A maneira que você descreveu é de fato a mais simples. Ao renderizar um cena, pode-se usar dois modelos de iluminação: o local e o global.
Modelo local
No modelo local cada objeto é renderizado de forma independente dos demais. Isso permite que cada um deles - bem como cada uma de suas faces, seus vértices, etc - seja renderizado em paralelo, o que nas GPUs modernas é feito de forma massiva (milhares de operações em ponto flutuante são feitas simultaneamente). Isso permite que cenas bastante complexas sejam pintadas em tempo real (aproximadamente), o que é necessário quando se requer interatividade (jogos, por exemplo).
O preço que se paga é que cada objeto é "ignorante" dos demais. Não há qualquer interação entre eles, seja reflexão (a luz bate no primeiro objeto, depois no segundo, e termina na câmera), refração (a luz bate no primeiro, é desviada pelo segundo e termina na câmera), sombras (a luz ia bater no objeto, mas é bloqueada pelo segundo, e não chega na câmera), etc. Isso cria cenas pouco realistas, e acaba sendo necessário usar "truques" para melhorar a aparência das mesmas.
Um desses truques é remover o objeto reflexivo da cena, renderizá-la de diversos ângulos (formando um quadrado conhecido como "environment map" ou às vezes "skybox") e usar o resultado da renderização como textura para o objeto reflexivo. Então, quando este objeto for processado na renderização final (a que o usuário vai ver de fato) ele será um reflexo do restante da cena, ainda que naquele momento ele esteja sendo renderizado sem nenhuma "consciência" dos demais objetos da cena.
Essa técnica é conhecida como "render to texture". Se você só tem um objeto reflexivo na cena, a coisa é bastante simples, e essas renderizações adicionais não consomem tanto tampo assim (em grande parte pelo fato do resultado dessa renderização ser uma textura na própria GPU, sem o overhead de transmiti-la de e para a memória principal). Por isso ela é muito usada em jogos de corrida por exemplo, em que o carro do jogador é o que está mais em foco e merece uma renderização mais caprichada do que o restante da cena (incluindo os outros carros). Mas se você tem mais de um objeto reflexivo, a coisa complica, e você acaba tendo que usar um modelo aproximado que parece ok à primeira vista, mas se você olhar com cuidado você consegue enxergar as imprecisões (exemplo; requer GPU moderna; não funciona na minha).
E se forem muitos objetos, não há saída a não ser ignorar uns aos outros e só refletir o skybox de forma genérica. Nesse exemplo você pode ver que as bolas só refletem o cenário em volta, e não umas as outras, o que está longe de ser uma representação fiel da realidade...
Modelo global
No modelo global cada objeto leva em consideração todos os outros ao determinar sua aparência, resultando em uma cena bem mais realística. A principal técnica usada é o raytracing, que grosso modo pega cada raio de luz que saiu de cada fonte luminosa, observa em que objeto(s) bateu, se foi refletida ou não, refratada ou não (e nas aplicações mais avançadas se for dispersa ou não), etc, até que finalmente ela chega na câmera, contribuindo para a cor daquele pixel na tela.
(Isso é uma simplificação; na prática se usa o raytracing inverso, onde se parte da câmera e se tenta chegar a alguma fonte de luz, mas isso é um pouco mais difícil de explicar)
O preço que se paga é um tempo bem maior de renderização (exemplo), além da dificuldade de aproveitar bem os recursos da GPU (que é mais otimizada para a renderização em tempo real). Por isso essa técnica é mais usada quando o tempo não é importante, por exemplo em imagens estáticas (muito usado na Arquitetura, por exemplo) ou em filmes (pode-se levar horas para renderizar um único frame, mas depois é só juntar tudo e exibir).
Nota: sinto muito não apresentar exemplos em OpenGL e C, mas como você mesmo comentou eles seriam um bocado extensos, e você diz na pergunta que já encontrou o código relevante em tutoriais, por isso estou dando somente uma visão geral aqui.