이번 발표에서 제일 눈에 띈 건 성능 수치도, 새 모델 이름도 아니었다. 에이전트에게 이메일 주소가 생기고, 캘린더와 드라이브가 생기고, 조직도에 이름이 올라간다는 대목이었다. 팀원이 한 명 늘어나는 것처럼 AI가 들어온다는 이야기다. 이쯤 되면 “AI 도구를 쓴다”는 표현으로는 설명이 안 된다. 구글 클라우드가 최근 행사에서 공개한 제미나이 에이전트는 바로 이 지점을 겨냥하고 있다.
발표 내용이 워낙 방대해서 그대로 따라가면 기능 카탈로그가 되어버린다. 그래서 이 글에서는 기능을 나열하기보다, 구글이 어떤 문제를 풀려고 이런 구조를 택했는지에 초점을 맞춰 정리해 보려 한다. 에이전트를 직접 만들어 본 사람이라면 “아, 거기가 어려운 부분이었지” 하고 고개를 끄덕일 대목이 꽤 있다.
이번 발표를 한 줄로 말하면
구글 클라우드의 토마스 쿠리안 CEO는 제미나이 앳 워크 2026 기조연설에서 기업용 범용 에이전트인 제미나이 에이전트를 내놓았다. 핵심은 사용자가 실행 단계를 하나하나 지시하지 않고 원하는 결과만 전달하면 된다는 것이다. 에이전트가 작업을 계획하고, 필요한 스킬과 도구를 고르고, 기업 시스템에 연결해서 문서나 이메일, 개발 환경 같은 기존 업무 공간에 완성된 결과물을 가져다 놓는다.
질문 응답, 지식 업무, 이미지와 미디어 생성, 코드 작성과 실행이 하나의 에이전트, 하나의 API로 묶였다는 점도 중요하다. 지금까지는 업무마다 다른 도구를 열어야 했다. 문서는 문서 도구에서, 코드는 코딩 도구에서, 데이터는 분석 도구에서 따로 작업했다. 이걸 하나의 입구로 합치겠다는 것이 이번 전략의 뼈대다. 사용자는 목표를 지정할 수도 있고, 작업을 예약할 수도 있고, 특정 이벤트가 발생했을 때 에이전트가 반응하도록 걸어둘 수도 있다.
그리고 시간의 개념이 달라졌다. 수시간에서 수일이 걸리는 작업도 클라우드에서 계속 돌아간다. 노트북을 닫거나 다른 기기로 옮겨도 작업 상태와 기억, 맥락이 이어진다. 챗봇은 창을 닫으면 끝나지만 에이전트는 내가 자리를 비운 사이에도 일을 한다는 얘기다. 이 차이가 생각보다 크다.
이메일 주소를 가진 AI 팀원, 동료 에이전트
가장 흥미로운 기능은 동료 에이전트다. 필요한 역할을 말로 설명하면 그 역할을 수행하는 에이전트가 만들어진다. 이 에이전트는 자체 이메일 주소와 캘린더, 드라이브 같은 업무 계정을 받고 조직 디렉터리에 등록되어 팀원처럼 활동한다.
예시가 구체적이다. 마케팅 담당자가 팀 채팅에서 행사 준비 에이전트에게 출시 준비 문서를 써달라고 요청한다. 에이전트는 작업을 마치고 결과물을 채팅에 올리거나, 문서 댓글로 수정 사항을 제안한다. 여기서 중요한 건 에이전트가 사용자의 계정을 빌려 쓰지 않고 자기 정체성으로 일한다는 점이다. 접근 범위도 팀이 공유한 정보와 권한 안으로 한정된다.
이 구조가 왜 중요한지는 에이전트를 실제 업무에 붙여 본 사람이면 안다. 에이전트가 내 계정으로 움직이면 사고가 났을 때 누가 한 일인지 구분이 안 된다. 내 권한이 그대로 에이전트에게 넘어가니 필요 이상의 접근권을 주게 되는 문제도 생긴다. 에이전트를 별도의 직원처럼 취급해서 신원과 권한을 따로 주는 방식은 이 두 문제를 한꺼번에 풀려는 시도다. 뒤에서 다룰 보안 체계도 같은 생각에서 출발한다.
워크스페이스 안에서 이메일부터 보고서까지
제미나이 에이전트는 구글 워크스페이스와 직접 통합된다. 지메일, 드라이브, 문서, 슬라이드, 스프레드시트, 채팅, 캘린더 안에서 별도의 작업 공간으로 넘어가지 않고 일한다. 이것이 말처럼 단순한 일은 아니다. 대부분의 에이전트 서비스가 별도 창에서 따로 노는 이유가 바로 기존 업무 도구와의 접점이 없기 때문이다.
발표에서 든 사례를 보면 감이 온다. 다음 주에 지역 행사 담당자들과 회의를 잡아달라고 하면, 에이전트는 기존 채팅방과 이메일 기록을 보고 대상자를 파악한다. 참석자들의 일정을 확인한 뒤 조율 이메일을 쓴다. 외부 참석자가 있는 일정도 처리한다. 시장 동향을 조사하고, 스프레드시트에 재무 모델을 만들고, 그 결과를 발표 자료로 정리하는 여러 앱에 걸친 작업도 하나의 흐름으로 이어진다. 앱을 옮길 때마다 프로젝트 배경을 다시 설명할 필요가 없도록 같은 기억과 맥락을 유지한다고 한다.
개인적으로 가장 현실적이라고 느낀 건 에이전트가 먼저 제안하는 기능이다. 관리자가 최신 프로젝트 현황을 슬라이드로 정리해 달라는 이메일을 보내면, 업무 맥락 분석 기능이 이걸 위임 가능한 작업으로 알아보고 사용자가 클릭 한 번으로 에이전트에게 맡길 수 있게 해준다. 사람들은 에이전트에게 일을 시키는 방법을 고민하는 데 의외로 많은 시간을 쓴다. 맡길 만한 일을 에이전트가 먼저 짚어주면 그 진입 장벽이 꽤 낮아진다.
도구, 스킬, 기억으로 기업 맥락을 이해하는 방법
에이전트가 똑똑해 보이는 것과 우리 회사 일을 아는 것은 별개의 문제다. 구글은 이걸 도구, 스킬, 기억 세 가지의 조합으로 풀었다.
도구는 에이전트를 기업이 이미 쓰는 시스템과 이어주는 부분이다. 컨플루언스, 마이크로소프트 오피스, 팀즈, 슬랙, 세일즈포스, 서비스나우, 지라 같은 협업과 업무 플랫폼이 지원 목록에 올랐다. 빅쿼리, 데이터브릭스, 포스트그레스, 스노우플레이크 같은 데이터 시스템도 포함된다. 여기에 모델 컨텍스트 프로토콜, 즉 MCP 서버를 통해 사내외 도구를 연결할 수 있고, 기업이 자체 도구를 만들어 공용 레지스트리에 등록하면 다른 팀과 공유할 수 있다. 한 팀이 만든 도구가 조직 전체의 자산이 되는 구조다.
스킬은 특정 업무에 필요한 지침과 지식, 작업 절차를 모듈처럼 묶어 재사용하게 만든 단위다. 신용 분석이나 계약 검토, 보고서 작성처럼 부서마다 다른 일을 스킬로 만들어 공유할 수 있다. 에이전트는 작업에 맞는 스킬과 도구를 알아서 골라 쓴다. 에이전트를 새로 만드는 대신 업무 노하우를 스킬로 쌓아간다는 발상이라서, 조직의 지식이 에이전트와 분리되어 축적된다는 장점이 있다.
기억은 네 갈래로 나뉜다. 지금 하고 있는 작업의 진행 상황을 붙들어두는 세션 기억, 문서와 대화에서 쌓은 지식을 구조화하는 의미 기억, 업무 수행 절차를 저장하는 절차 기억, 과거에 한 작업을 기록하는 일화 기억이다. 사람의 기억 분류와 닮아 있어서 직관적이다. 이 기억 덕분에 에이전트는 매번 처음부터 설명을 듣지 않고, 조직이 일하는 방식과 데이터 구조, 지난 작업 이력을 바탕으로 움직인다. 에이전트를 만들 때 가장 자주 부딪히는 문제가 바로 이 지속되는 맥락이라, 기억을 제품의 기본 구조로 넣었다는 점은 의미가 크다.
모델을 고르는 에이전트, 지출을 막는 장치
이번 발표에서 의외였던 부분은 멀티모델 전략이다. 제미나이 모델만 쓰는 게 아니라 앤트로픽의 클로드 모델도 활용하고, 앞으로 다른 주요 폐쇄형과 오픈 모델도 지원할 계획이라고 한다. 에이전트가 작업의 난도와 특성에 따라 모델을 고르고, 큰 프로젝트에서는 서로 다른 모델을 조합해 품질과 비용을 맞춘다.
이건 업무마다 가장 크고 비싼 모델을 쓰는 낭비를 줄이겠다는 접근이다. 복잡한 추론에는 고성능 모델을, 단순하고 반복적인 작업에는 가벼운 모델을 쓰는 식이다. 직접 에이전트를 운영해 본 사람이라면 모델 비용이 생각보다 빠르게 불어난다는 걸 안다. 스마트 라우팅은 업무를 분석해서 성능과 비용 면에서 적절한 모델로 알아서 배분해 준다.
더 현실적인 장치는 실시간 지출 한도다. 클라우드 결제 콘솔에서 프로젝트별로 AI 지출 상한을 정해두면, 한도에 도달했을 때 해당 프로젝트의 에이전트 작업이 일시 중지된다. 관리자가 콘솔에서 다시 시작해야 한다. 구글 클라우드는 2024년 이후 토큰당 가격이 98퍼센트 떨어졌지만 기업의 AI 사용량은 오히려 급증했다고 설명했다. 단가가 내려가도 총비용은 오르는 상황이 벌어진다는 뜻이다. 에이전트가 밤새 혼자 일하는 구조라면 비용 사고를 막는 브레이크가 기능만큼이나 중요하다.
데이터 분석과 머신러닝까지 자연어로
이번 발표는 개발자와 데이터 담당자를 위한 기능도 꽤 비중 있게 다뤘다. 데이터 과학자나 엔지니어가 원하는 결과를 자연어로 설명하면 에이전트가 파이스파크 코드를 만들고, 고치고 시험할 수 있는 노트북을 제공하며, 모델 학습이나 데이터 파이프라인의 문제 해결까지 돕는다.
일반 업무 사용자 쪽에서는 운영 보고서 생성이 눈에 띈다. 자연어로 질문하면 에이전트가 빅쿼리와 지식 카탈로그를 이용해 필요한 데이터를 찾고 질의를 구성해서 저장한다. 저장된 보고서는 다시 실행할 수 있어서 매번 토큰을 쓰지 않고도 같은 결과를 얻는다. 처음 한 번만 AI가 질의를 만들고 이후에는 일반 쿼리처럼 돌린다는 설계는 비용 면에서 꽤 영리하다.
지식 카탈로그는 기업 안에서 순이익률이나 잠재 시장 같은 용어가 어떤 기준으로 쓰이는지를 정리해 분석 정확도를 높인다. 같은 단어를 부서마다 다르게 쓰는 일은 흔하다. 이런 정의가 정리되어 있지 않으면 에이전트는 그럴듯하게 틀린 숫자를 내놓는다. 구글 클라우드는 블룸버그 미디어가 지식 카탈로그를 활용해 개발 초기 단계에서 SQL 질의 정확도를 63퍼센트 높였다고 밝혔고, 스냅은 스토리지 아카이브에 데이터 에이전트를 직접 연결해 기술 진단과 문제 해결 시간을 30분에서 30초로 줄였다고 소개했다. 물론 이 수치는 구글 쪽에서 소개한 사례라는 점은 감안하고 봐야 한다.
데이터를 다른 곳으로 복제하지 않고 쓰는 보더리스 레이크하우스도 함께 공개됐다. 아마존 S3와 애저 데이터 레이크의 데이터를 조회하고, 세일즈포스 데이터 360이나 SAP, 워크데이의 데이터에 직접 접근하며, 아파치 아이스버그 기반 테이블을 여러 플랫폼에 걸쳐 쓸 수 있다. 경쟁사 클라우드의 데이터까지 건드린다는 점에서 구글이 에이전트를 데이터 플랫폼 전략과 한 묶음으로 보고 있다는 신호로 읽힌다.
금융과 법률, 산업별 전문 에이전트
범용 에이전트에 산업별 도구와 지식, 스킬을 얹은 전문 기능도 소개됐다. 지금은 금융 서비스와 법률 분야에서 미리보기로 제공되고, 정부와 의료, 유통으로 넓혀갈 예정이다.
금융 서비스용 제미나이는 투자 조사와 신용 분석, 위험 모델링을 지원한다. 팩트셋, LSEG, S&P 글로벌, 미국 증권거래위원회 공시 자료와 기업 내부 데이터를 활용하고 50개 이상의 기본 스킬을 갖췄다. 눈여겨볼 건 감사 가능성이다. 신뢰도 점수와 분석 방법론, 데이터 출처 추적, 확인 가능한 인용 정보를 제공해서 결과를 검증할 수 있게 설계했다. 금융처럼 책임 소재가 분명해야 하는 분야에서는 답이 맞는지보다 왜 그런 답이 나왔는지를 보여줄 수 있어야 쓸 수 있기 때문이다.
법률 분야에서는 넷도큐먼츠와 아이매니지 같은 문서 관리 시스템의 사건별 권한과 윤리적 접근 제한을 그대로 반영한다. 법률 문서 속 개인정보와 기밀 정보를 공개하기 전에 찾아서 가리는 작업도 자동화할 수 있다.
도입 사례도 공개됐다. 브라질의 브라데스코는 세무, 회계, 계약 문서 분석에 제미나이 엔터프라이즈를 적용해 문서 검토 시간을 한 시간에서 5분으로 줄이고 위험 관련 불일치를 60퍼센트 낮췄다고 한다. 스페인 통신사 오렌지 스페인은 인사, IT, 영업, 고객 서비스 등에서 맞춤형 에이전트를 1,000개 넘게 만들었다. 일본 보험사 솜포는 직원 3만 4,000명 규모의 조직에서 1만 개가 넘는 맞춤형 에이전트를 만들었고, 신규 모델 개발 기간을 일주일에서 하루로 줄였다고 구글 클라우드는 소개했다. 에이전트 수가 직원 수와 비슷해지는 풍경이 눈앞에 와 있다.
에이전트에게 신분증을 주다, 보안과 감사 체계
자율형 에이전트가 기업에서 퍼지려면 결국 권한 관리와 작업 추적, 네트워크 통제가 해결되어야 한다. 구글이 내놓은 답은 에이전트마다 독립된 신원을 주고 사람 직원의 계정처럼 관리한다는 것이다.
각 에이전트는 암호학적으로 검증된 신원을 받고, 조직의 보안 정책에 따라 최소 권한 원칙이 적용된다. 외부 시스템에 연결할 때는 OAuth 같은 표준으로 신원과 권한을 넘긴다. 에이전트가 한 일은 사용자 개인이 아니라 그 에이전트의 이름으로 감사 기록에 남는다. 앞서 동료 에이전트에서 본 구조가 보안 설계에도 그대로 이어지는 셈이다.
실행 환경은 에이전트 샌드박스로 격리한다. 에이전트 사이의 통신과 외부 네트워크 트래픽은 에이전트 게이트웨이를 거치게 해서, 조직의 정책을 실시간으로 적용하는 AI 네트워크 방화벽처럼 작동한다. 특정 등급의 기밀 문서에 에이전트가 접근하지 못하게 정책을 걸면 에이전트마다 규칙을 따로 붙이지 않아도 조직 전체에 일관되게 적용된다. 작업 로그와 실행 환경 기록을 실시간으로 살펴 이상 행동을 잡아내는 기능도 있다.
에이전트를 하나둘 만들 때는 이런 통제가 번거롭게 느껴지지만, 수백 수천 개로 늘어나는 순간 이게 없으면 운영 자체가 불가능해진다. 구글이 기능 발표만큼 많은 시간을 보안에 쓴 이유도 거기에 있다고 본다.
인프라 이야기와 우주에서 도는 제마
마지막으로 인프라 이야기가 있었다. 칩과 네트워크, 데이터센터, 소프트웨어를 통합 최적화하는 AI 하이퍼컴퓨터를 바탕으로, 차세대 TPU 8i 시스템이 이전 세대보다 가격 대비 성능을 80퍼센트 개선했다고 한다. 모델 포트폴리오는 고도 추론용 아르곤, 속도와 대량 처리에 초점을 둔 플래시, 이미지와 미디어 생성용 옴니, 경량 오픈 가중치와 엣지 환경용 제마로 구성된다.
개인적으로 재미있었던 사례는 NASA 제트추진연구소가 제마 모델을 위성에서 직접 돌리고 있다는 부분이다. 위성에 실린 소프트웨어가 지구 관측 이미지를 분석하고 핵심 정보만 요약해 지상 운영자에게 보낸다. 데이터를 전부 내려보내는 대신 현장에서 먼저 판단하는 방식이니, 에이전트와 엣지 AI가 만나는 지점을 보여주는 사례다.
실무자가 눈여겨볼 점
발표를 쭉 보고 나서 정리하면, 이번 발표의 무게는 개별 기능보다 에이전트를 운영 가능한 상태로 만드는 장치들에 있다고 느꼈다. 동료 에이전트의 독립 신원, 에이전트 게이트웨이, 샌드박스, 지출 한도, 감사 기록 같은 것들이다. 에이전트 데모는 이미 충분히 화려하다. 문제는 그걸 회사 안에서 안전하게, 예산 안에서, 책임 소재를 가리면서 돌릴 수 있느냐였고, 구글은 바로 그 부분을 제품 전면에 내세웠다.
다만 조심해서 볼 부분도 있다. 공개된 성과 수치는 대부분 구글 클라우드가 소개한 고객 사례라서 우리 조직에서 같은 결과가 나온다는 보장은 없다. 금융과 법률 전문 에이전트는 아직 미리보기 단계이고, 실제 기능 범위와 요금 체계는 도입 시점에 직접 확인해야 한다. 한 업체의 생태계에 업무 맥락과 기억, 스킬을 깊이 쌓을수록 나중에 옮기기 어려워진다는 점도 장기적으로 따져볼 문제다. 그래서 MCP 같은 개방형 표준을 지원한다는 점이 의미 있는 대목이기도 하다.
마무리하며
정리하면 이렇다. 제미나이 에이전트는 AI를 질문에 답하는 보조 도구에서 오래 일하고 여러 시스템과 협업하는 실행 주체로 넓히려는 구글 클라우드의 전략이다. 하나의 에이전트와 API로 업무를 통합하고, 하위 에이전트를 동적으로 구성해 복잡한 작업을 나눠 처리하며, 도구와 스킬과 기억으로 기업의 맥락을 입힌다. 모델은 작업에 맞게 골라 쓰고, 지출은 한도로 묶고, 에이전트에게는 사람 직원처럼 독립된 신원을 줘서 권한과 책임을 따로 관리한다.
결국 승부는 에이전트가 얼마나 똑똑하냐에서 얼마나 믿고 맡길 수 있느냐로 옮겨가고 있다. 에이전트를 도입하려는 조직이라면 기능 목록보다 먼저 이런 질문을 던져볼 만하다. 이 에이전트는 누구의 권한으로 움직이는가, 한 일은 어디에 기록되는가, 비용이 폭주하면 누가 멈출 수 있는가. 이 질문에 답할 수 있는 플랫폼이 다음 단계의 기업용 AI 시장에서 앞서갈 가능성이 크다.