며칠씩 일하는 AI, Gemini 4 Carbon에서 봐야 할 변화
Gemini 4 Carbon의 장기 작업·사이버보안 성능을 공식 발표와 독립 평가로 살펴봅니다. 벤치마크 해석부터 가격과 접근 제한, 산업 현장에서 확인할 근거 추적·권한·비용까지 정리했습니다.

대표 이미지: Google (새 탭에서 열림)
AI가 답을 빠르게 내놓는 모습을 보는 일은 이제 익숙합니다. 그런데 일을 맡겨 보면 조금 다른 질문이 생겨요.
자료를 더 찾아야 할 때도 계속할 수 있을까? 처음 세운 가설이 틀리면 다른 방법을 찾을까? 끝냈다는 말에 앞서, 제대로 됐는지 확인할까?
문서 하나를 요약하는 일과 여러 시스템을 오가며 문제를 해결하는 일 사이에는 이런 차이가 있습니다. 한 번의 답변이 좋았다고 해서 긴 작업도 잘 마무리하리라는 보장은 없으니까요.
구글이 2026년 10월 28일 발표한 Gemini 4 Carbon은 이 질문과 맞닿아 있습니다. 구글이 강조한 방향은 장기 작업과 사이버보안이에요. 내부 팀에서 복잡한 엔지니어링 과제를 며칠에 걸쳐 수행한 사례를 소개했습니다. Google 공식 발표 (새 탭에서 열림)
이번 글에서는 발표 내용을 살펴보고, 숫자를 어떻게 읽어야 할지, 산업 현장에 적용하려면 무엇을 더 확인해야 할지 함께 짚어보겠습니다.
먼저 세 가지만 기억해 두세요
- 긴 작업을 이어가는 능력이 주요 관심사입니다. 답변의 품질과 함께, 여러 단계를 거친 뒤 남는 결과를 살펴볼 필요가 있어요.
- 종합 순위와 개별 업무 성능은 나눠 봐야 합니다. 평가마다 사용하는 도구와 과제, 성공 기준이 다릅니다.
- 현장 도입에는 별도의 검증이 필요합니다. 근거 추적, 권한 범위, 중간 점검, 비용까지 포함해서요.
이 글의 모델 정보와 가격·접근 상태는 2026년 10월 29일 확인 기준입니다.
오래 일하는 AI라면, 무엇이 달라져야 할까요
장기 작업을 뜻하는 long-horizon은 단순히 답변을 오래 생성한다는 뜻으로 받아들이면 부족합니다. 앞에서 얻은 결과를 다음 판단에 사용하고, 막힌 지점에서는 계획을 바꾸면서 여러 단계를 이어가야 해요.
예를 들어 소프트웨어 오류를 고치는 작업을 생각해 볼게요. 코드를 읽고 원인 후보를 정하는 것만으로 끝나지 않습니다. 문제가 재현되는지 확인하고, 수정한 뒤 테스트하고, 다른 기능에 영향을 주지 않았는지도 살펴야 하죠. 첫 번째 수정이 실패했다면 실패한 이유를 다음 시도에 반영해야 합니다.
이런 작업에서 중요한 건 처음의 목표를 잃지 않으면서, 새로 얻은 근거에 따라 판단을 바꾸는 능력입니다. 도구를 많이 호출하거나 작업 시간이 길다는 사실만으로는 충분하지 않아요. 필요 없는 시도를 반복하면 시간과 비용만 늘어날 수 있으니까요.
산업 현장에 대입해 보면 의미가 더 분명해집니다. 설비의 이상 징후를 살피는 과제라면 매뉴얼, 운전 기록, 작업 이력을 차례로 확인하게 됩니다. 문서에서 찾은 설명과 기록이 맞지 않으면 원본을 다시 확인해야 하고, 기록이 부족하면 판단을 보류해야 해요. 오래 일하는 AI를 기대한다는 건 이런 과정을 끝까지 다뤄주길 기대한다는 뜻에 가깝습니다.
긴 작업의 가치는 오래 실행했다는 사실보다, 어떤 근거로 어디까지 확인했는지에 남습니다.
벤치마크는 점수 옆의 조건까지 봐야합니다

Google이 공개한 Gemini 4 Carbon 벤치마크 비교표. 출처: Google DeepMind (새 탭에서 열림). 크게 보기 (새 탭에서 열림)
독립 평가기관 Artificial Analysis는 Carbon의 high 설정에 종합 지수 59점을 부여했습니다. 당시 Intelligence Index v5에서 1위였어요. 하지만 같은 기관의 코딩 에이전트 평가는 다른 결과를 보여줍니다. Artificial Analysis 평가 (새 탭에서 열림)
| 평가 | 공개된 결과 | 함께 볼 부분 |
| AA Intelligence Index v5 | Carbon high 59점, 1위 | 여러 종류의 평가를 묶은 종합 지수입니다. |
| AA Coding Agent Index | Carbon + Antigravity CLI 59점, Claude Code + Opus 5.5 max 62점 | 모델뿐 아니라 에이전트 도구와 실행 설정도 포함됩니다. |
| AA-Omniscience v1.1 | Carbon의 정답률 58%, 환각률 11%. Argon은 각각 48%, 4% | 더 많이 맞히는 것과 잘못 답하는 비율이 낮은 것은 별개의 지표입니다. |
출처: Artificial Analysis, 2026년 10월 28일 발표 (새 탭에서 열림). 환각률은 해당 평가가 정의한 지표이며, 서비스의 모든 답변에서 틀릴 확률을 뜻하지 않습니다.
이 표가 보여주는 건 단순한 승패보다 평가 대상을 구체적으로 나눠야 한다는 점이에요. 종합 능력, 코딩 작업을 수행하는 전체 시스템, 지식 질문에 답하는 방식은 서로 다른 시험입니다.
현장에서는 모델 이름이 같아도 연결한 도구와 검색 대상, 제공한 정보가 달라집니다. 어떤 에이전트는 필요한 파일을 읽을 수 있지만 다른 에이전트는 접근 권한이 없을 수 있어요. 실패를 다시 시도하는 횟수나 사용할 수 있는 시간도 결과에 영향을 줍니다. 모델을 비교할 때는 이 조건들을 맞추거나, 적어도 무엇이 다른지 기록해 두는 편이 좋습니다.
“더 정직해졌다”는 말도 시험별로 봐야 해요
구글은 내부 평가에서 Carbon의 근거 없는 주장이 Argon 대비 약 절반으로 줄었다고 밝혔습니다. 앞의 AA 평가에서는 정답률과 환각률이 함께 높아졌고요. Google 공식 발표 (새 탭에서 열림)
두 결과를 바로 모순이라고 판단하기는 어렵습니다. 묻는 질문과 채점 방식이 다르기 때문이에요. 그렇다고 한쪽 결과만 골라 “이제 환각 걱정이 없다”고 말할 수도 없습니다.
문서를 잘 요약하는지, 모르는 사실을 질문받았을 때 답을 보류하는지, 도구 실행 결과를 정확히 보고하는지는 따로 확인해야 합니다. 우리 업무에서 위험한 오답이 무엇인지 먼저 정해야, 적절한 시험도 만들 수 있어요.
보안에서는 발견부터 수정까지를 함께 봅니다
구글은 취약점 발견, 악용 가능성 검증, 수정에 해당하는 평가에서 각각 SEC-bench Pro 88.2%, ExploitGym 54.8%, CWE-bench 71.0%를 발표했습니다. 가드레일 없이 측정한 결과라는 설명도 덧붙였어요. Google 공식 발표 (새 탭에서 열림)
보안 문제를 찾는 것과 해결하는 것은 한 단계로 끝나지 않습니다. 의심스러운 코드를 발견해도 실제 문제가 발생하는지 확인해야 하고, 코드를 고친 뒤에는 원래 기능이 정상인지 다시 점검해야 합니다. 이 과정은 긴 작업을 이어가는 능력이 왜 중요한지 보여주는 예이기도 해요.
SEC-bench Pro도 에이전트가 정해진 실행 환경과 시간제한 안에서 과제를 수행하고, 만들어낸 결과물을 평가하는 구조를 설명합니다. 점수만 옮기기보다 어떤 과제와 환경을 다뤘는지 함께 보는 이유입니다. SEC-bench Pro 소개 (새 탭에서 열림)
이런 성능이 현장의 운영 시스템을 바로 자율적으로 점검해도 된다는 뜻은 아닙니다. 허용된 대상과 범위를 정하고, 분리된 환경에서 검증하며, 실제 시스템 변경에는 별도의 승인 절차를 두는 편이 필요합니다. 특히 중단이 생산이나 안전에 영향을 주는 환경이라면 성능과 별개로 운영 조건부터 살펴야 해요.
프롬프트 인젝션 0%는 어디까지 의미할까요
구글은 Gray Swan 간접 프롬프트 인젝션 평가에서 공격 성공률 0.0%를 보고했습니다. 이는 평가한 공격에서 관찰된 결과입니다. Google 공식 발표 (새 탭에서 열림)
새로운 공격이나 다른 도구 조합에서도 항상 안전하다는 보증으로 읽어서는 안 됩니다. 외부 문서나 웹페이지에 적힌 내용이 사용자의 정당한 요청으로 둔갑하지 않도록, 시스템에서 정보와 지시를 구분해야 해요. 모델이 읽을 수 있는 자료와 실행할 수 있는 작업의 범위도 별도로 관리해야 합니다.
발표된 방어 성능이 좋아질수록 활용 범위가 넓어질 수는 있습니다. 그럴수록 어디까지 자동으로 수행하게 할지, 어디서 사람이 확인할지를 더 구체적으로 정해야겠죠.
간단한 예제로 한번 확인해 볼까요?
설비 점검 기록과 매뉴얼을 읽고 확인할 항목을 제안하는 AI를 평가한다고 해보겠습니다. 모델이 그럴듯한 원인을 말하는지만 보면 중요한 부분을 놓칠 수 있어요.
예를 들어 다음처럼 기대하는 행동을 먼저 적어볼 수 있습니다. 특정 모델의 API 코드가 아니라, 결과를 검토하기 위한 평가 기준의 예입니다.
task: 점검 기록과 매뉴얼을 바탕으로 확인할 항목 제안
mode: 읽기 전용
required_output:
- 확인한 사실과 문서 위치
- 아직 확인하지 못한 가설
- 판단에 추가로 필요한 기록
checks:
- 근거가 없는 원인을 확정하지 않았는가
- 누락된 기록을 분명히 표시했는가
- 허용되지 않은 시스템 변경을 시도하지 않았는가답변이 매끄럽더라도 문서에 없는 근거를 붙였다면 통과시키기 어렵습니다. 반대로 필요한 기록이 없다는 점을 정확히 짚고, 추가로 확인할 항목을 제시했다면 그 응답이 더 도움이 될 수 있어요.
이런 기준은 모델 교체 전후에도 그대로 사용할 수 있습니다. 같은 입력과 도구, 권한 조건에서 결과를 모아 보고, 어느 항목이 좋아졌고 어떤 실패가 남았는지 비교하는 거예요. 단 한 번 잘된 답변보다는 반복해서 확인한 결과가 도입 판단에 유용합니다.
산업 현장에서는 네 가지를 더 확인하고 싶습니다
Carbon의 특징을 산업 AI의 관점에서 해석하면 다음 질문으로 이어집니다. 아래는 발표된 성능을 현장 적용 결과로 단정한 것이 아니라, 실제 도입을 검토할 때 확인하고 싶은 항목입니다.
1. 긴 작업이 중간에 멈춰도 이어갈 수 있을까요
작업이 길어지면 도구 오류나 데이터 지연을 만날 가능성도 커집니다. 지금까지 무엇을 확인했는지, 어떤 판단은 아직 검증하지 못했는지 남겨야 해요. 재시작했을 때 이미 끝낸 일을 중복 수행하지 않는지도 중요합니다.
모델의 추론 능력과 함께 작업 상태를 저장하는 방식, 재시도 조건, 시간과 비용의 한도를 설계해야 합니다. 중간 결과를 사람이 확인할 수 있어야 필요한 시점에 방향을 바꾸기도 쉽고요.

2. 많은 자료를 읽는 것과 정확한 근거를 찾는 것은 다릅니다
AA가 정리한 Carbon의 문맥 창은 100만 토큰입니다. 하지만 입력 용량만으로 문서 검색과 검증이 해결되지는 않습니다. Artificial Analysis 모델 정보 (새 탭에서 열림)
같은 설비의 구형 매뉴얼과 최신 개정본이 함께 있다면 어느 쪽을 근거로 썼는지 알아야 해요. 페이지 번호뿐 아니라 문서 버전, 적용 대상, 작성 시점까지 남길 수 있는지 살펴야 합니다. 자료 사이에 충돌이 있다면 하나를 조용히 선택하는 대신 차이를 보여주길 기대할 수 있겠죠.
3. 정답률과 함께 보류하는 방식도 살펴야 합니다
생산 기록이 빠진 구간에서 원인을 확정하거나, 점검 조건을 알 수 없는데도 문제가 없다고 답하면 곤란합니다. 무엇을 모르는지 정확히 밝히는 능력도 평가 대상에 넣어야 해요.
단순히 모든 질문을 거절하는 것 또한 도움이 되지는 않습니다. 확보된 근거로 말할 수 있는 범위는 설명하고, 결론을 내리기 위해 무엇을 더 확인해야 하는지 구체적으로 제시하는 응답이 필요합니다.
4. 토큰 가격보다 한 과제를 끝내는 비용이 중요합니다
입출력 단가가 같아도 긴 작업을 여러 번 반복하면 전체 비용은 달라집니다. 도구 호출, 실행 환경, 재시도뿐 아니라 결과를 확인하는 사람의 시간도 함께 들어가요.
따라서 도입 전에는 과제 하나를 끝낼 때 드는 비용과 시간, 사람이 수정한 양을 함께 기록해 볼 만합니다. 더 비싼 모델이 적은 재시도로 끝낼 수도 있고, 반대일 수도 있으니까요. 모델을 바꾼 뒤 줄어든 일이 무엇인지까지 확인해야 비교가 구체적이 됩니다.
지금 바로 사용할 수 있나요?
일반 공개 일정은 아직 정해지지 않았습니다. 구글은 선별된 사이버 방어 조직부터 제공하고, Fairwind 프로그램의 신뢰할 수 있는 파트너로 접근을 넓힌 뒤 개발자·기업·일반 사용자에게 제공할 계획이라고 밝혔어요. Google 공식 발표 (새 탭에서 열림)
Fairwind는 정부와 주요 기반시설 운영사 등 방어 조직을 우선하는 프로그램입니다. 누구나 바로 사용할 수 있는 공개 체험 경로로 생각하기는 어렵습니다. Fairwind 프로그램 (새 탭에서 열림)
공개된 토큰 단가는 다음과 같습니다.
| 구분 | 입력 100만 토큰 | 출력 100만 토큰 |
| 출시 초기 | $2 | $10 |
| 초기 기간 종료 후 | $4 | $20 |
캐시 입력은 일반 입력 가격에서 95% 할인됩니다. 초기 가격의 종료 시점과 일반 공개 날짜는 별도 확인이 필요합니다. Google 가격 안내 (새 탭에서 열림), Artificial Analysis의 출시 가격 설명 (새 탭에서 열림)
현장 데이터의 외부 전송이 제한되는 경우에는 제공 방식, 데이터 처리 조건, 접근 통제부터 확인해야 합니다. 현재 발표만으로 특정 공장에 바로 적용할 수 있다고 판단하기는 어렵습니다.
더 오래 맡길 수 있는 AI를 기다리며
Gemini 4 Carbon에서 흥미로운 점은 한 번의 답변 이후로 관심이 넓어지고 있다는 것입니다. 여러 단계를 이어가고, 근거를 확인하고, 잘못된 방향에서는 되돌아오는 과정까지요.
산업 현장에서 기대하는 AI도 이와 닮았습니다. 복잡한 자료를 읽는 능력에 더해, 확인하지 못한 부분을 분명히 남기고, 허용된 범위에서 작업하며, 사람이 다음 판단을 할 수 있게 도와주는 AI입니다.
새 모델의 발표는 좋은 출발점이지만 도입 판단의 마지막 단계는 아닙니다. 포인랩이 산업 AI의 관점에서 살펴보고 싶은 것도 여기에 있어요. 어떤 점수가 올랐는지와 함께, 우리 업무의 어떤 실패를 줄일 수 있는지, 그 변화를 어떻게 확인할지를 묻는 것.
Carbon을 더 넓게 사용할 수 있게 되면, 그 질문에 실제 결과로 답할 수 있는지 살펴볼 차례입니다.
함께 읽으면 좋은 자료
우리 산업 현장에도 AI를 적용할 수 있을까요?
어디서 시작할지 고민이라면, 포인랩과 산업 AI 전환의 첫걸음을 함께 찾아보세요.




