AI 및 머신러닝

Gemini at Work 2026: 제미나이 에이전트를 소개합니다

Thu, 08 Oct 2026 12:00:00 +0000

본 아티클은 Gemini at Work 2026에서 진행된 토마스 쿠리안(Thomas Kurian) 구글 클라우드 CEO의 기조연설 내용을 바탕으로 작성되었습니다. 다음과 같은 주요 발표 내용을 소개해 드립니다.

제미나이(Gemini): 지식 업무 처리부터 이미지∙미디어 생성, 코드 작성 및 실행까지 모두 수행하는 업무를 위한 단일 범용 에이전트입니다.
구글 워크스페이스에 통합: 제미나이는 지메일(Gmail), 드라이브(Drive), 문서(Docs), 슬라이드(Slides), 스프레드시트(Sheets), 챗(Chat), 캘린더(Calendar) 안에서 바로 작동하며, 다른 환경에서 사용하는 것과 동일한 메모리, 스킬, 제어 기능을 그대로 제공합니다.
새로운 데이터 및 분석 스킬: 기술팀은 물론, 일반 비즈니스 사용자도 자연어 질문을 통해 실행 가능한 운영 인사이트를 단 몇 분 만에 확보할 수 있습니다.
산업별 전문화: 금융 서비스 및 범무 팀에 특화된 도구, 스킬, 커넥터, 지식을 제공합니다.
에이전트 보안 및 거버넌스: ID 및 정책 관리, 인증 및 권한 제어, 보안 샌드박싱, 네트워크 게이트웨이 등을 통해 에이전트를 안전하게 보호하고 관리합니다.
업계 최고 수준의 비용 관리: 멀티 모델 오케스트레이션(Multi-Model Orchestration), 스마트 라우팅(Smart Routing), 실시간 지출 한도(Real-Time Spend Caps) 설정 기능을 제공합니다.
고객 활용 사례: 전 세계 고객들의 깊고 광범위한 제미나이 활용 사례를 소개합니다.

구글 클라우드를 움직이는 원동력은 모두에게 최고의 기술을 제공하는 것입니다. 지난 1년 동안 500여곳의 구글 클라우드 고객이 각각 1조 개 이상의 토큰을 처리했습니다. 현재 전체 구글 클라우드 고객의 약 80%가 당사의 AI 제품을 사용하고 있으며, 포춘 100대 기업의 약 90%가 제미나이 엔터프라이즈(Gemini Enterprise)를 활용하고 있습니다. 이는 기업들이 이미 AI 실험 단계를 넘어, AI를 기반으로 실제 비즈니스를 운영하고 있음을 의미합니다.

이제 모든 업무는 프롬프트 창에서 시작됩니다.

이러한 변화에 발맞춰 구글 클라우드는 업무를 위한 새로운 단일 범용 에이전트, 제미나이 에이전트를 공개합니다. 제미나이 에이전트는 기업의 모든 비즈니스 맥락을 이해하며, 하나의 프롬프트 창에서 지식 업무부터 질의응답, 콘텐츠 제작, 코딩까지 모든 업무를 수행할 수 있습니다. 스스로 업무를 계획하고, 필요한 스킬과 도구를 활용하며, 기업 시스템과 연결해 완성된 결과물을 제공합니다. 이 모든 과정은 여러분이 평소 사용하는 문서와 받은편지함, 개발 환경 안에서 이뤄집니다. 또한 업무에 가장 적합한 모델을 선택하고 비용 관리 기능을 기본으로 제공하며, 무엇보다 기업이 요구하는 보안, 관리, 거버넌스 기능을 갖추고 있습니다.

The Gemini agent is your new single, universal agent for work.

제미나이 에이전트를 소개합니다

제미나이는 단일 에이전트와 단일 API를 통해 질문에 답하고, 지식 업무를 처리하며, 이미지와 미디어를 생성하고, 코드를 작성 및 실행합니다. 사용자는 지시 사항 대신 ‘목표’를 제시하고 원하는 결과를 위임하기만 하면, 완성된 업무를 확인할 수 있습니다. 에이전트가 이러한 역할을 수행하려면 개인의 워크플로와 기록 시스템, 기업 내부의 통제 시스템과 연결돼 있어야 합니다. 제미나이를 개인 비서로도, 팀원으로도 활용할 수 있습니다. 제미나이는 프로젝트 매니저처럼 그룹을 대신하거나, 재무 부서의 애널리스트처럼 조직 내 특정 직무를 수행하는 팀원 역할도 소화합니다.

제미나이의 에이전틱 기능은 다음과 같은 핵심 아키텍처 원칙을 기반으로 설계됐습니다:

통합 에이전트: 제미나이는 하나의 인터페이스 안에서 사용자 질문에 답하고, 할당된 목표를 자율적으로 완수하며, 코드까지 생성할 수 있습니다. 사용자는 제미나이에 업무를 할당하거나 작업 일정을 예약할 수 있고, 특정 이벤트에 대응하도록 설정할 수 있습니다.
어디서나 이용 가능한 접근성: 제미나이는 웹, iOS·안드로이드 모바일 기기, 윈도우·맥 데스크톱을 비롯해 명령줄, 구글 워크스페이스(Google Workspace), 마이크로소프트 365(Microsoft 365), 슬랙(Slack) 등 다양한 채널에서 이용할 수 있습니다. 또한 서드파티 애플리케이션과 서비스 화면에 통합할 수 있으며, 전용 UI 없이도 작동하는 헤드리스(headless) 에이전트로도 작동합니다.
지속적인 실행: 제미나이는 클라우드에서 실행되기 때문에 어떤 기기나 채널에서 접속하더라도 동일한 메모리와 맥락, 개인화 그래프를 유지합니다. 에이전트에게 같은 내용을 다시 설명하거나 어떤 기기에서 지시했는지 찾아볼 필요가 없흡니다. 몇 시간 또는 며칠이 걸리는 작업은 노트북을 닫은 후에도 계속 진행되며, 다시 접속했을 때 그대로 이어서 확인할 수 있습니다.
멀티 에이전트 오케스트레이션: 제미나이는 혼자 일하지 않습니다. 여러 단계의 복잡한 업무를 처리하기 위해 서브 에이전트 그룹을 동적으로 구성할 수 있습니다. 서브 에이전트는 특정 작업을 위해 임시로 생성되며 각자 고유한 ID를 갖습니다. 제미나이는 서브 에이전트와 소통하며, 몇 시간 또는 며칠 동안 이어지는 병렬·순차 작업을 포함한 워크플로를 조율합니다. 또한 제미나이는 동료 에이전트로서 작업을 위임하고 조율할 수도 있습니다. 동료 에이전트는 지속적이고 명확한 역할을 맡아 여러 날과 세션, 변화하는 업무 전반에서 팀원처럼 활동합니다. 동료 에이전트는 @agents.[company].com 형식의 자체 이메일 주소와 전용 저장공간 등 독립적인 ID를 가지며, 사용자나 팀원이 제공한 정보에만 접근할 수 있습니다.
심층적 맥락 이해: 제미나이는 사용자의 도구와 데이터, 업무 이력을 바탕으로 작동합니다. 질문하거나 목표를 부여하고, 코드 생성을 요청하는 등 사용자와의 모든 상호작용을 통해 학습하며, 협업이 지속될수록 사용자와 업무 방식을 더 잘 이해하게 됩니다. 팀은 전용 프로젝트를 만들어 제미나이가 활용하는 맥락, 스킬, 도구를 업무에 맞게 더욱 최적화할 수 있습니다.
유연한 모델 선택: 제미나이는 에이전트이며, 그 아래에서 작동하는 모델은 별도로 선택할 수 있습니다. 각 작업을 가장 적합한 모델에서 실행하며, 현재는 구글의 제미나이 모델군과 클로드 모델을 오케스트레이션하고 있습니다. 향후 다른 주요 비공개 모델과 오픈 모델 제공을 통해 최적의 품질을 제공하고 비용은 낮출 수 있도록 지원할 예정입니다. 작업에 적합한 모델이 항상 가장 큰 모델인 것은 아닙니다. 작업에 맞는 모델을 사용하면 어려운 작업에서는 정확도를 높일 수 있고, 단순한 작업에서는 비용을 낮출 수 있습니다. 또한 최첨단 모델은 몇 달마다 바뀌기 마련입니다. 선택의 폭을 열어두면 모델이 바뀌더라도 사용자의 맥락과 스킬, 데이터는 그대로 유지됩니다.

다양한 산업의 주요 고객들이 초기 테스터로 참여해 이미 그 효과를 확인하고 있습니다. 프리미엄 스포츠웨어 브랜드 On은 새로운 동적 모델 선택 기능을 테스트해 제품의 시장 출시 속도를 높였습니다. 이는 이미 업계 선도 기업들을 통해 검증된 대규모 멀티 모델 전략의 연장선에 있습니다. 쇼피파이(Shopify)는 수백만 명의 판매자를 위해 여러 프론티어 모델을 조합해 데이터 활용도와 매출 증대를 견인하고 있으며, 페이팔(PayPal)은 매주 1,000만 건의 멀티 모델 요청을 라우팅하고 있습니다.

제미나이를 구동하는 힘: 스킬, 도구, 맥락

제미나이는 가격 정책부터 제품 포트폴리오, 부서별 업무 방식에 이르기까지 기업의 비즈니스와 조직 고유의 내부 지식을 이해합니다. 이를 가능하게 하는 세 가지 핵심 역량은 기업 시스템과 연결하는 도구, 업무 방식을 학습히는 스킬, 그리고 필요한 정보를 기억하는 맥락입니다.

도구 및 도구 레지스트리: 제미나이는 기업이 기존에 사용하고 있는 소프트웨어와 안전하게 연결할 수 있습니다. 컨플루언스(Confluence), 마이크로소프트 오피스(Office), 팀즈(Teams), 슬랙, 구글 워크스페이스와 같은 협업 도구; 깃(Git), 지라(Jira) 등의 개발 도구; 세일즈포스(Salesforce)와 서비스나우(ServiceNow) 같은 기업용 플랫폼; 빅쿼리(BigQuery), 데이터브릭스(Databricks), 포스트그레스(Postgres), 스노우플레이크(Snowflake) 등의 데이터베이스; 개인 데스크톱에 저장된 파일까지 연동할 수 있습니다. 또한 기업 네트워크 안팎의 모든 MCP 서버와도 안전하게 연결해 작업할 수 있습니다. 엔터프라이즈 도구 레지스트리도 제공하기 때문에, 각 팀은 도구를 직접 만들어 사내 전체에 공유할 수 있습니다.
스킬 및 스킬 레지스트리: 스킬은 재사용 가능한 지침, 지식, 또는 워크플로의 묶음으로, 모듈형 프롬프트로 저장돼 에이전트에게 여러 단계로 이뤄진 특정 업무의 수행하는 방법을 가르칩니다. 제미나이에는 방대한 글로벌 스킬 라이브러리를 기본으로 제공되며, 팀이나 부서는 맞춤형 스킬을 만들어 사내 공용 레지스트리에 공유하거나 개인용 스킬을 직접 만들 수도 있습니다. 제미나이는 업무에 적합한 스킬과 도구를 스스로 선택하고, 매 실행마다 지속적으로 학습해 결과물의 일관성을 높이는 동시에 토큰 비을 절감합니다.
맥락 및 메모리: 제미나이는 사용자가 던지는 질문, 부여하는 목표, 함께 일하는 사람들로부터 학습하고, 사용자 개인의 맥락과 조직의 맥락을 활용해 응답을 개인화하며 품질을 높입니다. 제미나이는 다음 네 가지 유형의 메모리를 활용합니다. 며칠간 이어지는 작업에서도 현재 수행 중인 작업을 기억하는 세션 메모리; 문서를 읽고, 사람 및 다른 에이전트와 상호작용하면서 구축하는 구조화된 지식 기반의 시맨틱 메모리; 업무 수행 방식과 스스로 만든 스킬 등을 기억하는 절차 메모리; 과거에 수행한 모든 작업을 기억하는 에피소드 메모리입니다. 제미나이는 새로운 직원이 입사 후 업무를 익히듯, 사용자의 업무 방식과 도구, 팀에 대해 학습한 뒤 업무를 수행합니다.

제미나이 엔터프라이즈를 도입해 탁월한 성과를 거두고 있는 대표적인 고객 사례들을 소개합니다:

유럽을 대표하는 금융 기업 BNP파리바(BNP Paribas)는 6만 5,000명 이상의 임직원에게 제미나이 엔터프라이즈를 도입해 기업 및 투자 금융 부문을 혁신하고 있습니다. 엄격한 엔터프라이즈급 보안과 데이터 거버넌스를 유지하면서, 신용 분석 보고서 작성 등의 워크플로를 간소화하고 고객 자문역의 생산성을 강화하고 있습니다.
브라질 최대 규모의 은행·금융 서비스 그룹 중 하나인 브라데스코(Bradesco)는 제미나이 엔터프라이즈를 도입해 세무, 회계 및 계약 분석을 자동화하며 업무 부담이 큰 운영 프로세스를 간소화하고 있습니다. 재무팀은 제안서 검토, 서비스 분류, 예산 관련 업무 속도를 높여 문서 검토 시간을 1시간에서 5분으로 단축했습니다. 또한 리스크 불일치를 60% 줄이고, 재무 효율성은 10% 이상 개선했습니다.
머크(Merck)는 데이터 프라이버시와 보안을 완전히 유지하면서 신약 발굴 기간을 획기적으로 단축할 수 있는 분자 연구의 새로운 영역을 탐구하고 있습니다.

스페인의 선도적인 통신사 오렌지스페인(Orange Spain)은 1,000개 이상의 맞춤형 제미나이 엔터프라이즈 에이전트를 도입해 디지털 전환에 속도를 내고 있습니다. 인사, IT, 영업, 고객 서비스 부서 직원들이 직접 에이전트를 만들어 장애 분류, 네트워크 문제 분석, 사내 정보 검색 등을 자동화했으며, 이를 통해 업무 대응 속도와 운영 효율을 높이고 있습니다.비기술 직군의 직원들도 일상적인 업무 프로세스를 직접 자동화할 수 있어 IT 부서의 병목 현상 또한 발생하지 않습니다.
미국 사우스캐롤라이나주의 공영 전력·수도 사업자 샌티 쿠퍼(Santee Cooper)는 제미나이 엔터프라이즈 기반의 특화 AI 모델을 도입해 재무 계획과 전력망 안전성을 고도화하고 있습니다. 재무팀과 운영 담당자는 자연어만으로 복잡한 재무 시나리오 모델링과 쿼리 실행을 자동화하고 있으며, 이를 통해 모델링 속도를 최대 75% 높이고 100억 달러 규모의 전력망 확장 사업 예산에서 시장 리스크를 완화할 수 있을 것으로 기대하고 있습니다.
일본의 대형 보험사 솜포(SOMPO)는 3만 4,000명의 임직원을 대상으로 1만 개 이상의 맞춤형 AI 에이전트를 구축해 문서 검색과 요약 등의 업무를 자동화하고 효율을 높였습니다. 엔지니어링 팀은 제미나이 엔터프라이즈를 활용해 신규 모델 개발 기간을 일주일에서 단 하루로 단축해 엔지니어들은 보다 중요한 업무에 집중할 수 있게 됐습니다.
울타 뷰티(Ulta Beauty)는 3만 개에 달하는 상품을 보다 쉽게 탐색할 수 있도록 제미나이 엔터프라이즈로 구축한 울타 AI 쇼핑 어시스턴트를 도입했습니다. 온라인 고객은 대화형 질문만으로 맞춤형 뷰티 추천을 받고, 기존 검색 필터를 거치지 않고 원하는 상품을 바로 구매할 수 있습니다. 이를 통해 디지털 판매 전환율이 3배 증가했습니다.
호주의 대형 유통기업 버닝스(Bunnings), 케이마트(Kmart), 오피스웍스(Officeworks)의 모회사인 웨스파머스(Wesfarmers)는 계열사 전반에 AI 에이전트를 도입하고 있습니다. 버닝스는 사내 에이전트를 통해 직원들의 행정 업무 시간을 50만 시간 절감했으며, 케이마트와 오피스웍스에서는 고객의 상품 탐색과 장바구니 구성을 돕는 쇼핑 에이전트를 통해 전환율을 최대 3배까지 끌어올렸습니다.

Organizations worldwide are driving measurable impact.

구글 워크스페이스 속 제미나이

제미나이는 질문에 답하고 지식 업무를 처리하며 코드를 작성하는 데 그치지 않습니다. 지메일, 드라이브, 문서, 슬라이드, 스프레드시트, 챗, 캘린더 안에서 바로 작동하며, 다른 모든 환경에서 사용하는 것과 동일한 메모리, 스킬, 제어 기능을 그대로 제공합니다. 이메일 스레드, 문서, 채팅 공간 등 작업이 이뤄지는 바로 그 공간에서 제미나이를 활용할 수 있습니다.

구글 워크스페이스에서 제미나이는 세 가지 방식으로 작동합니다:

개인 비서: 제미나이는 사용자의 개인 에이전트로 캘린더와 팀, 프로젝트, 문서 간의 관계를 파악한 상태로 업무에 투입됩니다. 사용자가 따로 설명하지 않아도 필요한 정보를 숙지하고 시작하는 셈입니다. 예를 들어 이름이나 이메일 주소를 하나도 알려주지 않더라도, 평소 함께 일하는 지역별 이벤트 담당자들과 다음 주에 회의를 잡아 달라고 요청할 수 있습니다. 그러면 제미나이가 채팅 스페이스의 구성원과 지난 이벤트 관련 스레드를 바탕으로 대상자를 파악하고, 각자의 캘린더를 확인한 뒤, 외부 참석자를 포함해 모두가 가능한 시간을 조율하는 이메일 스레드를 시작합니다. 여러 애플리케이션에 걸친 업무도 같은 방식으로 처리할 수 있습니다. 시장 동향을 조사하고, 스프레드시트에서 재무 모델을 만든 뒤, 이 둘을 종합한 발표자료 제작까지, 각 단계마다 프로젝트 배경을 다시 설명할 필요가 없습니다.
선제적 업무 위임: 제미나이는 이러한 인텔리전스를 바탕으로 사용자가 위임할 수 있는 업무를 먼저 제안하기도 합니다. 예를 들어 상사가 최신 프로젝트 현황을 슬라이드로 정리해달라는 이메일을 보내면, 워크스페이스 인텔리전스가 이를 위임 가능한 업무로 인식하고 클릭 한 번으로 제미나이에 맡길 수 있는 옵션을 제공합니다. 마찬가지로 받은편지함에서는 무조건 가장 최근에 도착한 메일이 아니라, 가장 중요한 메일을 먼저 보여주고 그 이유를 설명합니다.
팀의 일원으로: 제미나이를 활용해 팀 전체와 함께 일하는 ‘동료 에이전트’를 만들 수도 있습니다. 필요한 역할을 설명하기만 하면 제미나이가 해당 에이전트를 생성합니다. 이 에이전트에는 이메일 주소, 캘린더, 드라이브, 사내 디렉토리 등록 정보가 포함된 전용 워크스페이스 계정이 부여됩니다. 동료들은 일반 직원과 협업하듯 챗 스페이스에 에이전트를 추가하거나 @멘션할 수 있습니다. 예를 들어 마케팅 매니저가 그룹 채팅에서 이벤트 코디네이터 에이전트에게 출시 준비 문서 초안 작성을 요청하면, 에이전트가 이를 작성해 해당 그룹에 다시 공유합니다. 댓글에 에이전트를 태그하면 에이전트가 문서 안에서 직접 수정을 제안하고 댓글 스레드에도 답글을 남기며, 버전 기록에도 에이전트 고유 이름으로 표시됩니다. 동료 에이전트는 사용자를 대신하는 것이 아니라 자체 ID로 작동하며, 사용자가 공유한 정보만 볼 수 있습니다. 접근 권한도 기존 팀의 공유 및 멤버십 설정을 그대로 따르며, 외부 커넥터에 데이터를 보유하지 않습니다.

데이터 분석, 데이터 엔지니어링, 머신러닝에 특화된 스킬

구글 클라우드는 데이터 영역을 시작으로 특정 분야에 특화된 제미나이 스킬도 선보입니다.

데이터와 분석은 제미나이가 비즈니스 워크플로를 혁신하는 핵심 분야로, 기업 고객이 던진 자연어 질문에서 실행 가능한 운영 인사이트를 단 몇 분만에 도출해냅니다. 구글 클라우드는 기술 팀과 실무진 사용자 모두에게 최적화된 전용 기능을 제공합니다:

데이터 및 ML 엔지니어: 구글 클라우드는 모든 데이터 사이언티스트와 데이터 엔지니어가 여러 에이전트 팀의 지원을 받을 수 있도록, 제미나이에 머신러닝 스킬과 도구를 확대하고 있습니다. 엔지니어가 원하는 결과를 자연어로 설명하면 제미나이가 PySpark 코드를 생성하고, 이를 수정·테스트할 수 있는 노트북을 제공하며, 모델 학습은 물론 데이터 파이프라인에서 발생한 문제를 스스로 진단하고 해결합니다.
비즈니스 사용자: 조직 구성원 누구나 간단한 질문만으로 신뢰할 수 있는 실시간 운영 보고서를 생성할 수 있습니다. 제미나이는 빅쿼리 및 지식 카탈로그(Knowledge Catalog)와 연동된 운영 보고 스킬을 활용해 쿼리를 구성하고 저장합니다. 한 번 저장된 쿼리는 이후 토큰 비용 없이 필요할 때마다 보고서를 실행할 수 있으며, 매번 일관되고 검증된 결과를 얻을 수 있습니다.

구글 클라우드는 세 가지 역량을 통해 이러한 답변의 정확성과 신뢰성을 뒷받침합니다:

지식 카탈로그(Knowledge Catalog): 제미나이는 지식 카탈로그와 직접 통합돼 조직에서 사용하는 비즈니스 정의를 한 번만 맵핑하면 모든 에이전트가 이를 동일하게 활용할 수 있습니다. ‘순이익률(net margin)’이나 ‘유효 시장(addressable market)’ 같은 용어에 대한 조직의 스키마와 비즈니스 규칙까지 이해해 정확도를 크게 향상시킬 수 있습니다. 주요 지표가 데이터브릭스(Databricks), dbt, LookML, SAP 중 어디에 있든 제미나이가 해당 위치에서 직접 읽어 들여 사실에 기반한 답변을 제공합니다.
스마트 스토리지(Smart Storage): 기업 데이터의 90%는 PDF, 이미지, 스캔 문서, 음성 녹음 등 비정형 데이터로, 대부분 읽기 어려워 방치되고 있습니다. 스마트 스토리지는 이러한 비정형 객체를 이동 없이 저장된 자리에서 정보를 보강하고, 맥락 정보를 객체에 직접 기록해 이러한 문제를 해결합니다. 데이터에 대한 인텔리전스는 데이터가 있는 위치에 그대로 존재하기 때문에, 기존 보안 체계도 그대로 적용됩니다.
경계 없는 레이크하우스(Borderless Lakehouse): AI를 활용하기 위해 데이터를 반드시 이동하거나 복제할 필요가 없습니다. 구글 클라우드의 Borderless Lakehouse를 활용하면 가변적인 데이터 전송 비용 없이 제미나이가 Amazon S3와 Azure Data Lake에 직접 쿼리를 실행할 수 있습니다. 또한 데이터를 복사하지 않고 Salesforce Data 360, SAP, ServiceNow, Workday에서 직접 읽을 수 있으며, Databricks Unity, Snowflake Polaris, AWS Glue 전반의 개방형 Apache Iceberg 테이블도 연합할 수 있습니다.

사용자는 레이크하우스에서 찾은 데이터셋을 지식 카탈로그에 등록한 다음, 제미나이에 간단하거나 복잡한 분석을 맡기면 됩니다. 제미나이는 지식 카탈로그에서 필요한 데이터셋을 식별하고, 결과 산출에 필요한 SQL, Spark 또는 Python 코드를 생성한 뒤, Lightning Engine이 탑재된 구글 클라우드의 관리형 스파크 서비스(Managed Spark Service)나 빅쿼리에서 직접 실행할 수 있습니다. 또한 분석가들이 이미 사용 중인 도구에서 차트를 생성하거나 대시보드를 구축할 수 있습니다.

블룸버그미디어(Bloomberg Media)는 데이터 에이전트를 지식 카탈로그에 그라운딩해 초기 개발 단계에서 SQL 쿼리 정확도를 63% 향상시켰습니다.

블룸버그미디어의 윌리엄 앤더슨 CTO는 “신뢰할 수 있는 사내 컨텍스트를 바탕으로 AI를 그라운딩함으로써, 에이전트가 생성하는 모든 인사이트의 정확성과 품질을 보장할 수 있다”고 설명했습니다.

이밖에도 여러 고객이 구글 클라우드의 데이터 솔루션을 활용해 뛰어난 성과를 거두고 있습니다.

도이치텔레콤(Deutsche Telekom)은 빅쿼리, 클라우드 스토리지(Cloud Storage), 지식 카탈로그를 활용해 통합 데이터 레이크하우스를 구축해 40개 이상의 기존 온프레미스 시스템에 분산돼 있던 느린 데이터 인프라 문제를 해결했으며, 유럽의 데이터 주권 및 보안 요건을 충족하면서 팀의 업무 처리 속도를 10배 높였습니다.
엣시(Etsy)는 3페타바이트(PB)의 데이터를 통합 레이크하우스로 이전했습니다. BigQuery와 오픈소스 Apache Iceberg를 활용해 핵심 데이터 조인(join) 작업을 최대 60% 더 빠르게 처리할 수 있게 됐으며, 더 큰 데이터셋으로 모델을 학습해 구매자에게 최적의 상품을 한층 정확하게 추천할 수 있게 됐습니다.
스냅(Snap)은 자사의 Prism 에이전트를 스토리지 아카이브에 직접 연결해 기술 진단 및 문제 해결에 걸리는 시간을 30분에서 30초로 단축했습니다.

산업별 특화 모델

모든 산업은 범용 AI 모델만으로는 구사할 수 없는 고유한 전문 지식을 기반으로 운영됩니다. 구글 클라우드는 각 산업에 특화된 스킬, 도구, 전문 지식을 갖춘 제미나이를 제공하고 있습니다. 현재 금융 서비스와 법률 분야에서 프리뷰 버전으로 제공하며 곧 정부, 헬스케어, 리테일 분야로도 확대될 예정입니다.

금융 서비스: 금융 서비스용 제미나이 엔터프라이즈(Gemini for Financial Services)는 투자 리서치, 신용 분석, 리스크 모델링처럼 그동안 여러 업무 파이프라인에서 개별적으로 진행되던 작업을 하나로 자동화합니다. FactSet, LSEG, SEC 공시 자료와 기업 내부 데이터 저장소 등 신뢰할 수 있는 금융 데이터를 활용하며, 50개 이상의 기본 스킬을 바탕으로 엄격한 컴플라이언스 요건을 충족하도록 설계됐습니다. 또한 신뢰도 점수, 명확한 분석 방법론, 전체 데이터 계보(data lineage), 출처 인용을 통해 추론 과정과 결과를 검증하고 감사할 수 있습니다. CME그룹과 도이치뱅크(Deutsche Bank) 등 글로벌 금융기관에서 금융 서비스용 제미나이를 도입해 활용하고 있습니다.
법률: 제미나이는 NetDocuments와 iManage 같은 문서관리 플랫폼의 사건별 접근 권한과 이해상충 방지를 위한 정보 차단벽(ethical walls)을 그대로 적용합니다. 하비(Harvey)와 같은 파트너는 로펌의 기밀유지 기준을 준수하면서 복잡한 법률 업무를 자동화하고, 오닛(Onit)은 비밀유지 대상 정보를 노출하지 않으면서 계약 수명주기 관리 업무를 간소화합니다. 쿨리(Cooley)는 법률용 제미나이 엔터프라이즈(Gemini Enterprise for Legal)를 기반으로 법원 제출 서류가 공개되기 전에 개인식별정보와 기밀 정보를 자동으로 비공개 처리하는 에이전트를 개발하고 있습니다. 이는 로펌의 엄격한 고객 비밀 유지 기준을 유지하면서도 중대한 소송에서 문서 검토 시간을 크게 단축할 수 있습니다.

구글 클라우드의 생태계 파트너와 고객들은 새로운 산업 특화 AI 애플리케이션도 개발하고 있습니다. 딜로이트(Deloitte)는 기업이 AI로 가장 큰 비즈니스 효과를 낼 수 있는 기회 영역을 찾도록 지원하는 멀티 에이전트 솔루션을 개발했습니다. 딜로이트의 에이전틱 AI 블루프린트는 운영 현황을 히트맵으로 분석해 에이전트 전환이 시급한 영역을 포착함으로써, 맞춤형 에이전트 워크플로 배포를 가속화하고 실질적인 비즈니스 성과 창출까지 걸리는 시간을 최대 3배 단축할 수 있습니다.

에이전트 보안 및 거버넌스

기업의 에이전트 전략 성공 여부는 두 가지 요인에 달려 있습니다. ‘에이전트를 제대로 통제할 수 있는가’, 그리고 ‘비용을 감당할 수 있는가’입니다.

조직 전반에 자율형 에이전트를 배포할 때 거버넌스는 다음 네 가지 질문에 답할 수 있어야 합니다:

이 에이전트는 누구이며 어떤 ID를 가졌는가?
무엇을 할 수 있으며 어떤 권한을 부여받았는가?
어떤 작업을 수행했고, 그 기록은 어디에서 확인할 수 있는가?
절대 접근해서는 안 되는 대상은 무엇인가?

ID, 정책, 옵저버빌리티가 처음 세 가지 질문에 대한 답이라면, 마지막 질문의 답은 에이전트 게이트웨이(Agent Gateway)입니다:

신원: 모든 에이전트는 고유한 ID를 부여받으며, 직원과 동일하게 암호화 방식으로 검증되고 최소 권한 원칙에 따라 관리됩니다. 에이전트의 작업 내역을 기록하는 로그는 물론, 에이전트를 대신해 코드를 실행하는 가상머신(VM)에도 이 ID가 기록됩니다.
권한 및 접근 제어: 조직의 보안 관리자가 승인한 세분화된 역할 기반 접근 권한을 각 에이전트에 부여할 수 있습니다. 제미나이 에이전트가 외부 시스템에 연결할 경우 OAuth와 같은 업계 표준을 통해 ID가 맵 및 전달됩니다.
감사: 제미나이가 수행하는 모든 작업은 감사 추적에 기록되며, 사람이 아닌 에이전트의 수행 내역으 표시됩니다. 에이전트가 코드를 실행하기 위해 생성한 가상머신에도 ID가 그대로 전달되기 때문에 구글 클라우드의 옵저버빌리티 도구를 활용해 관련 로그를 실시간으로 모니터링하고, 이상 징후를 사전에 탐지할 수 있습니다.
정책 관리 및 제어: 제미나이는 신원 확인, 검색, 거버넌스, 보안을 기본으로 제공합니다. 모든 제미나이 에이전트는 자체 네트워크 경계를 갖춘 에이전트 샌드박스(Agent Sandbox) 안에서 안전하게 작업을 수행합니다. 에이전트 내외부로 이동하는 트래픽과 에이전트 간 트래픽은 모두 에이전트 게이트웨이를 거치며, 에이전트 게이트웨이는 조직의 정책을 실시간으로 적하는 AI 네트워크 방화벽 역할을 합니다. 예를 들어 “에이전트는 ‘대외비’로 분류된 문서를 열 수 없다”는 정책을 한 번 설정하면, 개별 에이전트를 일일이 확인할 필요 없이 사내 모든 에이전트에 일괄 적용할 수 있습니다.

업계 최고 수준의 비용 관리 기능

2024년 이후 토큰당 가격은 98% 하락했지만, 기업의 AI 사용량은 폭발적으로 증가했습니다. 단순한 반복 작업까지 모두 고성능 모델로 처리하면 기업의 AI 예산은 금방 한계에 다다를 것입니다. 구글 클라우드는 최근 유연한 지출 관리 옵션을 새로 발표했으며, 여기에 다음의 기능을 추가로 확대합니다:

멀티 모델 오케스트레이션: 앞서 설명한 것처럼 제미나이는 업무에 가장 적합한 모델을 선택할 수 있습니다. 대규모 프로젝트에서는 작업별로 서로 다른 모델을 조합해 품질은 높이고 비용은 낮출 수 있습니다.
스마트 라우팅: 구글 클라우드의 라우팅 도구가 기업의 워크로드를 자동으로 분류해, 각각의 작업이 최소 비용으로 최대 성능을 낼 수 있는 모델에서 실행되도록 합니다.
실시간 지출 한도 설정: 클라우드 빌링 콘솔(Cloud Billing Console)에서 프로젝트별 AI 지출 상한을 설정하면 제미나이가 이를 적용합니다. 제미나이는 토큰 사용량과 샌드박스 비용을 모니터링하며, 지출 한도에 도달하면 해당 프로젝트의 에이전트 작업을 일시 중지합니다. 이후 콘솔에서 클릭 한 번으로 다시 실행할 수 있습니다. 프로젝트별로 비용이 집계되기 때문에 기업은 이를 특정 부서에 배분할 수 있으며, 로이드뱅킹그룹(Lloyds Banking Group)도 현재 이러한 방식으로 자율 운영을 확대하고 있습니다.

인프라: 가격 대비 성능 80% 향상

에이전트와 데이터, ID를 비롯한 모든 혁신은 구글 클라우드의 AI 인프라와 모델 위에 작동합니다. 기술의 경제성이 확보되는 이유도 바로 여기에 있습니다.

먼저 AI 인프라입니다. 구글 클라우드는 칩, 네트워크, 데이터센터, 그리고 이 모두를 하나의 고성능 최적화 시스템으로 연결하는 소프트웨어로 통합 설계합니다. 이것이 구글 클라우드의 AI 하이퍼컴퓨터(AI Hypercomputer)입니다. 이러한 수직 통합 구조는 일반적인 인프라 구성보다 훨씬 뛰어난 가격 대비 성능을 제공하며, 구글 클라우드는 이 분야의 기술 수준을 지속적으로 끌어올리고 있습니다. 구글의 최신 TPU 8i 시스템은 이전 세대 대비 가격 대비 성능을 80% 향상시켜, 복잡하고 높은 가치를 창출하는 에이전트 작업을 더욱 빠르고 비용 효율적으로 수행할 수 있도록 지원합니다.

이러한 반도체 기술 위에는 구글의 고성능 모델 라인업이 자리하고 있습니다. 최첨단 추론을 위한 아르곤(Argon), 속도와 대규모 처리를 위한 플래시(Flash), 생성형 미디어를 위한 옴니(Omni), 경량화된 오픈 웨이트(open-weights) 에지 워크로드를 위한 젬마(Gemma)입니다.

에지 환경에서의 AI 활용은 이미 현실화되었습니다. NASA 제트추진연구소(JPL)는 궤도 비행 중인 위성에서 젬마를 직접 구동하고 있으며, 이는 비전-언어 모델로서 첫 사례입니다. JPL의 NAVI 소프트웨어는 위성에서 지구 이미지를 분석하고 핵심 정보를 요약해 지상 관제 인력에 전송합니다.

생태계로 더욱 강력해지는 제미나이

구글 클라우드는 기술 스택의 모든 계층에서 고객이 각자 니즈에 맞는 최적의 기술을 자유롭게 선택할 수 있도록 선택권을 보장하고 있습니다.

제미나이 안에서 주요 SaaS 기업이 제공하는 다양한 서드파티 에이전트와 즉시 사용 가능한 커넥터를 폭넓게 선택할 수 있습니다. 새롭게 선보이는 AI 솔루션 파인더(AI Solution Finder)에서는 컬렉션 형태로 원하는 솔루션을 보다 쉽게 찾아볼 수 있습니다.

제미나이를 둘러싼 서비스 파트너 생태계도 기업 수요에 맞춰 빠르게 확대되고 있습니다. 지난 한 달 동안에만 구글 클라우드의 글로벌 컨설팅 파트너들은 10만 명이 넘는 개발자와 컨설턴트를 대상으로 제미나이 해커톤을 진행했습니다.

엑센츄어(Accenture)는 고객의 제미나이 엔터프라이즈 도입과 혁신을 가속화하기 위해 제미나이 엔터프라이즈 비즈니스 그룹(Gemini Enterprise Business Group)을 신설하는 대규모 투자를 단행했습니다. 다른 여러 파트너들도 전문 CoE(Center of Excellence)를 설립하고, 15만 명 이상의 제미나이 인증 전문가를 양성하며 늘어나는 제미나이 수요에 발맞춰 투자를 확대하고 있습니다. 이를 통해 고객이 실제 운영 환경에서 활용 가능한 에이전트를 보다 빠르게 구축하고 배포할 수 있도록 지원하고 있습니다.

전 세계로 확산되는 제미나이 엔터프라이즈 활용 현황

전 세계 기업들이 모든 지역에서 제미나이 엔터프라이즈로 구체적인 비즈니스 성과를 창출하고 있습니다.

유럽

유연한 온·오프라인 교육을 제공하는 영국의 교육 기관 아덴대학교(Arden University)는 제미나이 엔터프라이즈를 도입해 학생들의 학습 경험을 개인화하고 글로벌 취업 시장에 대비할 수 있도록 지원하고 있습니다. 3만 명 이상의 학생과 교직원이 첨단 AI 도구를 활용해 학습을 개인화하고, 직장에서 요구되는 핵심 역량을 익힐 수 있게 됩니다.
독일의 최대 민간은행 중 하나인 코메르츠방크(Commerzbank)는 제미나이 엔터프라이즈를 활용해 문서 품질 검수 업무를 자동화하고 있습니다. 문서 검토에 필요한 수작업 시간을 20시간에서 1시간으로 단축했으며, 현재 AI 기반 품질 관리를 위한 멀티 에이전트 시스템으로 적용 범위를 확대하고 있습니다.
노키아(Nokia)는 제미나이 엔터프라이즈 기반의 전문 에이전트 생태계를 구축해 복잡한 통신망 문제를 해결하고 있습니다. 장애 진단 및 문제 해결 과정을 자동화하고 이슈 해결 시간을 최대 80% 단축해, 가입자가 불편을 겪기 전에 선제적으로 대응할 수 있습니다.
프리미엄 스포츠웨어 브랜드 온(On)은 전 직원에게 제미나이 엔터프라이즈를 도입해 업무 생산성과 효율성을 높이며 AI 중심 문화를 조성하고 있습니다. 직원들은 노코드 에이전트를 직접 만들어 사내 정보 검색, 경영진 보고, 시장 조사, 일정 관리, 온보딩 등 다양한 업무에 활용하고 있습니다.
라이언에어(Ryanair)는 유럽 최대 항공사로, 3만 5,000명의 임직원에게 제미나이 엔터프라이즈와 구글 워크스페이스를 도입해 협업 방식과 IT 인프라를 현대화하고 있습니다. 승무원, 운항 계획 담당자, 본사 직원은 의사결정 자동화와 승무원 배치 최적화, 업무 생산성 향상 효과를 기대하고 있습니다. 또한 듀얼 클라우드 전략을 통해 인프라 안정성을 강화하고, 2034년까지 연간 승객 3억 명 달성을 목표로 성장하고 있습니다.
영국의 대표적인 디지털 은행 스탈링(Starling)은 제미나이 엔터프라이즈 기반의 스캠 인텔리전스(Scam Intelligence) 도구를 구축했습니다. 이를 통해 온라인 마켓플레이스 광고에서 의심스러운 콘텐츠를 분석하고 고객이 사기성 결제를 취소하는 비율을 4배 높였습니다.
이 밖에도 은행 분야 베렌베르크(Berenberg), 통신 분야 부이그텔레콤(Bouygues Telecom), 자동화 분야 지멘스(Siemens) 등이 유럽의 주요 고객으로 제미나이 엔터프라이즈를 적극 활용하고 있습니다.

아시아태평양

연간 2,000억 달러 이상 거래를 처리하는 글로벌 금융 플랫폼 에어월렉스(Airwallex)는 인프라 전반에 제미나이 엔터프라이즈를 도입해 고객 문제를 10배 빠르게 해결하고, 분쟁 처리 자동화로 건당 처리 시간을 40% 단축했으며, 소프트웨어 출시 기간을 95% 이상 단축했습니다. 동시에 자금 관리, 매입 채무, 결제 자동화를 위한 전문 에이전틱 금융 워크플로를 구축하고 있습니다.
히타치(Hitachi)는 AI 기반 솔루션 포트폴리오인 HMAX를 통해 현장 작업자에게 에이전트를 직접 배포하며 글로벌 전력 및 유틸리티 산업을 혁신하고 있습니다. 현장 기술자들은 작업 전후로 모든 공구와 배선 사진을 검증하는 이미지 인식 에이전트를 비롯해 200개 이상 사용 사례에 특화된 에이전트를 구축했으며, 이를 통해 작업자의 안전을 강화하며 생산성을 최대 400% 향상시켰습니다.
일본의 선도적인 이동통신사 NTT 도코모(NTT DOCOMO)는 데이터 에이전트를 구축해 인사이트 도출 시간을 2주에서 즉시 처리 수준으로 단축했습니다. 그 결과 연간 45만 시간을 절감했으며, 이러한 성공을 바탕으로 제미나이 엔터프라이즈를 확대 도입해 차세대 생산성 혁신에 박차를 가하고 있습니다.
호주의 디지털 금융 서비스 기업 집(Zip)은 제미나이 엔터프라이즈를 도입하고 AI 네이티브 프로덕트 팩토리(AI-Native Product Factory)를 구축함으로써, 미국 내 제품 개발 수명 주기를 혁신하고 있습니다. 서로 다른 직무의 팀이 통합 에이전틱 환경에서 고객 리서치, 디자인, 엔지니어링, 컴플라이언스를 하나로 연결해, 제품 개발 속도와 다양한 아이디어를 동시에 검증하는 역량을 끌어올리는 한편 신규 금융 상품 및 경험의 출시 비용과 복잡성을 줄일 것으로 기대됩니다.
이외에도 LG, 마루베니(Marubeni), 타타스틸(Tata Steel), TCS 등 전자, 무역, 제조, IT 서비스에 이르기까지 다양한 산업의 아태 지역 선도 기업들이 제미나이 엔터프라이즈로 혁신을 이끌고 있습니다.

라틴 아메리카

브라질 금융 시장을 선도하는 방코BV(Banco BV)는 제미나이 엔터프라이즈로 고객 관계 관리자(CRM)를 위한 맞춤형 스크립트를 생성해 고객 커뮤니케이션 속도를 80% 높였습니다. 새로운 AI 플랫폼을 바탕으로 고객 개개인에게 맞춤형 금융 및 투자 기회를 신속하게 제안할 수 있습니다.
브라질 국립 농업·축산 연맹(CNA/SENAR)은 제미나이 엔터프라이즈를 기반으로 구축한 왓츠앱(WhatsApp) 대화형 AI 어시스턴트 '조이아(JoIA)'를 도입해 필수 농업 정보에 대한 접근성을 넓히고 있습니다. 4만 명의 활성 사용자가 지역별 원자재 가격, 일기 예보, 재무 건전성 평가를 확인해 의사결정에 활용하고 있으며, 향후 전국 500만 농가를 지원할 수 있을 것으로 기대하고 있습니다.
멕시코의 대형 약국 및 드럭스토어 체인 파르마시아스 델 아오로(Farmacias del Ahorro)는 제미나이 엔터프라이즈 기반의 사내 프로그램 '포텐시아(PotencIA)'를 도입해 본사 운영 효율을 대폭 높였습니다. IT, 이커머스, 마케팅 부서의 임직원 1,000명이 일상 업무에 포텐시아를 적극 활용하면서 활성 사용자 비율 95%를 기록했으며, 연간 약 14만 시간의 생산성 향상 효과가 예상됩니다.
중남미 최대 미디어 기업 글로보(Globo)는 제미나이 엔터프라이즈 기반의 AI 에이전트 솔루션 '플라네하AI(PlanejaAI)'를 도입해 소프트웨어의 초기 기획 단계를 최적화했습니다. 이를 통해 프로덕트 오너, 매니저, 분석가는 에픽(epic)을 구체화하고 분기별 기획 수립을 가속화해 개발 전 계획 정확도를 33% 향상시켰으며, 검증 시간은 20분에서 6초로 단축해 한 분기에만 127시간을 절감했습니다.
멕시코의 주요 식품 제조 및 소비 유통 그룹 그루포 바파르(Grupo Bafar)는 계약 관리 자동화를 위해 제미나이 엔터프라이즈를 도입하며 전국 매장 확장 속도를 높이고 있습니다. 법무 및 리테일 운영팀은 신규 매장 오픈을 위한 운영 부속 서류 작성 절차를 간소화해 처리 역량을 10배 높이고 지점당 계약서 준비 시간을 140분에서 17분으로 단축했습니다.
멕시코와 페루에서 약 50만 명의 학생이 재학 중인 대형 고등교육 네트워크 로레이트 에듀케이션(Laureate Education)은 제미나이 엔터프라이즈와 교육용 제미나이(Gemini for Education)를 도입해 학사 및 행정 시스템을 혁신하고 있습니다. 교직원들은 맞춤형 학습 경로를 설계하고, 교수 지원 자료를 강화하며, 캠퍼스 행정을 현대화했습니다. 이를 통해 학생의 참여도와 운영 준비성을 대폭 높였으며, 졸업생의 장기적인 취업 경쟁력까지 강화하고 있습니다
이외에도 라틴 아메리카의 주요 고객으로 배달 서비스 아이푸드(iFood), 고객 리워드 플랫폼 리벨로(Livelo), 공공 서비스 기관 SEBRAE, 교육 그룹 이두크스(Yduqs) 등이 있습니다.

북아메리카

미국의 대표적인 식품 및 의약품 유통 기업 알버트슨(Albertsons)은 제미나이 엔터프라이즈로 구축한 '지능형 품질 관리(Intelligent Quality Control)' 도구를 특허 출원 중에 있으며, 이를 통해 고객에게 최상의 신선 식품을 제공하고 있습니다. 물류센터 검수원들은 컴퓨터 비전과 제미나이 모델을 활용해 신선 과일 및 채소의 품질을 자사 기준에 맞춰 즉시 평가합니다. 근무 조나 지점 간 검수 기준을 일관성 있게 유지하고 검수 속도를 높여, 신선 식품을 매장 진열대까지 더욱 빠르게 공급하고 있습니다.
영화 및 방송용 미디어 테크놀로지 선도 기업 에이비드(Avid)는 제미나이 엔터프라이즈로 구축한 웹브라우저 기반 편집 환경과 에이전틱 크리에이티브 제작을 통해 비디오 후반 작업 프로세스를 간소화하고 있습니다. 편집자와 감독은 구글 크롬(Google Chrome) 브라우저를 비롯한 작업 환경에서 대화형 콘텐츠 탐색, AI 자막 생성, 지능형 미디어 분류 기능을 활용해 단순 반복 업무를 줄이고, 스토리텔링 작업에 더욱 집중할 수 있게 되었습니다.
하니웰(Honeywell)은 제미나이 엔터프라이즈 기반의 '포지 예측 정비(Forge Predictive Maintenance)' 인텔리전스 레이어를 구축했습니다. 이 플랫폼은 대규모 설비 운영 데이터의 맥락을 분석해 선제적인 유지보수 가이드를 제공합니다. 이를 통해 고객은 예상치 못한 가동 중단으로 인한 비용 손실을 최소화하고 핵심 장비의 수명을 보호하고 연장할 수 있습니다.

페이팔(PayPal)은 제미나이 엔터프라이즈 기반 AI 플랫폼을 구축해 새로운 커머스 도구를 개발했으며, 신규 모델 배포에 소요되는 시간을 몇 주에서 단 몇 분으로 단축했습니다.
세계 최대 인테리어 및 자재 유통 기업인 홈디포(The Home Depot)는 제미나이 엔터프라이즈 기반의 AI 음성 및 디지털 어시스턴트를 도입해 고객 지원과 상품 탐색 속도를 높이고 있습니다. 이제 셀프 인테리어 고객과 전문 시공업자는 AI 쇼핑 어시스턴트 '매직 에이프런(Magic Apron)'을 활용해 복잡한 전화 ARS 안내를 거칠 필요 없이 자연어로 인근 매장 재고를 확인하고 요청 사항을 즉시 해결할 수 있습니다. 이를 통해 전화 응대 속도가 4배 빨라져 10초 이내 고객 니즈를 파악하고, 매장 직원은 대면 고객 응대에 더욱 집중할 수 있게 됐습니다.
정품 인증 명품 리세일 전문 온라인 마켓플레이스 더리얼리얼(The RealReal)은 제미나이 엔터프라이즈 기반의 대화형 쇼핑 컨시어지 '아스크 TRR(Ask TRR)'을 도입해 명품 위탁 판매 환경을 혁신하고 있습니다. 구매자들은 정형화된 검색 필터 대신 자연어로 실시간 업데이트 되는 방대한 상품 목록을 손쉽게 탐색할 수 있습니다. 이를 통해 4,500만 명에 달하는 회원 참여도를 높이는 동시에 희소성 높은 '원오브원(One-of-one)' 제품이 품절되기 전 빠르게 찾아 구매할 수 있도록 지원합니다.
버라이즌(Verizon)은 제미나이 엔터프라이즈와 에이전틱 데이터 클라우드(Data Cloud)를 활용해 고객 서비스 및 엔터프라이즈 운영을 현대화하고 있습니다. 고객의 전화 및 채팅 문의를 자동 처리하고, 네트워크 이상 징후를 미리 예측해 해결하며, 마케팅 캠페인 과정을 자동화해 고객 만족도와 자동 해결률을 대폭 끌어올렸습니다. 또한 기존의 파편화된 데이터 레이크를 단일 데이터 소스로 통합했습니다.
몰입형 스토리텔링 플랫폼 웨네어(Whenere)는 '포트나이트(Fortnite)'에 소설 “오만과 편견”의 세계관을 구현하는 것을 시작으로, 대화형 3D 월드 빌딩 방식을 혁신하고 있습니다. 웨네어는 소설 속 네더필드 저택을 구현하기 위해 제미나이 엔터프라이즈 기반 에이전틱 3D 제작 플랫폼인 '드림랜드(Dreamlands)'를 활용했습니다. 제미나이가 3D 표면 텍스처를 개당 10센트 미만의 비용으로 7초 만에 생성한 덕분에, 한 명의 아티스트가 하루 동안 250여개의 맞춤형 에셋을 제작할 수 있었습니다. 이를 통해 아티스트는 창작 과정에 대한 제어권을 온전히 유지하며 역사적 고증을 거친 저택을 일주일 안에 완공할 수 있었습니다.
카디널헬스(Cardinal Health), 하이마크헬스(Highmark Health), 시애틀 어린이병원(Seattle Children's) 등 주요 병원 시스템 및 헬스케어 서비스 기업들은 제미나이 엔터프라이즈를 활용해 안전한 환경에서 행정 및 임상 지원 워크플로를 운영하고 있습니다.
미국 애리조나주와 미주리주, 뉴욕주립대학교(SUNY), 미국 국방부 최고디지털·인공지능국(CDAO) 등 공공 분야에서도 제미나이 엔터프라이즈를 도입했습니다. CDAO는 미군 및 군무원 3백 만명을 대상으로 제미나이 엔터프라이즈를 제공했으며, 이들은 10만 개 이상의 맞춤형 에이전트를 자체 구축해 일상 업무를 자동화했습니다.
에어로텍(Aerotech), EDSPAN 글로벌, 핀치 크리에이티브(Pinch Creative), 쿼드런트 헬스그룹(Quadrant Health Group), 솔트 프로덕션(Salt Productions), 스트라타젬(Strategem) 등 다양한 중소기업이 제미나이 엔터프라이즈를 활용해 운영 간소화, 행정 업무 자동화, 정보 검색 및 고객 응대를 지원하는 AI 에이전트를 구축해 팀의 역량을 강화하고 있습니다. 해당 기업들의 구글 클라우드 AI 도구 사용량은 전년 대비 5배 이상 급증했습니다.
이외에도 에브리큐어(Every Cure), 하비(Harvey), 러버블(Lovable), 오픈에비던스(OpenEvidence), 리커전(Recursion), 리플릿(Replit) 등 북미 지역 유수의 스타트업과 혁신 기업들이 제미나이 엔터프라이즈를 활용 중입니다.

고객을 향한 구글 클라우드의 약속

제미나이로 미래를 만들어 가는 고객 여러분을 위해 구글 클라우드는 세 가지를 약속드립니다:

걸림돌을 제거합니다: 어디서나 실행되고, 어떤 작업이든 수행하며, 원하는 모델을 선택할 수 있도록 엔터프라이즈급 거버넌스를 적용한 미래지향적 플랫폼을 제공합니다.
복잡성을 해소합니다: 반도체, 모델, 스킬, 도구, 보안에 이르기까지 구글은 전체 스택을 직접 구축해 완전한 통합을 지원합니다.
고객이 구축한 자산은 고객의 것입니다: 인력과 데이터가 이동할 필요 없이, 독자적인 입력값과 생성된 결과물에 대한 모든 권리는 온전히 고객에게 있습니다.

기술은 준비되었고 구글 클라우드의 글로벌 파트너 생태계는 빠르게 확장하고 있습니다. 이제 제미나이가 여러분을 위해 일할 차례입니다.

스타트업에 프런티어 API와 함께 개방형 모델이 필요한 이유

Wed, 07 Oct 2026 17:00:00 +0000

*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 영문 원본을 참고해 주시기 바랍니다.

매주 저는 놀라운 속도로 비즈니스를 성장시키고 있는 창업자들과 대화를 나눕니다. 많은 팀이 파운데이션 모델을 핵심 제품 워크플로에 깊이 통합하여 그 어느 때보다 빠르게 제품을 시장에 출시하고 있습니다.

그러나 스타트업 아키텍처가 성숙해짐에 따라, 마진 확보에 어려움을 겪는 팀과 지속 가능하게 확장하는 팀 간에 뚜렷한 격차가 나타나기 시작했습니다. 가장 효과적인 엔지니어링팀은 일률적인 모델 전략을 버렸습니다.

LLM 초기에는 기본 아키텍처가 간단했습니다. 모든 상호작용을 사용 가능한 가장 큰 모델로 전송하는 것이었습니다. 하지만 애플리케이션이 프로덕션 단계로 넘어가 수백만 명의 사용자에게 서비스를 제공하고 자율적인 멀티 에이전트 워크플로를 실행하게 되면, 단일 프런티어 모델에 의존하는 방식은 세 가지 측면에서 한계에 부딪히게 됩니다.

지연 시간 페널티: 클라우드 왕복에 전적으로 의존하면 대화형 모바일 및 데스크톱 앱에 필요한 1초 미만의 응답성을 제공하기 어렵습니다.
인프라 오버헤드: 700억 개 이상의 파라미터를 가진 대규모 개방형 모델을 자체 호스팅하려면 초기 단계의 팀이 인프라 제공업체처럼 행동해야 하며, 클러스터 프로비저닝과 멀티 GPU 조정에 선임 엔지니어를 투입해야 합니다.
마진 감소: 인텐트 라우팅, JSON 추출, 상태 검증과 같은 고빈도 정형 작업을 범용 프런티어 엔드포인트로 전송하면 제품 차별화에 투자할 수 있는 자본이 소모됩니다.

우수한 엔지니어링팀은 각 작업에 적합한 도구를 선택합니다. 대부분의 프로덕션 요청에는 프런티어 범용 모델이 필요하지 않으며, 모든 호출을 프런티어 범용 모델로 라우팅하면 오히려 제품 성능이 저하될 수 있습니다. 복합 AI 스택이 이를 대신할 성공적인 패턴으로 자리 잡고 있습니다. 복잡한 합성을 위한 프런티어 모델과 어디서나 조정, 제어, 실행할 수 있는 컴팩트한 개방형 가중치 모델을 결합하는 방식입니다.

이는 Gemma와 같은 개방형 모델을 모델 라인업에 포함해야 하는 이유입니다. 개발자 커뮤니티에서 10억 회 이상 다운로드된 Gemma 4는 Gemini 모델의 기반이 되는 동일한 기초 연구와 기술을 적용한, 현재까지 가장 강력한 개방형 모델 제품군입니다.

한 지붕 아래에서 구축

Gemma는 Gemini 모델을 만드는 데 사용되는 것과 동일한 기초 연구와 아키텍처 발전을 사용하여 Google DeepMind에서 빌드했습니다. Gemini와 Gemma는 공통된 DNA와 개발자 도구를 공유하므로, 귀사의 팀은 Google AI Studio에서 프로토타입을 제작하고 Gemini와 Gemma가 함께 작동하는 하이브리드 아키텍처를 설계할 수 있습니다.

상업적 사용이 허용되는 Apache 2.0 라이선스에 따라 출시된 Gemma 4는 파라미터 및 토큰 효율성을 위해 설계되었습니다. Gemma 4는 모든 하드웨어 대상에 단일 모델 아키텍처를 강제 적용하는 대신, 4가지 특화된 아키텍처에 걸쳐 5가지 크기로 제공됩니다. 모바일 및 에지 기기를 위한 네이티브 오디오 및 비전 기능을 갖춘 컴팩트한 E2B 및 E4B 모델, 인코더가 없는 12B Unified 멀티모달 모델, 높은 처리량의 서빙을 위해 토큰당 40억 개의 파라미터만 활성화하는 26B A4B 전문가 혼합(MoE) 모델, 최대의 추론 품질과 미세 조정을 위해 단일 GPU에 적합한 고밀도 31B 모델이 있습니다. 모든 모델에는 구성 가능한 사고 모드, 네이티브 함수 호출, 최대 256K 컨텍스트, 추측 디코딩을 위한 기본 제공 멀티 토큰 예측(MTP) 초안 모델이 포함되어 있습니다.

실제 사례: 스타트업이 Gemma로 성공을 거두는 방법

창업자들은 Gemma를 사용하여 단위 경제성, 출력 정확성, 응답성과 관련된 긴급한 문제를 해결하고 있습니다.

아키텍처 전환: Cue는 사용자의 머신에서 네이티브로 실행되어 일상적인 작업을 자동화하는 음성 인식 데스크톱 어시스턴트입니다. 이들은 로컬 하드웨어에서 Ollama를 통해 Gemma 4 E4B를 통합하여 실시간 스크립트 서식 지정을 처리했습니다. 원래는 Gemma를 약한 오프라인 대체 수단으로 계획했지만, 벤치마킹 결과 Gemma가 매우 빠르고 정확하다는 것이 입증되어 기본 엔진으로 채택했습니다. 그 결과 지연 시간이 44% 감소(876ms에서 488ms로)했습니다.
진정한 에지 독립성: 모바일 개발 스튜디오 HubX는 몰입형 실시간 음성 대화를 시뮬레이션하는 음성 기반 대화형 모바일 영어 학습 튜터인 BetterSpeak를 빌드했습니다. 셀룰러 네트워크 지연을 우회하고, 클라우드 호스팅 비용 때문에 사용자에게 비싼 구독료를 청구하지 않기 위해, 이들은 4비트 양자화된 Gemma 4 E2B 모델(~2.9GB)을 기기에 네이티브로 패키징했습니다. 그 결과, 서버 비용이 전혀 들지 않는 오프라인 음성-음성 모바일 튜터가 탄생했습니다.
과학적 발견 및 에어 갭 적용 보안: K-Dense는 Gemma 4와 K-Dense의 과학 에이전트 기술을 기반으로 하드웨어, 소프트웨어, 센서 제품군 전반에서 엔드 투 엔드로 최적화된 AI 기반 과학 협업 도구인 Faraday를 빌드했습니다. Faraday는 완전히 에어 갭이 적용된 상태로 실행되므로 제약 및 생명공학 분야의 보안이 요구되는 독점적 과학 작업에 적합합니다. NVIDIA DGX Spark에 배포된 Gemma 4는 사용자의 독점 데이터 세트를 기반으로 로컬에서 미세 조정할 수도 있습니다.
무한한 게임플레이와 사용자 유지: 게임 회사 Latitude는 자사의 AI 네이티브 게임 제품 전반에 Gemma를 통합했습니다. AI Dungeon에 Gemma를 도입함으로써 플레이어 유지율을 크게 개선했으며, 새로운 AI RPG 플랫폼인 Voyage는 Gemma를 활용하여 초고속 지연 시간으로 무제한 사용자 게임플레이를 지원하는 비용으로 높은 지능을 제공합니다.

스타트업이 Gemma를 활용할 수 있는 4가지 워크로드

현재 스택에서 Gemma를 어떻게 적용할지 검토하고 있다면 다음 네 가지 작업부터 시작해 보세요.

1. 에지 및 로컬 실행(짧은 지연 시간, 진정한 개인 정보 보호)

모바일 앱, 개발자 데스크톱 도구, 로봇 공학 또는 오프라인 중심 환경을 빌드하는 경우 클라우드 왕복이 발생할 때마다 사용자가 체감할 수 있는 지연 시간이 추가됩니다. Gemma는 노트북(Apple Silicon 포함), 스마트폰, 로컬 어플라이언스에서 직접 실행할 수 있습니다. 사용자는 즉각적인 피드백을 받고, 민감한 정보는 기기 외부로 전송되지 않습니다.

추가 비용 없이 기기에서 많은 로컬 상호작용을 처리하고, 클라우드의 프런티어 모델에 대한 브리지를 유지하여 필요한 요청을 처리할 수 있습니다. 로컬 워크플로에서 대규모 멀티모달 추론, 긴 컨텍스트 데이터 합성 또는 복잡한 계획이 필요한 경우 애플리케이션은 해당 특정 요청을 Gemini로 라우팅할 수 있습니다.

2. 높은 처리량의 분류 및 에이전트 라우팅

멀티 에이전트 아키텍처에서 에이전트는 상태 확인, 인텐트 분류, 티켓 라우팅과 같은 간단한 작업에 놀라울 정도로 많은 토큰을 사용합니다. Gemma를 일선 게이트키퍼로 사용하면 대량의 백그라운드 작업이 컴팩트 모델에서 실행되므로 팀이 제품 가치를 창출하는 요청에 프런티어 추론을 사용할 수 있습니다.

3. 실질적인 경쟁 우위를 위한 작업별 파인 튜닝

독점 데이터에 맞게 모델을 조정하는 것은 경쟁 우위를 확보하는 한 가지 방법입니다. Gemma는 모델 가중치에 대한 전체 액세스 권한을 제공하고 메모리 사용량이 적기 때문에 팀이 단일 GPU에서 며칠이 아닌 몇 시간 만에 파라미터 효율적인 미세 조정(LoRA 또는 QLoRA)을 실행할 수 있습니다.

4. 즉시 활용할 수 있는 카테고리별 출발점

DeepMind는 Gemma의 도메인별 변형을 출시하므로 처음부터 시작할 필요가 없습니다. MedGemma가 그 예입니다. MedGemma는 MedQA 벤치마크에서 87.7%의 점수를 기록하여 프런티어 모델 수준의 임상 정확도를 약 10분의 1의 추론 비용으로 달성합니다. 맹검 임상 연구에서 전문의 자격을 갖춘 방사선과 의사들은 경량 MedGemma 1.5 4B가 생성한 흉부 X선 보고서의 81%가 인간 전문가가 작성한 보고서와 비교했을 때 동등한 수준의 환자 관리를 제공할 수 있을 만큼 정확하다고 판단했습니다.

의료 분야 외에도, 생명공학 스타트업은 C2S Scale을 사용하여 가상 세포 반응을 모델링하고 종양학 연구를 가속화하고 있습니다. 한편 DataGemma는 2,400억 개 이상의 공개 데이터 포인트를 상호 참조하여 수치 할루시네이션을 줄이는 데 도움이 됩니다. 전문화된 시장에서 비즈니스를 운영하는 경우 업계 언어를 이미 구사하는 모델로 시작하면 엔지니어링 시간과 컴퓨팅 예산을 절약할 수 있습니다.

비즈니스가 운영되는 곳 어디에나 배포

Gemma는 종속 없이 기존 엔지니어링 스택에 원활하게 통합되도록 설계되었습니다.

Apache 2.0 라이선스: Gemma 4는 Apache 2.0 라이선스에 따라 제공되므로 스타트업은 커스텀 가중치에 대한 완전한 소유권을 바탕으로 자유롭게 모델을 미세 조정, 양자화, 재배포하고 온프레미스 또는 에지에서 상용 제품을 배포할 수 있습니다.
첫날부터 사용 가능한 개방형 도구: vLLM, Ollama, llama.cpp, LM Studio, MLX, Unsloth, Hugging Face, Kaggle, Keras, PyTorch, JAX, LiteRT-LM 등 엔지니어가 이미 사용 중인 도구로 Gemma를 실행하고 미세 조정할 수 있습니다.
서버리스 및 관리형 클라우드 배포: Google AI Studio에서 즉시 프로토타입을 제작하고, Cloud Run을 통해 서버리스 GPU에서 리소스를 0으로 조정하거나, 트래픽이 급증하고 GPU 클러스터를 관리하고 싶지 않은 경우 Gemini Enterprise Agent Platform의 Model Garden에서 전용 엔드포인트를 배포할 수 있습니다.
엔터프라이즈급 안전: Gemma는 출시 전 엄격한 안전 평가, 데이터 필터링, 레드팀 테스트를 거치며, ShieldGemma 2와 결합하여 엔터프라이즈 규정 준수 요구사항을 충족하도록 지원합니다.

Gemma로 빌드하기: 이번 주에 할 일

훌륭한 기술 아키텍처는 모든 것을 수행할 하나의 모델을 찾는 것이 아닙니다. 각 작업에 적합한 도구를 조합하여 더 빠르게 움직이고, 자금을 확보하며, 우수한 제품을 출시하는 것이 중요합니다.

이번 주 귀사의 엔지니어링팀에 제안하는 과제는 다음과 같습니다.

모델 호출 감사: 로깅 대시보드를 살펴보고 현재 가장 비용이 많이 드는 모델에서 실행 중인 대량의 결정론적 작업(예: 인텐트 분류, JSON 검증, 요약) 3가지를 파악합니다.
Gemma 벤치마크: 소형 Gemma 모델을 사용하여 로컬 또는 단일 엔드포인트에서 간단한 테스트를 실행합니다. 지연 시간을 측정하고 해당 워크로드를 더 낮은 추론 비용으로 실행할 때 총이익이 어떻게 달라지는지 계산해 보세요.
방향 전환: 컴퓨팅에서 절약한 자본과 엔지니어링 시간을 핵심 차별화 요소에 다시 투자하세요.

Gemma 가중치를 직접 다운로드하거나 Model Garden을 통해 배포할 수 있습니다. 시작하고 실행하는 데 컴퓨팅 크레딧과 기술 아키텍처 검토가 필요한 경우 Google for Startups팀이 빌드를 도와드릴 준비가 되어 있습니다. 자세히 알아보세요.

강화 학습(RL)을 활용한 Gemini 모델 맞춤설정 권장사항 가이드

Wed, 07 Oct 2026 04:00:00 +0000

강화 학습(RL)은 현대적인 LLM 사후 학습의 핵심 요소이지만, 대규모 학습 클러스터가 필요할 뿐만 아니라 Gemini와 같은 독점 모델의 경우 외부 고객이 모델 내부 구조에 접근할 수 없다는 한계가 있습니다. 이에 Google Cloud에서는 이를 관리형 RL 파인 튜닝 서비스(RLFT 서비스)로 구현했습니다. 사용자가 프롬프트와 보상 함수를 제공하면, Google Cloud에서 인프라와 독점 모델의 내부 구조를 직접 관리합니다.

이제 이 서비스를 통해 Gemini를 최적화할 수 있습니다. 라벨이 지정된 정답 세트를 단순히 학습시키는 것이 아니라, 사용자가 직접 정의한 보상 신호를 통해 모델을 가르칠 수 있습니다. 이 덕분에 지도 미세 조정(SFT)으로는 해결하기 어려운 문제들, 즉 직접 시연하기는 어렵지만 결과에 점수를 매기기는 쉬운 작업들을 처리할 수 있게 됩니다.

이 가이드에서는 RL 미세 조정 서비스를 사용하기 위한 실용적인 권장사항을 살펴봅니다. 먼저 RL 학습 루프를 간단히 살펴보고, RL 사용 여부와 시점을 결정하는 방법을 알아보고, 이 접근 방식을 통해 가치를 극대화하는 방법을 소개합니다.

RLFT란?

RLFT는 라벨이 지정된 정답이 아닌 사용자가 정의한 보상 신호를 통해 Gemini를 최적화합니다. 수많은 정답 데이터를 직접 만드는 대신, 응답을 채점하는 프로그램 하나만 작성하면 서비스가 이를 바탕으로 모델을 개선합니다. 이를 통해 직접 보여주기는 어렵지만 검증하기는 쉬운 작업들을 수행할 수 있습니다. 예를 들어, 모든 스키마에 맞는 완벽한 SQL을 일일이 작성하기는 힘들지만, 쿼리를 실행해 보고 그 결과가 맞는지 확인하는 것은 간단한 것과 같습니다.

각 학습 단계에서 서비스는 프롬프트에 대한 여러 후보 대답을 생성하고, 사용자가 정의한 보상으로 점수를 매깁니다. 이를 통해 모델은 기존 Gemini의 특성을 유지하면서도 높은 점수를 받은 대답을 생성할 확률이 높아지도록 개선됩니다. 이 모든 과정을 가능하게 하는 강화 학습은 완전 관리형으로 제공되므로, 사용자가 직접 설정할 필요가 없습니다. 사용자가 직접 제어할 수 있는 유일한 요소이자 결과에 가장 결정적인 영향을 미치는 것은 바로 보상입니다.

RLFT의 가능성과 한계를 결정짓는 세 가지 특징은 다음과 같습니다.

모델 자체의 출력으로부터 학습: 외부 대상을 복제하는 대신 모델이 이미 생성한 결과물을 정교하게 다듬는 방식이므로, SFT보다 관련 없는 기존 역량을 저해할 가능성이 적습니다.
과정이 아닌 결과에 보상: 좋은 결과에 도달하는 모든 응답에 보상을 제공하므로, 정답이 여러 개인 개방형 작업에 적합합니다.
기존 역량 강화: 어쩌다 한 번 성공하던 작업을 안정적으로 실행하도록 만들지만, 모델이 원래 할 줄 모르는 기술을 새롭게 가르칠 수는 없습니다.

RLFT 사용 시점

프롬프팅과 SFT만으로도 대부분의 최적화가 가능하므로, RLFT를 고려하기 전에 이 방법들을 먼저 충분히 시도해 보세요. RLFT는 응답을 평가할 수는 있지만 직접 작성하기에는 비용이 많이 드는 경우, (충실도, 스키마 유효성, 어조 등) 중요한 지표에서 SFT가 정체기에 도달한 경우, 단일 참조 정답만으로는 동일하게 유효한 여러 정답에 잘못된 페널티를 줄 수 있는 작업에서 진가를 발휘합니다.

SFT와 RLFT는 경쟁 관계가 아니라 상호 보완적인 관계입니다.

기본 모델이 이미 어느 정도 성공적인 결과를 내놓고 있다면 직접 RLFT를 사용하세요. 보상을 통해 더 나은 답변과 그렇지 못한 답변을 충분히 구분해낼 수 있습니다.
SFT 데이터가 있거나 기본 성공률이 너무 낮아 RL만으로는 효과를 보기 어려운 경우에는 SFT → RLFT 2단계 방식을 사용하세요. SFT를 짧고 비용 효율적인 웜 스타트로 활용하세요. 시연 데이터에 과적합되면 RL을 통해 성능을 개선할 여지가 줄어들므로 가볍게 적용하는 것이 좋습니다. 그런 다음 SFT 체크포인트에서 RL을 초기화하는 지속적 조정을 통해 RL 단계로 넘어가세요.

얼리 어답터들의 사례를 보면 이러한 패턴을 통해 RLFT가 가장 큰 가치를 창출하는 영역을 파악할 수 있습니다. 각 패턴은 비즈니스 측면에서 중요하지만, 적은 비용으로는 증명하기 어려웠던 성과들을 스코어링을 통해 입증해 줍니다.

RLFT 사용 사례

게임 내 AI 기반 NPC

개요: 다국어로 진행되는 긴 멀티턴 대화에서도 캐릭터의 개성과 브랜드의 정체성을 유지하는 대화 기능입니다.
문제: 기존 모델을 그대로 사용하면 부적절한 언어 선택, 아이템 할루시네이션, 플레이어 무시, 답변 반복 등의 현상이 발생해 몰입감을 해칩니다.
목표 및 보상: Gemini 자동 평가자(LLM-as-a-judge)가 페르소나, 흐름, 게임 상태 문법을 기준으로 각 턴의 점수를 매기며, 형식 및 언어 오류에는 감점을 부여합니다.
결과: 반복되는 루프와 언어 이탈 현상이 사라지고 상태 문법이 안정적으로 유지됨에 따라, 실제 서비스에 바로 투입할 수 있는 수준의 인게임 캐릭터를 대규모로 구현할 수 있게 되었습니다.

정형 항목 추출

내용: 공급업체 인보이스나 배송 명세서 같은 비정형 문서에서 여러 항목을 추출하여 정형 레코드로 자동 변환하는 작업입니다.
문제: SFT가 정체기에 머무는 롱테일 현상 — 필수 필드가 누락되거나(재현율), 데이터에 없는 필드를 억지로 만들어냄(정밀도).
목표 및 보상: 규칙 기반 정밀도/재현율 보상은 모든 필드가 하나의 정답을 모방하는 것이 아니라 소스 텍스트에 기반하도록 합니다.
결과: 조정이 중단되었던 노이즈 많은 실제 문서에서 필드 수준 정확도가 향상되어 수동 검토 단계를 자동화 프로세스로 전환할 수 있었습니다.

콘텐츠 검토

내용: 복잡한 정책과 결정 트리를 대규모로 적용하는 작업입니다.
문제: 모델이 평가를 회피하기 위해 오탐을 생성하는 할루시네이션을 일으키거나, 잘못된 형식을 사용하는 방식으로 보상 해킹을 시도합니다.
목표 및 보상: Cloud Run 보상은 형식 검증과 결정론적 채점기를 결합하여 다단계 정책 준수를 강제합니다.
결과: 모델은 복잡한 예외 조항을 처리하고 오탐을 획기적으로 줄였으며, 보상 해킹을 차단했습니다. 이를 통해 운영 비용 상승의 원인이 되는 수동 검토 업무량을 줄이는 성과를 거두었습니다.

실행 결과로 평가하는 코드

내용: SQL 또는 API 호출이 고객 데이터에 대해 실제로 실행되는지를 기준으로 평가됩니다.
문제: SFT는 단일 참조 쿼리를 모방하는 방식이라, 학습 시 보지 못한 고유 스키마에서는 제대로 작동하지 않습니다.
목표 및 보상: 코드 실행 보상은 안전한 샌드박스 환경에서 코드를 실행하며, 코드가 정상적으로 컴파일 및 실행되어 올바른 결과가 반환될 때만 보상을 지급합니다.
결과: 이 모델은 폐쇄형 프런티어 모델급의 품질을 유지하면서도 더 낮은 추론 비용으로 첫 시도에 바로 실행 가능한 쿼리를 생성해 냈습니다. 덕분에 기술 지식이 없는 사용자도 자연어만으로 기업 고유 데이터를 조회할 수 있게 되었습니다.

HTML을 활용한 프레젠테이션 슬라이드 생성

정의: HTML/CSS로 작성된 멀티 슬라이드 자료입니다.
문제: 텍스트만으로 학습하면 시각적 품질을 파악할 수 없습니다. 그 결과 오버플로, 요소 잘림, 스타일 불일치 등의 문제가 해결되지 않은 채 그대로 방치될 수 있습니다.
목표 및 보상: 코드 실행 보상은 슬라이드를 렌더링하고 시각적 디자인, 레이아웃의 무결성, 구조적 완성도 및 평가 기준 준수 여부를 채점합니다.
결과: 모델은 테마의 통일성을 유지하면서 레이아웃이 깨지지 않는, 모듈화된 세련된 디자인의 슬라이드 덱을 생성했습니다.

어디서 시작해야 할까요?

데이터 세트부터 시작하세요. 첫 번째 실행에는 별도의 검증 데이터 세트가 포함된 다양한 프롬프트 세트만으로도 충분합니다. 루프가 안정적으로 수렴하고 보상이 의도한 방향으로 움직이는지 확인한 후 규모를 확장하세요. 학습 데이터와 평가 데이터를 엄격히 분리하세요. 평가 데이터가 오염되면 과적합을 파악하기 어려워집니다.
보상 함수부터 시작하세요. 코드 또는 설정의 형태로 작성되는 작업 사양이며, 품질을 결정짓는 가장 핵심적인 요소입니다. 좋은 보상은 인간의 선호도와 상관관계가 있어야 하며, 잘못된 형식의 출력에도 견고해야 하고(파싱 실패를 포착하여 시스템이 다운되는 대신 명확한 부정적 점수를 반환), 보상 해킹에 저항할 수 있어야 합니다. 이를 위해 앙상블 판단을 활용하고, 길이에 페널티를 부여하며, 비정상적인 출력에는 하한선을 설정하고, 모델의 의견보다는 검증 가능한 확인 절차를 우선시하는 것이 좋습니다. 출시 전에 오프라인에서 먼저 검증을 거치세요.

그 외의 과정은 서비스가 알아서 처리합니다. 기본값으로 시작해 콘솔에서 보상 및 평가 곡선을 모니터링하고, 마지막 단계가 아닌 검증 보상이 포화 상태에 도달한 시점의 체크포인트를 선택하세요.

지금 시작하기

여러분은 무엇을 빌드해야 하나요? 원하는 것을 만들 수 있는 도구가 준비되어 있습니다.

문서: 강화 학습 파인 튜닝

오늘날 가장 주목받는 스타트업이 AI 스택에서 찾는 세 가지

Tue, 06 Oct 2026 10:00:00 +0000

Google Cloud는 AI를 개발하는 스타트업이 선호하는 플랫폼이 되었습니다.

Google Cloud의 차별화된 종합 스택이 세계에서 가장 주목받는 혁신적인 스타트업의 AI 개발을 지원하면서 핵심 성장 동력으로 각광받고 있습니다. 이 스택에는 퍼스트 파티 및 서드 파티 컴퓨팅과 모델을 선택할 수 있는 옵션은 물론, 에이전트 빌드 및 관리를 위한 Google Cloud 플랫폼, AI 워크로드 보안을 위한 Google Cloud 제품이 포함됩니다.

그 결과 AI 시대가 시작된 3년 전과 비교해 더 많은 스타트업이 Google Cloud를 기반으로 솔루션을 빌드하고 실행하고 있습니다.

AI 시대의 급변하는 기술 산업 속도를 고려할 때 이러한 스타트업이 내리는 선택은 주목할 만합니다. Google은 수많은 스타트업 리더와 협력하고 이들이 성장하는 과정을 지켜보면서 지난 몇 달간 눈에 띄게 부상하고 있는 몇 가지 트렌드를 포착했습니다. 이러한 결정은 앞으로도 스타트업이 어떤 플랫폼과 기술을 선택하고 활용할지 결정하는 데 중요한 이정표가 될 것입니다.

TPU 및 GPU 클러스터 관리 도구, 에이전트 빌드 및 관리 서비스, 퍼스트 파티 및 서드 파티 모델에 액세스할 수 있는 API를 포함하는 Gemini Enterprise가 스타트업 사이에서 빠르게 성장하고 있습니다. 또한 스타트업에서 Gemini Enterprise를 사용할 때는 Storage, BigQuery, GKE 같은 Google Cloud의 '핵심 클라우드' 서비스도 함께 사용하는 경향이 있습니다.
Gemini 모델과 Gemini Enterprise를 통해 제공되는 여러 서드 파티 모델은 스타트업에 매우 뛰어난 가격 대비 성능을 제공하고 있습니다. 과학 연구, 생성형 미디어 제작, 재무 분석에 이르는 광범위한 워크로드를 처리하고자 하는 고객이 Google의 프런티어 모델과 '워크호스' 모델을 AI로 배포하는 경우가 점점 늘고 있습니다.
GPU 및 TPU의 컴퓨팅 리소스에 액세스하는 것은 AI에 매우 중요하며, 이 중 하나 이상을 자유롭게 선택할 수 있다는 사실은 Google Cloud만의 특별한 가치입니다. 하지만 중요한 점은 스타트업이 이러한 칩뿐만 아니라 모델, 에이전트 빌드 도구, BigQuery나 GKE 같은 서비스 등 Google Cloud 스택의 다른 제품도 대부분 함께 사용한다는 사실입니다. 이러한 추가 기술은 스타트업의 니즈가 하나에 국한되는 경우가 거의 없으며, 단순한 컴퓨팅을 넘어 바로 활용 가능한 2차, 3차, 4차 레이어의 강력한 기술 제품군에서 얼마나 큰 가치를 얻고 있는지를 잘 보여줍니다.

Google에서 지난 60일 동안 다양한 업계의 주요 스타트업과 체결한 최근 계약에서도 이러한 기술에 대한 수요를 직접 확인할 수 있습니다.

Artificial Agency는 게임의 생성형 행동에 주력하는 스타트업으로, 핵심 AI 워크로드와 연구를 Google Cloud에서 실행하고 있습니다. 특히 모델 학습과 추론을 위한 NVIDIA GPU에 더해 Gemini 모델과 Cloud Storage도 활용하고 있습니다.
Arya Health는 의료 서비스 제공자의 서비스 제공과 확대에 방해가 되는 비임상 행정 업무 용도의 에이전트 AI를 배포하여 의료 분야의 AI 인력을 구축하고 있습니다. Arya의 AI 에이전트는 일정 예약, 접수, 채용, 온보딩, 규정 준수, 업무 시간 외 운영 등의 핵심 워크플로 전반을 처리하며, 음성, 텍스트, 이메일, 의료 기관의 기존 시스템을 통해 상호작용합니다. Arya는 에이전트 인프라 전반에서 Gemini 2.5 Pro, 3.1 Flash, 3.5 Flash Lite를 비롯한 다양한 Gemini 모델을 사용하며 각 워크플로의 추론, 속도, 비용 요구사항에 따라 모델을 선택합니다.
Casco는 정교한 다단계 공격을 실행하여 엔터프라이즈 애플리케이션, 클라우드 환경, 인프라 전반의 취약점을 찾아내는 자율 에이전트 스웜을 개발하는 사이버 보안 스타트업입니다. Casco의 아키텍처는 복잡하고 장시간 실행되는 작업을 위한 고급 추론 모델과 특정 하위 에이전트 작업을 위한 Gemini 3.5 Flash 같은 고속 모델을 결합합니다. 프로비저닝된 처리량을 비롯한 Google Cloud의 모델 포트폴리오와 인프라를 활용하면 각 워크로드에 적합한 지능, 속도, 용량을 조합할 수 있습니다.
CodeRabbit은 독립형 AI 코드 검토 분야의 선구자로서, 기존의 서비스 레이어를 에이전트 기반 소프트웨어 개발의 컨트롤 플레인인 에이전트 변경 관리로 확장해 나가고 있습니다. CodeRabbit은 Cloud Run과 Cloud Storage 제품을 기반으로 애플리케이션을 운영하고 있으며 현재 Gemini 3.1 Pro를 비롯한 Gemini 모델을 활용하기 시작했습니다. 이를 통해 하나의 코드 변경사항이 전체 프로젝트에 미치는 영향을 분석하고, 논리 버그를 설명하는 명확하고 맥락에 맞는 검토 의견을 작성하며, 개발자를 위한 원클릭 수정사항을 즉시 생성하는 등의 사용 사례를 지원합니다.
Comfy는 창작자가 생성형 AI를 사용하여 브랜드에 부합하는 콘텐츠와 미디어를 제작할 수 있는 플랫폼을 제공하며, 플랫폼에서 NVIDIA 시스템과 Veo, Nano Banana 같은 Google 미디어 생성 모델을 함께 활용하고 있습니다.
MicroAGI는 독일의 AI 로봇 스타트업으로서 최근 Google Cloud를 통해 모델 학습을 위한 NVIDIA Blackwell 시스템에 액세스할 계획이라고 발표했습니다. 또한 Google Cloud의 Gemini Enterprise Agent Platform과 AI 모델을 활용하여 로봇이 동영상과 같은 멀티모달 정보를 처리할 수 있도록 지원할 예정입니다.
Ineffable Intelligence는 런던에 본사를 둔 초지능 스타트업으로, 최근 NVIDIA Vera Rubin 시스템과 고효율 AI 네트워킹 및 스토리지를 이용하기 위해 Google Cloud와의 파트너십을 발표했습니다.
PEAR Health Labs는 Google의 Gemini 3.5 Flash 모델과 데이터 클라우드 제품을 사용하여 AI 건강/피트니스 도우미와 에이전트형 건강 플랫폼을 전적으로 Google Cloud에서 빌드하고 실행했습니다.
Roboforce는 산업 환경을 위해 확장 가능한 로봇을 빌드하는 피지컬 AI 회사입니다. 최근에는 Google Cloud와 새로운 계약을 체결하여 Google Cloud의 GPU 기반 VM을 활용하기로 했으며, 이를 통해 맞춤형 및 후속 학습된 피지컬 AI 모델을 학습하고 서빙할 예정입니다.
xFigura는 건축팀이 AI 기반 설계에 사용할 생성형 모델을 한곳에서 이용할 수 있는 안전한 단일 캔버스 플랫폼을 제공합니다. Google Cloud를 기반으로 구축된 xFigura는 Nano Banana 및 Omni 같은 모델을 활용하여 디자이너가 일상적인 언어로 개념을 생성하고 구체화하는 동시에 설계자가 저작 주체로서의 권한을 유지할 수 있도록 지원합니다.
SciFin은 CRM 시스템, 문서, 이메일, 기타 소스에 분산된 영업 컨텍스트를 통합하여 매출팀이 실제 매출 상황을 파악할 수 있도록 지원하는 스타트업입니다. 이들은 Gemini 모델과 인프라, Gemini Enterprise를 활용하여 플랫폼을 구축하고 운영하고 있습니다.

이처럼 새롭게 합류하거나 Google Cloud 사용을 확대하고 있는 고객들은 오늘날 AI 분야에서 가장 주목받는 기업 중 일부이며, AI 개발을 위한 Google Cloud의 차별화된 종합 스택을 활용해 스타트업이 거두고 있는 성과를 잘 보여줍니다.

주요 AI 스타트업과 Google Cloud의 협력에 대해 자세히 알아보거나 Google Cloud에서 직접 빌드를 시작하려면 여기를 방문하세요.

AI 시대를 맞아 성장하는 라틴 아메리카 중견기업의 AI 활용 방식

Tue, 06 Oct 2026 07:00:00 +0000

라틴 아메리카의 중소기업은 지역 경제의 핵심 동력입니다. 유엔 추정치에 따르면 이들 기업은 라틴 아메리카 전체 고용의 60% 이상을 차지합니다. 이들과 비슷한 기업들과 마찬가지로, 어디에서나 적극적으로 AI를 도입하려는 팀들이 빠르게 움직이고 있습니다.

많은 기업이 이미 생성형 도구와 Agentic Workflows를 실험하는 단계를 넘어, 이를 일상 업무에 활용해 업무 효율을 높이고 시간을 절약하며 탁월한 고객 경험을 제공하고 있습니다. 특히 성장 중인 기업들은 AI 투자 효과를 극대화하는 데 주력하고 있습니다. 예를 들어, 빠르고 비용 효율적인 모델로 매일 수신하는 이메일을 요약하거나 복잡한 데이터 분석에 고급 모델을 활용하는 등 각 팀은 수행할 작업과 예산에 맞춰 적합한 AI 기능을 선택할 수 있습니다.

이처럼 다양한 선택지를 제공하고 Google의 비즈니스, 미디어 및 광고 도구 전반에 익숙하다는 점에서 많은 중소기업이 AI 플랫폼으로 Google Cloud를 선택하고 있으며, 특히 Gemini Enterprise를 적극적으로 도입하고 있습니다. 이를 통해 기업은 맞춤형 AI 에이전트를 구축하고 일상적인 업무와 서류 작업을 간소화할 수 있습니다. 또한 글로벌 시장에서 경쟁하는 데 필요한 속도와 도달 범위를 바탕으로 고객을 즉각적으로 지원할 수 있습니다.

Google Cloud는 이러한 현장을 가까이에서 지켜보면서, 중소기업이 Gemini Enterprise를 생성형 AI에 활용하는 데 그치지 않고, Google Kubernetes Engine 및 BigQuery와 같은 필수 클라우드 도구의 도입을 촉진하는 수단으로 활용해 전 과정을 아우르는 현대화를 추진하는 모습을 확인해 왔습니다. Google Cloud AI 도구를 사용하는 라틴 아메리카 중소기업 수는 전년 대비 8배 증가했으며, 브라질 중소기업의 경우 전년 대비 9배 증가했습니다. 이러한 빠른 도입은 Gemini 모델과 Gemini Enterprise는 물론 핵심 클라우드 인프라 전반으로 확산되고 있으며, 기업은 이를 통해 다음과 같은 성과를 거두고 있습니다.

더 나은 고객 지원 시스템을 구축하여 고객 문의를 적절한 담당자에게 에스컬레이션하고 더 빠르게 해결할 수 있습니다.
급여 및 회계 등의 분야에서 반복적인 작업을 자동화할 수 있습니다.
데이터 분석가 교육을 받지 않은 직원도 업무에 필요한 데이터를 이해하고 활용할 수 있도록 지원합니다.
마케팅 콜레트럴에 사용할 새로운 디자인을 빠르게 제작하고 적용할 수 있습니다.
더 많은 직원이 일상 업무에 활용할 자체 AI 에이전트를 구축할 수 있도록 지원합니다.

오늘 브라질에서 열리는 Google Cloud Summit을 앞두고 Google AI를 활용해 불필요한 반복 업무를 줄이고 고객에게 더 신속하게 서비스를 제공하며 비즈니스를 성장시키고 있는 라틴 아메리카의 신규 고객 약 20곳을 소개하게 되어 매우 기쁩니다.

Google AI를 업무에 활용하는 라틴 아메리카의 신규 고객

AdGoat: 아르헨티나에 본사를 둔 광고 기술 기업으로, 전 세계 100개 이상의 웹사이트에서 연간 100억 건이 넘는 광고 요청을 처리합니다. Cloud Run, Gemini API, Gemini Enterprise를 활용해 콘텐츠 분석, 광고 입찰, 잠재고객 타겟팅을 자동화하고, 이를 통해 이커머스 브랜드가 광고 캠페인의 성과를 높일 수 있도록 지원합니다.
Angelus: 브라질의 치과 및 헬스케어 제품 제조 기업으로, Gemini Enterprise를 활용해 연구개발 부서 전반의 프로젝트 관리를 간소화합니다. 이를 통해 각 팀은 기술 프로젝트 데이터를 회사의 브랜드 아이덴티티와 규제 요건에 부합하는 사전 승인된 템플릿에 자동으로 입력할 수 있습니다.
BunkerDB: 라틴 아메리카 전역에서 사업을 운영하는 마케팅 분석 기업으로, Gemini Enterprise, Cloud Run, Cloud Storage를 활용해 AI 플랫폼을 구축했습니다. 이 플랫폼은 마케팅 자료를 체계적으로 관리하고, 브랜드 규정 준수 여부를 확인하며, 멀티모달 콘텐츠를 생성하거나 수정하고, 광고 집행 전에 광고 실적을 예측합니다. 이를 통해 광고 소재 제작 기간을 몇 주에서 몇 시간으로 단축하고 리드당 비용을 최대 25% 절감할 수 있습니다.
Caffeine Army: 영양, 스포츠, 웰빙 분야의 솔루션을 제공하는 브라질의 웰니스 및 고성능 제품 기업입니다. Google Cloud에서 BigQuery와 Gemini Enterprise를 도입해 고객의 구매 관련 인사이트를 통합했습니다. 이를 통해 크리에이티브 캠페인 제작 및 수정에 소요되는 시간을 단축하고 조직 전반의 팀 생산성을 높였습니다.
Convert: 브라질의 마케팅 및 데이터 분석 서비스 제공업체로, Looker, BigQuery, Cloud Run을 활용해 복잡한 비즈니스 질문에 자연어로 답변하는 전문 AI 에이전트 5개를 구축했습니다. 이를 통해 보고서 제공 시간을 65% 단축하고 운영 비용을 32% 절감했습니다.
Growth Digital: 라틴 아메리카 13개국에서 Google 광고 영업을 대행하는 기업으로, BigQuery와 Gemini Enterprise를 활용해 113개가 넘는 AI 에이전트를 구축했습니다. 이를 통해 팀은 제안서를 5배 더 빠르게 작성하고, 캠페인 보고 시간을 80% 단축했으며, 재무 오류율을 0.01% 미만으로 낮췄습니다.
GrupoTusMaquinas.com: 칠레에 본사를 둔 장비 관리 플랫폼으로, Google Cloud AI 도구와 Gemini 모델을 도입해 트럭과 기계의 디지털 추적 프로필을 생성했습니다. 이를 통해 기업은 자연어로 차량 및 장비의 운용 현황을 조회하고, 브랜드나 위치에 관계없이 차량을 관리할 수 있습니다.
HealthAtom: 헬스케어 기술 기업으로, Gemini API, Firestore, Cloud Functions를 활용해 자사의 의료 플랫폼 전반에 AI 어시스턴트를 도입했습니다. 이를 통해 진료 예약과 의료 기록 검토를 자동화하는 동시에 연간 8,000만 건의 환자 상호작용을 지원합니다.
KLog.co: 라틴 아메리카 전역의 화물 운송 업무를 디지털화하는 칠레의 물류 기술 기업으로, Gemini Enterprise, BigQuery, Google Workspace를 활용해 화물 추적과 운송 서류 처리를 자동화했습니다. 이를 통해 수작업으로 데이터를 입력할 때 발생하는 오류를 90% 이상 줄이고 문서 처리 역량을 10배 높였습니다.
NEEOH: 브라질의 주요 옥외 광고 플랫폼으로, Gemini Enterprise를 활용해 조직 전반에 안전한 AI 사용 환경을 구축하고 있습니다. 이를 통해 기업 고객의 데이터를 안전하게 보호하면서 팀이 캠페인 문구를 생성하고 영업 제안서를 더 빠르게 작성할 수 있도록 지원합니다.
Luxia Agro: 아르헨티나의 농작물 보호 제품 무역 기업으로, Gemini 3.5 Flash와 Gemini Enterprise를 활용해 복잡한 운송 관련 이메일에서 주요 정보를 자동으로 추출하고 중앙 비즈니스 시스템을 업데이트합니다. 이를 통해 대외 무역 업무의 80%를 자동화하고 수작업 처리 과정에서 발생하는 오류를 절반으로 줄였습니다.
Macal: 칠레의 경매 기업으로, Gemini Enterprise, Cloud Run, BigQuery, Security Command Center를 활용해 부동산 기록을 자동으로 검증하고 기술 시스템을 현대화했습니다. 이를 통해 소프트웨어 개발 기간을 몇 주에서 며칠로 단축하고 인프라 비용을 최대 30% 절감했습니다.
Ninecon: 브라질의 기술 컨설팅 기업으로, Gemini Enterprise를 도입해 직원들의 워크플로에 AI를 직접 통합했습니다. 이를 통해 관리자는 실시간 통계를 바탕으로 AI 사용 패턴을 파악하고 프로젝트 처리 기간을 최적화할 수 있습니다.
Nova Gestões: 브라질의 고객 서비스 및 운영 관리 기업으로, Cloud Speech-to-Text와 Gemini Enterprise를 활용해 고객 통화 내용을 100% 실시간으로 번역하고 분석합니다. 이를 통해 통화 후 수작업으로 데이터를 입력하는 업무를 줄이고 팀 생산성을 30% 높였습니다.
Romi: 브라질의 산업용 기계 제조업체로, Gemini API와 Gemini Enterprise를 활용해 CNC 기계의 HMI(휴먼 머신 인터페이스)에 대화형 채팅 어시스턴트를 직접 구현했습니다. 이를 통해 공장 작업자는 공식 매뉴얼에 기반한 답변을 즉시 확인할 수 있으며, 단계별 안내 동영상으로 연결되는 QR 코드도 생성할 수 있습니다.
Supermercados El Dorado: 우루과이의 주요 슈퍼마켓 체인으로, Google Compute Engine과 Gemini Enterprise를 활용해 기존 테스트 인프라를 현대화하고 맞춤형 AI 에이전트를 일상적인 업무 프로세스에 통합했습니다. 이를 통해 각 부서의 팀 생산성을 높이고 있습니다.
Tryvia: 브라질의 IT 및 비즈니스 솔루션 제공업체로, Google Cloud, Looker, Gemini Enterprise를 활용해 기존의 물리적 서버 기반 시스템에서 클라우드로 전환했습니다. 이를 통해 팀에 실시간 보고 대시보드와 AI 도구를 제공하고 소프트웨어 개발 및 일상 업무의 속도를 높이고 있습니다.
Via Cristais: 브라질의 주요 고속도로 운영 기업으로, Google Contact Center as a Service를 활용해 고속도로 사고 발생 시 긴급 신고를 신속하게 적절한 담당 부서로 연결합니다. 이를 통해 신고자의 통화중 대기 시간을 줄이고 운전자 만족도를 높이는 한편, 콜 센터 직원의 이직으로 인한 업무 차질도 완화하고 있습니다.
WeSpeak: 라틴 아메리카의 호텔 및 숙박 업계를 위한 AI 대화 플랫폼으로, Cloud Run, Gemini Pro, Gemini Flash를 활용해 WhatsApp과 Instagram 등 메시징 채널을 통한 고객 응대 전 과정을 자동화했습니다. 이를 통해 고객 문의의 85%를 해결하고 호텔 고객사의 전체 매출 규모를 2배로 늘리는 성과를 거뒀습니다.

팀의 AI 역량 강화 지원

성장하는 팀이 AI를 최대한 효과적으로 활용할 수 있도록 누구나 쉽게 이용할 수 있는 무료 학습 프로그램을 마련했습니다.

중소기업을 위한 프로그램: 초보자도 쉽게 따라 할 수 있는 교육 과정을 살펴보거나 전문 프로그램에 참여해 일상 업무에 활용할 맞춤형 AI 어시스턴트를 구축하는 방법을 배워 보세요.
조직을 위한 Google Skills: Google Cloud와 Google DeepMind 전문가가 설계한 수천 개의 무료 AI 온라인 강좌와 실습형 교육을 원하는 시간에 수강할 수 있습니다.
자격증 취득: 체계적인 교육 과정과 전문가 멘토링, 기술 배지를 통해 직원들이 업계에서 인정받는 AI 자격증을 취득할 수 있도록 지원하세요.

Google은 Workspace의 일상적인 사무용 앱부터 Google Cloud의 고급 AI 기술까지, 사용하기 쉬운 도구와 무료 교육을 제공하여 라틴 아메리카 기업들이 현재는 물론 미래에도 지속적으로 성장할 수 있도록 지원합니다.

Spanner 마이그레이션: Antigravity CLI를 사용한 이중 쓰기 자동화로 중단 최소화

Thu, 01 Oct 2026 19:00:00 +0000

기존 데이터 레이어를 현대화해야 했던 Google의 재무 엔지니어링팀은 고가용성 기능을 제공하고 전 세계에 분산된 strong consistency를 갖춘 멀티모델 데이터베이스인 Spanner를 선택했습니다. 하지만 프로덕션 서비스를 오프라인으로 전환하지 않고 Spanner로 마이그레이션하는 것은 엔지니어링 측면에서 어려운 과제였습니다. 애플리케이션을 담당하는 내부 팀으로서 수십 개의 데이터 액세스 객체(DAO)에서 이중 쓰기 로직을 수동으로 다시 작성해야 했는데, 이 프로세스는 시간도 오래 걸리고 인적 오류가 빈번하게 발생했습니다. 또한 중단 없이 이 작업을 수행하려면 코드베이스의 모든 DAO에서 여러 단계에 걸쳐 이중 쓰기 아키텍처를 구현해야 했습니다.

이 문제를 해결하기 위해 다른 접근 방식을 취했습니다. 헤드리스 모드에서 Antigravity CLI를 사용하는 자동화된 리팩터링 파이프라인을 빌드했습니다. 이를 통해 프로덕션 환경을 준비하는 동안 스테이징 환경에서 엄격한 데이터 동등성을 유지하면서 마이그레이션 속도를 크게 높일 수 있었습니다.

과제: 이중 쓰기 마이그레이션의 구조

재무 정보 정확성이 필수적인 높은 처리량의 프로덕션 서비스를 마이그레이션할 때는 단순한 컷오버 스크립트로는 충분하지 않습니다. 모든 이전 데이터 백필 및 검증이 완료될 때까지 기존 데이터 스토어와 Spanner 양쪽에 동일한 쓰기 작업이 동시에 이루어지는지 확인해야 합니다.

마이그레이션은 다음과 같은 세 가지 단계로 구성했습니다.

이전 백필: 참조 무결성을 유지하면서 기존의 이전 기록을 Spanner에 복사합니다.
이중 쓰기/이중 읽기 구현: 마이그레이션 기간 동안 모든 DAO를 수정하여 기본 데이터 스토어와 Cloud Spanner에 모두 변경 사항을 동시에 기록합니다.
자동화된 API 검증 및 동등성 검사: RPC 트래픽을 가로채고 모든 쓰기 작업이 두 저장소에서 바이트 단위로 동일하게 기록되는지 엔드 투 엔드로 검증합니다.

아키텍처 패턴은 깔끔했지만 현재 규모에서는 마찰이 발생하기 시작했습니다. 각 DAO에는 다음이 필요하기 때문입니다.

복잡한 도메인 모델을 Spanner 스키마 열에 매핑하는 전용 MutationConverter 클래스
이중 쓰기 브랜치 처리 및 롤백 또는 오류 보고 로직
FakeTimeSource와 같은 가짜 시간 소스와 테스트 더블을 사용하여 기본 데이터 스토어와 Spanner에서 모두 쓰기 작업을 검증하는 단위 테스트 모음

30개가 넘는 DAO에 정밀도가 높은 이러한 코드 변경을 동일하게 수동으로 수행하려면 엔지니어링 작업에 수개월이 걸렸을 것입니다.

솔루션: 표준화된 변형 컨버터 패턴

자동화 파이프라인이 안정적으로 깔끔한 코드를 생성할 수 있는지 검증하기 위해 먼저 분리된 MutationConverter 인터페이스를 중심으로 DAO 리팩터링 패턴을 표준화했습니다.

핵심 DAO 비즈니스 로직 내에 원시 Spanner 테이블 이름과 열 할당을 직접 삽입하는 대신 Spanner 스키마 변환을 전용 컨버터 단위로 분리했습니다.

code_block: <ListValue: [StructValue([('code', '// Example of the standardized pattern generated by our pipeline\r\n\r\ntype BpcTransferAmountsMutationConverter interface {\r\n ToInsertMutation(entity *model.BpcTransferAmount) (*spanner.Mutation, error)\r\n ToUpdateMutation(entity *model.BpcTransferAmount) (*spanner.Mutation, error)\r\n}\r\n\r\ntype bpcTransferAmountsMutationConverterImpl struct {\r\n tableName string\r\n}\r\n\r\nfunc (c *bpcTransferAmountsMutationConverterImpl) ToInsertMutation(entity *model.BpcTransferAmount) (*spanner.Mutation, error) {\r\n if entity == nil {\r\n return nil, errors.New("entity cannot be nil")\r\n }\r\n \r\n // Map domain fields to Cloud Spanner table schema\r\n cols := []string{"TransferId", "AmountCents", "CurrencyCode", "LastModifiedTimestamp"}\r\n vals := []interface{}{\r\n entity.TransferId,\r\n entity.AmountCents,\r\n entity.CurrencyCode,\r\n spanner.CommitTimestamp, // Use Spanner commit timestamps\r\n }\r\n \r\n return spanner.Insert(c.tableName, cols, vals), nil\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f87a9879510>)])]>

DAO와 Spanner SDK(spanner.Mutation) 간에 엄격하고 결정론적인 계약을 수립함으로써 AI 코딩 에이전트가 추론하고 안정적으로 생성할 수 있는 정확한 대상 사양을 만들었습니다.

헤드리스 모드에서 Antigravity CLI를 사용하는 이유

IDE의 대화형 AI 채팅 인터페이스는 탐색적인 코딩 작업에는 적합하지만 전체 코드베이스에서 여러 파일을 체계적으로 업데이트하는 작업에는 적합하지 않습니다. 예외 상황을 놓치지 않으면서 수십 개의 대상에 반복 가능한 리팩터링을 적용해야 하는 경우 자동화된 워크플로가 필요합니다.

이에 따라 헤드리스 모드(-p)에서 Antigravity CLI를 실행하는 조정 스크립트(migration_ui.py)를 빌드하여 이 문제를 해결했습니다.

헤드리스 모드를 사용하면 수동으로 터미널에 프롬프트를 입력할 필요 없이 Antigravity를 셸 스크립트, 지속적 통합 파이프라인, 백그라운드 자동화 작업 내에서 직접 실행할 수 있습니다. 이러한 접근 방식을 통해 다음의 세 가지 주요 방향으로 작업을 확장할 수 있었습니다.

결정론적 프롬프트 아키텍처: 프롬프트를 버전 제어가 가능한 엔지니어링 아티팩트로 취급했습니다. 타임스탬프 직렬화, null 허용 여부 변환, 변형 모호성, FakeTimeSource 테스트 주입과 같은 일반적인 Spanner 예외 상황을 처리하기 위한 정확한 규칙을 재사용 가능한 프롬프트 템플릿에 직접 성문화했습니다.
일괄 실행 및 자동 검증: 조정 스크립트는 대상 DAO 이름을 입력으로 받아 기존의 단일 쓰기 소스 코드와 스키마를 가져온 후 구조적 규칙과 함께 헤드리스 모드의 Antigravity에 전달합니다. Antigravity는 새로운 컨버터, 리팩터링된 이중 쓰기 DAO, 해당 단위 테스트를 생성합니다. 그런 다음 스크립트가 Blaze 테스트를 실행합니다. 린터 오류 또는 테스트 어설션이 실패하면 오류 로그가 Antigravity에 직접 전달되어 자체 수정됩니다.
대규모 야간 실행: 루프가 무인으로 실행되므로 엔지니어는 하루 일과가 끝날 때 10개의 DAO를 큐에 추가할 수 있습니다. 그러면 다음 날 아침까지 파이프라인은 10개의 변경 목록을 생성, 테스트, 검증하여 사람이 코드 검토를 할 수 있도록 준비합니다.

결과 및 클라우드 엔지니어를 위한 핵심 내용 정리

Spanner의 분산 데이터베이스 기본 요소와 Antigravity CLI의 헤드리스 자동화를 결합한 결과, 엔지니어링 조직 전반에서 다음과 같은 분명한 이점을 얻을 수 있었습니다.

마이그레이션 작업량 대폭 감소: 이전에는 광범위한 수동 코딩과 테스트가 필요했던 DAO 이중 쓰기 마이그레이션이 훨씬 짧은 시간 내에 완료되고 검토되었습니다.
높은 안정성의 데이터 마이그레이션: 생성된 모든 DAO가 동일한 테스트를 거친 MutationConverter 패턴을 준수하고 Spanner 테스트 더블에 대한 자동화된 단위 테스트를 거쳤기 때문에 광범위한 마이그레이션 테스트 중에도 높은 수준의 데이터 충실도를 유지할 수 있었습니다.
더 가치 있는 엔지니어링 업무에 집중: 엔지니어는 반복적인 상용구 리팩터링을 피하고 데이터 모델링, 아키텍처 복원력, 성능 최적화 등에 집중할 수 있는 시간을 확보했습니다.

다음 데이터베이스 마이그레이션을 위한 3가지 팁

스키마 변환을 먼저 분리: 마이그레이션 스크립트를 작성하기 전에 기존 비즈니스 로직에서 새로운 클라우드 데이터베이스 SDK 요구사항을 격리하는 엄격한 인터페이스(예: MutationConverter)를 정의하세요. AI 에이전트는 명확하고 제한된 설계 패턴이 주어질 때 가장 효과적으로 작동합니다.
양방향 채팅에서 헤드리스 자동화로 전환: 3~4개 이상의 파일에서 반복적인 리팩터링을 실행할 때는 스크립트 기반의 헤드리스 워크플로에 투자하세요. 프롬프트 입력과 테스트 검증을 자동화된 빌드 단계로 처리하면 품질과 일관성을 유지하는 데 도움이 됩니다.
빌드 시스템을 가드레일로 활용: AI 생성 루프를 빌드 및 테스트 하네스(bazel test 또는 go test)에 직접 연결하세요. 이를 통해 모델은 개발자가 코드를 검토하기 전에 컴파일 및 어설션 오류를 수정할 수 있습니다.

시작하기

금융 시스템을 마이그레이션하는 경우에도, 클라우드 네이티브 애플리케이션을 처음부터 빌드하는 경우에도 Spanner와 Antigravity는 확장 가능한 소프트웨어 개발을 위한 기반을 제공합니다.

Cloud Spanner 살펴보기: Google Cloud Spanner 문서에서 Spanner의 분산 아키텍처에 대해 자세히 알아보세요.
개발자를 위한 Gemini 알아보기: 개발자를 위한 Google Cloud AI에서 AI 지원 코딩과 헤드리스 CLI 자동화가 엔지니어링 워크플로에 어떤 도움이 되는지 알아보세요.

8월 AI 인프라 및 조정 기능에 관한 새로운 소식

Thu, 01 Oct 2026 10:00:00 +0000

이번 달 AI 인프라 및 조정 기능에 관한 새로운 소식에 오신 것을 환영합니다. 이 시리즈에서는 Google Cloud에서 제공하는 모든 AI 컴퓨팅, 네트워크, 스토리지, 프레임워크, 조정 소프트웨어에 관한 제품 변경사항, 방법, 고객 사례, 연구, 기타 리소스를 모아서 소개합니다. 솔직히 8월은 한산한 달이 될 줄 알았는데, 예상은 완전히 빗나갔습니다. 자세한 내용은 직접 확인해 주세요.

2026년 8월

제품, 기술, 도구 업데이트

제품 변경사항: Google Cloud의 퍼스트 파티 보안 확장형 NFS 파일 서비스인 Filestore는 AI 및 에이전트 워크플로를 위한 인기 스토리지 플랫폼으로 부상했으며, 이제 Google의 기본 분산 스토리지 시스템인 Colossus를 기반으로 직접 빌드된 새로운 백엔드 스토리지 계층을 통해 이 작업에 더욱 최적화된 성능을 제공합니다. 이 새로운 백엔드를 사용하면 스토리지 용량과 독립적으로 IOPS를 프로비저닝할 수 있으며 GKE와 긴밀하게 통합됩니다. AI 환경에서는 공통 데이터 세트를 읽고 써야 하는 대규모 에이전트 그룹인 이른바 에이전트형 스웜을 성능 저하 없이 서비스하는 데 도움이 될 수 있습니다. 자세한 내용은 블로그 게시물을 참고하세요.
새로운 기능: 이제 GKE의 분산 Ray 클러스터에서 gVisor 샌드박스를 사용할 수 있습니다. Google은 Anyscale과의 파트너십을 통해 Google의 오픈소스 애플리케이션 커널인 gVisor를 분산 Ray 클러스터에 직접 통합할 수 있는 Ray용 실험용 라이브러리를 선보였습니다. gVisor는 일반 컨테이너보다 강력한 격리 기능을 제공하면서도, 가벼운 환경 덕분에 빠른 시작 시간과 낮은 메모리 오버헤드라는 장점까지 모두 갖추고 있습니다. GKE에서 이러한 샌드박싱 기능을 사용해 보려면 Ray 샌드박싱 사용자 가이드를 참고하세요.
제품 변경사항: 개인용 AI 에이전트를 실행할 고성능의 사용하기 쉬운 인프라를 찾고 계신가요? 하지만 비용 부담은 줄이고 싶으시다면 주목해 주세요. 새로운 Cloud Run 인스턴스는 Cloud Run의 전용 싱글톤 컴퓨팅 런타임으로, 에이전트가 유휴 상태일 때도 종료되지 않습니다. 더욱 놀라운 점은 1개의 vCPU와 1GiB 메모리 사양의 Cloud Run 인스턴스를 30일 내내 중단 없이 실행해도 비용이 단돈 $5.70에 불과하다는 것입니다.

실무자 가이드, 문서, 방법

안내 가이드: 모델 컨텍스트 프로토콜(MCP) 분야의 중요한 소식입니다. 2026년 7월 28일 사양을 기준으로 프로토콜 코어는 '완전히 스테이트리스(Stateless)입니다. 핸드셰이크는 이제 필요 없습니다. 초기화 / 초기화 완료 핸드셰이크(SEP-2575)와 논리적 Mcp-Session-Id 헤더(SEP-2567)가 완전히 사라졌습니다. 대신 이제 모든 요청이 자체 설명적이고 독립적으로 이루어집니다.' 정말 놀랍지 않은가요? Google Developers 블로그에서 최신 MCP 사양의 변경사항과 구현 방법을 자세히 알아보세요.
가이드: 실시간 AI 시스템은 기존 네트워크 부하 분산 기법을 무력화합니다. '백엔드는 고립된 요청을 처리하는 대신 지속적으로 실시간 양방향 스트림을 관리해야 합니다. 오디오 청크, 스크립트, 모델 출력, 합성 음성이 동시에 끊임없이 오가기 때문입니다.' 사용자가 개입하면 상황은 더 복잡해집니다. '서버는 현재 진행 중인 음성 생성을 즉시 중단하고, 컨텍스트를 업데이트하도록 전환하고, 새로운 도구를 트리거하고, 다른 대답을 작성하기 시작해야 합니다. 이 모든 작업은 연결을 끊지 않고 수행되어야 합니다.' AI 시대에 부하를 관리하는 새로운 접근 방식에 대해 알아보려면 세션 인식 부하 분산으로 실시간 AI 에이전트 확장하기를 읽어보세요.
방법: 다양한 GPU 가속기를 혼합하여 사용하더라도 GKE에서 탄력적이고 확장 가능한 LLM 추론 플랫폼을 빌드하는 방법을 알아봅니다. 제안된 아키텍처는 Capacity Advisor와 Compute Advisor 외에도 RunAI:model streamer나 병렬 다운로드를 지원하는 GCPFuse와 같은 고성능 스토리지를 결합합니다. 자세한 내용은 여기에서 확인하세요.
문서: GPU 또는 TPU가 있는 호스트의 경우 라이브 마이그레이션을 사용하여 업데이트할 수 없으므로 유지보수 문제가 발생합니다. 이 새로운 문서 페이지에서 학습 및 추론 워크로드의 다운타임 허용 범위에 따라 가속기가 장착된 호스트를 업데이트하는 방법을 알아보세요.
문서: Advanced Compute Images(ACI)는 AI/ML 및 HPC 인프라를 위한 표준화된 이미지 스택이므로 커스텀 이미지를 수동으로 빌드할 필요가 없습니다. 이 새로운 문서 페이지에서 Google Cloud CLI, 콘솔 또는 SchedMD의 Slurm 워크로드 관리자를 사용하여 ACI 이미지를 만드는 방법을 알아보세요.
가이드: AI 워크로드는 설계하기가 어렵고, 리소스 집약적이며, 버스트가 발생하기 쉬운 것으로 알려져 있습니다. 이로 인해 확장 병목 현상이 발생하고 활용도가 낮거나 잘못 활용되는 컴퓨팅 리소스가 대량으로 발생할 수 있습니다. 새로운 블로그에서는 Google Cloud에서 동적 용량 관리를 달성하는 세 가지 주요 방법을 간략하게 설명합니다. 1) 계획된 다운타임에 대한 용량 예약, 2) 계획되지 않은 다운타임에 대한 자동화된 대체 용량 유지, 3) GKE의 핵심 조정 기능을 활용한 리소스 할당 자동화입니다.

고객 및 파트너 업데이트

비즈니스 조정 소프트웨어 제공업체인 UiPath는 급증하는 워크로드를 처리하고 있었으며, 비용을 더 예측 가능하게 만들고 싶었습니다. 이를 위해 인프라를 재설계하여 고립된 클러스터에서 공유 Google Cloud GPU Fleet으로 전환했습니다. 여기에는 학습을 위한 A3 VM 인스턴스(NVIDIA H100 GPU)와 추론을 위한 G4 VM 인스턴스(NVIDIA RTX PRO 6000 Blackwell 서버 에디션 GPU)가 모두 포함되었습니다. 아키텍처에 대한 자세한 내용은 여기에서 확인할 수 있습니다.
AI 개발 가속화에 주력하는 첨단 AI 연구소인 Mirendil은 모델 사전 학습 및 사후 학습 애플리케이션을 지원하기 위해 TPU와 NVIDIA GPU를 모두 갖춘 AI 하이퍼컴퓨터를 사용하고 있다고 발표했습니다.
소매 CRM 제공업체인 Replenit은 BigQuery, Gemini Enterprise Agent Platform, Cloud TPU에서 실행되는 오픈소스 Gemma 모델을 사용하여 Google Cloud에서 AI 의사 결정 엔진을 빌드했습니다. Replenit의 발표에 따르면, 이 조합을 통해 이전 클라우드 제공업체 대비 파이프라인 비용을 90%나 절감할 수 있었습니다. 자세한 내용은 우수사례 전문을 읽어보세요.
Malachyte는 Bigtable, Managed Service for Apache Kafka, Pub/Sub, Compute Engine, GKE를 기반으로 AI 기반 이커머스 추천 플랫폼을 설계했습니다. 이 블로그에서 이 모든 것이 어떻게 결합되는지 확인해 보세요.

2026년 7월

제품, 기술, 도구 업데이트

제품 변경사항: Google Cloud Managed Lustre가 정식 버전(GA)으로 출시되었습니다. 이제 용량 TiB당 125MB/s부터 250MB/s, 500MB/s, 최대 1,000MB/s까지 네 가지 성능 등급의 처리량을 선택할 수 있으며, 스토리지 용량을 최대 8PB까지 확장할 수 있습니다. Managed Lustre 솔루션은 DDN의 EXAScaler를 기반으로 하며, 고성능 스토리지 분야에서 수십 년간 쌓아온 DDN의 리더십과 Google Cloud의 클라우드 인프라 전문성이 결합된 결과물입니다.
제품 변경사항: C4N 네트워크 및 스토리지 최적화 VM 정식 버전 출시. C4N은 데이터 전송 병목 현상을 제거하기 위해 빌드된 Google Cloud 최초의 네트워크 및 블록 스토리지 최적화 VM 시리즈입니다. 5세대 Intel Xeon 확장 가능 프로세서로 구동되고 Google의 Titanium 오프로딩 하드웨어를 기반으로 빌드된 이 제품은 Hyperdisk Extreme과 함께 사용할 때 400Gbps의 네트워크 대역폭, 초당 9,500만 패킷(MPPS), 최대 25GiB/s의 블록 스토리지 처리량을 구현합니다.
새로운 기능: 네트워크 정책이 적용된 최대 15,000개 노드 규모의 GKE Dataplane V2(GA). 이 기능을 사용하면 표준 GKE 클러스터를 최대 15,000개 노드까지 확장하면서도 전체 활성 네트워크 정책 적용을 유지할 수 있어 대기업 및 AI/ML 고객의 대규모 인프라 요구사항을 지원할 수 있습니다.
새로운 기능: llm-d의 협력적 타임 슬라이싱. 강화 학습(RL) 워크로드를 실행하는 경우, 이제 독립적인 RL 작업을 공유 물리적 하드웨어에 인터리브 처리할 수 있어 모델 수렴이나 정확도에 영향을 주지 않으면서 가속기의 총 가동 주기를 기준치인 약 40%에서 최대 70%까지 늘릴 수 있습니다.
새로운 AI 보안 도구: GKE에서 AI 공급망을 보호하고, AI 워크로드를 안전하게 배포하고, 섀도 AI를 줄이고 싶으신가요? Google은 컨테이너 클러스터를 지속적으로 모니터링하여 실행 중인 AI 런타임(예: vLLM 및 Triton)을 자동으로 감지하고 표준 CycloneDX 머신러닝 자재 명세서(ML-BOM)를 생성하는 가볍고 권한이 없는 Kubernetes 컨트롤러인 k8s-aibom을 오픈소스로 공개했습니다. k8s-aibom 프로젝트를 확인하고 참여해 보세요.

실무자 가이드 및 방법

안내 가이드: 7월 27일, Google은 2.8조 파라미터를 가진 개방형 가중치 모델인 Moonshot AI의 Kimi K3에 대해 가중치가 공개된 당일부터 즉각적인 지원을 시작한다고 발표했습니다. Model Garden, 커스텀 조정, llm-d 레시피가 포함된 GKE 등 선호하는 배포 경로에 관계없이 이 가이드에서는 Google Cloud에서 Kimi K3를 평가하고 파일럿하는 데 도움이 되는 자세한 단계별 안내를 제공합니다.
안내 가이드: Google Kubernetes Engine(GKE) 관리형 DRANET은 GPU와 TPU를 모두 지원합니다. 이 구현을 활용하는 방법은 여러 가지가 있습니다. 사용자가 모든 권한을 갖는 표준 클러스터 방식과 Google이 복잡한 설정을 대신 처리해 주는 Autopilot 클러스터 방식 중에서 선택할 수 있습니다. 실무형 실습인 TPU, GKE 관리형 DRANET, Gemma 4를 사용하는 GKE Autopilot 클러스터에서 자세히 알아보세요.
안내 가이드: GPU가 아닌 TPU에서 Ray를 실행하는 방법을 알아봅니다. 이 2부작 시리즈의 1부에서는 TPU 슬라이스에 대해 설명하고(힌트: Ray는 이를 일정 예약이 가능한 또 다른 가속기로 간주함), Ray의 다양한 AI 라이브러리를 살펴봅니다 (2부).
안내 가이드: 기기가 이론적인 성능 사양을 달성하는지 정확하게 평가하고 특정 성능 격차 또는 아키텍처별 병목 현상을 식별하는 데 도움이 되는 새로운 마이크로벤치마크 제품군을 사용하여 샘플 워크로드에 대한 TPU를 평가합니다. 여기에서 자세히 알아보세요.
안내 가이드: 예산에 부담을 주지 않고 에이전트를 확장하세요. GKE 에이전트 샌드박스와 포드 스냅샷을 통해 GKE 조정을 사용하여 고정된 컴퓨팅 공간에 더 많은 에이전트를 안전하게 패킹하는 방법을 알아보세요. 성능 최적화와 비용 최적화 중 무엇을 목표로 하든, 에이전트 효율성을 극대화하기 위해 어떤 설정을 어떻게 조정해야 하는지 알려드립니다.
기술적 청사진: Ironwood 기반 Mistral 3 Large 추론 최적화 자세히 알아보기. 이 블로그에서는 Google의 한 팀이 Google Ironwood(TPU v7x)에서 Mistral 3 대규모 MoE 모델의 추론을 최적화하여, 1.5배의 성능 향상을 이끌어낸 과정을 개략적으로 소개합니다. 이 팀은 하이브리드 샤딩을 적용하고, 선형 VPU 합산을 트리 축소 방식으로 대체했으며, GMM/MLA 커널 최적화와 비동기 스케줄링 도입을 통해 이를 실현했습니다. 그 결과, 벤치마크 정확도에는 영향을 주지 않으면서도 처리량을 최대 48%까지 끌어올리는 성과를 거두었습니다. 블로그 전체 내용은 여기에서 확인하세요.

연구, 보고서, 심층 분석

보고서: Google은 최초로 발표된 GartnerⓇ Magic Quadrant™ AI 인프라 부문에서 리더로 선정되었으며, '실행 능력'에서 가장 높은 평가를 받고 '비전의 완전성'에서 가장 앞선 위치를 차지했습니다. Gartner는 Google의 독점적인 확장형 컴퓨팅, 통합 AI 하이퍼컴퓨터 아키텍처, AI 컴퓨팅 용량의 규모를 주요 강점으로 꼽았습니다. 여기에서 사본을 다운로드하세요.
보고서: Google Cloud는 최근 1,400명 이상의 수석 IT 리더를 대상으로 AI 인프라 현황 보고서를 위한 설문조사를 실시했으며, 그 결과 AI 활용 포부와 인프라 현실 간의 격차가 점점 더 벌어지고 있다는 분명한 패턴이 나타났습니다. 실제로 조직의 83%는 프로덕션급 에이전트 AI를 지원하려면 인프라를 업그레이드해야 한다고 답했습니다. 함께 제공되는 블로그를 읽고 에이전트형 애플리케이션이 시스템에 요구하는 사항을 충족하도록 인프라를 조정하면 파일럿 단계에서 프로덕션으로 전환하는 데 어떤 도움이 되는지 알아보세요.

2026년 6월

제품, 기술, 도구 업데이트

제품 변경사항: AI에 사용되는 민감한 정보를 보호하는 것은 안전한 고급 클라우드 인프라의 핵심입니다. 컨피덴셜 컴퓨팅은 하드웨어 기반의 신뢰할 수 있는 실행 환경(TEE) 내에서 사용 중인 데이터를 암호화하여 보호하고 검증 가능한 데이터 무결성을 제공합니다. 이 기능은 이제 NVIDIA RTX PRO 6000 Blackwell 서버 에디션 GPU가 탑재된 가속기 최적화 G4 머신 시리즈에서 이용 가능합니다. 컨피덴셜 G4 VM 및 컨피덴셜 G4 GKE 노드를 지금 바로 이용해 보세요.
개발자 리소스: 새로운 TPU 개발자 허브는 모델 빌더, 최적화 전문가, 개발자가 Google Cloud TPU의 성능을 최대한 활용하는 방법을 배울 수 있는 공간입니다. 자세한 내용은 이 블로그를 참고하세요.
새로운 제품: 새로운 OpenTelemetry 기반 TPU AI 원격 분석 수집기 에이전트를 사용하여 AI 워크로드를 확장하세요. 이제 사상 처음으로 정밀한 TPU 하드웨어 원격 분석 데이터를 Google Cloud Monitoring, Google Managed Prometheus 또는 자체 호스팅 Grafana 스택으로 바로 전송할 수 있습니다.

실무자 가이드 및 방법

안내 가이드: TPU, Cloud Storage FUSE, 동적 리소스 할당(DRA)을 사용하여 GKE Inference Gateway에서 실행되는 AI 추론 워크로드에 고가용성을 빌드하는 방법을 알아봅니다. 이 블로그에서 전반적인 내용을 살펴보거나, 실습 Codelab을 통해 모든 기술적 세부정보를 직접 익혀볼 수 있습니다.
안내 가이드: 모델 컨텍스트 프로토콜(MCP)을 통해 AI 에이전트를 Cloud Storage의 비정형 데이터에 연결할 수 있다는 사실을 알고 계셨나요? 이 블로그에서는 세 가지 고객 사례를 통해 왜 이러한 연결이 필요한지 살펴보고, 완전 관리형 서비스나 제어 및 맞춤설정의 폭이 넓은 자체 관리형 로컬 서버 중 나에게 맞는 방식을 선택해 구현하는 방법을 알아봅니다.

연구, 보고서, 심층 분석

보고서: 독립적인 벤치마크 보고서에 따르면, GKE Inference Gateway는 업계 선두의 다른 관리형 Kubernetes 서비스와 비교해 처리량은 15.7% 더 높고, 대기 시간은 92.8% 더 짧으며, 토큰 간 지연 시간은 62.6% 더 낮은 압도적인 성능을 기록했습니다. 이러한 압도적인 성능은 프리픽스 캐싱 기술 덕분입니다. 이 기술은 길고 반복되는 프롬프트 프리픽스의 KV 캐시(활성화 상태)를 저장함으로써 LLM 성능을 획기적으로 최적화합니다. 블로그에서 자세히 알아보세요.
아키텍처 심층 분석: TPU 및 GKE의 콜드 스타트 문제를 자세히 살펴보고 Run:ai Model Streamer가 어떻게 상황을 바꿀 수 있는지 알아봅니다.

고객 및 파트너 업데이트

고객 성공사례: Pager Health는 GKE, BigQuery, Cloud SQL, Gemini Enterprise Agent Platform을 활용하여 운영 단편화를 제거하고 간소화된 맞춤형 미국 의료 경험을 제공하여 삶을 변화시키고 있습니다.
고객 성공사례: 고객 리뷰 플랫폼인 Trustpilot은 Dataflow와 Gemini Enterprise Agent Platform을 통해 파인 튜닝된 Gemma 모델을 사용하여 대용량 스트리밍 파이프라인을 구축했습니다. 이 파이프라인은 비용 최적화된 A2 VM에서 A100 GPU를 사용해 실행되며, Gemini Enterprise Agent Platform에서 유지관리하는 최적화된 버전의 vLLM도 활용합니다.

2026년 5월

제품, 기술, 도구 업데이트

제품 변경사항: 이제 GKE Agent Sandbox가 정식 버전으로 제공됩니다.
새로운 오픈소스 프로젝트: Agent Substrate는 에이전트 인프라 밀도의 한계를 뛰어넘기 위해 새롭게 공개된 오픈소스 프로젝트입니다.
새로운 기능: 온디바이스 머신러닝(ML)을 대규모로 테스트하고 벤치마킹할 수 있는 솔루션인 Google AI Edge Portal이 이제 온디바이스 LLM의 벤치마킹과 디버깅을 지원합니다. 자세한 내용은 여기를 참고하세요.
제품 심층 분석: AI 워크로드를 위한 새로운 고성능 스토리지 제품군인 Cloud Storage Rapid를 심층적으로 살펴보았습니다. 출시 시점에는 고성능 영역 객체 스토리지 제품인 Rapid Bucket(이전 명칭: Rapid Storage)과 주문형 읽기를 가속화하고 기존 버킷의 워크로드를 위해 컴퓨팅과 데이터를 함께 배치하는 Rapid Cache(이전 명칭: Anywhere Cache)가 제공됩니다.

연구, 보고서, 심층 분석

아키텍처 심층 분석: Google 글로벌 인프라 부문 부사장 비카시 콜리와 엔지니어링 연구원 아르준 싱이 AI 워크로드가 네트워크 인프라에 미치는 영향을 개괄적으로 설명하고, 이를 더 효과적으로 지원하기 위해 데이터 센터 패브릭, WAN, 글로벌 네트워크에 적용한 심층적인 개선사항을 논의합니다.
아키텍처 심층 분석: 인스턴스 수준의 안정성 방식에서 벗어나, TPU 기반 프런티어 AI 모델 개발을 위한 새로운 클러스터 수준 안정성 모델을 공개했습니다.

고객 및 파트너 업데이트

고객 성공사례: 시각 미디어 제공업체인 Imgix는 NVIDIA RTX PRO 6000 Blackwell GPU 기반 G4 VM이 탑재된 AI 하이퍼컴퓨터에서 80억 개 이상의 이미지와 동영상을 제공합니다.

판도를 바꾸는 기술: 인프라 코드 보호를 위한 에이전트 AI 사용

Wed, 30 Sep 2026 22:00:00 +0000

AI는 전례 없는 속도로 소프트웨어 개발을 가속화하고 있습니다. 하지만 코드 생성 규모가 커지면서 코드 보안 문제도 증가하고 있으며, 특히 AI를 기반으로 한 새로운 취약점 악용 방식이 등장하고 있습니다. Google의 AI 및 인프라팀은 이러한 과제에 대응하기 위해 보안 접근방식을 혁신하고 있습니다. 이 글에서는 Google에서 새롭게 개발한 AI 네이티브 에이전트 방식을 소개합니다. 이 방식은 정밀하고 광범위한 취약점 스캔 및 패치를 Google의 소프트웨어 개발 수명 주기에 체계적으로 통합합니다. Google은 Google 인프라에 배포되는 수억 줄의 코드에서 모든 코드 변경사항을 상시 스캔하여 매달 수백 건의 취약점이 코드베이스나 프로덕션 환경에 도달하기 전에 차단하는 방식으로 Google의 글로벌 네트워크와 AI 인프라, 사용자를 보호하고 있습니다.

솔루션 아키텍처 및 구현

광범위한 제출 전 에이전트형 스캔: 진행 중인 소프트웨어 개발 과정에 보안 통합

전통적으로 기술 업계는 대규모 일회성 보안 스캔에 의존하는 경우가 많았습니다. 하지만 이러한 스캔은 속도가 느리고 충분한 컨텍스트를 제공하지 못해 취약점이 너무 늦게 발견되는 경우가 많습니다. Google은 이와 달리 제출 전 스캔에 중점을 두고, AI 에이전트를 사용하여 스택의 모든 레이어에서 발생하는 각 코드 체크인을 실시간으로 평가합니다. 개발자가 이미 사용 중인 도구에 제출 전 스캔을 통합하면 보안 검사도 규칙 검사, 가독성 검토 같은 여타 소프트웨어 개발 도구처럼 지속적이고 일상적인 프로세스의 일부가 됩니다. 또한 AI의 관점에서도 대규모로 일회성 스캔을 수행하는 것보다 각각의 코드 변경사항을 개별적으로 스캔하는 편이 훨씬 적은 컨텍스트를 필요로 하므로 스캔 효과를 크게 높일 수 있습니다.

국소적 위협 모델의 중요성

Google은 이 이니셔티브를 위해 오픈소스 멀티 에이전트 검토 하네스인 Mantis를 발전시켜 강력한 국소적 위협 모델 집단과 연결하는 방식으로 보안 에이전트의 정밀도를 높였습니다. 이 위협 모델은 정적이고 분리된 문서에 의존하는 대신 실제 코드베이스 메타데이터를 활용합니다. 스캔 에이전트는 패키지와 라이브러리 전반의 종속 항목 호출 그래프를 활용해 위협 모델 컨텍스트를 확장하고 미세 조정함으로써 정확도를 한층 더 끌어올립니다. 위협 모델을 상시 취약점 스캔 프로세스에 통합하여 개발자가 위협 요소와 종속 항목을 꾸준히 업데이트하도록 유도함에 따라 모델이 최신 상태로 유지됩니다. 국소적이면서 정밀한 위협 모델 데이터를 활용하면 정확도를 크게 높일 수 있으며, 일부 사례에서는 거짓양성률을 3%까지 낮출 수 있었습니다.

전문 분류 에이전트로 개발 속도 향상

코드 체크인의 일환으로 수행되는 취약점 스캔은 엔지니어링 생산성을 저해하지 않도록 코드를 작성하는 개발자나 에이전트에게 신속하게 결과를 제공할 수 있어야 합니다. 응답 지연 시간을 단축하기 위해 Google은 2단계 검증 프로세스를 실행합니다. 먼저 신속한 경량형 스캔을 실행한 후 전문 분류 에이전트를 통해 그 결과를 검증합니다. 이 에이전트는 추상 구문 트리 파싱, 호출 그래프 순회, 사전 색인된 도메인 안전 규칙을 활용해 실제 코드 구조를 프로그래매틱 방식으로 검사하여 공격자가 취약한 경로에 실제로 도달할 수 있는지 입증합니다. 이 에이전트의 정밀도는 92%에 달하며 작업 완료 시간은 1분 미만입니다. 그런 다음 야간 통합 테스트에 통합된 제출 후 스캔이 두 번째 방어 계층 역할을 하면서 사용량이 적은 시간대의 컴퓨팅 리소스를 활용해 여러 변경 과정에서 새로 도입되었을 수 있는 취약점을 검사합니다.

전체 과정을 완성하는 버그 수정 에이전트

취약점을 찾는 것은 문제 해결의 절반에 불과합니다. Google 솔루션의 마지막 구성요소는 자동화된 버그 수정 에이전트입니다. 이 에이전트는 스캔 결과와 생성된 증명(취약점이 어떻게 실행되는지를 보여주는 코드 스니펫)을 활용하여 Google의 내부 코딩 표준에 부합하는 정밀한 수정사항을 자율적으로 생성합니다. 에이전트는 기존 변경 요청 검토 과정의 일환으로 수정사항을 제출하여 사람의 검토를 받게 하며, 이를 통해 취약점 탐지부터 해결까지 걸리는 시간을 한층 더 단축합니다.

교훈 및 권장사항

소프트웨어 개발 수명 주기에 상시 스캔을 바로 통합한 것은 Google에 혁신적인 변화를 가져왔습니다. 에이전트의 제안은 널리 채택되며 수많은 취약점이 코드베이스에 유입되는 것을 방지하고 있습니다. 보안을 강화하고자 하는 조직이라면 다음 원칙에 따라 유사한 AI 네이티브 접근방식을 도입할 수 있습니다.

시스템 분리: 편향을 방지하기 위해 개발, 스캔, 분류 에이전트별로 하네스, 규칙, 컨텍스트를 서로 분리합니다. 경량 AI 스캔과 결정론적인 구조 검증을 함께 사용하면 지연 시간을 줄이고 정확도를 높일 수 있습니다.
현명한 컨텍스트 사용: 기존 위협 모델을 에이전트에 제공합니다. 정밀한 컨텍스트야말로 거짓양성률을 줄이는 핵심입니다. 최신 상태의 위협 모델은 제출 전 스캔의 참양성률을 높여 팀이 기본적으로 높은 수준의 보안 상황을 갖추도록 해줍니다.
우수한 하네스 구축: 기본 모델 선택도 중요하지만 멀티 에이전트 하네스를 사용하면 모델 선택에 따른 편차를 보완하여 상당한 효과를 얻을 수 있습니다.
수정 자동화: 휴먼인더루프 방식으로 수정사항까지 제안하는 에이전트를 통해 해결 시간을 더욱 단축합니다.

자체적인 AI 네이티브 보안 혁신을 시작하고 싶다면 오픈소스로 제공되는 Mantis를 활용해 보세요. 또한 사이버 보안의 기본 원리와 이 에이전트형 파이프라인을 구동하는 다른 플랫폼인 Google Cloud, Gemini Enterprise는 물론, Trillium 및 Ironwood TPU에서 실행되는 Gemini 모델에 대해서도 자세히 알아볼 수 있습니다. 아울러 에이전트형 취약점 스캔 및 해결 방식이 Google Cloud의 보안 소프트웨어 개발 수명 주기(SDLC) 활동의 핵심 요소로서 Google Cloud 고객을 어떻게 보호하고 있는지도 참고할 수 있습니다.

_{이 솔루션을 제공하는 데 핵심적인 역할을 한 Stella Voutsina(수석 프로그램 관리자), Yulong Zhang(Mantis 선임 스태프 보안 엔지니어), Nick Galloway(스태프 보안 엔지니어, Mantis)에게 특별한 감사를 전합니다.}

에이전트 강화: Live Avatar를 지원하는 Gemini 3.8 Live 정식 버전 출시

Wed, 30 Sep 2026 13:00:00 +0000

지난주 Gemini 3.8 Live 및 Gemini 3.8 Live Extended Thinking 발표에 이어, 이제 Live Avatar가 포함된 Gemini 3.8 Live가 Gemini Enterprise에서 정식 버전으로 제공된다는 소식을 전해드립니다. Google Cloud Next 2026에서 처음 선보인 이 기술은 이제 엔터프라이즈 프로덕션 환경에서 공식적으로 지원됩니다.

엔터프라이즈 음성 AI가 기본적인 속도와 비용 지표를 넘어 더욱 발전함에 따라, Google은 이제 각 상호작용의 품질을 끌어올리는 데 집중하고 있습니다. Gemini 3.8 Live는 이미 매끄럽고 즉각적인 대화를 위해 기본적으로 음성 간 대화 기술을 제공합니다. Live Avatar 기능은 웹, 모바일, 대화형 키오스크 전반에서 대화형 동영상 에이전트에게 생동감 넘치는 시각적 상호작용 경험을 선사합니다. 두 기능을 함께 사용하면 다음과 같은 기능을 활용할 수 있습니다.

동영상 아바타: Live Avatar 기능을 사용한 대화형 동영상은 립싱크가 동기화된 동영상 아바타를 생성할 수 있습니다. 참고: 맞춤 아바타 기능은 허용 목록을 통해서만 제공됩니다.
자연스러운 대화: 네이티브 음성 간 대화 기술을 통해 대화의 맥락이나 백엔드 트랜잭션을 유지하면서도, 중간에 말이 끊기는 상황에서 더욱 자연스럽게 대화를 복원하고 이어갈 수 있습니다.
도구 호출: 대화를 계속하면서 백그라운드에서 도구와 API 호출을 실행하므로, 모델이 요청을 인식하고 백그라운드에서 작업이 완료되는 동안 계속 대화할 수 있습니다.
언어 장벽 해소: Gemini 3.8 Live는 자동 언어 감지 기능을 통해 97개 언어를 이해하고 구사할 수 있습니다.
에이전트와 사용자의 시선을 하나로: 실시간 시각적 이해 기능은 실시간 카메라 피드와 화면 공유를 오디오와 결합하여 동시에 처리할 수 있습니다.

Gemini 3.8 Live Extended Thinking은 여전히 비공개 프리뷰 단계에 있지만, Live Avatar를 지원하는 Gemini 3.8 Live는 이제 미국 및 EU 엔드포인트에서 프로비저닝된 처리량, 엔터프라이즈 규정 준수, 엄격한 데이터 거버넌스와 함께 이용하실 수 있습니다. Gemini Enterprise에서 모델과 다양한 기능을 직접 사용해 보고, 지금 바로 API를 활용해 빌드를 시작하세요.

핵심 가치인 신뢰와 투명성

신원을 보호하고 오용을 방지하기 위해 고객은 엄선된 사전 빌드 아바타 라이브러리에서 배포할 수 있으며, 맞춤 아바타 생성은 엄격한 엔터프라이즈 허용 목록 등록과 인증 절차를 거친 경우에만 가능합니다. 또한 생성된 모든 오디오 및 동영상 스트림에는 눈에 보이지 않는 SynthID 워터마크가 포함되어 있어 AI 생성 콘텐츠의 투명성과 검증 가능성을 보장합니다.

Live Avatar 기능이 적용된 Gemini 3.8 Live의 세 가지 데모

#1: 대화형 맞춤 아바타

^{단계별 프로세스를 통해 대화형 맞춤 아바타를 만듭니다.}

Gemini 3.8 Live를 통해 시스템 요청 사항을 추가하고, 단 한 장의 참조 사진과 오디오 파일 샘플을 업로드하여 맞춤 아바타를 빌드하는 방법을 알아보세요.

데모 #2: 음성 중심의 보험금 청구 접수에서 구현되는 실시간 동영상 이해 기술

^{Gemini 3.8 Live의 실시간 동영상 이해 기술로 보험금 청구 접수 절차를 간소화합니다.}

이 데모에서는 Gemini 3.8 Live를 통해 접수 상담사 같은 일반적인 사용 사례가 실제로 어떻게 구현되는지 확인할 수 있습니다. 이 시나리오에서는 보험 청구 에이전트를 선택했습니다. 카메라에 손상된 부분을 보여주며 상황을 설명하면, 대화 내용에 맞춰 클레임 노트북이 자동으로 채워집니다. 그동안 백그라운드에서는 ADK 에이전트 팀이 보험 정책을 확인하고 접수 규칙을 적용하며 손해사정사에게 전달할 패킷을 생성합니다. 자세히 알아보려면 오픈소스 코드를 확인하세요.

#3: Google ADK 및 Gemini Live API를 사용한 실시간 음성 AI 에이전트

^{Google ADK 및 Gemini Live API를 사용하여 실시간 음성 에이전트를 빌드합니다.}

개발자가 에이전트 개발 키트(ADK)를 사용하여 에이전트를 정의하고, 실행자와 세션 메모리를 관리하고, 기존 음성 텍스트 변환 파이프라인 없이 실시간 오디오를 Gemini Live API로 직접 스트리밍하는 방법을 알아보세요.

Gemini 3.8 Live와 Live Avatar를 이용한 고객 혁신 사례

Cox Automotive는 Autotrader를 위해 AI 기반 쇼핑 어시스턴트를 빌드했습니다. 이 어시스턴트는 실시간 화면 강조 표시와 도구 호출 기능을 활용해, 자동차 구매자가 차량 검색부터 비교, 금융 단계까지 자연스러운 대화로 실시간 안내를 받을 수 있도록 돕습니다.

“고객들은 필터나 메뉴 대신 자신만의 언어로 필요한 것을 설명하는 방식을 점점 선호하고 있습니다. Autotrader의 새로운 대화형 AI 아바타는 자연스러운 대화와 최적의 인벤토리를 매칭하여, 혁신적인 차량 탐색 경험을 선사합니다. 이는 모든 소비자 상호작용이 Cox Automotive 데이터의 정수를 활용하는 연결된 인텔리전스라는 비전을 향한 또 다른 진전입니다.” — 마리안 존슨, Cox Automotive EVP 겸 최고 제품 책임자(CPO)

“우리는 사용자를 잘 이해하고, 사용자의 언어로 대화하며, 언제나 사용자의 편이 되어주는 개인용 AI를 만들고 있습니다. 현재 이 서비스는 9가지 인도 현지 언어로 매일 100만 건 이상의 실시간 통화를 처리하고 있습니다. Gemini 3.8 Live는 중단 처리, 다국어 대화, 도구 호출 안정성을 개선했습니다. 이 AI는 전화를 받는 것뿐만 아니라 사용자를 대신해 작업을 처리해 줍니다.” — 아킬레시 다마라주, Equal AI CEO

"Gemini 3.8 Live와 Agentforce가 만나 지능형 서비스의 가능성을 새롭게 정의할 수 있게 되어 매우 기쁩니다. 이번 Salesforce AI Research와 Google의 협업은 실시간 멀티모달 기능과 에이전트 AI를 결합하여 첫 접촉부터 해결에 이르기까지 더 풍부하고 직관적인 고객 경험을 선사할 새로운 방법을 모색합니다." - 밥 반 오스텐, Salesforce Agentforce 제품 부문 부사장

"저희 팀은 테스트와 벤치마킹 전반에서 Gemini 3.8 Live에 깊은 인상을 받았습니다. 음성 활동 감지 기능의 업데이트와 전반적인 지연 시간 개선은 큰 진전이며, SPECS 플랫폼에서 최고 품질의 AI 어시스턴트를 제공할 수 있는 역량을 더욱 강화해 줍니다.” — 에릭 월시, Specs 소프트웨어 엔지니어

지금 빌드 시작하기

이제 엔터프라이즈 고객은 Live Avatar가 포함된 Gemini 3.8 Live를 사용할 수 있습니다.

Gemini Enterprise에서 모델 체험
Gemini Live API 문서에서 통합 가이드 확인
가격 책정 페이지에서 가격 책정 검토
Gemini Live를 사용해 실시간 양방향 스트리밍 앱을 빌드하는 스킬

애플리케이션에 특화된 모듈식 오디오 기능이 필요한 경우 다음과 같은 오디오 모델도 살펴보세요.

프로비저닝된 처리량을 활성화하고, 맞춤설정된 배포 아키텍처와 맞춤 아바타 허용 목록에 대해 논의하려면 Google Cloud 영업 담당자에게 문의하세요.

에이전트형 엔터프라이즈를 위한 20가지 질문 (및 Agent Platform의 도움을 받는 방법)

Tue, 29 Sep 2026 19:00:00 +0000

IT 리더라면 에이전트를 빌드하고 배포하는 방법에 대한 질문을 많이 받을 수 있습니다.

빠르게 움직여야 한다는 압박감은 강하지만 엔지니어링 현실은 매우 복잡합니다. 팀은 어디서부터 시작해야 할까요? 연결되지 않은 도구의 파편화된 혼란을 어떻게 해결할 수 있을까요? 그리고 규모가 커짐에 따라 에이전트가 실수로 민감한 정보를 유출하거나 오후에 토큰 예산을 모두 소진하지 않도록 어떻게 보장할 수 있을까요? 이러한 균형을 맞추기란 쉽지 않으며, 조직 전체를 위한 안전한 기반을 구축하려다 보면 금세 압도감을 느낄 수 있습니다.

이러한 이유로 Google Cloud는 Gemini Enterprise Agent Platform을 빌드했습니다. 기술팀은 이 플랫폼을 통해 고객 대면 에이전트와 내부 운영을 관리하는 에이전트를 모두 빌드, 확장, 제어, 최적화할 수 있는 통합 환경을 확보할 수 있습니다. Agent Platform이 기본 복잡성을 처리하므로 팀은 실제 비즈니스 가치를 창출하는 데 집중할 수 있습니다.

이러한 대화를 진행하는 데 도움이 되도록 엔지니어링팀에 물어볼 20가지 필수 질문과 함께 시작하는 데 도움이 되는 몇 가지 실용적인 조언과 코드 예시를 모았습니다. 좀 더 자세히 살펴보겠습니다.

빌드 단계 — 기반 구축

#0 누가 애플리케이션을 빌드하고 있나요?

도구를 선택하기 전에 팀에서 실제로 작업을 수행하는 사람이 누구인지 살펴보세요. 엔지니어인가요? 법무팀? AI를 사용한 빌드는 더 이상 하이 코드 엔지니어만의 전유물이 아닙니다. 이제 누구나 바이브 코딩을 할 수 있습니다. 이러한 놀라운 접근성 덕분에 코딩을 하지 않는 수백만 명의 사람들이 몇 초 만에 애플리케이션을 빌드하고 출시할 수 있는 크리에이터로 변모했습니다. 즉, 어디서든 업무를 처리할 수 있습니다. 당연한 단계처럼 들릴 수 있지만 AI 시대에는 중요한 단계입니다.

이제 생태계는 노 코드 비즈니스 전문가가 시각적 인터페이스를 통해 로직을 정의하고 (비즈니스팀, 영업팀, 마케팅팀), 로우 코드 개발자가 모듈식 파트를 조립하며, 하이 코드 엔지니어가 맞춤형 추론 루프를 만드는 등 다양한 페르소나를 아우릅니다. 성공적인 도입은 데이터나 보안을 사일로화하지 않고 세 가지 페르소나 모두를 지원하는 플랫폼을 선택하는 것을 의미합니다.

#1 개발자는 어디서부터 시작해야 할까요?

에이전트 전략을 설정할 때 고객 지원이나 재무 분석을 처리하는 에이전트와 같은 최종 제품에만 집중하기 쉽습니다. 하지만 이러한 정교한 에이전트를 빌드하려면 기본 로직을 작성하는 빌더를 지원하는 것부터 시작해야 합니다. 개발자는 코드 생성, 스캐폴딩, 통합을 가속화하기 위해 코딩 에이전트와 같은 자체적인 특수 AI 도구가 필요합니다.

그러나 대부분의 코딩 에이전트는 격리되어 있습니다. 이러한 도구는 사용자가 작업 중인 파일만 분석할 수 있으며, 라이브 데이터베이스, 내부 문서, 기술 스택, 비즈니스 시스템에는 연결할 수 없습니다.

거버넌스를 희생하지 않고 개발자가 빠르게 움직일 수 있도록 하려면 Google Antigravity를 기본 엔지니어링 하네스로 사용한 다음 팀에서 빌드하는 항목에 따라 특정 확장 프로그램을 통합하는 것이 좋습니다. 다음은 유용한 분석입니다.

핵심 애플리케이션 엔지니어: 업그레이드된 에이전트 개발 키트 (ADK)를 기준 프레임워크로 사용하고 Agents CLI와 함께 사용하여 터미널에서 전체 에이전트 수명 주기를 처리합니다.
데이터 엔지니어: 데이터 파이프라인에 맞게 조정된 전용 기술과 모델 컨텍스트 프로토콜 (MCP) 도구를 제공하는 Google Cloud Data Agent Kit를 연결합니다.
Google Cloud 생태계의 경우: 에이전트 스킬을 배포하여 Google 제품 전반에 걸쳐 코딩 환경에 기본 기능을 제공합니다.
통합 IDE 환경: MCP를 통해 개발자 기술 자료를 연결하여 공식 문서를 팀의 워크플로에 직접 스트리밍합니다.

#2 누구를 위한 제품인가요?

인간인가요, 아니면 다른 에이전트인가요? 첫 번째 질문과 마찬가지로 이 질문도 간단해 보일 수 있지만, 직원들이 직접 대화할 수 있는 AI 에이전트를 빌드할 것인지 아니면 백그라운드에서 다른 에이전트와 협업하도록 할 것인지 미리 결정해야 합니다. 시스템과 상호작용하는 대상에 따라 설계 요구사항이 완전히 달라지므로 팀에서 모든 것을 제어하려면 누구를 위해 빌드하는지 정확히 파악하는 것부터 시작해야 합니다.

답이 인간 (직원 또는 고객을 위한 빌드)이라면 사용자 경험에 집중하세요. 이러한 도구를 Gemini Enterprise 앱과 같은 단일 위치에서 호스팅하고 공유하거나 Agent-to-User Interface (A2UI) 프레임워크를 사용하여 대화형 구성요소를 커스텀 앱에 직접 추가할 수 있습니다.

에이전트라고 답한 경우 (그리고 다른 에이전트와 대화할 수 있는 에이전트를 빌드하는 경우) 상호 운용성에 중점을 두세요. AI 에이전트 간의 원활한 통신과 협업을 위한 개방형 표준인 개방형 Agent2Agent (A2A) 프로토콜을 채택하면 에이전트가 표준화된 메타데이터를 사용하여 서로를 발견하고, 컨텍스트를 전달하며, 완전히 다른 엔터프라이즈 프레임워크 전반에서 백그라운드 작업을 안전하게 위임할 수 있습니다.

사용자 및 에이전트 ID에 관한 자세한 내용은 질문 14를 참고하세요.

#3 어떤 에이전트 개발 도구를 사용해야 할까요?

사용 가능한 프레임워크가 너무 많기 때문에 엔지니어링팀은 파편화된 자체 설정으로 기본 설정하기 쉽습니다. 이를 간소화하기 위해 에이전트 개발을 4단계 사다리로 간주하여 팀이 즉시 사용 가능한 구성과 코드 중심 제어 사이를 오갈 수 있도록 합니다.

1단계: Agent Studio (로우 코드): Agent Platform 내의 시각적 작업공간으로, 비즈니스팀에서 신속한 프로토타입 제작에 사용할 수 있습니다. 여기에서 Agent Studio로 에이전트를 빌드합니다.
2단계: 관리형 에이전트 API (서비스형 에이전트): API를 통해 에이전트 동작을 정의하고 안전한 샌드박스 내에서 Google이 인프라를 처리하도록 하려는 기술팀을 위한 솔루션입니다. 여기에서 Managed Agents API로 커스텀 에이전트를 빌드합니다.
3단계: Antigravity 2.0: 고급 코딩 작업 및 엔지니어링 파이프라인에 AI를 활용하는 개발자를 위한 전용 작업공간입니다. 여기에서 Antigravity로 빌드하세요.
4단계: 에이전트 개발 키트 (ADK 2.0): 소프트웨어 엔지니어가 처음부터 고도로 커스텀된 멀티 에이전트 네트워크를 빌드할 수 있는 엔지니어링 중심의 코드 중심 프레임워크입니다. 여기에서 ADK로 샘플 에이전트를 빌드합니다.

#4 에이전트를 하나로 시작해야 할까요, 아니면 여러 개로 시작해야 할까요? 그리고 어떻게 전문화해야 할까요?

팀이 초기 프로토타입 제작을 위해 고도로 전문화된 단일 에이전트로 시작하도록 항상 권장하세요. 에이전트가 모든 작업을 수행하려고 하면 정확도가 떨어지고, 지연 시간이 급증하며, 디버깅이 악몽이 될 수 있습니다. 이러한 문제를 방지하려면 구체적인 지침을 작성하고 액세스할 수 있는 도구를 제한하세요.

워크플로가 더 복잡해지거나 모델 컨텍스트 한도에 도달하면 엔지니어가 멀티 에이전트 시스템으로 전환하도록 하세요. 멀티 에이전트 시스템은 목표를 달성하기 위해 협력하는 개별적인 자율 에이전트의 모음입니다. ADK와 같은 프레임워크를 사용하면 에이전트를 하위 에이전트 네트워크로 구성하여 코디네이터가 전문화된 팀원에게 특정 작업을 위임하고 명확한 조직 논리를 유지할 수 있습니다.

예: 여기에서 ADK로 샘플 멀티 에이전트 솔루션 빌드

확장 단계 - 연결 및 상호 운용성

#5 엔터프라이즈 데이터를 연결하고 적절한 비즈니스 컨텍스트를 유지하는 방법

에이전트가 진정으로 유용하려면 적절한 데이터에 액세스할 수 있어야 합니다. 여기서 '기업 지식'이 등장합니다. 이는 에이전트가 성공하기 위해 필요한 엔터프라이즈의 구체적인 데이터, 도구, 제약 조건, 정책, 프로세스를 의미합니다.

이를 달성하는 방법은 여러 가지가 있지만, 최근에는 모델 컨텍스트 프로토콜 (MCP)과 같은 개방형 표준을 사용하여 에이전트를 라이브 데이터베이스 및 비즈니스 앱에 직접 연결하는 방법이 떠오르고 있습니다. 하지만 단순히 연결을 설정하는 것만으로는 충분하지 않습니다. 에이전트가 정확하게 작동하고 할루시네이션을 방지하려면 명확한 비즈니스 컨텍스트, 메타데이터, 논리로 이 데이터를 정리해야 합니다. 이러한 체계적인 접근방식을 통해 에이전트는 원시 정보를 가져올 뿐만 아니라 실제로 올바르게 해석하여 조직 전반에서 더 나은 결정을 내릴 수 있습니다.

예: ADK 및 MCP 도구 상자 (관리형 서버)를 사용하여 샘플 멀티 에이전트 솔루션 빌드

#6 완전히 다른 프레임워크를 기반으로 빌드된 에이전트를 어떻게 연결할 수 있을까요?

대규모 조직에서는 다양한 팀이 LangGraph, 자체 프레임워크 또는 완전히 다른 도구 등 특정 요구사항에 가장 적합한 도구를 사용하여 에이전트를 빌드하는 것이 자연스럽습니다. 하지만 이러한 시스템이 통신할 수 없으면 데이터와 워크플로가 고립된 사일로로 끝나게 됩니다.

범용 통신 표준을 확립하면 완전히 다른 플랫폼이나 프레임워크에서 개발된 에이전트가 전문적인 통합 작업 없이도 의도, 상태, 결과를 교환할 수 있습니다.

프레임워크 간 연결 (예: LangGraph 기반 HR 에이전트를 ADK 기반 CRM 에이전트에 연결)의 경우 A2A 프로토콜을 구현할 수 있습니다. 이를 통해 여러 개의 개별 에이전트 간에 마이크로서비스 스타일의 통신 패턴이 가능해지므로 에이전트가 서로 안전하게 통신할 수 있습니다.

예: ADK 및 A2A 를 사용해 샘플 멀티 에이전트 솔루션 빌드

#7 에이전트가 필요한 특정 도구를 찾도록 어떻게 도울 수 있을까요?

에이전트의 컨텍스트 윈도우에 여러 도구와 API를 채우면 성능이 저하되고 지연 시간이 늘어나며 토큰 비용이 상승합니다. RAG를 사용하여 필요에 따라 데이터를 동적으로 가져오는 것처럼 동일한 동적 검색 전략을 에이전트 도구에 적용해야 합니다.

에이전트는 집중적인 에이전트 스킬을 활용하여 작업에 필요한 경우에만 기능을 로드합니다. 에이전트는 방대한 일반적인 요청 사항 라이브러리를 파싱하는 대신 단일 작업별 색인 카드에서 가져와 정확하고 엄격하게 제어된 실행을 보장합니다.

예: ADK 및 기술 을 사용한 멀티 에이전트 조정 패턴 빌드

#8 에이전트를 어떻게 배포해야 쉽게 확장할 수 있을까요?

이것은 백만 달러짜리 질문입니다. 아니, '분당 토큰 수'에 관한 질문이라고 하는 것이 더 정확할지도 모릅니다. 핵심은 가장 저렴한 옵션을 선택하는 것이 아니라 워크로드 패턴에 맞는 도구와 서비스의 적절한 조합을 찾는 것입니다.

막대한 인프라 오버헤드 없이 에이전트를 확장하려면 팀에서 완전 관리형 서버리스 실행 환경 내에 에이전트를 배포해야 합니다. Agent Runtime은 개발자가 프로덕션에서 AI 에이전트를 배포, 관리, 확장하도록 지원하는 서비스 모음입니다. Agent Runtime이 인프라를 처리하여 프로덕션에서 에이전트를 확장하므로 개발자는 애플리케이션을 만드는 데 집중할 수 있습니다.

프로덕션 준비가 완료된 런타임은 갑작스러운 사용량 급증을 처리하기 위한 탄력적인 자동 확장, 커스텀 소프트웨어 종속 항목을 번들링하기 위한 컨테이너화된 유연성, 양방향 스트리밍에 대한 기본 지원을 제공하여 짧은 지연 시간의 실시간 상호작용을 보장해야 합니다. 또한 아키텍처는 공개 인터넷에 노출되지 않고 내부 엔터프라이즈 데이터에 안전하게 연결하기 위해 기본 제공되는 비공개 네트워킹 인터페이스를 통합해야 합니다.

예: Agent Runtime 으로 멀티 에이전트 조정 패턴 빌드

#9 에이전트가 장기 실행 작업 중에 컨텍스트를 놓치면 어떻게 되나요?

AI 에이전트가 더 효과적으로 작업할 수 있도록 단기 및 장기 메모리를 모두 제공할 수 있습니다. 즉, 실시간 세션 상태를 사용하여 즉각적인 대화를 이어가고, 장기 스토리지 레이어를 사용하여 사용자 환경설정과 과거 상호작용을 기억하는 동시에 에이전트를 팀의 통제하에 안전하게 유지해야 합니다.

Agent Platform은 이를 두 개의 레이어에서 처리합니다. ADK에서 sessionService는 다단계 작업의 즉각적인 단계를 처리하는 반면, Agent 메모리 뱅크는 영구적인 장기 스토리지 레이어 역할을 하여 과거 사용자 환경설정을 기억하고 시간이 지남에 따라 결과를 예측합니다.

예: 에이전트 메모리 뱅크와 ADK 메모리를 사용한 멀티 에이전트 조정 패턴 빌드

최적화 단계 - 신뢰 및 효율성

#10 스크립트를 실행하거나 브라우저를 사용하는 에이전트의 영향 범위를 어떻게 제한할 수 있을까요?

에이전트가 데이터를 수집하기 위해 Python을 실행하거나 스크립트를 실행하거나 웹을 탐색해야 하는 경우 네트워크에서 직접 수행해서는 안 됩니다. 이러한 작업을 임시의 격리된 샌드박스 환경에서 실행하면 신뢰할 수 없는 코드나 런타임 논리 오류를 쉽게 격리하여 핵심 엔터프라이즈 시스템과 완전히 분리할 수 있습니다.

또한 기본 제공 샌드박스가 포함된 에이전트 런타임을 사용하면 기본 인프라를 보호하고 팀의 완전한 제어하에 에이전트가 안전하게 도구 호출을 실행할 수 있습니다.

예: 에이전트 샌드박스를 사용한 멀티 에이전트 조정 패턴 빌드

#11 에이전트가 브랜드에 부합하도록 하려면 어떻게 해야 하나요?

에이전트는 기업의 아이덴티티를 나타냅니다. 명확한 제약조건으로 시스템 프롬프트를 정의하는 것이 시작점이지만, 프로덕션 보안을 위해 프롬프트에만 의존하는 것은 불충분하며 위험합니다. 모델의 고유한 확률적 특성과 관계없이 에이전트가 제한된 범위 내에서 작동하도록 핵심 기업 규칙과 어조 제약 조건을 적용하는 필수 안전 계층이 필요합니다.

가드레일은 에이전트가 자율적인 결정을 내릴 수 있는 유연성을 갖도록 허용하면서도 핵심 안전 규칙을 위반할 수 없도록 하여 예측할 수 없는 LLM을 안전한 엔터프라이즈 시스템으로 전환합니다. 이러한 경계는 에이전트의 추론 외부에서 결정적 제약조건으로 구현되므로 우회할 수 없습니다.

이 안전 계층을 보완하는 구조화된 워크플로는 복잡한 작업을 결정론적 단계별 파이프라인으로 분해하여 예측 가능성을 더욱 높입니다. 이 파이프라인은 코드 수준 라우팅, 조건부 로직, 상태 관리를 사용하여 에이전트를 반복 가능한 경로로 안내합니다.

예시: 가드레일 에이전트를 사용해 멀티 에이전트 조정 패턴을 빌드합니다. 참고 자료 ADK 워크플로

#12 결과를 어떻게 신뢰할 수 있을까요?

신뢰는 에이전트의 전체 수명 주기에서 엄격한 테스트와 지속적인 평가를 통해 수집된 증거를 통해 얻을 수 있습니다. 자동으로 주어지는 것이 아니라 여러분의 방법의 결과입니다.

대규모로 평가할 때는 측정항목, 인간 참여형 감독, LLM-as-a-judge 패턴을 혼합하여 자동화합니다. 더 강력한 모델이나 전문화된 자체 평가 에이전트를 사용하여 기본 에이전트의 출력이 최종 사용자에게 도달하기 전에 감사하면 부정확한 부분을 체계적으로 포착하고 사용자 경험을 보호할 수 있습니다.

예: LLM-as-a Judge 및 Self Evaluation 에이전트를 빌드하여 멀티 에이전트 조정 패턴 빌드

#13 과도한 비용을 어떻게 제어할 수 있나요?

고성능 추론은 강력하지만 저렴하지는 않습니다. 지출을 최적화하려면 계층화된 접근방식을 사용해 보세요. 고속의 단순한 작업에는 빠르고 가벼운 모델 (예: Gemini Flash)을 사용하고, 오픈소스 모델 (예: Gemma)을 활용하며, 가장 크고 비용이 많이 드는 추론 모델은 최종 의사결정을 위해 남겨두세요.

대량 프로덕션의 경우 프로비저닝된 처리량 (PT)으로 전환합니다. 예측 가능한 일상적인 트래픽을 위해 전용 용량을 예약하고, 예상치 못한 급증은 표준 사용한 만큼만 지불 청구로 안전하게 오버플로되는 것으로 생각하면 됩니다.

정밀 RAG로 컨텍스트 윈도우를 다듬고, 컨텍스트 캐싱을 활용하고, 에이전트 반복에 하드 스톱을 설정하고, 에이전트 워크플로의 예측 가능한 부분을 가능한 경우 결정적 코드로 전환하여 예산을 더욱 보호할 수 있습니다.

예: 비용 관리를 염두에 두고 중요한 KPI를 빌드하세요.

거버넌스 단계 - 보안 및 감독

#14 에이전트의 데이터 액세스 권한을 인간 사용자의 액세스 권한과 일치시키려면 어떻게 해야 하나요?

에이전트의 데이터 액세스 권한을 일치시키려면 먼저 안전한 에이전트 ID를 설정해야 합니다. 에이전트 ID는 사용자의 ID로 직접 운영, 에이전트 자체의 독립적인 ID 사용, 위임된 권한을 통한 행동의 세 가지 모델을 지원합니다.

많은 직원 대면 워크플로에서 위임된 권한 을 활용하는 것이 가장 안전한 접근 방식입니다. 에이전트는 자동으로 상호작용하는 직원의 기존 권한을 상속하고 존중합니다. 이를 통해 에이전트가 명시적으로 볼 권한이 없는 데이터에 액세스할 수 없도록 보장하여 클린 감사 추적을 유지하면서 복잡한 권한 구조를 처음부터 다시 빌드할 필요가 없어집니다.

예: 에이전트 아이덴티티로 빌드

#15 섀도 AI와 에이전트 확산을 어떻게 관리하나요?

모니터링되지 않은 에이전트는 심각한 데이터 파편화와 규정 준수 위험을 초래합니다. 확산을 방지하기 위해 중앙 에이전트 레지스트리를 사용할 수 있습니다. 이 레지스트리는 모든 활성 에이전트, 비즈니스 소유자, 타겟 데이터 세트, 허용된 도구를 자동으로 인벤토리하는 단일 검색 가능 디렉터리입니다. 수동 추적 스프레드시트에서 벗어나면 팀에서 내부 AI 프로젝트를 파악할 수 있으므로 중복 에이전트를 통합하고 고립된 엔드포인트를 안전하게 폐기할 수 있습니다.

예: 에이전트 레지스트리로 빌드

#16 사용자, 에이전트, 데이터, 도구가 상호작용하도록 허용하는 방식을 어떻게 정의하나요?

엔터프라이즈 자동화를 안전하게 확장하려면 이중 계층 정책 아키텍처가 필요합니다. 먼저 IAM 정책을 적용하여 에이전트가 승인된 도구와 특정 데이터 버킷에만 액세스할 수 있도록 명확한 경계를 설정합니다. 둘째, 사용자 프롬프트의 자연어 의도를 실시간으로 분석하여 에이전트의 계획된 응답이 실행 전에 핵심 비즈니스 규칙 및 규정 준수 요구사항과 일치하는지 검증하는 시맨틱 정책을 구현합니다.

예: 정책 빌드

#17 이러한 정책을 어떻게 시행하고 에이전트 활동에 대한 가시성을 확보할 수 있나요?

정책은 런타임 시행과 명확한 감사 추적 없이는 의미가 없습니다. 이를 위해서는 모든 에이전트 트래픽을 에이전트 게이트웨이 를 통해 라우팅해야 합니다. 에이전트 게이트웨이는 모든 에이전트 상호작용의 네트워크 진입점 및 종료점입니다. 이 게이트웨이는 사용자, 에이전트, 도구 간의 호출을 자동으로 가로채서 정책 위반을 즉시 차단하고, 콘텐츠를 정리하고, 프롬프트 삽입을 방지해야 합니다. 완전한 가시성을 확보하려면 이 게이트웨이가 모든 상호작용에 대해 네트워크 계층 원격 분석을 생성하여 실시간 행동 측정항목과 실행 추적을 모니터링 가능성 대시보드에 직접 제공해야 합니다.

예: Agent Gateway로 빌드

#18 데이터 유출, 프롬프트 인젝션, 불쾌감을 주는 콘텐츠로부터 프롬프트와 대답을 보호하려면 어떻게 해야 하나요?

Agent Platform과 통합된 Model Armor는 프롬프트가 Gemini 모델에 도달하기 전에 가로채고, 대답이 애플리케이션에 수신되기 전에 가로챕니다.

구성된 내용에 따라 Agent Platform은 Model Armor 서비스를 호출합니다. Model Armor 서비스는 정의된 정책을 위반하는 트래픽을 검사하거나 차단하여 프롬프트 인젝션 및 탈옥 감지, 책임감 있는 AI 필터, Sensitive Data Protection과 같은 보안 조치를 시행합니다. 이 통합은 프로젝트 수준 보호를 위한 최소 기준 설정을 사용하거나 요청별 보호를 위한 템플릿을 사용하여 구성할 수 있습니다.

예시: Model Armor 로 빌드

#19 에이전트에 문제가 발생했는지 어떻게 알 수 있나요?

시스템을 보호하려면 에이전트의 의사 결정 루프를 실시간으로 감사하여 행동 이상을 찾아야 합니다. 이러한 지속적인 행동 감사와 위협 감지를 함께 실행하면 보안 침해된 에이전트가 위험도가 높은 특이한 행동을 시도할 때마다 즉시 포착할 수 있습니다.

이때 Agent Platform Threat Detection (Security Command Center의 일부)이 필요합니다. 에이전트가 승인되지 않은 데이터베이스 명령어를 시도하거나 검증되지 않은 외부 네트워크 주소에 연결하려고 하면 시스템이 거의 실시간으로 이벤트를 플래그 지정하여 신속하게 격리하므로 자동화된 인력을 안전하게 제어할 수 있습니다.

예: Threat Detection 및 에이전트 이상 감지으로 빌드

#20 전체 에이전트 수명 주기를 한곳에서 관리하려면 어떻게 해야 하나요?

업데이트를 푸시하거나 테스트를 실행하기 위해 5개의 다른 클라우드 콘솔을 클릭하고 싶어 하는 사람은 아무도 없습니다. Agent Platform을 사용하면 코딩 에이전트에 프로덕션에 즉시 사용 가능한 에이전트를 빌드, 확장, 제어, 최적화하는 데 필요한 구체적인 기술과 명령어를 간단히 제공할 수 있습니다.

개발팀의 중앙 명령 도구로 Agent Platform의 Agents CLI를 사용하는 것이 좋습니다. 로컬 터미널 작업과 라이브 프로덕션 관리를 직접 연결하는 브리지 역할을 하므로 개발자가 테스트에서 라이브 출시로 훨씬 쉽게 전환할 수 있습니다.

또한 팀에서 에이전트 구성을 버전 제어하고, 자동화된 평가를 실행하고, 기존 CI/CD 파이프라인을 통해 업데이트를 원활하게 푸시할 수 있습니다. 기본 도구와 기술은 Google 전문가가 빌드하고 엄격하게 테스트하므로 팀은 기존의 코딩 워크플로를 변경하거나 처음부터 다시 시작할 필요 없이 자신 있게 배포할 수 있습니다.

예시: Agents CLI로 빌드하기( 여기)

지금 시작하기

이 20가지 질문에 일찍 답하면 보안팀과 운영팀이 밤새도록 일하지 않아도 비즈니스에 실제로 도움이 되는 에이전트를 빌드할 수 있습니다.

여기에서 Gemini Enterprise Agent Platform을 시작하세요.

보고서: 조직의 83%가 에이전트 AI를 지원하려면 인프라를 업그레이드해야 함

Mon, 28 Sep 2026 19:00:00 +0000

수년 동안 엔터프라이즈 AI는 대화형 AI, 즉 우리가 매일 상호작용하는 고객 서비스 봇과 디지털 어시스턴트와 동의어였습니다. 하지만 오늘날 시장은 변화했습니다. 이제 단순한 채팅을 통해 답을 제공하는 AI에서 벗어나, AI가 조치를 취하고, 워크플로를 자동화하며, 복잡한 작업을 스스로 실행하는 단계로 공식적으로 전환되었습니다. 이러한 변화는 완전히 새로운 사용 사례를 가능하게 하지만, 한 가지 문제가 있습니다. 바로 과거에 의존했던 기본 인프라에 상당한 부담을 준다는 점입니다.

Google Cloud는 최근 1,400명 이상의 수석 IT 리더를 대상으로 AI 인프라 현황 보고서를 위한 설문조사를 실시했으며, 그 결과 AI 활용 포부와 인프라 현실 간의 격차가 점점 더 벌어지고 있다는 분명한 패턴이 나타났습니다. 실제로 조직의 83% 는 프로덕션급 에이전트 AI를 지원하려면 인프라를 업그레이드해야 한다고 답했습니다.

왜일까요? 어제의 인프라는 자율적으로 작동하는 에이전트를 위해 빌드되지 않았기 때문입니다.

이 블로그에서는 선도적인 조직이 탄력적이고 유연한 기반을 구축하기 위해 인프라를 어떻게 재고하고 있는지에 관한 연구의 핵심 인사이트를 소개합니다. 자세한 내용은 보고서 전문을 다운로드하여 읽어보시기 바랍니다.

유동적인 컴퓨팅으로 '추론세' 탈출

에이전트형 워크로드는 새로운 수준의 규모를 도입합니다. 단일 프롬프트가 수백 개의 다운스트림 작업을 트리거할 수 있으므로 대규모 컨텍스트 윈도우를 메모리에 보관해야 합니다. 이러한 연속적인 추론 루프를 기존 아키텍처에서 실행하려고 하면 재정적으로 지속 가능하지 않습니다. 실제로 리더의 62% 는 데이터 이그레스 요금, 스토리지 증가, 유휴 상태의 특수 하드웨어로 인해 상당한 추론 비용이 발생하고 있습니다. 또한 81% 는 운영 복잡성을 AI 확장의 숨겨진 비용으로 꼽았습니다.

이 문제를 해결하려면 조직은 운영 오버헤드를 최소화하면서 적절한 실리콘 칩을 적절한 작업에 동적으로 매칭할 수 있는 유동적인 컴퓨팅이 필요합니다.

대규모 학습: 새로운 TPU 8t와 같은 컴퓨팅 가속기는 세계에서 가장 정교한 모델을 학습시킬 수 있는 엄청난 규모를 제공합니다.
지연 시간이 짧은 추론: 한편 TPU 8i는 온칩 메모리를 극대화하도록 설계되어 에이전트가 실시간으로 생각하고 반응할 수 있습니다.
조정: CPU 기반의 범용 컴퓨팅은 AI 컨트롤 플레인 운영을 추진하는 데 중요한 구성요소로 부상하고 있습니다. 조직은 Google Axion과 같은 고효율 Arm 기반 프로세서를 사용하여 강화 학습 시뮬레이션을 비용 효율적으로 실행하고 에이전트를 조정할 수 있습니다.

중앙 집중식 거버넌스로 에이전트 확산 관리

에이전트는 이메일을 읽고, 데이터베이스를 쿼리하며, 비즈니스 전반에서 워크플로를 실행하는 등 자율적으로 작동하도록 설계되었습니다. 하지만 에이전트 AI가 확장되면서 조직은 에이전트 확산이라는 새로운 과제에 직면하고 있습니다. 다양한 플랫폼에 흩어져 있는 수천 개의 자율 에이전트를 가시성과 제어력을 잃지 않고 어떻게 관리할 수 있을까요?

기술 리더의 79% 가 추론 확장을 가로막는 가장 큰 과제로 보안, 거버넌스, MLOps를 꼽는 것은 놀라운 일이 아닙니다. 에이전트 시대에는 혁신을 이루기 전에 성숙한 거버넌스 전략이 필요합니다. 이를 위해서는 에이전트 권한, ID, 워크플로를 위한 단일 기록 시스템을 제공하는 중앙 집중식 컨트롤 플레인을 만들어야 합니다.

선도적인 기업들은 서로 다른 도구를 패치하는 대신 Agent Gateway와 같은 솔루션을 활용하여 엔터프라이즈급 거버넌스를 적용하고 있습니다. Agent Gateway는 에이전트가 데이터를 공유하는 방식을 정확히 파악하는 데 필요한 가시성을 제공합니다. 정확한 읽기/쓰기 범위를 정의하고 모든 상호작용의 전체 감사 추적을 유지할 수 있으며, 에이전트가 중요한 작업을 수행하기 전에 승인이 필요한 경우 인간 참여형(Human-In-The-Loop) 감독을 제공합니다. 통합되고 간단한 거버넌스를 추구하는 이러한 움직임은 조직의 78%가 이제 생성형 AI 솔루션을 주요 클라우드 파트너로부터 직접 도입하는 이유를 설명해 줍니다. 이는 2025년 대비 30% 증가한 수치입니다.

통합 데이터 레이어

에이전트는 추론을 수행하므로 조직 전체에서 지속적으로 대규모 쿼리를 실행합니다. 데이터가 사일로 전반에 걸쳐 분산되어 있다면 AI는 사실상 눈을 가리고 비행하는 것과 같습니다.

연결되지 않은 데이터를 관리하는 데서 벗어나 고유하고 실행 가능한 비즈니스 컨텍스트를 수집하기 위해 리더들은 통합 데이터 레이어를 도입하고 있습니다. 에이전트는 비정형 데이터에 자동으로 주석을 달아 검색 가능하게 만드는 Smart Storage와 같은 도구와 교차 클라우드 레이크하우스를 사용하여 데이터가 어디에 있든 커스텀 파이프라인이나 중복된 데이터 없이도 데이터를 기본적으로 읽고 이해할 수 있습니다.

하이브리드 멀티 클라우드 및 디지털 주권

퍼블릭 클라우드와 로컬 컴퓨팅을 둘러싼 논쟁은 하이브리드가 최종 지향점이라는 명확한 합의점으로 귀결되었습니다. 실제로 현재 조직의 52% 가 하이브리드 멀티 클라우드 아키텍처를 사용하고 있습니다.

기술 리더의 경우 이러한 변화는 주로 디지털 주권과 데이터 중력에 의해 주도됩니다. 실제로 리더의 48% 는 엄격한 데이터 레지던시 제어 기능을 갖춘 인프라를 우선적으로 고려하고 있습니다. 변화하는 현지 법규를 준수하는 곳에서 AI를 실행할 수 있는 유연성이 필요합니다. 광범위한 컴퓨팅을 위해 퍼블릭 클라우드를 활용하든, 에어 갭 격리를 위해 Google Distributed Cloud를 통해 파운데이션 모델을 온프레미스에 완전히 도입하든, 현대적인 인프라는 지정학적 현실에 맞춰 조정되어야 합니다.

에지의 AI

기술 리더와 인프라 설계자에게 모든 에이전트 상호작용을 처리하기 위해 엄격하게 중앙 집중화된 클라우드 토폴로지에 의존하는 것은 실현 가능한 전략이 아닙니다. 현재 조직의 90% 가 에지 배포를 AI 이니셔티브에 중요한 요소로 꼽고 있으며, 72% 는 에지 배포가 매우 중요하거나 상당히 중요하다고 설명합니다.

AI를 에지로 이동하면 다음 세 가지 문제를 해결할 수 있습니다.

지연 시간 병목 현상: 실시간 에이전트, 특히 음성, 동영상 또는 금융 거래 알고리즘에 의존하는 에이전트는 원격 데이터 센터로의 왕복에 걸리는 마이크로초 단위의 지연 시간을 감당할 수 없습니다.
운영 복원력: 인터넷 연결이 끊어져도 비즈니스가 중단되지 않아야 합니다. 에지 배포를 통해 제조 공장, 소매점 또는 병원에서 실행되는 에이전트가 자율적으로 계속 작동할 수 있습니다.
비용 효율성 유지: 클라우드에서 상시 가동되는 연속 추론을 실행하는 데는 비용이 많이 듭니다. 조직은 스마트폰, IoT 기기, 로컬 웨어하우스 서버와 같은 에지 기기에서 고도로 최적화된 모델을 활용하여 컴퓨팅 부담을 로컬로 전환하고 토큰당 가변 비용을 대폭 절감할 수 있습니다.

에너지 장벽을 뚫고

에너지 소비는 연례 보고서에만 사용되는 지속 가능성 측정항목이었습니다. 오늘날에는 중요한 운영 역할을 수행하고 있습니다. 현재 리더의 91% 는 하드웨어 선택 시 전력 소비량을 고려하며 61% 는 이를 주요 또는 핵심 요소로 평가합니다.

기술 리더에게 전력 소비는 성장을 가로막는 세 가지 장벽을 제시합니다.

그리드 부족: 특정 지역에서는 전력을 더 구매할 수 없으므로 프로비저닝할 수 있는 컴퓨팅 인프라의 양이 크게 제한됩니다.
규정 준수: 에너지 효율성은 이제 운영을 위한 엄격한 법적 전제 조건입니다. 예를 들어 독일에서는 새로운 데이터 센터가 전력 사용 효율 (PUE) 1.2 이하를 달성해야 합니다. 또한 아일랜드에서는 대규모 데이터 센터가 전력망 사용량의 100% 에 해당하는 현장 가동형 발전 시설을 갖추도록 의무화하고 있습니다.
인프라 경제성: 비효율적인 전력 소비는 AI 배포의 총소유비용 (TCO)을 크게 증가시킵니다. 고전력 하드웨어를 수용하려면 고급 냉각 아키텍처, 특수 랙 설계, 시설 업그레이드에 막대한 자본적 지출 (CapEx)이 필요합니다.

에너지 장벽을 해결하려면 기술 리더가 에너지를 전략적 자산으로 취급해야 합니다. 최적화의 초점 영역 중 하나는 와트당 성능으로 전환되어야 합니다. 이러한 이유로 공동 설계된 실리콘이 점점 더 중요해지고 있습니다. 예를 들어, 새로운 TPU 8t는 이전 세대보다 성능이 거의 3배 향상되었으며 에너지 효율은 최대 2배 더 높습니다.

통합된 AI 최적화 인프라

결국 어제의 아키텍처로는 내일의 에이전트 시스템이 직면할 과제를 해결할 수 없습니다. 엔지니어링팀이 이기종 컴퓨팅, 스토리지, 네트워킹 레이어를 수동으로 통합해야 하는 경우 조직은 기본적인 상호 운용성을 보장하기 위해서만 높은 운영 오버헤드를 감수해야 합니다.

따라서 기술 리더는 신속하고 비용 효율적으로 혁신하기 위해 전체적이고 통합된 시스템으로 전환하고 있습니다.

이것이 바로 Google Cloud AI 하이퍼컴퓨터의 철학입니다. 모든 계층이 함께 작동하도록 공동 설계 및 공동 엔지니어링된 아키텍처입니다. 커스텀 실리콘 (TPU, GPU, CPU)은 사일로에서 설계되지 않습니다. 초고대역폭 네트워킹 (Virgo Network), 스토리지 (Managed Lustre, Hyperdisk), 소프트웨어 조정 레이어 (GKE)와 함께 엔지니어링됩니다.

디지털 세계와 물리적 세계를 연결

공동 설계된 이러한 포괄적인 접근방식을 도입하면 큰 성과를 거둘 수 있습니다. 이러한 수준의 확장 가능하고 유동적인 인텔리전스가 에지에서 작동하면서 우리는 물리적 AI의 시대로 접어들고 있습니다. 새로운 세대의 자율 로봇은 실제 세계에 발을 들여놓기 전에 Google Cloud의 디지털 트윈 시뮬레이션에서 수백만 번 작업을 연습하여 물리적 세계를 감지, 시뮬레이션, 탐색할 수 있습니다. 복잡한 산업 검사 수행부터 영화 같은 비디오 촬영에 이르기까지 AI는 이제 현실 세계에서 실질적인 문제를 해결하고 있습니다.

에이전트 AI를 위한 청사진

에이전트형 애플리케이션이 시스템에 요구하는 사항을 충족하도록 인프라를 조정하면 파일럿 단계에서 프로덕션으로 전환하는 데 도움이 됩니다. 2026년에 번창할 조직은 비용 효율적이고, 에지에서 복원력이 뛰어나며, 자율적인 조치를 위해 최적화되어 있고, 기본적으로 거버넌스가 적용되는 통합 기반을 수용하고 있습니다.

시작하시겠습니까? AI 인프라 현황 보고서를 다운로드하여 Google Cloud의 조사 결과에 대한 데이터를 살펴보고 동종 업계의 다른 기업이 어떻게 성공을 위해 빌드하고 있는지 알아보세요.

Cloud CISO Perspectives: Google이 AI 위협을 모니터링하고 AI 방어를 강화하는 방법

Sun, 27 Sep 2026 22:00:00 +0000

*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 영문 원본을 참고해 주시기 바랍니다.

2026년 9월 첫 번째 Cloud CISO Perspectives 뉴스레터에 오신 것을 환영합니다. 오늘은 산드라 조이스가 공격자가 AI를 사용하는 방식과 Google이 AI를 사용하여 공격자를 저지하는 방법에 대한 Google의 가시성에 관한 최신 세부정보를 공유합니다.

모든 Cloud CISO Perspectives 뉴스레터와 마찬가지로, 이 뉴스레터의 내용은 Google Cloud 블로그에 게시됩니다. 현재 웹사이트에서 이 페이지를 읽고 있는 경우, 이메일로 받아보려면 여기에서 구독을 신청해 주세요.

aside_block: <ListValue: [StructValue([('title', 'Google Cloud로 중요한 이사회 인사이트 얻기'), ('body', <wagtail.rich_text.RichText object at 0x7f879ff6c750>), ('btn_text', '허브 방문하기'), ('href', 'https://cloud.google.com/solutions/security/board-of-directors?utm_source=cgc-site&utm_medium=et&utm_campaign=FY26-Q2-GLOBAL-GCP39634-email-dl-dgcsm-CISOP-NL-177159&utm_content=-&utm_term=-'), ('image', <GAEImage: GCAT-replacement-logo-A>)])]>

'사이버 보안을 위한 맞춤법 검사' 그 이상: Google이 AI 위협을 모니터링하고 AI 방어를 강화하는 방법

산드라 조이스, Google Threat Intelligence 부사장

산드라 조이스, Google Threat Intelligence 부사장

보안 업계에 종사하는 사람이라면 누구나 기술적 격변기에 추측은 큰 위험 요소임을 알고 있습니다. 위협이 AI를 어떻게 사용하고 표적으로 삼을 수 있는지에 대한 과장된 주장과 이해할 만한 우려가 많지만 CISO의 AI 보안 전략은 사실에 기반해야 합니다.

Google은 최첨단 AI 연구소이자 전 세계 사고를 최일선에서 파악하는 보안 회사로서 드물게 두 분야를 모두 아우르고 있습니다. 이러한 이중적인 관점을 통해 Google은 AI가 어떻게 구축되는지, 그리고 실제 환경에서 AI가 정확히 어떻게 표적이 되고 있는지 파악할 수 있습니다. Google Threat Intelligence Group(GTIG)은 AI 시대에 보안 및 비즈니스 리더가 필요로 하는 운영 현실을 제공하고자 최신 AI 위협 추적기를 최근 출시했습니다.

불필요한 요소를 걷어내고 원격 분석을 살펴보면 CISO가 대응해야 하는 실제 위협 환경은 다음 세 가지 구조적 변화로 귀결됩니다.

AI가 소프트웨어 개발 방식을 재편하고 있습니다.
AI가 공격 표면을 확대하고 있습니다.
AI가 위협 역량을 강화하고 있습니다.

오늘은 이 세 가지 과제에 대한 Google의 가시성과 이들 과제를 해결하기 위한 접근 방식을 자세히 소개해 드리겠습니다.

AI 시대의 안전한 빌드

AI는 소프트웨어 개발 속도를 근본적으로 변화시켰습니다. 현재 업계 전반에서 자율 에이전트와 AI 워크플로가 전례 없는 속도로 프로덕션 환경에 코드를 배포하고 있습니다. 이는 혁신을 위한 흥미로운 기회를 창출하지만, CISO는 비즈니스 모멘텀을 유지하면서 엔터프라이즈 위험을 완화해야 하는 어려운 과제에 직면해 있습니다.

공격자들은 AI 어시스턴트가 추천하고 신뢰하도록 학습된 업스트림 패키지를 오염시켜 가장 효율적인 엔지니어링 단축 기능을 오히려 우리에게 불리하게 악용하고 있습니다. GTIG는 AI 지원 코딩 관행의 악의적인 오염이 2025년과 2026년 초에 관찰된 대규모 오픈소스 소프트웨어 공급망 침해의 상당한 증가에 기여해 왔다고 보고 있습니다.

머신 속도의 위협 환경에 대한 해결책은 개발자의 속도를 늦추는 것이 아니라 AI 파이프라인에 보안을 기본으로 내장하는 것입니다. 이 과정의 일환으로 개발자를 위한 편집기 내 안전 장치가 마련되어 실시간 ‘사이버 보안을 위한 맞춤법 검사’ 기능을 제공합니다.

Google은 에이전트를 표적으로 삼는 공격자도 모니터링하고 있습니다. 금전적 이득을 노리는 공격자인 TeamPCP(UNC6780)는 AI 툴킷 탈취, 프롬프트 인젝션, 악성 페이로드 난독화를 위해 유해한 프롬프트로 AI 스캐너 무력화 등 AI 도구와 오픈소스 소프트웨어 개발 관행을 악용하는 다양한 기법을 구사해 왔습니다.

머신 속도의 위협 환경에 대한 해결책은 개발자의 속도를 늦추는 것이 아니라 AI 파이프라인에 보안을 기본으로 내장하는 것입니다. 이 과정의 일환으로 개발자를 위한 편집기 내 안전 장치가 마련되어 실시간 사이버 보안을 위한 맞춤법 검사 기능을 제공합니다.

워드 프로세서가 작성자의 작업을 중단시키지 않고 오타에 밑줄을 표시하는 것처럼 보안 제어도 개발자의 편집기와 에이전트형 워크플로 내에 기본으로 내장되어 오염된 패키지, 유해한 프롬프트, 잘못 구성된 툴킷을 즉시 식별해야 합니다.

중요한 점은 이러한 보안이 편집기 단계에서 그쳐서는 안 된다는 것입니다. 기존의 보안 방식은 컨텍스트를 파악하지 못하는 한계가 있습니다. 코드 편집기는 클라우드 구성을 볼 수 없고, 배포 파이프라인은 런타임 노출을 놓치며, 프로덕션팀은 근본 원인 청사진을 쉽게 수정할 수 없습니다.

이러한 격차를 해소하려면 통합 코드-클라우드 연계 접근 방식이 필요하며, 이는 바로 Wiz Code와 같은 플랫폼의 설계 원칙이기도 합니다. 기본적인 접근 방식은 코드가 배포되기 전에 실제 클라우드 환경에서 지속적으로 검증되도록 하는 것입니다.

조직에서 AI 기반 코드 분석을 고려할 때 대개는 프런티어 모델을 하나 선택하고 이를 저장소에 적용하는 방식을 생각합니다. 그러나 Google의 연구와 원격 분석에 따르면 단일 모델에 의존하는 보안 방식은 위험한 단일 문화를 조성합니다. 그 어떤 단일 AI 모델도 모든 취약점을 찾아낼 수 없으며, 공격자는 이미 특정 LLM 안전 필터와 스캐너를 무력화할 수 있는 입력을 테스트하고 있습니다.

이처럼 확대되고 있는 공격 표면을 보호하기 위해 CISO는 단절된 사일로를 통해 AI를 관리하는 함정을 피해야 합니다. 클라우드 및 AI 방어의 미래는 코드, 모델, 데이터 계보, 런타임 ID를 하나의 살아있는 지도로 연결하는 통합되고 동적인 그래프를 기반으로 구축되어야 합니다.

이를 해결하기 위해 Google은 신중한 멀티 모델 접근 방식을 취합니다. Gemini, 상용, 오픈소스 등 여러 파운데이션 모델을 조정하여 발견 사항을 교차 검증하고, 오탐을 제거하고, 코드를 수정하고, 단일 모델이 놓치는 복잡한 로직 결함을 식별합니다. 여러 개의 '두뇌'가 있으면 더 스마트해집니다.

AI 보안

개발 수명 주기를 보호하는 것만으로는 충분하지 않습니다. 또한 공격자가 AI 공격 표면을 악용하고 과도한 권한을 가진 에이전트를 무기화하지 못하도록 막아야 합니다. 공격자는 다음과 같은 기법을 사용하여 AI 워크로드를 표적으로 삼고 있습니다.

LLMJacking: 사이버 범죄자와 국가 배후의 단체는 AI 모델과 에이전트형 워크플로를 실행하기 위해 GPU 액세스를 표적으로 삼습니다. Mandiant가 4월에 조사한 한 주목할 만한 침입 사례에서 공격자는 노출된 개인용 액세스 토큰을 통해 피해자의 클라우드 환경에 대한 초기 액세스 권한을 얻은 후 이를 사용하여 승인되지 않은 AI 인프라를 배포하고 고성능 컴퓨팅 리소스를 확장했으며, 그 결과 피해자는 하드웨어 및 플랫폼 비용을 부담해야 했습니다.
AI 데이터 및 액세스 권한을 노리는 공격: 사이버 범죄자들은 이제 커스텀 프롬프트, 에이전트 요청 사항, 미세 조정된 모델이 매우 가치 있는 핵심 자산임을 인식하고 있습니다. 2026년 2분기에 Mandiant는 공격자가 모델, 기술, 프롬프트, 소스 코드, 관련 연구를 포함한 독점 AI 데이터를 도용한 여러 데이터 도용 갈취 작전을 조사했습니다. 또한 언더그라운드 마켓플레이스 포럼에서도 AI 계정 사용자 인증 정보에 대한 수요가 급증하고 있으며, 일부 판매자는 일반 계정을 소매가 대비 최대 99% 할인된 가격에 제공하기도 합니다.

이처럼 확대되고 있는 공격 표면을 보호하기 위해 CISO는 단절된 사일로를 통해 AI를 관리하는 함정을 피해야 합니다. 에이전트 액세스 정책, 모델 인벤토리(AI-BOM), 섀도우 AI를 별개의 과제로 취급해서는 안 됩니다. 이러한 위험 요소들은 서로 깊이 연관되어 있기 때문입니다. 클라우드 및 AI 방어의 미래는 코드, 모델, 데이터 계보, 런타임 ID를 하나의 살아있는 지도로 연결하는 통합되고 동적인 그래프를 기반으로 구축되어야 합니다.

Wiz 보안 그래프가 최초로 도입한 이 접근 방식은 Google AI Threat Defense(AITD)의 컨텍스트 엔진 역할을 합니다. AITD는 Gemini와 기타 프런티어 모델의 추론 능력, Wiz의 컨텍스트 위험 우선순위 지정, CodeMender의 코드 수정 기능, Mandiant의 현장 전문성을 결합하여 AI 기반 공격에 한발 앞서 대비하는 Google의 포괄적인 자율 보안 프레임워크입니다. 중요한 점은 이 컨텍스트가 사일로화되지 않고 Google Security Operations에 직접 제공된다 것입니다. 이를 통해 보안 운영팀은 머신 속도로 유해한 공격 경로를 지속적으로 식별하고, 우선순위를 정하고, 차단할 수 있습니다.

AI 위협에 대한 방어

공격자는 단순한 프롬프트 생성을 넘어 완전 자동화된 멀티 에이전트 공격 파이프라인으로 빠르게 진화하고 있습니다.

Cyber Defense Summit 2026: AI 시대의 보안

Mandiant가 조사한 한 주목할 만한 침입 사례에서는 금전적 이익을 노린 공격자가 한 조직의 클라우드 인프라를 침해하고 자율 에이전트 프레임워크를 배포했습니다. 공격자는 AI 코딩 챗봇, 프롬프트, 에이전트 요청 사항을 사용하여 6시간도 채 되지 않는 시간 안에 대규모 사용자 인증 정보 수집 캠페인을 계획, 빌드, 실행했습니다.

공격 수명 주기 전반에서 AI를 지능형 조정자로 사용하는 공격자도 추적하고 있습니다. GTIG는 최근 중국과 연계된 스파이 그룹이 CC Switch라는 도구를 활용해 여러 계정을 순환하고 Claude, Codex, Gemini와 같은 AI 모델을 교체하여 익스플로잇 스크립트 작성, 유인물 초안 작성과 같은 특정 작업에 가장 적합한 모델을 선택하는 방식을 실험하는 것을 포착했습니다. 기본이 되는 해킹 도구는 새로운 것이 아니지만, AI가 단절된 수동 프로세스를 원활하고 자동화된 워크플로로 바꿨습니다.

심층적인 컨텍스트를 활용하려면 수동적이고 인간 중심적인 사고 대응에서 머신 속도의 보안 운영으로 전환해야 합니다. 더 이상 인간 분석가가 끝없이 쌓인 정적 알림을 수동으로 분류하는 방식에만 의존할 수는 없습니다.

이러한 머신 속도의 공격은 위협적으로 들리지만, 실제로 방어자에게는 비대칭적인 이점이 있습니다. 자율 AI로 무장한 공격자라도 제한된 컨텍스트를 가지고 외부에서 작동합니다. 어둠 속에서 탐색하고, 연결 관계를 추측하고, 탈취한 사용자 인증 정보가 유용한 자산으로 이어지기를 바랄 뿐입니다.

반면 방어자는 공격자가 가지고 있지 않은 심층적인 컨텍스트를 보유하고 있습니다. 코드, 클라우드 구성, 사용자 ID, 배포 현황, 내부 아키텍처를 누구보다 잘 알고 있습니다. 이러한 풍부하고 다차원적인 내부 관측 가능성을 보안 모델에 반영하면 AI 방어는 본질적으로 AI 공격보다 더 빠르고 정확해집니다.

최전선에서 얻은 위협 인텔리전스를 이러한 AI 모델에 직접 코드화함으로써 이러한 자율 에이전트는 공격을 지속적으로 모니터링하고, 조사하고, 우선순위를 지정하고, 해결할 수 있습니다.

생태계 보호를 위한 Google의 노력

공격자가 AI를 도입함에 따라 우리는 공격자를 근원부터 무력화할 수 있는 특별한 기회를 얻게 되었습니다. 주요 보안 및 AI 제공업체로서 Google은 이러한 책임을 무겁게 받아들이며, 다양한 수단을 동원해 한 발 앞서 나가고 있습니다.

악성 인프라 차단. Google 도구를 이용해 공격을 시도할 경우 해당 도구에 대한 액세스 권한이 박탈됩니다. Google은 악의적인 행위자로 확인된 사용자의 프로젝트, 계정, 자산을 선제적으로 차단합니다.
AI 모델 및 분류기 강화. Google은 AI 모델에 대한 지속적인 피드백 루프를 운영합니다. 위협 인텔리전스를 제품 개발에 직접 반영함으로써 Google의 모델은 공격이 발생하기도 전에 악의적인 요청을 식별하고 거부하는 방법을 학습합니다.
취약점 탐지 및 패치를 자동화하는 것 또한 공격자를 방해합니다. Google은 수동 패치 방식에서 AI 기반 탐지 방식으로 전환하고 있습니다. CodeMender와 같은 도구는 코드 자체에 존재하는 치명적인 취약점을 자동으로 수정합니다.
고급 방어 및 위협 모델 개발. Google DeepMind의 팀들은 생성형 AI를 위한 특화된 방어 체계를 구축하고 있으며, 전체 생태계에 걸쳐 적극적인 모니터링을 배포하여 오용을 실시간으로 식별하고 있습니다.

AI 시대의 보안은 과거의 단절되고 수동적인 도구로는 달성할 수 없으며, AI 기반 위협에는 AI 기반 방어 체계로만 대응할 수 있습니다. 방어자에게 유리한 상황을 만들기 위해서는 지속적이고 머신 속도로 작동하는 보호 모델로 전환해야 합니다. Google은 여러분과 함께 이러한 안전한 미래를 구축하기 위해 최선을 다하고 있습니다.

AI 시대의 보안을 위한 Google의 접근 방식에 대해 자세히 알아보려면 새로운 Mandiant의 AI 위험 및 복원력 보고서를 확인하세요.

aside_block: <ListValue: [StructValue([('title', '새로운 내용을 알아보세요'), ('body', <wagtail.rich_text.RichText object at 0x7f879ffd0dd0>), ('btn_text', '지금 보기'), ('href', 'https://x.com/googlecloud/status/2090213589558698309?s=20'), ('image', <GAEImage: Cloud-CISO-Perspectives-logo-A>)])]>

위협 인텔리전스 뉴스

AI 위협 추적기: 프롬프트 작성에서 자율성으로: AI의 악의적 오용에 관한 최신 Google Threat Intelligence Group(GTIG) 보고서에 따르면, 공격자가 기본적인 프롬프트 작성 방식에서 에이전트형 AI 워크플로와 AI 기반 자동화로 전환하고 있으며, 클라우드 리소스 탈취 후 6시간 내에 에이전트를 활용한 대규모 사용자 인증 정보 수집 캠페인을 계획, 구축, 실행하는 것으로 확인되었습니다. 자세히 알아보기
금전적 이익을 목적으로 활동하는 공격자, BREEZE COMET이 브라질을 표적으로 삼다: 현재 활발히 활동하며 진화하고 있는 이 위협에 조직이 대응할 수 있도록 BREEZE COMET의 전술과 툴킷 그리고 Google의 권장 완화 조치와 탐지 방법에 대해 알아보세요. 자세히 알아보기
공격받는 JFrog Artifactory: Wiz Research는 JFrog Artifactory에 영향을 미치는, 심각도 수준 매우 높음 또는 높음의 3가지 취약점이 실제로 악용되고 있음을 확인했습니다. 공격자들은 이러한 취약점을 연쇄적으로 악용하여 인증을 우회하고 관리 제어 기능을 획득하고 있습니다. 자세히 알아보기

이번 달에 게시된 더 많은 위협 인텔리전스 사례를 보려면 Google Cloud 블로그를 확인하세요.

Google Cloud 팟캐스트 소개

Cloud Security 팟캐스트: AI, 에이전트, Rust, 탭을 사용한 브라우저 패치: Chrome Security의 Jasika Bawa와 Doug Turner가 Google Chrome에서 AI 에이전트를 통해 전례 없는 규모로 보안 취약점을 자율 식별 및 패치하고 브라우저 업데이트 주기를 크게 단축하는 방법을 살펴봅니다. 내용 듣기
Cloud Security 팟캐스트: Wiz의 AI 취약점 연구인 Project Atlas에 관한 모든 것: Wiz의 취약점 연구 책임자인 니르 오르펠드가 팀에서 멀티 에이전트 AI 시스템을 활용해 클라우드 인프라에서 파급력이 큰 제로데이 취약점을 발견하는 방법을 설명합니다. 내용 듣기
Cloud Security 팟캐스트: Google이 대규모로 취약점 클래스를 제거하는 방법: AI가 코드를 작성하고 이 코드를 누군가 검토할 시간도 없는 상황에서 보안이 유지되는 Google급 규모의 엔터프라이즈 환경을 구축하려면 어떤 토대가 필요할까요? Google의 수석 보안 엔지니어인 크리스토프 케른이 AI 시대에 보안 내재화 설계가 진정으로 의미하는 바가 무엇인지 살펴봅니다. 내용 듣기

한 달에 두 번 발행되는 Cloud CISO Perspectives 게시물을 이메일로 받아보려면 뉴스레터 구독을 신청하세요. 보안과 관련된 Google Cloud의 새로운 소식을 들고 몇 주 후에 다시 돌아오겠습니다.

Orange가 FinOps 책임감을 고취한 방법과 에이전트가 다음 단계인 이유

Sun, 27 Sep 2026 22:00:00 +0000

프랑스에 본사를 둔 선도적인 다국적 통신 제공업체인 Orange에는 엔지니어링팀이 배포 백로그를 잠시 접어두고 하루 종일 함께 클라우드 지출을 정리하는 날이 있습니다. 리더보드도 있고, 상품도 걸려 있습니다. 경험 많은 실무자가 신입을 지도하므로 일하면서 배웁니다. 하루가 끝날 무렵이면 스폰서는 그 결과를 확인할 수 있습니다.

Orange는 이를 FinOps Clean Days라고 부릅니다. 게임화된 해커톤과 함께 이러한 활동을 통해 100여 명의 구성원으로 이루어진 FinOps 커뮤니티는 조직 내에서 70점이 넘는 순 추천 고객 지수(NPS)를 달성했습니다.

이러한 수치는 업계 전반이 직면한 과제를 보여줍니다. 최근 Finops의 현 상황(The State of Finops) 보고서에 따르면 엔지니어들이 실제로 행동에 나서도록 유도하는 것이 조직이 직면한 주요 과제 중 하나입니다. 인식에서 행동으로 나아가기 위해서는 FinOps 책임감을 고취하고 팀이 진정으로 관심을 갖도록 하는 방법을 찾아야 합니다.

즉, FinOps는 비즈니스 변화의 문제입니다. 그리고 비즈니스 변화 문제에는 이미 알려진 해결책이 있습니다. Orange의 FinOps 책임자인 카미유 마리니와 인터뷰를 통해 Orange가 이러한 장애물을 극복하고 AI 도입과 ROI를 가속화한 방법과 다른 조직이 동일한 과정을 따를 수 있는 방법을 자세히 알아보았습니다.

Clean Days가 효과적인 이유

Orange는 FinOps팀을 신설한 이래 두 가지 원칙을 고수해 왔습니다. 첫째, 클라우드 FinOps는 공동 책임이며 프로젝트의 모든 이해관계자가 각자의 방식으로 참여합니다. 그리고 이러한 공동 책임을 실현하는 유일한 길은 소통과 신중한 변화 노력을 통해서만 가능합니다.

마리니는 “FinOps 관행을 위해 조직 전체의 공동 책임이라는 개념을 강조했습니다.”라고 말합니다. “이는 우리가 클라우드 보안에 접근하는 방식과 매우 유사합니다. 책임감 있고 실질적인 성과를 내는 AI 지출과 사용을 달성하려면 프로젝트의 모든 이해관계자가 각자의 방식으로 FinOps에 참여해야 한다는 점을 팀에 이해시켜야 했습니다.”

이러한 원칙에 따라 Orange는 Google Cloud 컨설팅의 지원을 받아 FinOps 실무자 커뮤니티를 만들었습니다. 팀은 표준화된 커뮤니케이션 채널을 통해 이를 운영함으로써 방법론이 중앙 그룹을 넘어 널리 확산되도록 하고, 회의 내용을 실행 가능한 수준으로 유지하고, 최적화 및 결제 변경사항을 공유하여 매 세션마다 실질적인 가치를 제공했습니다.

Clean Days는 애자일팀이 실제로 어떻게 운영되는지에 대한 냉철한 분석에서 비롯되었습니다. 배포가 지속적으로 실행되는 애자일 환경에서는 최적화 작업이 스프린트보다 우선시되는 경우가 거의 없습니다. 게재 우선순위, 백로그, 일상 업무가 가용 시간을 먼저 차지합니다. 그래서 Orange는 업무 방해 없이 집중할 수 있는 시간을 별도로 확보하고, 협업을 유도하고, 즐겁게 참여할 수 있는 환경을 조성했습니다

McKinsey가 제시한 변화를 위한 4가지 구성요소는 이러한 접근 방식이 효과적인 이유를 설명합니다. 이 프레임워크에 따르면 대규모 조직 변화의 성공을 위해서는 다음 4가지 영역에 걸친 조치가 필요합니다.

확신과 이해: '나에게 기대되는 바를 알고 있으며 이에 동의합니다.'
공식 메커니즘: '구조, 프로세스, 시스템이 변화를 뒷받침합니다.'
역할 모델링: '리더와 동료들의 행동이 달라진 것을 볼 수 있습니다.'
재능과 기술: '새로운 방식으로 행동할 수 있는 기술과 기회가 있습니다.'

Orange의 사례를 이 요소들에 대입해 보면 그 패턴이 명확히 드러납니다. 게임화와 보상은 엔지니어들이 본받을 만한 동료의 모습을 제시합니다. 리더보드는 새로운 행동 방식을 가시화하며, 스폰서는 즉각적인 성과를 직접 확인할 수 있습니다. 숙련된 실무자가 초보자를 지도함으로써 커뮤니티 자체를 통해 역량과 기술을 함양할 수 있습니다. 최적화 및 결제 변경사항을 공유하는 정기 세션은 자금이 어디에 쓰이는지 파악함으로써 얻을 수 있는 확신을 심어줍니다.

변화의 4가지 구성요소에 매핑된 FinOps 활동과 AI 에이전트가 이를 강화할 수 있는 지점

100명을 넘어서면 어떤 일이 벌어질까요?

100명의 적극적인 구성원으로 이루어진 커뮤니티를 구축하는 것은 큰 성과입니다. 하지만 수천 명의 엔지니어가 있는 조직에서는 중앙 FinOps팀이 모든 구성원에게 직접 다가갈 수 없습니다. 리더가 고민해야 할 사항은 Orange와 같은 커뮤니티가 만들어내는 인식, 공동 소유권, 행동 습관을 FinOps팀이 직접 만날 수 없는 구성원들에게까지 어떻게 확대해 나갈 것인가 하는 것입니다.

바로 이 지점에서 AI 에이전트가 두 가지 핵심 이점을 통해 FinOps팀의 역량을 확장합니다. AI 에이전트가 이전에는 사람이 수행해야 했던 복잡하고 시간이 많이 걸리는 활동을 처리하고, 비즈니스 전반에서 개인의 FinOps와 관련된 마찰을 줄여줍니다.

팀이 이를 도입하도록 하려면 높은 인지 부하, 불분명한 책임 소재, 상충되는 우선순위에서 비롯되는 조직 고유의 문제점을 해결하는 전략이 필요합니다. 먼저 FinOps 수명 주기에서 참여도가 떨어지는 지점을 파악해야 합니다.

인식 격차: 팀이 지출이 미치는 영향을 정확히 파악하지 못하는 경우 인사이트 에이전트가 실시간 비용 데이터를 일상적인 도구로 푸시할 수 있습니다.
처리 능력 격차: 엔지니어가 백로그로 인해 너무 바쁜 경우 해결 에이전트가 신속하게 성과를 낼 수 있는 부분을 파악하고 이를 병합 준비가 된 코드 변경사항으로 제시할 수 있습니다.
복잡성 격차: 보고가 수동 작업처럼 느껴진다면 조정 에이전트가 데이터를 수집하고 프로세스를 간소화할 수 있습니다.

신뢰를 바탕으로 시작하고 자율성 더하기

합리적인 접근 방식은 순차적으로 진행됩니다. 먼저 Orange의 사례처럼 커뮤니티 관행을 정립합니다. 그런 다음 정보를 제공하고 제안하는 읽기 전용 에이전트를 도입합니다. 이러한 에이전트가 커뮤니티 전반에 정착된 후에야 비로소 변경사항을 실행하는 에이전트를 빌드해야 합니다. 직접 실행에는 운영상의 위험이 따르므로 신중하게 관리해야 합니다. 하지만 큰 성과를 거둘 수 있는 영역이기도 합니다.

빌드 방식은 누가 빌드하느냐에 따라 달라집니다. 최소한의 코드로 빠르게 배포하려는 팀을 위해 Gemini Enterprise 앱은 에이전트를 생성할 수 있는 노 코드(no-code) 환경을 제공합니다. 세부적인 제어가 필요한 개발자를 위해 Gemini Enterprise Agent Platform(이전 명칭: Vertex AI)은 에이전트 개발 키트(ADK)와 같은 프레임워크로 빌드된 에이전트를 실행하고 제어할 수 있는 고급 도구를 제공합니다.

Cloud FinOps는 중앙 집중식 보고를 넘어 업무가 수행되는 현장에서 직접 조치를 취하는 방향으로 나아가고 있습니다. 이를 실현하는 조직들은 먼저 문화를 정립한 후 에이전트를 활용하여 단일 팀의 역량을 뛰어넘는 수준으로 그 문화를 확산시킵니다.

Orange의 성과는 커뮤니티 활동을 통해 얻은 결과물입니다. 이러한 기반을 구축하는 것이 가장 먼저 따라야 할 사항입니다. 이를 확장할 준비가 되면 Google Cloud 컨설팅의 도움을 받아 커뮤니티 관행을 정립하고 Gemini Enterprise 앱을 활용하여 간편하게 팀원들에게 첫 번째 읽기 전용 에이전트를 제공할 수 있습니다.

신한투자증권, 구글 클라우드와 함께 한국형 금융 AX를 실현하다

Wed, 23 Sep 2026 00:00:00 +0000

GOOGLE CLOUD 도입 효과

구글 클라우드의 고성능 PaaS 모듈로 플랫폼 구축 기간 단축
망분리 규제를 준수하며 사내 데이터∙시스템과 연동되는 독자적 아키텍처 완성
폐쇄망 내에서 고정된 규칙과 LLM 유연성을 동시에 활용해 장외파생계약 등 업무 혁신

신한투자증권은 구글 클라우드의 고성능 PaaS 모듈을 활용해 3개월 만에 차세대 AI 에이전트 플랫폼을 자체 구축했습니다. Gemini Enterprise Agent Platform 기반의 플랫폼을 활용해 망분리 규제를 준수하며 에이전트를 사내 데이터 및 시스템에 안전하고 유기적으로 연결했습니다. 현업이 개발한 에이전트로 일하는 방식을 재설계하며 신한투자증권은 한국형 금융 AX의 새로운 기준을 만들어가고 있습니다.

금융과 자본 시장은 그 어떤 산업보다도 데이터를 근간으로 움직입니다. 최근 AI 기술이 빠르게 발전하고 금융권 전반의 기술 역량이 함께 증가하면서, 이제 AX(AI Transformation)는 단순한 트렌드를 넘어 기업의 생산성과 경쟁력을 좌우하는 핵심 어젠다로 부상했습니다.

하지만 시장의 높은 기대와 달리 금융 기관에서 AX를 통해 가시적인 성과를 창출한 사례는 여전히 제한적입니다. 금융권 고유의 보안 정책과 규제는 물론, 업무 영역마다 서로 다른 AI 활용도와 개방성, 업무 자체의 복잡성까지 전사적으로 유의미한 AX를 구현하기 위해 고려해야 할 사항이 많기 때문입니다.

신한투자증권은 ‘현업이 이끄는 AX’에서 답을 찾았습니다. 현장의 실무자가 직접 문제를 정의하고, AI를 문제 해결 도구로 활용할 수 있도록 조직의 역량을 내재화하는 방식입니다. 이를 실현하기 위해 AX를 기술의 확산이 아닌 ‘문제 해결 능력의 확산’으로 전환하는 인프라를 만드는 것. 신한투자증권이 구글 클라우드와 함께 차세대 AI 에이전트 플랫폼을 구축한 이유입니다.

현업이 이끄는 AX의 시작

신한투자증권은 2026년 1월 AI와 디지털자산 부문 역량 강화를 위해 AX본부를 신설했습니다. AX본부는 AI를 비롯한 최신 기술을 통해 업무 체계를 안전하고 효율적으로 재설계하고, 미래 금융 생태계에서 주도권을 확보하는 것을 목표로 신한투자증권의 AX 비전을 만들어가고 있습니다.

그 중에서도 AX기획부는 수많은 부서가 얽혀 있는 금융 조직에서 빠르고 유연한 변화를 이끌어내기 위해 전략 수립부터 직원 교육, 플랫폼 구축, 거버넌스 실행 등 다양한 활동을 진행하고 있습니다. ‘AX코디네이터’는 그 일환으로 시작한 프로그램 중 하나입니다. 신한투자증권은 100여 개 부서별로 현업 담당자를 선발해 AX코디네이터로 지정하고, 지속적인 교육과 동기부여를 제공함으로써 현업 부서가 스스로 업무 프로세스를 진단하고 필요한 AI 에이전트를 기획할 수 있도록 지원했습니다.

신한투자증권의 전사 AX 전략을 수립하고 비전을 실현하는 AX기획부

이 과정에서 세운 중요한 원칙은 “현업의 에이전트를 대신 개발해 주지 않는다”는 것이었습니다. 에이전트를 외주 형태로 대신 만들어주면 당장은 편할지 몰라도, 현업의 니즈와 상관없는 결과물로 이어지는 ‘가짜 AX’로 끝날 위험이 크기 때문입니다. AX기획부를 이끌고 있는 노현빈 신한투자증권 부서장은 “현장의 실무자가 해결하고자 하는 업무 과제에 AI라는 도구를 마치 엑셀처럼 자유롭게 꺼내 쓸 수 있도록, AI 역량을 전사적으로 내재화하는 것이 AX본부의 핵심 미션”이라고 설명합니다.

500개 에이전트 성과 너머 마주한 과제

성과는 빠르게 나타났습니다. AX코디네이터들은 다양한 도구를 활용해 500개 이상의 에이전트를 직접 개발했고, 이를 실제 업무에 활용하며 단순 반복 업무의 공수가 줄어드는 효과를 확인했습니다. 임직원들이 직접 문제를 정의하고, 업무에서 AI 에이전트의 실질적 효용을 체감한 것은 현업이 이끄는 ‘진짜 AX’ 여정을 시작하는 데 있어 큰 수확이었습니다.

하지만 현장에서 에이전트를 구동하고 활용성이 높아질수록 새로운 문제들이 보이기 시작했습니다. 에이전트 수는 늘어났지만 사내 데이터 및 시스템과 단절돼 있어, 임직원들이 에이전트를 실행할 때마다 매번 데이터를 첨부하거나 결과물을 다시 시스템에 입력해야 했습니다. 에이전트가 업무를 처리한 결과로 발생하는 인사이트와 피드백이 사내 지식 기반에 적재되지 않는 점 또한 에이전트의 성능 개선을 가로막는 요인으로 작용했습니다.

500개 이상의 에이전트가 만들어지면서 업무 효율은 높아졌지만, 사람이나 RPA가 직접 양방향으로 데이터를 옮겨야 했기에 일하는 방식 자체가 근본적으로 바뀐 것은 아니었습니다. 에이전트가 일회성 도구에 그치지 않고 실질적인 AX로 한 걸음 더 내딛기 위해서는 사내 데이터 및 시스템에 유기적으로 연동될 수 있는 전사적 인프라가 필요했습니다. 노현빈 신한투자증권 AX기획부 부서장

신한투자증권의 사내 AI 에이전트 플랫폼 구축 프로젝트를 이끈 노현빈 신한투자증권 AX기획부 부서장

망분리 환경의 강력한 보안 기준 아래 사내외 데이터를 AI 활용에 적합한 형태로 가공하고 불러올 수 있으면서, 에이전트가 사내 시스템에서 스스로 업무를 수행할 수 있는 환경을 구축하는 것. 나아가 금융 시스템과 업무 특성에 맞게 AI 실행 방식을 통제할 수 있는 플랫폼을 구축하는 것이 이번 프로젝트의 핵심 목표였습니다.

이러한 요건들을 충족하는 아키텍처를 설계하기 위해 AX본부는 여러 방안을 다각도로 비교 검토했습니다. 이미 상용화된 SaaS를 확대 도입하는 방식은 망분리 규제와 시스템 연동이라는 가장 근본적인 과제를 해결할 수 없었고, 모든 구축을 외주 방식으로 진행하는 방안은 비용과 개발 속도, 향후 유연한 변경 측면에서 효율성이 떨어진다는 단점이 있었습니다.

AI가 빠르게 발전하는 만큼 기술 변화 속도에 맞는 AX를 추진하려면 인프라 역시 그 속도에 맞춰 최적화돼야 합니다. 기민한 인프라 커스터마이즈를 위해 AX본부가 선택한 방법은 PaaS 기반의 플랫폼을 자체 구축하는 것이었습니다. 검증된 고성능 PaaS 모듈을 레고 블록처럼 목적과 니즈에 맞게 직접 조립하며 신한투자증권에 꼭 맞는 플랫폼을 설계하는 것입니다.

외부망에 위치한 SaaS 제품은 내부 시스템과 연동이 가로막히고, 전통적인 SI 구축 방식은 기술의 변화 속도를 따라가기 힘들었습니다. 구글 클라우드는 강력한 보안과 인프라, 고성능 AI 모델까지 갖춘 최적의 PaaS 파트너였습니다. 레고를 조립하듯 구글의 검증된 기술 모듈을 가져와 필요에 맞게 배치함으로써, 저희는 사내 시스템 연결이라는 본연의 과제에 더욱 집중할 수 있었습니다. 노현빈 신한투자증권 AX기획부 부서장

신한투자증권이 프로젝트 파트너로 구글 클라우드를 선택한 데는 통합 AI 스택의 힘이 컸습니다. 구글 클라우드는 AI에 최적화된 인프라와 플랫폼, 고성능 모델과 솔루션까지 에이전트 플랫폼 구축에 필요한 모듈을 엔드 투 엔드로 지원합니다. 기업의 AX 수준이 올라갈수록 LLM 토큰 비용 역시 늘어날 수 밖에 없는데, Gemini 모델은 타사 대비 경제적인 비용 구조를 제공한다는 점도 큰 장점이었습니다.

신한투자증권은 구글 클라우드가 제공하는 유연한 AI 통합 환경에서 전통적인 개발 방식으로는 최소 1년 이상 소요됐을 플랫폼 구축을 3개월 만에 완성할 수 있었습니다. 또한 구글 클라우드의 관리형 서비스로 플랫폼 개발 공수를 크게 줄인 덕분에, 개발팀은 전체 개발 역량의 80% 이상을 데이터 파이프라이닝, 시스템과의 정교한 연동, 보안 가드레일 설계에 더욱 집중할 수 있었습니다.

금융 환경에 최적화된 독자적 아키텍처의 탄생

신한투자증권은 구글 클라우드의 PaaS 환경을 기반으로 AI 에이전트 플랫폼을 구축했습니다. 임직원들은 내부망 업무 단말 내 업무 프로그램이나 웹서비스 형태의 플랫폼에서 AI 에이전트와 Gemini 모델을 업무에 활용할 수 있습니다. Gemini Enterprise Agent Platform은 플랫폼의 핵심 엔진으로 에이전트의 생성과 관리, Gemini 연결을 담당합니다.

이외에도 구글 클라우드의 다양한 제품들이 플랫폼 구축에 활용됐습니다. 플랫폼의 웹서비스와 각종 에이전트 서비스는 서버리스 컨테이너 환경인 Cloud Run에서 구동됩니다. 특히 Cloud Run과 Artifact Registry를 Jenkins, Harbor 등 사내 CI/CD 인프라와 연동함으로써, 기존 DevOps 거버넌스를 준수하도록 설계했습니다. BigQuery와 Cloud SQL은 데이터베이스 역할을 담당합니다.

신한투자증권 AI 에이전트 플랫폼 아키텍처

금융 시스템에서는 하루에도 수백만 건의 자금 이체와 거래가 발생하기 때문에 정확하고 일관된 업무 수행이 필수적입니다. 그러나 시장의 일반적인 AI 에이전트는 사용자가 첫 프롬프트를 입력하는 순간부터 LLM을 타도록 설계되어 확률적으로 답을 내놓는 비결정론적 동작을 수행합니다. 이러한 특성은 정교한 규칙 통제가 필요한 금융 업무 프로세스의 안정성을 저해하며 사고로 이어질 가능성이 높습니다.

신한투자증권은 구글 클라우드의 모듈을 부품처럼 활용하면서, 금융 환경의 고유한 특성을 반영한 하이브리드 오케스트레이터를 직접 설계해 플랫폼을 개발했습니다. 자금 이체나 권한 관리처럼 일관성과 정확성이 보장돼야 하는 업무 영역에서는 하드코딩된 규칙 기반의 결정론적 파이프라인이 마스터 역할을 맡아 에이전트의 실행을 완벽하게 제어합니다. 비정형 계약서 분석처럼 유연한 추론과 판단이 요구되는 특정 구간에서만 선택적으로 LLM 모델을 호출하도록 구성했습니다. 이처럼 결정론적 제어와 비결정론적 추론을 결합한 독자적 아키텍처를 통해, 금융 업무에 필요한 시스템 안정성과 유연성을 동시에 확보했습니다.

나아가 에이전트의 실행 결과가 신한투자증권 영역 내 BigQuery에 즉시 수집되고 축적되는 구조를 구축했습니다. 플랫폼에서 일어나는 업무 수행 데이터와 사용자 피드백은 BigQuery로 통합 저장되며, 이는 다시 AI 모델과 에이전트를 고도화하는 학습 리소스로 선순환됩니다. 에이전트가 업무를 처리할수록 사내 지식 기반이 확장되고 정교해짐에 따라, AI의 정확도와 업무 처리 성능이 한층 강화되는 데이터 플라이휠(flywheel) 구조를 완성할 수 있었습니다.

망분리 환경에서 구현한 안전한 AX 플랫폼

이번 프로젝트의 핵심은 AX를 위한 기술 환경을 구현하면서도 망분리 규제와 금융 보안 절차를 준수하는 데 있었습니다. 구글 클라우드 기반의 에이전트 플랫폼이 신한투자증권의 데이터 및 시스템과 안전하게 연동될 수 있는 이유는 내부망과 구글 클라우드는 전용선으로 연결하고, 사내 클라우드 영역에 VPC Service Controls 등 보안 설정을 적용해 망분리 환경을 유지한 덕분입니다.

이와 함께 플랫폼 도입 전 과정에서 혁신금융서비스 승인, CSP 안전성 평가, 클라우드 이용 보고 및 보안 실사 등 관련 규제 및 내부 보안 기준에 따른 필요한 절차를 수행하여 안전하게 시스템을 구축했습니다. 민감한 거래 정보나 개인신용정보는 내부 온프레미스 및 프라이빗 클라우드 환경에서 처리해 데이터가 외부 서버로 나가지 않습니다. LLM 활용 영역은 데이터 민감도 및 혁신금융서비스 인가 기준에 따라 분리했습니다. Gemini는 지정된 도메인에서만 사용하며, 사내망에서는 Open LLM을 통과한 후 적용됩니다. 여기에 Cloud DLP를 적용해 안전성을 한층 강화했으며, Model Armor로 보안 가드레일을 구현해 에이전트가 다루는 입출력을 통제했습니다.

망분리 환경과 프라이빗 클라우드 조건은 관점에 따라 제약이 아니라 급증하는 AI 보안 위협 속에서 금융 데이터를 가장 안전하게 지킬 수 있는 강점이기도 합니다. 구글 클라우드와의 협업을 통해 보안 규제를 준수하면서도 최신 AI 에이전트 기술을 구현하며, 안전하고 혁신적인 AX 환경을 구축할 수 있었습니다. 노현빈 신한투자증권 AX기획부 부서장

모두의 시간을 줄이는 진짜 에이전트

신한투자증권은 일부 임직원을 대상으로 AI 에이전트 플랫폼을 Closed Beta 형식으로 운영하며 정식 출시를 위한 준비 절차를 진행 중입니다. 그렇지만 에이전트 플랫폼의 도입 성과는 이미 실무 현장에서 입증되고 있습니다. 대표적인 사례가 장외파생상품의 비정형 계약서 문서 처리 업무입니다.

신한투자증권 AI 에이전트 플랫폼 사용자 화면 예시

장외파생계약은 상품 특성상 표준 서식이 존재하지 않으며, 동일 상품이어도 거래 상대방마다 제각기 다른 조항과 구조로 이루어져 있습니다. 기존에는 숙련된 담당자 3~4명이 50여 페이지에 달하는 계약서를 수작업으로 검토하고 50여 개 항목을 사내 시스템에 일일이 입력해야 했습니다. 계약서 1건을 처리하는 데 평균 2시간의 긴 시간과 고도의 집중력이 요구됐고, 휴먼 에러 리스크 역시 존재할 수 밖에 없었습니다.

지금은 담당자가 업무 시스템 안에서 계약서가 첨부된 이메일을 선택하고 추출과 입력 버튼을 누르기만 하면 에이전트가 계약서를 자동 분석해 데이터를 시스템에 즉시 입력합니다. 이로 인해 건당 2시간이 소요되던 작업 시간이 단 5분으로 무려 96% 단축됐습니다. 이제 담당자들은 파생상품의 구조 설계 및 위험 관리 등 더욱 본질적인 업무에 집중할 수 있습니다. 신한투자증권은 이러한 성공 사례들을 발판 삼아 자동화가 가능한 대상 업무를 중심으로 에이전트 기반 업무 자동화율을 70% 이상까지 끌어올릴 계획입니다.

업무 환경과 단절된 사일로에서 개발된 에이전트는 훌륭해 보여도 단편적인 업무 자동화에 그치기 쉽습니다. 구글 클라우드와 함께 구축한 에이전트 플랫폼은 이러한 현장 밀착형 에이전트들이 조직 전체로 확산되며 근본적인 변화를 이끌 수 있는 핵심 기반을 제공합니다. 노현빈 신한투자증권 AX기획부 부서장

한국형 금융 AX의 새로운 기준을 제시하다

진정한 AX는 현업과 IT 부서, 기술과 제도 환경 등 제반 요소가 모두 함께 개선돼야 이룰 수 있습니다. 이번 프로젝트는 금융 산업의 엄격한 규제 환경 속에서 어떻게 생성형 AI와 에이전트를 실제 업무 시스템에 성공적으로 안착시킬 수 있는지를 보여준 선도적 사례입니다.

신한투자증권은 단순한 업무 자동화를 넘어 일하는 방식을 새롭게 발명하고 사람의 역할을 재정의하기 위해 창의적인 도전과 실험을 이어가고 있습니다. 국내 금융사 최초로 에이전트로만 구성된 독립 조직인 ‘AI 에이전트부’를 신설하고 사람과 AI의 새로운 협업 모델을 연구하는 일 또한 그 중 하나입니다.

구글 클라우드는 신한투자증권과 함께 금융 특화 에이전트 생태계를 지속적으로 확대하는 한편, AI 거버넌스와 보안 체계를 강화하기 위한 협력 방안을 다각도로 모색하고 있습니다. 신한투자증권이 안전하고 신뢰할 수 있는 기술 환경에서 한국형 금융 AX의 새로운 길을 개척하며 금융 혁신의 미래를 그려갈 수 있도록 구글 클라우드가 앞으로도 함께하겠습니다.

신한투자증권

신한투자증권은 신한금융그룹의 핵심 계열사로 증권, 자산관리(WM), 기업금융(IB), 디지털 자산 등 첨단 금융서비스를 제공하는 대한민국 대표 금융투자회사입니다. 고객이 원하는 가치 창출과 보다 나은 미래 설계를 위한 동반자 역할에 최우선 가치를 두고, 차별화된 금융서비스로 금융시장의 변화를 적극적으로 선도합니다.

Google Cloud 파트너 정보: Cloocus

클루커스는 검증된 클라우드 기술력과 Data & AI 부문 전문성을 바탕으로 비즈니스에 효과적인 클라우드 활용 방안을 제시하는 Google Cloud Premier Partner입니다.

Google, 2026년 Gartner® Magic Quadrant™의 엔터프라이즈 AI 어시스턴트 부문에서 리더로 선정

Wed, 16 Sep 2026 03:00:00 +0000

Google이 2026년 제1회 Gartner Magic Quadrant 엔터프라이즈 AI 어시스턴트 부문에서 리더로 선정되었다는 소식을 전해드립니다. Gartner는 주요 엔터프라이즈 AI 어시스턴트 공급업체를 대상으로 한 이번 종합 평가에서 '비전의 완전성'과 '실행 능력' 항목에 Google을 리더로 선정했습니다.

Gemini Enterprise는 기업이 직원들의 일상 업무에 유용하고 안전한 AI를 즉시 활용할 수 있도록 지원합니다. 팀은 기본적인 채팅 상호작용을 넘어 AI 에이전트를 통해 여러 단계로 구성된 엔드 투 엔드 워크플로를 자동화할 수 있습니다. 기존에 사용 중인 도구 및 인프라와 원활하게 연동될 뿐만 아니라, 보안과 거버넌스를 유지하면서도 쉽고 경제적으로 규모를 확장할 수 있습니다.

Gartner의 이번 발표는 비즈니스 사용자부터 개발자에 이르기까지 누구나 AI 에이전트를 활용해 더 많은 성과를 낼 수 있는 통합 플랫폼을 구축하겠다는 Google Cloud의 목표가 옳았음을 입증하는 결과라고 생각합니다.

리더로 선정된 Google에 대한 견해

독립형 AI 도구와 새로운 플랫폼이 복잡하게 얽혀 있는 환경에서 Gemini Enterprise는 Google의 전체 AI 스택을 기반으로 하는 통합된 개방형 에이전트형 플랫폼으로 부상하고 있으며, 보고서에 언급된 다음과 같은 강점을 지니고 있습니다.

통합된 'AI 도입을 위한 시작점': Gemini Enterprise는 엔터프라이즈 채팅 및 검색, 퍼스트 파티 및 서드 파티 에이전트, 노코드 에이전트 디자이너, Google Workspace, 서드 파티 커넥터를 모두 하나의 플랫폼에 통합하므로, 조직이 서로 다른 AI 도구를 결합할 필요가 없습니다.
개방형 연결: Gemini Enterprise는 Google 생태계를 넘어 Microsoft 365, 기타 서드 파티 소프트웨어, 사내 데이터 소스까지 광범위하게 연결합니다. 이러한 개방형 연결 덕분에 기업은 막대한 비용이 드는 시스템 전면 개편 없이도 기존 인프라에 Gemini Enterprise를 바로 도입할 수 있습니다.
단순한 비용 구조: Gemini Enterprise는 채팅 및 검색과 같은 기능이 기본 SKU에 포함되어 있어 이해하기 쉽고 명확한 가격 모델을 제공합니다. 기업은 사용자별 라이선스 구독 방식뿐만 아니라, 작업 중 할당량 제한에 걸릴 걱정 없이 에이전트 워크로드를 실행할 수 있는 '사용한 만큼만 지불' 옵션도 선택할 수 있습니다.
거버넌스 기본 제공: Gemini Enterprise는 추가 비용 없이 즉시 사용 가능한 강력한 에이전트 거버넌스를 제공하므로, 기업은 보안 위험과 에이전트의 무분별한 확산을 억제하면서 사용자, 에이전트, 데이터 권한을 원활하게 관리할 수 있습니다.
풀 스택 깊이 및 규모: Google의 수직 통합 스택은 글로벌 인프라, 커스텀 실리콘, 세계적 수준의 모델, 안전한 엔터프라이즈급 기반을 제공하며, 이 모든 것이 보안, 상호 운용성, 비용에 최적화되어 있습니다.

보고서 전문을 읽으려면 여기에서 다운로드하세요.

Gemini Enterprise 고객이 확인한 가치

Gartner의 인정을 받은 것도 매우 뜻깊은 일이지만, 무엇보다 고객들이 현장에서 실질적인 가치를 직접 경험하고 있다는 점이 중요합니다. 이러한 가치는 매일 조직 전반에 긍정적인 영향을 미치고 있습니다.

최근 제품 혁신에 대해 고객들이 전하는 이야기를 확인해 보세요.

“Accenture는 Gemini Enterprise에 Antigravity를 도입함으로써, Google Cloud의 안전하고 신뢰할 수 있는 기반 위에 Google DeepMind의 독보적인 기술을 자사 엔지니어들에게 지원할 수 있게 되었습니다. “운영의 복잡성이 제거되니 저희 팀은 개발 속도와 엔터프라이즈급 거버넌스 사이에서 고민할 필요가 없어졌습니다. 덕분에 엔지니어링 속도를 높이고 고객에게 혁신적인 가치를 제공하는 데 전념할 수 있게 되었습니다.” — 체트나 세갈, Accenture Google Business Group 글로벌 실무 리드 여기에서 자세히 알아보세요.

"Cleary는 전략적이고 경쟁력 있는 방식으로 AI를 워크플로에 도입하기 위해 노력하고 있습니다. "다른 일상 업무 도구와 매끄럽게 연동되는 Google의 Gemini Enterprise를 사용하면 팀의 효율성을 극대화하고 고객에게 더 높은 품질의 결과물을 제공할 수 있습니다.” — 제프 카프, Cleary Gottlieb 경영 파트너 여기에서 자세히 알아보세요.

“Deutsche Bank는 금융 리서치 에이전트의 설계 파트너로서 데이터 보호 및 거버넌스부터 팀이 매일 사용하는 워크플로에 이르기까지 규제가 엄격한 업계의 현실을 반영하여 이 기능을 다듬는 데 기여했습니다.” – 마리잔 드베르됭, Deutsche Bank 이사회 이사 겸 데이터 및 혁신 부문 최고 기술 책임자 여기에서 자세히 알아보세요.

“Google Cloud와 협력하여 Gemini Enterprise for Legal을 조기에 도입하게 되어 기쁩니다. “Google의 기술을 통합하여 워크플로를 간소화하고 고객의 미래가 걸린 중요한 소송에서 성과를 낼 수 있도록 변호사들을 지원하게 되어 기대가 큽니다.” — 조 페트로시넬리, Williams & Connolly 회장 여기에서 자세히 알아보세요.

지금 시작하기

보고서 읽기: 2026년 Gartner Magic Quadrant 엔터프라이즈 AI 어시스턴트 부문 보고서 사본을 무료로 다운로드하여 전체 분석을 확인해 보세요.
Gemini Enterprise 탐색하기: 조직 내 모든 팀에 걸쳐 연결된 관리형 에이전트를 배포하는 방법을 cloud.google.com/gemini-enterprise에서 알아보세요.

KDDI에서 빌드한 더 빠르고 안정적인 소비자용 RAG 앱 Buffmee

Mon, 14 Sep 2026 18:00:00 +0000

소비자용 생성형 AI 애플리케이션을 빌드할 때 다양한 미디어 유형에서 우수한 생성 품질과 빠른 응답 시간 사이의 균형을 유지하기 어려울 수 있습니다. 일본의 대형 통신사 KDDI는 소비자용 검색 증강 생성(RAG) 앱인 Buffmee를 개발하면서 이 과제에 정면으로 맞서 결국 문제를 해결했습니다.

Buffmee는 '성장을 돕는 AI'라는 개념을 기반으로 구축된 대화형 AI 서비스입니다. 도서, 잡지, 웹 미디어 등 100개 이상의 소스에 대답을 그라운딩하여 사용자가 정보를 검색하고, 핵심 사항을 요약하고, 맞춤형 학습 및 취미 관심분야를 탐색할 수 있도록 지원합니다. Buffmee에서는 출처를 인용하여 정보의 신뢰성에 대한 우려를 해소하므로 사용자가 안전하게 지식을 쌓을 수 있습니다.

앱 출시 과정에서 엔지니어팀은 도서와 잡지를 비롯한 다양한 독점 콘텐츠를 그라운딩해야 했습니다. 그러나 지연 시간 문제로 인해 응답 목표 시간을 충족하지 못했으며 할루시네이션 없는 결과를 보장할 수 있는 안정적인 방법도 필요했습니다.

Buffmee 앱 설명 및 이미지

조직에서 이러한 성능 목표를 달성하려면 AI 평가와 실시간 병목 현상 식별에 대한 체계적인 접근방식이 필요합니다. 그렇기 때문에 KDDI의 성공적인 애플리케이션 출시에 도움이 되었던 자동 평가 프레임워크와 성능 최적화 기법을 공유하고자 합니다.

결과는 고무적이었습니다. KDDI는 총 애플리케이션 응답 지연 시간을 38% 줄여 응답 성능 목표를 성공적으로 달성했습니다. TTFT도 약 18% 개선되었습니다.

"KDDI의 비전을 달성하려면 콘텐츠가 수집되는 즉시 작동 가능한 RAG 시스템으로 기능하는 플랫폼을 구축해야 했습니다. Google의 세심한 실무 지원 덕분에 이를 실현할 수 있었습니다. Google의 지원에 진심으로 감사드립니다." — Shunya Onoda, KDDI AI 제품 부서

이처럼 성능과 정확성이 개선된 Buffmee는 콘텐츠 제공업체를 위한 엄격한 신뢰성과 규정 준수를 유지하면서 고도로 개인화된 경험을 제공하여 사용자가 대화형 Q&A와 심층 분석을 통해 좋아하는 미디어를 안전하게 탐색할 수 있게 되었습니다.

이러한 성과를 어떻게 달성했는지 자세히 살펴보겠습니다.

다양한 콘텐츠에 대한 자동 평가 설정

기존의 수동 테스트는 엄청난 노력이 필요할 뿐만 아니라 대규모 콘텐츠 라이브러리를 수용할 만큼 확장하기 어렵습니다. 이 문제를 해결하기 위해 개발팀에서 Gemini Enterprise Agent Platform Evaluation Service를 사용하여 체계적인 AI 평가 프로세스를 설계했습니다.

LLM-as-a-Judge 및 Rule of Hundreds와 같은 자동화된 평가 프레임워크를 구현하여 노동 집약적인 수동 테스트를 데이터 기반 프로세스로 대체했습니다. 방대한 문서 코퍼스를 수집하고, 수백 개의 자동 평가 테스트를 구성하고, 사용 사례별 대답의 신뢰성을 측정하기 위한 포괄적인 벤치마크 데이터 세트를 구축했습니다. 그 결과, 그라운딩 점수를 25% 개선하여 정확성과 신뢰성이 우수한 출력을 제공할 수 있게 되었습니다.

KDDI의 자동 평가 루프: AI가 질문을 생성하고 대답을 채점하면 인간이 기준점을 보정하고 특이 사례 실패를 분석합니다.

에이전트 루프를 통한 병목 현상 식별 및 성능 최적화

응답 속도를 개선하기 위해 BigQuery 에이전트 분석과 에이전트 개발 키트(ADK) 로그 분석 에이전트를 구현했습니다. 실제 프로덕션 로그를 분석하여 스킬 분할과 프롬프트 비대화(특히 여러 페이지로 이루어진 매우 복잡한 시스템 프롬프트)가 첫 번째 토큰까지의 시간(TTFT)에 어떤 영향을 미치는지 시각화했습니다.

스킬의 인라인 통합을 포함하여 시스템 프롬프트를 최적화하고 하위 에이전트 라우팅도 검토했습니다. 이를 통해 대답의 정확성을 저해하지 않고도 실시간으로 딥 스택 병목 현상을 식별하고 해결할 수 있었습니다.

신뢰할 수 있는 평가를 위한 4가지 핵심 원칙

이러한 결과를 얻기 위해 팀에서는 네 가지 핵심 기술 관행을 구현했습니다.

이진 평가로 전환: 중요한 측정항목에 대해 모호한 1~5점 평가 대신 이진 '통과(1)/실패(0)' 체계를 선택적으로 도입하여 분산과 노이즈를 최소화하고 자동화 정확성을 개선했습니다.
전략적 콘텐츠 샘플링: 모든 문서를 일일이 평가하는 대신 파일 형식(웹 기사, EPUB, PDF, 정형 데이터)과 미디어 구성(텍스트 중심, 이미지 중심, 혼합)이라는 2차원 그리드로 전체 코퍼스를 분류했습니다. 이 난이도 그리드의 각 셀에서 대표 샘플을 선택하여 포괄적인 테스트 범위를 유지하면서 평가 워크로드를 75% 줄였습니다.
제품 판단에 기반한 기준점: 제품 소유자가 기본 도구 파라미터에만 의존하지 않고 무작위로 샘플링된 대답을 자동 점수와 함께 검토하여 보정하고 사용자 경험 측면에서 충분한 '출시 품질'을 설정했습니다.
대규모 프롬프트를 ADK 스킬로 모듈식 분할: 800줄이 넘는 대규모 시스템 프롬프트는 LLM 어텐션 드리프트와 지연 시간 저하를 유발할 수 있으므로, 프롬프트를 기능별로 에이전트 개발 키트(ADK) 스킬로 분할하여 필요한 로직만 동적으로 로드하여 응답 시간을 최적화했습니다.

시작하기

확장 가능하고 안정적인 생성형 AI 애플리케이션을 빌드하려면 자동화된 평가와 심층적인 성능 분석이 모두 필요합니다. 이러한 기법을 자체 애플리케이션에 적용하려면 다음 단계를 따르세요.

Gen AI Evaluation Service를 사용하여 품질을 체계적으로 측정합니다.
에이전트 개발 키트로 에이전트를 구조화하고 점진적 공개를 신중하게 적용합니다.
Agent Search로 에이전트를 그라운딩하고 검색 쿼리를 검사합니다.

이번 달 Google Cloud의 AI 관련 발표

Sun, 13 Sep 2026 09:00:00 +0000

편집자 주: Google Cloud의 최신 소식을 받아보고 싶으신가요? 최신 업데이트, 공지사항, 리소스, 이벤트, 학습 기회 등을 간추린 월간 요약을 확인하세요.

이번 달에는 관련 비용을 포함하여 AI를 비즈니스에 매우 실용적으로 활용하는 방안에 집중했습니다. 즉, 금융 서비스와 법률을 시작으로 전문 산업에 특화된 모델로 조정하고 예산 관리를 지원합니다. 그럼 시작하겠습니다.

주요 공지사항

AI 시대를 위한 FinOps: 에이전트를 위한 새롭고 유연한 결제 및 비용 관리: AI에서 더 나은 수익을 얻을 수 있도록 Gemini Enterprise 및 개발자 도구(예: Gemini Enterprise 및 Android 스튜디오의 Google Antigravity) 전반에서 에이전트 워크로드에 대한 확장된 결제 유연성과 새로운 비용 관리 도구를 발표했습니다.
금융 서비스를 위한 Gemini Enterprise: Google의 에이전트 AI를 자본 시장 및 기업 금융의 워크플로에 직접 도입하고 있습니다.
Gemini Enterprise for Legal: Gemini Enterprise for Legal은 로펌 및 기업 법무팀에서 신속하게 도입할 수 있도록 구성된 완전 통합 거버넌스 환경을 제공합니다.
기업 고객을 위한 Google Antigravity 확장: 이제 Antigravity를 대상 Gemini Enterprise 앱 구독의 일부로 이용할 수 있으며, 여기에는 즉시 사용 가능한 관리 및 지출 제어 기능이 포함됩니다.

사고 리더십(에디터 추천):

토크노믹스: 스마트한 팀이 AI에 더 많은 비용을 지출하는 이유: 체계적인 조직들이 AI 비용에 대한 사후 대응적 충격에서 벗어나 토크노믹스를 적극적으로 수용하는 방식에 대해 Google Cloud 컨설팅의 델타 가치 창출 부문 책임자 에릭 램이 이야기합니다.
Google Cloud에서 AI 할루시네이션 문제를 다루는 연구원을 만나보세요: 사이러스는 Google의 수석 연구 과학자입니다. 최근 그는 대규모 언어 모델, 그중에서도 특히 '할루시네이션'으로 불리는 고질적 문제에 집중하고 있습니다. 할루시네이션이란 인공지능 모델이 정확한 사실을 알지 못하면서도 마치 사실인 양 자신 있게 답변을 지어내는 현상을 말합니다.
스포츠카를 통해 배우는 AI 지출 최적화: 토큰이 많다고 해서 무조건 더 나은 AI가 되는 것은 아닙니다. Gemini Enterprise Agent Platform의 제품 관리 부문 책임자 마이크 클라크와 나눈 대화를 읽어 보세요. 강력한 성능과 효율성 사이에서 균형을 찾고 AI에 투자하는 비용 대비 최고의 수익을 창출할 비결을 이야기합니다.

유용한 소식:

다음 프로젝트의 토대나 영감을 찾고 계신가요? 8월에 큰 인기를 끌었던 안내 가이드를 살펴보세요.

모든 스타트업이 AI 프로토타입을 프로덕션으로 전환하기 전에 답해야 할 10가지 질문: 이 10가지 질문은 프로토타입에서 프로덕션으로의 전환하는 과정 자체에 초점을 맞춥니다. 각 질문은 지금 바로 프로젝트에 복사해 실행할 수 있는 짧은 스니펫으로 끝납니다. 데이터 레이어 및 RAG 아키텍처, CI/CD, 네트워크 설계 등 마찬가지로 중요하지만 해당 조치에 국한되지 않는 인접한 결정은 여기서는 의도적으로 제외했습니다.
기초부터 AI 에이전트를 빌드할 수 있는 기회: Agent Valley는 5주간 진행되는 무료 라이브 학습 시리즈로, 나만의 실습 에이전트 시스템을 처음부터 빌드할 수 있도록 설계되었습니다. 지루한 터미널 화면만 들여다보는 대신, 이제 작고 아기자기한 가상 세계를 직접 빌드하고 그곳에서 마음껏 플레이해 보세요.

Google Cloud의 AI 공지사항, 뉴스, 권장사항 소식을 매월 확인해 보세요. Google Cloud 고객의 최신 소식을 자세히 알아보려면 월간 요약인 고객이 빌드한 멋진 프로젝트를 읽어 보세요.

aside_block: <ListValue: [StructValue([('title', 'Google Cloud AI 및 ML을 체험할 수 있는 $300 무료 크레딧 제공'), ('body', <wagtail.rich_text.RichText object at 0x7f879fedded0>), ('btn_text', '무료 빌드 시작하기'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/'), ('image', None)])]>

7월

몇 달 전 Gemini Enterprise Agent Platform이 출시된 이후, 기업들은 기본적인 실험에서 벗어나 본격적으로 프로덕션급 빌드하기 시작했습니다. Google은 더욱 쉽게 전환하고 시스템을 안전하게 확장할 수 있도록 지원하고자 합니다.

이번 달에는 새로운 플랫폼 업데이트와 함께 엔지니어링팀이 강력한 아키텍처 청사진을 수립하는 데 도움이 되는 13개의 실용적인 데모와 20개의 진단 평가 질문을 준비했습니다. 그럼 시작하겠습니다.

주요 공지사항

Gemini Enterprise Agent Platform의 새로운 소식: 이번 요약에서는 Agent Runtime부터 Agent Identity에 이르기까지 가장 인기 있는 주요 기능들을 이제 누구나 사용할 수 있게 되었다는 반가운 소식을 전해 드립니다.
프리뷰 출시: CodeMender로 소프트웨어 취약점 발견 및 해결: 적대적 AI 위협으로 코드 공격이 가속화됨에 따라, 보안팀은 코드 수정을 자동화하고 AI에는 AI로 맞설 수 있는 기계 수준의 속도의 방어 체계를 갖춰 대응해야 합니다. CodeMender에 대해 자세히 알아보고 문서를 검토하려면 여기를 클릭하세요.
이제 Google Cloud에서 누구나 사용할 수 있는 AlphaEvolve로 더 어려운 문제를 해결하세요: AlphaEvolve는 Gemini를 기반으로 빌드된 코드 최적화 및 탐색 에이전트로, 가장 어려운 알고리즘 문제를 해결하고 비즈니스와 연구에서 혁신을 달성하는 데 도움을 줍니다.

사고 리더십(에디터 추천):

자동화에 위임이 필요하다면 위임에는 신뢰가 필요합니다. 하지만 AI 에이전트를 자체적으로 실행하게 하는 것은 모든 비즈니스에 큰 결단입니다. 생산성이 좋아지는 건 분명하지만, 현실적으로 제어력을 잃을 수 있다는 우려가 큽니다. 이번 달에는 전문가들과 함께 리더가 투명성과 예측 가능성에 집중하고 에이전트가 특이 데이터 예외 사항을 처리하는 방식에 대해 명확한 기준을 설정함으로써, 이러한 변화에 대응할 수 있는 방법을 논의했습니다.

이달의 추천 리소스를 통해 자세히 알아보세요.

리더가 통제 대신 신뢰를 통해 AI를 확장하는 방법(Q&A): Gemini Enterprise 제품 관리 부문 부사장인 마이클 거스텐하버를 만나 AI의 미래가 안전한 경계를 정의하는 데 달려 있는 이유에 대해 이야기를 나눴습니다.
신뢰할 수 있는 AI 에이전트의 조건: 컨텍스트는 기업이 소유한 가장 가치 있는 자산 중 하나로 빠르게 부상하고 있습니다. 제품 관리 부문 전무이사인 프라작타 다믈레가 신뢰할 수 있는 AI를 제대로 구현하는 데 필요한 요소를 설명합니다.

유용한 소식:

기본적인 토대에 대한 방향 제시, 레시피 아이디어가 필요하거나 영감을 찾고 계시나요? 7월에 큰 인기를 끌었던 안내 가이드를 살펴보세요.

코딩 에이전트를 통한 에이전트 개발 수명 주기 자동화: 프로토타입 제작에 어려움을 겪고 계신가요? Agents CLI 스킬을 사용하면 코딩 에이전트를 벗어나지 않고도 전체 에이전트 수명 주기의 다양한 단계를 거칠 수 있습니다.
AI 앱이 프로덕션에서 실패하는 이유(그리고 Google이 이를 해결한 방법): AI 프로토타입 중 5% 만이 프로덕션에 도달하고 나머지 95% 는 검증의 심연에 빠집니다. 어떻게 하면 자신 있게 프로덕션으로 넘어갈 수 있을까요?
Gemini Enterprise Agent Platform에서 빌드할 수 있는 13가지 실습형 데모: Agent Platform을 어디서부터 시작해야 할지 고민하고 계신가요? 창의력을 자극하는 13가지 방법을 소개합니다.

6월

6월에 Google Cloud는 팀이 AI를 빌드, 확장, 보호할 수 있도록 지원하는 데 주력했습니다. 오늘은 모든 것을 제어하면서 더 스마트하고 안전한 애플리케이션을 실행하는 데 도움이 되는 새로운 업데이트 소식을 공유하고자 합니다.

칸 라이언즈에서는 소매업체가 제품 발견을 더욱 흥미롭게 전환할 수 있는 방법을 보여 주는 멋진 가상 쇼핑 데모도 공유했습니다. 그럼 시작하겠습니다.

주요 공지사항

Open Knowledge Format 소개: Google은 LLM-wiki 패턴을 이식 가능하고 상호 운용 가능한 형식으로 공식화하는 개방형 사양인 Open Knowledge Format(OKF)을 도입했습니다. 이는 최신 AI 시스템에 필수적인 메타데이터, 컨텍스트, 선별된 지식을 정의하기 위한 표준으로, 특정 업체에 종속되지 않으며 에이전트와 인간 모두가 편리하게 사용할 수 있도록 설계되었습니다.
Apple의 확장된 Private Cloud Compute(PCC) 시스템을 위한 협업: Apple과의 협업은 Google Cloud의 보안 및 개인 정보 보호 기술을 활용하여, 개인 정보 보호를 최우선시하겠다는 의지를 바탕으로 구축되었습니다. 이 협업의 중심에는 Google Cloud의 컨피덴셜 컴퓨팅 포트폴리오와 Titanium 보안 아키텍처가 자리하고 있습니다.
Claude Fable 5: Google Cloud에서 사용 가능: Anthropic의 최신 프런티어 모델인 Claude Fable 5가 이제 Google Cloud에서 정식 버전으로 제공됩니다. 이번 출시는 업계 최신 모델을 Agent Platform에 직접 도입하기 위한 Google의 지속적인 노력을 보여 주는 근거입니다.
Cloud Atelier: Gemini Enterprise가 소매업 플레이북을 재정립하는 방식: 올해 칸 라이언즈에서 Google은 Cloud Atelier를 선보였습니다. Cloud Atelier는 의도적인 방문을 유도하는 가상의 쇼핑 환경으로, 소매 브랜드가 쇼핑의 고전적인 딜레마를 제품 발견이라는 흥미로운 순간으로 전환할 수 있는 방법을 보여 줍니다.

사고 리더십(에디터 추천):

Google Cloud Security가 내부적으로 AI를 사용하는 방법: Google Cloud는 기계 수준으로 빠른 AI 기반 위협에 대응하기 위해 보안 상황을 자율적이고 선제적인 모델로 전환하기 위해 노력해 왔습니다. Google은 전문 AI 에이전트를 소프트웨어 개발 수명 주기(SDLC)에 직접 삽입하여 인간 팀이 도달할 수 없는 규모와 속도로 코드를 보호하는 자동화된 가드레일을 만들었으며, 이러한 가드레일을 널리 사용할 수 있도록 조치를 취하고 있습니다.
AI Threat Defense를 이끈 4가지 교훈: Google Cloud의 새로운 최고 정보 보안 책임자 크리스 베츠를 소개합니다. 크리스는 첫 번째 Cloud CISO Perspectives에서 AI Threat Defense를 구축하는 과정에서 AI를 방어자에게 유리하게 사용하는 방법에 대해 알게 된 네 가지 핵심 교훈을 공유합니다.

유용한 소식:

AI 애플리케이션 레드팀 구성에서 얻은 5가지 교훈: Mandiant는 안전한 AI 빌드를 지원하기 위해 새로운 보고서인 '생성형 AI 애플리케이션을 안전하게 개발하는 방법: 선제적인 접근 방식'에서 제시한 Good AI Assessment(GAIA) 상위 10개를 중심으로 선제적인 위험 기반 접근 방식을 개발했습니다.
소프트웨어 개발에서 진정한 ROI를 실현하는 방법 – 최신 DORA 연구 심층 분석: AI의 비용과 비즈니스 이점을 평가하는 데 도움이 되도록 최근 DORA: AI 지원 소프트웨어 개발 ROI 보고서를 공유했습니다. 이 연구는 팀이 초기 도입 과제를 해결하고, 엔지니어링 계획을 조정하며, 비즈니스 성장을 촉진하는 데 도움이 되는 실용적인 접근 방식을 제공합니다.
에이전트 팩토리 요약: Google Antigravity 2.0에서 AI 에이전트를 사용한 100배 엔지니어링: 이번 Agent Factory 에피소드에서는 Google Cloud Developer 지원팀의 AI 엔지니어링 부문 책임자인 시르 메이르 라도르가 Google 최고의 에이전트 엔지니어로 꼽히는 로디 데이비스와 대화를 나눕니다. 기존 IDE에서 에이전트 우선 플랫폼으로의 대대적인 전환, AI 기반 세상에서 코드 검토의 현실, '기술'을 사용하여 100배 수준의 성과를 내는 방법에 대해 자세히 알아봅니다.

5월

이번 달은 정말 바빴습니다. Google I/O에서 Gemini Spark와 Gemini 3.5를 발표하고 최신 AI 기반 사이버 보안 솔루션인 Google AI Threat Defense를 공개하는 등 Google Cloud 고객에게 전할 소식이 많았습니다. 최신 뉴스를 따라잡는 데는 시간이 걸리므로 가장 중요한 발표, 사고 리더십, 기술 가이드를 한곳에 모아 핵심 내용을 빠르게 파악할 수 있도록 했습니다.

I/O 발표에 대해 자세히 알아보려면 Google Cloud 고객이 알아야 할 모든 정보와 스타트업을 위한 주요 소식을 확인하세요.

주요 공지사항

공격자보다 한발 앞서 대응하도록 지원하는 Google AI Threat Defense 소개: Google Cloud는 상시 가동되는 자율형 보안 플랫폼인 Google AI Threat Defense라는 포괄적인 AI 기반 사이버 보안 솔루션을 소개합니다. 여기에서 자세히 알아보세요.

Gemini 3.5: 최첨단 인텔리전스와 실행 능력을 결합한 최신 모델 제품군으로, Gemini 3.5 Flash를 시작으로 순차적으로 공개됩니다.
Gemini Omni: 새 모델은 세상에 대한 이해, 멀티모달 기능, 편집 능력 면에서 비약적인 발전을 이루었으며, 동영상을 시작으로 어떤 입력값이든 원하는 결과물로 생성할 수 있게 해줍니다.
Google Antigravity: Google Antigravity의 확장된 기능과 Agent Platform과의 새로운 통합을 통해 조직 전체에 에이전트 기반 개발 환경을 구축할 수 있습니다.
Gemini Spark: Gemini Enterprise 및 Workspace 고객을 위한 Gemini Spark는 사용자의 지시에 따라 사용자를 대신해 자율적으로 작업을 수행하며 업무 효율을 높여주는 24시간 개인 AI 에이전트입니다.
Google Workspace: 새로운 이미지 생성 및 편집 도구인 Google Pics와 Gmail, Docs, Keep의 새로운 음성 기능이 업무 방식을 혁신합니다.
Agent Platform의 관리형 에이전트 API: 개발자가 Agent Platform과 원활하게 통합되는 안전한 Google 호스팅 환경 내에서 커스텀 에이전트를 빌드하고 실행할 수 있습니다.
CodeMender: Agent Platform을 통해 제공되는 강력한 AI 보안 에이전트인 CodeMender는 코드의 취약점을 찾아 수정하는 데 도움이 됩니다.

Nano Banana 2 및 Nano Banana Pro 정식 버전 출시: 오늘부터 Gemini Enterprise Agent Platform을 통해 제공되는 이 모델들은 이미 많은 조직에서 업무에 활용하고 있습니다. 여기에서 자세히 알아보세요.

사고 리더십(에디터 추천):

Cloud CISO Perspectives: Google + Wiz가 CISO를 위한 멀티 클라우드 전략을 변화시키는 방법: CISO실 이사 비노드 드수자가 Wiz의 최고 전략 책임자 앤서니 벨피오레와 나눈 RSA 콘퍼런스 대담의 주요 내용을 공유합니다. 공격자들이 AI를 악용해 이득을 취하는 사례가 늘고 있는 가운데, Google과 Wiz는 Wiz의 심층 클라우드 원격 분석 기술과 Google의 세계적인 AI 및 양자 연구 역량을 결합해 이 문제에 정면으로 맞서고 있으며, CISO와 조직이 에이전트형 엔터프라이즈 시대의 요구사항을 충족할 수 있도록 적극 지원하고 있습니다. 자세한 내용은 여기를 참고하세요.

유용한 소식:

Google I/O '26이 Google Cloud에서의 에이전트 개발에 가져올 변화: Gemini Enterprise Agent Platform과 I/O에서 공유된 새로운 개발자 도구가 어떻게 조화를 이루는지 자세히 살펴보고, 빌드를 위한 다양한 선택지를 분석하며, 실제로 가장 먼저 시도해 볼 만한 것을 공유합니다. 여기에서 자세히 알아보세요.

Gemini Enterprise Agent Platform을 통해 에이전트를 프로덕션으로 전환하기 위한 5가지 필수 가이드: 에이전트를 프로덕션으로 전환하는 데 필요한 아키텍처 패턴과 권장사항을 다루는 5부작 시리즈를 다시 살펴봅니다. 여기에서 자세히 알아보세요.
공공 부문을 위한 AI 지원 보안 프로그램을 빌드하는 방법: 산업 제어 시스템부터 수십 년 된 지자체 데이터베이스에 이르기까지, 공공 부문에서 AI 지원 보안 프로그램을 준비할 수 있도록 안내하는 CISO 가이드입니다. 여기에서 자세히 알아보세요.

4월

4월 22일 라스베이거스에서 개최된 Google Cloud Next에서 Gemini Enterprise Agent Platform부터 8세대 TPU까지 놀라운 혁신 기술을 발표했습니다. 또한 Gemini Enterprise 앱을 협업 지향적인 방식으로 확장했습니다. 이제 '프로젝트' 같은 새로운 기능을 통해 에이전트 및 동료와 나란히 협업할 수 있습니다.

라이브 스트림을 놓치셨다면 1일 차 요약을 확인하세요. 고객들이 수천 가지 방식으로 AI를 활용하는 모습은 정말 놀라웠습니다. 지금까지 확인한 사례만 해도 1,300건이 넘습니다.

주요 공지사항

1. Gemini Enterprise Agent Platform: 에이전트를 빌드, 확장, 제어, 최적화할 수 있는 Google Cloud의 새로운 포괄적인 플랫폼입니다. 앞으로 모든 Vertex AI 서비스와 로드맵 발전은 차세대 에이전트 개발을 지원하기 위해 독립형 서비스가 아닌 Agent Platform을 통해서만 제공됩니다.이 플랫폼은 팀이 원활하게 공동작업할 수 있도록 빌드, 확장, 제어, 최적화라는 4가지 핵심 요소를 중심으로 설계되었습니다. 여기에서 Agent Platform에 대해 자세히 알아보세요.

2. Gemini Enterprise 앱은 팀이 단일 환경에서 AI 에이전트를 탐색, 생성, 공유, 실행할 수 있도록 모든 주요 구성요소를 갖추고 있습니다. Next ‘26에서 Google Cloud는 Gemini Enterprise 앱의 몇 가지 새로운 기능을 소개했습니다.

Agent Designer는 Agent Platform과 동일한 노 코드 에이전트 디자이너 환경을 사용하며, 직원이 엔터프라이즈 커넥터를 사용하여 정교한 일정 및 트리거 기반 에이전트를 빌드할 수 있도록 지원합니다. 에이전트의 가상 순서도를 제공하여 워크플로를 검사, 테스트, 승인할 수 있으므로 중요한 비즈니스 프로세스를 완전히 투명하게 실행할 수 있습니다.
장기 실행 에이전트는 복잡한 비즈니스 프로세스를 실행하도록 설계되었습니다. 이 에이전트는 안전한 클라우드 샌드박스에서 자율적으로 작업할 수 있으므로 지속적인 프롬프트 없이도 비즈니스 로직을 조정하고, 코드를 작성하여 커스텀 도구를 빌드하고, 조정 활동이나 영업 잠재고객 시퀀싱과 같은 다단계 작업을 완료할 수 있습니다.
Gemini Enterprise의 받은편지함은 장기 실행 에이전트를 포함한 모든 에이전트 활동을 모니터링, 안내, 관리하는 데 도움이 되는 중앙 위치를 제공합니다. 알림은 '입력 필요', '오류', '완료'와 같이 조치를 취할 수 있는 그룹으로 직관적으로 분류됩니다.
프로젝트는 에이전트의 메모리가 팀에서 추가한 파일과 대화로만 제한되는 전용 공간을 만듭니다. Google Drive, NotebookLM, Google 그룹 채팅과 같은 데이터 소스에 연결하면 에이전트가 특정 주제에 관한 전문가가 되어 팀원에게 매일 브리핑을 제공하거나 수개월 분량의 문서를 뒤지지 않고도 상태 업데이트를 제공할 수 있습니다.
기능은 브랜드 가이드라인 적용, 보고서 서식 지정, 특정 데이터 액세스와 같은 반복적인 작업에 '@' 멘션을 사용하여 간단한 단축키를 만듭니다.
Canvas는 고객에게 Gemini Enterprise 내에서 바로 사용할 수 있는 대화형 편집기를 제공합니다. 이를 통해 팀은 동일한 환경 내에서 Docs와 Slides를 쉽게 만들고 수정할 수 있으며 Microsoft 365 파일로 내보낼 수도 있습니다.
에이전트 갤러리는 Adobe, Atlassian, Lovable, ServiceNow 등의 파트너가 제공하는 서드 파티 에이전트에 대한 액세스를 제공하며, Asana, Mailchimp, Workday 등을 위한 서드 파티 커넥터를 계속 추가하고 있습니다. 이러한 통합을 통해 에이전트는 기록 시스템에서 데이터를 검색하고 작업을 실행할 수 있습니다.

3. AI 하이퍼컴퓨터: 까다로운 AI 워크로드 전용으로 설계된 AI 하이퍼컴퓨터는 컴퓨팅, 스토리지, 네트워킹을 위한 성능 최적화 하드웨어, 오픈 소프트웨어 및 머신러닝 프레임워크, 유연한 가격 모델을 단일 통합 시스템으로 결합하는 목적에 맞게 빌드된 고급 아키텍처입니다. Google Cloud는 AI 하이퍼컴퓨터의 모든 계층에서 혁신을 발표합니다.

학습에 최적화된 TPU 8t는 획기적인 Inter-Chip Interconnect(ICI) 기술을 사용하여 단일 슈퍼포드에서 최대 9,600개의 TPU와 2PB의 공유 고대역폭 메모리로 수직 확장할 수 있습니다. 이는 Ironwood의 3배에 달하는 처리 능력을 달성하고 와트당 최대 2배 더 높은 성능을 제공합니다.
추론에 최적화된 TPU 8i는 새로운 Boardfly 토폴로지를 사용하여 단일 포드에서 1,152개의 TPU를 직접 연결합니다. 이전 버전에 비해 온칩 SRAM이 3배 더 많아 더 큰 KV 캐시를 완전히 실리콘에 호스팅할 수 있으며, 특수한 Collectives Acceleration Engine을 통합합니다. 전반적으로 TPU 8i는 이전 세대보다 추론을 위한 달러당 성능이 80% 더 우수하여 수백만 개의 에이전트를 동시에 비용 효율적으로 실행할 수 있습니다.

4. 에이전트형 데이터 클라우드: 에이전트 AI의 속도와 규모에 맞게 빌드된 새로운 데이터 아키텍처입니다. 에이전트형 데이터 클라우드는 AI 기반 아키텍처를 제공하여 에이전트가 실시간으로 사용자를 대신해 인식, 추론, 행동할 수 있도록 합니다.

크로스 클라우드 레이크하우스는 Apache Iceberg를 기반으로 표준화된 Google Cloud의 레이크하우스로, 데이터 이동 비용이나 공급업체 종속의 번거로움 없이 AWS 또는 Azure(올해 말 출시 예정)에 데이터를 보관하면서 즉시 쿼리할 수 있습니다.
Knowledge Catalog는 전체 비즈니스의 통합된 동적 컨텍스트 그래프를 구성하여 모든 비즈니스 데이터와 시맨틱에 에이전트를 그라운딩할 수 있도록 지원합니다. 스마트 저장용량과 객체 컨텍스트 API를 사용하면 에이전트가 파일에 액세스하기 전에 Google Cloud Storage의 파일에 즉시 태그가 지정되고 메타데이터가 보강됩니다. 그런 다음 Knowledge Engine은 Gemini를 사용하여 전체 엔터프라이즈에 걸쳐 복잡한 관계를 자율적으로 태그 지정하고, 로직을 정의하고, 즉시 매핑하여 에이전트가 놓치고 있던 시맨틱 정의를 제공합니다.

5. 에이전트형 엔터프라이즈 보호: AI 시대를 위해 빌드된 보안 체계입니다. 칩부터 모델까지 아우르는 Google의 풀 스택 AI 접근 방식은 더 나은 통합과 속도로 고객을 보호하는 데 도움이 되는 경쟁 우위를 제공합니다. Google은 세계 최대 규모의 위협 관측소와 Mandiant 일선 전문가로부터 얻은 인사이트를 바탕으로 조치를 취할 수 있을 뿐만 아니라 Google DeepMind의 최첨단 인사이트와 혁신 기술을 활용하여 플랫폼의 보안을 강화할 수 있습니다.

에이전트형 방어: Google Security Operations의 세 가지 새로운 에이전트가 위협을 추적하고, 탐지를 엔지니어링하며, 서드 파티에 대한 컨텍스트를 제공할 수 있습니다. 이제 정식 버전으로 제공되는 Google Security Operations용 원격 Google Cloud 모델 컨텍스트 프로토콜(MCP) 서버 지원을 통해 자체 보안 에이전트를 빌드할 수 있습니다. 프리뷰로 제공되는 Google Security Operations 채팅 인터페이스에서 직접 MCP 서버 클라이언트에 액세스할 수도 있습니다.
Wiz를 통해 모든 인프라에서 AI 및 클라우드 앱 보호: 새롭게 확장된 AI 지원 범위는 클라우드와 AI 스튜디오 전반에서 안전한 에이전트를 빌드하는 데 도움이 됩니다. 개발 도구에 도입된 새로운 AI 자재명세서(AI-BOM)를 활용하면 AI가 생성한 코드를 안전하게 보호하고 섀도 AI의 위험을 줄일 수 있습니다. 자세히 알아보기
에이전트 및 에이전트 웹 보호: Model Armor는 Agent Gateway와 통합할 수 있으며, 새로운 에이전트 아이덴티티는 섀도 AI에 대한 더 많은 방어 계층을 제공합니다. reCAPTCHA의 진화된 형태인 Google Cloud Fraud Defense는 에이전트형 웹과 전체 사용자 및 고객 여정을 보호하는 데 도움이 되는 에이전트별 기능을 제공합니다.
신뢰할 수 있는 클라우드: Google Cloud는 최신 IAM으로 권한을 간소화하고 Security Command Center의 새로운 기능과 데이터 및 네트워크 보안의 새로운 혁신을 통해 Google Cloud 보안을 강화하고 있습니다.
Google Security Operations를 위한 새로운 파트너 지원 워크플로: 이 강력한 새로운 파트너 통합에는 자체 에이전트형 보안 운영 센터(SOC)를 개발하는 파트너가 포함됩니다.

Next ‘26에서 발표된 모든 보안 관련 소식은 여기에서 확인하실 수 있습니다.

유용한 소식

Gemini 3.1 Flash TTS(텍스트 음성 변환) 프롬프트 작성 가이드: 새로운 TTS 모델은 200개 이상의 오디오 태그를 사용하여 전달 방식을 조정할 수 있는 높은 수준의 제어 기능을 도입했습니다. 접근성 높은 게임 사운드트랙, 뱅킹 시스템, 오디오북 등 무엇을 빌드하든 모델에서 강력한 결과를 얻는 방법을 공유합니다. 여기에서 모델에 대해 자세히 알아보세요.
Lyria 3 모델을 위한 최고의 프롬프트 가이드: Google의 음악 생성 모델 제품군인 Lyria 3는 보컬, 악기, 편곡을 세밀하게 제어할 수 있도록 설계되었습니다. 그래서 저희는 상상할 수 있는 모든 음악 장르와 사용 사례를 대상으로 몇 주 동안 테스트를 진행했습니다. 이 가이드에서는 Google이 배운 내용과 최상의 결과를 얻는 방법을 공유합니다.
비용과 성능 사이의 최적점을 찾는 방법: 이 가이드에서는 Google Cloud의 유연한 생성형 AI 인프라 옵션을 살펴보고 비용과 성능 사이의 효율적인 경계에서 최적점을 찾는 방법을 보여줍니다. 기본적인 사용한 만큼만 지불(PayGo) 모델부터 시작하여 보다 전문적인 옵션을 추가해 강력하고 비용 효율적인 생성형 AI 전략을 구축하는 방법을 살펴보겠습니다.
기본으로 제공되는 필수 AI 및 클라우드 보안 기능: 차세대 AI 혁신가들을 지원하기 위해 Security Command Center Standard에서 필수 AI 및 클라우드 보안 기능을 기본으로 제공합니다.
Model Armor를 활용한 GKE 기반 AI 추론 보안 강화: Model Armor와 고성능 스토리지로 Google Kubernetes Engine에서 AI 추론을 안전하게 보호하는 방법을 확인해 보세요.
Cloud CISO Perspectives: AI, 보안, 그리고 미래의 인력: AI를 활용한 공격에 기존의 보안 방식으로는 대응할 수 없습니다. 그렇다면 AI 기반 공격을 어떻게 방어하고, AI로 방어 역량을 강화하며, 안전한 AI 사용 환경을 구축할 수 있을까요? Google Cloud COO 겸 보안 제품 부문 사장인 프랜시스 드수자와 CISO실 전무이사인 닉 갓프리가 RSA 콘퍼런스에서 진행한 대담을 확인해 보세요.

3월

3월은 Google의 AI 팀에게 매우 바쁜 한 달이었습니다. Gemini Embedding 2를 출시하고, 높은 가성비를 자랑하는 Veo 3.1 Lite 모델을 선보였으며, Wiz 팀의 Google Cloud 합류를 공식 발표하며 AI 시대의 보안을 재정의하는 데 박차를 가했습니다.

이러한 출시와 함께 Nano Banana 2의 프롬프트 작성 공식부터 TPU 학습 최적화를 위한 실용적인 조언에 이르기까지 이러한 모델을 최대한 활용하는 데 도움이 되는 포괄적인 가이드를 만들었습니다. 팀이 다음 혁신을 실현하는 데 도움이 될 최신 소식과 리소스를 간단히 살펴보겠습니다.

주요 소식:

Gemini Embedding 2: Google Cloud 최초의 네이티브 멀티모달 임베딩 모델: Gemini Embedding 2는 Google Cloud 최초의 네이티브 멀티모달 임베딩 모델로, 텍스트, 이미지, 동영상, 오디오, 문서를 단일 임베딩 공간에 매핑하여 다양한 유형의 미디어에서 멀티모달 검색 및 분류를 지원합니다. 현재 공개 프리뷰 버전으로 제공됩니다.
Google의 가장 경제적인 동영상 생성 모델인 Veo 3.1 Lite로 빌드하기: 이 모델은 개발자가 Veo 3.1 Fast와 동일한 속도를 유지하면서도 비용은 50% 미만으로 줄여 대규모 동영상 애플리케이션을 구축할 수 있도록 지원합니다. 이로써 Veo 3.1 모델 제품군이 완성되어 개발자는 필요에 따라 유연하게 선택할 수 있습니다. Cloud 고객은 이제 Vertex AI에서 사용할 수 있습니다.

덤으로 제공되는 Veo 3.1을 위한 궁극의 프롬프트 가이드를 확인하고 바로 시작해 보세요.

Wiz를 Google Cloud에 도입: AI 시대의 보안 재정의: Google이 선도적인 클라우드 및 AI 보안 플랫폼인 Wiz의 인수를 완료했습니다. Wiz팀은 Google Cloud에 합류할 예정이며 Wiz 브랜드는 유지됩니다. Wiz가 합류함에 따라, 고객의 클라우드 및 하이브리드 환경을 안전하게 보호할 뿐 아니라 위협 방지, 탐지 및 대응 속도를 높여주는 포괄적인 플랫폼을 제공할 수 있게 되었습니다.
Gemini 3.1 Flash Live: 오디오 AI를 더 자연스럽고 안정적으로 만들기: Google은 3.1 Flash Live의 전반적인 품질을 개선하여 개발자와 기업이 복잡한 작업을 대규모로 완료할 수 있는 음성 우선 에이전트를 더 안정적으로 빌드할 수 있도록 지원합니다. 다양한 제약 조건이 포함된 다단계 함수 호출 능력을 측정하는 ComplexFuncBench Audio 벤치마크에서, 이 모델은 이전 모델 대비 90.8%라는 높은 점수를 기록하며 앞서 나가고 있습니다.

유용한 소식:

최고의 Nano Banana 프롬프트 가이드: Nano Banana를 사용하는 모든 사용자가 반드시 읽어야 할 가이드입니다. Google은 Nano Banana 2와 Nano Banana Pro의 한계를 테스트하기 위해 상상할 수 있는 모든 사용 사례를 대상으로 몇 주 동안 테스트를 진행했습니다. 이 가이드에서는 Google이 배운 내용과 최상의 결과를 얻는 방법을 공유합니다. 프롬프트 작성 공식 예시: [참고 이미지] + [관계 지침] + [새로운 시나리오]

Ironwood TPU 학습을 위한 개발자 가이드: 이 가이드에서는 제품 전략 및 운영 담당자인 릴리안 유(CPA, CA)와 제품 관리자인 리아트 베리가 JAX 및 MaxText 생태계 내의 5가지 전략을 소개합니다. 이 전략들은 개발자가 Ironwood 하드웨어에서 학습 효율성을 세밀하게 조정하고 최상의 성능을 끌어낼 수 있도록 설계되었습니다.
Google 관리형 MCP 서버로 프로덕션 레디 AI 에이전트를 빌드하는 방법: 이 가이드에서는 구체적인 예시를 중심으로 설명합니다. Cityscape는 Google의 에이전트 개발 키트(ADK)로 빌드된 데모 에이전트로, '교토의 도시 풍경을 생성해 줘' 같은 간단한 텍스트 프롬프트를 AI가 생성한 고유한 도시 이미지로 변환해 줍니다. 가이드를 확인하여 자세히 알아보세요.

2월

2월에는 Gemini 3.1 Pro와 Claude 4.6을 통해 개발자에게 더 강력한 추론 기능을 제공하고, Nano Banana 2로 더 빠른 창의적인 작업을 지원합니다. 또한 용량 계획부터 AI 기반 공격에 대한 방어에 이르기까지 AI 수명 주기에서 가장 어려운 부분을 해결하는 데 도움이 되는 새로운 학습 프로그램과 단계별 안내도 제공합니다.

차세대 혁신을 실현하는 데 도움이 될 최신 소식과 도구, 리소스를 요약했습니다.

주요 소식

Nano Banana 2를 통해 전문가 수준의 이미지 생성이 더 빨라지고 쉬워집니다: 눈에 띄는 광고 소재를 제작하려면 워크플로에 자연스럽게 통합되고 손쉽게 확장할 수 있는 모델이 필요합니다. Google 블로그에서 이 모델이 어떻게 구현되는지, 고객이 이 모델을 어떻게 활용하고 있는지 확인해 보세요.

Google Cloud의 Gemini 3.1 Pro 소개: Gemini 3.1 Pro는 추론 능력이 비약적으로 향상된 모델로, 더욱 까다로운 문제를 해결하도록 설계되어 비즈니스에 필요한 심층적인 추론 역량을 제공합니다. Gemini 3.1 Pro는 오늘부터 Vertex AI와 Gemini Enterprise에서 프리뷰 버전으로 제공됩니다. 개발자는 Google AI Studio, Android 스튜디오, Google Antigravity, Gemini CLI에서 Gemini API를 통해 프리뷰 버전의 모델을 이용할 수 있습니다.
Vertex AI 기반 Claude Opus 4.6 및 Claude Sonnet 4.6 발표: 이제 Vertex AI에서 정식 버전으로 제공됩니다. 샘플 노트북을 살펴보고 시작하세요. 종합적인 가격과 사용 가능한 리전에 대한 자세한 내용은 문서를 참조하세요.
새로운 AI 위협 보고서: 증류, 실험, 통합: Google Threat Intelligence Group의 수석 분석가인 존 헐트퀴스트가 실험, 통합, 증류 공격에 관한 최신 AI 위협 보고서에서 보안 리더가 알아야 할 사항을 자세히 설명합니다.

유용한 소식

프로덕션에 즉시 사용 가능한 AI 에이전트에 대한 개발자 가이드: 개발자가 이러한 과제를 해결하는 데 도움이 되도록 에이전트 수명 주기 전반을 다루는 가이드 모음을 게시했습니다. 이 리소스는 Kaggle의 5일간의 AI 에이전트 집중 과정을 통해 처음 공개되었는데, 유용하다는 호평을 받으며 큰 인기를 끌었습니다. 이에 더 많은 분이 이 리소스를 활용하실 수 있도록 이번에 공유하게 되었습니다.
Gemini Enterprise Agent Ready(GEAR) 프로그램 이용 가능: Gemini Enterprise Agent Ready(GEAR) 학습 프로그램을 모든 사용자에게 공개했습니다. 개발자와 전문가는 Google Developer Program의 새로운 전문 개발자 과정인 GEAR를 통해 Google AI로 엔터프라이즈급 에이전트를 직접 구축하고 배포할 수 있습니다.
Vertex AI의 프로비저닝된 처리량(PT) 가이드: 이 심층 블로그에서 Vertex AI에서 현재 사용할 수 있는 리소스를 알아보고 용량 계획을 시작하는 방법을 확인하세요.
심층 방어부터 사이버 킬 체인까지, AI로 방어자 역량 강화하기(Q&A): 방어자들도 강력한 AI 도구를 개발하고 있지만, 기업이 AI 기반 공격에 대응하기 위해 항상 AI 주도형 방어를 마련해야 한다면 엔터프라이즈 소프트웨어 소유권에 어떤 변화가 생길지는 아직 알 수 없습니다.

1월

과거에는 컴퓨터 언어를 익혀야 했습니다. 2026년에는 컴퓨터가 우리의 언어를 배웁니다.

올해 초에는 AI 에이전트가 웹을 탐색하여 제품을 찾고 구매하는 에이전트형 커머스의 미래를 살펴보았습니다. Google 리더들은 이를 '보이지 않는 선반'이라고 부릅니다. 이는 상거래가 특정 웹사이트에 국한되지 않는 세상을 의미합니다. Google은 이러한 비전을 대규모로 실현하기 위해 에이전트와 소매업체가 서로 소통할 수 있는 공통 언어인 범용 커머스 프로토콜(UCP)을 발표했습니다.

Google은 이 언어를 창의적이고 기술적인 도구에 그대로 적용했습니다.

크리에이터는 Veo 3.1 업데이트를 통해 참고 이미지와 같은 간단한 입력만으로 모바일에 최적화된 정교한 동영상을 생성할 수 있습니다.
자연어 쿼리: BigQuery의 주석 SQL 변환 기능을 통해 데이터의 언어 장벽을 허물고 있습니다. 이제 엔지니어는 자연어로 의도를 설명하여 쿼리를 작성할 수 있으며, 코드보다 질문에 우선순위를 둘 수 있습니다.

좀 더 자세히 살펴보겠습니다.

주요 소식

1. Gemini Enterprise for Customer Experience (CX): 에이전트형 소매업을 위해 빌드된 이 플랫폼은 쇼핑 어시스턴트, 지원 봇, 에이전트형 검색, 상품기획 지원 등 어떤 서비스가 필요하든 분산된 검색, 상거래, 서비스 터치 포인트를 하나의 원활한 여정으로 전환해 줍니다.

2. 범용 커머스 프로토콜(UCP) 발표: 탐색, 구매, 구매 후 지원에 이르는 전체 쇼핑 여정에서 작동하는 에이전트형 커머스를 위한 새로운 개방형 표준입니다. UCP는 소비자 표시 경로, 비즈니스, 결제 시스템 공급자 전반에서 에이전트와 시스템이 연동될 수 있도록 공통 언어를 설정합니다. 따라서 UCP는 모든 개별 에이전트에 대해 고유한 연결을 요구하는 대신 모든 에이전트가 쉽게 상호작용할 수 있도록 지원합니다. UCP는 여러 카테고리에 걸쳐 작동하도록 빌드되었으며 Agent2Agent(A2A), 에이전트 결제 프로토콜(AP2), 모델 컨텍스트 프로토콜(MCP)과 같은 기존 업계 프로토콜과 호환됩니다.

3. Veo 3.1이 업데이트되어 '소재로 동영상 만들기'와 '인물 사진 모드'가 개선되었습니다. Veo의 표현력이 풍부해졌습니다. 모바일 형식에 맞게 소재 이미지를 기반으로 더 재미있고 창의적인 고품질 동영상을 만들 수 있도록 개선되었습니다. 여기에는 다음이 포함됩니다.

참고 이미지를 기반으로 동영상을 만들 수 있는 Veo 3.1의 '소재로 동영상 만들기' 기능이 개선되었습니다.
모바일 중심의 짧은 형식 동영상 제작을 지원하는 '소재로 동영상 만들기(세로 모드)'의 기본 세로 출력
고화질 프로덕션 워크플로를 위해 최대 1080p 및 4K 해상도 1로 업스케일링하는 최첨단 기술

이러한 업데이트는 Gemini 앱, YouTube, Flow, Google Vids, Gemini API, Vertex AI에 출시됩니다.

4. 주석 SQL 변환을 사용한 바이브 쿼리: 복잡한 SQL 쿼리를 작성하는 것은 어려울 수 있습니다. 엔지니어 입장에서는 SQL 워크플로 내에서 직접 일반 영어로 데이터 요구사항을 표현하고 싶은 경우가 많습니다. 이러한 이유로 Google Cloud는 BigQuery의 주석 SQL 변환 기능을 도입합니다. 이 기능을 사용하면 자연어로 쿼리를 작성하는 '바이브 쿼리'가 가능합니다. 블로그에서 자세히 알아보세요.

유용한 소식

Gemini CLI 마스터: 설치부터 고급 사용 사례까지 완벽한 가이드: DeepLearning.ai와 협력하여 무료 과정인 'Gemini CLI: 오픈소스 에이전트로 코딩하고 생성하기'를 선보이게 되어 기쁩니다. 이 과정은 개발자만을 위한 것이 아닙니다. 데이터 분석, 콘텐츠 제작, 맞춤형 교육 등 다양한 작업에 대한 실용적인 사용 사례를 다룹니다.
Google SRE가 Gemini CLI를 사용하여 실제 서비스 중단을 해결하는 방법: 이 글에서는 Google SRE가 최신 파운데이션 모델인 Gemini 3, 그리고 터미널에 에이전트 기능을 제공하는 주요 도구인 Gemini CLI를 사용하여 현재 해결하고 있는 실제 시나리오를 자세히 살펴보겠습니다.
Gemini 3 시작하기: Google Cloud Run에 첫 번째 Gemini 3 앱 배포하기: 이 블로그에서는 Gemini 3 Flash 프리뷰 모델을 활용하는 첫 번째 앱을 바이브 코딩하고 Google Cloud Run에서 공개적으로 액세스 가능한 URL로 배포하는 방법을 소개합니다. Google AI Studio를 사용하면 Gemini 3의 강력한 기능을 활용해 자연어만으로 완전한 기능을 갖춘 앱을 생성함으로써 아이디어를 빠르게 앱으로 구현할 수 있습니다.
실용적인 가이드: Google Cloud에서 안전한 AI 프레임워크(SAIF)를 사용한 빌드: 경영진은 AI 제공업체를 평가할 때 보안과 데이터 개인 정보 보호를 최우선으로 고려합니다. 보안은 대부분의 업계에서 가장 중시하는 AI 에이전트 사용 사례입니다. 대담하고 책임감 있는 방식으로 AI를 빌드할 수 있도록 Google Cloud에서 안전한 AI 프레임워크(SAIF)로 AI를 개발하는 방법을 알려 드립니다.
모든 CISO가 알아야 할 AI 해킹에 관한 진실(Q&A): AI는 공격자의 역량을 어떻게 강화할까요? 최고 정보 보안 책임자는 이에 어떻게 대응할 수 있을까요? Google의 보안 엔지니어링 부문 부사장인 헤더 애드킨스가 기업 보안의 변화에 대해 살펴봅니다.

Google의 오픈소스 버그 발견 및 수정 도구인 Mantis 시작하기

Tue, 08 Sep 2026 13:00:00 +0000

AI 모델이 사람의 도움 없이도 취약점을 발견하고 공격할 수 있다는 사실은 분명히 입증되었습니다. 방어자가 AI를 활용해 유리한 위치를 점할 수 있도록, Google은 소프트웨어 취약점의 발견, 분류, 재현, 패치를 자동화하는 Mantis 하네스를 개발했습니다.

누구나 사용할 수 있는 오픈소스 프레임워크인 Mantis는 머신 속도로 취약점을 찾아 수정하는 Google의 내부 접근 방식 중 하나입니다. 이를 통해 보다 효과적이고 확장 가능한 컨텍스트 인식 저장소 분석이 가능합니다.

AI 코드 스캔의 허술함으로 인해 할루시네이션 버그가 발생하고 참양성률이 7% 아래로 떨어지는 경우가 많지만, Mantis는 비평가 및 검토 에이전트와 같은 업계 표준 에이전트 기법과 그라운딩을 위한 취약점의 샌드박스 재현을 결합하여 효과적으로 작동하도록 설계되었습니다.

6월에 자세히 설명드린 바와 같이, Mantis는 저장소의 기록을 검사하여 과거의 보안 수정 사항을 학습하고, 아키텍처 및 위협 모델 문서가 제공되지 않더라도 이를 자동으로 빌드합니다.

Mantis는 계층적 보안 요약 트리를 구성하여 개별 파일을 디렉터리 및 루트 수준 요약으로 압축합니다. 이 기법은 대규모 저장소에서 중요한 구조적 컨텍스트를 보존하면서 토큰 오버헤드를 85% 이상 줄여 줍니다.

Mantis는 수십 년간 광범위한 코드베이스에서 축적된 사이버 보안 전문 지식을 집약한 도구로, GitHub에서 사용할 수 있습니다. Mantis를 시작하는 방법은 다음과 같습니다.

먼저 다음을 사용하여 Mantis 저장소를 로컬로 클론합니다.

code_block: <ListValue: [StructValue([('code', 'git clone https://github.com/google/mantis.git'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f87a8d43a50>)])]>

그런 다음, 선호하는 코딩 에이전트를 열고 'path/to/mantis의 Mantis 프레임워크를 사용하여 path/to/your/code의 코드를 검토하고 싶어. 어떻게 시작하면 되는지 도와줄 수 있어?'라는 프롬프트를 사용합니다.

Google 내부에서도 이 프롬프트를 사용하여 여러 코드 저장소에서 실제 취약점을 찾아냈습니다. GitHub의 Mantis 저장소에는 샘플 샌드박스 옵션이 포함되어 있습니다. 각자의 워크플로에 맞게 자체 샌드박스를 구현할 수도 있습니다.

Mantis는 취약점 발견, 참양성 필터링, 패치를 쉽게 시작할 수 있는 도구입니다. AI가 발견한 취약점을 파악한 후에는 새로운 mantis-advise 스킬을 사용하여 축적된 지식을 활용하고 코딩 에이전트가 처음부터 안전한 코드를 작성하도록 할 수 있습니다.

AI 기반 취약점 발견을 최대한 활용하고 개발 방식을 현대화하려면 다음 두 가지 필수 관행을 따르는 것이 좋습니다.

도구에 적절한 컨텍스트를 제공합니다. Mantis는 커밋 기록과 코드를 자동으로 분석하여 자체적으로 문서를 빌드할 수 있지만, 사람이 선별한 지식을 활용하면 결과의 품질을 크게 개선할 수 있는 경우가 많습니다. 예를 들어, '사용자가 본인의 프로그램을 다운시키는 버그'처럼 수정에 시간을 낭비할 필요가 없는 버그라면, 스캔 파이프라인이 이러한 유형의 버그를 발견하지 않도록 이러한 정보를 알려주는 것이 매우 중요합니다.
취약점 수용 기준을 갖춘 사이버 샌드박스를 구축합니다. 취약점을 재현할 수 있는 안전한 샌드박스 환경과 명확한 취약점 재현 기준을 마련하면 필요한 정보만 파악하고 수정 사항이 정확한지 확인하는 과정에서 더 나은 결과를 얻을 수 있습니다.

여기에서 Mantis에 대해 자세히 알아보세요.

AlloyDB ScaNN이 벡터 검색을 100억 개의 벡터로 확장하는 방법

Thu, 03 Sep 2026 21:00:00 +0000

엔터프라이즈급 에이전트 AI 애플리케이션의 요구사항을 충족하기 위해 기본 벡터 데이터베이스는 최신 사용 사례가 수십억 개의 벡터로 확장될 수 있으므로 효과적으로 확장하는 데 어려움을 겪는 경우가 많습니다.

완전 관리형 PostgreSQL 호환 데이터베이스 서비스인 AlloyDB는 까다로운 엔터프라이즈 워크로드를 처리하도록 설계되었습니다. Google의 인프라와 상용 데이터베이스의 안정성을 결합하여 높은 가용성과 확장성을 제공하며, 에이전트 AI 사용 사례에 최적화된 최첨단 분석 엔진을 포함합니다. 이러한 성능의 핵심은 ScaNN 색인으로, 이제 100억 개의 벡터 규모에서도 효율적으로 작동합니다. 이는 혁신적인 4단계 트리 (프리뷰)와 효율적인 메모리 사용량을 결합한 주요 아키텍처 개선을 통해 달성되었습니다.

100억 벡터 규모의 과제

100억 개의 벡터 워크로드로 확장하려면 상당한 메모리와 컴퓨팅 문제가 발생합니다. 이전 AlloyDB ScaNN 트리 기반 색인은 2단계 또는 3단계 트리 구성으로 제한되었으며, 이러한 구조를 확장하려고 하면 다음과 같은 여러 병목 현상이 발생했습니다.

컴퓨팅 집약도 증가: 더 큰 트리 구조는 색인 구성과 쿼리 순회 모두에 훨씬 더 많은 연산을 요구합니다.
메모리 제약: 100억 개의 벡터에 필요한 샘플링 프로세스가 시스템의 사용 가능한 메모리 용량을 쉽게 초과할 수 있습니다.

솔루션: 4단계 아키텍처

최근 AlloyDB ScaNN 출시의 주요 혁신은 4단계 트리 (프리뷰)의 도입입니다. 그림 1에 나와 있는 이 아키텍처는 하향식 전략을 사용하여 정확성과 빌드 효율성 간의 균형을 최적화합니다. 높은 성능을 유지하고 재현율 손실을 완화하기 위해 시스템은 Top-K 브랜치, SOAR, 중심점 조정, 균형 잡힌 트리 모양과 같은 주요 개선사항을 통합합니다.

그림 1. AlloyDB ScaNN 4단계 트리 아키텍처

이 설계에는 두 가지 주요 이점이 있습니다.

1. 계층적 파티셔닝을 통한 컴퓨팅 집약도 감소

4단계 아키텍처는 계층적 파티셔닝을 사용하여 쿼리 중에 스캔되는 벡터의 양을 제한함으로써 컴퓨팅 집약도를 크게 줄입니다. 평면적이거나 제대로 분할되지 않은 공간을 탐색하는 대신, 다층적 계층 구조는 검색 경로를 기하급수적으로 좁힙니다. 그림 2는 다양한 트리 수준에서 검색 공간을 보여주며 구조적 계층화가 순회 효율성을 어떻게 최적화하는지 보여줍니다.

그림 2. 2단계, 3단계, 4단계 트리의 검색 공간

2단계: 대략적인 파티셔닝을 활용하여 쿼리를 안내하므로 기본 검색 복잡도는 O(N1/2)입니다.
3단계: 중간 레이어를 도입하여 클러스터를 더 세분화하고 탐색 범위를 O(N1/3)으로 좁힙니다.
4단계: 순회 효율성을 O(N1/4)까지 최적화하는 세분화된 파티션을 구현하여 100억 개 이상의 벡터를 충분히 허용합니다.

AlloyDB ScaNN은 데이터 세트가 확장됨에 따라 계층적 레이어를 동적으로 확장하여 쿼리 지연 시간을 매우 낮게 유지하고 계산 규모의 벽이 성능에 영향을 미치지 않도록 방지합니다.

2. 효율적인 메모리 사용

100억 개의 벡터 규모를 달성하려면 높은 메모리 효율성이 필요합니다. AlloyDB ScaNN은 이러한 전략을 사용하여 메모리 관리 성능을 극대화합니다.

균형 잡힌 트리 모양 구성: 4단계 트리는 균형 잡힌 구성을 활용하여 학습 데이터 세트의 크기를 제한하는 메모리 제한을 우회합니다. 이 균형 잡힌 아키텍처는 축소된 샘플링 크기를 효과적으로 활용하여 충실도가 높은 트리 파티션을 구성합니다.
샘플링 최적화: 시스템이 메모리 제한에 직면하면 성능과 정확성을 고려한 압축된 샘플링 세트를 생성합니다.

성능 테스트 결과

내부 테스트에서 혁신적인 4단계 트리 아키텍처를 활용하여 다음과 같은 성능 결과를 달성할 수 있습니다.

AlloyDB는 ScaNN 색인을 사용하여 100억 개 이상의 벡터로 확장할 수 있습니다.
AlloyDB는 ScaNN 색인을 사용하여 100억 개의 벡터에서 51ms p95 지연 시간 이하와 95% 재현율을 제공할 수 있습니다.

지금 시작하기

지금 바로 AlloyDB ScaNN의 4단계 트리 (프리뷰) 아키텍처를 경험해 보세요. 빠른 시작 가이드에 따라 인스턴스를 설정하여 AlloyDB용 ScaNN을 배포할 수 있습니다. 최적화된 고속 벡터 검색은 공식 ScaNN 문서를 참조하세요. 신규 사용자는 30일 무료 체험 프로그램을 통해 AlloyDB를 살펴볼 수도 있습니다. 여러분이 빌드할 멋진 결과물을 기대하겠습니다.

Cloud CISO Perspectives: AI 시대에도 보안 기본사항을 지키는 방법

Thu, 03 Sep 2026 21:00:00 +0000

2026년 8월 첫 번째 Cloud CISO Perspectives 뉴스레터에 오신 것을 환영합니다. 오늘은 크리스 베츠가 AI 시대에 보안 기본사항을 활용하는 것이 그 어느 때보다 중요한 이유를 설명합니다.

aside_block: <ListValue: [StructValue([('title', 'Google Cloud로 중요한 이사회 인사이트 얻기'), ('body', <wagtail.rich_text.RichText object at 0x7f87a83dae50>), ('btn_text', '허브 방문하기'), ('href', 'https://cloud.google.com/solutions/security/board-of-directors?utm_source=cgc-site&utm_medium=et&utm_campaign=FY26-Q2-GLOBAL-GCP39634-email-dl-dgcsm-CISOP-NL-177159&utm_content=-&utm_term=-'), ('image', <GAEImage: GCAT-replacement-logo-A>)])]>

AI 시대에 보안 기본사항을 강화하는 방법

크리스 베츠, Google Cloud CISO

AI가 공격자의 역량을 가속화함에 따라, 복원력과 취약점 사이의 주요 차별화 요소는 기본적인 강점이 됩니다. 기존 보안 기본사항이 쓸모없게 되었다는 것은 위험하고도 안타깝게도 흔한 오해입니다. CISO의 과제는 새로운 AI 기술을 안전하게 도입하는 동시에 필수적이고 효과적인 방어 관행을 확장하여 공격자의 속도에 맞춰 움직이는 것입니다.

공격자와 방어자 모두에게 AI는 최적화와 혁신을 위한 촉매제 역할을 해 왔습니다. 기존의 자동화는 반복적인 작업을 대규모로 수행할 수 있게 해 주었지만, AI는 양측 모두 대규모로 전례 없는 속도로 매우 구체적이고 맞춤화된 작업을 실행할 수 있게 해 줍니다.

이러한 기술을 종합적으로 사용하면 공격 표면을 줄이고 방어 AI가 비즈니스 지원 도구가 되는 데 필요한 심층적인 컨텍스트에 기여하며, AI 기반 방어를 성공적으로 수행하는 데 필요한 조건을 만들 수 있습니다.

위협이 거의 실시간으로 발전하는 것을 확인할 수 있습니다. 공격자는 악성 스크립트를 동적으로 생성하고 실행 중에 코드를 난독화하여 탐지를 회피하는 적시 AI를 통해 새로운 멀웨어를 배포하고 있습니다. 이들은 정교한 보이스 피싱과 딥페이크를 사용하여 신원 도용 및 비즈니스 이메일 침해를 시도합니다. 승인되지 않은 AI 도구로 인해 섀도 에이전트가 증가하는 현상도 나타나고 있습니다.

AI 기반 보안 위협에 대응하려면 현재의 보안 관행을 가속화하는 것 이상의 노력이 필요합니다. 보안 기반과 계층화된 방어 체계부터 다시 시작해야 합니다. 수년간 투자해 온 기본적인 사이버 보안 구성요소인 적절한 가드레일로 계층화된 방어를 구축하고 사용하는 것이 매우 중요합니다.

다중 인증 (MFA), 제로 트러스트 프레임워크, 일관된 시스템 패치, 포괄적인 감지 및 대응과 같은 기술을 통해 이러한 기반을 강화합니다. 이러한 기술은 공격 표면을 줄이고 방어 AI가 비즈니스 지원 도구로 기능하는 데 필요한 심층적인 컨텍스트를 제공하며, AI 기반 방어가 성공적으로 이루어지는 데 필요한 조건을 만듭니다.

취약점 관리 혁신

불과 몇 년 만에 취약점을 식별하고 수정하는 과정이 대부분 수작업으로 이루어지는 힘든 과정에서 AI 도구가 전례 없는 규모로 취약점을 발견하는 과정으로 진화했습니다. 또한 취약점 공격 시간도 사실상 사라졌습니다.

하지만 특히 오늘날의 취약점 규모를 고려할 때 취약점을 발견하는 것만으로는 충분하지 않습니다. 시스템과 네트워크에 가장 심각한 영향을 미치는 문제를 먼저 해결하는 데 우선순위를 두어야 하며, 이를 위해서는 스마트한 완화 조치에 대한 신속한 대응이 필요합니다.

조직은 여러 모델을 사용하여 결함을 스캔한 다음 엔지니어가 프로덕션으로 빠르게 이동할 수 있는 고품질 코드 수정 사항을 제안하여 AI 위협 방어와 같은 기능을 활용합니다. AI를 사용하면 발견부터 테스트, 배포에 이르는 전체 소프트웨어 개발 수명 주기를 자동화하여 방어 태세를 위협보다 더 빠르게 발전시킬 수 있습니다.

위협 모델링 강화

또한 위협 모델링의 기본 개념이 큰 영향을 미치고 있습니다. 위협 모델링을 제대로 수행하려면 코드, 클라우드 아키텍처, 시스템 설계, 네트워크 경로에서 컨텍스트를 함께 가져와야 합니다.

쉬운 일은 아니지만 AI를 사용하면 데이터를 통합하여 일관된 그림을 그릴 수 있는 능력을 확장할 수 있습니다. 팀은 시스템 정보를 수집하고 위협을 열거하기 위해 멀티 AI 모델을 실험해 왔습니다.

6월에 말씀드린 것처럼 Google Cloud의 엔지니어링팀은 이제 에이전트 기반 보안 검토 파이프라인을 통해 제품 출시를 라우팅합니다. 고위험 지표는 자동으로 플래그가 지정되어 사람이 검토하며, 정적 위협 모델은 실시간으로 업데이트되는 동적 제품 자료로 대체되었습니다.

전략적 비즈니스 리더로서의 CISO

제가 아는 가장 효과적인 보안 리더는 단순한 기술자가 아니라 전략적인 비즈니스 리더입니다. AI 취약점에 대한 전 세계적인 관심이 높아지면서 사이버 보안이 이사회와 경영진의 주요 관심사로 떠올랐습니다.

이러한 가시성은 리더십을 발휘할 수 있는 기회입니다. CISO는 이사회부터 C급 임원, 매일 CISO를 바라보는 보안팀에 이르기까지 명확하게 소통하여 조직의 성장을 보호하면서 AI의 복잡성을 헤쳐나갈 수 있는 유능한 전략가로서의 능력을 입증해야 합니다.

보안 기본사항을 비즈니스 목표에 맞추고 AI를 사용하여 방어를 강화함으로써 조직을 안전하게 미래로 이끌 수 있습니다.

AI 시대에 강력한 보안 기반을 구축하고 유지하는 방법에 대해 자세히 알아보려면 최신 Defender’s Advantage: Cyber Snapshot 보고서를 읽어보세요.

aside_block: <ListValue: [StructValue([('title', '새로운 내용을 알아보세요'), ('body', <wagtail.rich_text.RichText object at 0x7f87a8174590>), ('btn_text', '지금 보기'), ('href', 'https://www.youtube.com/watch?v=CmGWIwgHR60'), ('image', <GAEImage: Cloud-CISO-Perspectives-logo-A>)])]>

위협 인텔리전스 뉴스

에이전트형 소스 코드 검토를 통한 적대적 AI 선제적 대응: 방어자가 Google Cloud의 접근방식과 유사한 에이전트형 접근방식을 구현할 수 있도록 Google Cloud의 에이전트형 취약점 발견 도구 아키텍처의 세부정보를 처음으로 공유합니다. 또한 AVDH는 CodeMender의 지속적인 스캔과 함께 사용하여 2계층 방어 전략을 수립할 수 있습니다. 자세히 알아보기
2026년 상반기 클라우드 위협 하이라이트: 2026년 상반기에 Wiz의 연구팀과 CIRT팀은 수천 개의 클라우드 환경에 영향을 미치는 위협을 추적했습니다. 활동량이 눈에 띄게 증가했으며, 공급망 공격이 이전에는 볼 수 없었던 규모로 진행되고 개발자 툴체인과 AI 인프라가 심각한 관심을 끌었습니다. 자세히 알아보기
패키지 보호: 공급망 보안 침해 완화 가이드: GTIG와 Mandiant는 지난 몇 년 동안 진행 중인 오픈소스 소프트웨어 공급망 보안 침해 캠페인이 증가하고 있음을 추적해 왔습니다. 고객 지원을 통해 얻은 인사이트를 포함하여 소프트웨어 공급망을 보호하기 위한 완화 및 강화 권장사항을 소개합니다. 자세히 알아보기
금융 서비스 및 엔터프라이즈 클라우드 환경을 표적으로 삼는 멀티 브랜드 보이스 피싱 갈취: 원격 분석 및 인프라 분석에 따르면 UNC6671은 해체되지 않았습니다. 대신 Redact, Pink, Helix, Falcon을 비롯한 여러 갈취 전선에서 운영을 다각화했으며, 기업 직원을 표적으로 삼기 위해 계속해서 보이스 피싱에 의존하고 있습니다. 자세히 알아보기
공급망 공격으로 Keyv 및 cacheable npm 패키지 하이재킹: Wiz Research는 여러 keyv/cacheable npm 패키지에 영향을 미치는 진행 중인 소프트웨어 공급망 공격을 적극적으로 조사하고 있습니다. 자세히 알아보기
Metabase SQLi 내부: 실제 공격에 악용됨: Wiz는 AI로 Metabase CVE-2026-72898을 리버스 엔지니어링하여 방어를 가속화했습니다. 이 과정에서 얻은 교훈을 소개합니다. 자세히 알아보기

이번 달에 게시된 더 많은 위협 인텔리전스 사례를 보려면 Google Cloud 블로그를 확인하세요.

Google Cloud 팟캐스트 소개

Cloud Security 팟캐스트: Project Atlas, Wiz의 AI 취약점 연구에 대한 모든 것: Wiz의 취약점 연구 책임자인 Near Orfeld가 팀에서 클라우드 인프라의 영향력이 큰 제로데이 취약점을 발견하기 위해 다중 에이전트 AI 시스템을 사용하는 방법을 설명합니다. 내용 듣기
Cloud Security 팟캐스트: Google이 대규모로 취약점 클래스를 제거하는 방법: AI가 코드를 작성하고 아무도 검토할 시간이 없더라도 안전하게 유지되는 안전한 Google 규모의 엔터프라이즈를 위한 기반을 어떻게 구축할 수 있을까요? Google의 수석 보안 엔지니어인 크리스토프 커른이 AI 시대에 보안 내재화 설계가 실제로 무엇을 의미하는지 살펴봅니다. 내용 듣기