Daylight 펀딩, 인간 감독이 있는 AI를 뒷받침
Daylight는 2026년 11월 10일, 여전히 인간의 엔지니어링 역량과 판단에 의존하는 AI 보안 에이전트를 지원하기 위해 8,000만 달러의 신규 투자를 유치했다고 발표했다. Daylight 펀딩의 핵심은 실용적인 역할 분담에 있다. 소프트웨어가 일상 업무를 처리하고, 사람은 그 운영을 관리한다.
이 같은 구조는 더 유능한 에이전트가 필연적으로 인간 개입을 줄인다는 가정에 도전한다. 도구를 활용해 작업을 수행하는 소프트웨어인 AI 에이전트는 모든 중대한 결정을 직접 맡지 않으면서도 조사 속도를 높일 수 있다.
Microsoft는 자사의 보안 에이전트 역시 권한 및 감독 체계 안에서 작동한다는 점에서 유용한 비교 기준을 제공한다. 기업 구매자에게 이 비교는 구체적인 질문을 던진다. 전문성은 누가 제공하며, 자동화 작업에 문제가 생겼을 때 최종 책임은 누가 지는가?
Daylight 펀딩, 인간이 관리하는 서비스 확대
Series B funding는 Goldman Sachs Alternatives의 Growth Equity가 주도했으며, 신규 투자자인 Okta Ventures도 참여했다. 이번 발표로 Daylight의 누적 투자 유치액은 1억 2,000만 달러가 됐다.
이번 투자는 인간의 판단을 없애겠다는 약속이 아니라 자동화와 전문가 노동을 결합한 보안 서비스를 뒷받침한다.
Daylight는 조달 자금을 미국 내 확장, 추가 해외 시장 진출, 제품 개발, 엔지니어 채용에 사용할 계획이라고 밝혔다. 따라서 이번 투자는 소프트웨어 개발과 서비스 제공에 필요한 인력 모두를 지원한다.
투자자들이 무엇에 자금을 대는지 해석할 때 이 조합은 중요하다. 보안 플랫폼은 고객이 구성, 운영, 평가를 책임지도록 하면서 역량에 대한 접근 권한을 판매할 수 있다. 관리형 서비스는 이러한 운영 업무를 더 많이 맡는다.
Daylight의 투자 논리는 이러한 책임을 결합하는 방식이 고객에게 더 나은 결과를 낳는지에 일부 달려 있다. 관련 결과에는 단순히 기반 모델의 정교함이 아니라 경보가 발생한 뒤 완료되는 업무도 포함된다.
경보는 공격 발생의 증거가 아니라 평가가 필요한 신호다. 이를 방어 가능한 대응으로 전환하려면 증거, 맥락, 그리고 허용 가능한 업무 중단 수준에 관한 결정이 필요하다.
자동화는 그러한 증거 수집을 도울 수 있다. 인간 엔지니어는 증거가 충돌하거나 사업 우선순위가 바뀌거나 낯선 상황이 발생할 때 시스템이 어떻게 행동해야 할지 결정할 수 있다.
이번 투자 발표만으로 이러한 관계가 모든 고객에게 얼마나 효율적으로 작동하는지는 확인되지 않는다. 다만 인간 전문성이 비상 상황의 최후 수단으로만 등장하는 것이 아니라 서비스 안에 포함된다는 점은 보여준다.
투자자에게도 이 구분은 중요하다. 소프트웨어는 여러 고객에게 유용한 업무를 반복할 기회를 만든다. 전문가의 개입은 표준화된 방식으로 처리하기 어려운 차이를 수용하는 방법을 제공한다.
엔지니어가 반복되는 문제를 재사용 가능한 개선으로 전환할 때 이 두 목표는 서로를 강화할 수 있다. 반대로 신규 고객마다 상당한 맞춤 작업이 필요하다면 긴장을 초래할 수도 있다.
따라서 상업적 쟁점은 AI가 위협을 조사할 수 있는지보다 더 구체적이다. Daylight가 까다로운 사례에 충분한 전문가의 주의를 유지하면서 서비스 제공을 확장할 수 있는지가 핵심이다.
고객에게 이번 투자 유치는 재무적 지원의 증거를 제공한다. 그러나 조사 품질, 계약상 책임, 비정상적 상황에서의 회복력을 독립적으로 입증하지는 않는다.
이러한 구분은 투자 소식을 적절한 맥락에 둔다. 자본은 역량과 실험을 지원할 수 있지만, 구매자는 운영 모델이 신뢰할 수 있는 결과를 제공한다는 증거를 여전히 필요로 한다.
Daylight 펀딩 발표는 회사가 지향하는 방향을 더 분명히 한다. 이 회사의 에이전트는 사람이 관리하는 서비스의 일부이며, 확장은 그러한 구조가 얼마나 잘 확장되는지를 시험하게 될 것이다.
압박은 보안 구매자에게 향한다
보안 책임자는 자동화가 업무를 없애는지, 아니면 업무를 다른 검토 대기열로 옮기는지를 판단해야 한다.
이는 Daylight와 같은 서비스가 만드는 즉각적인 압박이다. 시스템은 조사 요약을 빠르게 생성할 수 있지만, 누군가는 여전히 그 출처와 결론을 확인해야 한다.
검토를 위해 전체 조사를 다시 구성해야 한다면 겉보기의 시간 절감 효과는 줄어든다. 증거가 체계적이고 추적 가능한 형태로 제공된다면, 검토자는 논쟁의 여지가 있거나 중요한 부분에 집중할 수 있다.
이 차이는 기업 구매자가 무엇을 산정해야 하는지를 바꾼다. 완료된 요약은 활동 지표다. 더 적은 총 노력으로 올바른 결정을 내리는 것은 성과 지표다.
위협을 모니터링하고 대응하는 팀인 보안 운영 센터는 산출량만으로 자동화를 평가할 수 없다. 신뢰성이 불분명하다면 더 많은 산출물은 또 다른 업무량이 될 수 있다.
이 우려는 현장 분석가를 넘어선다. 보안 관리자는 숙련된 직원이 복잡한 조사에 더 많은 시간을 쓰게 되는지, 아니면 일상적인 자동화 작업을 수정하는 데 시간을 쓰게 되는지 알아야 한다.
경영진은 운영상 이점에 관한 신뢰할 수 있는 설명을 필요로 한다. 조달팀은 제공업체가 어떤 책임을 수용하고 어떤 책임이 고객에게 남는지 이해해야 한다.
이번 투자 유치는 서비스 제공업체에도 압박을 가한다. AI 인터페이스를 추가한다고 해서 그 뒤의 조사가 자동으로 개선되는 것은 아니다. 구매자는 서비스가 누가 업무를 수행하는지, 결과가 어떻게 의사결정권자에게 전달되는지를 바꾸는지 물을 수 있다.
독립형 소프트웨어 공급업체가 받는 압박은 다르다. 그들의 도구는 고객이 구성하고 감독하는 데 필요한 노력을 정당화할 만큼 충분한 가치를 제공해야 한다.
어떤 제공 모델도 정의상 승리하지는 않는다. 확립된 보안 엔지니어링 역량을 가진 고객은 직접적인 통제를 선호할 수 있다. 다른 조직은 자동화와 함께 외부 전문성에 접근하는 가치를 더 높게 평가할 수 있다.
가장 유용한 비교 기준은 배포 후 고객에게 남는 업무량이다. 여기에는 통합 유지보수, 정책 변경, 까다로운 에스컬레이션, 불확실한 결과의 검증이 포함된다.
문서화된 Daylight 고객 사고가 아닌, 설명을 위한 계정 탈취 조사 사례를 생각해 보자. 시스템은 비정상적인 로그인을 식별하고 관련 활동을 수집하지만, 해당 계정은 긴급한 업무 프로세스를 처리하는 직원의 계정이다.
접근을 중단하면 위협을 차단할 수 있다. 하지만 정당한 업무를 중단시킬 수도 있다. 이 두 가능성 중 하나를 판단하려면 보안 증거와 해당 계정의 사업상 역할에 대한 이해가 모두 필요하다.
자동화된 권고는 의심을 뒷받침하는 근거와 아직 알려지지 않은 사항을 설명할 때 더 유용해진다. 이러한 구분 없는 단정적인 권고는 검토 업무를 늘릴 수 있다.
따라서 구매자의 문제는 단순히 사람과 소프트웨어 중 하나를 선택하는 것이 아니다. 증거 수집, 판단, 승인, 실행을 명확히 배분하는 구조를 선택하는 일이다.
문서화는 이 구조의 일부가 된다. 검색 가능한 지식 기반은 엔지니어가 시스템 소유권과 이전 결정을 찾는 데 도움을 줄 수 있지만, 운영 통제를 대체할 수는 없다.
Daylight의 접근 방식은 제공업체의 엔지니어를 이 책임 사슬 안에 둔다. 이는 서비스에 대한 기대를 높인다. 고객은 이들 엔지니어가 어디에서 개입하며, 그 개입이 무엇을 바꾸는지 확인할 필요가 있다.
인간 감독은 에이전트의 행동을 바꿔야 한다
Daylight는 에이전트가 일상적인 보안 운영을 수행하는 동안 이를 맞춤 설정하고 관리하는 엔지니어를 설명한다. 고객은 완전 관리형 서비스를 이용하거나, 내부 팀과 책임을 분담하거나, 함께 배치된 엔지니어와 협업할 수 있다.
인간 감독은 에이전트가 완성한 서사를 단순히 검토하는 데 그치지 않고 권한, 에스컬레이션 규칙 또는 결정을 바꿀 때 운영상 가치를 갖는다.
이러한 제공 방식은 서로 다른 경계를 시사한다. 완전 관리형 고객과 확립된 내부 팀을 보유한 고객은 동일한 책임을 유지한다고 가정해서는 안 된다.
“인간 감독”이라는 용어만으로는 이러한 차이를 해결할 수 없다. 구매자는 그것이 지속적인 서비스 엔지니어링, 특정 조치의 승인, 조사 검토 또는 이들의 조합을 의미하는지 이해해야 한다.
엔지니어는 사고 이전에 에이전트가 접근하고 실행할 수 있는 범위를 정의함으로써 에이전트에 영향을 미칠 수 있다. 이러한 예방적 역할은 완료된 대응이 적절했는지 확인하는 일과 다르다.
사고 중에는 엔지니어가 모호성을 해소하거나 추가 증거를 요청할 수 있다. 이후에는 같은 사람이 정책을 수정하고 반복되는 약점을 바로잡는 데 도움을 줄 수 있다.
이러한 단계는 구분된 상태로 유지돼야 한다. 한 단계를 잘 수행하는 제공업체가 다른 모든 단계에서도 동등한 강점을 입증한 것은 아니다.
같은 구분은 에이전트의 권한에도 적용된다. 기록을 읽는 것, 조치를 권고하는 것, 계정을 변경하는 것은 서로 다른 결과를 수반한다. 하나를 수행할 권한이 다른 권한까지 암묵적으로 의미해서는 안 된다.
설명을 위한 탈취 계정 시나리오에서는 합의된 규칙에 따라 증거 수집이 자동으로 진행될 수 있다. 계정과 상황에 따라 업무 중단을 초래하는 대응에는 추가 승인이 필요할 수 있다.
이는 Daylight의 구체적인 승인 설정에 대한 주장이 아니라 거버넌스 경계에 관한 분석적 사례다. 그 목적은 고객이 무엇을 검증해야 하는지 보여주는 데 있다.
Microsoft의 security agent controls는 관련 비교 기준을 제공한다. 해당 문서는 범위가 정해진 조치, 구성된 ID, 접근 제어, 인간 감독을 설명하는 한편 생성된 출력이 부정확할 수 있다고 경고한다.
따라서 Microsoft와 Daylight를 인간 대 기계라는 구도의 양극단으로 제시해서는 안 된다. 의미 있는 차이는 각 서비스가 운영 업무와 감독을 어떻게 배분하는지에 있다.
제품 플랫폼은 구성 프레임워크 안에서 고객에게 기능을 제공한다. 관리형 서비스는 제공업체의 운영 책임을 추가하며, 정확한 경계는 계약에 따라 달라진다.
이 비교는 또한 인간의 개입 자체가 고유한 기술적 이점은 아닌 이유를 설명한다. 더 강한 주장은 그 개입의 품질, 가용성, 효과성에 관한 것이어야 한다.
구매자는 에이전트가 상충하는 증거를 마주할 때 어떤 일이 일어나는지 설명받아야 한다. 또한 누가 그 활동을 중단할 수 있는지, 잘못된 조치가 어떻게 되돌려지는지도 이해해야 한다.
읽기 쉬운 설명은 도움이 되지만 증거를 대체하지는 못한다. 에이전트는 환경에 대한 불완전한 관점에 의존하면서도 일관된 설명을 제시할 수 있다.
유용한 감독은 이러한 불완전성을 드러내야 한다. 불확실한 결론이 운영 조치가 되기 전에 불확실성을 보이게 해야 한다.
결과적으로 Daylight 펀딩 이야기는 자동화 전략만큼이나 서비스 경계에 관한 이야기다. 인간 엔지니어는 에이전트가 행동하는 조건을 누군가 정의하고 유지해야 하기 때문에 여전히 중심적인 역할을 맡는다.
Aura는 맥락을 더하지만, 맥락에도 경계가 필요하다
독립적인 투자 보도에 따르면 Daylight의 Aura 플랫폼은 자연어 조사와 중앙화된 보안 정보를 지원한다. 회사는 기업 AI 시스템과 관련된 위험에 대한 대응 범위도 설명하고 있다.
그러한 위험에는 AI 시스템이 처리하는 자료에 삽입된 악의적 지시인 프롬프트 인젝션이 포함된다. 또한 AI 시스템이 도구와 정보에 접근할 수 있게 하는 연결인 위험한 Model Context Protocol 통합도 포함된다.
증거를 결합하는 것은 시스템이 관찰된 사실, 외부 콘텐츠, 승인된 지시 사이의 경계를 보존할 때에만 조사에 도움이 된다.
이 구분은 AI 시스템이 다른 AI 시스템과 관련된 활동을 조사할 때 특히 중요하다. 콘텐츠는 공격의 증거가 될 수 있지만, 조사자에게 내려지는 지시가 되어서는 안 된다.
예를 들어 의심스러운 문서에는 어시스턴트의 방향을 바꾸려는 문구가 포함될 수 있다. 보안 시스템은 해당 문구의 권한을 받아들이지 않으면서도 이를 검토해야 한다.
이는 설명을 위한 위험 시나리오일 뿐, 공개된 Daylight의 실패 사례는 아니다. 더 많이 연결된 데이터가 자동으로 더 안전한 결정을 만들어내지는 않는 이유를 보여준다.
맥락의 이점은 고립된 사건도 함께 검토할 때 의미를 얻을 수 있다는 점이다. 비정상적인 요청은 예상치 못한 계정이나 민감한 리소스와 연결되기 전까지는 무해해 보일 수 있다.
그에 상응하는 위험은 관련 없는 정보에 지나치게 큰 비중이 부여될 수 있다는 것이다. 일치하는 시점, 유사한 표현 또는 공통 계정이 항상 인과관계를 입증하는 것은 아니다.
따라서 조사는 결론이 증거에서 어떻게 도출되는지를 보여줘야 한다. 독자는 직접 관찰한 사실과 그럴듯한 설명을 구분할 수 있어야 한다.
이 요건은 인간 분석가와 AI 에이전트 모두에 동일하게 적용된다. 자동화는 결론이 후속 워크플로로 빠르게 전달될 수 있으므로, 그 구분을 명확히 유지하는 일이 더욱 중요해진다.
중앙화된 정보는 또 다른 경계, 즉 누가 어떤 기록을 볼 수 있는지의 문제를 제기한다. 폭넓은 조사 관점의 유용성이 민감한 직원 또는 비즈니스 정보에 관한 의무를 없애지는 않는다.
따라서 Aura를 평가하는 고객은 조사 역량과 함께 접근 권한 체계를 검토해야 한다. 편리한 쿼리 인터페이스는 적절한 권한 구조 안에서만 가치가 있다.
자연어 접근 방식은 사용자가 질문을 표현하는 방식도 바꾼다. 느슨하게 작성된 요청에는 조사 대상 계정, 기간 또는 행위에 관한 모호함이 숨겨질 수 있다.
시스템의 응답은 그러한 가정을 검토할 수 있도록 제시해야 한다. 그렇지 않으면 다듬어진 답변이 원래 질문이 뒷받침하지 않는 확신을 부추길 수 있다.
비즈니스 환경은 변화하기 때문에 여기서 인간의 엔지니어링이 중요하다. 정상적인 통합이 새로운 권한을 얻을 수도 있고, 시스템 소유자가 바뀔 수도 있으며, 일시적 예외가 더 이상 유효하지 않게 될 수도 있다.
유용한 맥락을 유지하려면 데이터 소스를 한 번 연결하는 것만으로는 부족하다. 시스템의 이해가 보호 대상 환경과 여전히 일치하는지에 지속적으로 주의를 기울여야 한다.
Daylight에 이는 까다로운 서비스 의무를 만든다. 연결된 플랫폼의 가치는 고객과 위협이 변화함에 따라 엔지니어가 신뢰할 수 있는 맥락을 유지할 수 있는지에 부분적으로 달려 있다.
다음 질문은 회사의 성과 주장이 그러한 지속적 작업을 포착하는지 여부다. 속도만으로는 답할 수 없다.
더 빠른 대응 주장은 중요한 질문을 남긴다
Daylight는 기존 관리형 보안 제공업체보다 대응이 최대 10배 빨라질 수 있다고 주장한다. 자금 조달 보도는 이 수치가 회사가 보고한 것이며 독립적으로 검증되지 않았음을 명시적으로 밝힌다.
최대 속도 향상은 구매자가 자사 사고 전반에서 무엇을 기대해야 하는지를 알려주지 않는다.
“최대”라는 표현은 보고된 최고 결과를 설명한다. 이는 일반적인 결과, 보장된 성과 또는 조사의 모든 단계에서의 개선을 입증하지 않는다.
대응 시간에는 정의된 시작 시점도 필요하다. 경보 생성 시점부터 측정한 간격은 제공업체가 사례를 접수한 뒤부터 측정한 간격과 다를 수 있다.
종료 시점도 그만큼 중요하다. 권고안을 발행하는 것, 계정을 차단하는 것, 위협이 차단되었음을 확인하는 것은 서로 다른 이정표다.
유용한 비교를 위해서는 평가 대상 서비스 전반에 일관된 정의가 필요하다. 그렇지 않으면 더 빠르게 보고된 간격이 단지 다른 측정 경계를 반영할 수 있다.
사고의 난이도도 결과에 영향을 미칠 수 있다. 일상적인 사례와 익숙하지 않은 공격을 자동화가 잘 작동하거나 어려움을 겪는 지점을 가리는 방식으로 섞어서는 안 된다.
이는 주장을 평가하기 위한 질문이지, 그 주장이 거짓이라는 증거는 아니다. 현재 공개된 발표만으로는 이를 해소할 충분한 세부 정보가 제공되지 않는다.
검증에 필요한 노력은 또 다른 복잡성을 더한다. 빠른 자동화 결론도 고객이 수용하기 전에 상당한 인간 작업을 필요로 할 수 있다.
20명의 실무자 인터뷰를 바탕으로 한 보안 운영 연구는 이러한 긴장 관계를 설명한다. 참여자들은 텍스트 비중이 높은 업무에서 유용한 지원을 받았다고 보고하면서도, 모델 출력을 검증이 필요한 자료로 취급했다.
이 연구는 질적 연구이며 Daylight를 평가하지 않는다. 이는 체감된 유용성과 중대한 의사결정을 위한 준비 상태가 별개의 문제라는 더 제한적인 주의를 뒷받침한다.
이 구분은 더 적은 인력으로 운영할 수 있다는 주장에 대한 모든 평가에 반영되어야 한다. 일상 업무량을 줄인다고 해서 조직이 사고 대응에 관여하는 모든 역할을 안전하게 없앨 수 있다는 뜻은 아니다.
일부 책임은 조사 속도보다 비즈니스 권한과 관련된다. 누군가는 운영 중단이 수용 가능한지 결정하고, 영향을 받는 팀과 소통하며, 그 결과에 책임을 져야 한다.
서비스 계약에 따라 Daylight의 엔지니어는 그러한 프로세스에 참여할 수 있다. 그들의 참여가 모든 조직적 책임을 제공업체로 자동 이전하는 것은 아니다.
회사가 보고한 매출 성장에도 맥락이 필요하다. 성장은 수요를 나타낼 수 있지만 수익성, 유지율 또는 서비스 제공 비용을 입증하지는 않는다.
전문 엔지니어를 포함하는 서비스는 고객이 확대됨에 따라 충분한 역량을 유지해야 한다. 구매자는 수요가 급증하는 기간에 복잡한 사례가 충분한 관심을 받는지 살펴봐야 한다.
이것이 핵심적인 확장 불확실성이다. 자동화는 반복적인 노력을 줄일 수 있지만, 맞춤화와 어려운 조사는 계속해서 경험 있는 인력을 필요로 한다.
그 균형의 품질은 자금 조달만으로 추론할 수 없다. 일상적인 사례와 시스템이 불확실성에 직면하는 상황을 포함한 서비스 제공의 증거가 필요하다.
기업 구매자에게 Daylight의 자금 조달 발표는 제품을 검토할 이유가 된다. 이는 증거의 품질, 감독 체계 및 계약상 책임을 평가하는 일을 대체하지 않는다.
다음 증거는 감독이 어떻게 확장되는지 보여줘야 한다
가장 강력한 후속 증거는 대응 품질, 전문가 업무량, 고객 결과를 연결할 것이다.
향후 몇 달 동안 주목해야 할 첫 번째 신호는 더 자세한 성과 비교다. 유용한 증거는 평가된 사례, 측정 경계 및 결과에 포함된 작업을 정의할 것이다.
검토에 필요한 노력까지 포함하는 비교는 자동화가 전체 운영 부담을 줄인다는 주장을 강화할 것이다. 초기 답변을 생성하는 데만 한정된 비교는 더 좁은 주장을 뒷받침할 것이다.
이 구분이 모든 고객 환경이 동일해야 한다는 뜻은 아니다. 개선이 어디에 적용되고 불확실성이 어디에 남는지 이해할 수 있을 만큼의 방법론적 세부 정보가 필요하다는 뜻이다.
두 번째 신호는 거버넌스에 대한 가시성 확대다. 제품 문서나 고객 사례는 권한, 에스컬레이션, 승인 및 시정 조치가 실제로 어떻게 작동하는지 설명해야 한다.
구체적인 사례는 인간의 역할을 더 쉽게 평가하게 해줄 것이다. 구매자는 엔지니어가 시스템의 행동을 개선하는지, 아니면 에이전트가 미완으로 남긴 업무를 주로 떠안는지 확인해야 한다.
명확한 경계는 Daylight의 서비스 주장을 강화할 것이다. 일상적인 조사가 더 빨라지더라도 중대한 조치를 누가 승인하는지에 대한 지속적인 모호함은 신뢰를 약화시킬 것이다.
세 번째 신호는 배포가 성숙함에 따라 고객으로부터 나오는 증거다. 자세한 사례는 서비스가 무엇을 맡았고, 무엇이 내부에 남았으며, 배포 후 그 분담이 어떻게 변했는지를 보여줘야 한다.
실명이 공개된 고객은 운영 결과를 드러내지 않고도 상업적 도입을 입증할 수 있다. 더 충실한 설명은 분석가가 시간을 확보했는지, 어려운 사례가 충분한 관심을 받았는지를 설명할 것이다.
배포 범위가 넓어져도 서비스 품질이 유지된다는 증거는 확장 논리를 뒷받침할 것이다. 검토 적체가 늘어나거나 고객의 개입이 과도하다는 증거는 이를 복잡하게 만들 것이다.
이러한 신호들 가운데 어느 것도 완전한 자율성을 약속할 필요는 없다. 오히려 필요한 인간 개입을 명확히 설명하면 제품을 더 쉽게 평가할 수 있다.
관련된 질문은 제공업체가 수용한 업무에 대한 책임을 유지하면서 전문가 시간을 효율적으로 활용하는지 여부다. 이는 에이전트가 수행하는 업무 수를 세는 것보다 더 유용한 기준이다.
엔지니어링 팀에도 내부 자동화에 동일한 기준이 적용된다. 시스템은 추적 가능한 증거, 적절한 권한, 그리고 정보가 불충분할 때 예측 가능한 에스컬레이션을 통해 신뢰를 얻는다.
경영진에게 이 자금 조달은 Daylight의 자원과 확장 역량을 변화시킨다. 더 어려운 평가는 소프트웨어와 전문가 서비스의 결합이 수요 증가에 따라 계속 신뢰할 만한 상태를 유지하는지에 관한 것이다.
Daylight의 자금 조달은 회사가 그 모델을 추진할 여지를 제공한다. 다음 공개 정보는 운영 경계와 결과를 더 쉽게 검토할 수 있게 해야 한다.
이번 라운드를 자율 보안 부서의 증거로 받아들이기 전에, 실제 업무 분담으로 돌아가야 한다. 에이전트가 어떤 조사를 완료하는지, 엔지니어가 어떤 결정을 유지하는지, 각 권고에 어떤 증거가 수반되는지 물어야 한다. 그런 다음 검증과 에스컬레이션을 포함해 배포 전후에 고객에게 요구되는 노력을 비교해야 한다. 향후 성과 주장은 측정 방법과 함께 읽고, 일상적인 성공 사례만큼 어려운 사고도 명확히 설명하는 고객 사례를 찾아야 한다. 유용한 질문은 사람이 여전히 참여하는지 여부가 아니다. 그 참여가 자동화된 보안 업무의 신뢰성을 높이는 동시에 이를 구매하는 조직의 부담을 줄이는지 여부다.



