전통 제조·소비재 기업인 Mars가 전 세계 직원용 ‘AI 운영체제’로 Google Cloud의 Gemini Enterprise를 채택했다면, 그 배경과 의미는 무엇일까요? 이 한 문장에는 “생성형 AI를 실험용 도구가 아니라, 전사 업무의 기본 레이어로 올리겠다”는 선언이 담겨 있습니다.
Cloud Next ’26에서 나온 핵심 발표: “Gemini Enterprise = 주요 AI OS”
2026년 4월 22일, Google Cloud Next ’26(라스베이거스)에서 Mars와 Google Cloud는 파트너십 확대를 발표했습니다. 핵심은 명확합니다.
- Mars는 Gemini Enterprise를 글로벌 직원용 ‘primary AI operating system’으로 지정
- Google Cloud는 이를 단순 챗봇이 아닌, AI 인프라 + 모델 + 데이터 + 보안 + 개발 플랫폼 + 에이전트/앱을 아우르는 전사 스택으로 포지셔닝
즉, Mars의 선택은 “특정 부서에 챗봇 하나 붙이는 수준”이 아니라, 업무 전반을 관통하는 AI 실행 계층(operating layer)을 표준화하는 움직임입니다.
Cloud 관점에서 본 “AI 운영체제”의 기술적 의미
기업에서 “AI 운영체제”라는 표현이 성립하려면, 최소한 아래 3가지를 동시에 만족해야 합니다.
단일 진입점(Conversational UI)
- 직원이 자연어로 질문/요청하면, 문서 작성·요약·분석·검색이 한 화면에서 이뤄지는 형태
- Google Workspace 및 사내 포털과 결합될수록 ‘업무 기본 UI’로 자리잡기 쉬움
에이전트형 워크플로우(Agentic Workflows)
- AI가 답변만 하는 것이 아니라, 필요한 시스템을 호출해 조회→정리→결정 지원→초안 생성까지 이어지는 흐름
- 예: 판매 데이터를 불러와 요약하고, 슬라이드 초안을 만들고, 후속 액션을 제안하는 식의 자동화
Cloud 기반 데이터·보안·거버넌스
- 전사 배포의 현실적인 난관은 모델 성능보다 데이터 접근 제어, 감사 로그, 규제 준수, 멀티시스템 연동입니다.
- 따라서 Gemini Enterprise가 “OS”가 되려면 Google Cloud의 IAM/DLP/감사(Audit) 로깅 같은 통제 장치와 긴밀히 붙어야 합니다.
정리하면, Gemini Enterprise는 “대화형 AI”가 아니라 기업 시스템과 데이터를 안전하게 연결해 실제 업무를 굴리는 에이전트 플랫폼에 가깝습니다.
Cloud 시장에서 이 뉴스가 큰 이유: 전사 표준화가 시작됐다
Mars는 브랜드와 지역이 많고 공급망이 복잡한 글로벌 기업입니다. 이런 조직이 특정 LLM을 “주요 AI OS”로 못 박았다는 건 다음을 의미합니다.
- PoC(파일럿) 단계가 끝나고, 전사 표준 플랫폼 경쟁이 본격화되고 있다.
- 경쟁 구도도 선명해진다:
- Microsoft: Copilot + Azure OpenAI
- AWS: Amazon Q + Bedrock
- Google: Gemini Enterprise + Workspace + Vertex AI(및 데이터/보안 스택)
결국 이번 발표는 “Cloud는 이제 인프라만 제공하는 곳이 아니라, 업무를 실행하는 에이전트 레이어까지 포함한 운영 플랫폼으로 진화한다”는 신호로 읽힙니다.
Cloud 관점에서 본 Gemini Enterprise: 단순 챗봇을 넘어선 AI 운영체제의 정체
대화 몇 번으로 문서가 정리되고, 필요한 데이터가 조회되며, 다음 액션까지 자동으로 이어진다면—그건 더 이상 “사내용 챗봇”이 아닙니다. Gemini Enterprise를 ‘AI 운영체제(AI OS)’라고 부르는 이유는, 대화형 UI부터 에이전트 기반 워크플로우 자동화, 그리고 이를 지탱하는 Cloud 인프라·데이터·보안 거버넌스까지 한 덩어리로 묶어 기업의 디지털 두뇌처럼 작동하도록 설계되기 때문입니다.
Cloud 기반 대화형 인터페이스: 업무의 ‘입력 장치’를 자연어로 바꾸다
기존 엔터프라이즈 시스템은 사용자가 메뉴를 찾고, 화면을 이동하고, 필드를 채우는 방식으로 일하게 만들었습니다. Gemini Enterprise의 출발점은 반대입니다.
- 직원은 자연어로 “질문/요청”을 던집니다.
예: “지난달 APAC 지역 스낵 매출 요약해 줘”, “이 제품 클레임 추세를 원인별로 정리해 줘” - 시스템은 요약, 작성, 분석을 즉시 제공하고, 업무 문맥에 맞게 결과물을 다듬습니다.
- 특히 실제 도입에서는 Google Workspace(메일·문서·스프레드시트·슬라이드), 사내 포털, 인트라넷 등과 결합되어 “일하는 화면” 안으로 들어오는 형태가 유력합니다.
핵심 변화는 간단합니다.
업무의 UI가 ‘클릭’에서 ‘대화’로 바뀌면, 전 직원의 생산성 모델이 바뀝니다.
Cloud 에이전트(Agentic) 워크플로우: ‘답변’이 아니라 ‘실행’까지 연결
AI OS의 진짜 본질은 에이전트 기반 자동화에 있습니다. 챗봇이 질문에 답만 한다면, 업무 프로세스의 대부분은 여전히 사람 손을 거칩니다. 반면 에이전트는 다음을 수행합니다.
- 의도 파악(자연어 → 작업 계획)
- 도구 호출(툴/함수/API 실행)
- 시스템 간 이동(ERP, CRM, 데이터웨어하우스, 티켓 시스템 등)
- 결과 조립(요약/리포트/슬라이드 초안)
- 다음 액션 제안 또는 실행(승인 기반 실행 포함)
예를 들어, 공급망 담당자가 “재고 부족 위험 지역과 원인, 대응 옵션을 알려줘”라고 요청하면 에이전트는:
- 재고/물류/수요 데이터를 조회하고(데이터 플랫폼 또는 운영 시스템 연동)
- 이상 징후를 탐지한 뒤
- 원인 가설과 대응 시나리오를 정리하고
- 필요하면 관련 부서에 공유 가능한 리포트 형태로 출력합니다.
여기서 중요한 점은 Cloud가 ‘인프라 제공자’에서 ‘행동하는 레이어’의 기반으로 확장된다는 것입니다. 에이전트가 움직이려면 모델뿐 아니라 데이터, 연결, 권한, 감사체계가 같이 돌아가야 합니다.
Cloud AI 인프라: 모델 성능보다 중요한 ‘지속 운영 가능한 토대’
Gemini Enterprise를 AI OS로 쓰겠다는 선언은, 똑똑한 모델 하나를 사내에 붙이겠다는 의미가 아닙니다. 전사 확산을 전제로 하면 다음 조건이 필수입니다.
- 확장성: 전 세계 직원이 동시에 사용해도 응답 지연이 폭증하지 않아야 함
- 안정성: 특정 부서 파일럿이 아닌, 핵심 업무에 들어갈 수준의 가용성 필요
- 데이터 통합: BigQuery 같은 분석 기반, 운영 데이터 소스, 문서 저장소가 유기적으로 연결되어야 함
- 운영 체계: 비용 통제, 모니터링, 장애 대응, 모델/프롬프트 변경 관리 등 “서비스 운영”이 가능해야 함
즉, Gemini Enterprise가 AI OS가 되려면 Cloud 상에서 모델·데이터·연동·운영이 하나의 제품 경험으로 수렴해야 합니다. 이 지점이 “챗봇 도입”과 “업무 OS 표준화”의 가장 큰 간극입니다.
Cloud 보안·거버넌스: ‘전사 도입’의 마지막 관문이자 출발점
엔터프라이즈 AI에서 가장 먼저 막히는 곳은 정확도가 아니라 보안과 통제입니다. 특히 글로벌 기업이라면 지역 규제(GDPR 등), 데이터 지역성, 내부 통제 요건이 촘촘합니다. AI OS로 운용하려면 최소한 아래가 전제되어야 합니다.
- 권한 기반 접근 제어(IAM): “누가 어떤 데이터에 접근 가능한가”가 모델 호출에도 일관되게 적용
- 감사 로그(Audit Logging):
- 어떤 사용자가 어떤 요청을 했는지
- 어떤 데이터/도구가 호출됐는지
- 어떤 결과가 생성됐는지
를 추적해 사후 검증 가능
- 데이터 보호(DLP 등): 민감정보가 프롬프트/응답/저장 구간에서 새어 나가지 않도록 제어
- 멀티클라우드/레거시 연동 시 정책 일관성: 데이터와 시스템이 분산된 환경에서도 보안 정책이 흔들리지 않아야 함
정리하면, Gemini Enterprise가 “디지털 두뇌”가 되려면 똑똑하기만 해서는 부족합니다. 기업이 안심하고 전 직원에게 배포할 수 있는 통제 가능한 지능이어야 합니다. 그리고 그 토대가 바로 Cloud 스택 위에서 완성됩니다.
Cloud Agentic Era 시대, 클라우드와 AI는 어떻게 진화하고 있나?
과거의 클라우드는 서버·스토리지·네트워크를 “잘 빌려 쓰는 인프라”에 가까웠습니다. 하지만 지금은 양상이 달라졌습니다. 사용자가 직접 앱을 눌러 처리하던 일을, AI 에이전트가 이해하고 실행하는 ‘행동하는 레이어(acting layer)’가 클라우드 위에 올라오기 시작했기 때문입니다.
Mars가 Gemini Enterprise를 전 세계 직원용 “주요 AI 운영체제”로 지정한 결정은, 이 변화가 PoC를 넘어 전사 운영 모델의 표준화 단계로 진입했음을 상징적으로 보여줍니다.
Cloud에서 ‘Agentic’가 의미하는 기술 변화: 실행 주체가 사람 → 에이전트로 이동
Agentic Era의 핵심은 “대화형 AI”가 아닙니다. 업무 시스템을 실제로 움직이는 주체가 AI로 확장된다는 점입니다. 이를 기술적으로 풀면 다음과 같은 구조 변화가 발생합니다.
- 기존(인프라 중심 Cloud):
사람이 SaaS/업무 시스템을 직접 조작 → 결과를 사람이 취합/보고 - 현재(Agentic Cloud):
사람이 자연어로 의도를 전달 → 에이전트가 도구(tool) 호출로 데이터 조회·정리·문서화·승인요청·티켓 생성 등 실행 → 사람은 검토/결정에 집중
이때 에이전트가 “행동”하려면, 클라우드는 단순 호스팅이 아니라 다음을 함께 제공해야 합니다.
- 모델/추론 인프라: 대규모 모델을 안정적으로 운영(비용·지연시간·확장성)
- 데이터 플랫폼: 조직의 사실(source of truth)을 연결(웨어하우스/레이크/메타데이터)
- 도구 연결(커넥터·API·RPA 대체): ERP/CRM/SCM/문서 시스템을 호출할 수 있는 실행 통로
- 보안·거버넌스: “누가 어떤 데이터를 근거로 무엇을 실행했는지”를 남기는 통제 체계
Cloud 기반 ‘AI 운영체제(AI OS)’의 3계층 아키텍처
Mars 사례를 “AI OS” 관점으로 보면, 전사 표준을 만드는 기업들이 채택하는 구조는 대체로 3층으로 정리됩니다.
베이스 레이어: Cloud 데이터·보안·규정준수
- 데이터 저장/분석(예: 데이터 웨어하우스), 데이터 카탈로그, 품질 관리
- IAM 기반 접근 제어, DLP, 키 관리, 지역성/규제 대응
- 감사 로그(누가 무엇을 조회/생성/전송했는지 추적)
에이전트 레이어: LLM + 오케스트레이션 + 툴 호출
- 자연어 의도를 작업 단위로 분해(계획 수립)
- 내부 도구/API를 호출해 실행(조회, 업데이트, 문서 생성, 워크플로우 트리거)
- 여러 시스템을 가로지르는 멀티스텝 워크플로우 처리(예: “분석 → 요약 → 보고서 생성 → 공유”)
업무 앱 레이어: 도메인별 에이전트/앱(영업·마케팅·공급망·HR 등)
- 현업이 쓰는 화면/워크플로우에 박혀 들어감(포털, Workspace, 협업툴 등)
- 각 부서의 KPI에 맞춘 프롬프트·정책·권한·승인 체계를 내장
Mars가 “전 세계 직원용 주요 AI OS”를 선언했다는 의미는, 이 3층 구조를 부분 도입이 아니라 표준 운영 체계로 굳히겠다는 신호로 읽힙니다.
Cloud 전략 관점에서 Mars가 던지는 핵심 질문: “어떤 AI를 쓰나”가 아니라 “어떤 실행 레이어를 표준화하나”
Agentic Era에서 기업의 경쟁력은 모델 성능만으로 결정되지 않습니다. 오히려 더 중요한 건 아래 3가지입니다.
- 데이터 준비도: 에이전트가 참조할 “정돈된 진실”이 없으면 자동화가 환각/오류로 이어짐
- 연동 범위: ERP/CRM/SCM 같은 레거시와 SaaS를 얼마나 넓고 안전하게 연결하는가
- 거버넌스: 자동 실행이 늘어날수록 권한, 승인, 감사, 책임소재(누가 최종 결정했는지)가 필수
결국 클라우드는 이제 “컴퓨팅 자원 판매”를 넘어, AI 에이전트가 안전하게 행동하도록 만드는 운영 기반(데이터·보안·오케스트레이션) 경쟁으로 진화하고 있습니다. Mars의 선택은 바로 그 흐름—클라우드 위에 ‘행동하는 레이어’를 전사 표준으로 올리는 전략—이 본격화됐음을 보여주는 사례입니다.
Cloud 기반 Mars 내부 AI 운영체제: 현실적인 활용 시나리오
공급망 최적화부터 영업·마케팅 지원, R&D, HR까지. Gemini Enterprise가 “직원용 AI 운영체제”로 자리 잡는다는 것은, 단순히 질문에 답하는 챗봇이 아니라 업무의 흐름(프로세스) 안으로 들어가 조회·분석·작성·실행을 오케스트레이션한다는 뜻입니다. Mars 같은 글로벌 소비재 기업을 기준으로, 실제로 그려볼 수 있는 시나리오를 도메인별로 정리해보겠습니다.
Cloud에서 돌아가는 공통 구조: “자연어 → 에이전트 → 시스템 실행”
현실적인 전사 적용은 대체로 아래 구조로 수렴합니다.
- 직원 인터페이스: Workspace, 사내 포털, 협업툴에 내장된 Gemini
- 에이전트 레이어: 요청을 작업 단위로 쪼개고(계획), 필요한 도구를 호출(툴 호출)하며, 결과를 검증(가드레일)해 산출물 생성
- 데이터/시스템 레이어(Cloud + 레거시)
- 분석: BigQuery 같은 데이터 웨어하우스/레이크
- 운영: ERP·SCM·WMS·CRM·PLM 등
- 문서: 정책, SOP, 계약서, 연구 노트, 회의록
- 보안: IAM, DLP, 감사 로그로 “누가 무엇을 봤는지/실행했는지” 추적
즉, “AI 운영체제”란 사람의 지시를 업무 시스템의 API 호출과 문서 산출로 변환하는 실행 레이어에 가깝습니다.
Cloud 공급망·재고 최적화: 리스크를 ‘찾는’ 수준에서 ‘막는’ 수준으로
Mars의 가장 큰 효과 지점은 공급망입니다. SKU/브랜드/국가가 많은 조직일수록, 병목은 “데이터가 없어서”가 아니라 신호를 제때 해석·조치하지 못해서 생깁니다.
재고 부족 조기 경보(에이전트형 알림)
- 직원 요청: “다음 2주 내 재고 부족 위험이 큰 지역과 원인을 요약해줘.”
- 에이전트 동작: 판매 추이·프로모션 일정·생산 계획·리드타임·물류 지연 지표를 결합 → 이상치/변화점 탐지 → 원인 후보(수요 급증, 공급 차질, 통관 지연)를 확률로 제시
- 결과: “위험 지역 Top 5 + 권장 대응(대체 출고, 생산 우선순위 조정)”을 자동 생성
의사결정 문서 자동화(회의 준비 시간 단축)
- “이번 주 S&OP 미팅용 리스크 브리핑 1페이지 만들어줘.”
- 표/그래프 생성 → 핵심 지표 요약 → 의사결정 옵션과 트레이드오프까지 정리
