AI 에이전트를 만들 때 병목은 모델 호출만이 아닙니다. 코드를 어디서 실행할지, 파일 상태를 어떻게 유지할지, 웹 접근과 도구 호출을 어떻게 통제할지가 실제 제품화 단계에서 더 큰 부담이 됩니다.
Google의 Gemini Managed Agents는 이 부담을 API 안으로 흡수하려는 접근입니다. 단일 호출로 추론, 도구 사용, 코드 실행이 가능한 에이전트를 만들고, 실행은 격리된 임시 Linux 환경에서 처리합니다.1 핵심은 단순히 더 강한 모델을 제공하는 것이 아니라, 에이전트가 작업을 수행할 런타임까지 함께 제공한다는 점입니다.
Managed Agents는 무엇을 대신해주나
Managed Agents는 Gemini 3.5 Flash 기반의 Antigravity 에이전트로 구동되며, Interactions API와 Google AI Studio에서 사용할 수 있습니다.1
Antigravity 에이전트는 원격 Linux 환경을 프로비저닝하고, 하네스를 통해 추론, 계획, 도구 호출을 수행합니다.1 이 하네스는 에이전트의 실행 루프에 가깝습니다. 개발자가 직접 오케스트레이션 코드를 세밀하게 구성하지 않아도, 에이전트가 파일을 다루고 코드를 실행하며 필요한 도구를 호출할 수 있게 해줍니다.
이 구조에서 중요한 변화는 책임의 경계입니다. 기존에는 개발자가 샌드박스, 파일 시스템, 상태 관리, 네트워크 정책 같은 인프라를 직접 설계해야 했습니다. Managed Agents는 프로덕션급 에이전트 구축에 필요한 샌드박스 인프라 관리 부담을 추상화합니다.1
왜 중요한가: 에이전트가 “작업”을 이어갈 수 있다
챗봇은 대개 질문에 답하는 데 초점이 있습니다. 반면 실무형 에이전트는 파일을 읽고, 코드를 실행하고, 결과물을 저장하고, 다음 단계로 이어가야 합니다.
Managed Agents가 유용한 지점이 여기에 있습니다. 격리된 Linux 샌드박스에서 파일을 관리할 수 있고, 원격 환경에서 코드 실행과 도구 사용을 묶어 처리할 수 있습니다.1 즉, “대화”보다 “작업 수행”에 가까운 흐름을 만들기 쉽습니다.
상태 유지도 중요한 요소입니다. 후속 호출에서 이전 작업의 파일과 상태를 이어갈 수 있다면, 에이전트는 일회성 응답을 넘어 분석, 수정, 검토 같은 다단계 작업에 더 적합해집니다.1
어디에 먼저 적용할 수 있을까
초기 적용처는 “파일 + 코드 + 웹”이 함께 필요한 작업입니다. 예를 들면 CSV 분석, 문서 처리, 리포지토리 이슈 수정, 웹 데이터 기반 리포트 생성 같은 사용 사례가 적합합니다. Google의 템플릿 저장소도 데이터 분석가, AI 라디오, Repo Maintainer, 문서 처리 예시를 제시합니다.2
다만 처음부터 핵심 업무에 바로 넣기보다는 제한된 범위에서 검증하는 편이 안전합니다. 에이전트가 코드를 실행하고 외부 데이터를 다룰 수 있는 만큼, 권한 범위와 결과 검증 절차는 제품 설계의 일부가 되어야 합니다.
개발자가 봐야 할 변화
Gemini Managed Agents의 의미는 “에이전트가 더 똑똑해졌다”보다 “에이전트 실행 환경이 플랫폼 기능이 됐다”에 가깝습니다. 모델 호출, 코드 실행, 파일 관리, 도구 사용을 하나의 관리형 경험으로 묶으면서, 개발자는 인프라보다 실제 작업 흐름 설계에 더 집중할 수 있습니다.
앞으로 에이전트 개발 경쟁은 모델 성능만으로 결정되지 않을 가능성이 큽니다. 상태 관리, 샌드박스, 도구 호출을 얼마나 안전하고 실용적으로 제품화하느냐가 더 중요한 차별점이 될 것입니다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.