Dropzone AI SOC 설문조사, 신뢰보다 앞선 도입 현황 보여줘
Dropzone AI는 신뢰 우려가 계속되는 가운데 자율 조사를 홍보하고 있으며, 후원한 설문조사 응답자의 38%는 AI가 완전히 운영 환경에 도입됐다고 답했다. Dropzone AI SOC 설문조사는 위협을 모니터링하고 조사하는 보안 운영 센터를 까다로운 구매 결정의 중심에 놓는다. 리더들은 민감한 정보나 중대한 결정에 대한 통제권을 넘기지 않으면서 더 폭넓은 조사 범위를 원한다.
즉각적인 소식은 11월 11일 ITPro가 보도한 Dropzone AI 국제 부사장 Brett Candon과의 인터뷰다. 기반 연구는 2026년 6월에 이뤄졌다. 이 차이는 중요하다. 이는 보안 성과에 관한 새로 완료된 11월 평가가 아니라, 도입과 운영상 한계를 둘러싼 현재의 논의이기 때문이다.
핵심 쟁점은 조사 역량 확대와 책임 있는 판단의 보존 사이에 있다. Microsoft의 보안 에이전트도 분석가의 주의를 소모하는 업무를 겨냥한다는 점에서 유용한 비교 대상이다. 기업 구매자에게 중요한 질문은 위임된 조사가 또 다른 까다로운 검토 대기열을 만들지 않으면서 신뢰할 수 있는 증거를 생산하느냐는 것이다.
Dropzone AI SOC 설문조사가 실제로 측정하는 것
이 연구는 독립적으로 검증된 보안 결과가 아니라 보고된 관행과 기대를 측정한다.
Dropzone AI는 Opinion Matters에 직원 1,000명 이상 기업의 보안 의사결정권자 750명을 대상으로 설문조사를 의뢰했다. 자사의 유럽 SOC 연구에 따르면 표본에는 영국, 프랑스, 독일에서 각각 250명의 응답자가 포함됐다. 현장 조사는 2026년 6월에 진행됐다.
응답자들은 팀이 평균적으로 경보의 55%를 완전히 조사한다고 추산했다. 국가별 평균은 영국 52%, 프랑스 56%, 독일 58%였다. 이 수치는 응답자들이 자신의 운영을 평가한 결과를 설명한다. 얼마나 많은 공격이 성공했는지, 얼마나 많은 경보가 조사를 받을 만했는지, 또는 AI가 국가 간 차이를 유발했는지는 입증하지 않는다.
따라서 상업적 주장과 이를 뒷받침하는 증거 사이에는 중요한 구분이 남는다. 조사 부족은 자동화 시장의 개연성을 만든다. 그러나 특정 제품이 그 부족을 안전하게 해소한다거나, 조사되지 않은 모든 경보가 해결되지 않은 위험을 뜻한다는 점을 입증하지는 않는다.
보안 경보는 확인된 공격이 아니라 잠재적으로 의심스러운 활동의 신호다. 일부는 서로 겹치고, 일부는 무해한 행동을 반영하며, 일부는 긴급한 주의가 필요하다. 따라서 어떤 경보가 대기열에 들어왔는지를 살피지 않은 채 완료된 조사 건수만 세면 보호 수준을 불완전하게 파악할 수 있다.
조직은 조사를 시작하기 전에 중복 경보를 제거해 조사 범위를 개선할 수 있다. 다른 조직은 단순한 사례를 자동화해 완료된 조사를 늘릴 수 있다. 또 다른 조직은 까다로운 사고에 의도적으로 더 많은 시간을 쓸 수 있다. 동일한 헤드라인 수준의 범위 지표로는 이런 운영상의 선택을 구분하기 어렵다.
이 때문에 설문조사의 비율이 구매 논거가 되기 전에 그 범위에 주목할 필요가 있다. 이 유럽 시장의 대기업은 특정한 관점을 제공한다. 이들의 응답은 더 작은 기업, 북미 조직, 또는 다른 제약 아래 운영되는 보안 팀을 자동으로 설명할 수 없다.
후원사 역시 제안한 솔루션에 직접적인 상업적 이해관계를 갖고 있다. 독립적인 조사 회사를 고용하면 연구 과정과 비공식 고객 설문을 구분하는 데 도움이 된다. 그러나 그 결과가 후원사 소프트웨어에 대한 독립 평가로 바뀌는 것은 아니다.
11월 인터뷰는 지원에서 위임된 업무로의 전환에 초점을 맞추기 때문에 조사 결과에 새로운 관련성을 부여한다. 소프트웨어가 지속적인 지시 없이 조사를 시작하면 도입은 다른 질문들을 낳는다. 그러면 구매자는 수요의 증거뿐 아니라 신뢰성, 접근 권한, 검토 노력에 관한 증거도 필요로 한다.
따라서 Dropzone AI SOC 설문조사를 방어 가능하게 해석하면 자율 보안에 대한 판정보다 범위가 좁다. 이 조사는 보고된 역량 압박과 AI에 대한 관심을 파악한다. 배포가 보호 수준을 개선하는지 확인하려면 운영 결과를 별도로 비교해야 한다.
보안 리더들은 도입만으로 해결할 수 없는 역량 문제에 직면해 있다
AI를 구매하는 것과 분석가의 대기열에서 업무를 제거하는 것은 서로 다른 운영 성과다.
ITPro의 자율 조사 보도는 응답자의 39%가 자율 조사에 AI를 사용한다고 설명한다. 또한 모든 경보를 조사한다고 답한 비율은 2%에 불과했다고 전한다. 이 응답들은 도입과 불완전한 조사 범위가 공존할 수 있음을 시사한다.
Candon은 사람들이 지속적으로 업무를 지시해야 한다면 보조 도구가 여전히 제약을 받는다고 주장한다. 그는 지속적인 지시 없이 일련의 작업을 수행할 수 있는 소프트웨어인 에이전트를 역량 확장의 방법으로 제시한다. 그의 주장은 상업적으로 관련성이 있지만, 설문조사가 에이전트가 보조 도구보다 뛰어나다는 점을 독립적으로 입증하지는 않는다.
압박은 추가 기술이 실제로 무엇을 바꾸는지 설명해야 하는 보안 리더에게 가장 직접적으로 가해진다. 승인된 구매는 기록하기 쉽다. 조사관이 시간을 되찾았는지, 불확실성을 해소했는지, 간과된 위협을 찾아냈는지를 입증하려면 더 면밀한 측정이 필요하다.
조사 요약을 작성하는 것과 그 기반 사례를 구성하는 것의 차이를 생각해 보자. 요약은 증거 수집을 그대로 둔 채 읽는 시간을 줄일 수 있다. 자동화된 조사는 그 수집의 더 많은 부분을 수행하겠다고 약속하지만, 그 결과물에는 여전히 책임자가 필요하다.
이는 업무의 잠재적 이전을 만든다. 분석가는 기록을 검색하는 시간은 줄이고 기계의 결론을 확인하는 시간은 늘릴 수 있다. 특히 결론이 충분한 근거를 갖춘 경우 이 교환은 가치 있을 수 있다. 반면 검토자가 조사가 타당한지 이해하기 위해 조사 과정을 재구성해야 한다면 매력은 떨어진다.
따라서 관련된 역량 측정치는 자동화 후에도 남는 업무다. 시스템은 방대한 대기열을 처리할 수 있지만, 분석가에게 긴 보고서, 모호한 권고, 반복적인 설명 요청을 남길 수 있다. 빠른 생성만으로는 그 부담을 해결하지 못한다.
인력 측면의 함의도 신중하게 다뤄야 한다. 후원사의 연구 요약은 대부분의 응답자가 AI 사용량과 보안 운영 인력 모두 증가할 것으로 예상한다고 말한다. 이 기대는 보강이라는 서사를 뒷받침하지만, 여전히 예측에 그친다. 입증된 인력 감축을 주장할 근거는 제공하지 않는다.
현장 분석가에게 실질적인 쟁점은 주의가 어디로 향하는가에 있다. 일상적인 수집 업무는 위임하기에 합리적인 후보가 될 수 있다. 모호한 증거, 상충하는 비즈니스 우선순위, 운영상 결과를 수반하는 결정은 여전히 숙련된 판단을 필요로 한다.
경영진에게 쟁점은 책임성이다. 사고 검토에서는 위협이 왜 놓쳤는지 또는 대응이 왜 지연됐는지를 묻게 된다. 광범위한 AI 활동을 보여주는 대시보드는 그러한 활동이 방어 가능한 결정과 연결되지 않는 한 제한적인 안심만 제공한다.
개발자와 인프라 팀에는 접근 권한 요청과 통합을 통해 압박이 나타난다. 보안 에이전트는 효과적으로 조사하려면 사용할 수 있는 기록이 필요하다. 그러한 접근 권한을 부여하면 엔지니어링 업무와 의무가 발생하며, 이는 배포 이점에 대한 모든 평가에 포함돼야 한다.
이것이 도입 수치 뒤에 놓인 즉각적인 비즈니스 과제다. 보안 리더는 자동화가 유용한 업무의 분포를 바꾼다는 점을 입증해야 한다. 그렇지 않으면 조직은 조사관이 실질적인 역량을 얻었는지 확인하지 못한 채 또 다른 시스템을 추가하게 된다.
자율 조사는 여전히 책임 있는 의사결정 경계가 필요하다
핵심 경계는 증거 수집과 환경에 대한 권한 행사 사이를 구분한다.
Candon은 Dropzone AI의 접근 방식을 읽기 전용이며 조사 전용이고, 사람은 행동에 대한 통제권을 유지하는 모델이라고 설명한다. 이는 독립적인 보안 발견이 아니라 회사가 자사 운영 모델을 설명한 것이다. 그럼에도 구매자가 검토할 수 있는 구체적인 경계를 제시한다.
Dropzone AI 자율 조사에서 이 경계는 배포 논의를 이끌어야 한다. 관련 기록을 읽을 권한은 계정을 비활성화하거나, 구성을 변경하거나, 파일을 제거할 권한과 다르다. 이 기능들을 별도로 논의할 때 제품 범주는 더 명확해진다.
그렇지 않으면 자율성은 부정확한 표현이 된다. 소프트웨어는 모든 운영 변경에 승인을 요구하면서도 독립적으로 정보를 수집할 수 있다. 또한 별도 시스템이 실행하는 행동을 권고할 수도 있다. 구매자는 조사 보고서가 나온 뒤 무슨 일이 일어나는지를 포함해 전체 흐름을 이해해야 한다.
읽기 전용 접근은 운영 위험의 일부를 해결한다. 에이전트가 시스템을 직접 변경할 수 있는 능력을 제한한다. 그러나 에이전트가 증거를 올바르게 해석하거나, 기밀성을 보존하거나, 불확실성을 유용한 방식으로 제시할 것이라는 점까지 입증하지는 않는다.
잘못된 조사는 소프트웨어가 직접 행동할 수 없더라도 인간의 결정에 영향을 미칠 수 있다. 검토자는 안심시키는 결론을 받아들이거나 무고한 활동을 상위 단계로 올릴 수 있다. 따라서 권한 경계는 소프트웨어에 부여된 권한과 함께 결과물이 의사결정 과정에 어떻게 들어가는지도 다뤄야 한다.
Microsoft는 실제 보안 워크플로에 기반한 비교 사례를 제공한다. 자사의 피싱 분류 문서는 사용자가 신고한 의심스러운 이메일을 분류하는 에이전트를 설명한다. 피싱은 자격 증명 공개와 같은 해로운 행동을 유도하기 위한 기만적 메시지를 뜻한다.
Microsoft는 이 에이전트가 분류에 대한 근거와 뒷받침 증거를 제공하고, 분석가가 피드백을 제공할 수 있게 한다고 말한다. 이는 모든 조사를 자동화한다는 주장보다 더 좁은 운영 업무다. 이는 제품 비교가 위임되는 업무에서 시작해야 하는 이유를 보여준다.
이메일 분류 워크플로와 여러 비즈니스 시스템에 걸친 조사는 서로 다른 증거, 권한, 실패 결과를 수반할 수 있다. 이를 하나의 자율성이라는 이름 아래 비교하면 그러한 차이가 가려진다. 어느 워크플로도 다른 쪽에 대한 보편적 기준을 확립하지는 않는다.
Dropzone AI 보안 운영 측면에서 경쟁상 함의는 분명하다. 설명과 권한은 제품 평가 자체에 포함된다. 구매자는 분석가가 증거를 얼마나 쉽게 검토하고, 결론에 이의를 제기하며, 누락된 출처를 식별할 수 있는지 비교할 수 있다. 이러한 속성은 자동화가 실제로 제거하는 업무량에 영향을 준다.
이는 유용한 데모가 무엇을 보여줘야 하는지도 바꾼다. 매끄러운 보고서는 표현 품질을 보여준다. 이견이 있는 사례는 시스템이 관찰된 사실과 가정을 구분하고, 의견 불일치를 관리 가능하게 만드는지 보여준다.
같은 구분은 조직의 기억에도 적용된다. 검색 가능한 지식 기반은 문서 검색을 다루지만, 보안 판단의 타당성을 입증하지는 않는다. 관련 자료를 찾는 일과 그것이 무엇을 증명하는지 판단하는 일은 여전히 별개의 책임이다.
따라서 위임된 조사에 대한 가장 강력한 근거는 명확한 역할 분담에 있다. 소프트웨어는 정해진 접근 범위 안에서 증거를 수집하고 정리한다. 불확실성을 해석하고 중대한 대응을 승인할 책임은 실명이 명시된 사람이 계속 진다.
생산성 향상 근거는 주장 범위와 일치해야 한다
제한된 작업에서 측정된 개선은 그 작업을 뒷받침할 뿐, 자율형 보안에 딸린 모든 약속을 뒷받침하지는 않는다.
도입 설문조사 외의 연구도 존재한다. 2025년 11월 공개된 프리프린트는 Microsoft의 Phishing Triage Agent와 관련해 참가자를 서로 다른 조건에 배정한 실험인 무작위 대조시험 결과를 보고한다. 피싱 분류 시험은 분석가의 생산성과 분류 정확도를 살펴본다.
논문은 에이전트 지원을 받은 분석가들이 분석가 1인당 1분 동안 정확히 식별한 악성 이메일 수가 최대 6.5배에 달했다고 보고한다. 또한 대조군 대비 판정 정확도가 77% 향상됐다고 보고한다. 이는 해당 연구가 실험 조건과 연계해 제시한 결과다.
이 근거는 유럽 설문조사와는 다른 질문에 답한다. 설문조사는 응답자들이 무엇을 배포하고 어떤 경험을 했다고 말하는지 보여준다. 시험은 정의된 워크플로에서의 성과를 평가한다. 어느 쪽도 Microsoft와 Dropzone AI 간의 직접적인 성능 비교를 확립하지는 않는다.
이 구분은 보안 구매 논거가 종종 서로 다른 수준의 근거를 넘나들기 때문에 중요하다. 관심은 도입으로, 도입은 생산성으로, 생산성은 보호 수준 향상으로 이어진다. 각 단계에는 앞선 측정치가 반드시 제공하지는 않는 정보가 필요하다.
더 빠른 분류 프로세스는 성공적인 침입 감소를 입증하지 못하더라도 가치가 있을 수 있다. 정확한 분류도 사고에 영향을 주기에는 너무 늦게 도착할 수 있다. 유용한 조사는 책임 소재나 에스컬레이션 절차가 여전히 불명확하다면 행동으로 이어지지 않을 수 있다.
반대로 광범위한 침해 감소 연구가 없다고 해서 더 좁은 범위의 생산성 결과가 무의미해지는 것은 아니다. 이는 결과의 적용 범위를 정한다. 구매자는 측정된 이점을 인정하면서도 검토된 작업과 조건을 넘어 일반화하지 않을 수 있다.
이는 더 폭넓은 워크플로가 누락된 맥락이 발생할 기회를 더 많이 만드는 Dropzone AI 자율 조사에 특히 관련된다. 에이전트는 보존 기간과 접근 규칙이 서로 다른 여러 시스템의 증거를 필요로 할 수 있다. 완전한 사례에서의 성과는 중요한 출처를 이용할 수 없을 때의 성과를 보여주지 않는다.
신뢰할 수 있는 평가는 그러한 불완전한 사례를 드러내야 한다. 누락된 기록이 명시적인 불확실성으로 이어진다면 검토자는 유용한 정보를 얻는다. 같은 공백이 자신감 있는 서술 속에서 사라진다면, 겉으로 보이는 효율성은 해결되지 않은 업무를 감출 수 있다.
집계 정확도 역시 해석이 필요하다. 대부분 일상적인 사례를 대상으로 평가된 시스템은 드물지만 중대한 사고에는 어려움을 겪으면서도 효과적으로 보일 수 있다. 구매자는 어떤 오류가 발생하는지, 그 오류가 결과를 검토하는 사람들에게 어떤 영향을 미치는지 알아야 한다.
경제적 질문도 마찬가지로 구체적이다. 수집 과정에서 절약된 시간은 검토, 통합 유지보수, 예외 처리, 수정 작업과 함께 고려해야 한다. 이러한 활동이 조직이 실제로 활용 가능한 조사 역량을 확보하는지를 결정한다.
적절한 비교 대상은 유사한 조건에서의 기존 워크플로다. 그렇지 않으면 경보 구성, 인력 또는 이용 가능한 데이터의 변화로 인해 개선 효과를 특정하기 어려워질 수 있다. 유용한 평가는 고립된 성공 수치를 제시하기보다 이러한 조건을 설명한다.
경쟁하는 주장을 평가하는 독자에게 근거 사다리는 실용적인 기준을 제공한다. 보고된 도입은 관심과 사용을 보여준다. 통제된 작업 평가는 제한된 성능 주장을 뒷받침한다. 운영 결과에는 각 단계의 한계를 명확히 밝힌 별도의 근거가 필요하다.
프라이버시와 자신감 있는 오류는 별개의 신뢰 장벽이다
신뢰에는 수용 가능한 데이터 처리와 검증을 견디는 결론이 모두 필요하다.
인터뷰는 응답자의 25%가 데이터 보안 및 프라이버시 우려를 언급했다고 전한다. 또 다른 25%는 보안 결과에 영향을 미치는 잘못된 AI 조사나 조치를 우려했다. 이러한 우려는 운영 측면에서 겹치지만, 하나를 해결한다고 다른 하나가 자동으로 해결되지는 않는다.
데이터 레지던시, 즉 정보가 처리되거나 저장되는 위치는 배포가 조직에 수용 가능한지 결정할 수 있다. 정확성은 그 결과로 나온 조사가 신뢰할 수 있는지를 뜻한다. 로컬에서 처리된 오류도 여전히 오류이며, 정확한 결과라도 수용할 수 없는 데이터 처리를 수반할 수 있다.
설문 요약은 국가별 배포 선호도의 차이도 확인한다. 이 결과는 위치와 통제 요건을 구매 제약으로 다루는 것을 뒷받침한다. 다만 한 국가 내의 모든 조직이 같은 요건을 공유한다는 사실을 확립하지는 않는다.
구매자에게 지역 호스팅에 관한 포괄적 약속은 몇 가지 실무적 질문을 남긴다. 조사 데이터에는 원본 기록, 생성된 보고서, 보존된 대화, 운영 지원 정보가 포함될 수 있다. 평가는 각 범주에 어떤 약속이 적용되는지 확인해야 한다.
이는 특정 공급업체에 대한 의혹이 아니라 제안된 배포에 관한 질문이다. 보안 조사는 여러 시스템의 정보를 하나의 보고서로 가져올 수 있으므로 중요하다. 증거를 결합하면 독자나 서비스가 그로부터 추론할 수 있는 내용도 달라진다.
정확성 문제는 다른 방식으로 발생한다. 학습된 패턴을 바탕으로 새로운 콘텐츠를 생성하는 소프트웨어인 생성형 AI는 그럴듯하지만 잘못된 진술을 제시할 수 있다. NIST는 생성형 AI 프로필에서 이 위험을 환각(confabulation)으로 식별한다.
NIST는 자동화된 결과물에 지나치게 의존하는 경향인 자동화 편향도 다룬다. 이를 보안 조사에 적용하면, 유창한 설명과 형식적인 인간 승인은 그 자체로 충분한 보호 장치가 아니라는 점을 시사한다. 이는 Dropzone AI에 대한 NIST의 평가가 아니라 분석적 함의다.
검토자는 결론 뒤의 증거를 확인할 실질적인 방법이 필요하다. 보고서가 의심스러운 로그인을 언급한다면, 권한을 가진 조사자가 기초 기록에 접근할 수 있어야 한다. 맥락이 없다면 보고서는 그 한계를 보존해야 한다.
승인 버튼의 존재만큼 승인 절차의 설계도 중요하다. 시간이나 맥락이 부족한 사람은 의미 있는 검토 없이 결과물을 수용할 수 있다. 인간의 책임을 유지하는 일은 워크플로가 책임 있는 검토를 지원할 때만 효과가 있다.
이는 역량 확대 논거와 잠재적 충돌을 만든다. 자동화 조사를 확대하면 사람의 주의를 기다리는 자료의 양이 늘어날 수 있다. 결과물이 검토자가 효율적으로 우선순위를 정하고 검증하는 데 도움이 되지 않는다면 병목은 줄어들기보다 이동할 수 있다.
따라서 Dropzone AI 보안 운영의 신뢰는 관찰 가능한 행동을 통해 평가해야 한다. 조사가 상충하는 증거를 드러내는가? 분석가는 잘못된 가정을 수정할 수 있는가? 시스템은 완료한 확인 절차와 수행하지 못한 절차를 구분하는가?
이 질문들은 리더들이 AI를 신뢰하는지에 대한 일반적 논쟁보다 더 견고한 기반 위에 논의를 올려놓는다. 조직은 더 광범위한 권한을 보류하면서 제한적인 배포를 수용할 수 있다. 실제 검토에서 나온 증거를 바탕으로 과제별로 신뢰가 형성될 수 있다.
도입이 신뢰할 수 있는 역량으로 이어지는지 보여줄 세 가지 신호
다음으로 유용한 근거는 운영 결과, 집행 가능한 통제, 그리고 사람에게 남는 업무에 관한 것이다.
향후 몇 달 동안 주목할 첫 번째 신호는 상세한 운영 평가다. 구매자는 시작 시점의 워크플로, 조사한 사례, 검토 노력, 오류를 설명하는 공개된 고객 결과를 찾아야 한다. 도입 또는 배포 건수에 관한 헤드라인은 같은 질문에 답하지 못한다.
그러한 근거는 불균형적인 검증 업무 없이 더 많은 유용한 사례가 완료됐음을 보여준다면 자율 조사에 대한 근거를 강화할 것이다. 일상적인 사례가 대부분이거나 오류 정보가 부족한 결과는 핵심 판단을 여전히 미해결 상태로 남긴다.
가장 강력한 공개는 성과가 부족한 지점도 밝힐 것이다. 지원되지 않는 데이터 출처나 반복되는 조사 실패에 대한 설명은 구매자가 적용 가능성을 이해하는 데 도움이 된다. 이러한 세부 사항을 제외한 사례 연구는 까다로운 환경을 평가하는 데 도움이 덜 된다.
두 번째 신호는 통제 및 배포 요건에서의 구체적 진전이다. 관련 제품 변화에는 더 명확한 권한 설정, 접근 가능한 조사 기록, 민감한 데이터를 위한 검증 가능한 운영 방식이 포함된다. 이러한 발전은 단순히 자율성이라는 명칭을 확대하는 대신 도입의 구체적 장애물을 해결할 것이다.
유용한 릴리스는 에이전트가 어떤 권한을 부여받고 조직이 이를 어떻게 제한하거나 철회할 수 있는지 설명할 것이다. 위치 요건을 적용받는 고객의 경우, 문서는 승인된 환경 안에 무엇이 남아 있는지 확립해야 한다. 이는 구매자가 검토할 수 있는 기능이다.
공급업체가 그에 상응할 만큼 명확한 통제 경계 없이 자동화 조치를 확대한다면 신뢰의 긴장은 더 커질 것이다. 고객이 유용한 조사 범위를 유지하면서 더 제한적인 권한을 부여할 수 있다면 점진적 도입의 근거는 더 강해질 것이다.
세 번째 신호는 배포 이후 인간 업무의 분포다. 고객 근거는 분석가가 기록 수집에 쓰는 시간을 줄이고 실질적인 위협 해결에 더 많은 시간을 쓰는지 보여줘야 한다. 또한 자동화된 결론을 확인하는 일이 그 자체로 늘어나는 대기열을 만드는지도 공개해야 한다.
이 신호는 활동 총계보다 경제적 전제를 더 직접적으로 검증한다. 더 많은 보고서를 생성하는 시스템은 산출량을 늘린 것이다. 조사자가 반복 업무를 줄이면서 방어 가능한 결정을 내리도록 돕는 워크플로는 더 의미 있는 운영 변화를 제공한 것이다.
현재로서는 Dropzone AI SOC 설문조사가 보고된 조사 격차와 자동화에 대한 관심을 확립한다. 이는 보안팀이 어느 정도의 권한을 위임해야 하는지를 결론내리지는 않는다. 다음 구매 결정은 그러한 목표를 신뢰할 수 있는 업무와 연결하는 근거에 달려 있다.
도입 수치는 방법론과 함께 읽고, 어떤 근거가 조직의 결정을 바꿀지 물어야 한다. 이미 보조 도구를 사용하는 팀이라면 위임된 조사가 수집 업무를 없애는지, 아니면 검토할 보고서만 추가하는지 살펴보라. 에이전트를 고려하는 팀이라면 부여되는 권한과 이를 확대하기 전에 필요한 근거를 확인하라. 비교 대상으로 기존 워크플로를 유지하고, 자동화 조사가 불완전했거나 잘못됐던 사례를 보존하라. 그러한 사례는 검토자가 한계가 결정에 영향을 미치기 전에 이를 인지할 수 있는지를 드러낸다. 다음 고객 연구나 제품 발표가 나오면 구체적인 질문을 던져라. 그것은 사람들이 반복 업무를 줄이면서 더 탄탄한 근거에 기반한 결정을 내렸음을 보여주는가?



