AI 요약
구글 리서치(Google Research)의 연구 과학자 사이러스 라시치안(Cyrus Rashtchian)과 엔지니어링 매니저 다칭 주안(Da-Cheng Juan)은 2026년 6월 5일, 구글 클라우드와의 협업을 통해 개발된 '제미나이 엔터프라이즈 에이전트 플랫폼'의 '에이전틱 RAG(Agentic RAG)' 프레임워크를 공개했습니다. 기존의 단일 단계 RAG 시스템은 정보가 여러 데이터베이스에 흩어져 있는 복잡한 엔터프라이즈 쿼리를 처리할 때 불완전한 답변을 내놓는 한계가 있었습니다. 반면, 이번에 도입된 다중 에이전트 아키텍처는 오케스트레이터, 플래너 에이전트, 쿼리 리라이터 등의 전문화된 에이전트들이 협업하여 복잡한 질문을 여러 하위 작업으로 분할하고 데이터 소스와 반복적으로 상호작용합니다. 특히 이 시스템은 답변을 최종 생성하기 전에 정확한 답변에 필요한 충분한 컨텍스트가 확보되었는지 스스로 확인하는 과정을 거칩니다. 성능 평가 결과, 사실성 데이터세트에서 표준 RAG 대비 최대 34%의 정확도 향상을 보였으며, 내부 독점 데이터세트 평가에서도 뛰어난 근거성(Grounding)과 고도화된 추론 능력을 입증했습니다.
핵심 인사이트
- 공동 개발 및 발표: 2026년 6월 5일, 구글 리서치와 구글 클라우드의 협업을 통해 사이러스 라시치안과 다칭 주안이 새로운 에이전틱 RAG 프레임워크를 설계하고 도입했습니다.
- 최대 34% 정확도 향상: 성능 테스트 결과, 사실성 데이터세트(Factuality datasets) 평가에서 기존 표준 RAG 모델 대비 정확도가 최대 34%까지 큰 폭으로 향상되었습니다.
- 크로스 코퍼스 검색: 구글의 '제미나이 엔터프라이즈 에이전트 플랫폼'에서 호스팅되는 크로스 코퍼스 검색(Cross-Corpus Retrieval) 기술을 기반으로 작동합니다.
주요 디테일
- 기존 RAG의 한계 극복: 단일 단계(Single-step) RAG는 '프로젝트 X에 사용된 서버의 사양은 무엇인가?'라는 질문에 대해 프로젝트 문서는 찾을 수 있으나, 문서 내 서버 ID를 바탕으로 다른 데이터베이스를 연계해 재검색하지 못하는 한계(Data Island 문제)가 있었습니다.
- 전문화된 에이전트 분할: 오케스트레이터(Orchestrator)가 작업을 지휘하고, 플래너 에이전트(Planner Agent)가 정보 검색 경로를 설계하며, 쿼리 리라이터(Query Rewriter)와 검색 팬아웃 에이전트(Search Fanout Agent) 등이 복잡한 작업을 분담합니다.
- 작업 계획 및 쿼리 재작성: 플래너 에이전트는 예산과 일정을 물었을 때 '재무 DB 확인 후 프로젝트 관리 로그 확인'과 같이 단계별 계획을 수립하고, 쿼리 리라이터는 모호한 질문을 구체적인 다중 검색 키워드로 변환합니다.
- 검증된 추론 성능: 구글 내부의 독점 데이터세트(Proprietary datasets)를 통한 평가에서도 다중 도메인 특화 작업 전반에 걸쳐 더 우수한 근거성(Grounding)과 개선된 추론 정확도를 기록했습니다.
향후 전망
- 엔터프라이즈 에이전트 시장 활성화: 다중 홉(Multi-hop) 구조의 복잡한 현대 비즈니스 워크플로우를 안전하게 자동화할 수 있는 강력한 엔터프라이즈 솔루션으로 자리 잡을 것입니다.
- 신뢰성 높은 지식 관리: 데이터가 사내의 여러 격리된 시스템에 나뉘어 존재하더라도 에이전트가 이를 추론 및 연계 탐색함으로써 기업 지식 관리 시스템의 신뢰도가 크게 제고될 것으로 전망됩니다.