올해 Google Cloud Next 2026 행사에서 구글은 기업의 데이터 활용 방식을 근본적으로 바꿀 새로운 패러다임, ‘Agentic Data Cloud’를 발표했습니다.
이는 단순히 데이터를 저장하고 분석하는 기존의 시스템을 넘어, AI 에이전트가 스스로 데이터를 인지하고, 추론하며, 행동하는 ‘실행 시스템(System of Action)’으로의 전환을 의미합니다.
본 블로그에서는 Google Next에서 공개된 Agentic Data Cloud의 핵심 비전, 구성 요소, 기반 기술, 실제 활용 사례 및 도입 시의 제약 사항까지 심층적으로 분석하여 제공합니다.
2탄. 증명된 비즈니스 가치와 성공 전략
Agentic Data Cloud를 뒷받침하는 강력한 인프라와 플랫폼
Gemini Enterprise Agent Platform
Agentic Data Cloud가 데이터와 지능의 ‘핵심 기반’이라면, Gemini Enterprise Agent Platform은 에이전트를 구축, 확장, 관리하는 ‘통합 운영 환경’ 역할을 합니다. 기존 Vertex AI를 발전시킨 이 플랫폼은 다음과 같은 구성 요소를 포함합니다.
고성능 Spark 워크로드 가속: Lightning Engine
Google Cloud는 Apache Spark 워크로드의 성능과 비용 효율성을 극대화하기 위해 Lightning Engine을 선보였습니다.
- 핵심 기술: C++로 구축된 벡터화된 실행 엔진, 지능형 캐싱 등을 통해 코드 변경 없이 오픈소스 Spark 대비 최대 4.9배 빠른 성능을 제공하는 다계층 최적화 엔진입니다. Google의 Procella 엔진 전문 지식을 활용한 쿼리 옵티마이저, Apache Gluten 및 Velox 기반의 네이티브 실행 엔진 등이 포함됩니다.
- 성능: TPC-H와 유사한 10TB 데이터셋 워크로드에서 오픈소스 Spark 대비 3.6배의 쿼리 성능 향상을 보였으며, 주요 경쟁사 대비 최대 2배 더 나은 가격 대비 성능을 제공합니다.
8세대 TPU: TPU 8t & 8i
AI 에이전트의 복잡하고 연속적인 작업을 처리하기 위해 구글은 8세대 텐서 처리 장치(TPU)를 공개했습니다. 이번 세대는 처음으로 학습용과 추론용 칩을 분리하여 효율성을 극대화했습니다.
- TPU 8t: 대규모 AI 모델 학습에 최적화된 칩으로, 이전 세대보다 약 3배 향상된 성능을 제공합니다.
- TPU 8i: 지연 시간에 민감한 추론 작업과 에이전트 간 협업을 위해 설계된 칩으로, 달러당 성능을 80% 향상시켰습니다.
Agentic Defense
AI 에이전트의 확산은 새로운 보안 위협을 야기할 수 있습니다. Agentic Defense는 Google의 위협 인텔리전스와 Wiz의 클라우드 보안 플랫폼을 결합하여 AI 시대에 맞는 자율적인 방어 체계를 구축합니다.
- 새로운 보안 에이전트: 위협 헌팅, 탐지 엔지니어링 등을 수행하는 새로운 AI 에이전트를 Google Security Operations에 도입했습니다.
- AI-Bill of Materials (AI-BOM): 환경 내 모든 AI 프레임워크와 모델을 자동으로 목록화하여 ‘섀도우 AI’를 제거합니다.
- Model Armor: 에이전트 게이트웨이과 통합되어 프롬프트 주입이나 데이터 유출과 같은 공격을 방지합니다.
Agentic Data Cloud를 뒷받침하는 강력한 인프라와 플랫폼
이미 여러 선도 기업들이 Agentic Data Cloud를 도입하여 가시적인 성과를 창출하고 있습니다.
1. Vodafone: AI 에이전트로 네트워크 장애를 예측하고 스스로 치유하는 ‘자가 치유 진단 시스템’
글로벌 통신 기업 Vodafone은 Google Cloud와의 파트너십을 통해 네트워크 운영에 AI 에이전트를 도입, 장애를 선제적으로 예측하고 자동으로 해결하는 ‘자가 치유 진단 시스템’을 구축했습니다.
- 기술 아키텍처 및 작동 원리:
- 데이터 통합: 600개 이상의 온프레미스 하둡 서버 데이터를 BigQuery 기반 데이터 오션 ‘뉴런(Neuron)’으로 통합했습니다. 여기에는 네트워크 성능 지표, 고객 서비스 데이터 등 약 300개 소스로부터 수집된 2페타바이트 이상의 데이터가 포함됩니다.
- AI 분석 및 실행: ‘뉴런’의 데이터는 Vertex AI 기반 ‘AI 부스터(AI Booster)’ 플랫폼과 Gemini 모델을 통해 분석됩니다. AI 어시스턴트는 엔지니어의 자연어 질문을 SQL 쿼리로 변환하고, ‘Vodafone 지능형 네트워크 어시스턴트(VINA)’는 진단 결과를 바탕으로 트래픽 우회와 같은 자율적인 최적화를 수행합니다.
- 성과:
- 비용 절감: 네트워크 자동화를 통해 지난 3년간 5억 유로(약 7,400억 원) 이상을 절감했으며, 2030년까지 1억 유로(약 1,480억 원)의 추가 비용 절감을 기대하고 있습니다.
- 운영 효율성 향상: 신규 모델 출시 기간을 5개월에서 4주로 단축시켜 80%의 시간 절감 효과를 가져왔습니다.
2. American Express: BigQuery 전환을 통한 ‘대규모 에이전틱 커머스’ 구현
금융 서비스 기업 American Express(Amex)는 온프레미스 데이터 웨어하우스를 BigQuery로 이전하여 ‘신뢰할 수 있는 대규모 에이전틱 커머스’를 구현하는 발판을 마련했습니다.
- 전환 과정 및 BigQuery의 핵심 역할:
- 데이터 및 워크로드 이전: 핵심 온프레미스 메인프레임 데이터 웨어하우스와 수백 개의 프로덕션 애플리케이션을 BigQuery로 이전하고 있습니다.
- 핵심 기능 활용: BigQuery의 서버리스 아키텍처는 사기 탐지 모델의 2밀리초(ms) 응답 시간 요구사항을 충족시키며 페타바이트 규모의 데이터를 실시간으로 분석합니다.
- 비즈니스 가치 창출:
- 신용 사기 탐지 고도화: ‘강화된 인증(Enhanced Authorization)’ 도구를 통해 사기 거래를 60%까지 줄이는 성과를 거두었습니다.
- 프로세스 효율화: 마케팅 및 사기 관련 주요 프로세스 처리 시간을 90% 단축했습니다.
Agentic Data Cloud를 뒷받침하는 강력한 인프라와 플랫폼
Agentic Data Cloud는 막대한 잠재력을 지니고 있지만, 성공적인 도입을 위해서는 여러 현실적인 제약과 과제를 해결해야 합니다.
기술적 과제
- 레거시 시스템과의 통합: 많은 기업의 기존 ERP, CRM 등 레거시 인프라는 AI 기반 자동화에 최적화되어 있지 않아, 시스템 통합 시 호환성 문제, 데이터 사일로 등의 어려움을 야기할 수 있습니다.
조직적 과제
- 새로운 데이터 거버넌스 및 보안 정책 수립: AI 에이전트의 자율성은 데이터 거버넌스와 보안에 새로운 패러다임을 요구합니다.
- 에이전트 정체성 및 접근 제어: 수천 개의 AI 에이전트를 ‘일급 정체성(first-class identities)’으로 취급하고, 각각에 맞는 세분화된 권한과 감사 추적 기능을 부여하는 새로운 거버넌스 체계가 필요합니다.
- 자율적 행동에 대한 통제: 에이전트의 행동을 모니터링하고 차단하는 ‘에이전트 게이트웨이’와 같은 강력한 안전장치가 필수적입니다.
- 조직 문화 및 책임: AI를 단순한 도구가 아닌 협업의 대상으로 인식하는 문화적 변화가 필요합니다. 또한, AI의 결정 과정에 대한 투명성을 확보하고, 중대한 의사결정에는 최종 승인을 사람이 수행하는 ‘휴먼 인 더 루프(Human-in-the-loop)’ 프로세스를 유지하여 책임 소재를 명확히 해야 합니다.
요약 및 결론
Google Next에서 발표된 Agentic Data Cloud는 기업이 AI를 활용하는 방식을 단순한 보조 도구에서 비즈니스를 직접 수행하는 ‘자율형 에이전트’로 전환시키는 혁신적인 비전입니다. 이는 AI 에이전트가 비즈니스 맥락을 깊이 이해하도록 돕는 Knowledge Catalog, 개발자 경험을 혁신하는 Data Agent Kit, 그리고 데이터 사일로를 해소하는 Cross-Cloud Lakehouse를 통해 실현됩니다. 특히, 여러 전문 에이전트의 협업을 가능하게 하는 Agent Development Kit(ADK)는 복잡한 비즈니스 문제를 해결하는 핵심적인 역할을 합니다.
Vodafone과 American Express의 사례는 이러한 비전이 네트워크 자가 치유, 실시간 사기 탐지 등 실제 비즈니스 영역에서 어떻게 막대한 비용 절감과 운영 효율성 향상을 이끌어내는지를 명확히 보여줍니다. BigQuery는 관리형 Iceberg 테이블과 멀티 클라우드 분석 기능을 통해 데이터의 물리적 위치나 포맷에 구애받지 않는 통일된 ‘Data-to-AI’ 플랫폼으로 자리매김하며 이러한 변화를 주도하고 있습니다.
하지만 이러한 혁신을 성공적으로 이끌기 위해서는 에이전트의 자율성에 따른 새로운 거버넌스 및 보안 정책 수립과 같은 현실적인 과제들을 반드시 고려해야 합니다.
결론적으로 Agentic Data Cloud는 기업이 데이터 자산을 수동적인 정보의 축적을 넘어 비즈니스 성장을 견인하는 능동적 엔진으로 활용할 수 있도록 새로운 비전을 제시합니다. AI 시대의 경쟁에서 우위를 점하기 위한 필수적인 전환점인 만큼, 성공적인 안착을 위해서는 기술 도입과 조직의 체질 개선을 선제적으로 병행하는 전략적 안목이 요구됩니다.
자세한 내용이 궁금하시다면, 메가존소프트 문의포탈을 통해 궁금한 부분을 남겨주세요.
