구글 클라우드 데이터 에이전트 총정리 - BigQuery 어시스턴트부터 대화형 분석 API까지

핵심 메시지

• 구글은 데이터 에이전트 투자를 보조 기능(BigQuery 어시스턴트), 페르소나·작업별 데이터 에이전트, 개발자용 기본 API/도구의 세 영역으로 나눠 제공한다.
• 데이터 엔지니어링 에이전트, 데이터 과학 에이전트, 대화형 분석 에이전트가 모두 정식 출시(GA)되어 자연어만으로 파이프라인 구축·머신러닝 모델 생성·분석이 가능해졌다.
• 대화형 분석 API와 BigQuery MCP 서버, 데이터 에이전트 키트(VS Code 확장)가 더해져 개발자가 자신의 앱과 IDE에 데이터 에이전트를 직접 통합할 수 있다.
• 영국 2위 통신사 VM O2는 데이터를 BigQuery로 모아 단일 진실 소스를 만들고 "베리티"라는 자체 에이전트를 구축해 현장 사용자가 자연어로 데이터를 조회하도록 했다.
• 가트너는 2027년까지 기업 의사결정의 50% 이상이 에이전트형 AI로 보강되거나 자동화될 것으로 전망한다.

쉽게 이해하기

구글 클라우드는 BigQuery AI 팀을 중심으로 "데이터 에이전트"라는 이름의 새로운 기능 묶음을 공개했다. 발표자들은 올해를 에이전트형 AI의 해로 규정하며, 에이전트가 방대하고 복잡한 데이터에서 통찰을 끌어낼 뿐 아니라 능동적이고 자율적으로 작업을 수행한다는 점을 강조했다. 가트너의 전망(2027년까지 기업 의사결정의 절반 이상이 에이전트형 AI로 보강·자동화)을 근거로, 데이터와 인공지능이 만나는 지점의 변화를 설명했다.

구글은 에이전트 투자를 세 갈래로 정리한다. 첫째는 보조 기능으로, BigQuery 스튜디오 오른쪽 채팅 패널에서 SQL 작성·문제 해결·최적화를 돕는 BigQuery 어시스턴트다. 발표에 따르면 관련 기능 확장 덕분에 제미니가 BigQuery에서 처리하는 데이터 양은 1년 만에 30배 늘었다. 둘째는 페르소나·작업별 데이터 에이전트이고, 셋째는 개발자가 직접 에이전트를 만들도록 돕는 ADK 도구와 MCP API 등 기본 도구다.

데이터 에이전트는 세 종류가 모두 정식 출시됐다. 데이터 엔지니어링 에이전트는 자연어 지시만으로 몇 분 만에 파이프라인을 구성하고 기존 파이프라인의 문제도 해결한다. 데이터 과학 에이전트는 BigQuery 기반 Colab 노트북에서 동작하며 데이터 탐색·특징 추출·머신러닝 모델 구축과 정확도 검증까지 수행한다. 대화형 분석 에이전트는 Looker에서 11월부터 일반 공급 중이며, 대시보드와 채팅하거나 예측·핵심 동인 분석·이상 탐지 같은 고급 분석을 자연어로 요청할 수 있다.

개발자 친화 기능도 대거 공개됐다. 대화형 분석 기능을 자사 앱에 넣을 수 있는 대화형 분석 API가 GA됐고, 별도 연결 코드 없이 BigQuery에 접근하는 완전 관리형 BigQuery MCP 서버, 직접 환경을 관리하려는 사용자를 위한 MCP 툴박스도 제공된다. 발표에 따르면 BigQuery MCP를 통한 작업 수는 전년 대비 20배 증가했다. 또한 ADK·LangGraph 사용 시 한 줄 코드로 에이전트 성능·지연·토큰·고객 감정을 BigQuery에 적재해 모니터링하는 에이전트 분석 플러그인, VS Code 확장과 Gemini CLI·Cloud Code·Codex용 플러그인을 묶은 데이터 에이전트 키트(미리보기)가 소개됐다.

실제 도입 사례로 영국 2위 통신사 VM O2의 마우로 플로레스가 무대에 올랐다. 약 4,500만 개의 연결과 1만 6천 명의 직원을 둔 이 회사는 모든 데이터를 GCP로 옮기고 BigQuery를 단일 진실 소스로 삼은 뒤, 비즈니스 계층 위에 "베리티(Verity)"라는 에이전트를 ADK와 Gemini Enterprise, 대화형 분석 API로 구축했다. 그는 올바른 맥락과 거버넌스가 갖춰지면 몇 분 만에 에이전트를 만들 수 있다고 말하며, 연말까지 5,000개 라이선스를 목표로 현재 700~750명이 사용 중이고 1만 2천 건의 답변을 처리했다고 전했다.

주요 인사이트

• 데이터 에이전트의 핵심 가치는 "SQL을 몰라도, 스키마를 몰라도" 자연어로 데이터에 접근하게 해 데이터 접근성을 민주화하는 데 있다.
• 에이전트의 정확도는 결국 맥락(컨텍스트)에서 갈린다. VM O2 사례에서도 적절한 맥락이 없으면 시스템이 완전히 실패한다고 못 박았다.
• "쓰레기를 넣으면 쓰레기가 나온다"는 원칙대로, 신뢰할 만한 단일 진실 소스(BigQuery)를 먼저 다지는 것이 에이전트 도입의 전제 조건이다.
• 같은 질문에 에이전트가 매번 다른 답을 내면 치명적이므로, 인증되고 일관된 답을 주는 "골든 쿼리"와 비즈니스 계층 설계가 중요하다.
• 구글은 인프라 최하위 계층부터 에이전트·애플리케이션 계층까지 수직 통합해, 단일 플랫폼(Gemini Enterprise)에서 데이터 에이전트를 다른 에이전트와 함께 운영하도록 묶는 전략을 취한다.

자주 묻는 질문

관련 AI 소식