Google AI

Google이 Project Suncatcher 위성의 TPU에서 Gemma 4 응답을 생성하고 지상으로 수신했다고 밝혔다. 첫 추론 성공과 상용 데이터센터의 신뢰성·경제성은 다르다. 2027년 위성 연결 목표와 국내 인프라 기업이 확인할 다음 검증 지표를 분석한다.

첫 응답은 우주에서의 연산·통신 경로가 동작했다는 이정표다. 상용 경쟁력은 장기 오류율, 열·방사선 대응, 연결 비용과 유지보수 가능성을 함께 입증해야 생긴다.

OpenAI 모델의 Google Cloud 제공이 선별 기업 프리뷰로 시작된다. 양사의 공식 발표를 대조해 지원 모델·기존 약정 사용·향후 제공 기능을 구분하고, 한국 기업의 데이터 경계와 모델 전환 비용, 멀티모델 조달 경쟁에 미치는 영향을 분석한다.

같은 청구서에서 모델을 선택할 수 있으면 조달 장벽은 낮아진다. 그러나 계약의 통합이 모델 동작·권한·데이터 정책의 완전한 호환성을 보장하지는 않는다.

YouTube Music이 생성형 AI의 역할을 알리는 표시를 도입한다. 완전 생성·부분 생성·미사용의 구분과 DDEX·CSV 메타데이터 전달 방식을 살펴보고, AI 표시를 저작권 허가나 수익화 제한으로 오해하지 않도록 국내 음악 제작사와 유통사의 준비 과제를 정리한다.

음악의 AI 표시는 작품을 금지하는 판단이 아니라 제작 과정을 전달하는 정보다. 경쟁력은 탐지뿐 아니라 정정 가능한 제작 이력에 달려 있다.

Google Play가 AI로 만든 Android 앱을 제작자만 사용할 수 있는 개인 배포 경로를 발표했다. 미국 18세 이상 초기 제공과 향후 공유 계획을 구분하고, 비공개 배포가 데이터 보호를 보장하지 않는 이유 및 한국 개발자의 제품 기회를 분석한다.

AI 앱의 가치가 대중적 다운로드 수에서 개인의 문제 해결로 넓어진다. 배포 대상을 좁혀도 권한·데이터·유지보수 책임까지 없어지지는 않는다.

구글이 인도에서 Gemini와 AI Mode 안의 Flipkart 구매 버튼을 시험하고 있다는 보도가 나왔다. 제한된 실험과 UCP의 관계를 구분하고, 검색·결제·판매자 책임의 경계가 한국 커머스와 에이전트 개발에 주는 시사점을 분석한다.

AI 쇼핑의 승부처는 추천 문장의 품질만이 아니다. 구매 의도와 주문 상태를 누가 보유하고, 실패한 거래를 누가 복구하는지가 플랫폼 경쟁을 결정한다.

Google의 오픈소스 AX는 작업·워크스페이스·네트워크·모델을 선언형 자원으로 묶는다. 에이전트 운영이 챗봇 배포와 다른 이유와 한국 기업의 도입 조건을 짚는다.

에이전트 운영의 핵심 단위는 컨테이너가 아니라 상태·권한·비용을 함께 가진 작업이다. AX는 이 차이를 선언형 인프라 자원으로 드러낸 초기 시도다.

Google의 Gemini 3.8 Live 공개는 음성·영상 대화가 모델 경쟁의 전면으로 왔다는 신호다. 에이전트 UX와 비용 구조가 함께 바뀐다.

실시간 대화 모델의 경쟁력은 벤치마크 점수보다 턴 지연, 끼어들기 처리, 도구 호출 통제, 비용 예측성에서 갈린다.

Jeff Johnson이 Chrome에서 Google 사이트 데이터가 종료 후에도 남는 현상을 재현했다. AI 브라우저 시대에는 이런 예외가 개인화와 에이전트 권한의 신뢰 문제로 커진다.

브라우저의 개인정보 설정은 사용자가 플랫폼을 믿는 최소 계약이다. AI 기능이 브라우저 안으로 들어올수록 작은 예외도 데이터 거버넌스 문제로 확대된다.

Google이 Gemini 3.8 Flash와 Flash Cyber를 공개했다. 단가는 유지했지만 더 많은 추론과 도구 호출이 실제 비용을 키울 수 있어 에이전트 운영 기준이 중요해졌다.

단가가 같아도 모델이 더 오래 생각하고 도구를 더 자주 부르면 총비용은 달라진다. 프런티어 모델 경쟁은 가격표보다 실행 패턴을 읽는 싸움으로 넘어가고 있다.

Google의 Gemini 3.5 Transcribe는 단순 받아쓰기가 아니라 회의, 상담, 영상, 콜센터 데이터를 구조화하는 입력 계층이다. 한국 기업은 정확도, 개인정보, 도메인 용어, 사후 검수 흐름을 함께 봐야 한다.

Gemini 3.5 Transcribe의 핵심은 음성 인식을 별도 기능이 아니라 업무 데이터 파이프라인의 첫 단계로 끌어올린다는 점이다. 한국 기업은 모델 성능보다 개인정보, 도메인 용어, 사후 검수의 운영 설계를 먼저 정해야 한다.

Google의 Gemini Omni 1.1 Flash는 생성형 영상과 창작 제어를 개발자 기능으로 전면화한다. 멀티모달 경쟁은 모델 성능보다 제어권, 비용 예측성, 지연시간, 반복 편집, 안전 장치의 싸움으로 이동한다.

Gemini Omni 1.1 Flash의 메시지는 멀티모달 모델을 데모가 아니라 개발자가 제어하는 제품 부품으로 만들겠다는 것이다. 영상 생성이 앱 기능이 되려면 품질보다 반복 가능한 제어와 비용 예측성이 먼저 필요하다.

Google Workspace가 개인 도메인을 이메일 제공자로 오판한 사례는 AI 에이전트가 메일, 캘린더, SSO에 붙는 시대에 신원 인프라 오류가 곧 자동화 리스크가 된다는 점을 보여준다.

AI 에이전트의 신뢰성은 모델 성능보다 먼저 계정, 도메인, 메일 라우팅 같은 낡은 신원 인프라 위에 선다. 업무 자동화가 깊어질수록 작은 도메인 오판도 권한, 전달, 감사 문제로 커진다.

Google이 HEIR 컴파일러로 동형암호 기반 AI 추론을 시연했다. 개인정보를 보지 않고 추천, 사기 탐지, 침입 탐지를 처리하는 길이 비용 문제로 내려왔다.

HEIR의 의미는 동형암호가 연구 데모에서 생산 툴체인 문제로 옮겨왔다는 점이다. 기업 AI에서 개인정보 보호는 이제 기능 포기가 아니라 비용, 지연시간, 컴파일러 성숙도의 선택 문제가 된다.

Google의 Gemini 3.7 Flash는 코딩, 웹 생성, 문서형 지식 작업을 겨냥한 빠른 개량판이다. 핵심은 벤치마크 상승보다 에이전트 운영 단가를 낮추려는 플랫폼 경쟁이다.

Gemini 3.7 Flash의 의미는 최고 성능 모델 발표보다 반복 호출이 많은 에이전트 워크로드의 단가를 낮추는 데 있다. 한국 팀은 모델 순위보다 재시도율, 도구 호출 성공률, 장문 문서 처리 비용을 함께 봐야 한다.

구글이 데미스 하사비스를 DeepMind 의장 겸 알파벳 수석과학자로 옮기고 코레이 카부크오글루에게 실행을 맡겼다. AI 경쟁은 연구 스타에서 운영 체계로 이동하고 있다.

구글의 변화는 연구 리더를 물러나게 한 사건이라기보다 AGI 외교와 제품 실행을 분리한 조직 설계에 가깝다. 한국 기업도 모델 도입보다 누가 연구, 제품, 책임을 나눠 갖는지부터 점검해야 한다.

Google Chrome 보안팀은 AI로 취약점 발견, triage, 수정, release를 자동화하고 있다. 최근 두 milestone에서 보안 버그 1,072개를 수정했다.

Chrome의 AI 보안 파이프라인은 취약점 발견만 자동화하는 단계가 아니다. triage, fix, test, release, restart까지 이어지는 전체 패치 공급망이 AI 시대의 경쟁 단위가 되고 있다.

Google DeepMind가 Gemini Robotics 2를 공개했다. 전신 제어, 손 조작, 다중 로봇 협업은 물리 AI 경쟁의 기준을 소프트웨어 쪽으로 옮긴다.

Gemini Robotics 2의 핵심은 휴머노이드 데모가 아니라 로봇 제어를 VLA, embodied reasoning, 온디바이스 모델로 쪼갠 구조다. 한국 제조 기업은 하드웨어보다 작업 정의, 안전 게이트, 현장 데이터 수집 체계를 먼저 준비해야 한다.

Google은 Michigan 낙농가가 Gemini 3.6 Flash와 Antigravity로 다중 에이전트 운영 대시보드를 만든 사례를 공개했다. AI 에이전트의 진짜 시장은 거대기업 밖에도 있다.

Gemini 농장 사례는 에이전트가 화려한 사무직 데모를 넘어 작은 사업장의 반복 데이터 업무를 줄일 수 있음을 보여준다. 핵심은 API 통합보다 로컬 파일, 명확한 지표, 저비용 모델 조합이다.

Google은 Gemini API Managed Agents의 기본 모델을 3.6 Flash로 바꾸고 환경 훅, 예산 제어, 예약 트리거를 추가했다. 에이전트 경쟁은 런타임 통제 경쟁으로 이동한다.

Google의 Managed Agents 업데이트는 더 똑똑한 모델보다 더 통제 가능한 런타임을 강조한다. 훅, 예산, 예약 실행은 기업이 에이전트를 실험에서 운영으로 옮길 때 반드시 필요한 장치다.

AI 연구자들이 펠리컨 자전거 SVG 벤치마크에 과적합했는지 검증한 실험은 작은 농담형 테스트가 모델 평가와 신뢰 논쟁으로 커지는 과정을 보여준다.

좋은 벤치마크는 점수보다 실패 양상을 보여준다. Pelicanmaxxing 논쟁은 한국 AI 팀에게 공개 벤치마크 하나에 맞춘 최적화보다 변형 테스트와 평가 데이터 공개가 중요하다는 교훈을 준다.