유의사항
본 글은 2026년 8월 12일 기준 공개된 라이언에어, Google Cloud, 유럽항공안전청(EASA), EUROCONTROL 및 관련 자료를 바탕으로 작성되었습니다. DANA NOTES의 분석이 함께 포함되어 있습니다.
이 글에서 다루는 내용
라이언에어가 Google Cloud와 5년 계약을 맺었다
라이언에어(Ryanair)는 2026년 8월 12일 Google Cloud와 5년 데이터·AI 파트너십을 발표했습니다.
이번 계약에 따라 라이언에어는 Google Workspace와 Google Cloud 서비스를 전체 네트워크의 3만 5,000명에게 배포할 계획입니다.
여기에는 조직의 데이터를 연결하고, 업무 흐름을 자동화하며, 맞춤형 AI 에이전트를 만들 수 있는 Gemini Enterprise도 포함됩니다.
라이언에어는 Gemini Enterprise를 이용해 일부 의사결정을 자동화하고 승무원 운영을 최적화하겠다고 밝혔습니다. 2034년 연간 3억 명의 승객을 운송한다는 성장 목표를 지원하기 위해 운영 효율과 인프라 복원력을 함께 높이겠다는 계획입니다.
Reuters는 라이언에어가 Gemini뿐 아니라 Google DeepMind의 AlphaEvolve와 WeatherNext도 항공기단 운영과 정비 계획 등에 활용할 예정이라고 보도했습니다.
기업의 생성형 AI 도입 자체는 이제 새로운 일이 아닙니다.
그런데 이번 라이언에어의 계약은 단순히 문서 작성이나 고객 상담에 AI를 사용하는 것이 아니라 항공사를 실제로 운영하면서 발생하는 판단과 업무 흐름을 AI와 연결하려 한다는 점에서 살펴볼 만합니다.
항공사에서는 어떤 판단을 해야 하기에 AI까지 필요한 것일까요?
라이언에어의 운영전략은 전통적인 허브 항공사와 조금 다르다
2026년 8월 12일 발표된 Google Cloud의 라이언에어 소개 자료에서는 라이언에어 그룹의 운영 규모를 95개 베이스, 하루 약 3,900편, 220개 이상의 공항, 약 650대의 항공기로 제시하고 있습니다.
전통적인 허브앤스포크(Hub-and-Spoke) 방식에서는 여러 지역의 항공편이 주요 허브공항으로 모였다가 다시 다른 지역으로 연결됩니다.
반면 라이언에어는 여러 공항에 항공기와 승무원을 분산 배치하고 도시와 도시를 직접 연결하는 포인트투포인트(Point-to-Point) 방식을 중심으로 운영합니다.
여기서 베이스는 승객이 환승하기 위해 모이는 허브라기보다 항공기와 승무원을 배치해 운항을 시작하고 관리하는 운영 거점에 가깝습니다.
이 구조에서는 특정 베이스에서 항공기나 인력이 부족해졌다고 해서 다른 지역의 자원을 바로 가져다 쓰기 어렵습니다.
다른 베이스의 승무원을 투입하려면 위치와 이동시간뿐 아니라 자격, 근무시간과 휴식시간까지 확인해야 합니다. 항공기를 다른 지역에서 가져오면 그 항공기가 원래 담당하던 노선에도 영향을 줄 수 있습니다.
항공기와 인력을 여러 지역에 분산해 운영하는 만큼, 문제가 발생했을 때 어디의 자원을 어떻게 다시 배치할 것인지도 중요한 운영 판단이 됩니다.
항공사 스케줄은 여러 제약조건을 동시에 만족해야 한다
항공사의 스케줄은 단순히 항공기와 출발시간을 맞추는 일이 아닙니다.
항공기, 조종사, 객실승무원, 정비, 공항, 시간, 노선을 함께 고려해야 합니다.
항공기는 위치와 노선뿐 아니라 비행시간, 비행횟수, 경과시간 등에 따라 정해지는 정비 계획을 고려해야 합니다. EASA의 항공기 정비 프로그램에서도 정비 항목의 주기를 비행시간(Flight Hours), 비행횟수 또는 사이클(Flight Cycles), 달력상 경과시간(Calendar Time) 등으로 관리합니다.
조종사는 해당 기종을 운항할 자격과 최근 비행경험을 갖추고 있어야 하며, 비행근무시간과 휴식시간에 관한 기준도 충족해야 합니다. EASA는 상업 항공운송을 대상으로 비행근무시간 제한과 휴식 요건을 운영하고 있습니다.
객실승무원도 필요한 인원과 역할을 맞춰야 합니다. 최소 객실승무원 수는 항공기 인증 조건 등에 따라 달라질 수 있고, 필요한 경우 책임 객실승무원(Senior Cabin Crew Member)의 배치도 고려해야 합니다.
여기에 정비 장소와 정비인력, 공항 슬롯, 운영시간, 야간 제한, 지상조업, 항공교통 흐름과 관제 조건이 추가됩니다.
그리고 항공기 한 대가 하루 동안 여러 노선을 연속해서 운항하기 때문에 한 항공편의 변경이 뒤에 연결된 다른 항공편으로 이어질 수 있습니다.
지연 한 번이 전체 스케줄을 흔들 수 있다
예를 들어 어느 항공편이 두 시간 지연됐다고 가정해보겠습니다.
항공기의 다음 운항도 늦어질 수 있고, 조종사와 객실승무원의 근무시간도 늘어납니다.
이후 근무가 어려워져 대체 인력을 투입하면 그 사람이 원래 담당하던 항공편이 다시 영향을 받을 수 있습니다.
항공기가 밤에 정비를 받을 예정이었다면 정비 일정도 바뀔 수 있고, 항공기가 원래 계획과 다른 공항에서 운항을 종료하면 다음 날 첫 운항까지 영향을 받을 수 있습니다.
공항의 운영시간이나 야간 제한, 항공교통 흐름까지 겹치면 선택할 수 있는 방법은 더 줄어듭니다.
문제 하나가 항공기, 사람, 정비, 공항, 후속 노선으로 연쇄적으로 이어질 수 있는 것입니다.
항공사는 어떤 의사결정을 해야 할까?
이런 상황에서 항공사에는 하나의 정답만 있는 것이 아닙니다.
원래 항공기를 늦게라도 필요한 베이스로 이동시킬 수도 있고, 다른 항공기를 대신 투입할 수도 있습니다. 항공기들의 운항 순서를 서로 바꾸거나 다른 베이스의 조종사와 객실승무원을 이동시킬 수도 있습니다.
승객을 태우지 않고 항공기를 필요한 지역으로 이동시키는 포지셔닝 비행(Positioning Flight)을 할 수도 있고, 일부 항공편을 더 지연시키거나 경우에 따라 특정 항공편을 취소해 나머지 운항을 정상화하는 방법도 있습니다.
하지만 어떤 선택에도 비용이 따릅니다.
빈 항공기를 이동시키면 승객 매출 없이 운항비가 발생하고, 다른 항공기나 승무원을 가져오면 기존 스케줄을 다시 조정해야 합니다. 한 항공편의 지연을 계속 이어가면 문제가 후속편으로 확대될 수도 있습니다.
그래서 운영 담당자가 풀어야 하는 문제는 단순히 “이 항공편을 어떻게 출발시킬 것인가?”가 아닙니다.
“현재 가능한 선택지 가운데 어떤 결정을 내려야 회사 전체의 손실을 가장 작게 만들 수 있는가?”
에 더 가깝습니다.
문제는 가능한 선택지가 없는 것이 아니라 고려해야 할 조건과 선택지가 너무 많다는 데 있습니다.
기존 최적화 시스템과 AI 에이전트는 무엇이 다를까?
라이언에어가 지금까지 이런 복잡한 운영을 사람이 직접 계산해 온 것은 아닙니다.
라이언에어는 이미 AWS의 클라우드와 AI 기술을 이용해 항공기와 운항 스케줄을 최적화하고 있습니다.
2026년 7월 AWS와의 계약을 다시 5년 연장하면서 라이언에어는 647대의 항공기와 하루 약 3,900편의 스케줄 최적화에 AWS를 활용하고 있으며, Amazon Bedrock과 Bedrock AgentCore 같은 AI 기술도 사용한다고 밝혔습니다.
따라서 이번 Google Cloud 계약을 기존에는 사람이 스케줄을 만들었지만 이제 AI가 대신 만든다고 이해하면 정확하지 않습니다.
기존 최적화 시스템도 복잡한 제약조건을 반영해 가능한 조합을 계산하는 데 매우 중요한 역할을 합니다.
AI 에이전트가 추가되면서 달라질 수 있는 부분은 최적화 계산 자체보다는 그 전후의 의사결정 흐름입니다.
예를 들어 기존 최적화 엔진이 항공기와 승무원의 배치안을 계산한다면, AI 에이전트는 상황 변화가 발생했을 때 필요한 데이터를 여러 시스템에서 확인하고, 적절한 도구나 최적화 시스템을 호출하고, 결과를 비교한 뒤 다음 업무로 연결하는 역할을 할 수 있습니다.
이를 단순화하면,
상황 변화 파악 → 필요한 데이터 확인 → 최적화 시스템과 도구 실행 → 가능한 대안 비교 → 일부 판단 또는 후속 업무 실행
처럼 여러 단계를 연결하는 것입니다.
Gemini Enterprise 역시 조직의 데이터를 연결하고 업무 흐름을 자동화하며 맞춤형 AI 에이전트를 구축할 수 있는 플랫폼으로 소개되고 있습니다. 라이언에어가 이를 일부 의사결정 자동화에 활용하겠다고 밝힌 것도 이와 연결됩니다.
즉 기존 최적화 시스템을 AI 에이전트가 대체한다기보다, 여러 시스템과 데이터를 연결해 의사결정과 후속 업무를 더 넓게 자동화하는 방향으로 활용될 수 있습니다.
다만 라이언에어가 실제로 어떤 운영 시스템을 연결하고, 어느 단계까지 AI 에이전트가 직접 실행하도록 할지는 아직 공개되지 않았습니다.
라이언에어가 공개한 AI 활용 범위는 아직 제한적이다
현재 라이언에어의 공식 발표에서 직접 확인되는 것은 일부 의사결정 자동화, 승무원 운영 최적화, 기업 전반의 생산성 향상입니다.
Reuters는 여기에 Google DeepMind의 AlphaEvolve와 WeatherNext를 활용한 항공기단 운영과 정비 일정 계획 등을 추가로 보도했습니다.
반면 AI가 어떤 항공기를 어느 베이스로 이동시킬지, 특정 항공편을 지연하거나 취소할지, 승무원을 어떻게 재배치할지까지 직접 결정하게 되는지는 공개되지 않았습니다.
계약에서 제시된 방향과 실제 운영 자동화의 수준은 구분해서 볼 필요가 있습니다.
운영 판단이 빨라지면 무엇이 달라질까?
라이언에어가 AI를 도입하는 목적은 결국 운영 효율을 높이는 것과 연결됩니다.
운항 차질에 대응하는 시간이 길어질수록 비용은 계속 발생하고, 한 항공편의 문제가 다른 항공편으로 확대될 가능성도 커집니다.
중요한 것은 사전에 최적화된 스케줄을 계획하더라도 실제 운항에서는 그 상태를 계속 유지하기 어렵다는 점입니다.
상황이 달라질 때마다 여러 조건을 다시 계산하고 실행 가능한 대안을 빠르게 찾아 새로운 운영계획을 만들어야 합니다.
사람이 여러 시스템을 확인하고 데이터를 모아 대안을 비교하던 일부 과정을 AI 에이전트가 구조화하고 자동화할 수 있다면 의사결정 시간을 줄일 수 있습니다.
라이언에어도 이번 계약에서 효율성을 강조했고, Google Cloud는 생성형 AI를 대규모로 적용하는 것이 운영비 절감에 도움이 될 수 있다고 설명했습니다.
기존 업무를 더 빠르게 구조화하고 자동화해 운영비를 낮추고 자원 활용도를 높이는 것. 이는 결국 기업의 수익성을 높이는 방향과 연결됩니다.
AI는 운영 의사결정의 병목을 얼마나 줄일 수 있을까?
항공사 운영 의사결정이 복잡해지는 이유는 항공기, 조종사, 객실승무원, 정비, 공항, 노선과 관련된 조건이 많을 뿐 아니라 서로 연결되어 있기 때문입니다.
운항 차질이 발생하면 항공기를 바꾸거나 승무원을 재배치하고, 운항 순서를 변경하거나 일부 항공편을 지연·취소하는 여러 방법을 검토해야 합니다.
그리고 하나의 선택은 다시 다른 항공편과 인력, 정비 일정에 영향을 줍니다.
AI 에이전트가 여러 운영 데이터와 규칙을 연결해 실행 가능한 선택지를 빠르게 좁히고 반복적인 판단과 후속 업무를 자동화한다면 사람이 모든 경우의 수를 직접 확인해야 하는 부담을 줄일 수 있습니다.
다만 실제 운항에서는 예외상황이 많고, AI가 어느 정도의 데이터와 시스템에 접근할 수 있는지도 아직 공개되지 않았습니다.
실제로 운영 의사결정의 병목을 얼마나 줄일 수 있는지는 앞으로 시범 운영과 실제 적용 결과에서 확인해야 할 부분입니다.
듀얼 클라우드는 장애 위험을 분산하기 위한 선택이다
라이언에어는 Google Cloud와 계약했다고 해서 AWS 사용을 중단하지 않았습니다.
2026년 7월 AWS와의 계약을 5년 연장한 뒤 8월에는 Google Cloud와도 새로운 5년 계약을 체결했습니다.
라이언에어는 이를 듀얼 클라우드 전략이라고 설명하며 인프라 복원력을 강화하겠다고 밝혔습니다.
다만 이를 AWS와 Google Cloud에 동일한 시스템을 복제한 물리적 이중화 구조라고 볼 수는 없습니다.
동일한 업무를 두 클라우드에 복제해 한쪽 장애 시 자동 전환하는 구조인지, 서로 다른 업무를 각각 담당하는 구조인지 구체적인 아키텍처는 공개되지 않았습니다.
현재 확인할 수 있는 것은 두 주요 클라우드 사업자를 함께 사용하는 방향으로 인프라 의존도를 분산하고 있다는 점까지입니다.
DANA NOTES 해설
이번 계약에서 주목할 부분은 어떤 AI 모델을 선택했느냐보다 기업의 의사결정 과정에 AI를 어디까지 연결할 수 있느냐입니다.
Gemini Enterprise나 다른 AI 모델 자체는 다른 항공사도 사용할 수 있습니다. 따라서 실제 차이는 라이언에어의 운영 데이터와 규칙, 기존 최적화 시스템, AI 에이전트와 업무 시스템을 얼마나 안정적으로 연결할 수 있는지에서 만들어질 가능성이 큽니다.
라이언에어처럼 하루 수천 편을 운항하는 기업에서는 하나의 판단에서 몇 분을 줄이는 것보다 그런 판단이 하루 동안 수없이 반복된다는 점이 더 중요합니다. 작은 시간 차이와 비효율도 전체 규모에서는 비용 차이로 누적될 수 있습니다.
따라서 이번 AI 도입의 사업적 의미는 새로운 AI 모델을 사용하는 데 있다기보다 반복되는 운영 의사결정의 시간을 줄이고, 더 많은 과정을 구조화·자동화해 운영 효율을 높이는 데 있다고 볼 수 있습니다.
다만 이것이 실제 경쟁력이 되려면 모델 성능뿐 아니라 데이터 품질, 기존 시스템과의 연결, 예외상황 처리, 실제 실행의 안정성까지 확보해야 합니다.
라이언에어의 AI 도입은 복잡한 기업 운영의 의사결정 과정을 얼마나 안정적으로 자동화할 수 있는지를 확인하는 프로젝트에 가깝습니다.
앞으로 확인해야 할 변수
가장 먼저 확인해야 할 것은 이번 5년 계약이 발표 단계에서 실제 시범 운영을 거쳐 안정적인 운영 적용 단계까지 이어질 수 있는가입니다.
라이언에어가 연결하려는 영역은 하나의 단순한 업무가 아닙니다. 항공기, 승무원, 정비 등 서로 영향을 주는 운영 데이터와 기존 시스템을 연결해야 하기 때문에 실제 구현 난도가 높을 수 있습니다.
또 하나 중요한 부분은 외부 데이터의 신뢰성입니다.
항공사는 자체적으로 스케줄과 자원을 계획할 수 있지만, 실제 운항은 날씨, 공항 처리능력, 관제와 항공교통 흐름 같은 회사 밖의 변수에도 크게 영향을 받습니다. EUROCONTROL의 네트워크 운영 자료에서도 기상, 공항 수용능력, 공항 관제 수용능력 등이 항공교통 흐름관리 지연의 주요 원인으로 반복해서 나타납니다.
따라서 운영 AI의 정확도를 높이려면 단순히 인터넷을 실시간으로 검색하는 것보다 기상기관, 공항, 항공교통관리기관 등 신뢰할 수 있는 데이터 소스를 연결하고, 정보의 출처와 갱신시점, 최신성을 확인할 수 있는 구조가 중요합니다.
앞으로는 다음과 같은 부분을 확인할 필요가 있습니다.
- 어떤 업무부터 시범 적용되고 실제 운영까지 확대되는가
- 기존 운영 시스템과 AI가 어느 범위까지 연결되는가
- 날씨·공항·관제 등 외부 운영 데이터를 어떤 방식으로 받아들이는가
- 데이터의 최신성과 출처를 어떻게 검증해 판단의 신뢰성을 확보하는가
- AI가 대안을 제시하는 단계와 직접 실행하는 단계의 경계는 어디인가
- 잘못된 판단이나 시스템 장애가 발생했을 때 사람이 어떻게 개입하는가
- 적용 이후 지연, 취소, 승무원 운영, 정비 일정, 운영비 등 실제 지표가 개선되는가
- AWS와 Google Cloud의 역할이 실제로 어떻게 분리되는가
5년이라는 계약 기간 자체보다 중요한 것은 서로 다른 내부 시스템과 외부 데이터를 안정적으로 연결하고, 실제 운항 환경에서 신뢰할 수 있는 수준의 의사결정을 할 수 있도록 구현하는 것입니다.
그 단계까지 도달할 수 있는지가 이번 라이언에어 AI 프로젝트를 평가하는 가장 중요한 기준이 될 것입니다.
