Google Agentic RAG, 답 못 찾는 검색을 34% 정확도 개선으로

기업 검색형 AI에서 중요한 변화는 “한 번 찾아보고 답하기”에서 “근거가 부족하면 다시 찾기”로 넘어가는 것이다. Google Research는 2026년 6월 5일 Gemini Enterprise Agent Platform의 Agentic RAG를 공개 preview로 내놓으며, 복잡한 기업 질의에서 표준 RAG보다 factuality 데이터셋 정확도를 최대 34% 높였다고 밝혔다.

문제는 익숙하다. “Project X에 쓰인 서버 사양은?” 같은 질문에서 첫 문서는 프로젝트 ID만 갖고 있고, 실제 사양은 다른 데이터베이스에 있을 수 있다. 기존 RAG는 처음 검색한 문맥만 보고 부분 답변을 만들거나 “찾을 수 없음”으로 끝내기 쉽다. Google의 접근은 이 지점에 품질 검사 단계를 넣는다.

구성은 여러 agent로 나뉜다. Root Agent가 요청을 해석하고, Planner Agent가 어떤 저장소를 확인할지 정한다. Query Rewriter는 긴 질문을 검색 가능한 하위 질문으로 바꾸고, Search Fanout Agent는 여러 검색을 병렬로 보낸다. 핵심은 Sufficient Context Agent다. 이 agent는 검색된 조각, 중간 초안, 빠진 정보 분석을 함께 보고 답변에 필요한 근거가 충분한지 판단한다.

근거가 부족하다고 판단되면 시스템은 멈추지 않는다. 예를 들어 환자의 퇴원 약, 식이 제한, 알레르기 반응을 묻는 의료 질의에서 약과 식이 정보만 찾았다면, Sufficient Context Agent가 “알레르기 반응 근거가 없다”는 피드백을 만들고 새 검색어를 유도한다. 이후 RAG Agent가 임상 노트나 다른 파일을 더 깊게 찾는 방식이다.

실험 결과도 제품화의 근거로 쓰였다. Google은 FRAMES 기반 FramesQA의 824개 질의와 2,676개 PDF 문서 코퍼스로 평가했고, cross-corpus 설정에서는 4개 데이터셋 중 올바른 저장소를 골라야 했다. 이 설정에서 90.1% 정확도를 기록했고, single-corpus 대비 latency 차이는 평균 3% 안팎이라고 설명했다.

의미는 단순한 검색 개선보다 크다. 엔터프라이즈 agent가 회계, 프로젝트 관리, 고객 기록, 문서 저장소를 오가며 답해야 한다면 “추가 검색을 언제 해야 하는가”가 품질의 중심이 된다. 이번 preview의 다음 관찰점은 실제 고객 데이터에서 권한, 감사 로그, 비용, latency가 이 반복 검색 구조를 얼마나 견디는지다.