Google: Gemini Enterprise를 위한 Agentic RAG — 정확도 90.1%, 사실성 최대 34% 향상

Google Research와 Google Cloud는 2026년 6월 5일, Gemini Enterprise Agent Platform을 위한 멀티 에이전트 RAG 프레임워크를 공개했으며, 그 핵심 신규 기능은 Sufficient Context Agent — 검색된 컨텍스트가 신뢰성 있는 응답에 충분한지 평가하는 구성요소 — 다. 까다로운 벤치마크에서 이 프레임워크는 크게 향상된 사실성과 함께 **정확도 90.1%**를 달성했다.

RAG란 무엇이며 왜 중요한가?

RAG(retrieval-augmented generation, 검색 증강 생성)는 모델이 응답을 작성하기 전에 지식 베이스에서 관련 문서를 검색하는 기법이다. 학습 중 배운 것에만 의존하는 대신, 모델은 구체적인 출처에 응답을 기반한다.

이로써 이중의 이점이 얻어진다: 모델의 사실 지어내기 경향이 줄고 응답의 사실성이 높아진다. RAG는 응답이 회사 내부 문서에 근거해야 하는 비즈니스 환경에서 특히 중요하다.

Sufficient Context Agent는 어떻게 작동하는가?

기존 RAG 대비 가장 큰 도약은 Sufficient Context Agent다. 그 임무는 검색된 컨텍스트가 신뢰성 있는 응답의 근거가 되기에 정말로 충분한지를 평가하는 것이다. 에이전트가 컨텍스트가 충분하지 않다고 판단하면, 불완전한 응답을 반환하는 대신 반복 검색을 시작한다.

이 메커니즘은 검색된 자료가 질문을 완전히 다루지 못할 때에도 모델이 응답해버리는, 표준 RAG의 흔한 약점을 해결한다. 반복적 접근은 시스템이 최종 응답을 형성하기 전에 추가 정보를 수집할 수 있게 한다.

아키텍처는 어떤 에이전트들로 구성되는가?

이 프레임워크는 특화된 에이전트들의 집합으로 구성된다. Orchestrator(조율자), Planner(계획자), Query Rewriter(질의 재작성), Search Fanout(검색 확산), 그리고 Synthesis 에이전트(응답 합성)가 있다.

각 에이전트는 명확히 정의된 역할을 수행하며, 함께 질의를 분해하고, 검색을 계획하고, 필요시 질의를 재작성하며, 끝으로 응답을 합성하는 파이프라인을 이룬다. 이러한 분업은 처리의 각 단계에 대한 더 정밀한 제어를 가능하게 한다.

FramesQA 벤치마크 결과는 어떠한가?

이 프레임워크는 824개 질의와 2,676개 PDF 문서를 포괄하는 FramesQA 벤치마크에서 테스트되었다. 응답이 여러 출처의 정보를 연결해야 하는 cross-corpus 시나리오에서 90.1%의 정확도를 달성했다.

표준 RAG 대비 이 프레임워크는 최대 34% 향상된 사실성을 가져왔다. 그 과정에서 지연의 증가는 평균 3% 이내로 유지되었는데, 이는 품질 이득이 응답의 유의미한 지연 없이 달성되었음을 의미한다.

이것이 비즈니스 사용자에게 무엇을 의미하는가?

자사 문서에 근거한 신뢰성 있는 응답을 원하는 기업에게, 높은 정확도와 향상된 사실성을 최소한의 지연 증가와 함께 결합한 것은 실용적인 진전이다. 이 시스템은 Gemini Enterprise Agent Platform 내에서 public preview로 제공되어, Google이 이를 실제 환경에서 시험해볼 수 있도록 비즈니스 사용자에게 제공한다.

특별한 가치를 가져오는 것은 Sufficient Context Agent로, 이는 시스템이 미흡한 정보에 근거해 응답할 위험을 줄인다. 잘못된 응답이 실질적인 결과를 초래할 수 있는 비즈니스 맥락에서, 시스템이 데이터가 충분하지 않을 때를 인식하고 추측하는 대신 검색을 이어가는 능력은 정확도 자체만큼 중요하다. 이로써 Agentic RAG는 비즈니스 프로세스에서의 본격적인 적용을 위한 전제 조건인 신뢰성을 겨냥한다.