Akamai의 Shadow AI 경고가 드러낸 기업 통제의 공백

Akamai가 강력한 경고를 내놨다. 엔터프라이즈 사용자의 거의 절반이 AI 도구에 접속하고 있으며, 이 활동의 상당 부분은 기존 기업 통제 체계의 범위를 벗어날 수 있다는 것이다.

이 발견은 GlobeNewswire를 통해 배포된 Akamai 보도자료로 연결되는 잘린 Google News 헤드라인을 통해 드러났다. 해당 목록은 “bypasses” 뒤의 목적어를 생략해 핵심 주장을 불완전하게 만들었다. 그러나 Akamai의 더 폭넓은 연구는 누락된 충돌 지점을 분명히 짚는다. 생산성을 위한 AI 사용이 관리되는 ID, 승인된 계정, 가시적인 보안 채널 밖에서 점점 더 많이 이뤄지고 있다는 것이다.

이는 단순히 직원들이 ChatGPT를 좋아한다는 또 하나의 설문조사가 아니다. 기존 소프트웨어를 위해 기업이 구축한 통제 모델과 직원 수요가 충돌하고 있음을 보여준다. OpenAI, Google, Anthropic, Microsoft 및 수백 곳의 소규모 공급업체는 일반적인 브라우저를 통해 고급 도구를 이용할 수 있게 만들었다.

따라서 보안의 핵심 질문도 달라졌다. 기업은 더 이상 어떤 AI 시스템을 승인할지만 결정해서는 안 된다. 개인 계정, 붙여넣은 텍스트, 업로드, 확장 프로그램 또는 내장 기능을 통해 민감한 정보가 어떤 모델에든 전달되는지 파악해야 한다.

이 변화는 불편하다. 기업들은 수년간 ID, 접근 권한, 소프트웨어 조달을 중앙화하는 데 투자해 왔다. 이제 AI 도입은 브라우저 내부에서 이 세 가지를 모두 분산시키고 있다.

헤드라인이 가리키는 브라우저 규모의 사각지대

Akamai의 경고는 단순히 AI를 실험하는 사람 수가 아니라, 직원들이 AI에 접근하는 경로에 관한 것이다.

이용 가능한 증거는 Akamai가 인수한 브라우저 보안 기업 LayerX의 자료에 일부 기반한다. LayerX는 로그인, 업로드, 붙여넣은 텍스트, 기업 계정과 개인 계정 간 이동을 포함해 웹 애플리케이션 내 활동에 관한 텔레메트리를 수집한다.

LayerX가 공개한 연구에 따르면, 엔터프라이즈 사용자의 45%가 기업 엔드포인트에서 생성형 AI에 접속했다. 해당 데이터세트에서 관측된 AI 사용량 중 ChatGPT의 비중은 92%였다.

이 수치가 전 세계 모든 직원의 45%가 ChatGPT를 사용한다는 뜻은 아니다. 이는 해당 공급업체의 텔레메트리가 포괄하는 조직과 엔드포인트에서의 활동을 설명한다. 보안 기업의 보고서를 해석할 때 이 구분은 중요하다.

같은 연구는 더 중대한 패턴도 발견했다. AI 도구에 업로드된 파일의 40%에는 민감한 기업 정보가 포함돼 있었다. 붙여넣은 텍스트의 22%에도 민감한 자료가 포함됐다.

이 비율은 확인된 침해가 아니라 검사된 전송을 측정한 것이다. 민감한 자료의 업로드는 승인됐고, 적절히 보호됐으며, 합법적인 업무에 필요했을 수 있다. 그러나 고용주가 감사할 수 없는 개인 계정을 거쳤을 수도 있다.

LayerX는 기업 계정과 개인 계정 간 데이터 전송의 32%가 AI 플랫폼을 통해 이뤄졌다고 보고했다. 더 폭넓은 AI 사용 조사 결과는 브라우저를 이러한 노출의 중심에 둔다.

이는 Google News 목록에서 잘린 “bypasses” 문구를 이해하는 데 도움이 된다. 관련 통제에는 기업 ID, 싱글사인온, 승인 계정 규칙, 데이터 유출 방지 정책, 일반적인 소프트웨어 검토 절차가 포함된다.

일반적으로 SSO라고 부르는 싱글사인온은 고용주가 하나의 기업 ID를 통해 접근 권한을 관리할 수 있게 한다. 직원이 회사 기기에서 사용하더라도 개인 AI 계정은 이 ID 계층을 우회한다.

기존 소프트웨어 거버넌스는 IT 부서가 애플리케이션을 발견하고, 승인하며, 접근 권한을 제공하고, 나중에 이를 회수할 수 있다는 전제에 기반한다. 소비자용 AI 도구는 방문, 로그인, 프롬프트만으로 도입 과정을 압축한다.

설치 요청은 필요하지 않다. 직원은 챗봇을 열고 개인 이메일 주소로 인증한 뒤 몇 분 안에 고객 문서를 붙여넣을 수 있다.

내장형 AI는 발견을 더욱 복잡하게 만든다. 생성형 기능은 이제 생산성 제품군, 디자인 도구, 회의 플랫폼, 고객 시스템, 브라우저 확장 프로그램 안에 나타난다. 직원들은 모든 기능을 별도의 AI 서비스로 여기지 않을 수 있다.

Akamai는 shadow AI를 IT, 보안 또는 컴플라이언스 팀의 인지, 승인, 감독 없이 이뤄지는 AI 사용으로 정의한다. 여기에는 승인되지 않은 챗봇보다 더 많은 사례가 포함된다.

개발자는 독점 코드를 개인용 코딩 도우미에 제출할 수 있다. 마케터는 캠페인 세그먼트를 생성하기 위해 고객 목록을 업로드할 수 있다. 관리자는 권한을 검토하지 않은 채 에이전트를 클라우드 문서에 연결할 수 있다.

각 행동은 평범한 브라우저 트래픽처럼 보일 수 있다. 위험 요소는 사용자의 ID, 전송된 정보, 해당 정보에 대한 공급업체의 계약상 처리 방식을 포함한 맥락에 있다.

방화벽은 허용된 도메인으로의 연결을 볼 수 있다. 하지만 직원이 관리되는 엔터프라이즈 계정을 사용했는지, 개인 계정을 사용했는지를 자동으로 파악하지는 못한다.

이것이 보고서가 지적하는 핵심 변화다. 엔터프라이즈 AI가 충분히 보편화되면서, 애플리케이션 이름만으로 접근을 관리하는 방식은 더 이상 적절한 가시성을 제공하지 못한다.

엔터프라이즈 AI 통제가 도입 경쟁에서 밀리는 이유

소비자용 AI가 더 빠른 접근, 폭넓은 기능 또는 적은 절차상 장애물을 제공할 때 직원들은 승인된 경로를 우회한다.

Shadow AI는 악의적 의도보다 실무적인 과제에서 시작되는 경우가 많다. 직원은 회의를 요약하거나, 제안서를 수정하거나, 코드를 점검하거나, 여러 문서를 비교해야 한다.

승인된 도우미에는 선호하는 모델이 없거나, 지원하는 파일 형식이 적거나, 해당 부서에서 아직 이용할 수 없을 수 있다. 조달 및 보안 검토도 업무 속도보다 느리게 진행될 수 있다.

개인용 챗봇은 즉시 접근할 수 있다. 직원은 이를 생산성 도구로 보지만, 보안 팀은 검토되지 않은 데이터 처리자로 본다.

이러한 유인 격차는 금지 조치가 제한적인 결과만 내는 이유를 설명한다. 한 서비스를 차단하면 사용자는 다른 공급업체, 모바일 기기, 개인 브라우저 프로필 또는 내장 기능으로 이동할 수 있다.

효과적인 정책은 직원들이 비공식 경로를 택한 이유를 다뤄야 한다. 그렇지 않으면 집행은 눈에 보이는 증상만 다루고 수요는 그대로 남긴다.

Akamai 자체 가이드라인은 기업이 계약상 보호, 감사 로그, SSO 통합을 갖춘 유능한 승인 도구를 제공할 때 Shadow AI 사용이 줄어든다고 설명한다. 보안 경로도 여전히 사용자의 문제를 해결해야 한다.

역사적 비교 대상은 부서들이 중앙 승인 없이 클라우드 애플리케이션을 구매하면서 성장한 Shadow IT다. 보안 팀은 결국 클라우드 접근 브로커, 애플리케이션 탐지, 보다 유연한 조달 방식을 도입했다.

AI는 거래 자체에 비즈니스 데이터가 포함되는 경우가 많기 때문에 위험을 높인다. 일반적인 무단 애플리케이션은 새 프로젝트 일정을 저장할 수 있다. 반면 챗봇과의 상호작용은 소스 코드, 법률 문구, 고객 기록 또는 공개 전 전략을 즉시 전송할 수 있다.

생성형 시스템은 직원들이 출처를 기록하지 않은 채 재사용할 수 있는 결과물도 만든다. 이는 데이터 노출과 함께 정확성, 지식재산권, 편향, 책임성에 관한 문제를 제기한다.

동일한 AI 서비스도 계정에 따라 위험 프로필이 달라질 수 있다. 엔터프라이즈 계약은 보존 제어, 관리 로그, 모델 학습 제한을 제공할 수 있다.

개인 계정에는 이러한 보호 장치가 없을 수 있다. 따라서 보안 팀은 단순히 목적지 도메인을 인식하는 것이 아니라 ID와 세션을 구분해야 한다.

이 차이는 최고정보책임자와 보안 책임자에게 상반된 방향의 압박을 가한다. CIO는 AI 도입을 늘려야 하고, 보안 책임자는 통제되지 않는 데이터 이동을 줄여야 한다.

비즈니스 리더들은 또 다른 요구를 더한다. 측정 가능한 생산성이다. 공식 환경이 성과 개선 없이 직원들의 업무 속도만 늦춘다면, Shadow AI 사용은 예측 가능한 반응이 된다.

이러한 갈등은 Akamai 고객 기반을 넘어 나타난다. Axios는 기업들이 일반적으로 67개의 생성형 AI 도구를 사용하고 있으며, 이 중 90%는 적절한 라이선스나 승인이 없다고 보도했다. shadow AI 보도는 보안 공급업체들이 가시성 격차를 해소하기 위해 경쟁하고 있다고 설명했다.

다시 말해, 공급업체 측정치는 고객 집단, 수집 방식, 정의에 따라 달라진다. 어떤 기업은 도메인을 집계하는 반면, 다른 기업은 애플리케이션, 계정, 사용자 또는 개별 세션을 집계할 수 있다.

방향성은 단일 비율보다 더 신뢰할 수 있다. 직원들은 AI에 접근할 수 있는 경로가 많으며, 엔터프라이즈 인벤토리는 지속적으로 그 활동의 일부만 포착한다.

압박은 보안 팀에만 머물지 않는다. 법무 부서는 어떤 공급업체가 규제 대상 또는 기밀 정보를 처리할 수 있는지 판단해야 한다.

개인정보 보호 팀은 프롬프트와 파일이 어디로 이동하는지 이해해야 한다. 조달 팀은 이미 계약된 제품에 추가된 기능을 포함해 늘어나는 AI 기능 목록을 검토해야 한다.

관리자에게는 생성된 결과물에 관한 규칙도 필요하다. 승인된 도구가 모든 답변을 정확하게 만드는 것은 아니며, 엔터프라이즈 계약이 그 결과물을 바탕으로 내린 모든 결정을 검증하는 것도 아니다.

따라서 통제 문제에는 두 개의 계층이 있다. 기업은 AI 시스템에 들어가는 정보를 관리하고, 그 시스템에서 나오는 결정을 관리해야 한다.

승인되지 않은 계정을 차단하는 것은 첫 번째 계층만 다룬다. 생성된 답변에 언제 검토가 필요한지, 시스템이 어떤 출처를 사용했는지, 누가 최종 책임을 지는지는 확립하지 못한다.

이처럼 더 광범위한 거버넌스 부담은 도입 경쟁이 불균형하게 느껴지는 이유를 설명한다. 직원은 즉시 AI를 사용하기 시작할 수 있지만, 완전한 엔터프라이즈 통제 구조를 구축하려면 여러 부서의 협력이 필요하다.

진짜 경쟁은 관리형 AI와 유용한 AI 사이에 있다

주된 상대는 Akamai와 다른 보안 공급업체의 대결이 아니라, 관리형 AI와 직원들이 가장 유용하다고 여기는 도구 간의 경쟁이다.

기업은 때때로 보안과 생산성을 상반된 목표로 규정한다. 이러한 구도는 전면 차단, 제한적인 허용 목록, 긴 승인 절차를 포함한 획일적 통제를 부추긴다.

그러면 직원들은 단순한 선택에 직면한다. 승인된 워크플로를 기다리거나, 익숙한 소비자 서비스를 이용해 업무를 끝내는 것이다.

더 나은 경쟁의 기준은 제품 품질이다. 관리형 도우미는 기본 선택지가 되기 위해 충분한 기능, 맥락, 속도, 신뢰성을 제공해야 한다.

맥락은 특히 중요하다. 지식 근로자는 AI가 문서, 대화, 프로젝트 이력, 전문적인 내부 자료를 대상으로 작동하기를 원한다.

그 접근 권한은 위험도 만든다. 광범위한 권한은 직원이 AI 인터페이스를 통해 검색할 수 있다는 사실조차 몰랐던 정보를 노출할 수 있다.

관리형 지식 환경은 기존 접근 경계를 보존해야 한다. 또한 어떤 출처가 답변을 뒷받침했는지 보여주고, 검색 범위를 권한이 부여된 자료 안에 유지해야 한다.

이 지점에서 개인 지식 베이스는 비즈니스 시스템과 공개 챗봇 사이의 임시 복사를 줄일 수 있다. 로컬 또는 통제된 수집이 거버넌스 의무를 없애지는 않지만, 불필요한 전송을 줄일 수는 있다.

보안 통제는 상호작용이 일어나는 순간 작동해야 한다. 네트워크 도구도 여전히 유용하지만, 암호화된 브라우저 세션 안에 숨겨진 차이를 놓칠 수 있다.

브라우저 수준의 통제는 활성 계정을 식별하고, 업로드를 검사하며, 정보가 엔드포인트를 떠나기 전에 붙여넣기를 인식할 수 있다. 이후 해당 조치를 경고, 수정, 차단 또는 기록할 수 있다.

이전에는 LayerX였던 Akamai의 Workforce Protector는 이러한 접근 방식을 반영한다. Akamai에 따르면, 이 제품은 주변부 트래픽에만 의존하지 않고 애플리케이션 내부에서 사용자와 에이전트의 행동을 관리한다.

기업은 브라우저를 핵심 집행 지점으로 규정하는 데 상업적 이해관계를 갖고 있다. 구매자는 이 주장을 엔드포인트, 네트워크, 아이덴티티, 데이터 보안 대안과 함께 검토해야 한다.

어느 한 계층도 모든 경로를 볼 수는 없다. 브라우저 확장 프로그램은 기업 환경에 전혀 접속하지 않는 관리되지 않는 휴대폰을 통제할 수 없다.

네트워크 제어는 대상지를 식별할 수 있지만, 상세한 세션 맥락은 부족할 수 있다. 엔드포인트 에이전트는 기기 활동을 검사할 수 있지만, 모든 애플리케이션의 내부 의미 체계를 이해하지는 못할 수 있다.

아이덴티티 제어는 누가 로그인했는지를 확인하지만, 각 프롬프트에 제한된 정보가 포함됐는지를 자동으로 판단하지는 않는다. 데이터 분류는 민감한 콘텐츠를 식별할 수 있지만, 정확한 라벨과 충분한 적용 범위에 의존한다.

실용적인 아키텍처는 이러한 신호를 결합한다. 아이덴티티, 기기 상태, 대상지, 계정 유형, 콘텐츠 민감도, 요청된 작업을 연결한다.

직원이 공개 제품 발표를 요약하는 경우를 생각해 보자. 입력 자체가 이미 공개된 정보이므로 개인용 챗봇은 조직에 제한적인 위험만 제시한다.

이제 같은 직원이 고객 지원 대화 기록을 붙여 넣는 상황을 생각해 보자. 대상지는 같을 수 있지만, 개인정보 보호, 보존, 계약상 요구 사항은 판단을 바꾼다.

파일 검사만으로는 복사·붙여넣기 행위도 놓친다. LayerX의 측정 결과는 직원이 문서를 업로드하지 않더라도 붙여 넣은 텍스트가 의미 있는 노출 경로를 구성한다는 점을 보여준다.

에이전트는 또 다른 차원을 더한다. 에이전트는 정보를 검색하고, 외부 서비스를 호출하며, 기록을 업데이트하고, 매번 별도의 사람의 조작 없이 작업을 반복할 수 있다.

이로 인해 권한 설계는 운영 보안 문제가 된다. 챗봇은 요청에 답하지만, 에이전트는 변경을 일으킬 수 있다.

Akamai의 2026년 API 보안 연구는 10개국의 보안 리더와 실무자 1,840명을 조사했다. 조사 결과 80%가 웹 애플리케이션 방화벽을 사용했지만, 전용 API 보안 도구를 사용한 비율은 35%에 그쳤다.

API는 소프트웨어 시스템이 데이터와 명령을 교환하도록 하는 인터페이스다. API는 에이전트, 모델, 데이터베이스, 비즈니스 애플리케이션을 연결하는 계층을 이룬다.

권한 없는 챗봇 세션은 정보를 유출할 수 있다. 과도한 권한을 가진 에이전트는 티켓을 수정하거나, 환불을 처리하거나, 메시지를 보내거나, 제한된 시스템을 조회할 수도 있다.

따라서 관리형 AI는 모델 품질 이상으로 경쟁해야 한다. 유용한 통합, 제한된 권한, 신뢰할 수 있는 로깅, 중요한 작업에 대한 사람의 승인이 필요하다.

이러한 보호 장치가 모든 업무를 고통스럽게 만든다면 직원들은 이를 피할 것이다. 완전히 사라진다면 조직은 편의성과 용납할 수 없는 노출을 구분할 수 없다.

성공하는 설계는 일반적인 저위험 작업을 쉽게 만든다. 민감한 데이터, 이례적인 대상지, 개인 계정, 영향력이 큰 명령에는 추가적인 마찰을 둔다.

이는 정책 과제인 만큼 제품 과제이기도 하다. 기업은 일관되게 안전하지 않은 지름길을 보상하는 인터페이스 문제를 교육만으로 해결할 수 없다.

Google News 헤드라인이 입증하지 못하는 것

근본적인 위험은 신뢰할 만하지만, 잘린 헤드라인만으로는 전체 기업 AI 활동의 거의 절반이 통제를 우회한다는 사실을 독립적으로 입증하지 못한다.

Google News 항목은 “우회한다” 직후에 주장을 잘라낸다. 어떤 통제인지, 측정 기간, 표본, 지역, 분모를 밝히지 않는다.

이러한 누락은 정확한 해석을 어렵게 한다. “기업 AI 사용의 거의 절반”은 사용자, 계정, 세션, 엔드포인트, 조직, 업로드 또는 다른 측정 범주를 가리킬 수 있다.

공개적으로 색인된 Akamai 및 LayerX 자료는 여러 인접한 발견을 뒷받침한다. 그러나 해당 문장을 가능한 모든 방식으로 해석해도 동일하다고 만들지는 않는다.

LayerX는 기업 사용자 중 45%가 기업 엔드포인트에서 AI 도구에 접속했다고 보고했다. 별도로, 업로드된 파일의 40%와 붙여 넣은 텍스트의 22%에서 민감한 콘텐츠가 발견됐다고 보고했다.

또한 소프트웨어 서비스에서 개인 아이덴티티가 광범위하게 사용된다고 보고했다. 2025년 아이덴티티 연구에서는 SaaS 접속의 40%가 개인 자격 증명을 사용했고, 67%가 SSO를 우회한 것으로 나타났다.

이 통계들은 서로 다른 집단과 행위를 설명한다. 이를 하나의 포괄적인 주장으로 결합하면 연구가 공개하지 않은 수치가 만들어진다.

따라서 첫 번째 주의점은 분모의 엄밀성이다. 독자는 비율을 보편적 도입률로 받아들이기 전에 무엇을 집계했는지 물어야 한다.

두 번째 주의점은 벤더 텔레메트리다. 보안 제공업체는 이미 자사 제품을 배포한 고객의 활동을 분석하는 경우가 많다.

이들 조직은 유사한 모니터링을 갖추지 않은 기업과 다를 수 있다. 업종, 규모, 정책, 위험 프로필이 측정 결과에 영향을 줄 수 있다.

텔레메트리는 기억에만 의존하지 않고 행동을 관찰한다는 점에서 여전히 가치가 있다. 그러나 이것이 모든 기업이나 직원을 자동으로 대표하는 것은 아니다.

설문조사에는 다른 한계가 있다. 응답자는 정의를 오해하거나, 금지된 활동을 축소 보고하거나, 유난히 성숙한 AI 프로그램을 가진 조직을 대표할 수 있다.

따라서 독립 연구는 여러 형태의 증거를 비교해야 한다. 유용한 출처로는 엔드포인트 텔레메트리, 네트워크 로그, 아이덴티티 기록, 직원 설문, 사고 보고서, 규제 공시 등이 있다.

세 번째 주의점은 “우회”라는 단어다. 개인 로그인은 모든 보안 통제를 우회하지 않으면서도 기업 아이덴티티 관리를 우회할 수 있다.

엔드포인트는 여전히 데이터 유출 방지 소프트웨어를 실행할 수 있다. 네트워크는 여전히 특정 대상지를 차단할 수 있다. 제공업체도 소비자 개인정보 보호 설정을 제공할 수 있다.

반대로 승인된 계정도 SSO를 통과하더라도 위험을 만들 수 있다. 과도한 권한, 취약한 보존 규칙, 프롬프트 인젝션, 부정확한 출력은 여전히 가능하다.

이 구분은 단순한 결론을 막는다. 관리된다고 안전한 것은 아니며, 관리되지 않는다고 확인된 침해를 뜻하는 것도 아니다.

Akamai가 의뢰한 2025년 기업 AI 연구는 더 넓은 우려를 보여준다. 전 세계 임원급 응답자 400명 가운데 63%는 보안 우려를 AI 애플리케이션의 주요 과제로 꼽았다.

같은 연구에서 55%는 기술 또는 플랫폼 격차를, 55%는 컴플라이언스 및 규제 우려를 언급했다. 45%는 애플리케이션이 의도한 대로 작동하지 않을 것을 우려했다.

이러한 결과는 거버넌스 압력이 섀도 계정을 넘어선다는 점을 보여준다. 조직은 공식 배포 환경에서도 성능, 신뢰성, 컴플라이언스, 브랜드 영향에 대해 우려하고 있다.

네 번째 주의점은 인과관계다. 섀도 AI는 흔히 직원의 위법 행위로 설명되지만, 이용 가능한 증거는 하나의 보편적 동기를 뒷받침하지 않는다.

일부 직원은 의도적으로 규칙을 무시한다. 다른 직원들은 불분명한 정책, 부족한 도구, 느린 승인 또는 IT가 이미 승인한 제품에 내장된 AI 기능을 마주한다.

리더들도 상충하는 인센티브를 만들 수 있다. 속도를 기준으로 팀을 평가하면서 신속한 AI 도입을 요구한 뒤, 직원들이 그 목표에 도달하지 못하게 하는 제한을 부과한다.

신뢰할 만한 분석은 양측을 함께 고려해야 한다. 사용자는 민감한 정보를 처리할 책임이 있고, 조직은 실용적인 승인 경로를 제공할 책임이 있다.

규제 전망도 신중하게 다뤄야 한다. Gartner는 승인되지 않은 섀도 AI 사용으로 인해 2030년까지 기업의 40%가 AI 관련 보안 또는 컴플라이언스 사고를 겪을 것이라고 예측했다.

Gartner 전망을 다룬 보도에 요약된 것처럼, 이 수치는 예상되는 사고에 관한 것이다. 현재의 침해 건수가 아니다.

전망은 노출 가능성을 식별할 수 있지만, 특정 조직이 데이터를 잃었다는 사실을 확인하지는 않는다. 구매자는 위험 추정치를 이미 완료된 공격에 관한 주장으로 바꾸지 말아야 한다.

불완전한 피드 항목은 마지막 편집상 문제를 만든다. Google News는 근거 그 자체가 아니라 집계 계층이다.

직접 발표 자료, 방법론, 완전한 보고서가 표현을 좌우해야 한다. 전체 주장과 분모가 확인되기 전까지 “거의 절반”은 확립된 보편적 사실이 아니라 출처가 명시된 주장으로 다뤄져야 한다.

그렇다고 이 이야기가 중요하지 않다는 뜻은 아니다. 검증의 공백 자체가 이 이야기의 일부가 된다는 뜻이다.

기업이 통제력을 회복하는지 보여줄 세 가지 신호

다음 단계는 계정 가시성, 민감한 데이터 이동, AI 에이전트에 부여된 권한으로 측정될 것이다.

첫 번째 신호는 관리형 기업 아이덴티티에 연결된 AI 활동의 비중이다. 기업은 시간이 지남에 따라 직원들이 개인 계정에서 승인된 서비스로 이동하는지 추적해야 한다.

개인 계정 비중이 하락하면 유용한 기업용 도구가 섀도 AI를 줄일 수 있다는 근거가 강화된다. 비중이 유지되거나 상승한다면 정책과 라이선스가 행동을 바꾸지 못하고 있음을 보여준다.

이 지표는 부서와 업무별로 세분화해야 한다. 개발자, 마케터, 분석가, 지원팀, 경영진은 서로 다른 도구를 사용하고 서로 다른 정보를 다룬다.

전사 평균은 집중된 노출을 가릴 수 있다. 한 소규모 집단이 코드, 고객 기록 또는 법률 문서를 다루는 업무 때문에 대부분의 민감한 전송을 만들 수 있다.

아이덴티티 측정에도 명확한 분모가 필요하다. 조직은 사용자, 세션, 전송, 애플리케이션을 각각 구분해 보고해야 한다.

두 번째 신호는 AI 서비스로 이동하는 민감한 데이터의 비율이다. 여기에는 붙여 넣은 텍스트, 파일 업로드, 양식 입력, 브라우저 확장 프로그램, API 요청이 포함된다.

유용한 측정은 차단된 시도와 완료된 전송을 구분한다. 또한 승인된 기업 계정과 개인 및 알 수 없는 아이덴티티를 분리한다.

정상적인 AI 사용이 늘어나는 동안 완료된 민감한 전송이 감소한다면 거버넌스가 개선되고 있는 것이다. 차단된 시도만 증가한다면 직원들이 단지 더 많은 마찰을 겪고 있을 수 있다.

보안팀은 차단 이후 사용자가 어디로 가는지도 살펴봐야 한다. 승인된 어시스턴트로 업무를 전환하는 경고가 워크플로를 끝내는 경고보다 더 유용하다.

근본적인 목표는 더 많은 정책 위반 건수를 만드는 것이 아니다. 가치 있는 업무를 보존하면서 불필요한 노출을 줄이는 것이다.

조직은 직원들에게 자신의 자료를 검색, 요약, 연결할 수 있는 통제된 방법을 제공함으로써 이 목표를 지원할 수 있다. 로컬 세컨드 브레인은 관련 없는 서비스 간 반복적인 복사를 줄일 수 있다.

세 번째 신호는 AI 에이전트에 할당된 권한 프로필이다. 기업은 각 에이전트가 어떤 시스템을 읽고, 쓰고, 실행할 수 있는지 보여주는 인벤토리가 필요하다.

읽기 전용 접근은 한 수준의 위험을 제시한다. 메시지 전송, 재무 기록 업데이트, 코드 변경, 거래 승인 권한은 또 다른 수준의 위험을 제시한다.

기업은 기본 접근 권한 축소, 더 짧은 권한 부여 기간, 작업 수준 로그, 중요한 명령에 대한 승인 게이트를 주시해야 한다.

여기서 API 가시성은 결정적이 된다. 사용자가 브라우저에서 작업을 시작하더라도 에이전트는 흔히 API를 통해 행동한다.

보안팀은 사람의 아이덴티티, 에이전트 아이덴티티, 모델 요청, 도구 호출, 그에 따른 비즈니스 작업을 연결해야 한다. 각 구성 요소별로 분리된 로그로는 전체 의사결정을 재구성할 수 없다.

기업이 다수의 미확인 에이전트나 과도한 권한을 발견한다면 이 신호는 Akamai의 논지를 강화할 것이다. 인벤토리가 제한적이고, 모니터링되며, 의도적인 접근을 보여준다면 그 논지는 약화될 것이다.

제품 발표는 운영 데이터보다 비중을 덜 둬야 한다. 벤더들은 계속해서 AI 게이트웨이, 보안 브라우저, 모델 방화벽, 에이전트 제어 시스템을 출시할 것이다.

핵심 질문은 그러한 제품들이 행동을 바꾸는지 여부다. 미확인 계정 사용 감소와 민감한 정보 전송 감소는 배포 건수보다 더 강력한 근거가 될 것이다.

경영진은 승인된 도구에 대한 직원 만족도도 살펴봐야 한다. 낮은 사용량은 강력한 통제를 의미할 수 있지만, 직원들이 가치 있는 AI 사용 자체를 중단했다는 신호일 수도 있다.

성숙한 프로그램은 안전성과 유용성을 모두 측정한다. 관련 성과 지표에는 작업 완료율, 도입률, 오류율, 검토 시간, 정책 예외, 확인된 사고가 포함된다.

기업이 마주한 결정은 직원들이 AI를 사용할지 여부가 아니다. 이러한 행동은 이미 브라우저, 소프트웨어 제품군, 개발 환경 전반으로 확산됐다.

결정해야 할 것은 공식 시스템이 그 활동을 다시 가시적인 채널로 끌어들일 만큼 충분히 유용해질 수 있느냐다. 보안 팀은 보이지 않는 것을 관리할 수 없다.

따라서 Akamai의 경고는 직접적인 점검을 촉발해야 한다. 어떤 AI 계정이 활성화되어 있으며, 어떤 정보가 그들에게 전달되고 있고, 어떤 에이전트가 회사 시스템에서 작업을 수행할 수 있는가?

Google News에서 잘린 주장은 독자들이 “거의 절반”을 보편적인 비율로 받아들이기 전에 전체 방법론을 확인할 필요가 있다. 다만 주변의 증거는 이미 더 좁은 결론을 뒷받침한다.

기업의 AI 도입은 기존의 계정 및 애플리케이션 통제를 앞질렀다. 이 격차를 해소하는 조직은 승인된 경로를 더 쉽게 만들고, 브라우저를 계측하며, 에이전트 권한을 제한할 것이다.

이번 달에 실용적인 감사 하나부터 시작하라. 관리형 AI 세션과 개인 AI 세션을 비교해 측정하고, 민감한 정보 전송을 식별하며, 쓰기 권한을 가진 모든 에이전트를 목록화하라. 이 세 가지 관점은 AI 거버넌스가 운영에 존재하는지, 아니면 정책에만 머무는지를 드러낼 것이다.