Gemini Spark 상시 동작 개인 AI 에이전트의 설계 구조

사용자가 호출할 때만 응답하는 챗봇과 24시간 365일 움직이는 에이전트는 설계의 출발점부터 다르다. 2026년 6월 Google이 공식 출시한 Gemini Spark는 Gemini 3.5 Flash를 기반으로 홈 오토메이션, 일정 관리, 장기간 유지되는 개인화 컨텍스트를 하나의 에이전트에 결합했다. Apple Intelligence와 Microsoft Copilot도 개인 AI 영역에서 경쟁하면서, 세션 밖에서도 상태와 기억을 보존하는 구조가 주요 설계 과제로 떠올랐다.

호출을 기다리지 않는 에이전트

Gemini Spark는 명시적인 요청이 없을 때도 백그라운드에서 실행되며 사용자 패턴을 학습하고 제안을 만든다. 경량화된 추론 엔진은 모바일 기기와 데스크톱 환경에서 저전력으로 구동된다.

텍스트와 음성뿐 아니라 이미지와 위치 정보까지 함께 받아 상황을 파악하며, 종료된 세션의 대화도 압축해 수개월 단위의 컨텍스트로 유지한다. Google Home과 Matter 프로토콜 기반 기기는 MCP 서버를 거쳐 연결된다. Android, iOS, ChromeOS, Windows 사이에서는 에이전트 상태를 실시간으로 동기화한다.

이 구조에서 개인 AI는 단순한 대화 인터페이스에 머물지 않는다. 사용자의 디지털 활동을 계속 관찰하고, 필요한 시점에 행동을 제안하거나 연결된 시스템을 조작하는 실행 주체에 가깝다.

상태·이벤트·메모리가 상시 실행을 지탱한다

요청과 응답이 끝나면 컨텍스트를 정리하는 일반적인 AI 서비스와 달리, 상시 동작 에이전트는 재시작이나 네트워크 단절 이후에도 이전 상태로 돌아와야 한다. Gemini Spark는 상태 지속성, 이벤트 주도 실행, 계층적 메모리 관리를 중심으로 이 문제를 다룬다.

⤢✕

세션이 끝나도 상태는 남는다

시스템 재시작, 기기 교체, 일시적인 통신 장애가 발생해도 에이전트의 상태가 사라지지 않도록 저장소를 계층별로 나눈다.

계층	저장 위치	보존 기간	데이터 유형
L1 세션 메모리	기기 RAM	현재 세션	활성 대화, 즉각 컨텍스트
L2 에피소드 메모리	로컬 암호화 DB	30일	최근 활동, 단기 패턴
L3 장기 프로파일	클라우드 (E2EE)	무기한	사용자 선호, 관계망, 장기 목표

L1은 현재 대화와 즉시 필요한 정보를 담당한다. 최근 활동과 짧은 기간의 패턴은 L2에 저장하고, 선호도와 관계망, 장기 목표처럼 오랫동안 사용할 정보는 L3에 둔다.

여러 기기에서 동시에 상태가 바뀌면 CRDT(Conflict-free Replicated Data Type)를 이용해 충돌 없이 병합한다. Android에서 나눈 대화가 30초 이내에 iOS와 데스크톱 에이전트에 반영되는 방식이다.

계속 대기하되 계속 연산하지는 않는다

상시 동작을 모든 연산 장치의 상시 가동으로 구현하면 배터리와 처리 자원을 감당하기 어렵다. Gemini Spark는 이벤트가 발생했을 때 필요한 처리 계층을 깨우는 모델을 사용한다.

Passive Listening Mode에서는 저전력 DSP 칩이 키워드 감지만 수행하며 소비 전력은 0.1W 미만이다. 실제 처리가 필요한 이벤트가 들어오면 Active Processing Mode로 전환해 메인 NPU를 활성화하며, 이때 소비 전력은 2-5W다. 대규모 메모리 정리와 동기화는 야간이나 충전 중 Background Sync Mode에서 처리한다.

이 실행 방식은 연속 동작 시 하루 배터리 소모량을 기존 대비 15% 미만으로 제한한다.

시간이 쌓일수록 달라지는 개인화 컨텍스트

개인화 에이전트가 사용자에게 적응하려면 단편적인 대화를 저장하는 것만으로는 부족하다. 관측한 활동에서 패턴을 찾고 프로파일을 갱신한 뒤, 다음 행동을 예측하는 흐름이 필요하다.

관측 데이터 수집 → 패턴 추출 → 프로파일 업데이트 → 행동 예측 모델 갱신

프로파일에는 시간대별 행동을 나타내는 루틴 모델이 포함된다. 오전 7시 뉴스 브리핑 선호처럼 반복되는 활동이 여기에 해당한다. 콘텐츠 소비와 설정 선택, 상호작용 방식은 선호도 벡터로 표현하고, 자주 등장하는 인물·장소·주제는 관계 그래프로 연결한다. 사용자가 직접 밝히거나 행동에서 추론한 중장기 목표도 장기 프로파일의 일부가 된다.

긴 대화 이력을 활성 컨텍스트로 바꾸는 압축

Gemini 3.5 Flash의 컨텍스트 윈도우는 100만 토큰이지만, 수개월 동안 쌓인 원문 전체를 매번 넣는 방식은 현실적이지 않다. Gemini Spark는 계층적 요약(Hierarchical Summarization)으로 오래된 대화를 단계별로 압축한다.

하루 동안의 대화는 핵심 사실, 결정, 감정 상태를 중심으로 약 500토큰의 일별 요약이 된다. 7개 일별 요약은 주간 패턴과 중요 이벤트를 담은 약 200토큰의 주별 요약으로 다시 줄어든다. 월별 처리에서는 장기 프로파일 벡터를 갱신하고 기존 요약을 아카이브한다.

이렇게 구성하면 1년치 대화 이력을 약 10,000토큰 이하로 유지하면서 활성 컨텍스트에 포함할 수 있다.

개인화 데이터가 머무는 경계

건강, 금융, 위치처럼 민감한 정보는 가능한 한 기기 안에서 먼저 처리한다. 연합 학습(Federated Learning)은 원시 데이터를 서버로 보내지 않고 모델 업데이트만 모아 학습에 반영하며, 차분 프라이버시(Differential Privacy)는 집계 과정에 개인을 식별할 수 없도록 노이즈를 추가한다.

저장된 기억을 사용자가 직접 확인하고 개별 항목을 삭제할 수 있는 제어 대시보드도 제공한다. 개인화를 위해 기억을 축적하되, 어떤 정보가 남아 있는지 사용자가 통제할 수 있도록 만든 구조다.

MCP가 에이전트와 집 안의 시스템을 연결한다

Gemini Spark는 Model Context Protocol(MCP) 서버를 외부 시스템과 연결되는 표준 인터페이스로 사용한다. 에이전트가 행동 계획을 세우면 각 MCP 서버가 일정, 미디어, 쇼핑, 건강 데이터나 스마트홈 장치에 필요한 작업을 전달한다.

MCP 서버	연동 시스템	주요 기능
`google-home-mcp`	Google Home, Matter 기기	조명·온도·보안 제어
`calendar-mcp`	Google Calendar, Outlook	일정 생성·알림·충돌 감지
`media-mcp`	YouTube, Spotify, Netflix	미디어 재생·큐레이션
`shopping-mcp`	Google Shopping, Amazon	자동 재주문·가격 모니터링
`health-mcp`	Fitbit, Apple Health (크로스)	건강 데이터 기반 루틴 최적화

아침 루틴에서는 수면 데이터를 분석해 기상 시간을 예측하고, 기상 30분 전 google-home-mcp를 통해 조명을 서서히 밝힌다. 이어 당일 일정과 날씨, 교통 정보를 브리핑으로 준비하며 선호 음악 재생과 커피머신 예열 명령을 보낸다.

에너지 관리는 위치와 귀가 예측을 트리거로 삼는다. 외출이 감지되면 에어컨과 조명을 절전 모드로 바꾸고, 귀가 예상 시간 30분 전에 공조 시스템을 다시 가동한다. 월간 에너지 사용 패턴을 분석해 절약 제안도 생성한다.

개인 AI 플랫폼마다 선택한 경계가 다르다

2026년의 Gemini Spark, Apple Intelligence, Microsoft Copilot은 모두 개인 AI를 지향하지만 실행 범위와 데이터 처리 위치, 연결되는 생태계가 다르다.

항목	Gemini Spark	Apple Intelligence	Microsoft Copilot
기반 모델	Gemini 3.5 Flash	Apple Foundation Model	GPT-4o Mini
상시 동작	완전 지원	부분 지원 (Siri 연동)	제한적 지원
장기 메모리	클라우드 E2EE + 온디바이스	온디바이스 전용	클라우드 중심
홈 자동화	Matter + Google Home + MCP	HomeKit 중심	Copilot Studio 연동
크로스 플랫폼	Android/iOS/Chrome/Windows	Apple 생태계 전용	Windows/Microsoft 365 중심
프라이버시 모델	연합학습 + 차분프라이버시	프라이빗 클라우드 컴퓨팅	Entra ID 기반 기업 보안
컨텍스트 유지 기간	무기한 (압축 보존)	최대 30일	세션 기반 + 노트 연동

Google은 MCP와 Matter를 활용한 개방 생태계와 멀티플랫폼 접근성을 강조한다. Apple은 하드웨어와 소프트웨어를 수직 통합해 프라이버시에 무게를 두며, Microsoft는 기업 생산성 도구와의 연계를 바탕으로 B2B 시장을 겨냥한다.

단기적으로 Gemini Spark의 멀티플랫폼 전략은 Android 중심 시장에서 가장 넓은 사용자 기반을 확보할 것으로 전망된다. Apple Intelligence의 온디바이스 처리 방식도 프라이버시에 민감한 사용자에게 지속적인 경쟁력을 제공할 것이다.

설계를 해석하는 데 필요한 시스템 관점

Gemini Spark의 구조는 에이전트, 분산 데이터, 개인정보 보호 문제를 함께 다룬다. 소프트웨어 아키텍처 관점에서는 사용자 상태를 Belief, 추론된 목표를 Desire, 행동 계획을 Intention으로 보는 BDI(Belief-Desire-Intention) 에이전트 모델과 연결된다. 외부 트리거를 비동기로 처리하는 이벤트 주도 아키텍처(EDA), MCP 서버를 독립적으로 배포하고 확장하는 마이크로서비스 구조도 함께 적용된다.

메모리 계층은 CPU 캐시·메모리·디스크로 이어지는 캐시 구조와 비교할 수 있다. 여러 기기의 변경을 병합하는 CRDT는 분산 데이터베이스 일관성과 CAP 이론의 문제로 이어지며, 오래된 대화를 요약하는 과정은 데이터 웨어하우스의 집계·요약 설계와 닮아 있다.

보안 측면에서는 설계 단계부터 프라이버시를 포함하는 PbD(Privacy by Design)가 기반이 된다. 차분 프라이버시는 ε-차분 프라이버시의 수학적 정의와 노이즈 메커니즘으로, 연합 학습은 중앙 서버에 원시 데이터를 모으지 않는 분산 모델 학습으로 해석할 수 있다.

이 구조를 검토할 때 다뤄야 할 주제는 다음과 같다.

- 24/7 에이전트 상태 지속성 설계 방안
- 온디바이스 AI와 클라우드 AI 하이브리드 아키텍처
- MCP(Model Context Protocol) 기반 에이전트 통합 설계
- 연합학습(Federated Learning)을 이용한 프라이버시 보호 개인화
- CRDT를 이용한 분산 상태 동기화
- 계층적 요약을 이용한 LLM 컨텍스트 관리

상시 동작 에이전트의 완성도는 상태 지속성, 메모리 압축, 프라이버시 보호, 에너지 최적화를 동시에 해결할 수 있는지에 달려 있다. Gemini Spark는 여기에 MCP 기반 홈 자동화와 크로스 플랫폼 동기화를 결합해, 대화 도구를 넘어 사용자의 환경에서 지속적으로 행동하는 개인 에이전트 구조를 제시한다.