Google이 Nano Banana 기반 이미지 도구 Google Pics를 Docs·Slides에 통합했다. 객체 분할과 이미지 내 텍스트 번역이 실무에서 쓰이는 자리와 교육 커리큘럼에 반영할 점, 도입 시 확인할 라이선스 조건을 정리한다.
Google이 2026년 9월 1일 Try Google Pics: Easy image creation and editing in Google Workspace를 발표했습니다. Nano Banana 모델 위에 만든 이미지 생성·편집 도구 Google Pics를 Docs와 Slides 안에 넣고 Drive로 넓힌다는 내용입니다. 코텍시스는 이 발표를 기업교육 관점에서 읽습니다. 마케팅·영업·교육 담당자가 디자이너 없이 시안을 만드는 일이 별도 도구를 배우지 않고 문서 작업 안에서 일어나게 되기 때문입니다.
출처: Google, Try Google Pics: Easy image creation and editing in Google Workspace
발표 내용
대상은 Google AI Pro·Ultra 구독자와 대부분의 Workspace 비즈니스 고객이며 수 주에 걸쳐 순차 배포됩니다. pics.new에서 독립 제품으로 쓰거나 Slides·Docs 안에서 바로 부릅니다. Drive 통합은 수 주 안에 따라옵니다.
| 기능 | 하는 일 | 실무에서 쓰이는 자리 |
|---|---|---|
| 객체 분할 | 특정 객체만 골라 바꾸고 나머지는 유지. 영역별 코멘트로 여러 수정을 한 번에 실행 | 제품 목업의 색상·배경 교체 |
| 이미지 내 텍스트 편집·번역 | 폰트와 레이아웃을 유지한 채 이미지 속 글자를 수정하거나 번역 | 다국어 배너, 행사 포스터 날짜 수정 |
| 공동 편집 | 같은 이미지를 팀원과 함께 편집 | 캠페인 시안 리뷰 |
| 다중 생성 | 프롬프트 하나에 여러 후보를 생성 | 시안 비교 |
출처: Google, Try Google Pics: Easy image creation and editing in Google Workspace
어떤 직군이 어떻게 쓰는지
대표 사례는 제품 소개 자료를 만드는 마케팅 담당자입니다. Slides에서 제품 사진의 배경만 바꾸고, 사진 안의 문구를 영어와 인도네시아어로 번역해 같은 슬라이드에 넣습니다. 지금까지는 디자이너에게 요청하고 하루를 기다리던 일입니다. 영업 담당자는 제안서 표지를, 교육 담당자는 과정 안내 배너를 같은 방식으로 만듭니다.
교육 커리큘럼에 반영할 점
코텍시스의 판단은 이미지 도구 교육의 무게중심을 프롬프트 작성에서 편집 지시로 옮겨야 한다는 것입니다. 객체 분할과 영역 코멘트는 디자이너에게 수정을 요청할 때 쓰는 언어와 같습니다. 교육에서 다룰 것은 세 가지입니다. 수정 요청을 영역 단위로 쪼개 쓰는 법, 브랜드 가이드의 색과 폰트가 유지됐는지 확인하는 법, 여러 후보 가운데 고르는 기준입니다.
도입 시 확인할 것
- 라이선스: Workspace 에디션에 따라 포함 여부가 다릅니다. 원문의 "대부분의 비즈니스 고객"이라는 표현은 일부 에디션이 빠진다는 뜻입니다.
- 정책: 생성 이미지의 상업적 이용 조건과 사내 브랜드 자산을 올렸을 때의 데이터 처리 조건을 확인해야 합니다.
- 시점: 국내 계정 반영 시점은 관리자 콘솔에서 확인합니다.
원문은 Try Google Pics: Easy image creation and editing in Google Workspace에서 볼 수 있습니다.
코텍시스 창업자로 AX 컨설팅과 기업 AI 교육, AI 에이전트 개발을 직접 수행합니다.
코텍시스 AI 인사이트 최신 논문 리뷰
AWQ 양자화: 활성값을 보고 가중치를 지키는 4비트 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.team에서 맞춤 AI 개발 서비스를 확인하세요.
