Cloud Digital Leader의 2026년 8월 개정 출제 범위에서 가장 크게 바뀐 곳은 AI 영역입니다. 도메인 3(약 18%)에 에이전트형 AI, Gemini Enterprise Agent Platform, AI Hypercomputer가 새로 들어왔고, 도메인 1에서도 에이전트형 AI를 정의하고 AI Hypercomputer를 Google Cloud의 차별점으로 알아보라고 요구합니다. 게다가 2026년 4월에 Vertex AI의 이름이 Gemini Enterprise Agent Platform으로 바뀌어서, 예전 자료로 공부하면 보기에 나온 제품 이름을 알아보지 못할 수 있습니다.
이 글은 생성형 AI와 에이전트형 AI의 차이에서 시작해 에이전트가 바꾸는 업무, Google Cloud AI의 강점, Agent Platform의 구성, 상황에 맞는 AI 솔루션을 고르는 기준, AI Hypercomputer, 데이터 품질까지 순서대로 정리합니다. AI·ML·딥러닝의 기본 개념과 BigQuery ML, 책임 있는 AI는 AI/ML 혁신 서비스에서 먼저 다뤘습니다.
---
생성형 AI와 에이전트형 AI: 답하는 AI와 일하는 AI
생성형 AI가 질문에 답하고 초안을 써 주는 비서라면, 에이전트형 AI는 "다음 주 출장 준비해 줘"라는 목표를 받으면 일정 확인, 항공편 검색, 예약, 결과 보고까지 스스로 단계를 나눠 끝내는 직원입니다. 시험은 이 용어들의 정의를 정확히 구분하는지 묻습니다.
| 용어 | 뜻 | 예 | |------|------|------| | 인공지능(AI) | 사람처럼 학습하고 추론하고 판단하는 시스템을 만드는 넓은 분야 | 챗봇, 이미지 인식 | | 머신러닝(ML) | 규칙을 직접 짜지 않고 데이터에서 패턴을 학습하는 AI의 한 방법 | 수요 예측, 이상 거래 탐지 | | 생성형 AI | 학습한 패턴으로 글·이미지·코드·음성 같은 새 콘텐츠를 만드는 AI | 마케팅 문구 초안, 문서 요약 | | 에이전트형 AI | 목표를 받아 스스로 계획을 세우고 도구를 써서 여러 단계의 작업을 끝까지 수행하는 AI | 고객 환불 처리, 보고서 작성 자동화 | | 데이터 분석 | 데이터를 살펴 무슨 일이 왜 일어났는지 찾는 일 | 지난 분기 매출 감소 원인 분석 | | 비즈니스 인텔리전스(BI) | 분석 결과를 대시보드와 보고서로 만들어 의사 결정에 쓰게 하는 도구와 과정 | 경영진용 매출 대시보드 |
에이전트형 AI는 보통 다음 네 단계를 목표에 닿을 때까지 반복합니다.
목표 이해: 사용자가 원하는 결과가 무엇인지 파악 계획: 목표를 작은 단계로 나눔 도구 사용: 검색, 데이터베이스 조회, 다른 시스템의 API 호출 같은 행동을 실행 확인과 수정: 결과를 보고 부족하면 계획을 고쳐 다시 실행
시험 팁: "사람이 단계를 하나하나 지시하지 않아도 스스로 계획하고 여러 시스템을 오가며 작업을 끝낸다"는 에이전트형 AI입니다. "새 문장이나 이미지를 만든다"에서 멈추면 생성형 AI입니다.
---
에이전트형 AI가 바꾸는 업무
출제 범위는 에이전트형 AI가 산업과 일하는 방식을 바꾸는 영역으로 여섯 가지를 듭니다. 시험에서는 "이 상황에서 AI 에이전트가 주는 가치"를 고르는 형태로 나옵니다.
| 영역 | 에이전트가 하는 일 | 비즈니스 가치 | |------|------|------| | 업무 생산성 | 메일·문서·사내 시스템을 오가며 자료 찾기, 초안 작성, 회의 후속 조치 | 반복 업무 시간을 줄이고 사람은 판단에 집중 | | 고객 지원 | 문의 의도 파악, 주문 조회, 환불·교환 처리까지 진행 | 24시간 즉시 응대, 상담원은 복잡한 건에 집중 | | 영업 경험 | 고객 이력과 경쟁사 정보를 모아 미팅 준비, 맞춤 제안 작성 | 더 개인화된 제안, 영업 주기 단축 | | 제품 혁신 | 아이디어 탐색, 시제품 코드와 디자인 생성, 사용자 피드백 분석 | 출시 시간 단축 | | 운영 | 재고·물류·IT 경보를 감시하고 정해진 조치 실행 | 장애 대응과 처리 속도 향상 | | 연구 | 방대한 문서를 검색하고 요약해 가설 정리 | 조사 시간을 줄이고 발견 속도 향상 |
ML이 특히 잘 푸는 비즈니스 문제
에이전트가 아니어도 ML 자체가 가치를 내는 전형적인 문제는 세 가지입니다.
사람이 끝없이 규칙을 추가해야 하는 시스템을 대체하거나 단순화 (예: 스팸 필터, 이상 거래 탐지) 정형·비정형 대용량 데이터에서 사람이 놓치는 인사이트 도출 (예: 고객 리뷰 수십만 건 분석) 사람이 하나씩 내리던 결정을 대규모로 확장 (예: 상품 추천, 대출 심사 보조)
시험 팁: "예외 규칙이 너무 많아져 유지보수가 어렵다"는 ML로 규칙 기반 시스템을 대체하라는 신호입니다.
---
Google Cloud AI가 내세우는 다섯 가지 강점
출제 범위는 Google Cloud AI 제품의 핵심 이점을 다섯 가지로 정리합니다. 도메인 1의 "Google Cloud의 차별점"과도 겹치므로 함께 외워 두면 효율적입니다.
| 강점 | 의미 | 대표 제품 | |------|------|------| | AI를 위한 최고의 인프라 | 학습과 추론에 맞춰 하드웨어, 소프트웨어, 요금 방식을 함께 최적화 | AI Hypercomputer, TPU, GPU | | AI에 준비된 데이터 클라우드 | 흩어진 데이터를 한곳에서 분석하고 AI에 바로 연결 | BigQuery, AlloyDB, Cloud Storage | | 정교한 자체(1P) 모델 | Google이 직접 개발한 최신 모델 | Gemini, Veo | | 올인원 AI 개발 플랫폼 | 모델 선택부터 에이전트 구축·배포·관리까지 한곳에서 | Gemini Enterprise Agent Platform | | 사전 구축된 AI 에이전트와 앱 | 직접 만들지 않고 바로 쓰는 에이전트와 애플리케이션 | Gemini Enterprise, Agent Garden |
1P(first-party)는 Google이 직접 만든 모델이라는 뜻입니다. 그렇다고 Google 모델만 쓸 수 있는 것은 아닙니다. Model Garden에서는 Gemini 같은 1P 모델 외에 다른 회사의 모델과 오픈 모델까지 200개가 넘는 모델을 고를 수 있어서, 한 회사의 모델에 묶이지 않는 선택권과 유연성을 줍니다.
---
Gemini Enterprise Agent Platform: 옛 Vertex AI
Google은 2026년 4월 22일 Vertex AI의 이름을 Gemini Enterprise Agent Platform(줄여서 Agent Platform)으로 바꿨습니다. 공식 문서는 이 플랫폼을 "Vertex AI의 진화"라고 설명하며, 파운데이션 모델에 접근하는 것부터 에이전트를 배포하고 관리하는 것까지 AI 수명 주기 전체를 지원한다고 소개합니다. 예전 자료나 문제에 Vertex AI가 나오면 같은 플랫폼으로 이해하면 됩니다.
바뀐 이름 한눈에 보기
| 예전 이름 | 새 이름 | |------|------| | Vertex AI | Gemini Enterprise Agent Platform | | Vertex AI Studio | Agent Studio | | Vertex AI API | Agent Platform API | | Vertex AI Model Garden | Model Garden (이름 유지) | | Vertex AI AutoML | Agent Platform AutoML | | Vertex AI Agent Engine | Agent Runtime | | Vertex AI Search | Agent Search |
네 기둥: 만들고, 확장하고, 통제하고, 개선한다
Agent Platform은 네 기둥으로 구성됩니다. 에이전트를 만드는 데서 끝나지 않고, 운영 환경에서 돌리고, 권한과 보안을 통제하고, 품질을 계속 높이는 과정까지 한 플랫폼에서 다룬다는 점이 핵심입니다.
| 기둥 | 하는 일 | 대표 구성 요소 | |------|------|------| | Build (만들기) | 에이전트와 모델을 설계하고 개발 | Agent Studio(로우코드), Agent Development Kit(코드), Agent Garden(사전 구축 에이전트·템플릿), Model Garden | | Scale (확장) | 만든 에이전트를 운영 환경에서 실행 | Agent Runtime, 세션과 메모리 뱅크(대화 맥락과 장기 기억) | | Govern (통제) | 에이전트의 신원, 권한, 보안 정책을 관리 | Agent Registry, Agent Identity, Agent Gateway, Model Armor | | Optimize (개선) | 품질을 평가하고 모니터링해 개선 | 에이전트 평가, 시뮬레이션 테스트, 관측(추적·로그) |
!Gemini Enterprise Agent Platform의 네 기둥과 이를 받치는 AI Hypercomputer
만드는 사람의 수준에 따라 길이 나뉜다는 점도 기억하세요. 코드 없이 시작하는 사람은 Agent Studio, 코드로 정교한 에이전트를 만드는 개발자는 Agent Development Kit(ADK)를 씁니다. 자사 데이터로 맞춤형 모델을 학습시키되 코드는 최소화하고 싶다면 AutoML을 씁니다. 출제 범위가 "자사 데이터로 맞춤형 모델을 만들어 비즈니스 가치를 내는 방법"의 예로 Agent Studio와 AutoML을 함께 드는 이유입니다.
시험 팁: "여러 회사의 모델을 비교해 골라 쓰고 싶다"는 Model Garden입니다. "코드 없이 프롬프트와 에이전트를 설계한다"는 Agent Studio입니다. "이미 만들어진 에이전트 템플릿으로 빠르게 시작한다"는 Agent Garden입니다.
---
상황에 맞는 AI 솔루션 고르기
출제 범위는 Google Cloud AI 솔루션을 고를 때 조직이 따져야 할 전략적 고려 사항으로 다섯 가지를 듭니다.
구현 속도: 얼마나 빨리 쓸 수 있나 개발 노력: 얼마나 많은 개발이 필요한가 비즈니스 차별화 가능성: 경쟁사와 다른 가치를 만들 수 있나 필요한 기술 전문성: ML 엔지니어가 필요한가 선택권과 유연성: 모델과 도구를 바꿔 쓸 수 있나
대부분 한쪽을 얻으면 다른 쪽을 내주는 관계입니다. 바로 쓰는 솔루션은 빠르지만 차별화가 어렵고, 직접 만든 모델은 차별화가 크지만 시간과 전문 인력이 듭니다.
| 선택지 | 구현 속도 | 필요한 전문성 | 차별화 가능성 | 맞는 상황 | |------|------|------|------|------| | Gemini Enterprise 같은 사전 구축 에이전트와 앱 | 가장 빠름 | 거의 없음 | 낮음 | 직원 생산성을 바로 높이고 싶을 때 | | 사전 학습된 API, Gemini API | 빠름 | 낮음 (API 호출) | 낮음~중간 | 번역, 음성 인식, 이미지 분석 같은 공통 기능을 앱에 붙일 때 | | Agent Studio, AutoML | 중간 | 중간 (코드 최소) | 중간 | 자사 데이터나 업무 흐름에 맞춘 모델과 에이전트가 필요할 때 | | BigQuery ML | 중간 | SQL 지식 | 중간 | 데이터가 이미 BigQuery에 있고 분석가가 직접 예측 모델을 만들 때 | | ADK, 맞춤형 학습 | 느림 | 높음 (ML 엔지니어) | 높음 | 핵심 경쟁력이 되는 고유한 모델과 에이전트가 필요할 때 |
사전 학습된 API와 파운데이션 모델 연결하기
| 비즈니스 과제 | 맞는 제품 | |------|------| | 상품 사진에서 물체와 글자를 인식하고 부적절한 이미지를 걸러냄 | Vision API | | 웹사이트와 고객 문의를 여러 언어로 번역 | Cloud Translation API | | 콜센터 통화를 텍스트로 받아 적음 | Speech-to-Text API | | 고객 리뷰의 감정과 핵심 대상을 분석 | Natural Language API | | 문서 요약, 질의응답, 이미지와 동영상까지 함께 이해하는 대화형 기능 | Gemini (Agent Platform API로 호출) |
시험 팁: "ML 전문가가 없고 빠르게 출시해야 한다"면 사전 학습된 API나 사전 구축 에이전트입니다. "경쟁사와 차별화되는 고유한 모델"이면 맞춤형 학습입니다. "한 회사의 모델에 묶이고 싶지 않다"면 Model Garden의 다양한 모델이 답입니다.
---
AI Hypercomputer: AI를 위한 통합 인프라
AI Hypercomputer는 제품 하나의 이름이 아니라, AI 학습과 추론을 위해 하드웨어와 소프트웨어와 소비 모델을 함께 최적화한 Google Cloud의 통합 인프라 아키텍처입니다. 경주용 자동차가 엔진만 좋아서는 이길 수 없고 차체, 타이어, 정비팀이 함께 맞아야 하듯, AI 워크로드도 칩과 소프트웨어와 요금 방식이 함께 맞아야 성능과 비용 효율이 나옵니다.
| 구성 요소 | 내용 | 기업이 얻는 것 | |------|------|------| | 성능 최적화 하드웨어 | Google이 설계한 ML 전용 칩 TPU, NVIDIA GPU, 고속 네트워크와 스토리지 | 대규모 모델을 더 빠르게 학습하고 추론 | | 오픈 소프트웨어와 표준 | JAX, PyTorch, vLLM 같은 오픈 프레임워크와 GKE 지원 | 익숙한 도구를 그대로 쓰고 특정 공급업체에 덜 묶임 | | 유연한 소비 모델 | Spot VM, Dynamic Workload Scheduler, 약정 사용 할인 | 워크로드 성격에 맞춰 비용을 통제 |
유연한 소비 모델 비교
| 소비 모델 | 특징 | 맞는 워크로드 | |------|------|------| | 주문형(On-demand) | 필요할 때 바로 쓰고 정가로 지불 | 기간을 예측하기 어려운 일반 작업 | | Spot VM | 남는 용량을 크게 할인하지만 언제든 회수될 수 있음 | 중단돼도 다시 시작할 수 있는 배치 작업 | | Dynamic Workload Scheduler Flex Start | 필요한 GPU·TPU 수와 기간을 요청해 두면 용량이 생길 때 자동으로 시작, 최대 7일 | 시작 시점이 유연한 미세 조정, 실험, 배치 추론 | | Dynamic Workload Scheduler 캘린더 모드 | 시작 날짜와 기간을 정해 GPU 용량을 미리 예약 | 날짜가 정해진 대규모 학습 프로젝트 | | 약정 사용 할인(CUD) | 1년이나 3년 사용을 약정하고 할인 | 꾸준히 돌아가는 추론 서비스 |
시험 팁: "학습 작업의 시작 시간이 유연하고 GPU를 더 저렴하게 확보하고 싶다"는 Dynamic Workload Scheduler입니다. "AI 워크로드의 성능과 비용 효율을 함께 높이는 Google Cloud의 차별점"을 묻는다면 AI Hypercomputer입니다.
---
좋은 AI는 좋은 데이터에서 나온다
AI 모델은 학습한 데이터만큼만 똑똑합니다. 상한 재료로 좋은 요리를 만들 수 없듯, 빠지거나 틀리거나 오래된 데이터로 학습한 모델은 잘못된 예측을 내놓고 그 결과가 그대로 비즈니스 결정에 반영됩니다. 출제 범위는 데이터 품질의 주요 차원으로 여섯 가지를 듭니다.
| 차원 | 확인할 질문 | 문제가 생긴 예 | |------|------|------| | 완전성(Completeness) | 필요한 값이 빠짐없이 있나? | 고객 데이터의 30%에 지역 정보가 비어 있음 | | 고유성(Uniqueness) | 같은 대상이 중복 기록되지 않았나? | 한 고객이 이름 표기만 다르게 세 번 등록됨 | | 적시성(Timeliness) | 지금 쓰기에 충분히 최신인가? | 작년 가격으로 올해 수요를 예측 | | 유효성(Validity) | 정해진 형식과 규칙을 지키나? | 생년월일 칸에 "2026-13-45"가 들어 있음 | | 정확성(Accuracy) | 실제 값과 일치하나? | 실제 매출보다 10% 부풀려진 집계 | | 일관성(Consistency) | 여러 시스템에서 같은 값인가? | CRM과 결제 시스템의 고객 주소가 서로 다름 |