Gemini Enterprise Agent Platform 완전 분석 — Vertex AI가 에이전트 플랫폼으로 진화한 이유

Google이 Vertex AI를 접었습니다. 대신 에이전트 시대를 위한 새로운 플랫폼을 들고 나왔습니다.

[핵심 요약]
→ 발표: 2026년 4월 22일, Google Cloud Next '26 (라스베가스)
→ 정체: Vertex AI의 진화판 — 에이전트 빌드/스케일/거버넌스/최적화 통합 플랫폼
→ 모델: 200개+ 접근 (Gemini 3.1 Pro, Gemma 4, Lyria 3, Claude Opus/Sonnet/Haiku 포함)
→ ADK: 그래프 기반 서브에이전트 네트워크로 업그레이드
→ 보안: Agent Identity (암호화 ID), Agent Gateway, Agentic Defense 신설
→ 인프라: 8세대 TPU, Axion CPU 함께 발표
→ 대상: 에이전트를 수백~수천 개 규모로 운영할 기업

---

왜 Vertex AI를 버렸나

Vertex AI는 2021년 출시된 Google의 AI 개발 플랫폼입니다. 모델 훈련, 튜닝, 배포를 지원했습니다. 그런데 Google이 이걸 접고 새 플랫폼을 냈습니다.

Vertex AI 시대 (2021~2025):
→ 단일 모델 훈련/배포 중심
→ 사람이 매 단계 지시하는 구조
→ 에이전트 간 통신/거버넌스 도구 없음
→ "AI 모델 배포 플랫폼"

Gemini Enterprise Agent Platform (2026):
→ 에이전트 빌드/스케일/거버넌스/최적화 통합
→ 에이전트가 자율적으로 멀티스텝 작업 수행
→ 에이전트 간 통신, 권한, 감사 추적 내장
→ "자율 에이전트 운영 플랫폼"

[전환의 핵심 이유]
→ 기업들이 LLM 단순 사용을 넘어 에이전트 수백 개를 운영하는 단계로 진입
→ "사람이 매번 프롬프트하는" human-in-the-loop 구조의 병목 해소 필요
→ 에이전트 수가 늘수록 거버넌스/보안/추적이 필수 과제로 부상
→ Vertex AI는 이 수요를 커버하기 역부족

 

---

실전 1 — 플랫폼 4대 축

Google은 플랫폼을 Build → Scale → Govern → Optimize 4단계로 구조화했습니다.

[1] Build — 에이전트 만들기

Agent Studio (로우코드):
→ 드래그앤드롭 비주얼 에디터
→ 자연어로 에이전트 로직 정의
→ 비개발자도 에이전트 빌드 가능

Agent Development Kit (ADK) 업그레이드:
→ 그래프 기반 서브에이전트 네트워크
→ 메인 에이전트 → 전문화된 서브에이전트 위임 구조
→ 월 6조 토큰이 ADK 통해 처리됨
→ MCP, A2A(Agent-to-Agent) 프로토콜 지원

[2] Scale — 프로덕션 수준으로 확장

Agent Runtime 개선:
→ 멀티데이 워크플로우 (에이전트가 며칠씩 자율 실행)
→ 에이전트 간 태스크 위임 오케스트레이션

Agent Memory Bank (신규):
→ 장기 메모리 동적 생성 및 큐레이션
→ Memory Profiles: 낮은 레이턴시로 고정밀 컨텍스트 재사용
→ 대규모 에이전트 운영 시 컨텍스트 유실 방지

Workspaces (신규):
→ 에이전트 bash 명령/파일 관리를 위한 샌드박스 환경
→ 핵심 시스템과 격리 — 보안 사고 방지
→ 멀티모달 스트리밍: 실시간 오디오/비디오 지원

[3] Govern — 거버넌스/보안

Agent Identity (신규):
→ 에이전트마다 암호화 ID 부여
→ 모든 액션이 해당 ID로 추적/감사 가능
→ "에이전트에 Zero Trust 적용"

Agent Registry:
→ 내부 에이전트/툴/스킬 전체 인덱싱 라이브러리

Agent Gateway:
→ 에이전트-에이전트, 에이전트-툴 간 모든 연결 단일 대시보드 관리
→ MCP, A2A 프로토콜 전 구간 보안 정책 적용
→ Model Armor: 프롬프트 인젝션, 데이터 유출 방어

Agentic Defense:
→ Google Threat Intelligence + Wiz AI Security Platform 결합
→ 에이전트 위협 탐지/대응 자동화

[4] Optimize — 최적화

Model Garden:
→ 200개+ 모델 접근
→ Gemini 3.1 Pro, Gemini 3.1 Flash Image, Lyria 3
→ 서드파티: Claude Opus, Sonnet, Haiku, Gemma 4 포함
→ 태스크별 최적 모델 선택 가능

Agentic Data Cloud:
→ 크로스클라우드 Lakehouse + Knowledge Catalog
→ BigQuery, Pub/Sub 이벤트 기반 에이전트 활성화
→ 에이전트용 데이터 접근 중앙화

---

실전 2 — ADK 업그레이드: 그래프 기반 서브에이전트

ADK의 가장 큰 변화는 서브에이전트 네트워크입니다.

# ADK 그래프 기반 서브에이전트 예시 (개념)
from google.adk import AgentGraph, Agent

# 메인 오케스트레이터 에이전트
orchestrator = Agent(
    name="project_orchestrator",
    model="gemini-3.1-pro",
    description="복잡한 프로젝트를 분해하고 서브에이전트에 위임"
)

# 전문화된 서브에이전트들
code_agent = Agent(
    name="code_writer",
    model="gemini-3.1-pro",
    description="코드 작성 전담"
)

test_agent = Agent(
    name="test_runner",
    model="claude-sonnet-4-6",  # 서드파티 모델도 사용 가능
    description="테스트 작성 및 실행"
)

deploy_agent = Agent(
    name="deployer",
    model="gemini-3.1-flash",
    description="배포 자동화"
)

# 그래프로 연결
graph = AgentGraph()
graph.add_node(orchestrator)
graph.add_edge(orchestrator, code_agent, condition="needs_code")
graph.add_edge(orchestrator, test_agent, condition="needs_testing")
graph.add_edge(code_agent, test_agent, condition="code_complete")
graph.add_edge(test_agent, deploy_agent, condition="tests_pass")

# 실행
result = graph.run("새 결제 모듈 만들고 테스트하고 배포해줘")

[그래프 기반 ADK 핵심 포인트]
→ 기존: 단일 에이전트가 모든 걸 처리 → 복잡도 한계
→ 신규: 전문화된 서브에이전트 네트워크 → 복잡한 작업 분산
→ 조건부 라우팅: 태스크 상태에 따라 다음 에이전트 결정
→ 모델 혼합: 각 서브에이전트마다 최적 모델 선택 가능
→ MCP 지원: 기업 내부 툴 연동 plug-and-play

---

실전 3 — Agent Identity: 에이전트 신원 관리

기업에서 에이전트 수백 개를 운영하면 "어떤 에이전트가 무엇을 했는가"가 핵심 문제가 됩니다.

# Agent Identity 동작 원리 (개념)
from google.adk import AgentIdentity, AgentRegistry

# 에이전트 생성 시 암호화 ID 자동 부여
agent_identity = AgentIdentity(
    agent_name="invoice_processor",
    permissions=["read:invoices", "write:approved_payments"],
    audit_level="full",  # 모든 액션 로깅
    authorization_policy="finance_team_policy"
)

# 모든 액션이 ID에 귀속됨
action_log = {
    "agent_id": "agt_7f3a9c2b...",  # 암호화 ID
    "timestamp": "2026-04-22T14:23:01Z",
    "action": "approve_payment",
    "amount": 150000,
    "authorized_by": "finance_team_policy",
    "traceable": True
}

# Agent Registry에서 전체 에이전트 현황 조회
registry = AgentRegistry()
active_agents = registry.list(status="active")

[Agent Identity가 중요한 이유]
→ 기존 비인간 신원(API키, 서비스계정): 결정론적, 예측 가능
→ AI 에이전트: 자율적, 목표 지향적 → 감사 추적이 훨씬 어려움
→ 규제 환경(금융/의료/법무): 에이전트 액션의 완전한 추적 필수
→ Zero Trust: 에이전트도 사람처럼 매 액션마다 권한 검증

---

실전 4 — 개발자 관점: 무엇이 달라지나

# Gemini Enterprise Agent Platform 시작 (Python SDK)
pip install google-cloud-aiplatform[agent]

from google.cloud import aiplatform
from google.adk import AgentBuilder

# 프로젝트 초기화
aiplatform.init(
    project="your-project-id",
    location="us-central1"
)

# 에이전트 빌드
builder = AgentBuilder()
agent = builder.create(
    name="customer_support_agent",
    model="gemini-3.1-pro",
    tools=[
        "crm_lookup",          # 내부 CRM 연동
        "ticket_creator",      # 티켓 생성
        "knowledge_base_search" # 지식베이스 검색
    ],
    memory_profile="customer_context",  # Memory Bank 활용
    workspace_enabled=True,  # 샌드박스 환경
    identity_policy="support_team_policy"
)

# 배포
agent.deploy(
    runtime="agent_runtime_v2",
    scaling="auto",
    multiday_workflow=True  # 멀티데이 자율 실행
)

# Gemini Enterprise 앱에 자동 노출
agent.publish_to_enterprise_app(
    visible_to=["support_team", "customers"]
)

[개발자 체크리스트]
→ ADK: pip install google-cloud-aiplatform[agent] 로 설치
→ 기존 Vertex AI 코드: 마이그레이션 가이드 제공 예정
→ MCP 서버: Bring Your Own MCP 지원 (내부 툴 연동)
→ Claude 모델: Model Garden에서 그대로 사용 가능
→ A2A 프로토콜: 외부 에이전트와 상호운용 가능

---

Google ADK vs 경쟁사 비교

               Google ADK       LangGraph        CrewAI
에이전트 구조:  그래프 기반       그래프 기반       역할 기반
모델 선택:      200개+ (멀티벤더) 멀티모델 지원     멀티모델 지원
거버넌스:       엔터프라이즈급    기본              기본
메모리:         Memory Bank       외부 연동 필요    외부 연동 필요
보안:           Agent Identity    DIY               DIY
MCP 지원:       O                 O                 제한적
A2A 지원:       O                 X                 X
클라우드 통합:  GCP 네이티브      클라우드 무관      클라우드 무관

[선택 기준]
→ GCP 기반 기업 + 엔터프라이즈 거버넌스 필요 → Google ADK
→ 클라우드 무관 + 오픈소스 + 유연성 → LangGraph
→ 역할 기반 팀 에이전트 + 빠른 프로토타이핑 → CrewAI

---

마무리

✅ Gemini Enterprise Agent Platform 써야 할 때
→ GCP 이미 사용 중인 기업
→ 에이전트를 수백~수천 개 규모로 운영할 계획
→ 금융/의료/법무 등 감사 추적이 필수인 규제 환경
→ Gemini + Claude + Gemma 4 혼합 사용 원할 때
→ 비개발자도 에이전트 빌드해야 하는 조직 (Agent Studio)

❌ 아직 기다려야 할 때
→ AWS, Azure 기반 기업 (GCP 마이그레이션 비용 발생)
→ 오픈소스 기반 자체 운영 원할 때 (LangGraph 고려)
→ 소규모 팀/스타트업 (엔터프라이즈 기능 과사양)
→ 기존 Vertex AI 코드 마이그레이션이 부담될 때

---

관련 글

 

Google ADK 실전 가이드 — 에이전트를 백엔드 시스템처럼 만드는 법

 

멀티에이전트 시스템 실전 구축 — CrewAI vs LangGraph vs AutoGen 완전 비교