구글이 제미나이 3.6 플래시를 내놓은 지 불과 3주 만에 후속 버전인 제미나이 3.7 플래시(Gemini 3.7 Flash)를 공개했다. 구글은 이 모델을 코딩과 에이전트 워크플로에 초점을 맞춘 '가장 똑똑한 일꾼(workhorse) 모델'로 소개한다. 여기서 '일꾼 모델'이라는 표현은 최상위 대형 모델과 달리, 비용과 속도의 균형을 맞춰 대량의 실무 작업을 반복적으로 처리하도록 설계된 등급을 가리킨다. 즉 최고 성능을 겨루는 플래그십이 아니라, 프로덕션 파이프라인에서 실제로 돈을 쓰며 굴러가는 계층을 겨냥한 업데이트라는 점이 이번 발표의 성격을 규정한다.
무엇이 달라졌나
구글이 제시한 수치는 대부분 소프트웨어 엔지니어링과 웹 개발 영역에 집중돼 있다. 프로덕션 수준 코드 생성 능력을 본다는 프론티어코드(FrontierCode) 1.1 메인 벤치마크에서 3.7 플래시는 43.6%를 기록해 3.6 플래시의 34.4%를 앞섰고, 딥SWE(DeepSWE) v1.1에서는 65.3%로 49.0%에서 크게 올랐다. 웹 개발에서는 아레나(Arena.ai)의 웹데브 아레나 Elo 점수가 1588로, 이전 1538보다 높다. 구글은 이 모델이 스크린샷·이미지·디자인 시스템 같은 참조 입력을 주면 그 디자인을 충실히 재현하는 UI 생성 능력을 보인다고 설명한다.
주목할 만한 부분은 코딩 밖의 지식 노동 영역이다. 복잡한 문서 처리 능력을 측정한다는 GDP.pdf 벤치마크에서 34.0%로 이전 22.0%를 넘어섰고, 실제 업무 워크플로 완수를 본다는 오토메이션벤치(AutomationBench)에서는 30.4%로 17.0%에서 거의 두 배가 됐다. 구글은 금융·법률·생명과학처럼 정보 밀도가 높은 분야에서 추론과 정확도가 개선됐다고 밝혔다. 다만 이들 벤치마크의 상당수는 구글이 인용한 자체 또는 특정 평가 지표로, 외부에서 표준화된 검증이 이뤄진 것은 아니라는 점은 감안해서 읽어야 한다.
실무자가 체감할 지점
숫자보다 실무자에게 와닿는 대목은 '개발자 경험'에 대한 설명이다. 구글은 3.7 플래시가 막힌 지점에 더 잘 적응하고, 필요할 때 의도를 되묻고, 지시를 더 충실히 따른다고 말한다. 다단계 계획 수립과 도구 호출(tool call)에 더 많은 노력을 들여, 사람이 수동으로 개입하거나 재시도(retry)하는 횟수가 줄어든다는 것이다. 에이전트를 실제 운영에 투입해 본 개발자라면 알겠지만, 모델의 단발성 정답률보다 이 '재시도를 줄이는 실행 규율'이 총비용과 운영 부담을 좌우하는 경우가 많다. 이번 업데이트의 방향성이 벤치마크 점수 못지않게 이 지점을 겨냥하고 있다는 점은 눈여겨볼 만하다.
비용 구조도 핵심 변수다. 3.7 플래시는 연말까지 적용되는 도입가로 입력 100만 토큰당 0.75달러, 출력 100만 토큰당 3.75달러가 책정됐다. 구글은 이를 3.6 플래시의 토큰당 원가 대비 절반 수준이라고 설명한다. 성능이 올라가면서 가격은 내려간 조합인데, 이는 대량의 에이전트를 프로덕션에 확장하려는 조직에는 직접적인 유인이 된다. 다만 '연말까지'라는 도입가라는 단서가 붙어 있어, 정식 가격 정책이 어떻게 확정되느냐에 따라 장기 도입 판단은 달라질 수 있다.
실제 적용과 한계
구글은 이미 자사 개인형 AI 에이전트인 제미나이 스파크(Gemini Spark)에 이날부터 3.7 플래시를 적용했다고 밝혔다. 구글 AI 프로·울트라 구독자에게 160개국 이상에서 제공되는 스파크는 구글 워크스페이스 앱에 대한 도구 사용이 개선돼, 파일 정리·이메일 초안 작성·상태 문서 갱신 같은 다중 작업을 더 효율적으로 처리한다는 설명이다. 텍스트 프롬프트만으로 플레이 가능한 3D 게임을 만들거나, 정적 PDF를 라이브 차트가 담긴 인터랙티브 데이터 스토리로 바꾸는 등의 시연도 함께 소개됐지만, 이들은 다른 모델·도구와 결합한 데모 성격이 강해 단독 성능으로 해석하기는 어렵다.
안전 측면에서 구글은 화학·생물·방사능·핵(CBRN)과 사이버 공격 오용에 대한 안전장치를 갱신해 프론티어 세이프티 기준에 맞춰 배포한다고 밝혔다. 종합하면 3.7 플래시는 새로운 능력의 도약이라기보다, 3주라는 짧은 주기의 반복 개선을 통해 코딩·에이전트라는 실무 축을 더 단단히 다진 업데이트에 가깝다. 한국 실무자 입장에서는 인용된 벤치마크의 외부 검증이 제한적이라는 점, 도입가의 한시성, 그리고 자사 생태계 중심의 시연이라는 맥락을 함께 놓고, 자신의 워크플로에서 실제 재시도 감소와 비용 절감이 재현되는지를 소규모로 검증한 뒤 확장 여부를 판단하는 접근이 합리적이다.