Google의 AI Agent 전략

이 문서는 GenAI 개념 섹션의 일부입니다.

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

​

Google Agent 스택 전체 구조

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

​

2. A2A 프로토콜 (Agent-to-Agent)

​

핵심 설계 원칙

​

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.

​

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

​

3. Vertex AI Agent Builder

​

핵심 구성 요소

​

Tool Governance — 핵심 차별점

​

4. Gemini 2.5 Pro & Deep Research

​

핵심 역량

​

Deep Research Agent

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

​

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

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

​

핵심 시사점

성공 Databricks 고객을 위한 권장 사항:

1. 모델 선택의 자유: Databricks Foundation Model APIs를 통해 Gemini 2.5 Pro를 호출할 수 있습니다.
2. 데이터 레이어는 Databricks: Unity Catalog에 체계화된 데이터를 BigQuery로 옮길 이유는 없습니다.
3. ADK는 참고, 실전은 LangGraph: ADK의 패턴은 설계 참고로 유용하지만 Databricks 환경에서는 LangGraph + Agent Framework가 더 성숙합니다.
4. A2A는 관망: MCP 기반 도구 통합에 먼저 집중하세요.
5. 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?”

​

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

• A2A Protocol Specification
• Google ADK Documentation
• Vertex AI Agent Builder
• Gemini 2.5 Pro Technical Report
• Jules
• NotebookLM

​

관련 가이드 (본 블로그 내)

• A2A (Agent-to-Agent) 프로토콜 — A2A 프로토콜 상세 가이드
• AI Agent 아키텍처 — Agent 아키텍처 기초
• Agent 프레임워크 생태계 — 프레임워크 비교
• MCP (Model Context Protocol) — MCP 가이드