Google Gemini Enterprise Agent Platform 완전 분석 — AI 에이전트 인프라의 새 기준 (id.news.hada.io)

한줄 요약

Google Cloud, AI 에이전트 전 생애주기를 단일 플랫폼으로 통합 — Vertex AI는 이 안으로 완전 흡수된다.

무엇이 달라지나?

Google Cloud가 Gemini Enterprise Agent Platform을 공식 출시했다. 기존 Vertex AI를 대체·흡수하는 이 플랫폼은 AI 에이전트의 빌드, 스케일, 거버넌스, 최적화를 하나의 환경에서 처리하도록 설계됐다. 앞으로 Vertex AI의 모든 서비스와 로드맵은 이 플랫폼을 통해서만 제공될 예정이다.

기존 AI 플랫폼들이 모델 제공과 API 연동에 집중했다면, 이 플랫폼은 에이전트를 운영 가능한 소프트웨어 단위로 취급한다는 점에서 결이 다르다. 에이전트에 암호화된 고유 ID를 부여하고, 승인된 도구와 에이전트만 중앙 레지스트리에서 관리하며, 게이트웨이에서 보안 정책과 프롬프트 인젝션 방어를 일괄 적용한다. 이는 소프트웨어 개발에서 CI/CD 파이프라인이 등장했을 때와 유사한 구조적 변화다.

핵심 구성 요소를 짚어보면 다음과 같다.

• Agent Studio + ADK: 로우코드 비주얼 인터페이스와 코드 중심 개발 환경을 모두 제공한다. 프롬프트 기반으로 시작해 복잡한 로직이 필요해지면 ADK로 내보내 이어서 개발할 수 있다.
• Agent Runtime: 서브세컨드 콜드 스타트를 지원하며, 에이전트가 수일간 상태를 유지하며 자율 실행하는 장기 워크플로에 대응한다.
• Memory Bank: 대화 기록에서 장기 기억을 자동 생성·관리해 세션이 끊겨도 사용자 맥락과 선호를 유지한다.
• Agent Simulation + Evaluation + Observability: 배포 전 합성 사용자로 시뮬레이션하고, 실제 트래픽에 대한 멀티턴 자동 평가와 추론 흐름 실시간 시각화를 지원한다.
• Agent Optimizer: 실패 패턴을 자동 군집화하고 개선된 시스템 인스트럭션을 제안한다.

모델 유연성도 주목할 부분이다. Model Garden을 통해 200개 이상의 모델에 접근할 수 있고, Google 자체 모델뿐 아니라 Anthropic의 Claude 시리즈도 함께 지원한다. 특정 모델에 종속되지 않고 태스크별로 최적 모델을 선택할 수 있는 구조다.

보안 측면에서는 Agent Sandbox가 에이전트가 생성한 코드를 호스트 시스템과 격리된 환경에서 실행하고, Agent Anomaly Detection이 통계 모델과 LLM 기반 평가를 결합해 비정상적인 에이전트 추론이나 리버스 셸 연결 같은 악성 활동을 실시간 탐지한다.

실무에서 어떤 의미인가?

이미 실 사용 사례가 공개됐다. Comcast는 Xfinity Assistant를 ADK 기반으로 재구축해 스크립트 기반 자동화에서 생성형 AI 기반 대화로 전환했고, 고객 첫 접촉 해결률이 향상됐다고 밝혔다. Payhawk는 Memory Bank를 활용해 재무 어시스턴트 에이전트가 사용자의 지출 처리 습관을 기억하게 만든 결과, 지출 제출 시간이 50% 이상 감소했다고 전했다. L'Oréal은 ADK와 MCP(Model Context Protocol)를 결합해 뷰티 테크 에이전트 플랫폼을 자체 구축하고, 결정론적 워크플로 자동화에서 자율적 에이전트 오케스트레이션으로 이행 중이다.

이 사례들이 공통적으로 보여주는 것은 하나다. 에이전트 AI의 병목은 모델 성능이 아니라 운영 인프라였다는 점이다. 장기 실행, 상태 유지, 보안 격리, 이상 탐지 — 이 문제들을 개별 팀이 직접 해결하던 시대에서, 플랫폼이 흡수하는 시대로 전환이 시작된 것으로 볼 수 있다.

기존 Vertex AI 사용자라면 마이그레이션 부담이 상대적으로 낮다. 모델 빌딩과 에이전트 빌딩 기능을 그대로 계승하면서 통합·운영·보안 레이어가 추가된 형태이기 때문이다. 이 점은 Google Cloud 생태계 내 락인(lock-in) 전략으로도 읽힌다.

도입 전 체크포인트

200개 이상의 기능이 단일 플랫폼에 집적된다는 것은 강점이자 리스크다. 실제 현장에서 운영 복잡성과 러닝 커브가 어느 수준인지는 아직 확인이 필요하다. 도입을 검토한다면 다음 항목을 먼저 점검하는 것이 현실적이다.

1. 현재 에이전트 워크플로의 수명: 단발성 태스크인지, 수일 이상 지속되는 장기 워크플로인지에 따라 Agent Runtime의 필요성이 달라진다.
2. 기존 Vertex AI 의존도: 이미 Vertex AI를 사용 중이라면 전환 비용보다 확장 비용으로 접근할 수 있다.
3. 멀티모델 요구 여부: Claude 등 서드파티 모델을 병행해야 하는 구조라면 Model Garden의 통합 접근 방식이 관리 오버헤드를 줄일 수 있다.
4. 보안 격리 요구 수준: 브라우저 자동화나 코드 실행이 포함된 에이전트라면 Agent Sandbox와 Anomaly Detection의 구체적 정책 설정을 사전 검토해야 한다.