AI 및 머신러닝

Google Cloud에서 Claude 가용성 및 배포 옵션 확대

Wed, 28 Oct 2026 10:00:00 +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.

생성형 AI를 빌드하고 확장하는 데 필요한 요구사항은 조직마다 다릅니다. Google Cloud는 개발자가 필요에 따라 워크로드를 실행할 수 있도록 모델 선택권과 아키텍처 유연성을 제공하기 위해 최선을 다하고 있습니다.

오늘 Google Cloud 기반 Claude 모델의 Anthropic 관리형 배포 옵션의 정식 버전 출시를 발표합니다. 이를 통해 팀은 모델 실행 방식 선택의 폭을 넓히고, 기존의 Google 관리형 배포 옵션과 함께 Google Cloud에서 AI 워크로드를 통합할 수 있습니다.

두 옵션 모두 동일한 프런티어 모델, 동일한 가격, 동일한 Google Cloud 결제를 출시 즉시 제공합니다. 차이점은 누가 데이터 프로세서 역할을 하는지, 그리고 새로운 Claude 플랫폼 기능이 출시될 때 바로 액세스할 필요가 있는지 여부입니다.

[신규] Google Cloud 기반의 Claude 모델(Anthropic 관리형)

Claude 모델과 Claude Platform 기능(예: Claude Managed Agents(베타), 스킬, 코드 실행)을 출시 즉시 이용할 수 있도록 제공합니다. Anthropic은 Anthropic의 서비스 약관에 따라 Google Cloud 인프라에서 데이터 프로세서로서 스택을 운영하며, 조직은 Google Cloud IAM으로 인증하고, Cloud 감사 로깅을 유지하며, 기존 Google Cloud 결제 및 적격한 약정에 지출을 통합합니다.

자세히 알아보기: Google Cloud 기반 Claude 모델(Anthropic 관리형)

Google Cloud 기반 Claude 모델(Google 관리형)

엄격한 거버넌스, 규정 준수, 주권 요구사항을 충족하는 최신 Claude 모델을 출시 즉시 이용할 수 있도록 지속적으로 지원합니다. Google Cloud는 기존 고객 계약에 따라 데이터 프로세서로 운영되며 VPC 서비스 제어, 고객 관리 암호화 키(CMEK), 미국, EU, 아시아 태평양 내 데이터 레지던시를 제공합니다. 새로운 Claude Platform 기능은 Google 관리형 인프라에 통합되면서 점진적으로 출시됩니다. 또한 팀은 BigQuery 및 Model Armor와 같은 Google Cloud 서비스와의 기본 통합, 표준 결제, 적격한 약정액 차감 등의 이점을 누릴 수 있습니다.

자세히 알아보기: Google Cloud 기반 Claude 모델(Google 관리형)

배포 옵션 비교

기능	Anthropic 관리형	Google 관리형
모델 가용성	출시 즉시 사용 가능	출시 즉시 사용 가능
퍼스트 파티 도구 및 베타	출시 즉시 사용 가능	Google 관리 인프라에 통합되면 사용 가능
데이터 프로세서 및 약관	Anthropic(Anthropic의 상업용 이용약관에 따름)	Google Cloud(기존 Google Cloud 고객 계약에 따름)
가격 책정 및 약정	표준 가격 책정(적격한 Google Cloud 약정액 차감)

어떤 배포 방식을 선택하든 Google Cloud에서 Anthropic의 최신 프런티어 모델인 Claude Fable 5.1, Sonnet 5.5, Haiku 5.5, Opus 5.5를 이용할 수 있습니다. 새로운 플랫폼 기능은 Anthropic 관리형 옵션에서 즉시 사용할 수 있으며, Google 관리형 옵션에서는 통합이 완료되는 대로 순차적으로 제공될 예정입니다. 이를 통해 개발자는 Google Cloud IAM 및 Marketplace 결제 환경에서 추론, 코딩, 멀티모달 기능 전체를 활용할 수 있습니다. 시작하기.

이제 Google Antigravity에서 사용할 수 있는 Claude Opus 5.5와 Claude Sonnet 5.5

Mon, 26 Oct 2026 19:00:00 +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.

간단한 버그 수정을 반복하든 복잡한 마이그레이션을 계획하든, 작업의 성격에 따라 적합한 모델이 필요합니다.

개방형 생태계를 위한 노력과 개발자에게 모든 작업에 최적화된 모델을 제공하겠다는 Google Cloud의 약속에 따라, Google Cloud 고객은 이제 Google Antigravity에서 Claude Opus 5.5와 Claude Sonnet 5.5를 사용할 수 있습니다. Claude Opus 5.5는 복잡한 작업을 위해 빌드되었으며, Claude Sonnet 5.5는 더 빠르고 비용이 저렴한 보완 모델입니다.

관리자가 사용 설정하면 개발자는 모델 선택 도구에서 Claude Opus 5.5와 Sonnet 5.5를 직접 선택할 수 있습니다. 관리자는 Gemini 3.8 Flash 및 Gemini 4 Argon을 비롯한 Google의 Gemini 모델을 선택할 수도 있습니다. 이 모델은 Antigravity 2.0, Antigravity CLI, 최근 출시된 VS Code, JetBrains IntelliJ, Visual Studio용 Antigravity IDE 확장 프로그램에 적용됩니다. 이를 통해 통합된 엔터프라이즈 결제 및 보안 경계 내에서 작업에 적합한 모델을 선택할 수 있습니다.

이 게시물에서는 이러한 모델을 사용하여 Antigravity에서 빌드할 때 적용할 수 있는 두 가지 엔지니어링 패턴을 공유합니다. 구독 유형에 관계없이 Antigravity에서 지원되는 전체 모델 목록을 보려면 여기에서 문서를 확인하세요.

Antigravity의 멀티 모델 엔지니어링 패턴

동일한 에이전트 하네스 내에서 여러 모델 제품군을 사용할 수 있게 되면 지연 시간과 비용을 제어하면서 코드 품질을 개선하는 실용적인 멀티 모델 워크플로를 활용할 수 있습니다.

패턴 1: 루프 및 그래프 워크플로의 교차 모델 검증('LLM-as-a-Judge')

에이전트 루프 또는 다단계 그래프 워크플로를 빌드할 때 동일한 모델이 코드 작성과 결과물 검토를 모두 수행하게 되면 해당 모델 특유의 사각지대가 고착화될 위험이 있습니다. 서로 다른 두 모델 제품군을 하나는 구현자로, 다른 하나는 검증자(판단자)로 페어링하면 워크플로의 다음 단계로 넘어가기 전에 독립적인 검증 과정을 거칠 수 있습니다.

Antigravity에서는 이 패턴을 대화형으로 실행하거나 자동화된 하위 에이전트를 통해 실행할 수 있습니다.

모델 A로 계획 및 구현: Claude Opus 5.5 또는 Gemini 4 Argon을 사용하여 계획 모드에서 작업을 시작하고, 여러 파일에 걸친 변경사항을 설계하고 구현합니다.
모델 B로 검증: 루프를 커밋하거나 다음 단계로 넘어가기 전에, 모델을 전환하거나 CLI에서 일회성 /model 검사를 호출하여 다른 모델 제품군이 테스트 모음 및 요구사항에 따라 구현 내용을 검토하도록 할 수 있습니다.

패턴 2: 추론 모델과 Flash 하위 에이전트 페어링

복잡한 엔지니어링 작업은 몇 가지 고도의 추론 결정과 수십 가지의 대량 기계적 조회(파일 검색, 로그 grep, 린트 결과 확인, 테스트 실패 분류)를 결합하는 경우가 많습니다. 프런티어 모델에서 모든 조회를 실행하면 지연 시간과 비용이 모두 증가할 수 있습니다.

Antigravity의 하위 에이전트 맞춤설정 시스템(.agents/agents/*.md)을 사용하면 전문 하위 에이전트에 특정 모델 등급(inherit, flash 또는 pro)을 할당할 수 있습니다. 기본 세션에서 더 강력한 모델을 사용하고 있는 경우에도 활용 가능합니다.

model: inherit로 구성된 하위 에이전트는 심층 추론 하위 작업에 활성 세션 모델을 사용합니다.

model: flash로 구성된 하위 에이전트는 고속 검색, 분류, 선별 작업을 Gemini Flash 모델로 오프로드합니다.

예를 들어 .agents/agents/test-triager.md에서 빠른 로그 분류 서브 에이전트를 정의할 수 있습니다.

code_block: <ListValue: [StructValue([('code', '---\r\nname: test-triager\r\ndescription: Runs unit tests, classifies failures, and returns a concise summary of failing assertions.\r\nmodel: flash\r\ntools:\r\n - read\r\n - edit\r\n---\r\n\r\nRun the requested test targets, classify any failures by root cause (compilation error, assertion failure, or timeout), and return a structured summary to the parent agent.'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbec3b07790>)])]>

그리고 .agents/agents/gemini-judge.md의 교차 모델 코드 검토자 하위 에이전트 예시는 다음과 같습니다.

code_block: <ListValue: [StructValue([('code', "---\r\nname:cross-model-judge\r\ndescription: Independent LLM-as-a-judge verifier that audits diffs and edge cases using Gemini Pro.\r\nmodel: pro\r\ntools:\r\n - read\r\n---\r\n\r\nReview the current workspace diff against the user's requirements. Check for regressions, missing edge-case tests, and security issues. Output a pass/fail verdict with specific line references."), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbec3a2cfd0>)])]>

이 설정을 사용하면 빠른 테스트 및 분류 루프를 test-triager에 위임하고 cross-model-judge를 트리거하여 최종 diff를 검증할 수 있으며, 각 모델의 강점을 단일 워크플로에 결합할 수 있습니다.

시작하기

Antigravity를 사용하는 Google Cloud 고객은 이제 Claude Opus 5.5 및 Claude Sonnet 5.5를 이용할 수 있습니다.

관리자(비즈니스용 Gemini): 서드 파티 파트너 모델은 풀링된 Gemini Enterprise Standard 및 Plus 버전 월별 토큰 할당량을 사용하지 않습니다. 대신 기존 Google Cloud Billing 계정을 통해 사용한 만큼만 지불하는 방식으로 요금이 청구되므로 초과 사용량을 사용 설정해야 합니다. Google Cloud 콘솔에서 'Gemini Enterprise' > '설정' > 'AI 개발자 도구'로 이동하여 초과분 청구 및 지출 한도를 설정하고, 조직에서 사용할 파트너 모델을 승인하세요. 단계별 안내는 AI 개발자 도구 설정 구성을 참고하세요.
관리자(Gemini 플랫폼): Gemini 플랫폼에서 API를 통해 Antigravity를 사용하는 경우 파트너 모델을 사용 설정할 수도 있습니다. Model Garden에서 Claude 모델을 사용 설정하고 Anthropic 표준 약관에 동의하세요.
개발자: Antigravity 2.0, Antigravity CLI 또는 Antigravity IDE 확장 프로그램을 최신 버전으로 업데이트하고 모델 선택기를 열거나 /model을 실행하여 작업에 적합한 모델을 선택하세요. 엔터프라이즈 거버넌스 및 멀티 에이전트 구성에 관한 자세한 내용은 Google Antigravity Enterprise 문서를 확인하세요. 작업공간 상태, 열려 있는 아티팩트, 터미널 컨텍스트를 유지하면서 동일한 대화 대화목록에서 대화 중간에 활성 모델을 전환할 수 있습니다.

참고: 경량 퍼스트 파티 Gemini 모델은 백그라운드에서 상시 작동하며 컨텍스트 관리 및 요약과 같이 빈번하게 발생하는 클라이언트 측 조정 작업을 처리합니다. 이 과정에서 퍼스트 파티 토큰이 소모되며 요금이 부과될 수 있습니다.

Google Cloud에서 완전한 가상 차량 빌드하기: AAOS부터 가장 작은 MCU까지

Mon, 26 Oct 2026 10:00:00 +0000

전통적인 자동차 애호가들이 소프트웨어 정의 차량을 직접 다루는 모습을 상상하는 것은 아주 흥미로운 사고 실험입니다. 소켓 렌치와 에어 컴프레서를 준비한 이들은 오일이나 벨트가 아닌 1과 0으로 작동하는 핵심 기능에 당황할지도 모릅니다. 하지만 최근 자동차 업계 전반에서 클라우드 네이티브 개발, 지속적 통합/지속적 배포, 신속한 디지털 반복 개발 및 다양한 AI를 사용하여 빌드된 시스템을 탑재한 차량이 점점 늘어나고 있습니다.

그러나 많은 자동차 제조업체와 1차 공급업체의 클라우드 기반 개발 프로세스에는 여전히 큰 격차가 존재합니다. 동시에 이러한 기업들은 주로 소프트웨어를 사용하여 차량용 디지털 엔터테인먼트 및 정보 화면이나 기타 온보드 고성능 컴퓨터를 개발하고 있습니다.

반면 최신 자동차를 자동차답게 만드는 수십 개의 마이크로칩과 제어 모듈(예: 게이트웨이, 차체 컨트롤러, 구역 제어 장치, 센서 및 액추에이터 노드 등)은 여전히 제조 과정에서 물리적 칩에 직접 연결되는 경우가 많아, 차량이 공장에서 출고된 후에는 업데이트, 재프로그래밍 또는 확장하기가 매우 어렵습니다. 팀은 벤치, 샘플과 장비를 기다려야 하며, 결함을 수정하는 데 가장 많은 비용이 드는 통합 작업은 대부분 개발 프로세스의 마지막 단계로 미뤄지곤 합니다.

이러한 본질적인 비효율성은 중대한 병목 현상이 되었습니다. 무엇보다도 대부분의 전자 장치가 물리적 하드웨어에 연결되어 있을 때만 작동하며 개발자가 실제 하드웨어에 크게 의존한다면, 제조업체는 차량이 소프트웨어 정의 차량이라고 주장할 수 없습니다.

당사의 목표는 소프트웨어 정의 차량 개발을 위한 Google의 에이전트형 혁신 플랫폼인 Horizon을 통해, RemotiveLabs 같은 파트너와 협력하여 제조업체가 이러한 비효율성을 해소하게 하는 것입니다.

조종석은 이미 클라우드에서 실행되고 있습니다.

Android팀은 차량 조종석 내 수많은 디지털 시스템의 원활한 개발을 지원하기 위해 지난 몇 년 간 많은 시간과 노력을 기울였습니다. Android Automotive OS(AAOS)는 Google의 공식 Android 가상 테스트 환경인 Cuttlefish 내에서 실행되며, Cuttlefish 자체는 Arm 기반 Google Cloud 인스턴스에서 원활하게 실행됩니다. 이 접근 방식을 사용하면 개발자는 차량에 탑재된 것과 동일한 Arm 아키텍처에서 인포테인먼트 스택의 가상 버전을 빌드하고, 부팅하고, 테스트할 수 있습니다.

그리고 최근 Android 17과 AAOS SDV가 출시되면서, AAOS SDV가 사용되는 모든 영역에서 이 기능을 사용할 수 있게 되었습니다. 예를 들어 Cuttlefish를 사용하여 이를 배포하면, 모델이 대표적인 아키텍처 기반의 대표적인 소프트웨어를 클라우드 환경에서 온디맨드 방식으로 제공하는 모델임을 입증할 수 있습니다. 아직 해결해야 할 과제는 (특히 다른 운영 체제가 관여하는 경우) 모델을 차량의 나머지 부분으로 확장하는 방법입니다.

가상 차량을 감싸는 하네스

바로 이 지점에서 RemotiveTopology가 중요한 역할을 합니다. 가상 차량을 감싸는 하네스 역할을 하는 이 기능은 Cuttlefish 내의 AAOS를 완전한 시뮬레이션 전기·전자(E/E) 아키텍처(차량의 나머지 온보드 컴퓨터, 데이터 네트워크, 그리고 시스템을 단순한 독립형 앱 모음이 아닌 실제 차량처럼 작동하게 하는 실시간 신호)에 연결하는 레이어입니다.

RemotiveTopology는 제조업체의 기존 네트워크 설계 파일을 자동으로 활용하여, 해당 차량 네트워크의 실제로 작동하는 가상 버전을 빌드합니다. 이것이 바로 코드형 차량입니다. E/E 아키텍처는 실행 가능한 사양으로 표현되며, 코드형 인프라처럼 버전이 지정되고 프로비저닝됩니다. 이 방식을 이용하면 전체 차량을 필요에 따라 가동할 수 있습니다. 조종석 소프트웨어는 실제 차량에서처럼 차량의 나머지 부분과 통신합니다. 따라서 개발자는 완전하고 지속적인 신호 및 도메인 간 가시성을 확보하여, 시스템 상태를 실시간으로 파악할 수 있습니다. 또한 표준 Linux 도구를 기반으로 빌드되었기 때문에 동일한 토폴로지가 노트북과 Google Cloud의 연속 통합 파이프라인 모두에서 실행됩니다.

나중이 아닌 초기에 수행하는 도메인 간 통합

이 접근 방식을 사용하면 차량의 하드웨어에 연결하기 전에 모든 온보드 시스템을 소프트웨어로 개발하고 통합할 수 있습니다. 차량 개발 과정에서 가장 어렵고 (가장 마지막 단계인) 통합 작업은 모든 시스템을 하나로 모으는 일이기에, 이 방식은 매우 유용합니다. 예를 들어 첨단 운전자 지원 시스템(ADAS)은 물체 목록, 궤적 및 모드 요청을 생성하고, 조종석은 이를 렌더링하고 반응해야 하며, 인포테인먼트 시스템과 계기판은 주행 상태를 반영하고, 차체 및 섀시 노드는 루프에 포함되어야 합니다.

전체 토폴로지가 Google Cloud에서 가동되기 때문에, 인포테인먼트 시스템과 ADAS가 가상 차량 내에서 동시에 작동하며 시뮬레이션된 네트워크를 통해 실제 신호를 교환할 수 있습니다. 따라서 벤치와 샘플이 정렬되기 훨씬 전인 지속적 통합의 첫날부터, 클러스터에 표시되는 ADAS 이벤트나 도메인 전반에 파급되는 운전자 모드 변경 같은 핸드오프를 테스트해 볼 수 있습니다. 이 방식을 이용하면 개발자는 프로세스가 끝나기 훨씬 전에 다중 도메인 통합을 발견하여, 처음부터 지속적으로 테스트를 수행할 수 있습니다.

완전 자율 차량의 최첨단

이 작업의 핵심은 차량 내에서 가장 작고 흔한 노드인 마이크로칩과 제어 모듈에까지 확장 가능한 소프트웨어 개발을 도입한다는 공동 목표의 실현입니다. 지금까지 이러한 부품은 하드웨어에 연결되어 왔기에, 완전한 소프트웨어 정의 차량 구현의 가장 큰 걸림돌이 되고 있기 때문입니다.

궁극적인 목표는 클라우드에서 실행되는 동일한 소프트웨어가 차량의 실제 제어 모듈에서 실행되며, 별도의 도구 변경이나 재검증 없이도 두 환경을 전환할 수 있게 하는 것입니다. 클라우드와 자동차가 동일한 명령어 집합을 공유하기 때문에, Arm 기반 Google Cloud 인프라에서는 이러한 호환성이 자연스럽게 이루어집니다. Google의 Axion을 이용하면 이 작업을 간단하게 수행할 수 있습니다. 베어메탈 Arm 인스턴스인 C4A 메탈은 자동차 시스템 개발과 Android 소프트웨어 개발을 위해 명시적으로 제공되며, 불필요한 소프트웨어 레이어 없이 하드웨어에 직접 액세스할 수 있게 하며, 차량 시스템에 필요한 일관된 성능을 제공합니다.

종합해 보면 이러한 통합 시스템 덕분에 팀은 사상 처음으로 클라우드 환경에서 전체 차량 시스템을 개발하고 통합 테스트를 수행한 후, 다시 작성하지 않고도 이를 실제 차량에 적용할 수 있게 되었습니다.

지금 시작해야 하는 이유와 시작하는 방법

이러한 이점은 추상적인 이점이 아닙니다. 차량을 코드처럼 취급하고 통합 과정을 클라우드로 이전하면, 프로그램 개발 과정에서 가장 느리고 비용이 많이 드는 단계를 단축할 수 있습니다. RemotiveLabs와 초기에 협력한 고객은 통합 주기가 10배 이상 단축되었습니다. 이제 개발 루프는 하드웨어 루프보다 더 빠르게 변화하고 있습니다. AI 지원 및 에이전트형 워크플로는 차량 소프트웨어를 신속하게 생성, 테스트 및 개선할 수 있지만, 필요한 규모를 충족시킬 수 있는 것은 가상 시스템뿐입니다. 가상화할 수 없는 모든 요소는 전체 개발 프로세스를 지연시킬 수 있습니다.

RemotiveTopology는 이 아키텍처를 코드형 차량으로 제공하며 개발자와 테스터 및 자율 AI 에이전트 모두가 액세스할 수 있습니다. 무엇보다 좋은 점은 새로운 서드 파티 도구를 도입하지 않고도 시작할 수 있다는 것입니다. 그 대신 RemotiveLabs는 표준 Linux 도구와 이미 마련된 플랫폼 정의를 통해 누구나 몇 분 만에 실행할 수 있는 오픈소스 간소화 차량을 GitHub에 게시합니다. 제조업체나 1차 공급업체가 확장되면 기존 전체 도구 모음이 플러그인되며 RemotiveTopology를 Arm 기반 Google Cloud 환경에 쉽게 적용할 수 있습니다.

가상 개발이 조종석에만 적용되는 소프트웨어 정의 차량을 개발하는 분은, 이제 오픈소스 예제를 바탕으로 시작하여 독자적인 플랫폼 정의를 도입하고 클라우드에서 전체 차량을 구동해야 합니다. RemotiveTopology는 Horizon에서 지원되므로 다른 Horizon 모듈과 함께 쉽게 사용할 수 있습니다.

자율성 설계: 생명공학 분야의 고성능 컴퓨팅, 거버넌스형 에이전트를 위한 설계 패턴

Sun, 25 Oct 2026 19:00:00 +0000

오늘날 프로덕션 시스템에서 대부분의 AI 에이전트는 경량 디스패처로 작동합니다. AI 에이전트는 프롬프트를 파싱하여 API 호출을 수행하고, 레코드를 검색 후, 제어권을 다시 넘겨줍니다. 또한 실행 속도가 빠르고, 스테이트리스(Stateless)이며, 비용이 저렴합니다. 하지만 생명공학 분야에서는 이런 방식으로 작동하지 않습니다.

단백질 표적 접힘 구조를 예측하고, 50,000개의 화합물 리간드 라이브러리를 스크리닝하거나, 구조-활성 관계(SAR)를 평가하는 것은 빠른 API 조회로 해결할 수 있는 일이 아닙니다. 이러한 워크로드는 특화 실리콘 칩에서 몇 분 또는 몇 시간 동안 실행되는 지속적이고 스테이트풀(Stateful)한 GPU 집약적 시뮬레이션입니다. 범용 대규모 언어 모델(LLM) 엔드포인트에 복잡한 신약 개발 워크플로를 조정하도록 요청하면 표준 패러다임이 깨집니다. 타임아웃이 발생하고, 컨텍스트 윈도우가 원자 좌표로 넘쳐나며, 독점적인 화학 지식 재산(IP)이 외부 네트워크에 노출될 위험이 있습니다.

엔터프라이즈급 연구 개발(R&D) 에이전트를 빌드하려면 모놀리식 어시스턴트 모델을 넘어서야 합니다. 이 블로그 게시물에서는 인지 조정(두뇌)과 연산 실행(근육)을 분리하고, 두 가지를 모두 엔터프라이즈 거버넌스 플레인 내에 통합하여 생명공학 분야의 신약 개발 사용 사례에 활용할 수 있는 확장 가능한 에이전트를 빌드하는 3계층 아키텍처 활용법을 다룹니다.

3계층 패턴

아래의 참조 아키텍처는 생명공학, 특히 신약 개발 분야에서 고성능 컴퓨팅 자율 에이전트를 설계, 최적화, 거버넌스를 적용하는 방법을 보여줍니다.

그림 1 — 3계층 패턴: 인지 조정자(두뇌), 확장 가능한 GPU 실행 계층(근육), 엔터프라이즈 거버넌스 플레인

실행 계층: 근육 확장 - 고성능 컴퓨팅 실행

실행 계층은 고부하 과학 계산을 담당합니다. 첫 번째 아키텍처 결정은 워크로드를 실행할 위치를 정하는 것입니다.

전략적 독점 파이프라인에는 보안 경계 내에 전용 GPU 인프라가 필요합니다.
일상적이거나 표준화된 워크로드는 관리형 클라우드 엔드포인트에 안전하게 맡길 수 있습니다.

이 아키텍처에서 단백질 접힘은 ESMFold가, 생성형 설계는 GenMol이 주도합니다. 두 모델 모두 NVIDIA Inference Microservices(NIM)로 실행됩니다. NIM은 NVIDIA RTX PRO 6000 Blackwell GPU 기반 G4 VM을 사용하여 Google Kubernetes Engine(GKE)에 배포됩니다.

컨테이너화된 GPU 워크로드의 주요 걸림돌은 콜드 스타트 페널티, 즉 이미지 레지스트리에서 수 기가바이트의 모델 가중치를 가져와 GPU 메모리(VRAM)에 스테이징하는 데 걸리는 지연 시간입니다.

짧은 지연 시간의 응답성을 보장하기 위해 다음 권장사항을 참조 아키텍처에 반영했습니다.

웜 풀 유지: GKE 노드 풀을 최소 하나의 활성 노드에 고정합니다.
가중치 미리 로드: 포드 초기화 시 모델 가중치가 VRAM에 직접 로드되므로 컨테이너에서 즉시 추론이 가능합니다.
복원력 있는 스케줄링: GKE는 기본 VM 인프라를 해체하지 않고도 포드 수명 주기를 관리하고 실패한 인스턴스를 다시 시작합니다.

이 접근방식은 커스텀 수동 CUDA 커널 조정 대신 NVIDIA의 사전 컴파일하여 컨테이너화된 런타임을 활용하여 인프라 엔지니어링 오버헤드를 크게 줄이면서 결정론적 처리량을 보장합니다.

생명공학 분야에서 화학 구조는 수백만 달러의 가치를 지닌 독점적 지식 재산에 해당합니다. 도킹 요청은 회사 외부로 절대 유출되어서는 안 되는 SMILE 문자열 또는 3D 좌표 행렬을 전송합니다.

컨테이너화된 NIM은 빠른 프로토타입 제작과 엄격한 데이터 격리 사이의 마찰을 해결합니다. 초기 탐색 분석 단계에서 연구원은 NVIDIA 호스팅 엔드포인트를 쿼리할 수 있습니다. 독점적인 리드 후보 물질로 전환할 때 정확히 동일한 컨테이너가 비공개 VPC 내의 GKE에 배포됩니다. 에이전트의 조정 로직은 동일하게 유지되며, 대상 URI만 외부 프록시에서 내부 VPC 엔드포인트로 업데이트됩니다. 분자 구조 데이터는 기업 경계 외부로 유출되지 않습니다.

인지 계층: 멀티 에이전트 추론

컴퓨팅 실행이 격리된 상태에서 인지 계층은 에이전트형 워크플로 시퀀싱을 관리합니다. Gemini 플랫폼 내의 Agent Runtime을 기반으로 빌드된 이 참조 아키텍처는 계층적 멀티 에이전트 구조, 하나의 리드 조정자, 두 개의 전문 도메인 하위 에이전트(리드 최적화 및 안전성 스크리닝)를 배포하는 시스템을 보여줍니다. 멀티 에이전트 설계는 당면한 사용 사례에 맞게 수정할 수 있습니다.

이 설계를 기반으로 최종 사용자가 '표적 X에 대해 후보 4b를 분석하고 SAR 보고서 작성'과 같은 상위 수준의 작업을 제출하면, 시스템은 아래에서 설명하는 4가지 핵심 조정 패턴을 적용합니다.

인 프로세스 네이티브 에이전트 핸드오프: 리드 조정자는 네트워크 직렬화 방식의 에이전트 간 HTTP 프로토콜이 아닌 Agent Runtime의 네이티브 SDK를 사용하여 전문 하위 에이전트에 작업을 위임합니다. 이렇게 하면 중간 네트워크 홉이 제거되어 내부 핸드오프가 즉각적으로 처리됩니다. 가장 바깥쪽 경계만 Gemini 에이전트와 같은 사용자 대상 인터페이스로 외부와 통신합니다.
참조를 통한 대용량 페이로드 전달: LLM이 대규모 3D 공간 좌표 배열을 직접 처리해야 할 때 빠르게 성능이 저하됩니다. 이 아키텍처에서는 원시 구조 데이터(PDB 파일, 도킹 포즈, 궤적 로그)가 Cloud Storage에 직접 기록됩니다. 에이전트는 서명된 경량 객체 URI와 상위 수준의 구조적 요약을 전달하여 컨텍스트 윈도우를 간결하게 유지하고 추론 비용을 절감합니다.
생화학적 추론과 워크플로 로직 분리: 범용 LLM은 작업 계획 및 합성에 탁월하지만 생화학적 세부정보에서 할루시네이션 현상이 발생하는 경향이 있습니다. 이러한 동작을 제어하기 위해 이 아키텍처는 관심사의 분리를 엄격하게 유지합니다. 즉, Gemini가 워크플로와 작업 분해를 처리합니다. 도메인 화학 및 약리학적 추론은 전용 GPU 노드에서 호스팅되는 특화된 Nemotron 모델에서 처리됩니다.
엄격한 기준 대신 맥락 중심으로 평가: 기존의 계산 스크리닝 방식은 임의의 수치 기준을 적용합니다(예: 결합 친화도가 -7.5kcal/mol 미만인 경우 폐기). 그러나 치료적 맥락 방식은 위험 허용 범위를 근본적으로 변경합니다. 건강한 일반인이 매일 복용하는 예방적 심혈관 치료제에는 매우 엄격한 안전성 마진이 필요한 반면, 난치성 암을 표적으로 하는 새로운 항암제 후보 물질은 효능이 입증되면 더 높은 독성을 수용할 수도 있습니다.

질환 맥락 정보를 전문 추론 모델에 직접 전달하면 약물 후보를 정적 기준이 아닌 동적인 표적에 특화된 프로필에 따라 평가하게 되므로, 유효한 리드 물질이 조기에 배제하는 것을 방지할 수 있습니다.

고성능 컴퓨팅 파이프라인의 성능 권장사항

대규모 GPU 컴퓨팅과 연동하는 에이전트형 시스템을 최적화하려면 일반적인 엔지니어링 통념에서 벗어날 필요가 있습니다.

일반적인 가정	실제 아키텍처	권장사항
'더 빠른 드라이버 모델로 교체하여 지연 시간을 줄입니다.'	기본 조정자의 토큰 생성은 다단계 R&D 파이프라인에서 병목 현상이 발생하는 경우가 거의 없습니다.	토큰 속도가 아닌 I/O 최적화: 조정자 추론 깊이를 타협하기보다는 페이로드 크기와 중간 네트워크 홉을 줄이는 데 집중합니다.
'작업자 간에 도구 호출을 병렬화합니다.'	외부 과학 서비스와 컨테이너화된 모델은 전용 하드웨어에서 내부적으로 요청을 순차 처리하는 경우가 많습니다.	실행 토폴로지 준수: 클라이언트 측 동시 실행을 백엔드 큐 메커니즘과 일치시켜 파이프라인 잠김 및 연결 시간 초과를 방지합니다.
'도구 간에 전체 시뮬레이션 상태를 전달합니다.'	대규모 JSON 본문은 스키마 검증 실패, 프롬프트 잘림, 토큰 비대화를 유발합니다.	참조로 대용량 페이로드 전달: 원시 좌표를 객체 스토리지에 저장하고 에이전트 경계 간에 경량 URI를 전달합니다.
'파이프라인이 완료된 경우에만 출력을 반환합니다.'	실행 시간이 몇 분 이상 걸리는 경우 과학자는 작업이 진행 중인지 아니면 중단되었는지 파악하기 어렵습니다.	중간 단계 완료 스트리밍: 각 마일스톤이 완료될 때마다 진행 상황 업데이트를 전송하여(예: 폴딩 완료, 도킹 실행 중) 실시간 정보를 파악합니다.
'세분화된 여러 마이크로 도구를 연결합니다.'	도구 체인이 깊어지면 할루시네이션 인수와 스키마 불일치가 발생할 가능성이 높아집니다.	컴퓨팅 파이프라인 축소: 명확한 파라미터를 사용하고 통합 객체를 반환하는 깔끔한 단일 도구 인터페이스로 엔드 투 엔드 시뮬레이션 파이프라인을 래핑합니다.

엔터프라이즈 거버넌스와 비대칭적 자율성

엔터프라이즈 환경에 고성능 컴퓨팅 에이전트를 배포하려면 강력한 데이터 주권, 감사 추적, 프로세스 제어가 필요합니다. Gemini 플랫폼은 다음 구성요소를 통해 이러한 보호 수단을 기본 기능으로 제공합니다.

에이전트 아이덴티티: 모든 자율 에이전트는 암호화 방식으로 검증 가능한 ID로 작동합니다. 따라서 생명공학 분야의 사용 사례에서 후보 분자가 채택되거나 거부되면 해당 이벤트가 특정 에이전트 보안 주체에 영구적으로 로깅됩니다.
Agent Gateway: 이 구성요소는 경계 내의 모든 상호작용에 대한 단일 인그레스/이그레스 지점 역할을 합니다. 중앙 집중식 IAM과 리전별 저장 위치 규칙은 민감한 분자 데이터가 지정된 클라우드 리전 내에 유지되도록 보장합니다.
Agent Registry: 이 기능은 승인된 에이전트, 검증된 도구 스키마, 승인된 모델 컨텍스트 프로토콜(MCP) 서버의 선별된 카탈로그를 유지하여 프로덕션에서 악성 도구가 실행되는 것을 방지합니다.
Model Armor: 이 기능은 수신 프롬프트와 발신 페이로드를 실시간으로 검사하여 프롬프트 인젝션과 데이터 무단 반출을 방지합니다.

성과는 명확합니다. ID, RBAC, 감사, 저장 위치, 데이터 보호는 Gemini 플랫폼의 기본 속성입니다. 이를 통해 기업 고객은 프로젝트마다 규정 준수 스택을 일일이 구축할 필요 없이 과학 연구 개발에 집중할 수 있습니다.

중요한 연구 개발에서 완전한 자율성은 감당하기 어려운 책임을 초래하는 반면, 사소한 단계까지 승인을 요구하면 불편함이 발생할 수 있습니다. 이 문제를 해결하기 위해 다음과 같은 방식으로 비대칭 게이팅을 적용합니다.

되돌릴 수 있는 작업 자동화: 예를 들어 에이전트가 연구원의 개입 없이 자율적으로 화학 명명 동의어를 해결하고, PDB 구조 데이터를 가져오며, 예비 리핀스키 스크리닝을 실행할 수 있도록 허용합니다.

되돌릴 수 없는 작업 제어: 예를 들어 멀티 GPU 도킹 작업을 시작하거나, 리드 물질을 습식 실험실 합성 단계로 진행하거나, 치료 프로그램을 보관처리하는 작업에는 담당자의 명시적인 승인이 필요합니다.

패턴과 앞으로 나아갈 방향

고성능 컴퓨팅 자율 에이전트는 인지 계획, 수치 계산, 시스템 거버넌스 간의 경계가 다음과 같은 방식으로 명확할 때 성공합니다.

조정자는 분해와 합성에 집중하고, 집약적인 생물물리학적 시뮬레이션은 컨테이너화된 전문 마이크로서비스와 모델에 맡깁니다.
클라우드 스토리지를 통해 복잡한 화학 데이터를 참조로 전달하여 컨텍스트 비대화를 제거합니다.
암호화 에이전트 ID와 비대칭적 담당자 감독을 결합하여 엔터프라이즈 거버넌스에 워크플로의 기반을 둡니다.

생성형 및 구조 생물학 모델이 전체 세포 모델링과 복잡한 동적 시뮬레이션으로 확장됨에 따라, 이 분리된 아키텍처는 독점 IP를 안전하고 감사 가능하게 유지하는 동시에 연구 시스템을 효율적으로 확장할 수 있도록 보장합니다.

이와 같은 사용 사례를 구축하기 위한 요구사항이 있는 경우 Google 영업 담당자에게 문의해 주세요. Google Cloud에서 에이전트 개발 여정을 함께 논의하고 지원해 드리겠습니다.

에이전트 플러그인 빌드를 통해 배운 4가지 평가 엔지니어링 교훈

Sun, 25 Oct 2026 19:00:00 +0000

에이전트형 시스템을 빌드할 때의 진정한 과제는 시스템을 만드는 것 자체가 아니라 측정하는 일입니다.

평가 엔지니어링은 신뢰할 수 있는 AI 시스템을 빌드하기 위한 중요한 기반입니다. 에이전트의 실제 동작을 측정하기 위해 체계적이고 반복 가능한 테스트를 설정하는 것은 신뢰할 수 있는 도구를 출시하느냐 아니면 소리 없이 중단되거나 API 호출에 실패하거나 실수를 하는 도구를 내놓느냐를 결정짓는 차이가 될 수 있습니다.

저는 Google에서 수년간 평가 엔지니어링 이니셔티브를 이끌어 왔습니다. 이번에 새로 출시된 Google Cloud Developer 플러그인 개발 과정은 실제 개발자 워크플로 전반에서 이러한 핵심 원칙들을 스트레스 테스트해 볼 수 있는 실시간 테스트베드 역할을 했습니다.

새로운 플러그인을 빌드하면서 얻은 4가지 평가 교훈을 소개합니다. 이 교훈을 여러분의 빌드에 적용해 보세요.

1. 요약 대신 실행 단계 평가

에이전트를 처음 평가할 때 LLM-as-a-judge를 설정하여 에이전트의 최종 텍스트 대답을 검사하고 체크리스트를 기준으로 점수를 매겼습니다. 하지만 평가자는 에이전트가 실제로 수행한 작업이 아니라 작성한 내용만 볼 수 있기 때문에, 이러한 방식에는 근본적인 결함이 있다는 사실을 금방 깨달았습니다. Google Cloud Developer 플러그인을 위해 초기 11개 프롬프트로 구성된 평가 세트를 실행했을 때, 자동 채점기는 3개의 프롬프트에서 실패한 것으로 판정했습니다. 하지만 원시 도구 호출 로그를 열고 스크립트를 읽어 보니 플러그인이 실제로 3가지 항목을 모두 통과한 상태였습니다. 예를 들어 Cloud Run 정리 프롬프트의 경우, 기준표에 따라 실제 작업을 수행하기 전에 명령어 문법이 올바른지 먼지 확인해야 했습니다. 에이전트는 가장 먼저 gcloud help run services list를 실행했습니다. 에이전트는 작업을 제대로 수행했지만, 최종 메시지에서는 도움말 문서를 확인했다는 사실을 언급하는 대신 사용자에게 영구적인 데이터 손실 가능성을 경고하는 데 집중했습니다.

평가자는 에이전트가 요약에서 성과를 자랑하지 않았다는 이유만으로 할 일을 제대로 수행한 에이전트에게 불이익을 주었습니다. 기준표에 'X를 실행했나요?'라는 항목이 있더라도, 실제 도구 호출 궤적을 평가하지 않는다면 LLM 심사자는 추측에 의존할 수밖에 없습니다.

핵심 요약: 에이전트의 마지막 답변 내용만 보고 성능을 평가하지 마세요. 원시 실행 궤적을 평가하여 실제로 어떤 명령어가 실행, 검증, 범위 지정되었는지 확인합니다.

2. 비동기 작업을 위한 평가 설계

도구 호출 궤적을 분석할 때는 무엇을 읽느냐 못지않게 원격 분석 데이터를 어떻게 추출하느냐가 중요합니다. 에이전트 원격 분석 데이터를 평면화된 순차적 이벤트 목록으로 추출하면 도구의 동시 디스패치가 가려지게 되는데, 이는 동작 실패의 주요 원인 중 하나입니다. 최신 에이전트 하네스는 호출 배열을 사용하여 여러 도구 호출을 단일 어시스턴트 턴으로 묶어 일괄 처리하는 경우가 많습니다.

평가에서 에이전트가 환경을 검사하고 문서를 조회하도록 요청받았을 때, 하네스는 단일 tool_calls 페이로드 내에서 스킬 로드 호출과 두 개의 문서 검색을 동시에 디스패치했습니다. 스킬 활성화는 다단계 프로세스로 이루어집니다. 초기 호출에서는 짧은 실행 스텁만 반환되고 이후 차례에서 전체 요청 사항 본문이 삽입되므로, 검색을 제어해야 할 요청 사항이 시스템에서 이미 검색을 실행한 후에야 프롬프트 컨텍스트에 도달하게 됩니다.

시스템은 스킬에 전용 차례를 부여하지 않아 스킬의 안내가 에이전트의 행동에 영향을 미치지 못했습니다. 원격 분석 파이프라인이 턴 구조를 제거하고 호출을 평면 타임라인으로 병합하면 엔지니어는 개발자가 스킬에 삽입한 명확한 요청 사항을 에이전트가 왜 무시했는지 파악하느라 며칠씩 시간을 허비하게 될 것입니다.

핵심 내용: 원격 분석 추출기에서 턴 구조를 유지해야 삽입된 안내가 컨텍스트 윈도우에 반영되기 전에 클라이언트 측의 병렬 디스패치가 도구 호출을 먼저 실행하는 문제를 파악할 수 있습니다.

3. 실시간 실행과 '드라이 런'을 나란히 테스트

병렬 디스패치와 같은 하네스 특유의 문제를 파악하려면 실제 API 호출을 면밀히 검사해야 합니다. 하지만 한 가지 환경 조건에서만 에이전트를 테스트한다면 반쪽짜리 테스트에 불과합니다. 첫날부터 실시간 실행과 계획 전용 실행이라는 두 가지 조건을 나란히 실행해야 합니다. 실제 조건에서 에이전트는 실제 샌드박스 처리된 사용자 인증 정보를 가지고 실제로 명령어를 실행합니다. 이를 통해 문법이 작동하는지, 파라미터가 깔끔하게 직렬화되는지, 에이전트가 파괴적인 작업을 수행하기 전에 제약을 가하는지 확인할 수 있습니다.

실시간 실행은 2단계에서 예기치 않은 권한 오류가 자주 발생하며 테스트하려는 동작에 도달하기 전에 중단됩니다. 따라서 사용자 인증 정보를 삭제하고 에이전트에게 아무것도 실행하지 않고 무엇을 할 것인지 설명하도록 지시하는 계획 전용 조건이 필요합니다. 이렇게 하면 권한 문제라는 걸림돌이 사라져 모델의 순수한 추론 및 라우팅 의도를 명확히 파악할 수 있습니다. 가장 중요한 발견의 절반 정도는 두 실행 방식의 차이에서 얻은 결과였습니다.

예를 들어 온보딩 프롬프트 중 하나에서 프로젝트 목록 호출 시 실시간 실행이 즉시 차단되었습니다. 계획 전용 실행은 순조롭게 진행되어 조직 정책, 관리자 승인, 거버넌스를 완전히 무시하는 8,000자 분량의 계획을 생성했습니다. 실시간 실행에서는 드러나지 않았던 중대한 인지적 결함이 계획 전용 실행에서는 단 몇 초 만에 밝혀졌습니다.

핵심 내용: 실시간 평가와 계획 전용 평가를 나란히 실행합니다. 실시간 실행은 실제 실행 결과와 안전 제약 사항을 테스트하는 데 쓰이며, 계획 전용 실행은 권한 오류에 가로막히지 않고 모델 고유의 추론 능력과 라우팅 의도를 파악하는 데 유용합니다.

4. '골든 세트'를 지속 가능한 기준으로 사용

프런티어 모델 아키텍처는 몇 달 주기로 바뀌고, 에이전트 하네스는 계속해서 개선되며, 플러그인 매니페스트 표준 또한 필연적으로 진화할 것입니다. Google Cloud Developer 플러그인을 빌드할 때, Google은 이러한 비결정적 환경에 대한 평가를 지속적 통합 테스트의 일환으로 간주했습니다. 즉, 하네스, 라이브 모델, 도구가 실제 작업 환경에서 함께 작동하는 복합 스택 전체를 대상으로 스트레스 테스트를 진행했다는 의미입니다.

이 접근 방식은 최종 텍스트 출력만 보고 결과를 추측하는 대신, 에이전트의 사고 과정부터 실제 실행 명령어, 시스템을 망가뜨리지 않고 문제를 해결했는지 여부까지 전체 실행 궤적을 파악합니다. 그런 다음 이상적인 경로가 무엇인지 숙지하고 있는 실제 전문가가 선별한 '골든 세트'를 기준으로 해당 실행 결과의 점수를 매깁니다.

핵심 요약: 하네스, 모델, 플러그인을 포함한 전체 시스템이 실제 현장에서 어떻게 작동해야 하는지를 기준으로 골든 세트를 빌드합니다. 모델은 계속해서 변하지만 이러한 기준 실행은 안전망 역할을 합니다.

알림: '원샷' 데모 대신 평가 세트를 활용해야 합니다.

엔지니어들이 흔히 저지르는 실수는 제가 이른바 원샷 데모라고 부르는 방식입니다. 이는 누군가 LLM에 프롬프트를 입력하고, LLM이 완전한 3D 게임을 빌드하거나 루빅 큐브를 한 번에 맞추는 것을 지켜본 후 평가라고 부르는 경우를 말합니다. 하지만 실제로는 허황된 측정항목일 뿐입니다.

AI로 수준 높은 결과물을 만들어내려면, 평가 세트가 필요하다고 생각합니다. 평가가 없으면 팀은 말 그대로 어두운 동굴 속을 눈을 가리고 달리는 것과 같습니다. 엔터프라이즈급 에이전트를 엔지니어링한다는 것은 다단계 상호작용을 처리하고, 권한을 관리하며, '비용 절감 기회를 찾아줘'라는 요청에 따라 실수로 프로젝트를 삭제하는 것과 같은 파괴적인 결과를 방지하는 시스템의 능력을 테스트하는 것을 의미합니다.

다음 단계

에이전트 플러그인이나 MCP 서버를 빌드하는 것은 단지 시작일 뿐입니다. 실제 클라우드 인프라에서 신뢰할 수 있는 무언가를 제공하려면, 모델이 예상대로 작동하는지 확인하기 위한 훨씬 더 심도 있는 평가 작업이 필요합니다. 결국 모델의 급격한 변화 속에서도 변치 않는 가치를 지니는 것은 스트레스 테스트를 거친 평가 제품군입니다. Google Cloud Developer 플러그인 문서를 확인하거나 이 Codelab을 살펴보고 Antigravity에서 플러그인을 시작하세요.

Google, 2026년 IDC MarketScape의 에이전트 AI 플랫폼 부문에서 리더로 선정

Sun, 25 Oct 2026 19:00:00 +0000

많은 조직이 AI를 활용하여 비즈니스를 혁신함에 따라, 원시 모델 인텔리전스 자체가 핵심 과제가 아니라는 점이 분명해졌습니다.

많은 이들이 지속적으로 말하는 핵심 과제는 품질, 통합, 보안, 거버넌스에 대한 핵심 요구사항을 충족하면서도 회사 전반에 에이전트를 배포하는 일입니다.

Gemini는 엔터프라이즈 전반에 이러한 통합된 기반을 제공합니다. Google이 제1회 IDC MarketScape: 2026년 전 세계 에이전트 AI 플랫폼 공급업체 평가에서 리더로 선정된 이유도 바로 여기에 있습니다1.

IDC MarketScape 공급업체 분석 모델은 특정 시장에서 기술 및 공급업체의 경쟁력을 간략히 알아볼 수 있도록 고안되었습니다. 이 연구 방법론은 정성적 기준과 정량적 기준 모두를 기반으로 엄격한 채점 방법론을 사용하여 특정 시장 내에서 각 공급업체의 입지를 하나의 그래프로 보여줍니다. 역량 점수는 단기간의 공급업체 제품, 출시 현황, 비즈니스 운영 능력을 측정합니다. 전략 점수는 3~5년간 공급업체 전략이 고객 요구사항에 얼마나 부합했는지를 측정합니다. 공급업체의 시장점유율은 아이콘 크기로 표현됩니다.

실제 업무 현장을 지원하는 Gemini

실용적인 에이전트 플랫폼은 실제 업무 현장에서 업무를 지원하고, 프로덕션급 제어 체계를 바탕으로 운영되어야 합니다. Gemini는 거버넌스를 저해하지 않으면서도 개발 속도를 높일 수 있도록 설계되었으며, 다음과 같은 4가지 핵심 차별화 요소를 중심으로 빌드되었습니다.

1. 빌더와 비즈니스팀을 연결하는 플랫폼

Gemini에서는 모든 플랫폼이 보편적인 단일 기반에 다시 연결됩니다.

팀이 이미 업무를 실행 중인 환경: 직원들은 Google Workspace, Microsoft 365 또는 팀 채팅 내에서 Gemini와 직접 협업할 수 있으며, 에이전트는 도구를 전환하지 않고도 데스크톱과 모바일 환경에서 동일한 지속적 메모리, 스킬, 및 엔터프라이즈 권한을 유지합니다.
선택의 폭을 넓혀주는 빌더 도구: Gemini 플랫폼은 개발자가 원하는 작업 방식을 지원합니다. 스튜디오 내의 노코드 및 로우코드 빌더부터 에이전트 개발 키트(ADK) 및 Antigravity를 활용한 코드 우선 워크플로우에 이르는, 다양한 작업 방식을 사용할 수 있습니다.
조직 전반에서 축적되는 워크플로: 팀이 복잡한 워크플로를 해결하면, 이를 단일한 공유 스킬로 패키징하여 중앙 에이전트 레지스트리에 게시할 수 있습니다. Gemini는 이러한 스킬을 직접 활용하여 업무를 수행함으로써, 검증된 절차를 회사 전체에서 재사용 가능한 자산으로 전환합니다.

2. 다양한 모델, 엔터프라이즈 데이터 및 도구에 적용되는 철저한 개방성

사용자가 소프트웨어에 적응하는 대신, 사용 중인 소프트웨어에 Gemini가 적응합니다.

모델 선택: Gemini 플랫폼의 Model Garden을 이용하면 팀은 200개 이상의 모델에 직접 액세스할 수 있습니다. Gemini 4 Argon 같은 Google DeepMind의 모든 혁신적인 모델은 물론, 최신 Anthropic 모델과 제3자 및 개방형 모델을 첫날부터 이용할 수도 있습니다.
엔터프라이즈 데이터 기반: Gemini는 BigQuery 및 Cloud Storage의 Google Cloud 전반에 저장된 실시간 엔터프라이즈 데이터는 물론, Salesforce와 SAP 같은 다양한 플랫폼에 저장된 데이터에도 직접 연결됩니다. Gemini는 각 직원의 기존 사용자 인증 정보를 상속하기 때문에, 민감한 정보는 소스에서 계속 관리됩니다.
개방형 표준: MCP 및 A2A 같은 개방형 프로토콜을 기반으로 빌드된 Gemini는 사용자의 기존 툴체인에 손쉽게 연결되어, 다양한 벤더가 혼재된 환경에서도 원활하게 통신할 수 있습니다.

3. 더 스마트한 토큰 경제

Gemini는 실행 레이어에서 직접 비용, 지연 시간과 성능을 최적화합니다.

작업에 적합한 모델 매칭: 기본적으로 Gemini는 사용자에게 자동 모드를 적용하기 때문에, 플랫폼은 작업의 각 단계에 적합한 모델을 동적으로 매칭할 수 있습니다. 기본적으로 Gemini Flash 같은 고성능 모델을 사용하며, 작업의 복잡성 때문에 반드시 필요한 경우에만 고용량 프런티어 추론 모델로 전환합니다.
재사용 가능한 스킬: 팀은 검증된 프로세스를 공유 스킬로 패키징할 수 있습니다. 에이전트는 이러한 확립된 절차에 따라 작업을 실행할 수 있으므로, 일관성이 향상되고 회사 전반에서의 반복적인 토큰 소비가 줄어듭니다.
예산 보호 장치: 관리자는 결제 콘솔에서 프로젝트, 부서 또는 개별 에이전트별로 지출 한도를 설정할 수 있습니다. 예산 기준점에 도달하면 새로운 요청은 일시 중지되고 현재 진행 중인 작업은 완료될 때까지 허용되므로, 재무팀과 엔지니어링팀은 진행 중인 작업을 갑자기 중단하는 일 없이 예측 가능한 비용 제어를 수행할 수 있습니다.

4. 기본 제공되는 거버넌스와 보안

Gemini는 엔터프라이즈 거버넌스를 기본적으로 통합하며 추가 비용이 발생하지 않습니다.

전용 에이전트 ID: 모든 에이전트는 최소 권한 원칙에 의거하여 관리되는 고유한 인증 ID를 받습니다. 에이전트가 작업을 수행하면, 모든 이벤트는 해당 에이전트의 ID 및 해당 작업을 수행하기 위해 에이전트를 사용했던 사용자의 ID와 직접 연결된 감사 추적에 기록됩니다.
격리된 샌드박스: 샌드박스 경계는 동적 작업을 엄격하게 격리하여 기본 인프라, 핵심 네트워크 및 민감한 기업 데이터가 노출되거나 침해되지 않게 합니다.
정책 시행: Agent Gateway는 모델의 자체 제어 기능에 의존하는 대신 기업 보안 정책을 자동으로 적용하고, 데이터 유출을 차단하며, 에이전트가 명시적인 액세스 권한이 부여된 항목에만 액세스하게 합니다.

앞으로의 방향

Gemini의 핵심 목표는 개발자들은 다양한 선택지를 이용하고 팀원들은 완전한 신뢰를 바탕으로 협업할 수 있는, 개방적이고 신뢰할 수 있는 플랫폼을 제공하는 것입니다.

IDC MarketScape에서 Google을 리더로 선정한 일은 대단한 영광이며, 앞으로도 고객 여러분과 함께 이 여정을 계속해 나갈 수 있기를 기대합니다.

IDC MarketScape: 2026년 전 세계 에이전트 AI 플랫폼 공급업체 평가 발췌문을 다운로드하여 Google이 리더로 선정된 이유를 확인해 보세요.

_{1. 출처: '2026년 전 세계 에이전트 AI 플랫폼 공급업체 평가', 2026년 10월, IDC # US54140926.}

Gemini 에이전트가 스타트업에 미치는 영향

Thu, 22 Oct 2026 17:00:00 +0000

소규모 팀, 짧은 생존 기간, 더 빠르게 출시해야 한다는 끊임없는 압박감은 Google for Startups에서 함께 일하는 창업자들 사이에서 매일 볼 수 있는 현실입니다. 회사를 처음부터 일궈 나갈 때, 운영 오버헤드나 인프라 구축 같은 부수적인 작업에 소비하는 한 시간은 곧 핵심 제품에 집중할 수 있는 시간을 한 시간 빼앗기는 것과 같습니다.

지난주 Gemini at Work 2026에서 Gemini 에이전트를 소개했습니다. Gemini 에이전트는 개인 어시스턴트이자 팀의 전담 구성원으로 기능하도록 설계된 단일 범용 에이전트입니다. 이번 주에는 여러 단계로 이루어진 긴 작업에서도 컨텍스트를 유지하도록 설계된 새로운 프런티어 모델인 Gemini 4 Argon을 정식 출시했습니다.

Gemini 에이전트의 작동 방식과 창업자를 위한 5가지 실용적인 팁, 스타트업이 Gemini 에이전트를 활용해 어떻게 기대 이상의 성과를 내고 있는지 자세히 알아보세요.

Gemini 에이전트란 무엇인가요?

글쓰기, 코딩, 데이터 분석을 위해 각각의 챗봇에 프롬프트를 입력할 필요 없이, Gemini 에이전트는 상위 수준의 목표만 설정하면 완성된 결과물을 도출해 주는 단일 에이전트입니다. Gemini 에이전트는 다음 세 가지 원칙을 바탕으로 정의됩니다.

통합성: 이제 단일 에이전트가 지식 작업, 데이터 분석, 광고 애셋 생성, 코드 작성 및 실행을 처리할 수 있습니다. 복잡한 작업의 경우 임시로 작업별 하위 에이전트를 동적으로 가동하고 병렬 또는 순차적으로 작업을 조정합니다.
어디서나 액세스 가능: 웹, 명령줄, 데스크톱, 모바일 등 매일 사용하는 환경에서 작동하며 Gmail, Docs, Sheets, Slides, Drive, Chat, Calendar 내에서 기본적으로 작동합니다.
지속성: 클라우드에서 실행되며 네 가지 차원(세션, 시맨틱, 절차, 에피소드)에 걸쳐 연속적인 메모리를 유지합니다. 신입 사원처럼 스스로 온보딩하여 팀, 도구, 비즈니스 컨텍스트를 학습하므로 프롬프트를 입력할 때마다 스타트업에 대해 다시 설명할 필요가 없으며, 노트북을 닫은 후에도 며칠이 걸리는 작업을 계속 진행할 수 있습니다.

한 번에 5가지 역할을 해내야 하는 창업자에게 Gemini는 사용자의 캘린더, 프로젝트, 문서를 이미 완벽하게 파악하고 있는 디지털 비서실장과 같은 역할을 수행합니다. 시장 트렌드를 조사하고, Sheets에서 재무 모델을 구축하고, 이 두 가지를 피치 자료로 만들어 달라고 요청해 보세요. 각 단계에서 프로젝트 내용이나 목표가 무엇인지 반복해서 설명할 필요가 없습니다. 또한 사용자가 요청하기 전에 미리 알아서 작업합니다. 투자자가 이메일로 최신 제품 변경사항을 발표 자료로 요청하면, Gemini가 이를 감지하고 처리를 제안합니다. 클릭 한 번이면 작업이 완료되어 바로 공유하거나 검토할 수 있습니다.

스타트업을 위한 5가지 핵심 사항

1. 동료 에이전트와 스킬을 통해 성과 확대

개인 어시스턴트 외에도 팀 전체와 협업하는 영구적인 동료 에이전트를 만들 수 있습니다. 각 에이전트에는 자체 Workspace 계정, 이메일 주소, Drive 스토리지, 디렉터리 정보가 제공됩니다. 출시 코디네이터, QA 담당자, 재무 분석가와 같은 특정 역할을 정의하면 팀원이 Chat 스페이스에 에이전트를 추가하거나 Google Docs 댓글에서 @멘션하여 작업을 위임할 수 있습니다.

또한 에이전트에 재사용 가능한 스킬을 부여하거나 Gemini가 프로세스를 학습하면서 스스로 스킬을 만들도록 할 수도 있습니다. 예를 들어 BigQuery 및 Knowledge Catalog와 연동된 운영 보고 스킬을 활용하면, 팀원 누구나 일상적인 언어로 질문하여 실시간 보고서를 생성하고 저장할 수 있습니다. 한 번 저장된 보고서는 필요할 때마다 언제든 다시 실행할 수 있으며, 이때 추가 토큰 비용은 전혀 발생하지 않습니다. 또한 Gemini는 법률 및 금융 서비스를 시작으로, 사전 빌드된 전문 분야 솔루션도 제공합니다.

스타트업에 주는 가치: 동료 에이전트는 팀의 업무 역량을 즉시 높여줄 수 있으며, 스킬 기능을 활용하면 매번 토큰을 소모하지 않고도 투자자 보고나 운영 보고와 같은 반복적인 프로세스를 표준화할 수 있습니다.

2. 개방형 및 서드 파티 모델 선택

Gemini는 에이전트이며, 이를 구동하는 모델은 사용자가 선택할 수 있습니다. 스타트업의 아키텍처가 성숙해짐에 따라, 모든 작업을 단일 프런티어 모델로 처리하게 되면 총이익이 빠르게 줄어들 수 있습니다. Gemini 에이전트를 사용하면 Gemini 모델, Anthropic의 Claude와 같은 서드 파티 모델, Gemma와 같은 경량 개방형 모델 전반에서 워크로드를 동적으로 라우팅할 수 있습니다.

스타트업에 미치는 영향: 특정 플랫폼에 종속되지 않고 유연하게 모델을 선택할 수 있습니다. 대량의 결정론적 작업에는 컴팩트 모델을, 복잡한 추론에는 프런티어 모델을 활용해 작업당 비용을 최적화할 수 있습니다. 또한 제품이 발전하더라도 워크플로를 처음부터 다시 빌드할 필요 없이 모델만 교체할 수 있습니다.

3. 기존 서비스 및 도구와의 연동

에이전트의 유용성은 에이전트가 도달할 수 있는 시스템에 따라 달라집니다. Gemini 에이전트는 Google Workspace 외에도 파트너 솔루션을 포함한 엔지니어링, 데이터, 비즈니스 스택에 직접 연결됩니다.

개발 및 공동작업: Git, Slack, Jira 등
데이터 및 로컬 파일: BigQuery, Postgres, Snowflake, Databricks 등과 데스크톱에 있는 파일
MCP를 통한 커스텀 도구: 네트워크 내부 또는 외부의 모든 모델 컨텍스트 프로토콜(MCP) 서버를 통해 엔지니어가 내부 도구를 빌드하고 공유할 수 있습니다.

스타트업에 미치는 영향: 엔지니어링 주기를 맞춤 커넥터를 유지하는 데 소비하는 대신, 팀에서 에이전트를 기존 코드베이스, 데이터베이스, MCP 도구에 바로 연결하여 데이터가 어디에 있든 실시간 데이터에 대해 조치를 취할 수 있습니다.

4. 기본 제공되는 보안 및 거버넌스

B2B 스타트업의 경우 기업 보안 감사가 거래를 지연시키는 경우가 많습니다. 내부적으로 모든 에이전트에는 명확한 감사 추적을 위해 암호화된 에이전트 아이덴티티가 할당되고, 격리된 샌드박스 내에서 실행되며, 기본 제공되는 프롬프트 인젝션 방어 기능으로 보호됩니다. 외부 트래픽은 Agent Gateway를 통해 라우팅되므로 거버넌스 정책을 적용할 수 있습니다. 동료 에이전트는 모두 Workspace 계정을 가지고 있으므로 현재 사용자를 관리하는 것만큼 간단하게 관리할 수 있습니다.

스타트업에 미치는 영향: 기업 고객의 CISO가 AI 워크플로에서 데이터 개인 정보 보호, 프롬프트 인젝션, 액세스 제어를 어떻게 처리하는지 물을 때 엔터프라이즈급 아키텍처가 준비되어 있다면 복잡한 조달 절차를 수월하게 통과할 수 있습니다.

5. 실시간 비용 관리로 런웨이 확보

몇 시간 또는 며칠 동안 하위 에이전트를 실행하는 자율 에이전트의 경우 루프를 확인하지 않으면 요금이 과도하게 청구될 수 있습니다. 이제 Cloud Billing 콘솔에서 직접 실시간 지출 한도를 설정할 수 있습니다. 한도에 도달하면 프로젝트의 에이전트가 자동으로 일시중지되므로 버그로 인해 예상치 못한 요금이 과도하게 청구되는 일을 방지할 수 있습니다. Gemini는 이전 세대보다 달러당 성능이 80% 더 우수한 추론 최적화 TPU 8i를 비롯한 Google의 특화된 AI 인프라를 기반으로 실행됩니다.

스타트업에 미치는 영향: 창업자와 개발자는 현금 보유액을 안전하게 보호하고 투자자에게 신뢰를 줄 수 있는 금융 안전망을 바탕으로, 장기 실행되는 병렬 에이전트 루프를 안심하고 실험해 볼 수 있습니다.

이미 빌드 중인 창업자

스타트업과 AI 기반 혁신 기업은 이미 Gemini를 활용하고 있습니다. 몰입형 스토리텔링 플랫폼인 Whenere는 Gemini 플랫폼을 기반의 에이전트형 3D 월드 빌딩 플랫폼인 Dreamlands를 사용하여 오만과 편견을 Fortnite에 구현했습니다. Gemini는 새로운 객체마다 약 7초 만에 10센트 미만의 비용으로 텍스처를 생성했습니다. 한 아티스트는 하루 만에 약 250개의 커스텀 애셋을 만들고 일주일도 안 되어 역사적으로 고증된 저택을 완성했습니다. 애플리케이션 빌드 플랫폼인 Lovable과 OpenEvidence, Recursion, Replit 등의 여러 스타트업과 혁신 기업도 함께합니다.

Google for Startups와 함께 빌드

에이전트 시대에는 소규모 팀이 내부 운영을 지원하는 동료 에이전트를 배포하든, 제품에 에이전트형 워크플로를 직접 빌드하든 상관없이 규모를 뛰어넘는 강력한 경쟁력을 갖출 수 있습니다.

이러한 새로운 Gemini 에이전트 기능은 아직 일반에 공개되지 않았지만, 스타트업은 영업팀에 문의하여 자세한 정보를 확인하고 도입 준비를 위한 상담을 진행할 수 있습니다. 그전까지는 Google for Startups 프로그램을 통해 크레딧, 실무 기술 가이드, 멘토십, 글로벌 창업자 커뮤니티 프로그램 등을 이용하실 수 있습니다.

예측 가능한 BigQuery AI 비용: 생성형 AI 함수의 비용 관리 기능 출시

Wed, 21 Oct 2026 17:00:00 +0000

BigQuery의 생성형 AI 함수(AI.GENERATE, AI.IF, AI.CLASSIFY, AI.SCORE 등)를 사용하면 대규모 언어 모델(LLM)을 SQL에 직접 가져올 수 있어 하나의 쿼리로 수백만 건의 고객 지원 티켓을 분류하거나 각 제품 리뷰의 감정을 점수화할 수 있습니다. 하지만 이러한 함수는 토큰 사용량에 따라 요금이 청구되므로 대규모 데이터 세트에 적용할 때는 예산을 사전에 관리하는 것이 중요합니다.

Google Cloud는 최근 BigQuery 생성형 AI 함수를 위한 토큰 기반 비용 관리 기능을 정식 버전(GA)으로 출시했습니다. 이 기능을 사용하면 관리자가 일일 할당량을 통해 AI 토큰 소비량에 대한 셀프서비스 가드레일을 설정할 수 있으므로 팀은 정해진 예산 범위 내에서 혁신을 추진할 수 있습니다. 이 블로그에서는 BigQuery 생성형 AI 함수의 비용 관리 기능을 개괄적으로 살펴보고 몇 가지 실용적인 예시와 함께 시작하는 데 도움이 되는 리소스를 소개합니다. 그럼 자세히 살펴보겠습니다.

비용 관리를 위한 할당량 설정

Google Cloud Identity and Access Management(IAM) 할당량 시스템을 통해 관리되는 4가지 일일 할당량을 사용하면 프로젝트와 사용자별로 토큰 소비량을 제어할 수 있습니다. 사용자별 한도는 조직 전체가 아니라 각 프로젝트 내의 개별 사용자에게 적용됩니다.

할당량 이름	측정항목	범위	기본값
일일 AI 입력 토큰	LLM이 사용한 입력 토큰	프로젝트당, 일일	2,000억 개
사용자당 일일 AI 입력 토큰	LLM이 사용한 입력 토큰	사용자당, 프로젝트당, 일일	1,500억 개
일일 AI 출력 토큰	LLM에서 사용되는 출력 및 사고 토큰	프로젝트당, 일일	200억 개
사용자당 일일 AI 출력 토큰	LLM에서 사용되는 출력 및 사고 토큰	사용자당, 프로젝트당, 일일	150억 개

주요 세부정보:

할당량은 전역에 적용됩니다. 모든 리전의 사용량이 합산되므로 모니터링하지 않는 리전에서 예상치 못한 비용이 누적되는 것을 방지할 수 있습니다.
출력 할당량에는 '사고' 토큰이 포함됩니다. 추론 토큰은 Gemini 플랫폼 요금 체계와 동일하게 출력 토큰 할당량에 합산됩니다.

어떤 함수에 적용되나요?

할당량은 LLM 기반의 생성 작업을 수행하는 다음 BigQuery 함수에 적용됩니다.

AI.GENERATE
AI.GENERATE_TABLE
AI.GENERATE_TEXT(별칭: ML.GENERATE_TEXT)
AI.CLASSIFY
AI.IF
AI.SCORE
AI.AGG

적용되지 않는 함수: AI.GENERATE_EMBEDDING(ML.GENERATE_EMBEDDING으로도 사용 가능) 및 AI.EMBED와 같은 임베딩 함수는 비용이 훨씬 저렴한 다른 모델에서 실행되기 때문에 이러한 할당량이 적용되지 않습니다.

할당량 관리

관리자는 별도의 지원 케이스를 제출하지 않고도 워크로드의 변화에 따라 Google Cloud 콘솔에서 직접 할당량을 확인하고 조정할 수 있습니다.

IAM 및 관리자 → 할당량 및 시스템 한도로 이동합니다.
서비스별로 필터링하고 BigQuery API를 선택합니다.
이름 열을 기준으로 정렬하여 4개의 AI 할당량을 목록 상단에 표시합니다

'IAM 및 관리자' → '할당량 및 시스템 한도'에서 확인할 수 있는 생성형 AI 토큰 할당량

4. 변경할 할당량(예: 일일 AI 입력 토큰)을 찾습니다.

5. 점 3개로 된 메뉴를 열고 할당량 수정을 선택합니다.

여기에서 다음 작업을 수행할 수 있습니다.

비용을 더 엄격하게 통제하려면 할당량을 낮춥니다. 이 변경사항은 승인 없이 즉시 적용됩니다.
사용량을 늘리려면 동일한 페이지에서 할당량 상향을 요청합니다. 많은 요청이 자동으로 승인되지만 큰 폭의 상향 요청은 간단한 검토 절차를 거칠 수 있습니다.

'IAM 및 관리자' → '할당량 및 시스템 한도'에서 생성형 AI 토큰 할당량 수정

할당량을 관리하려면 소유자, 편집자, 할당량 관리자(roles/servicemanagement.quotaAdmin), 서비스 사용량 관리자(roles/serviceusage.serviceUsageAdmin) 중 하나의 역할이 필요합니다.

자동화를 선호하는 경우 Cloud Quotas API, gcloud CLI, Terraform을 통해 이러한 할당량을 프로그래매틱 방식으로 관리하여 여러 프로젝트에 일관된 가드레일을 적용할 수 있습니다.

사용량 모니터링

할당량 및 시스템 한도 페이지에서는 한도를 설정하는 것 외에도 과거 토큰 소비량을 확인할 수 있으므로 사용량 급증을 빠르게 감지하고 예산을 적정 수준으로 조정할 수 있습니다. 이러한 추세를 분석하면 새로운 생성형 AI 워크로드와 데이터 파이프라인이 전체 토큰 사용량에 어떤 영향을 미치는지 파악할 수 있습니다.

'IAM 및 관리자' → '할당량 및 시스템 한도'에서 확인할 수 있는 생성형 AI 토큰 할당량의 프로젝트별 일일 토큰 사용량

7일, 14일, 30일, 맞춤 기간을 선택할 수 있는 장기 사용량 그래프

단계별 안내는 토큰 할당량으로 비용 관리에 대한 BigQuery 문서를 참조하세요.

토큰 할당량과 결제 지출 한도 비교

토큰 할당량이 Google Cloud의 유일한 비용 관리 수단은 아닙니다.

토큰 할당량(여기에서 소개된 기능)은 AI에 특화된 사전 예방적 관리 수단입니다. BigQuery는 쿼리 실행 중 토큰 사용량을 추적하고 각각 설정된 프로젝트별 한도와 사용자별 한도에 가까워지면 작업을 중단합니다.
Cloud Billing 지출 한도는 달러 단위로 프로젝트 및 서비스 기준으로 적용되며 설정한 기준 금액에 도달하면 사용을 자동으로 차단할 수 있습니다. 지출 한도는 정확한 사용량 제어보다는 전반적인 재무적 안전장치로 작동하며, 제한 조치가 즉시 적용되지는 않으므로 일부 초과 비용이 발생할 수 있습니다.

AI 비용 관리를 위한 1차 방어 수단으로 토큰 할당량을 사용하고 프로젝트 전반에 대한 안전장치로 지출 한도를 활용하는 것이 좋습니다.

할당량 적용 방식

할당량은 쿼리가 한도를 초과하여 계속 실행되도록 허용하는 대신 작업을 중단하는 방식으로 적용됩니다. 쿼리에 필요한 할당량이 이미 소진된 경우에만 쿼리가 사전에 거부되면서 QuotaExceeded 오류가 발생합니다. 그렇지 않으면 쿼리가 실행되며, 실행 도중 할당량이 소진되면 BigQuery는 새로운 LLM 호출 전송을 중단합니다.

max_error_ratio를 지원하는 함수(예: AI.IF)는 처리되지 않은 행의 비율이 한도 내로 유지되면 부분 결과를 반환하고, 그렇지 않으면 실패합니다.
범용 함수(예: AI.GENERATE) 쿼리는 계속 성공합니다. 건너뛴 행에는 생성된 값이 표시되지 않으며 status 필드에 할당량 초과 오류가 표시됩니다.

자세한 내용은 문서의 할당량 적용 동작을 참조하세요.

`AI.COUNT_TOKENS를 사용한` 입력 데이터 크기 측정

적절한 할당량 값을 선택하려면 워크로드가 모델에 얼마나 많은 텍스트를 전송하는지 파악하는 것이 좋습니다. 이때 AI.COUNT_TOKENS 함수가 도움이 됩니다.

AI.COUNT_TOKENS는 요금이 청구되는 생성 호출을 수행하지 않고 모델의 토크나이저가 텍스트 문자열에서 생성하는 토큰 개수를 반환합니다. 이 함수를 열에 실행하면 입력 데이터의 토큰 수를 측정할 수 있습니다.

code_block: <ListValue: [StructValue([('code', "-- Count the input text tokens for each product review\r\nSELECT\r\n SUM(\r\n AI.COUNT_TOKENS(\r\n CONCAT('Classify the sentiment of this review as positive, negative, or neutral: ', review_text),\r\n\r\n endpoint => 'gemini-3.1-flash-lite').result) AS total_input_tokens\r\nFROM\r\n `my_project.my_dataset.product_reviews`;"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbec39d7cd0>)])]>

이 수치는 입력 토큰 사용량의 최소 기준선이며 출력 토큰이나 사고 토큰, 각 AI 함수가 입력 데이터에 추가하는 요청 사항, 텍스트가 아닌 입력(이미지 등)은 포함되지 않습니다. 이 값은 다음과 같은 용도로 사용할 수 있습니다.

워크로드를 실행하기 전에 입력 데이터의 토큰 사용량을 추정합니다.
실제 입력 및 출력 사용량을 측정하는 소규모 샘플 실행과 함께 할당량을 적절하게 조정합니다.
모델에 대해 게시된 Gemini 플랫폼 가격 책정을 사용하여 토큰 사용량을 비용(달러)으로 환산합니다.

토큰 사용량을 예산으로 환산하는 계산 예시

Gemini 3.1 Flash-Lite 모델을 사용하면서 프로젝트의 일일 AI 지출을 $100 정도로 유지하려고 한다고 가정해 보겠습니다. 현재 공개된 가격은 다음과 같습니다(BigQuery는 배치 방식으로 처리하므로 50% 할인이 적용됨).

입력 토큰: 토큰 100만 개당 $0.125
출력 토큰(응답+추론): 토큰 100만 개당 $0.75

소규모 샘플 실행 결과 입력 토큰(I)과 출력 토큰(O)의 평균 비율이 100:1이라면 다음과 같이 일일 예산을 계산할 수 있습니다.

code_block: <ListValue: [StructValue([('code', 'Cost: 0.125 × I + 0.75 × O = 100 (I, O in millions of tokens)\r\nRatio: I = 100 × O'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbecd47fd90>)])]>

이 식을 풀면 하루에 약 7억 5,400만 개의 입력 토큰과 754만 개의 출력 토큰을 사용할 수 있는 셈입니다. 일일 AI 입력 토큰과 일일 AI 출력 토큰을 이 값으로 설정하면 프로젝트의 일일 지출을 약 100달러 수준으로 유지할 수 있습니다. 프로젝트에서 가격이 서로 다른 여러 모델을 사용하는 경우에는 모델별로 예산을 책정하거나 요율을 혼합해 계산해야 합니다.

AI 비용 관리를 위한 권장사항

사용자당 할당량부터 시작하세요. 한 명의 사용자 또는 제어할 수 없는 실험으로 인해 프로젝트 예산이 소진되는 것을 방지할 수 있습니다.
확장하기 전에 사용량을 측정하세요. AI.COUNT_TOKENS로 입력 데이터 크기를 측정하세요. 그런 다음 소규모 샘플을 실행하고 사용량 그래프를 확인한 후 한도를 설정하세요.
출력 토큰에도 주의하세요. 출력 토큰은 비용이 더 많이 듭니다. 함수에서 max_output_tokens를 지원한다면 이를 설정하여 생성 길이를 제한하세요.
모니터링하고 반복 수정하세요. 실제 사용량과 예산의 변화에 따라 한도를 조정하세요.

시작하기

지금 토큰 기반 비용 관리 기능을 사용할 수 있습니다. 시작하려면 다음 단계를 따르세요.

Google Cloud 콘솔에서 IAM 및 관리자 → 할당량 및 시스템 한도를 열고 BigQuery API로 필터링합니다.
4가지 AI 관련 토큰 할당량을 검토하고 예산에 맞게 한도를 설정합니다.
AI.COUNT_TOKENS를 사용하여 입력 데이터의 크기를 측정합니다.

자세한 내용은 생성형 AI 비용 관리에 관한 문서를 참조하세요.

토큰 기반 가드레일을 설정하면 조직에서 요구하는 수준의 비용 예측 가능성을 확보하면서 BigQuery의 생성형 AI 기능을 활용할 수 있습니다.

Google Cloud, OpenAI 모델 지원으로 고객의 모델 선택권과 유연성 대폭 확대

Wed, 21 Oct 2026 15:00:00 +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.

Google Cloud는 언제나 폭넓은 선택권, 엔터프라이즈급 거버넌스, 그리고 시장을 선도하는 가격 대비 성능을 핵심 가치로 삼아왔습니다. 이러한 개방성과 선택의 기반에는 고객이 비용, 기능, 성능의 최적의 균형을 맞출 수 있도록 원하는 모델과 인프라에서 에이전틱(agentic) 워크로드를 유연하게 실행할 수 있게 지원하는 것이 자리 잡고 있습니다. 오늘 Google Cloud는 모델 가든(Model Garden)에 OpenAI 모델을 출시하며 이러한 기반을 한층 더 확장합니다.

이제 Google Cloud는 통합 엔터프라이즈 AI 플랫폼에서 200개 이상의 자체(first-party) 모델, 서드파티 모델 및 오픈 모델과 더불어, 시장을 선도하는 3대 클로즈드 소스(closed source) 대형 언어 모델(LLM)을 모두 제공하는 유일한 하이퍼스케일 클라우드 제공업체가 되었습니다.

모든 워크로드에 최적화된 맞춤형 모델

현대 엔터프라이즈 AI 환경에서는 모든 작업에 단일 모델을 의존하기보다, 각 워크로드에 가장 적합한 모델을 매칭하는 것이 필수적입니다. 모델 가든에 OpenAI의 최신 모델을 추가함으로써, 기업 팀들은 엔터프라이즈 워크로드 전반에 걸쳐 더욱 폭넓은 옵션을 활용할 수 있게 되었습니다. 지원하는 OpenAI 모델은 다음과 같습니다.

GPT-6 Astra: 코딩, 컴퓨터 사용(computer use), 전문 업무 및 과학 연구 등 고도의 역량이 요구되는 작업을 위해 설계된 모델입니다.
GPT-6.1 Sol: 에이전틱 코딩, 컴퓨터 사용, 전문 업무 전반에서 Astra에 버금가는 지능을 더 낮은 비용으로 제공하는 모델입니다.
GPT-6 Luna: 대규모로 처리되는 일상적인 업무에 적합한 빠르고 비용 효율적인 모델입니다.

고객은 플랫폼을 통해 아키텍처 종속(lock-in)이나 별도의 공급업체 계약 없이도 성능, 지연 시간(latency), 비용 효율성을 기준으로 모든 사용 사례에 가장 적합한 모델을 동적으로 선택하고 교체할 수 있습니다. 개발자는 모델 가든에서 제공되는 수백 가지 선택지를 바탕으로 자유롭게 솔루션을 구축할 수 있습니다. 또한 OpenAI 모델은 Google Cloud Marketplace를 통해 직접 거래되므로, 모든 사용량이 단일 Google Cloud 청구서에 통합되어 청구되며, 기존 클라우드 약정(commitments) 금액에서 차감되고 여러 모델 제공업체에 걸쳐 유연한 절감 플랜Flexible Savings Plans (FSP) 혜택이 적용됩니다.

기본 내장된 데이터 거버넌스 및 엔터프라이즈 보안

생성형 AI를 확장하는 과정에서 규정 준수나 보안을 타협해서는 안 됩니다. 엔터프라이즈 거버넌스를 위해 처음부터 철저히 설계된 Gemini platform은 현재 글로벌 선도 기업들의 두터운 신뢰를 받고 있습니다. Google Cloud는 서드파티 또는 OpenAI 워크로드를 실행할 때도 가장 엄격한 엔터프라이즈 표준을 충족하도록 보장합니다.

엄격한 데이터 경계(Data perimeters): 고객의 프롬프트, 컨텍스트 및 출력 결과는 지정된 데이터 경계 내에 완벽하게 유지되며 파운데이션 모델 학습에 절대 사용되지 않습니다. 조만간 데이터 비보관(Zero Data Retention, ZDR) 옵션도 제공될 예정입니다.
격리된 액세스 경계: OpenAI 모델은 전용 Google Cloud 인프라에서 실행되며, 곧 컨피덴셜 컴퓨트(Confidential Compute) 기술도 적용될 예정입니다. 모든 쿼리는 보안이 강화되고 격리된 게이트웨이를 통해 라우팅되므로 데이터 전송이 Google Cloud의 안전한 환경 내에서만 엄격하게 이루어지며, 서드파티 모델 제공업체가 고객의 클라우드 환경에 무단으로 액세스할 수 없습니다.
통합 감사 및 ID 관리: 모든 에이전트와 모델 간의 상호작용은 인증된 ID 하에 작동합니다. 이를 통해 IT 관리자는 엔터프라이즈 환경 전반에 걸쳐 엔드투엔드(end-to-end) 가시성, VPC 서비스 제어(VPC Service Controls) 보호, 통합 감사 로깅 기능을 확보할 수 있습니다.

박스(Box)의 AI 제품 담당 부사장 야쇼다 바브나니(Yashodha Bhavnani)는 "고객이 엔터프라이즈 콘텐츠 전반에서 AI를 실제로 활용하도록 돕기 위해서는 강력한 보안과 엄격한 규정 준수 표준이 뒷받침되는 선도적인 모델이 필요합니다"라며, "Google Cloud를 통해 OpenAI 모델을 사용함으로써, 우리는 Google Cloud의 보안 및 규정 준수 역량과 함께 OpenAI의 최첨단(frontier) AI 모델을 고객에게 제공할 수 있게 되었습니다. 이를 통해 고객은 비즈니스 콘텐츠에서 더 많은 가치를 창출할 수 있을 것이며, 이는 고객에게 AI를 제공하는 과정에서 운영 효율성을 한 단계 높이는 계기가 될 것입니다"라고 말했습니다.

시작하기

OpenAI의 GPT-6 Astra, GPT-6.1 Sol, GPT-6 Luna 모델은 현재 Google Cloud 모델 가든에서 일부 엔터프라이즈 고객을 대상으로 프라이빗 프리뷰(Private Preview) 형태로 순차 출시되고 있으며, 향후 더 많은 모델이 추가될 예정입니다. 오늘부터 고객은 API를 통해 이러한 모델로 솔루션을 구축하고, 로컬 Codex CLI 및 데스크톱 워크플로를 Gemini 플랫폼에 직접 연결하여 추론(inference) 작업을 수행할 수 있습니다. 사용을 원하시는 분은 this form을 통해 신청해 주시기 바랍니다.

조만간 Google Cloud의 비즈니스용 Gemini(Gemini for business)와 Google Antigravity에서도 OpenAI 모델이 지원되어, 엔터프라이즈 고객과 개발자에게 더욱 폭넓은 모델 선택의 유연성과 각 작업에 가장 뛰어난 모델을 제공할 예정입니다.

Google Cloud, 비즈니스의 가장 어려운 문제를 해결하도록 설계된 Gemini 4 Argon 출시

Wed, 21 Oct 2026 02:00:00 +0000

지난주 Google Cloud는 Gemini Enterprise가 업무를 더욱 간편하게 처리할 수 있도록 발전했다는 소식을 전하며, 새로운 범용 업무용 에이전트인 Gemini 에이전트를 소개했습니다. 이 에이전트는 항상 켜져 있으며 질문에 답변할 준비가 되어 있습니다. 단일 프롬프트 상자에서 코드를 작성하고, 더 길고 복잡한 작업을 완료하고, 작업을 완료하는 데 필요한 모든 것을 수행할 수 있습니다. 그리고 모델 인텔리전스가 이 모든 것을 뒷받침합니다.

새로운 업무 환경을 지원하기 위해 Google Cloud에서 새로운 프런티어 모델인 Gemini 4 Argon을 제공합니다.

Argon은 깊이와 정밀도를 모두 갖추도록 학습되었기 때문에, 강력한 도메인 전문 지식으로 강화된 길고 여러 단계로 이루어진 작업 전반에서 컨텍스트를 유지할 수 있습니다. 팀이 복잡한 소프트웨어 빌드를 실행하거나, 세부적인 재무 및 법률 업무를 처리하거나, CodeMender와 같은 사이버 보안 도구를 배포하는 등 어떤 업무를 수행하든 Argon은 팀이 처음부터 끝까지 집중력을 유지할 수 있도록 도와줍니다.

Gemini 4 Argon을 사용하는 고객 및 파트너

Argon이 비즈니스 운영 방식을 변화시키는 4가지 방법

1. 가장 어려운 업무를 대신 처리

여러분의 팀원들은 이미 비즈니스용 Gemini를 사용하여 질문에 답변하고 콘텐츠 초안을 작성하고 있습니다. Argon을 사용하면 몇 시간 또는 며칠이 걸리던 심층적인 다단계 작업을 맡기고 바로 사용할 수 있는 결과물을 얻을 수 있습니다.

Argon은 텍스트, 표, 차트, 이미지가 혼합된 긴 문서를 읽고 이러한 소스를 기반으로 하나의 명확한 출력으로 변환합니다. 여러 소스의 결과를 하나의 구조화된 답변으로 가져오고, 시간 경과에 따른 데이터를 분석하며, 더 탄탄한 법률, 재무, 경영 문서를 작성할 수 있습니다. 긴 작업의 경우 작업이 완료될 때까지 계속 실행됩니다. Argon은 시스템 경계를 존중하고, 부정적인 결과를 정직하게 보고하며, 되돌릴 수 없는 단계를 수행하기 전에 확인을 위해 일시중지하도록 학습되었으며, 무언가를 찾을 수 없거나 작업을 완료할 수 없을 때 사용자에게 알려줍니다.

Argon을 테스트한 고객들은 이 모델이 방대한 비정형 입력을 일관성 있는 출력으로 변환하는 데 탁월하다고 말합니다.

"소프트웨어 개발이 점점 더 에이전트 중심으로 변화함에 따라 개발 수명 주기의 모든 단계에서 장기적인 다단계 작업을 지원할 수 있는 모델이 필요합니다. Gemini 4 Argon을 사용하면 조직이 AI를 개발, 보안, 운영에 도입하면서도 기존 엔터프라이즈 워크플로와 제어 내에서 관리할 수 있습니다." – 스튜어트 몬카다, GitLab 부사장

2. 비즈니스를 이끄는 업무에 대한 정확하고 검증 가능한 결과

재무, 법률, 세무 및 기타 규제 대상 업무에서는 계산과 데이터 추출이 정확하고 재현 가능하며 검증 가능해야 합니다.

금융 정량 분석 작업의 경우 Argon은 다단계 원장 조정, 스프레드시트 수식, 분산 분석을 자동화하는 데 도움이 될 수 있습니다. 이 모델은 정량 모델 전반에서 높은 계산 무결성, 인용 충실도, 수식 정확성을 제공합니다. 수치가 이를 증명합니다. Argon은 재무, 코딩, 법률, 세무 업무 전반에 걸친 경제적 영향을 측정하는 Vals Index에서 선두를 달리고 있습니다.

법률 조사에서 Argon은 법무팀이 판례와 규제 서류를 검토하여 검증된 인용문과 주요 판례를 추출하는 데 도움을 줄 수 있습니다. 법률 조사 및 초안 작성을 위한 Harvey의 Legal Agent Benchmark와 같은 도메인별 평가에서 선두를 달리고 있으며, 강력한 인용 충실도와 직접적인 답변을 통해 팀이 복잡한 법률 판례를 평가하는 데 도움을 줍니다.

"Gemini 4 Argon은 Google이 에이전트형 법률 추론에서 얼마나 많은 발전을 이루었는지 보여줍니다. 법률 에이전트 평가 전반에서 Gemini 3.1 Pro에 비해 상당한 개선이 이루어졌으며, 특히 기업 M&A, 데이터 개인 정보 보호 및 사이버 보안, EC/VC 분야에서 발전이 돋보입니다. 긴 문서 분석에서도 정확성이 유지되었으며, 이는 세부적인 거래 문제를 처리하는 변호사에게 고무적인 결과입니다." – 니코 그루펜, Harvey 응용 연구 책임자

"NowAI-Bench에서 Google과 협력하여 주요 엔터프라이즈 업무를 위한 Gemini 4를 발전시켰습니다. 사전 체험판에서 Gemini 4는 Gemini 3.8 Flash보다 약 20% 향상된 작업 성공률을 보였으며, 특히 인사 관리 및 고객 서비스 분야에서 두드러진 성과를 거두었습니다. ServiceNow AI Platform에서 당사의 L1 서비스 데스크 AI 전문가는 Google의 가장 발전된 인텔리전스를 제어 하에 안전하게 제공하여 작업을 완전 자율 작업으로 전환합니다." – 넨샤드 바르돌리왈라, ServiceNow AI 제품 부문 수석 부사장

3. 더 빠르게 제품을 빌드하고 출시

Argon은 복잡한 다단계 프로젝트를 처음부터 끝까지 처리하도록 설계되었습니다. 고객들은 목표를 세분화하고, 진행 상황을 추적하고, 여러 파일을 동시에 업데이트할 수 있는 인텔리전스를 지속적으로 요청하고 있습니다.

"Gemini 4 Argon은 3D 게임부터 정교한 애니메이션에 이르기까지 복잡한 작업을 안정적으로 처리합니다. Figma Make에서 Argon은 팀이 가장 야심 찬 다단계 아이디어를 인상적인 프로토타입으로 전환할 수 있도록 돕습니다." – 로레다나 크리산, Figma 최고 디자인 책임자

Argon이 이 작업을 얼마나 잘 처리하는지 확인하기 위해 Google의 자체 도구에 적용해 보았습니다. Google Cloud의 오픈소스 에이전트 개발 키트(ADK)팀은 기존 애플리케이션과의 완전한 호환성을 유지하면서 프레임워크 오버헤드를 줄이고 코드 성능을 개선하기 위해 노력했습니다. Argon은 자동화된 테스트 가드레일 내에서 밤새 자율적으로 작동하여 최적화 방안을 제시했고, 이 방안은 현재 google/adk-python에 적용되어 긴 세션에서 인메모리 세션 준비 시간을 40% 단축하고 콜드 임포트 속도를 21% 향상시켰습니다. 자세한 내용은 여기에서 엔지니어링 심층 분석을 읽어보세요.

Google 전사적으로 Google Antigravity의 Argon을 사용하는 엔지니어링팀은 에이전트형 코드 제출을 35% 이상 늘리는 동시에 코드 롤백을 거의 3분의 1로 줄였습니다. Chrome팀은 Argon을 사용하여 Chromium의 4천만 줄에 달하는 코드베이스에서 수백 개의 파일에 걸친 아키텍처 리팩터링을 완료하여 몇 달이 걸릴 작업을 몇 주 만에 완료했습니다. 또한 Argon은 공간 추론, 수학적 정밀도, 시각적 코딩이 개선되어 아이디어를 실제 프로토타입으로 더 빠르게 변환할 수 있습니다.

더욱 발전된 알고리즘을 위해 Google의 코드 최적화 및 탐색 에이전트인 AlphaEvolve는 Argon을 사용하여 공장 일정 관리, 물류, 게임 코드 속도 향상, 칩 레이아웃, 복잡한 수학적 벤치마크 등 실제 엔터프라이즈 워크로드 전반에서 강력한 성능 개선을 제공합니다.

Argon을 가장 효과적으로 사용하는 방법을 알아보려면 개발자 가이드를 확인하세요.

4. 코드와 비즈니스를 위한 더 강력한 방어

Argon에는 침투 테스트 및 악용과 같은 공격적 작업을 차단하는 사이버 완화 기능이 있지만, CodeMender를 사용하여 취약점을 찾고 수정하거나 자체 보안 하네스와 함께 Argon을 사용하여 Argon의 방어 기능을 극대화할 수도 있습니다. 실제로 Argon은 CWE-Bench v1에서 보안 취약점 해결 부문 최고 점수인 68%를 기록하며 공동 1위를 차지했습니다.

"저희는 자동화된 코드베이스 보안 감사를 위해 Gemini 4 Argon을 MarketingX에 통합하고 있습니다. 평가 결과, 이 모델은 검증된 클레임 전반에서 0%의 조작된 취약점으로 최우선 취약점의 100%를 성공적으로 식별했습니다. 이러한 정밀성 덕분에 고객은 배포 전에 선제적인 코드 수준 보안을 확보할 수 있습니다." – 유누스 엠레, HubX AI Lab 최고 AI 책임자

보안은 자체 환경 내에서 Argon을 신뢰할 수 있다는 의미이기도 합니다. Argon은 악의적인 요청 사항이나 컨텍스트를 사용하여 모델의 동작을 가로채는 간접 프롬프트 인젝션에 대해 당사가 개발한 모델 중 가장 강력한 복원력을 갖춘 모델입니다. Gray Swan 간접 프롬프트 인젝션 벤치마크에서 선두를 차지하며 15회의 적응형 시도에서 공격 성공률을 0.7%로 낮췄습니다. 이는 Argon이 숨겨진 악성 요청 사항이 포함되어 있을 수 있는 이메일, 문서, 웹페이지를 읽을 때 중요합니다.

또한 사이버 가드레일이 없는 Argon을 일부 신뢰할 수 있는 방어자에게 출시하여 광범위한 사이버 보안 기능을 테스트할 수 있도록 지원합니다. 신뢰할 수 있는 방어자는 정부, 중요 기반 시설, 사이버 보안 파트너에게 고급 모델에 대한 독점적이고 제한 없는 액세스를 제공하는 제한된 액세스 이니셔티브인 Fairwind 프로그램을 통해 검증됩니다.

사전 체험 프로그램에 참여한 엔터프라이즈 고객과 파트너는 이미 Argon을 통해 큰 성과를 거두고 있습니다.

^{Amplitude, Deloitte, Rakuten의 리더들이 Gemini 4 Argon의 성과를 공유합니다}

시작하기

오늘부터 Gemini 4 Argon을 웹, 데스크톱, 모바일의 비즈니스를 위한 Gemini에서 사용할 수 있습니다. 엔터프라이즈 개발자와 빌더는 Gemini 플랫폼에서 모델 ID gemini-4-argon으로 API를 통해, Google AI Studio 및 Google Antigravity에서 Argon에 액세스할 수 있습니다.

Argon은 2026년 11월 30일까지 입력 토큰 100만 개당 $2, 출력 토큰 100만 개당 $10의 도입 가격으로 출시되며, 캐시된 입력 토큰은 95% 할인된 가격으로 제공됩니다. 11월 30일 이후에는 입력 토큰 100만 개당 $4, 출력 토큰 100만 개당 $20의 표준 가격이 적용됩니다. 전체 기술 사양, 토큰 한도, 마이그레이션 안내는 모델 카드 및 개발자 가이드를 참고하세요.

사이버 대응 기업은 Security Summit에 참여하여 Gemini 4 Argon을 사용해 머신 속도의 위협을 방어하고 해결을 자동화하는 방법을 알아볼 수 있습니다.

아일랜드의 혁신: 아일랜드 브랜드가 Gemini Enterprise를 통해 비즈니스를 확장하는 방법

Thu, 15 Oct 2026 02:00:00 +0000

지난 수십 년간 아일랜드는 전 세계 기술 혁신을 주도하는 활기찬 허브로 거듭났습니다. 현대화가 가속화됨에 따라 정부 기관부터 유수의 기업 브랜드, AI 및 기타 분야에서 성장 중인 스타트업에 이르기까지 아일랜드의 다양한 조직이 기술적 토대를 다지며 발전하고 있습니다. 오늘날 전국의 리더들은 비즈니스 및 운영 워크플로의 모든 계층에 에이전트 AI를 도입하고 있습니다.

많은 조직이 Gemini Enterprise를 사용하여 초기 프로토타입 단계에서 프로덕션에 즉시 사용 가능한 배포 단계로 전환하고 있습니다. 이러한 발전은 유럽 시장 내 아일랜드의 경쟁 우위를 더욱 공고히 해줍니다. Google의 지역 기여도를 평가한 Implement Consulting Group의 최근 보고서에 따르면 공공 및 민간 부문 리더들은 글로벌 AI 시장의 경제적 잠재력이 400억에서 450억 유로에 달할 것으로 내다보고 있습니다.

이러한 목표는 정부 차원의 더 광범위한 이니셔티브와도 일치합니다. 아일랜드는 2026년 하반기 유럽연합 이사회 의장국을 맡은 이후, 다양한 부문에서 생산성과 혁신을 개선하기 위한 국가 디지털 및 AI 전략을 수립하는 등 고차원적인 기술 및 정책 논의를 주도해 왔습니다.

이러한 전략을 뒷받침하기 위해 Google은 누구나 이러한 역량을 더욱 쉽게 활용할 수 있도록 접근성을 높이는 데 집중하고 있습니다. Google Cloud의 현지 팀은 업계 리더들과 협력하여 Gemini Enterprise를 구현하고 있습니다. Gemini Enterprise는 대화형 AI 에이전트와 자연어 데이터 분석부터 에이전트형 생태계를 통한 운영 최적화에 이르는 다양한 기능을 제공합니다.

경제적 영향은 이미 가시화되고 있습니다. 2025년 한 해에만 AI 및 클라우드 서비스를 포함한 Google의 운영이 아일랜드 국내총생산에 약 100억 유로의 경제적 가치를 더한 것으로 추산됩니다. 이러한 모멘텀은 아일랜드 전역의 조직이 Google Cloud를 사용해 인프라를 현대화하고 AI를 활용하는 데서도 확인할 수 있습니다.

아일랜드 조직이 Google Cloud와 Gemini Enterprise를 통해 현대화하는 몇 가지 사례를 소개합니다.

Ryanair, AI 기반 운영으로 수백만 명의 승객 지원

유럽 최대 항공사인 Ryanair는 약 35,000명의 직원을 대상으로 Gemini Enterprise와 Google Workspace를 도입하여 협업 운영 방식과 인프라를 현대화하고 있습니다. 항공기 승무원, 운영 계획 담당자, 본사 직원들은 의사 결정의 간소화, 승무원 물류 서비스 최적화, 기업 생산성 향상 등 실질적인 혜택을 누리게 됩니다. 이와 동시에, Ryanair는 2034년까지 승객 수를 3억 명으로 늘린다는 목표를 추진하고 있으며 이중 클라우드 전략을 통해 인프라 복원력을 한층 더 강화하고 있습니다.

Smyths Toys, 에이전트형 지원으로 고객 경험 혁신

세계 최대의 장난감 전문 소매업체 중 하나인 Smyths Toys는 Google Cloud와 Gemini Enterprise를 통해 고객 지원 체계를 혁신하고 있습니다. Codie라는 AI 에이전트를 도입하여 웹 문의의 60% 이상을 해결하고 연말연시 이메일 백로그를 줄였습니다. 이전에는 성수기에 하루 최대 1,000건의 이메일을 처리해야 했던 고객 지원팀이 이제는 더 복잡한 판단이 필요한 50여 건의 핵심 사례에만 집중할 수 있게 되었습니다.

아일랜드 국세청: 공공 부문 데이터 활용의 혁신

아일랜드의 공공 부문 기관 역시 큰 진전을 이루고 있습니다. 아일랜드의 세금, 관세, 경제의 원활한 운영을 담당하는 아일랜드 국세청은 Google Cloud와 협력하여 기존 온프레미스 시스템에서 데이터 사일로를 허물고 단일 정보 소스를 구축하도록 설계된 통합 AI 레이크하우스 아키텍처로 마이그레이션하고 있습니다. 엄격한 데이터 주권 제어를 통해 납세자 정보를 안전하게 보호하는 한편, Gemini Enterprise의 에이전트형 데이터 분석 역량을 활용해 아일랜드 국세청이 더욱 안전하고 신속한 공공 서비스를 제공할 수 있도록 지원합니다.

Virgin Media Ireland: 워크플로 가속화

Virgin Media Ireland는 Google Cloud와 Liberty Global의 파트너십을 바탕으로 AI를 탐색 단계에서 프로덕션 단계로 전환하고 있습니다. 현대적인 인프라와 자동화를 바탕으로, 이제 팀은 워크로드를 3배 더 빠르게 배포하고 있습니다. 또한 여러 AI 에이전트를 순차적으로 도입하는 한편, 비즈니스 성장을 견인할 신규 고객 서비스를 선보이고 있습니다.

엔터프라이즈 도구를 활용해 비즈니스를 확장하는 아일랜드 스타트업

기존 기업이 레거시 시스템을 현대화하는 동안 아일랜드 스타트업은 처음부터 최신 기술을 기반으로 비즈니스를 구축하고 있습니다. 탄탄한 현지 기술 생태계를 발판 삼아, 이들 민첩한 팀들은 세계 무대에서 경쟁력을 갖춘 서비스를 만들고 있습니다.

Hexis: 맞춤형 스포츠 영양 서비스 확장

Hexis는 운동선수가 경기력을 향상하고 컨디션을 회복할 수 있도록 돕는 기술 솔루션을 빌드합니다. Hexis는 실시간 생체 인식 데이터와 행동 데이터를 Google Cloud에 저장하고 처리함으로써 Gemini Enterprise를 사용해 사용자에게 하루 동안의 에너지 섭취 조절 과정을 설명해주는 자연어 대화 기능을 제공합니다. 현재 이 플랫폼은 2026~2027 시즌 동안 투르 드 프랑스 펠로톤의 40%와 프리미어 리그 클럽의 절반을 지원하고 있습니다.

Kitman Labs: 경기력 분석의 통합

2012년 더블린에서 설립된 Kitman Labs는 26개국 4,000개 이상의 스포츠 조직에 스포츠 과학 및 성과 인텔리전스를 제공합니다. Kitman Labs는 인텔리전스 플랫폼을 고급 분석 및 Gemini Enterprise와 결합하여 팀이 데이터에 기반한 의사 결정을 내릴 수 있도록 지원합니다. 이를 통해 선수의 건강을 관리하고 부상 위험을 낮추며, 선수 생활을 더 오래 할 수 있도록 돕습니다.

Spryt: 의료 조정 업무의 자동화

Spryt는 Google Cloud 및 Gemini Enterprise를 기반으로 빌드된 AI를 사용하여 영국과 미국 전역의 의료 조정을 간소화함으로써 환자 경험을 최적화하고, 예약 부도를 줄이고, 행정 업무 부담을 줄입니다. Spryt는 NHS와 협업하고 미국 내 70개 이상의 클리닉에서 솔루션을 운영 중이며, Mayo Clinic과 진행한 다년간의 이니셔티브를 통해 2억 2,400만 건의 예약 기록을 분석했습니다.

IMPT: 탄소 상쇄 자동화

IMPT는 AI, 블록체인, Google Cloud를 결합하여 일상적인 호텔 예약과 온라인 쇼핑 과정에서 검증된 탄소 상쇄를 실천할 수 있도록 지원합니다. 15주에 걸친 Google Cloud 마이그레이션 작업을 마친 IMPT는 현재 195개국에서 800만 개의 등록정보를 관리하고 있습니다. Gemini Enterprise를 도입한 IMPT의 소규모 팀은 매일 약 400건의 고객 채팅을 처리하며, 응답 시간 중앙값은 6초에 불과합니다. 덕분에 직원들은 시스템 관리 업무에서 벗어나 비즈니스 성장에 더욱 집중할 수 있게 되었습니다.

아이디어를 계획 단계에서 프로덕션 단계로 전환

아일랜드가 글로벌 기술 허브로서 입지를 넓혀가는 가운데, 현지 기업들은 AI 잠재력을 실질적인 결과로 전환하는 방법을 보여주고 있습니다. Google Cloud 고객 사례를 통해 다양한 조직들이 어떻게 혁신을 구현하고 있는지 확인해 보세요. 아일랜드 현지 팀에 문의하여 여러분의 비즈니스 여정에 속도를 더할 수도 있습니다.

9월 AI 인프라 및 조정 기능에 관한 새로운 소식

Tue, 13 Oct 2026 11:00:00 +0000

9월은 확장성의 달입니다. 전 세계가 에이전트형 Fleet의 급증에 대비하고 있는 가운데, Google Cloud는 이러한 수요에 원활하고 신속하게 대응하기 위해 AI 인프라 및 조정 제품을 강화하는 동시에 워크로드 격리와 보안을 유지하고 비용을 관리하고 있습니다. 이러한 개선사항이 Google Cloud의 컴퓨팅, 네트워크, 스토리지, 조정 제품 전반에 어떻게 반영되는지, 고객이 Google Cloud AI 인프라를 사용하는 새로운 방법, Google 전략에 대한 서드 파티 업계 검증에 대해 자세히 알아보세요.

제품, 기술, 도구 업데이트

Google Kubernetes Engine 업데이트: GKE팀은 플랫폼의 확장성을 개선하는 데 주력하고 있으며, 9월에는 다양한 형태와 규모의 개선사항이 적용되었습니다.

새로운 기능: 에이전트 워크로드에 더 높은 밀도의 실행 런타임이 필요하신가요? Google Cloud는 표준 컨테이너 런타임보다 10배 더 높은 밀도로 수백만 개의 샌드박스를 실행할 수 있도록 새로운 오픈소스 GKE Agent Substrate를 설계했습니다. 또한 Agent Substrate는 네이티브 제로 트러스트 커널 및 네트워크 격리 기능을 바탕으로 초당 500회 이상의 일시중지/재개 활성화 요청 처리 시에도 500ms 미만의 재개 성능을 제공합니다.
제품 업데이트: 이제 GKE에 Scale-to-zero 기능이 기본 제공됩니다. 자동 확장 측정항목이 포함된 HPA와 KEP-2021 지원 덕분에 워크로드를 축소하는 데 복잡한 구성요소를 구성할 필요가 없습니다. 블로그를 읽고 자세히 알아보세요.
제품 업데이트: 또한 GKE HPA(위에서 언급한 자동 확장 측정항목 사용)를 사용하면 이제 표준 측정항목 외에도 커스텀 PromQL 측정항목을 기반으로 확장 및 축소할 수 있으므로 비즈니스에 의미 있고 고유한 조건에 따라 워크로드를 트리거할 수 있습니다. 여기에서 자세히 알아보세요.
새로운 기능: 또 다른 확장성 기능은 GKE 포드 스냅샷으로, 이를 통해 CPU 및 GPU 메모리를 포함한 워크로드의 실행 상태를 저장하고 필요에 따라 복원할 수 있습니다. 내부 테스트에 따르면 GKE 포드 스냅샷 사용 시 AI 추론 시작 시간을 최대 89% 단축할 수 있습니다. 여기에서 자세히 알아보세요.
새로운 마이그레이션 도구: 마지막으로, AWS EKS에서 GKE로 컨테이너 워크로드를 마이그레이션하고 싶었지만 까다롭고 번거로운 엔지니어링 작업이 두려웠다면, Google Cloud가 최근 출시한 GKE 에이전트형 마이그레이션을 사용해 보세요. 이 도구는 불안정하고 임시적인 프롬프팅을 결정론적 가드레일로 보호되는 AI 지원 마이그레이션 파이프라인으로 대체하는 전용 에이전트 플러그인입니다. 에이전트 스킬과 로컬 모델 컨텍스트 프로토콜(MCP) 서버의 컴파일로 설계된 이 도구는 AI를 사용하여 복잡한 AWS EKS IaC 및 Kubernetes 매니페스트를 GKE 시작 영역으로 직접 변환합니다. 온보딩 가이드를 참고하여 시작하세요.
기능 업데이트: 강화 학습(RL) 및 평가 워크로드는 매우 까다롭습니다. 표준 에이전트형 RL 루프에서 LLM 정책은 GPU에서 코드 스니펫과 같은 작업을 생성하고 이를 격리된 CPU 샌드박스 내에서 실행하여 보상 신호를 관찰합니다. 그러나 수만 개의 동시 배포를 지원하도록 이 루프를 확장하면 유휴 상태의 가속기, 이미지 카디널리티, 포화 상태의 컨트롤 플레인과 같은 인프라 병목 현상이 발생합니다. 이를 위해 RL에 최적화된 GKE Agent Sandbox와 Agent Sandbox RL 조정 SDK, 인기 있는 RL Gym 및 하네스를 위한 기본 통합을 개발했습니다. 모두 정식 버전으로 제공되고 있으며 자세한 내용은 여기에서 확인할 수 있습니다.

스토리지 업데이트: AI는 많은 데이터를 학습하고 생성하며, 이러한 데이터는 블록 스토리지 시스템, 파일 시스템, 객체 스토어, 데이터베이스 등 어딘가에 저장되어야 합니다. Google Cloud는 이 중요한 레이어가 에이전트형 워크로드의 요구사항을 충족할 수 있도록 스토리지 포트폴리오의 개선사항을 발표했습니다.

제품 업데이트: Filestore 에이전트 볼륨은 에이전트형 워크로드를 위한 고성능의 탄력적인 영구 파일 스토리지를 제공합니다. GKE Agent Substrate 및 GKE 에이전트 샌드박스와의 긴밀한 통합 덕분에 Filestore 에이전트 볼륨은 전용 격리 파일 작업공간을 GKE 에이전트 샌드박스에 밀리초 단위로 자동 할당하고 연결합니다. 여기에서 프리뷰 액세스를 요청하세요.
새로운 제품: 생성형 AI 및 RAG 데이터 레이어(예: Milvus, Pinecone, Qdrant, Vespa, Redis, 인메모리 컨텍스트 캐싱)를 실행하는 경우, 주요 하이퍼스케일러 중 코어당 가장 높은 IOPS와 처리량을 제공하는 M4N VM 제품군(현재 정식 버전 출시됨)을 살펴보세요. Google Cloud의 커스텀 Titanium 오프로드 아키텍처 및 Hyperdisk Extreme과 결합된 M4N 인스턴스는 최대 25,000MiB/s(25GiB/s)의 집계 호스트 스토리지 성능과 최대 100만 IOPS를 제공합니다.
새로운 제품: 또 다른 새로운 Compute Engine 제품인 Z4D가 정식 버전으로 출시되었으며, 이는 AI/ML 학습 및 추론 워크로드를 위한 강력한 스토리지 솔루션입니다. 베어메탈 인스턴스로 구성된 Z4D는 에이전트형 마이크로 VM에 필요한 높은 로컬 SSD(LSSD) 용량과 짧은 지연 시간을 모두 제공하므로 호스트당 수천 개의 격리된 샌드박스를 기본 성능과 효율성으로 실행할 수 있습니다. 여기에서 Z4D 머신에 대해 자세히 알아보세요.
제품 업데이트: 오늘날의 AI 학습 및 추론 파이프라인은 대부분의 스토리지 관리 시스템이 대응할 수 있는 속도보다 더 빠르게 데이터를 생성하므로 스토리지 자산을 파악하려는 팀에 어려움을 초래합니다. 새로운 버전의 Storage Intelligence Advisor를 사용하면 '버킷에 무엇이 들어 있는지'에 대한 질문에 더 쉽게 답하고 예상치 못한 변경사항을 빠르게 식별할 수 있습니다. 또한 향상된 일괄 작업을 통해 버킷 전반에서 대량 변경사항을 자동화할 수 있습니다. 예를 들어 스토리지 클래스를 이동하거나, 오래되었거나 임시 데이터를 일괄 삭제하거나, 메타데이터, 태그 지정, 보관, 암호화 변경사항을 적용할 수 있습니다. 여기에서 Storage Intelligence Advisor의 최신 소식을 알아보세요.
새로운 제품: 마지막으로, 새로운 버전의 PostgreSQL용 AlloyDB는 선구적인 Google 인프라인 Colossus 분산 파일 시스템과 Jupiter 네트워크를 결합하여 에이전트 시대를 위한 타협 없는 새로운 데이터베이스 아키텍처를 지원합니다.

실무자 가이드 및 방법

방법: 전 세계에 흩어져 있는 GPU와 TPU를 단일 진입점 뒤에서 단일 풀로 작동하게 하고 싶으신가요? 이 블로그에서 그 방법을 알려드립니다. 에지에서는 멀티 클러스터 GKE Inference Gateway가 전역, 멀티 리전 트래픽 분산 및 고가용성에 중점을 둡니다. 그 아래에서는 LLM-d 라우터가 사용률을 높게 유지하는 복잡한 메모리 인식 예약 알고리즘을 처리합니다. 이 아키텍처는 의도적으로 런타임, 모델, 가속기와 무관하게 설계되었으며, 테스트에서는 멀티 클러스터 GKE Inference Gateway를 통해 트래픽을 라우팅할 때 추가된 오버헤드가 1% 미만이었습니다.
가이드: AI 모델 학습 또는 추론을 위해 TPU에서 GKE를 사용 중이거나 사용할 계획이신가요? 대규모 언어 모델(LLM)을 학습시키거나 높은 처리량의 추론 서빙을 실행하려면 Cloud TPU 및 GPU와 같은 특화된 AI 하드웨어에 상당한 투자가 필요합니다. 지출 비용을 최대한 활용하려면 GKE의 워크로드 수명 주기 측정항목을 이해해야 합니다. 이 상세 가이드에서는 불투명한 클러스터 동작을 활용 가능한 원격 분석으로 전환하는 방법을 설명합니다.

고객 및 파트너 업데이트

GKE 고객: 게임 스타트업 SeaVerse가 멀티 테넌트 워크로드에 GKE 에이전트 샌드박스를 사용하는 이유와 이 플랫폼을 통해 인프라 비용을 60% 절감한 방법을 알아보세요.

연구, 보고서, 심층 분석

혹시 놓치셨을까 봐 알려드리자면, Google은 Gartner와 Forrester의 주요 분석 보고서 3개에서 제품 또는 전략 부문 최고 점수를 획득하는 등 리더로 선정되었습니다.

Google, The Forrester Wave™: 2026년 3분기 퍼블릭 클라우드 플랫폼 부문 리더로 선정: 모든 클라우드 제공업체 중 가장 높은 종합 점수 획득
Google, 2026년 Gartner® Magic Quadrant™의 전략적 클라우드 플랫폼 서비스 부문에서 리더로 선정: 평가 대상 공급업체 중 '비전의 완전성' 부문에서 가장 선도적인 업체로 선정되었습니다.
Google, 2026년 Gartner Magic Quadrant의 컨테이너 관리 부문에서 리더로 선정: 평가 대상 공급업체 중 '실행 능력' 면에서 가장 높은 순위를 차지했습니다.
Google Cloud는 전 세계 GPU 제공업체의 안정성, 성능, 지원, 가격, 보안을 평가하는 최신 SemiAnalysis ClusterMax 3.0 보고서에서 골드 등급을 받았습니다. 자세한 내용은 보고서 전문을 참고하세요.

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.

Google Cloud CLI 원격 MCP 서버로 에이전트 역량 강화

Sun, 11 Oct 2026 19:00:00 +0000

오늘 Google은 프리뷰 버전의 Google Cloud CLI 원격 MCP 서버를 새롭게 선보이며, 관리형 원격 MCP 서버 생태계를 확장합니다.

널리 사용되는 gcloud 및 bq(BigQuery) 명령줄 도구를 기반으로 하는 이 새로운 서버는 AI 에이전트가 Google Cloud 인프라를 관리하고 고급 BigQuery 워크플로를 안전하고 원활하게 처리할 수 있도록 명령줄 작업에 대한 즉각적이고 광범위한 액세스를 제공합니다.

AI 에이전트에 CLI가 중요한 이유

에이전트가 수행하는 클라우드 작업이 점점 더 복잡해지고 있지만, 백엔드 시스템과의 상호작용 방식을 표준화하는 일은 여전히 까다로운 과제로 남아 있습니다. Google Cloud CLI 원격 MCP 서버는 수백 개의 gcloud 및 bq 명령어의 다기능성을 하나의 MCP 서버로 패키징하여 이러한 격차를 해소합니다. 이를 통해 에이전트는 다음과 같은 두 가지 강력한 이점을 얻을 수 있습니다.

상위 수준 추상화: CLI 명령어는 다단계 API 조정을 요구하는 대신 복잡한 다단계 워크플로, 검증 확인, 상위 수준 작업을 통합 명령어로 패키징합니다.
모델 학습 활용: LLM은 공개 명령줄 문서, 문법, 사용 예시를 바탕으로 광범위하게 사전 학습되므로 모델에 대한 CLI 호출이 직관적이고 정확도가 높습니다.

원격 MCP 기반 CLI 활용의 장점

AI 에이전트로 클라우드 인프라를 관리하려면 일반적으로 에이전트 실행 환경 내에 Google Cloud CLI 바이너리를 설치하고 유지보수해야 합니다. Cloud CLI 원격 MCP 서버는 Google Cloud 인프라에 격리된 실행 샌드박스를 제공하여 CLI 기능과 MCP 이점을 연결합니다. 이를 통해 다음과 같은 주요 인프라 과제를 해결할 수 있습니다.

간소화된 종속 항목 및 런타임 관리: 커스텀 에이전트를 빌드하는 팀의 경우 개발, 테스트, 프로덕션 환경에서 로컬 CLI 버전과 종속 항목을 유지하는 데 운영 오버헤드가 발생합니다. 원격 MCP를 사용하면 로컬 설치와 런타임 유지보수의 번거로움이 사라집니다.
웹 기반 에이전트 엔드포인트에 대한 액세스: 웹 호스팅 에이전트 플랫폼 및 웹 인터페이스(예: Gemini Enterprise 및 기타 호스팅된 엔터프라이즈 에이전트 플랫폼)는 사용자가 로컬 패키지를 제어하거나 설치할 수 없는 환경에서 실행됩니다. 원격 MCP를 사용하면 이러한 인터페이스에서 Google Cloud CLI 작업에 안전하게 관리형 방식으로 직접 액세스할 수 있습니다.

엔터프라이즈급 보안 및 거버넌스

AI 에이전트를 인프라에 연결하려면 엄격한 엔터프라이즈급 보호 장치가 필요합니다. 이 원격 서버는 Google Cloud의 표준 ID 및 거버넌스 프레임워크를 활용하여 환경을 안전하게 보호합니다.

제로 앰비언트 사용자 인증 정보: 서버는 앰비언트 사용자 인증 정보가 없는 네트워크 제한 프록시 경계에서 실행을 격리합니다. 인증 및 승인은 에이전트 아이덴티티, OAuth 2.0, Identity and Access Management (IAM)를 통해 처리됩니다.
엄격한 정책 시행: 원격 MCP 서버를 통해 실행되는 모든 명령어는 인증된 호출자 ID의 권한으로 실행됩니다. 표준 IAM 권한과 조직 정책 서비스 제약조건 모두 다운스트림 대상 리소스에 엄격하게 적용됩니다.
Model Armor를 통한 고급 보호: AI 도구 호출과 관련된 위험을 최소화하기 위해 Cloud CLI 원격 MCP 서버는 Model Armor와 통합됩니다. LLM 프롬프트와 응답을 선제적으로 검사하여 프롬프트 인젝션 및 악성 입력과 같은 위험으로부터 보호할 수 있습니다.
Cloud 감사 로깅: Cloud CLI 원격 MCP 서버는 모든 도구 호출을 감사 로그(cloudcli.googleapis.com/mcp의 데이터 액세스 로그)에 기록하도록 구성할 수 있습니다. 보안팀은 민감한 명령어 페이로드나 개인 식별 정보(PII)를 노출하지 않고도 호출자 ID, OAuth 클라이언트, IAM 승인 결정(mcp.googleapis.com/tools.call)을 완벽하게 파악할 수 있습니다.

Google Cloud CLI 원격 MCP 서버에 연결

클라우드 관리를 에이전트에 통합할 때 더 이상 Google Cloud CLI 바이너리를 패키징하거나, 로컬 실행 런타임을 관리하거나, 에이전트 컨테이너 이미지 내에서 종속 항목을 유지할 필요가 없습니다. Google Cloud CLI 원격 MCP 서버는 표준 모델 컨텍스트 프로토콜을 구현하므로 MCP 호환 에이전트 플랫폼 또는 조정 런타임은 표준 구성을 통해 즉시 연결할 수 있습니다.

code_block: <ListValue: [StructValue([('code', '{\r\n "mcpServers": {\r\n "google-cloud-cli": {\r\n "uri": "https://cloudcli.googleapis.com/mcp",\r\n ...\r\n }\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fbecca47dd0>)])]>

에이전트는 네트워크가 격리된 안전한 클라우드 샌드박스에서 gcloud 및 bq 명령어를 실행할 수 있는 액세스 권한을 즉시 얻습니다.

인증은 호스팅된 Google Cloud 플랫폼의 경우 키 없는 에이전트 아이덴티티를 통해 처리되고, 외부 런타임의 경우 표준 OAuth 2.0을 통해 처리됩니다. 인증 옵션은 MCP 인증 가이드를 참고하세요.

에이전트에 인프라 관리 기능 제공

Cloud CLI 원격 MCP 서버는 두 가지 강력한 도구인 run_gcloud_command와 run_bq_command를 노출하여 AI 에이전트가 자연어를 통해 Google Cloud 작업에 광범위하고 즉각적으로 액세스할 수 있도록 합니다.

run_gcloud_command를 사용하여 클라우드 인프라 관리

run_gcloud_command를 사용하면 에이전트가 광범위한 gcloud 작업을 실행하여 Google Cloud 환경을 관리하고, 진단하고, 보호할 수 있습니다. 예시는 다음과 같습니다.

모니터링 가능성 및 사고 진단: 에이전트는 명령어 실행을 자동화하고 도구 간 컨텍스트 전환을 줄여 사고 진단을 간소화합니다.

run_bq_command 도구를 사용한 BigQuery 작업 확장

BigQuery MCP 서버는 이미 AI 에이전트를 통한 데이터 분석 및 탐색을 지원하고 있습니다. 여기에 run_bq_command가 도입되면서, 이제 에이전트는 bq CLI의 모든 기능을 활용해 리소스 할당, 작업 모니터링, 작업 예약과 같은 고급 BigQuery 작업을 수행할 수 있게 되었습니다. 주요 기능은 다음과 같습니다.

예약된 쿼리 자동화: 에이전트가 BigQuery Data Transfer Service 구성을 사용하여 쿼리 예약 작업을 자동으로 수행합니다.
작업 및 리소스 관리: 처리된 데이터 볼륨, 슬롯 사용량, 실행 계획을 포함한 쿼리 실행 세부정보에 대한 심층적인 인사이트를 얻고 예약을 관리합니다.
액세스 및 권한 제어: 데이터 관리자와 소유자는 에이전트를 통해 직접 테이블 권한을 검사하고 업데이트할 수 있습니다.

가격 책정 및 가용성

Google Cloud CLI MCP 서버를 오늘부터 공개 프리뷰로 만나보실 수 있습니다. MCP 서버 자체를 사용하는 데는 추가 요금이 부과되지 않습니다. 직접 생성한 GCP 리소스와 해당하는 데이터 전송 비용에 대해서만 비용을 지불하면 됩니다.

시작하려면 Google Cloud 프로젝트에서 Cloud CLI Execution API (`cloudcli.googleapis.com`)를 사용 설정하고, 에이전트 또는 사용자 ID에 필요한 MCP 도구 사용자 (`roles/mcp.toolUser`) IAM 역할을 부여하고, MCP 클라이언트가 `cloudcli.googleapis.com/mcp`에 연결되도록 구성합니다.

Gemini at Work 2026: 제미나이 에이전트를 소개합니다

Fri, 09 Oct 2026 15:00:00 +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): 사용자 질문 답변과 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.

업무를 위한 새로운 단일 범용 에이전트인 제미나이 에이전트

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 앤트로픽의 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 학습하는 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 임직원이 사용하는 사내 생성형 AI 비서 ‘LLM@CIB’에 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.

전 세계 기업들이 제미나이 엔터프라이즈로 실질적인 비즈니스 성과를 만들어내고 있습니다

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, Workday에서 직접 읽을 수 있으며, Databricks Unity, Snowflake Horizon, AWS Glue 전반에서 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, S&P Global, 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 제어 및 지출 관리 옵션

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 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, 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.
영국의 주요 금융 그룹인 로이드뱅킹그룹(Lloyds Banking Group)은 제미나이 기반의 안전한 개발 환경인 ‘엔보이(Envoy)’를 구축해 은행 전반에 에이전틱 AI를 빠르게 확산시키고 있으며, 1,000명에 가까운 엔지니어가 실제 서비스에 즉시 도입 가능한 AI 기술을 개발 중에 있습니다. 엔보이는 이상 거래 탐지부터 기업 고객 온보딩에 이르기까지 재사용 가능한 에이전트 마켓플레이스, 에이전트 구축을 위한 표준 개발 방식, 자동 구축 및 배포 시스템(CI/CD)을 함께 제공합니다. 이 모든 과정은 엄격한 금융 규제가 요구하는 안전장치 및 보안 체계 안에서 진행됩니다.

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.
카타르의 대표 통신사인 우레두 카타르(Ooredoo Qatar)는 최첨단 자동화와 인텔리전스를 구현하기 위해 제미나이 엔터프라이즈를 AI 전환 전략에 적극적으로 통합하고 있습니다. 고객 지원, 마케팅, 보안, 현장 운영 팀에 맞춤형 AI 에이전트를 도입해 내부 운영 관리를 최적화하는 한편, 마케팅 캠페인 과 고객 문제 해결 속도를 크게 끌어올리며 24시간 내내 맞춤형 고객 경험을 선제적으로 제공하고 있습니다.
카타르의 최고 고등교육 기관인 카타르 대학교(Qatar University)는 대학 전체에 제미나이 엔터프라이즈를 도입해 행정 운영과 학술 연구 분야를 대대적으로 혁신하고 있습니다. 수천 명의 교직원과 연구진이 2,000개 이상의 맞춤형 AI 에이전트를 활용해 복잡한 행정 업무를 자동화하고 현대화하며, 교육 및 연구 생산성을 대폭 향상시키고 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), 애플리케이션 개발 분야 플랫폼 러버블(Lovable), 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.
동남아시아 최대 은행 그룹인 DBS 은행(DBS Bank)은 에이전트의 시범 운용을 넘어 전사적 운영 단계로 확장하고 있습니다. 구글 클라우드 환경에서 70-80개의 전문 AI 에이전트로 구성된 결정론적 체인을 배포해, 기업 신용 평가 보고서 작성을 위한 복잡한 금융, 규제, 시장 데이터를 하나로 종합하고 분석합니다. 이를 통해 기업금융 담당자들은 수작업 조사 업무에서 벗어나 사람의 개입 및 감독 체계를 유지하면서도 고부가가치 고객 자문 서비스에 더욱 집중할 수 있게 됐습니다.
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 30% 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.
글로벌 철강 제조 기업 타타 스틸(Tata Steel)은 9개월 만에 300개 이상의 맞춤형 AI 에이전트를 성공적으로 도입해 제조 현장의 안전을 강화하고, 예측 기반 공급망을 최적화하며, 고객 불만 처리 시간을 50% 단축했습니다.
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), TCS 등 전자, 무역, 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.
미국의 대표 에너지 기업인 컨스텔레이션 에너지 그룹(Constellation Energy Company)은 핵심 운영 시스템에 제미나이 엔터프라이즈 기반 에이전틱 워크플로를 직접 구축할 예정입니다. 전력 생산 팀은 첨단 AI 기능을 활용해 전력 공급을 가속화하고, 배분을 최적화하며, 핵심 인프라를 보호할 수 있게 됩니다.
하니웰 테크놀로지스(Honeywell Technologies)는 자사 플랫폼인 포지(Forge) 플랫폼에 제미나이 엔터프라이즈 기반의 예측 정비 기능을 통합해 대규모 운영 데이터의 맥락을 분석하고 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.
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), 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

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 0x7fbeccd6ead0>)])]>

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.

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.}

AI 및 머신러닝

Google Cloud에서 Claude 가용성 및 배포 옵션 확대

[신규] Google Cloud 기반의 Claude 모델(Anthropic 관리형)

Google Cloud 기반 Claude 모델(Google 관리형)

배포 옵션 비교

이제 Google Antigravity에서 사용할 수 있는 Claude Opus 5.5와 Claude Sonnet 5.5

Antigravity의 멀티 모델 엔지니어링 패턴

패턴 1: 루프 및 그래프 워크플로의 교차 모델 검증('LLM-as-a-Judge')

패턴 2: 추론 모델과 Flash 하위 에이전트 페어링

시작하기

Google Cloud에서 완전한 가상 차량 빌드하기: AAOS부터 가장 작은 MCU까지

조종석은 이미 클라우드에서 실행되고 있습니다.

가상 차량을 감싸는 하네스

나중이 아닌 초기에 수행하는 도메인 간 통합

완전 자율 차량의 최첨단

지금 시작해야 하는 이유와 시작하는 방법

자율성 설계: 생명공학 분야의 고성능 컴퓨팅, 거버넌스형 에이전트를 위한 설계 패턴

3계층 패턴

실행 계층: 근육 확장 - 고성능 컴퓨팅 실행

인지 계층: 멀티 에이전트 추론

고성능 컴퓨팅 파이프라인의 성능 권장사항

엔터프라이즈 거버넌스와 비대칭적 자율성

패턴과 앞으로 나아갈 방향

에이전트 플러그인 빌드를 통해 배운 4가지 평가 엔지니어링 교훈

1. 요약 대신 실행 단계 평가

2. 비동기 작업을 위한 평가 설계

3. 실시간 실행과 '드라이 런'을 나란히 테스트

4. '골든 세트'를 지속 가능한 기준으로 사용

알림: '원샷' 데모 대신 평가 세트를 활용해야 합니다.

다음 단계

Google, 2026년 IDC MarketScape의 에이전트 AI 플랫폼 부문에서 리더로 선정

실제 업무 현장을 지원하는 Gemini

1. 빌더와 비즈니스팀을 연결하는 플랫폼

2. 다양한 모델, 엔터프라이즈 데이터 및 도구에 적용되는 철저한 개방성

3. 더 스마트한 토큰 경제

4. 기본 제공되는 거버넌스와 보안

앞으로의 방향

Gemini 에이전트가 스타트업에 미치는 영향

Gemini 에이전트란 무엇인가요?

스타트업을 위한 5가지 핵심 사항

이미 빌드 중인 창업자

Google for Startups와 함께 빌드

예측 가능한 BigQuery AI 비용: 생성형 AI 함수의 비용 관리 기능 출시

비용 관리를 위한 할당량 설정

어떤 함수에 적용되나요?

할당량 관리

사용량 모니터링

토큰 할당량과 결제 지출 한도 비교

할당량 적용 방식

AI.COUNT_TOKENS를 사용한 입력 데이터 크기 측정

토큰 사용량을 예산으로 환산하는 계산 예시

AI 비용 관리를 위한 권장사항

시작하기

Google Cloud, OpenAI 모델 지원으로 고객의 모델 선택권과 유연성 대폭 확대

모든 워크로드에 최적화된 맞춤형 모델

기본 내장된 데이터 거버넌스 및 엔터프라이즈 보안

시작하기

Google Cloud, 비즈니스의 가장 어려운 문제를 해결하도록 설계된 Gemini 4 Argon 출시

Argon이 비즈니스 운영 방식을 변화시키는 4가지 방법

1. 가장 어려운 업무를 대신 처리

2. 비즈니스를 이끄는 업무에 대한 정확하고 검증 가능한 결과

3. 더 빠르게 제품을 빌드하고 출시

4. 코드와 비즈니스를 위한 더 강력한 방어

사전 체험 프로그램에 참여한 엔터프라이즈 고객과 파트너는 이미 Argon을 통해 큰 성과를 거두고 있습니다.

시작하기

아일랜드의 혁신: 아일랜드 브랜드가 Gemini Enterprise를 통해 비즈니스를 확장하는 방법

Ryanair, AI 기반 운영으로 수백만 명의 승객 지원

Smyths Toys, 에이전트형 지원으로 고객 경험 혁신

아일랜드 국세청: 공공 부문 데이터 활용의 혁신

Virgin Media Ireland: 워크플로 가속화

엔터프라이즈 도구를 활용해 비즈니스를 확장하는 아일랜드 스타트업

Hexis: 맞춤형 스포츠 영양 서비스 확장

Kitman Labs: 경기력 분석의 통합

Spryt: 의료 조정 업무의 자동화

IMPT: 탄소 상쇄 자동화

아이디어를 계획 단계에서 프로덕션 단계로 전환

9월 AI 인프라 및 조정 기능에 관한 새로운 소식

제품, 기술, 도구 업데이트

실무자 가이드 및 방법

고객 및 파트너 업데이트

`AI.COUNT_TOKENS를 사용한` 입력 데이터 크기 측정