최근 열린 Google Cloud Next ’26에서 발표되어 큰 화제를 모으고 있는 ‘에이전틱 데이터 클라우드(Agentic Data Cloud)’에 대해 얘기합니다. 과거의 데이터 웨어하우스나 데이터 레이크는 뛰어난 저장 및 분석 능력을 갖추고 있었지만, 본질적으로는 ‘수동적인 시스템’이었습니다. 데이터베이스에 데이터가 적재되어도 결국 분석가가 쿼리를 작성하고, 리더가 대시보드를 해석한 뒤에야 비즈니스 액션이 취해졌습니다. 하지만 구글은 이번 Next ’26을 통해 데이터를 단순히 기록하는 시스템(System of Record)에서, 실시간 데이터를 인지하고 스스로 행동하는 ‘행동 시스템(System of Action)’으로의 전환을 공식화했습니다.
Agentic Data Cloud란 무엇인가요?
구글 클라우드의 핵심 인프라 위에 AI 에이전트와 거대 언어 모델(Gemini)을 수직으로 융합하여 자율성을 플랫폼 자체에 내장한 아키텍처입니다.
관찰 (Observe): 실시간으로 들어오는 정형 데이터와 비정형 데이터를 모니터링합니다.
추론 (Reason): 데이터의 변화와 비즈니스 맥락을 종합적으로 분석합니다.
행동 (Act): 연계된 인프라 및 애플리케이션을 통해 직접 액션을 실행하거나 코드를 생성합니다.
회사에 들어오는 숫자, 텍스트, 이미지 등 모든 실시간 데이터를 눈여겨보다가, “어? 매출이 갑자기 줄었네? 아, 날씨 때문이구나.” 하고 데이터의 의미와 상황을 스스로 파악한 다음, “창고에 재고를 더 채워야겠다!” 하고 관련 시스템에 직접 주문을 넣거나 필요한 코드를 짜도록 한다는 것입니다.
핵심 아키텍처와 주요 구성 요소
| 핵심 요소 | 기존 플랫폼의 한계 | Agentic Data Cloud의 혁신 |
| Knowledge Catalog (지식 카탈로그) | 데이터의 위치 파악 (Data Catalog): “이 데이터는 어디에 있는가?” | 비즈니스 지식의 지도 (Knowledge Catalog): “이 데이터는 무엇을 의미하며, 다른 데이터와 어떤 비즈니스 관계를 갖는가?” |
| Data Agent (데이터 에이전트) | 코드 중심 작업: 분석가가 직접 SQL/Python을 작성하고 결과를 검증 | 의도(Intent) 중심 작업: 사용자가 비즈니스 목적을 지시하면, AI가 필요 데이터를 찾고 분석 및 추론을 자동 수행 |
| Cross-cloud Lakehouse (크로스 클라우드 레이크하우스) | 데이터 이동 중심: 분산된 데이터를 한곳으로 모으기 위해 복제 및 ETL 작업 필수 | AI 접근 중심 (Zero-copy): 물리적 위치(AWS, Azure 등)와 무관하게 AI가 필요한 순간 원본 데이터에 실시간으로 직접 접근 |
1. 지식 카탈로그 (Knowledge Catalog): 데이터 카탈로그에서 ‘비즈니스 지식의 지도’로
에이전트가 자율적으로 데이터에 접근할 때 가장 큰 리스크는 ‘맥락의 부재’로 인한 환각(Hallucination)입니다. 구글은 전체 데이터 자산에 걸쳐 에이전트에게 ‘신뢰할 수 있는 비즈니스 컨텍스트(Trusted business context)’를 제공하는 Knowledge Catalog를 발표했습니다. 에이전트는 이 카탈로그를 통해 데이터의 단순한 물리적 위치를 넘어 비즈니스적 의미를 인지하고, 팩트에 기반한 정확한 추론을 수행할 수 있습니다.
기존 데이터 카탈로그가 “이 데이터는 어디에 있는가?”에 답했다면, 지식 카탈로그는 “이 데이터는 무엇을 의미하며, 다른 시스템과 어떤 관계를 갖는가?”에 답합니다. 제미나이(Gemini)를 활용해 PDF, 계약서, 고객 리뷰 등 흩어진 다크 데이터(Dark Data)에서 의미를 추출하고 구조화합니다.
2. 데이터 에이전트 키트 (Data Agent Kit): ‘코드’ 중심에서 ‘비즈니스 의도(Intent)’ 중심으로
데이터 사이언티스트와 엔지니어의 생산성을 극대화하는 Gemini 기반의 데이터 사이언스 저작(Authoring) 도구입니다. 개발 환경(IDE)과 깊이 연동되어 복잡한 데이터 파이프라인 구축, 데이터 분석 코드 작성, 워크플로우 관리를 AI가 적극적으로 보조합니다. 이를 통해 실무자는 반복적인 코딩 작업 대신 비즈니스 로직과 아키텍처 설계에 집중할 수 있습니다.
개발자가 직접 SQL이나 Python 기반의 파이프라인을 구축하던 방식에서, 사용자가 “최근 6개월간 이탈 가능성이 높은 고객의 원인을 분석해 줘”라는 비즈니스 의도를 제시하면 AI가 필요한 데이터를 스스로 찾고 분석 코드를 자동 생성(Generate)하여 실행합니다.
3. 크로스 클라우드 레이크하우스 (Cross-cloud Lakehouse): 데이터 이동 없는 제로 카피 환경
AI가 분산된 멀티 클라우드 환경의 데이터를 실시간으로 활용할 수 있도록 지원하는 AI 네이티브 레이크하우스입니다. 기업의 데이터는 AWS, Azure, 온프레미스 등 여러 환경에 분산되어 있습니다. 기존에는 이를 한곳으로 모으는 복제 및 ETL 작업이 필수였지만, 에이전틱 환경에서는 이것이 병목 현상을 유발합니다.
크로스 클라우드 레이크하우스는 물리적인 데이터 위치에 상관없이 제로 복사(Zero-copy) 방식으로 원활하고 실시간으로 원본 데이터에 접근합니다. AI가 있는 곳으로 데이터를 옮기는 것이 아니라, AI가 데이터가 있는 곳으로 즉시 접근하는 구조입니다.
자율성과 통제력의 균형: 에이전트 거버넌스 체계
AI 에이전트가 비즈니스 크리티컬 시스템에 접근할 때 가장 중요한 것은 거버넌스입니다. 구글은 에이전트의 자율성을 안전하게 통제하기 위해 엔터프라이즈급 보안 및 관리 체계를 도입했습니다.
- Agent Identity (에이전트 신원 관리): 각 에이전트에게 명확한 독립적 신원(Identity)과 세밀한 데이터 접근 권한(IAM)을 부여하여 오류 파급을 차단합니다.
- Agent Registry (에이전트 레지스트리): 기업 내 산재한 모든 에이전트의 목적과 상태를 중앙에서 등록하고 추적 관리합니다.
- Agent Gateway (에이전트 게이트웨이): 에이전트가 외부 시스템이나 기업 내 다른 API와 상호작용할 때 발생하는 트래픽과 요청을 모니터링하고 제어합니다.
- Agent Anomaly Detection (에이전트 이상 탐지): 에이전트의 비정상적인 행동이나 허가되지 않은 데이터 접근 시도를 실시간으로 탐지하고 차단합니다.
시사점: RAG를 넘어 컨텍스트 엔지니어링(Context Engineering)으로
Google Cloud Next ’26의 발표는 엔터프라이즈 AI 전략이 단순한 문서 검색 기반의 RAG(검색 증강 생성)를 넘어, 정교한 컨텍스트 엔지니어링(Context Engineering) 시대로 진입했음을 시사합니다.
단편적인 데이터 축적만으로는 스스로 추론하고 행동하는 에이전트의 잠재력을 이끌어낼 수 없습니다. 기업은 이제 방대한 데이터 자산 위에 에이전트가 비즈니스 로직을 온전히 이해할 수 있는 ‘맥락의 계층(Context Layer)’을 구축해야 합니다. 지식 카탈로그와 크로스 클라우드 레이크하우스를 통해 데이터의 사일로를 허물고, 거버넌스 통제 하에 구조화된 비즈니스 맥락을 확보한 기업만이 진정한 의미의 Agentic Enterprise 혁신을 주도하게 될 것입니다.