Google의 AI Agent 전략 - Databricks 가이드

이 문서는 GenAI 개념 섹션의 일부입니다.

Google은 AI Agent 시대에 Full-Stack Agent 플랫폼 전략을 추구합니다. 모델(Gemini), 프로토콜(A2A), 프레임워크(ADK), 빌더 플랫폼(Vertex AI Agent Builder), 엔터프라이즈 배포(Agentspace/Gemini Enterprise), 소비자 에이전트(Jules, Mariner, Astra)까지 — 에이전트의 전체 생애주기를 수직 통합하는 것이 핵심입니다.

참고 학습 목표

Google의 AI Agent 전략이 다른 빅테크(Microsoft, Amazon, Anthropic)와 어떻게 다른지 설명할 수 있다
A2A 프로토콜의 설계 원칙과 MCP와의 관계를 이해한다
Vertex AI Agent Builder의 구성 요소와 엔터프라이즈 Agent 구축 방법을 파악한다
ADK(Agent Development Kit)의 멀티에이전트 패턴을 코드 수준에서 이해한다
Google의 소비자 에이전트(Jules, Mariner, Astra)의 현재 상태와 전략적 위치를 분석한다
Databricks 고객 관점에서 Google Agent 생태계의 시사점을 도출한다

1. 전략 개요 — Google의 Full-Stack Agent 비전

Google의 AI Agent 전략은 “모델에서 프로토콜까지, 하나의 생태계로” 라는 비전 아래 설계되었습니다. 이는 OpenAI(모델 + API 중심), Microsoft(Copilot + Azure 통합 중심), Anthropic(모델 품질 + 안전성 중심)과는 근본적으로 다른 접근입니다.

Google Agent 스택 전체 구조

레이어	구성 요소	역할
모델	Gemini 2.5 Pro, Deep Think	Agent의 두뇌. 추론, 계획, 코드 생성
프로토콜	A2A (Agent-to-Agent)	Agent 간 통신 표준. MCP와 상호 보완
프레임워크	ADK (Agent Development Kit)	코드 중심 Agent 개발. 멀티에이전트 패턴 내장
빌더	Vertex AI Agent Builder	노코드/로우코드 Agent 구축 + 거버넌스
엔터프라이즈	Agentspace / Gemini Enterprise	기업 내 Agent 배포, 검색, 갤러리
소비자	Jules, Mariner, Astra, NotebookLM	특화 도메인별 에이전트 제품

주의 전략적 맥락: Google은 검색 시장에서의 지배력이 AI Agent 시대에 약화될 수 있다는 위기감을 갖고 있습니다. 사용자가 “검색” 대신 “에이전트에게 질문”하는 패턴으로 이동하면, 광고 기반 수익 모델의 근간이 흔들립니다. 이것이 Google이 Agent 생태계 전체를 수직 통합하려는 핵심 동기입니다.

타임라인

시기	이벤트	의미
2024.12	Gemini 2.0 Flash + Project Mariner, Jules 발표	소비자 Agent 시장 진출 선언
2024.12	Project Astra 데모	실시간 멀티모달 Agent 비전
2025.03	Gemini 2.5 Pro 출시, Vertex AI Agent Builder GA	Agent의 두뇌 + 빌더 플랫폼 동시 완성
2025.04	A2A 프로토콜 v0.2 공개, ADK v1.0(Python) 출시	프로토콜 + 프레임워크 레이어 확립
2025.06	A2A v0.3 (gRPC 지원)	프로토콜 성능 강화
2025.08	Jules GA 출시	코딩 Agent 상용화
2025.10	Agentspace -> Gemini Enterprise 리브랜딩	엔터프라이즈 Agent 플랫폼 본격화
2025.11	A2A, Linux Foundation에 기부	개방형 표준으로의 전환

2. A2A 프로토콜 (Agent-to-Agent)

A2A는 Google이 2025년 4월에 공개한 Agent 간 통신을 위한 개방형 프로토콜 입니다. 서로 다른 프레임워크, 벤더, 언어로 구현된 Agent들이 상호 운용(interoperate)할 수 있도록 하는 것이 목표입니다.

핵심 설계 원칙

원칙	설명
Agent Card	각 Agent가 자신의 능력(capabilities), 입력/출력 형식, 인증 방식을 JSON으로 기술하는 자기 소개서
Task 기반 통신	Agent 간 상호작용은 Task(작업) 단위로 이루어짐. 상태 머신: `submitted -> working -> completed/failed`
Streaming 지원	SSE(Server-Sent Events) 기반 실시간 스트리밍. v0.3부터 gRPC도 지원
Push Notification	장시간 실행 Task에 대한 비동기 알림 지원
Opaque 실행	요청하는 Agent는 실행 Agent의 내부 구현을 알 필요 없음 (캡슐화)

A2A vs MCP — 상호 보완 관계

참고 핵심: A2A와 MCP는 경쟁이 아닌 상호 보완 관계입니다. MCP는 “Agent가 도구를 어떻게 사용하는가”(수직적), A2A는 “Agent가 다른 Agent와 어떻게 대화하는가”(수평적)를 정의합니다.

비교 항목	A2A	MCP (Anthropic)
목적	Agent-to-Agent 통신	Agent-to-Tool 연결
관계 유형	대등한 피어(peer-to-peer)	클라이언트-서버 (Agent가 Tool을 호출)
추상화 수준	고수준 (Task, 대화, 협업)	저수준 (함수 호출, 데이터 조회)
상태 관리	Task 상태 머신 내장	상태 없음 (stateless)
스트리밍	SSE + gRPC	SSE
표준화 기구	Linux Foundation 기부 (2025.11)	오픈 소스 (Anthropic 주도)
생태계 규모	150+ 참여 조직	수천 개 커뮤니티 서버

Agent Card 예시

{
  "name": "expense-report-agent",
  "description": "경비 보고서를 자동으로 생성하고 승인 워크플로를 관리합니다",
  "url": "https://agents.example.com/expense",
  "version": "1.2.0",
  "capabilities": {
    "streaming": true,
    "pushNotifications": true,
    "stateTransitionHistory": true
  },
  "authentication": {
    "schemes": ["OAuth2"],
    "credentials": "https://auth.example.com/.well-known/oauth"
  },
  "defaultInputModes": ["text/plain", "application/json"],
  "defaultOutputModes": ["text/plain", "application/json", "image/png"],
  "skills": [
    {
      "id": "create-report",
      "name": "경비 보고서 생성",
      "description": "영수증 이미지와 설명을 받아 경비 보고서를 생성합니다",
      "tags": ["finance", "expense", "report"]
    },
    {
      "id": "approval-workflow",
      "name": "승인 워크플로",
      "description": "생성된 보고서에 대한 다단계 승인을 관리합니다",
      "tags": ["workflow", "approval"]
    }
  ]
}

현실적 평가

주의 솔직한 평가: A2A는 비전은 매력적이나, 2025년 말 현재 실제 도입 속도는 예상보다 느립니다.

150+ 참여 조직 이라는 숫자는 “관심 표명” 수준이며, 프로덕션 배포는 소수
MCP가 “도구 연결”이라는 즉각적인 실용성으로 빠르게 확산된 반면, A2A의 “Agent 간 협업”은 아직 대부분의 기업에서 필요 단계에 도달하지 않음
Linux Foundation 기부는 중립성을 높이려는 시도이나, 실제 거버넌스 주도권은 여전히 Google에 집중
gRPC 지원(v0.3)은 대규모 배포에서의 성능 문제를 해결하려는 진전

결론: A2A는 “필요할 때 알아야 하는 기술”이지, “지금 당장 도입해야 하는 기술”은 아닙니다. 하지만 멀티에이전트 시스템이 보편화되면 핵심 인프라가 될 가능성이 높습니다.

3. Vertex AI Agent Builder

Vertex AI Agent Builder는 Google Cloud의 엔터프라이즈 Agent 구축 플랫폼 으로, 2025년 3월 GA(General Availability)되었습니다. “코드를 모르는 비즈니스 사용자부터 코드를 선호하는 개발자까지” 모두를 타겟으로 합니다.

핵심 구성 요소

구성 요소	역할	상세
Agent Engine	Agent 런타임 + 관리	Agent 실행, 세션 관리, 메모리, 로깅. ADK/LangGraph 등 다양한 프레임워크 지원
Agent Designer	노코드 Agent 빌더	드래그 앤 드롭으로 Agent 워크플로 설계. 비개발자용
Tool Governance	도구 접근 제어	어떤 Agent가 어떤 Tool을 사용할 수 있는지 중앙에서 관리. IAM 연동
Context Layers	문맥 관리	세션 문맥, 사용자 프로필, 조직 정책 등 다층 문맥 주입
Agent Identity	Agent 인증/인가	각 Agent에 고유 ID 부여. OAuth, OIDC 기반 인증. 감사 추적

Tool Governance — 핵심 차별점

Tool Governance는 엔터프라이즈 환경에서 “어떤 Agent가 어떤 Tool을 언제 사용할 수 있는가” 를 중앙에서 관리합니다.

정책 유형	예시
접근 제어	”경비 에이전트는 SAP API만 호출 가능”
승인 워크플로	”1000만원 이상 결제 Tool 호출 시 관리자 승인 필요”
사용량 제한	”분당 최대 100회 외부 API 호출”
데이터 분류	”PII 데이터를 포함하는 Tool은 특정 Agent만 접근”
감사 로그	”모든 Tool 호출을 Cloud Audit Logs에 기록”

4. Gemini 2.5 Pro & Deep Research

Gemini 2.5 Pro는 2025년 3월 출시된 Google의 최신 플래그십 모델로, Agent의 두뇌 역할을 합니다.

핵심 역량

역량	설명
Thinking Model	답변 전에 내부적으로 추론 과정(chain-of-thought)을 수행. “생각하는 모델”
Deep Think	복잡한 문제에 대해 더 깊은 추론을 수행하는 모드. 수학, 코딩, 과학 문제에서 탁월
1M+ Context	100만 토큰 이상의 컨텍스트 윈도우. 대규모 코드베이스, 긴 문서 전체를 한 번에 처리
네이티브 Tool Use	Function Calling이 모델 학습 과정에 내장. 별도의 프롬프트 엔지니어링 없이 Tool 사용
멀티모달	텍스트, 이미지, 오디오, 비디오를 동시에 처리

Deep Research Agent

Deep Research는 Gemini 2.5 Pro 위에 구축된 연구 특화 Agent 입니다. 작동 방식:

연구 계획 수립: 사용자의 질문을 분석하여 다단계 연구 계획을 자동 생성
반복적 검색 & 분석: 수십 개의 웹 소스를 자동으로 검색, 읽기, 분석
교차 검증: 여러 소스의 정보를 교차 비교하여 정확성 검증
구조화된 보고서 생성: 참고 문헌이 포함된 종합 보고서를 자동 작성

5. ADK (Agent Development Kit)

ADK는 Google이 2025년 4월에 오픈소스로 공개한 코드 중심(code-first) Agent 개발 프레임워크 입니다. LangGraph, CrewAI 등과 같은 카테고리이지만, Google의 Agent 인프라(Vertex AI, A2A)와의 긴밀한 통합이 차별점입니다.

기본 정보

항목	내용
출시	2025년 4월
라이선스	Apache 2.0 (오픈소스)
언어 지원	Python v1.0 (안정), TypeScript (안정), Java v0.1 (초기)
모델	모델 비종속(model-agnostic). Gemini, GPT, Claude, Llama 등 모두 지원
핵심 철학	코드 중심, 모듈화, 멀티에이전트 네이티브

멀티에이전트 패턴 (4가지)

Sequential 패턴: researcher -> writer -> reviewer 순차 실행 Dispatcher 패턴: 입력을 분석하여 적절한 Agent로 라우팅 Generator-Critic 패턴: 생성 → 평가 반복으로 품질 개선 Parallel 패턴: 독립 작업을 동시 실행 후 결과 병합

ADK vs 다른 프레임워크 비교

비교 항목	ADK	LangGraph	CrewAI	OpenAI Agents SDK
주도	Google (OSS)	LangChain (OSS)	CrewAI (OSS)	OpenAI (OSS)
모델	모델 비종속	모델 비종속	모델 비종속	OpenAI 중심
멀티에이전트	네이티브 (4가지 패턴)	그래프 기반	역할 기반	핸드오프 기반
상태 관리	세션 내장	체크포인트 내장	제한적	제한적
A2A 통합	네이티브	커뮤니티	커뮤니티	미지원
엔터프라이즈	Vertex AI 통합	LangSmith 통합	제한적	API 기반
학습 곡선	중간	높음 (그래프 개념)	낮음	낮음

6. Agentspace / Gemini Enterprise

Google은 2025년 10월, 기존의 Agentspace 를 Gemini Enterprise 로 리브랜딩했습니다. 이는 단순한 이름 변경이 아니라, 기업 내 AI Agent 배포를 위한 통합 엔터프라이즈 플랫폼 으로의 전략적 확장을 의미합니다.

핵심 기능

기능	설명
Agent Gallery	기업 내에서 사용 가능한 Agent 목록을 카탈로그 형태로 제공. IT 관리자가 승인한 Agent만 노출
Agent Designer	비개발자가 시각적 인터페이스로 커스텀 Agent를 생성. Vertex AI Agent Builder의 간소화 버전
Enterprise Search	Google 검색 기술 기반의 기업 내부 검색. Google Drive, SharePoint, Confluence 등 100+ 커넥터
데이터 커넥터	SAP, Salesforce, ServiceNow, Workday 등 주요 SaaS 및 온프레미스 시스템 연동
보안 & 컴플라이언스	DLP, 접근 제어, 감사 로그. Google Workspace 보안 정책과 통합

포지셔닝 — Microsoft Copilot과의 비교

비교 항목	Gemini Enterprise	Microsoft 365 Copilot
기반 모델	Gemini 2.5 Pro	GPT-4o
검색 기술	Google Search 기술 (강점)	Microsoft Graph + Bing
오피스 통합	Google Workspace 네이티브	Microsoft 365 네이티브
Agent 확장	Agent Gallery + ADK	Copilot Studio + AI Agents
타겟 고객	Google Workspace 기업	Microsoft 365 기업
커넥터	100+ (빠르게 확장 중)	1000+ (성숙)

7. 소비자 Agent 제품군

Jules — AI 코딩 Agent

항목	내용
발표	2024년 12월 (프리뷰), 2025년 8월 (GA)
모델	Gemini 2.5 Pro
핵심 기능	GitHub 이슈 자동 해결, 코드 변경 생성, PR 자동 생성
실행 환경	클라우드 VM (샌드박스)

Project Mariner — 브라우저 Agent

항목	내용
발표	2024년 12월
핵심 기능	웹 브라우저를 자율적으로 조작하여 복잡한 웹 작업 수행
사용 가능	AI Ultra 구독 ($249.99/월) 필요

Project Astra — 실시간 멀티모달 Agent

항목	내용
비전	”모든 것을 보고, 듣고, 이해하는” 범용 AI 비서
입력	카메라(실시간 영상), 마이크(음성), 화면 공유
디바이스	스마트폰, 스마트 글래스(프로토타입), 데스크톱

NotebookLM — 연구 워크스페이스

항목	내용
목적	문서 기반 AI 연구 도우미
컨텍스트	최대 1M 토큰 (약 100만 단어 분량)
소스	최대 300개 소스 문서
핵심 기능	소스 기반 Q&A, 요약, 브리핑 문서 생성, 오디오 개요(Audio Overview)

8. ADK 멀티에이전트 패턴 심화

패턴 선택 가이드

패턴	최적 유스케이스	핵심 특성
Sequential	명확한 단계별 파이프라인	예측 가능, 디버깅 용이, 순서 보장
Dispatcher	입력 유형에 따라 다른 전문가가 처리해야 하는 경우	라우팅 정확도가 핵심, 확장 용이
Generator-Critic	결과물의 품질을 반복적으로 개선해야 하는 경우	자기 개선, 품질 보장, 비용 증가 주의
Parallel	독립적인 여러 작업을 동시에 수행하여 응답 시간 단축	처리량 극대화, 결과 병합 전략 필요

참고 설계 원칙: 패턴 선택 시 다음을 고려하세요.

지연 시간(Latency): Sequential은 누적 지연, Parallel은 최대 Agent의 지연
비용: Generator-Critic은 반복 횟수에 비례하여 비용 증가
안정성: 각 Agent의 실패가 전체에 미치는 영향 분석 (blast radius)
관찰 가능성: 복잡한 조합일수록 모니터링/디버깅 도구 필수

9. Databricks 고객 관점의 시사점

Google Agent 생태계와 Databricks의 관계

영역	Google	Databricks	관계
모델	Gemini 2.5 Pro	Foundation Model APIs (Gemini 포함)	Databricks에서 Gemini 호출 가능
Agent 빌더	Agent Builder + Agent Designer	Agent Bricks + Builder App	동일 카테고리, 다른 강점
데이터 접근	BigQuery, AlloyDB	Unity Catalog, Delta Lake	Databricks의 데이터 거버넌스가 더 성숙
프레임워크	ADK	Agent Framework (LangGraph 기반)	모두 오픈소스 프레임워크 위에 거버넌스 레이어
프로토콜	A2A	MCP 지원 (A2A도 향후 고려)	상호 보완적

핵심 시사점

성공 Databricks 고객을 위한 권장 사항:

모델 선택의 자유: Databricks Foundation Model APIs를 통해 Gemini 2.5 Pro를 호출할 수 있습니다.
데이터 레이어는 Databricks: Unity Catalog에 체계화된 데이터를 BigQuery로 옮길 이유는 없습니다.
ADK는 참고, 실전은 LangGraph: ADK의 패턴은 설계 참고로 유용하지만 Databricks 환경에서는 LangGraph + Agent Framework가 더 성숙합니다.
A2A는 관망: MCP 기반 도구 통합에 먼저 집중하세요.
Jules/Mariner는 개인 생산성 도구: Databricks와 직접 관련되지 않지만 참고 사례로 활용 가능합니다.

10. 고객 FAQ

Q1. “Google의 AI Agent 전략이 우리 Databricks 환경에 어떤 영향을 미칩니까?”

직접적인 영향은 제한적입니다. Databricks는 모델 비종속(model-agnostic) 플랫폼이므로, Google의 Gemini 모델이 좋아질수록 Databricks 고객도 혜택을 받습니다.

Q2. “A2A를 지금 도입해야 합니까?”

아닙니다. 먼저 MCP 기반의 도구 통합과 단일 Agent 성숙에 집중하세요.

Q3. “ADK를 써야 합니까, LangGraph를 써야 합니까?”

Databricks 환경에서는 LangGraph를 권장 합니다. Databricks Agent Framework이 LangGraph를 네이티브로 지원하기 때문입니다.

Q4. “Jules나 Mariner를 기업에서 활용할 수 있습니까?”

개인 생산성 도구로는 활용 가능하지만, 기업 워크플로에 통합하기에는 아직 이릅니다.

Q5. “Gemini Enterprise와 Databricks 중 어느 것을 선택해야 합니까?”

역할이 다릅니다. Gemini Enterprise는 엔드유저를 위한 AI 비서, Databricks는 데이터 팀을 위한 AI/ML 플랫폼입니다. 두 플랫폼은 다른 레이어 에 위치합니다.

Q6. “NotebookLM을 사내 지식 관리에 활용할 수 있습니까?”

기업 환경에서는 Databricks의 Vector Search + Agent Bricks(Knowledge Assistant)가 더 적합합니다.

​1. 전략 개요 — Google의 Full-Stack Agent 비전

​Google Agent 스택 전체 구조

​타임라인

​2. A2A 프로토콜 (Agent-to-Agent)

​핵심 설계 원칙

​A2A vs MCP — 상호 보완 관계

​Agent Card 예시

​현실적 평가

​3. Vertex AI Agent Builder

​핵심 구성 요소

​Tool Governance — 핵심 차별점

​4. Gemini 2.5 Pro & Deep Research

​핵심 역량

​Deep Research Agent

​5. ADK (Agent Development Kit)

​기본 정보

​멀티에이전트 패턴 (4가지)

​ADK vs 다른 프레임워크 비교

​6. Agentspace / Gemini Enterprise

​핵심 기능

​포지셔닝 — Microsoft Copilot과의 비교

​7. 소비자 Agent 제품군

​Jules — AI 코딩 Agent

​Project Mariner — 브라우저 Agent

​Project Astra — 실시간 멀티모달 Agent

​NotebookLM — 연구 워크스페이스

​8. ADK 멀티에이전트 패턴 심화

​패턴 선택 가이드

​9. Databricks 고객 관점의 시사점

​Google Agent 생태계와 Databricks의 관계

​핵심 시사점

​10. 고객 FAQ

​Q1. “Google의 AI Agent 전략이 우리 Databricks 환경에 어떤 영향을 미칩니까?”

​Q2. “A2A를 지금 도입해야 합니까?”

​Q3. “ADK를 써야 합니까, LangGraph를 써야 합니까?”

​Q4. “Jules나 Mariner를 기업에서 활용할 수 있습니까?”

​Q5. “Gemini Enterprise와 Databricks 중 어느 것을 선택해야 합니까?”

​Q6. “NotebookLM을 사내 지식 관리에 활용할 수 있습니까?”

​11. 참고 자료

​공식 문서

​관련 가이드 (본 블로그 내)