AI에게 코드를 작성하게 하는 이야기는 이제 더 이상 낯설지 않습니다. 함수를 작성하고, 테스트를 작성하고, 리팩터링(Refactoring)하는 것. 인간이 빠르게 작업하는 것을 돕는 도구입니다.

2026년 7월 10일, Google Cloud가 발표한 AlphaEvolve는 그 한 단계 앞을 목표로 하고 있습니다. 인간이 작성한 코드를 빠르게 완성하는 것이 아니라, 어려운 최적화 문제에 대해 더 나은 알고리즘을 AI 스스로 찾아내는 것. 그러한 에이전트(Agent)가 한정 프리뷰를 마치고 일반 제공(GA)되었습니다.

지금까지 일부 기업만이 접할 수 있었던 것을 Gemini Enterprise Agent Platform 상에서 누구나 사용할 수 있게 되었다는 것이 이번 이야기의 핵심입니다. 무엇을 할 수 있고, 어떤 메커니즘으로 작동하며, 어떤 문제에 적합한지 정리해 보겠습니다. 참고로 본 기사는 공식 발표를 바탕으로 작성되었습니다. 요금이나 세부 사양은 변경될 수 있으므로, 최신 정보는 공식 문서에서 확인하시기 바랍니다.

AlphaEvolve는 Gemini를 기반으로 한 코드 최적화 및 발견 에이전트입니다. 이름 그대로 코드를 진화(Evolve)시킵니다.

일반적인 코딩 지원 도구는 인간이 '이렇게 쓰고 싶다'라고 생각하는 내용을 빠르고 정확하게 형태화하는 것이 역할입니다. AlphaEvolve의 목표는 다릅니다. "이 문제를 가능한 한 잘 풀 수 있는 알고리즘이 필요하다. 하지만 정답의 형태는 나 자신도 모른다"라는 상황에서, AI가 광대한 가능성 속을 스스로 탐색하여 인간이 생각하지 못했던 해답을 찾아내는 것을 목표로 합니다.

발표에서는 AI가 작업을 빠르게 만드는 생산성 어시스턴트에서, 달성할 수 있는 범위의 폭을 넓히는 발견 엔진(Discovery Engine)으로 그 위치가 변화하고 있다고 언급되었습니다. 손을 빠르게 하는 도구가 아니라, 답 그 자체를 찾게 하는 도구라는 구분입니다.

AlphaEvolve의 사용법은 4단계로 설명되어 있습니다.

• Define: 출발점이 되는 원래의 알고리즘(Seed)과 해결하고 싶은 문제의 정의를 부여함
• Measure: 후보의 좋고 나쁨을 수치로 측정하는 채점 함수를 준비함
• Optimize: AlphaEvolve가 채점 결과에 의지하여 더 나은 코드를 생성해 나감
• Apply: 도출된 최적의 알고리즘을 실제 워크로드(Workload)에 통합함

중심에 있는 것은 진화적인 루프(Evolutionary Loop)입니다. AlphaEvolve는 원래 코드에 변화를 준 후보를 여러 개 만들고, 이를 평가 스크립트로 채점하며, 결과가 좋았던 것을 토대로 다시 다음 후보를 만듭니다. 이 생성과 채점, 그리고 개량을 끊임없이 반복합니다. 생물의 진화에서 환경에 맞는 개체가 살아남는 것과 같은 발상입니다.

코드를 생성하는 두뇌 부분에는 Gemini가 사용됩니다. 무엇을 시도할지를 Gemini가 생각하고, 그 결과를 채점 함수가 객관적으로 평가합니다. 인간의 직관만으로는 다 찾을 수 없는 범위를 이 두 가지의 조합으로 메워 나갑니다.

이 메커니즘을 돌리기 위해서는 두 가지를 직접 준비해야 합니다.

하나는 씨앗이 되는 프로그램(Seed)입니다. 최적화하고 싶은 부분을 포함한, 동작하는 출발점 코드입니다. 다른 하나는 평가기(Evaluator)로, 후보 코드를 컴파일하여 실행하고 점수를 매겨 반환하는 결정적인 스크립트입니다.

중요한 것은 좋고 나쁨을 수치로 측정할 수 있는 채점 함수를 작성할 수 있느냐입니다. 속도, 정확성, 비용, 제약 조건 충족 여부. 무엇을 좋은 해답으로 볼 것인지를 명확한 숫자로 떨어뜨릴 수 있는 문제에서야말로 AlphaEvolve는 힘을 발휘합니다. 반대로, 우수함의 기준을 숫자로 바꿀 수 없는 문제에서는 탐색의 방향을 결정할 방법이 없습니다. 이 점이 적합 여부를 가르는 분기점이 됩니다.

공식 발표에서는 외부 기업과 Google 내부 모두에서 구체적인 사례가 제시되었습니다. 모두 각사의 환경에서의 결과이므로 그대로 누구에게나 적용되는 것은 아니지만, 경향을 파악하는 참고가 됩니다.

외부 사례로는, 물류 기업인 FM Logistic이 창고 내 경로 최적화에서 이미 최적화되었던 기준으로부터 추가로 10.4% 개선하였으며, 스태프의 이동 거리를 15,000km 이상 줄였다고 합니다. 공급망 관리 기업인 Kinaxis는 예측 정밀도를 22% 높이고 벤치마크 실행 시간을 90% 단축했다고 보고했습니다. Klarna는 머신러닝(Machine Learning) 학습 파이프라인에서 처리량(Throughput)을 두 배로 늘렸으며, 3주 동안 약 6,000가지 종류의 후보 프로그램을 시도했다고 합니다. 게놈 분석 기업인 PacBio는 변이 검출 에러를 30% 줄였고, 신약 개발 기업인 Schrödinger는 분자 시뮬레이션 속도를 4배 높였다고 소개되었습니다.

Google 내부에서도 사용되고 있습니다. 데이터베이스인 Spanner에서는 쓰기 증폭 (Write Amplification)을 20% 감소시켰고, 양자 프로세서 (Quantum Processor) Willow를 위한 회로에서는 분자 시뮬레이션의 오류율을 10분의 1로 낮췄다는 등의 성과가 언급되었습니다.

숫자의 크기보다 주목해야 할 점은, 이것들이 이미 수작업으로 최적화된 이후의, 그 너머의 개선이라는 점입니다. 인간이 할 수 있는 것을 다 했다고 생각했던 곳에, 아직 개선의 여지가 남아 있었다는 사례들이 나열되어 있습니다.

여기까지를 바탕으로 하면, AlphaEvolve가 효과를 발휘하는 장면은 명확합니다.

적합한 것은 정답의 형태는 정해져 있지 않지만, 좋고 나쁨을 숫자로 측정할 수 있는 문제입니다. 라우팅 (Routing), 스케줄링 (Scheduling), 파라미터 조정 (Parameter Tuning), 커널 (Kernel) 및 컴파일러 (Compiler) 최적화, 예측 모델의 정밀도 개선 등이 해당됩니다. 탐색의 여지가 넓고, 채점 함수 (Scoring Function)를 작성할 수 있는 문제일수록 궁합이 좋다고 할 수 있습니다.

적합하지 않은 것은 무엇을 좋다고 할지를 수치화할 수 없는 문제입니다. 문장의 선호도나 디자인의 아름다움처럼 평가가 주관에 치우치는 태스크에서는, 애초에 탐색의 나침반을 만들 수 없습니다. 또한, 시드 프로그램 (Seed Program)과 평가기 (Evaluator)를 준비해야 하는 수고가 따르기 때문에, 단 한 번의 작은 작업을 빠르게 끝내고 싶은 용도에도 적합하지 않습니다. 시간을 들여 돌려 가며 가치를 창출하는, 본격적인 최적화를 위한 도구입니다.

AlphaEvolve는 Gemini Enterprise Agent Platform을 통해 이용할 수 있습니다. Google Cloud 콘솔에 에이전트 플랫폼의 입구가 있으며, 그곳에서 사용할 수 있습니다.

학습을 시작하기 위한 자료도 준비되어 있습니다. 공식 문서와 온보딩 가이드 외에도, GitHub에는 Colab에서 테스트해 볼 수 있는 샘플을 포함한 리포지토리 (Repository)가 공개되어 있습니다. 대응하는 IDE (Antigravity 등)에서 호출하는 방식도 안내되어 있습니다. 우선은 공개된 샘플을 통해 시드 프로그램과 평가기가 어떤 것인지 직접 만져보는 것이 가장 빠를 것입니다.

요금에 대해서는 발표에서 구체적으로 명시되지 않았으므로, 실제로 사용하기 전에 공식 요금 페이지에서 확인하시기 바랍니다.

AlphaEvolve는 Gemini가 코드를 진화시켜, 어려운 최적화 문제의 좋은 해답을 스스로 찾아내는 에이전트입니다. 2026년 7월 10일에 일반 제공 (GA)되어, Gemini Enterprise Agent Platform을 통해 누구나 사용할 수 있게 되었습니다.

실행 조건은 시드가 되는 프로그램과, 좋고 나쁨을 숫자로 측정하는 평가기를 준비할 수 있어야 한다는 것입니다. 이 채점 함수를 작성할 수 있는 문제라면, 인간이 최적화를 마쳤다고 생각했던 지점 너머에서 추가적인 개선을 찾아낼 가능성이 있습니다.

코드를 빠르게 작성하는 도구는 늘어났습니다. AlphaEvolve가 흥미로운 점은 답 그 자체를 찾게 만드는 방향으로 발을 내디뎠다는 점입니다. 자신이 안고 있는 문제 중 좋고 나쁨을 숫자로 바꿀 수 있는 것은 무엇인가. 그렇게 생각해보면 활용할 곳이 보일 것입니다.