CrowdStrike, AI 도입 속도가 엔터프라이즈 보안을 앞지르고 있다고 경고

CrowdStrike는 8월 5일 Google News를 통해 강력한 경고를 내놓았다. 엔터프라이즈 AI 도입이 많은 보안팀이 충분히 빠르게 방어할 수 없는 공격 표면을 만들고 있다는 것이다. 새 연구는 공격자들이 공개 취약점을 수 시간 내에 악용하고, 신뢰받는 ID를 오용하며, AI 애플리케이션을 뒷받침하는 소프트웨어 구성 요소를 표적으로 삼는다고 설명한다.

핵심은 단순히 범죄자들이 이제 AI를 사용한다는 데 있지 않다. CrowdStrike는 AI가 현대 공격에서 도구이자 표적이며, 위협을 증폭하는 수단이 되었다고 말한다. 이 조합은 적절한 보안 통제 없이 에이전트, 코딩 어시스턴트, 클라우드 모델, 연결된 데이터 서비스를 배포하는 기업에 압박을 가한다.

더 근본적인 충돌은 배포 속도와 방어 가시성 사이에 있다. 기업은 AI 시스템을 비즈니스 데이터 및 운영 도구와 연결하기를 원한다. 그러나 이러한 연결은 공격자가 조작할 수 있는 ID, 패키지, 인터페이스, 자동화된 작업도 늘린다.

CrowdStrike의 조사 결과는 벤더가 제작한 연구이므로, 광범위한 결론은 신중히 검토할 필요가 있다. 그러나 보고된 사건들은 AI 공격 표면이 이제 프롬프트와 챗봇을 훨씬 넘어선 이유를 보여준다. 여기에는 클라우드 자격 증명, 개발자 의존성, 인증 흐름, 모델 인프라, 그리고 이를 운영하는 사람들이 포함된다.

CrowdStrike, 공격자가 AI 속도로 움직인다고 분석

CrowdStrike의 핵심 발견은 보안팀이 이제 더 많은 신뢰 시스템 전반에서 더 빠른 공격에 직면하고 있다는 점이다.

회사는 8월 3일 2026 Threat Hunting Report를 발표했다. 이 보고서는 290개가 넘는 명명된 적대 세력을 추적하는 CrowdStrike 위협 헌터와 분석가들의 현장 인텔리전스를 기반으로 한다.

위협 헌팅 조사 결과에 따르면, 한 캠페인은 2분 안에 AI 모델 서비스로 거의 20만 건의 요청을 보냈다. 이 규모는 공격자가 엔터프라이즈 AI 인프라와의 상호작용을 얼마나 자동화할 수 있는지를 보여준다.

CrowdStrike는 또한 AI 에이전트가 유발한 탐지 단서가 사람이 유발한 단서보다 2.5배 빠른 속도로 증가했다고 기록했다. 탐지 단서란 침해 발생 여부를 판단하기 전에 분석가가 조사해야 하는 의심스러운 활동이다.

이 지표가 AI 에이전트가 확인된 침해를 2.5배 더 많이 일으켰다는 뜻은 아니다. 이는 자동화 시스템이 사람 사용자보다 보안 관련 활동을 더 빠르게 생성하고 있음을 보여준다. 탐지량은 위험, 모니터링 범위 또는 둘 다를 측정할 수 있기 때문에 이 구분은 중요하다.

보안팀은 여전히 정상적인 자동화와 악의적 행위를 구분해야 한다. 승인된 에이전트는 공격과 유사한 속도로 파일을 가져오고, API를 호출하고, 레코드를 수정하거나 코드를 실행할 수 있다. 침해된 에이전트 역시 해로운 의도로 같은 작업을 수행할 수 있다.

이러한 모호성은 운영상의 문제를 만든다. 기존 보안 도구는 흔히 파일, 프로세스, ID, 네트워크 활동을 서로 분리된 신호로 평가한다. 에이전틱 시스템은 하나의 작업 중에 이러한 경계를 넘나들 수 있다.

CrowdStrike는 공격자들이 페이로드와 셸 명령을 생성하는 데도 AI를 사용하고 있다고 말한다. 페이로드는 공격 중 전달되는 코드 또는 명령 집합이다. 셸 명령은 운영체제에 특정 작업을 수행하라고 직접 지시한다.

AI는 이러한 활동의 준비 시간을 단축할 수 있지만, 접근 권한의 필요성을 없애지는 않는다. 공격자에게는 여전히 취약한 시스템, 탈취한 자격 증명, 악성 의존성 또는 조작된 사용자가 필요하다. 새로운 이점은 접근 권한과 더 빠른 실행을 결합하는 데서 나온다.

이러한 속도는 취약점 세부 정보가 공개된 뒤 가장 뚜렷하게 나타난다. CrowdStrike는 공개 PoC 코드와 관련된 관측된 악용의 88%가 코드 공개 후 48시간 안에 발생했다고 밝혔다.

PoC는 소프트웨어 결함이 악용될 수 있음을 보여주는 시연 코드다. 방어자는 이를 사용해 노출 여부를 시험하고, 공격자는 이를 실제 공격 도구로 변형할 수 있다.

VAULT PANDA와 GENESIS PANDA로 식별된 중국 연계 그룹은 공개 후 24시간 안에 의도적인 공격을 시작한 것으로 알려졌다. 이 시간 창은 주간 또는 월간 유지보수를 기반으로 한 기존 패치 일정에 거의 여유를 주지 않는다.

원 보도는 이러한 압축된 시간표를 CrowdStrike 경고의 핵심으로 제시했다. 익스플로잇 지침이 공개되면, 지연된 자산 발견은 지연된 패치만큼 위험할 수 있다.

기업은 자신들이 운영 중이라는 사실을 모르는 취약한 구성 요소를 수정할 수 없다. AI 개발은 팀이 중앙 배포 절차 없이 모델, 라이브러리, 확장 기능, 외부 서비스를 추가할 수 있기 때문에 이러한 인벤토리 문제를 더 어렵게 만든다.

이 지점에서 CrowdStrike AI 보안은 엔터프라이즈 아키텍처 문제가 된다. 이제 방어 과제에는 AI 자산을 발견하고, 권한을 매핑하며, 접근 가능한 데이터를 식별하는 일이 포함된다.

AI 보안에서 Google News의 주목이 중요한 이유

Google News의 헤드라인은 더 넓은 변화를 포착한다. 엔터프라이즈 AI는 이를 모니터링해야 할 통제 체계보다 빠르게 확장되고 있다.

"방어가 부족한 공격 표면"이라는 표현은 도입과 보호 사이의 격차를 뜻한다. 공격 표면은 적대자가 침해를 시도할 수 있는, 접근 가능한 모든 시스템, ID, 인터페이스 또는 소프트웨어 구성 요소다.

AI는 이 표면에 여러 계층을 더한다. 직원들은 외부 채팅 서비스를 사용한다. 개발자는 코딩 확장 기능과 모델 라이브러리를 설치한다. 비즈니스 팀은 이메일, 문서, 고객 기록, 협업 플랫폼에 접근할 수 있는 에이전트를 만든다.

인프라 팀도 클라우드 서비스와 애플리케이션 프로그래밍 인터페이스를 통해 모델을 배포한다. API는 소프트웨어가 다른 서비스와 요청과 데이터를 교환하도록 한다. 각각의 연결은 자격 증명, 권한, 로그, 구성 오류를 새로 유발할 수 있다.

이러한 위험은 전용 AI 환경 안에만 머물지 않는다. 기존 ID 시스템, 클라우드 워크로드, 소프트웨어 저장소, 데이터 저장소와 연결된다. 이는 AI 공격 표면을 더 넓은 엔터프라이즈 환경의 일부로 만든다.

CrowdStrike의 별도 클라우드 연구는 가시성 문제를 보여준다. 클라우드 보안 설문조사는 응답자의 47%가 이전 12개월 동안 클라우드 기반 AI 또는 머신러닝 시스템을 표적으로 한 사고나 의심스러운 활동을 경험했다고 밝혔다.

같은 설문조사는 73%가 클라우드 침입을 일관되게 탐지하지 못했다고 말한다. 또한 68%는 공격 탐지에 최소 15분이 걸렸으며, 91%는 실시간으로 이를 차단하지 못했다고 보고했다.

이 수치는 CrowdStrike의 설문조사 방법론에서 나온 것이므로, 보편적인 침해율로 해석해서는 안 된다. 그럼에도 공격 속도와 대응 시간 사이의 격차는 이 보고서가 보여주는 가장 중요한 운영상 신호다.

CrowdStrike의 2월 위협 보고서는 2025년 평균 eCrime 확산 시간이 29분으로 줄었다고 밝혔다. 확산 시간은 공격자가 처음 침해한 시스템에서 환경의 다른 부분으로 이동하는 데 걸리는 시간을 측정한다.

가장 빠르게 관측된 확산은 단 27초였다. 또 다른 침입에서는 최초 접근 후 4분 만에 데이터 유출이 시작됐다. 회사는 AI 지원 적대 세력의 활동이 연간 기준으로 89% 증가했다고도 보고했다.

이 결과들을 종합하면 두 가지 형태의 가속화가 나타난다. 공격자는 더 빠르게 작업을 준비하고 규모를 확장할 수 있으며, 침해된 계정과 자동화 시스템은 환경 내에서 더 빠르게 이동할 수 있다.

위험은 모든 AI 도구가 자동으로 침해를 만든다는 데 있지 않다. 도입 과정에서 방어자가 인벤토리를 파악하거나 관찰, 차단할 수 없는 자산과 권한이 생길 때 위험이 나타난다.

섀도 AI는 이 문제를 잘 보여준다. 이 용어는 공식 승인이나 충분한 조직적 감독 없이 사용되는 AI 도구 또는 시스템을 포괄한다. 공개 챗봇, 검토되지 않은 코딩 확장 기능, 민감한 기록에 연결된 부서별 에이전트 등이 여기에 포함될 수 있다.

승인되지 않은 모든 도구를 차단하는 것만으로는 문제를 해결하기 어렵다. 직원들은 개인 계정, 브라우저 서비스 또는 승인되지 않은 애플리케이션으로 이동할 수 있다. 그러면 가시성이 낮아지고 데이터 이동을 조사하기가 더 어려워진다.

더 나은 방어 질문은 단순히 AI 도구가 존재하는지 여부가 아니다. 보안팀은 도구가 무엇에 접근할 수 있는지, 어떤 ID가 이를 승인하는지, 자동으로 어떤 작업을 수행할 수 있는지를 알아야 한다.

이는 문서를 읽을 권한만 가진 에이전트가 한 수준의 위험을 제시하기 때문이다. 이메일을 보내고, 소스 코드를 수정하거나, 거래를 승인할 수 있는 에이전트는 잠재적 영향을 훨씬 크게 만든다.

따라서 Google News의 프레이밍은 소유권 문제를 가리킨다. 비즈니스 및 엔지니어링 팀이 보안 검토를 최종 승인 단계로 취급한다면, 보안팀은 AI 배포를 보호할 수 없다.

AI 도입은 인프라를 지속적으로 바꾼다. 거버넌스는 새 모델, 커넥터, 데이터 소스, 권한이 추가될 때마다 따라가야 한다. 정적인 정책 문서만으로는 이러한 런타임 가시성을 제공할 수 없다.

실제 상충 관계는 도입 속도와 통제 사이에 있다

시스템이 비즈니스 데이터 전반에서 작업할 수 있을 때 기업은 AI에서 더 많은 가치를 얻지만, 바로 그 권한이 침해의 결과도 키운다.

초기 엔터프라이즈 AI 실험은 흔히 고립된 프롬프트로 이루어졌다. 사용자가 텍스트를 입력하고 응답을 받은 뒤 다음 행동을 결정했다. 이러한 상호작용은 시스템이 비즈니스 운영을 직접 바꿀 수 있는 능력을 제한했다.

에이전트는 이 모델을 바꾼다. 에이전트는 컨텍스트를 유지하고, 도구를 선택하며, 서비스를 호출하고, 여러 단계의 작업을 완료할 수 있다. 더 큰 자율성은 수작업을 줄일 수 있지만, 동시에 소프트웨어에 위임되는 의사결정의 수를 늘린다.

코드 저장소에 연결된 개발자 에이전트를 생각해 보자. 이 에이전트는 프로젝트를 검사하고, 변경 사항을 생성하며, 테스트를 실행하고, 풀 리퀘스트를 열 수 있다. 이러한 작업에는 소스 코드, 의존성, 빌드 시스템, 인증 토큰에 대한 접근이 필요하다.

문서나 의존성 안에 숨겨진 악성 지시가 에이전트에 영향을 줄 수 있다. 이는 신뢰할 수 없는 콘텐츠가 AI 시스템의 행동을 다른 방향으로 유도하려 하는 간접 프롬프트 인젝션 기법이다.

에이전트는 비밀 정보를 노출하거나, 안전하지 않은 패키지를 설치하거나, 사용자가 의도한 범위를 벗어나 코드를 수정할 수 있다. 기존 엔드포인트 모니터링은 이 활동을 승인된 개발 도구가 수행한 작업으로 기록할 수 있다.

같은 긴장은 비즈니스 애플리케이션에서도 나타난다. 이메일과 클라우드 스토리지에 연결된 에이전트는 프로젝트를 요약하거나 고객 응답을 준비할 수 있다. 침해될 경우 민감한 파일을 검색하고 정보를 전송할 수도 있다.

따라서 AI 도입은 모델 과제보다 먼저 권한 과제를 만든다. 모델의 정확도도 중요하지만, 주변의 ID와 도구가 가능한 피해 범위를 결정한다.

피해 범위란 침해의 영향을 받는 시스템, 데이터, 운영을 의미한다. 고립된 챗봇은 광범위한 클라우드 권한을 가진 자율 에이전트보다 피해 범위가 작다.

CrowdStrike는 Falcon AI Detection and Response 기능을 확장하며 대응했다. 회사는 이 시스템이 프롬프트 공격, 데이터 유출, 정책 위반을 감시한다고 말한다.

AI 보안 확장은 데스크톱 애플리케이션, 엔드포인트, 클라우드 워크로드, 소프트웨어형 서비스 플랫폼을 통해 배포된 에이전트를 포괄한다. 회사는 또한 AI 애플리케이션, 로컬 모델, Model Context Protocol 서버, 개발 확장 기능을 위한 검색 도구도 설명한다.

Model Context Protocol, 흔히 MCP라고 불리는 표준은 AI 애플리케이션을 도구 및 데이터 소스와 연결하기 위한 규격이다. 이러한 연결은 에이전트를 더 유용하게 만들 수 있는 한편, 보안팀에는 인벤토리 관리가 필요한 또 하나의 통합 계층을 제공한다.

CrowdStrike는 자사 플랫폼이 발견된 AI 구성요소를 권한, 연결성, 그리고 인접한 중요 자산과 연계할 수 있다고 말한다. 이 같은 맥락은 단순히 설치된 애플리케이션 목록을 보는 것보다 더 유용하다.

그러나 이 제품 전략은 CrowdStrike의 상업적 이해관계에도 부합한다. 구매자가 AI 보안에 더 폭넓은 플랫폼 범위가 필요하다고 판단할수록 회사는 이익을 얻는다. 이 회사의 연구는 위협 인텔리전스이자 시장 포지셔닝으로 읽어야 한다.

Palo Alto Networks, Microsoft, Google Cloud 및 기타 보안 벤더도 유사한 기회를 모색하고 있다. 이들 모두 고객이 또 다른 분리된 도구가 아니라 기존 보안 플랫폼을 통해 AI 활동을 관리하도록 하려 한다.

이 경쟁은 구매자에게 실질적인 질문을 던진다. AI 보안은 별도의 제품 범주가 되어야 할까, 아니면 기존의 ID, 엔드포인트, 클라우드, 데이터 통제가 이를 흡수해야 할까?

답은 조직마다 다를 것이다. 고객 대면 에이전트를 구축하는 기업에는 모델 입력·출력, 도구, 런타임 동작을 위한 통제가 필요하다. 공개형 어시스턴트를 사용하는 기업은 데이터 유출 방지와 계정 거버넌스를 우선시할 수 있다.

그렇더라도 양측 모두 확립된 보안 관행이 필요하다. 최소 권한 접근은 각 ID의 권한을 필요한 범위로 제한한다. 강력한 인증은 계정 탈취 위험을 낮춘다. 소프트웨어 인벤토리는 취약한 종속성을 드러낸다.

AI 특화 모니터링은 또 하나의 계층을 더하지만, 이런 통제를 대체하지는 않는다. ID 관리가 취약한 조직은 AI 보안 대시보드를 구매한다고 해서 근본적인 노출 문제를 해결할 수 없다.

이것이 CrowdStrike AI 보안의 핵심 트레이드오프다. 기업은 또 하나의 파편화된 콘솔을 추가하지 않으면서 통합된 가시성을 원한다. 동시에 하나의 벤더가 모든 모델, 에이전트, ID, 데이터 경로를 관찰할 수 있다고 가정해서도 안 된다.

소프트웨어 공급망은 AI 도입을 공동 위험으로 만든다

AI 애플리케이션은 이를 구축하는 데 사용된 모든 패키지, 프레임워크, 자격 증명, 클라우드 서비스의 보안 약점을 물려받는다.

CrowdStrike의 보고서는 소프트웨어 공급망에 중요한 비중을 둔다. 소프트웨어 공급망에는 애플리케이션을 만드는 데 쓰이는 외부 패키지, 개발 도구, 빌드 서비스, 저장소가 포함된다.

현대 AI 개발은 재사용 가능한 구성요소에 크게 의존한다. 팀은 흔히 모델 클라이언트, 오케스트레이션 프레임워크, 벡터 데이터베이스, 플러그인, 오픈소스 라이브러리를 조합해 애플리케이션을 구축한다.

이는 엔지니어가 각 계층을 직접 만들 필요가 없으므로 개발 속도를 높인다. 그러나 동시에 조직 외부의 유지관리자 및 배포 시스템과 신뢰 관계를 형성하게 한다.

CrowdStrike는 2026년 상반기에 식별한 소프트웨어 레지스트리 위협의 87%가 악성 npm 패키지와 관련됐다고 밝혔다. npm은 JavaScript 소프트웨어에 널리 사용되는 레지스트리이자 패키지 관리자다.

이 회사는 북한 연계 STARDUST CHOLLIMA가 신뢰받는 Mastra AI 프레임워크 패키지 131개에 삽입된 악성 코드와 연관돼 있다고 밝혔다. CrowdStrike는 또한 ALTERED SPIDER가 하루 만에 300개가 넘는 소프트웨어 종속성을 침해했다고 말한다.

이러한 결과는 공격자가 하나의 개발 채널을 통해 얼마나 많은 표적에 도달할 수 있는지를 보여준다. 오염된 패키지는 개발자가 이를 설치하는 모든 환경에서 자격 증명을 수집할 수 있다.

AI 프로젝트는 이 접근법을 특히 매력적으로 만들 수 있다. 팀은 새 프레임워크를 자주 시험하고, 예제 명령어를 복사하며, 개발 도구에 클라우드 서비스 접근 권한을 부여한다. 빠른 실험은 검토 절차를 약화시킬 수 있다.

인기 프레임워크를 지원한다는 이유만으로 패키지가 안전해지는 것은 아니다. 팀은 여전히 게시자를 검증하고, 업데이트를 검토하며, 승인된 버전을 고정하고, 예상치 못한 동작을 모니터링해야 한다.

고정(pin)은 애플리케이션이 사용하는 정확한 종속성 버전을 명시하는 것을 뜻한다. 이는 예상치 못한 변경을 줄이지만, 이미 악성 코드가 포함된 버전을 고정한 팀까지 보호하지는 못한다.

소프트웨어 자재 명세서(SBOM)는 애플리케이션 내부 구성요소를 나열함으로써 도움이 될 수 있다. 이 인벤토리를 통해 팀은 패키지 취약점이나 침해 사실이 공개될 때 영향을 받는 시스템을 식별할 수 있다.

하지만 인벤토리만으로는 24시간의 익스플로잇 창에 대응할 수 없다. 조직에는 소유권 기록, 자동화된 노출 점검, 검증된 패치 절차, 긴급 배포 경로도 필요하다.

공격 표면은 AI 인프라 자체로도 확장된다. CrowdStrike가 보고한 약 20만 건의 요청이 관련된 캠페인은 모델 서비스가 악용 표적이 될 수 있음을 보여준다.

공격자는 탈취한 자격 증명을 이용해 컴퓨팅 리소스를 소비하거나, 악성 프롬프트를 시험하거나, 연결된 시스템을 통해 이용 가능한 정보를 가져올 수 있다. 방어자는 이런 활동을 정상적인 자동화 워크로드와 구분해야 한다.

속도 제한은 극단적인 요청 급증을 줄일 수 있지만, 이는 하나의 통제 수단일 뿐이다. 팀에는 ID 기반 모니터링, 지출 경보, 사용량 기준선, 민감한 도구에 대한 제한도 필요하다.

클라우드 환경에서는 이런 관계를 추적하기가 어렵다. AI 워크로드는 관리형 모델을 호출하고, 데이터 저장소에 접근하며, 외부 API를 호출한 뒤, 결과를 다른 서비스에 기록할 수 있다.

각 단계는 서로 다른 시스템에 로그를 생성한다. 분절된 텔레메트리는 조사자가 사고 후 연결 고리를 재구성하게 만들 수 있다.

이는 기업 지식 기반에도 명확한 접근 경계가 필요한 이유를 설명한다. 중앙화된 정보는 AI 검색을 개선할 수 있지만, 권한 설계가 부실할 경우 광범위한 에이전트 접근은 노출을 키울 수 있다.

보안팀은 모든 AI 구성요소를 동일한 위험도로 취급해서는 안 된다. 공개 자료를 처리하는 로컬 모델은 프로덕션 자격 증명을 보유한 에이전트와는 다른 우려를 낳는다.

위험 순위는 데이터 민감도, 쓰기 권한, 인터넷 노출, 자율성, 중요 시스템과의 근접성을 고려해야 한다. 이 접근법은 제한된 보안 역량을 잠재적 영향이 가장 큰 곳으로 향하게 한다.

또한 흔한 거버넌스 실패도 피할 수 있다. 금지된 도구의 긴 목록은 가장 심각한 기술적 위험을 줄이지 못한 채 컴플라이언스 활동만 만들어낼 수 있다.

더 강력한 접근법은 각 구성요소를 그것이 수행할 수 있는 작업과 연결하는 것이다. 이렇게 하면 AI 공격 표면은 추상적 우려가 아니라 ID, 종속성, 데이터 흐름의 집합으로 바뀐다.

CrowdStrike의 경고는 여전히 독립적 검증이 필요하다

이 보고서는 신뢰할 만한 메커니즘을 제시하지만, 벤더의 관찰만으로 AI가 성공적인 침해를 얼마나 자주 직접 초래하는지는 입증되지 않는다.

CrowdStrike는 광범위한 엔드포인트, 클라우드, ID, 위협 헌팅 텔레메트리에 접근할 수 있다. 이러한 가시성은 여러 고객 환경에 걸친 공격자 행위를 드러낼 수 있다.

그럼에도 이 회사는 대표 통계를 독립적으로 재현하는 데 필요한 모든 세부 사항을 공개하지 않았다. 공개 요약본은 모든 탐지 및 레지스트리 지표의 분모를 충분히 설명하지 않는다.

AI 에이전트가 촉발한 리드가 2.5배 증가했다는 수치는 특히 주의 깊게 다뤄야 한다. 리드 수 증가는 더 넓은 에이전트 배포, 향상된 탐지 범위, 더 많은 오남용 또는 여러 요인이 함께 작용한 결과일 수 있다.

탐지 리드는 확인된 침해가 아니다. 조직은 이 지표를 침해 확률로 바꾸거나, AI 에이전트가 사람보다 2.5배 더 위험하다고 주장해서는 안 된다.

AI 지원 적대적 활동에도 같은 주의가 적용된다. 연구자는 AI가 공격을 실질적으로 변화시켰는지, 아니면 공격자가 이미 수행하던 작업을 단지 지원했는지를 판단해야 한다.

모델로 스크립트를 생성하는 것은 새로운 익스플로잇 기법을 발견하는 것과 다르다. 정찰 자동화는 근본적인 접근 방식을 바꾸지 않고도 규모를 키울 수 있다.

CrowdStrike의 더 광범위한 글로벌 위협 보고서는 공격 속도가 빨라지고 있다는 주장을 뒷받침한다. 이 보고서는 eCrime 브레이크아웃 속도가 연간 65% 증가했고, 클라우드를 의식한 침해가 37% 늘었다고 밝혔다.

이러한 추세는 중요하지만, AI를 유일한 원인으로 분리해 보여주지는 않는다. 더 나은 범죄 인프라, 탈취 자격 증명, 자동화된 스캐닝, 향상된 운영 조율도 공격 시간을 줄일 수 있다.

CrowdStrike 자체에도 이러한 위험을 연결할 이유가 있다. 이 회사는 엔드포인트, 클라우드, ID, 데이터, AI 보호를 통합하도록 설계된 플랫폼을 판매한다.

그렇다고 이 회사의 결과가 거짓이라는 뜻은 아니다. 구매자는 관찰된 위협과 판매되는 통제를 연결하는 증거를 요구해야 한다는 의미다.

독립적 평가는 현실적인 조건에서 AI 보안 도구가 간접 프롬프트 인젝션, 과도한 에이전트 권한, 자격 증명 오남용, 악성 종속성을 탐지하는지 시험해야 한다.

테스트는 오탐도 측정해야 한다. 정상적인 에이전트 동작을 지나치게 자주 차단하는 통제는 사용자를 관리되지 않는 도구로 몰아가며, 다른 곳에서 가시성 문제를 재현할 수 있다.

프라이버시는 또 다른 불확실성을 만든다. 프롬프트와 AI 상호작용을 모니터링하면 직원 커뮤니케이션, 소스 코드, 고객 정보 또는 기밀 연구가 보안 플랫폼에 노출될 수 있다.

조직은 이러한 텔레메트리에 대한 명확한 보존 규칙과 접근 통제가 필요하다. 보안 모니터링은 적절한 보호 조치 없이 민감한 데이터를 새롭게 집중시켜서는 안 된다.

범위 역시 우려 사항이다. AI 워크로드는 브라우저, 데스크톱 애플리케이션, 클라우드 서비스, 로컬 컨테이너, 타사 플랫폼에서 실행될 수 있다.

단일 센서가 모든 환경을 동일하게 관찰할 수는 없다. 보안 리더는 어떤 상호작용이 보이지 않는지, 어떤 암호화 채널을 검사할 수 있는지, 어떤 에이전트 작업이 맥락 분석을 받는지 물어야 한다.

또한 계획된 기능과 일반적으로 제공되는 통제를 구분해야 한다. 제품 로드맵은 전략적 방향을 보여줄 수 있지만, 현재 노출을 줄이는 것은 실제로 배포된 기능뿐이다.

CrowdStrike의 경고를 가장 적절하게 해석하는 방식은 모든 조직에 특정 플랫폼 하나가 필요하다는 뜻이 아니다. 많은 기업이 이를 매핑하기도 전에 AI 시스템이 기존 기업 신뢰 관계에 편입되고 있다는 뜻이다.

이 주장은 보고된 패키지 침해, 인증 오남용, 클라우드 활동과 부합한다. AI만으로 사이버범죄의 전반적 변화를 설명할 수 있다는 어떤 주장보다도 타당하다.

보안팀이 다음으로 주시해야 할 사항

다음 세 가지 신호는 AI 보안 격차가 좁혀지고 있는지, 아니면 지속적인 엔터프라이즈 약점이 되고 있는지를 보여줄 것이다.

첫 번째 신호는 공개 취약점 공시 이후의 익스플로잇 속도다. CrowdStrike는 개념 증명 코드와 관련된 관찰된 익스플로잇의 88%가 48시간 이내에 발생했다고 밝혔다.

보안팀은 이 기간을 자체 자산 발견 및 조치 시간과 비교해야 한다. 공격자가 계속 하루 안에 움직인다면, 정기적인 패치 프로그램은 여전히 불충분할 것이다.

더 강력한 방어 추세에는 노출된 시스템의 더 빠른 식별과 더 신뢰할 수 있는 긴급 업데이트가 포함될 것이다. 더 긴 조치 시간은 CrowdStrike의 방어가 부족한 공격 표면 주장을 강화할 것이다.

두 번째 신호는 AI 프레임워크 전반에서 악성 종속성이 확산되는 양상이다. 보고된 131개 패키지 침해는 패키지 레지스트리를 면밀히 주시해야 하는 이유를 보여준다.

조직은 향후 캠페인이 널리 도입된 에이전트 프레임워크, MCP 통합, 모델 클라이언트, 개발 확장을 표적으로 삼는지 모니터링해야 한다. 반복적인 침해는 공격자가 AI 도구를 효율적인 유통 채널로 본다는 점을 보여줄 것이다.

방어자는 영향을 받은 애플리케이션을 신속히 식별하는 능력도 측정해야 한다. 조회에 수주가 걸리는 종속성 인벤토리는 빠르게 전개되는 캠페인에서 거의 가치가 없다.

세 번째 신호는 에이전트 보안이 독립적으로 검증된 결과를 내는지 여부다. 기업 도입이 늘어남에 따라 벤더는 더 많은 발견, 거버넌스, 런타임 모니터링 기능을 발표할 것이다.

구매자는 기능 목록만 보지 말아야 합니다. 유용한 근거로는 조사 시간 단축, 조작된 에이전트의 성공적인 차단, 데이터 유출 감소, 관리 가능한 오탐률 등이 있습니다.

이러한 지표는 CrowdStrike AI security와 경쟁 플랫폼이 겉보기에는 정상적인 행동 안에 숨은 악의적 의도를 식별할 수 있는지도 분명히 보여줄 것입니다.

개발자에게 가장 시급한 우선순위는 의존성과 자격 증명 위생입니다. 새로운 AI 프레임워크는 다른 프로덕션 소프트웨어와 동일한 검토 절차를 거쳐야 합니다.

기업 구매자에게는 권한 매핑이 우선입니다. 에이전트를 승인하기 전에 팀은 해당 에이전트가 읽는 데이터, 수정하는 시스템, 그리고 이러한 작업을 승인하는 ID를 문서화해야 합니다.

지식 근로자에게 핵심 문제는 투명성입니다. 직원들은 어떤 도구가 승인되었는지, 어떤 정보를 안전하게 제출할 수 있는지에 대한 명확한 지침이 필요합니다.

보안팀은 승인된 워크플로가 관리되지 않는 대안보다 더 쉽게 사용되도록 해야 합니다. 그렇지 않으면 제한적인 정책이 AI 활동을 기업의 가시성 밖으로 밀어낼 수 있습니다.

Google News 노출은 CrowdStrike의 주장에 더 넓은 청중을 제공하겠지만, 관심만으로는 격차를 해소할 수 없습니다. 조직에는 자산 목록, 에이전트 권한, 의존성 기록, 대응 시간 등 자체 환경에서 얻은 근거가 필요합니다.

실무적인 질문은 명확합니다. 보안팀이 AI 시스템을 파악하고, 그 권한을 이해하며, 공격자가 자동화를 접근 권한으로 전환하기 전에 이를 차단할 수 있습니까? 답이 여전히 불분명하다면, 그 불확실성 자체를 현재 진행 중인 보안 발견 사항으로 취급해야 합니다.