구글 ‘제미나이 3.7 플래시’ 전격 등판… 에이전트 네이티브 시대 열다

구글 딥마인드가 차세대 주력 모델 제미나이 3.7 플래시(Gemini 3.7 Flash)를 공개했다. 지난 7월 말 제미나이 3.6 플래시(Gemini 3.6 Flash)를 선보인 지 불과 3주 만에 단행된 신속한 후속 모델 출시다.

이번 발표는 단순히 모델의 파라미터를 키우거나 벤치마크 점수를 소폭 끌어올린 차원을 넘어선다. 소프트웨어 개발과 기업 워크플로우의 중심축이 프롬프트 응답형 ‘생성형 AI’에서 스스로 문제를 정의하고 도구를 실행하는 ‘에이전틱 AI(Agentic AI)’로 전환되고 있음을 보여주는 신호탄이다.

구글의 개발자 플랫폼인 제미나이 3.7 플래시와 이를 실세계 시스템에 결합하는 안티그래비티 SDK(Antigravity SDK)의 기술적 특징을 짚어보고, 이것이 엔터프라이즈 소프트웨어 아키텍처에 던지는 실질적인 함의를 살펴본다.

생성형 AI의 진화와 ‘에이전틱 자율성’의 부상

지난 수년간 인공지능 업계의 화두는 텍스트의 유려함과 방대한 지식 요약 능력이었다. 그러나 2026년 현재 글로벌 테크 기업들의 시선은 실질적인 실행력으로 옮겨가고 있다. 사용자 요구사항을 체계적으로 분석하여 파일 시스템을 탐색하고 터미널 명령을 수행하며 발생한 에러를 자율 디버깅하여 배포까지 완결 짓는 에이전트 역량이 핵심 경쟁력으로 부상했다.

이러한 자율형 에이전트 시스템을 지탱하는 두 축은 하네스(Harness)와 자율성(Autonomy)이다. 하네스는 인공지능의 지능이 시스템을 벗어나지 않도록 안전하게 제어하고 기업의 기존 인프라와 연결하는 통제 프레임워크를 뜻하며, 자율성은 모델이 최소한의 개입만으로 복합 모달 데이터를 다루며 연속된 결정을 내리는 능력을 의미한다. 구글은 제미나이 3.7 플래시라는 모델과 안티그래비티 SDK라는 프레임워크를 유기적으로 결합하여 이 두 과제를 해결하겠다는 전략을 구체화했다.

경량 모델의 재정의, 엔터프라이즈 주력으로 올라선 플래시 라인업

과거 플래시(Flash)나 미니(Mini)라는 접미사는 주로 저비용·경량화 모델에 붙는 수식어였다. 하지만 제미나이 3.x 세대에 이르러 플래시 라인업의 위상은 크게 달라졌다. 복잡한 API 호출과 긴 호흡의 다단계 추론 루프를 지연 없이 수행해야 하는 에이전틱 환경에서, 플래시 모델은 실무 워크로드를 안정적으로 처리하는 엔터프라이즈의 주력 엔진(Workhorse)으로 재정의되었다.

2026년 7월 21일 출시된 제미나이 3.6 플래시가 추론 성능 강화로 다단계 도구 사용 시의 오류를 줄이는 데 집중했다면, 8월 13일 등장한 제미나이 3.7 플래시는 코딩 성능과 장기 오케스트레이션 지능을 한층 고도화했다. 특히 에이전트가 10단계 이상의 긴 작업을 수행할 때 흔히 나타나는 ‘지능 감쇠(Intelligence Decay)’ 현상을 효과적으로 억제한 것이 특징이다. 이는 고비용 플래그십 Pro 모델의 재정적 부담과 소형 모델의 추론 한계 사이에서 기업들이 선택할 수 있는 비용 효율적인 지능 솔루션으로 평가받는다.

100만 토큰과 동적 추론의 조화… 엔지니어가 주목해야 할 기술 사양

제미나이 3.7 플래시는 100만 토큰(1048576 입력 / 65536 출력) 규모의 컨텍스트 윈도우를 제공한다. 이는 방대한 프로젝트 코드베이스 전체나 수천 페이지의 사내 기술 규정 문서를 분할 없이 단일 컨텍스트에 담아낼 수 있는 규모다. 텍스트뿐만 아니라 코드, 이미지, 비디오, 오디오, PDF를 네이티브로 수용하는 다중 모달 아키텍처는 데이터 전처리 과정을 간소화한다.

이번 3.x 아키텍처에서 엔지니어들이 유의해야 할 지점은 추론 제어 방식의 변화다. 작업 난이도에 따라 추론 깊이를 결정하는 ‘Thinking Level(Minimal, Low, Medium, High)’이 도입되면서 전통적인 샘플링 파라미터(Temperature, Top_P, Top_K)는 내부 최적화 엔진에 의해 무시된다. 개발자는 무작위성을 조정하는 대신 추론 레벨 설정으로 정밀도와 토큰 소비를 조율해야 한다.

비용 관리 측면에서도 명확한 설계가 필요하다. 내부 추론 과정에서 소모되는 Thinking 토큰은 입력 요율이 아닌 출력 토큰 요율로 계산된다. 단순 라우팅이나 정형 데이터 파싱 같은 가벼운 작업에 높은 추론 레벨을 부여할 경우 불필요한 인프라 비용이 증가할 수 있으므로 작업 단위별 동적 레벨 설정이 아키텍처 설계의 기본 수칙이다.

벤치마크로 검증된 실전 코딩력… 클로드 소넷 5·GPT-5.6 테라와의 진검승부

실제 엔터프라이즈 환경을 모사한 벤치마크 지표에서 2026년 하반기 주력 모델들의 윤곽이 뚜렷해지고 있다. 깃허브(GitHub) 실제 이슈를 해결하는 SWE-bench와 캐글(Kaggle) 머신러닝 엔지니어링을 테스트하는 MLE-bench, 그리고 실제 운영체제 및 터미널 환경을 제어하는 OSWorld와 Terminal-Bench 2.1에서 각 사의 주력 모델들이 치열한 경쟁을 펼치고 있다.

각 사의 실제 측정 성과를 비교하면 뚜렷한 포지셔닝 차이가 드러난다. 앤트로픽의 클로드 소넷 5(Claude Sonnet 5)는 적응형 추론(Adaptive Thinking)을 기반으로 SWE-bench Pro(63.2%)에서 미세한 우위를 보이며 복잡한 코드 리팩토링에서 여전한 강점을 과시했다. 오픈AI의 GPT-5.6 테라(GPT-5.6 Terra)는 Terminal-Bench 2.1(84.3%)에서 높은 점수를 기록하며 정형화된 CLI 워크플로우 처리에서 안정적인 면모를 나타냈다.

반면 구글의 제미나이 3.7 플래시는 실제 운영체제 환경을 다루는 OSWorld(85.8%)와 머신러닝 데이터 파이프라인 전주기를 다루는 MLE-bench(68.5%)에서 가장 높은 성과를 기록했다. 특히 이전 세대 대비 출력 토큰 소모량을 17% 절감하고 1M 입력당 $0.75 / 출력당 $3.75라는 경쟁력 있는 단가를 제공함으로써 장기 실행 에이전트를 대규모로 가동해야 하는 엔터프라이즈 환경에서 총소유비용(TCO) 관점의 뚜렷한 실익을 제공한다.

지능에 실행력을 더하다: 안티그래비티 프레임워크의 구조

언어 모델이 외부 시스템과 상호작용하지 않고 텍스트만 생성한다면 에이전트로서의 역할에 한계가 있다. 구글의 안티그래비티 SDK는 모델의 판단을 파일 생성, 쉘 스크립트 실행, 브라우저 테스트, API 통신 등 실질적인 행동으로 전환하는 개발 프레임워크다.

안티그래비티(Antigravity)는 개발 환경과 사용자 역할에 맞춰 네 가지 접점을 제공한다. 다중 에이전트를 시각 인터페이스로 관리하는 데스크톱 앱(Antigravity 2.0), 터미널 및 SSH 기반의 원격 서버 작업을 담당하는 경량 Go 바이너리(CLI), 실시간 코드 디버깅과 라인 단위 검토를 지원하는 전용 IDE, 그리고 파이썬 환경에서 독자적인 워크플로우를 구축할 수 있는 라이브러리(google-antigravity)로 구성된다.

보안과 생산성의 균형을 맞추는 핵심 기제는 ‘정책 엔진(Policy Engine)’과 ‘YOLO 모드’의 상호작용이다. 정책 엔진은 에이전트가 접근할 수 있는 디렉토리와 허용된 쉘 명령어, 외부 API 호출 범위를 명확히 제한한다. 반면 YOLO 모드는 정책 엔진이 허가한 안전한 범위 내에서 매 단계 수동 승인을 거치지 않고 자율적으로 문제를 해결하는 고속 실행 방식을 지원한다.

실무 적용 시나리오와 TCO 절감 전략

기업 현장에서 제미나이 3.7 플래시와 안티그래비티 SDK가 제공하는 실질적인 효용은 세 가지 영역에서 두드러진다.

첫째, 소프트웨어 개발 라이프사이클의 자동화다. 에이전트가 전체 리포지토리를 스캔하여 기술 부채를 식별하고 테스트 주도 개발(TDD) 원칙에 따라 실패하는 테스트 코드를 먼저 작성한 뒤 최소한의 구현으로 통과시키는 자가 치유(Self-Annealing) 루프를 구성할 수 있다. 이를 통해 코드 리뷰 및 디버깅 소요 시간을 상당 부분 단축할 수 있다.

둘째, 멀티모달 복합 문서 분석이다. 100만 토큰 컨텍스트를 활용해 수백 장의 재무제표 PDF, 오디오 녹음본, 차트 이미지를 파편화된 검색(RAG) 과정 없이 단번에 분석하여 맥락 왜곡을 줄인 의사결정 보고서를 도출한다.

셋째, 실시간 검색 및 지도 연동을 통한 고객 서비스다. 구글 검색 및 지도 그라운딩(Grounding)으로 최신 정보를 반영한 대고객 서비스를 구축하되 금융 결제나 개인정보 변경과 같은 중요 작업에는 인간 담당자가 최종 검토하는 Human-in-the-loop 구조를 설계하는 것이 권장된다.

비용 최적화 측면에서는 경쟁력 있는 가격 정책과 캐싱 기술의 조화가 강점이다. 구글은 2026년 말까지 100만 토큰당 입력 $0.75, 출력 $3.75의 프로모션 요율을 적용하고 있다. 반복 호출되는 코드베이스나 규정 문서를 100만 토큰당 $0.075 수준의 컨텍스트 캐싱(Context Caching)으로 전환하고 월 5000회의 무료 검색 그라운딩을 활용하면 인프라 운영 비용을 대폭 절감할 수 있다.

실제 구현은 간결하다. 몇 줄의 파이썬 코드만으로 로컬 환경에서 검증한 뒤 구글 클라우드로 확장할 수 있다.

import asyncio
from google.antigravity import Agent, LocalAgentConfig
async def start_autonomous_agent():
    # 1. 에이전트 하네스 및 정책 정의
    config = LocalAgentConfig(
        system_instructions="당신은 대규모 소프트웨어 아키텍처 분석 전문가입니다.",
        thinking_level="medium"
    )
    # 2. 상태 관리가 내장된 자율 에이전트 구동
    async with Agent(config) as agent:
        response = await agent.chat("현재 디렉토리의 결함을 진단하고 TDD 원칙에 입각한 수정안을 작성해.")
        print(await response.text())
if __name__ == "__main__":
    asyncio.run(start_autonomous_agent())

에이전트 네이티브 시대를 맞이하는 엔지니어링 리더의 과제

제미나이 3.7 플래시의 등장은 인공지능이 인간 개발자의 수동적인 보조자를 넘어 실질적인 협업 엔지니어로 자리 잡아가고 있음을 보여준다. 앞으로의 소프트웨어 엔지니어링 경쟁력은 단순히 좋은 코드를 직접 작성하는 개발자의 생산성에 머물지 않는다. 자율 에이전트가 안전하고 효율적으로 작동할 수 있는 하네스(통제 및 실행 인프라) 환경을 얼마나 정교하게 설계하느냐가 기업의 핵심 역량으로 직결된다.

이를 위해 기업의 최고기술책임자(CTO)와 엔지니어링 리더들은 세 가지 핵심 과제에 주목해야 한다. 우선 제미나이 3.7 플래시를 기반으로 핵심 워크플로우에 대한 파일럿 프로젝트를 조기 가동하여 다단계 도구 호출 시의 오케스트레이션 노하우를 선제 축적할 필요가 있다. 아울러 안티그래비티와 같은 정책 엔진을 사내 시스템에 유기적으로 결합하여 에이전트의 실행 권한과 보안 샌드박스를 안전하게 통제할 수 있는 거버넌스 체계를 확립해야 한다.

나아가 수십만 줄의 코드베이스와 기술 문서를 효율적으로 활용할 수 있도록 사내 지식 자산을 컨텍스트 캐싱에 최적화된 파이프라인으로 재편하는 작업 역시 병행되어야 한다. 단순한 언어 생성을 넘어 자율적인 실행의 시대로 나아가는 지금, 기술적 패러다임의 변화를 정확히 파악하고 아키텍처를 유연하게 정비하는 기업만이 에이전트 네이티브 생태계의 주도권을 쥐게 될 것이다.