모델이 Claude Code나 Codex를 대체하나요?
일부만 대체합니다. private, repeatable, short-context, testable 작업은 로컬로 갈 수 있습니다. architecture, long context, team workflow는 cloud가 남습니다.
GPU를 사야 하나요?
반복 local workload가 hardware와 maintenance를 회수할 때만 그렇습니다. 드문 high-stakes task는 subscription/API가 더 합리적일 수 있습니다.
Codex CLI는 local model인가요?
아닙니다. CLI는 local agent surface이지만 model route와 billing은 ChatGPT plan 또는 API key일 수 있습니다.
pilot에서 무엇을 측정하나요?
accepted changes, review minutes, failed patches, test pass, setup time, context failures, reroutes입니다.
언제 cloud로 돌리나요?
architecture reasoning, long context, managed execution, auditability 또는 local rework가 savings를 넘을 때입니다.