Exaforce AI Security, 불량 에이전트를 위한 킬 스위치와 함께 출시
Exaforce는 9월 15일 Exaforce AI Security를 출시하며 분명한 약속을 내걸었다. 불량 에이전트를 찾아내고, 그 행동이 침해 사고로 이어지기 전에 차단하겠다는 것이다. 이번 출시로 Exaforce의 기존 보안 운영 플랫폼에는 에이전트리스 탐지, 위험 분석, 런타임 탐지, 에이전트 킬 스위치가 추가됐다.
중요한 변화는 AI 사용을 추적하는 대시보드 하나가 더 생긴 데 있지 않다. Exaforce는 보안팀이 에이전트의 행동을 그 배후의 직원, 기기, 자격 증명, 파일, 클라우드 리소스와 연결할 수 있도록 하려 한다. 에이전트는 각각만 보면 정당해 보이는 행동들을 수행하면서도, 전체적으로는 위험한 연속 행위를 만들 수 있기 때문에 이런 상관관계 분석이 중요하다.
Exaforce는 이미 Microsoft, Cisco, Palo Alto Networks가 에이전트 탐지와 런타임 제어를 위한 경쟁 접근법을 제공하는 시장에 진입했다. 차별점은 기존 통합과 엔드포인트 텔레메트리를 활용하는 에이전트리스 모델이다. 핵심 질문은 이 모델이 자동화된 개입을 정당화할 만큼 악의적 의도를 정확하게 식별할 수 있는지다.
Exaforce AI Security, 에이전트의 행동을 하나의 사고로 연결
이번 출시는 AI 에이전트의 행동을 고립된 로그 항목들의 집합이 아니라 연결된 연속 행위로 다룬다.
Exaforce AI Security는 회사의 자체 운영 플랫폼과 관리형 탐지·대응 서비스에서 정식 출시됐다. 회사의 출시 세부 정보는 AI 활동 탐지, 위험한 구성 식별, 에이전트 운영 중 위협 탐지라는 세 가지 주요 기능을 설명한다.
탐지 범위에는 AI 애플리케이션, 데스크톱 에이전트, 모델 사용량, Model Context Protocol 서버, 스킬, 플러그인, 관련 자격 증명이 포함된다. 일반적으로 MCP로 줄여 부르는 Model Context Protocol은 AI 시스템이 외부 도구 및 데이터 소스에 연결할 수 있게 하는 표준이다.
이 플랫폼은 모델 제공업체, SaaS 서비스, 생산성 제품군, ID 시스템의 API를 사용하는 것으로 알려졌다. 또한 Exaforce가 이미 수집하는 엔드포인트 탐지·대응 데이터를 분석한다. 이 설계에 따라 고객은 새 기능만을 위해 또 다른 엔드포인트 에이전트를 설치할 필요가 없다.
Exaforce는 기기에서 AI 에이전트를 다른 프로세스와 구별할 수 있다고 말한다. 이어 해당 프로세스를 직원 ID, 사용 중인 기기, 그 직원에게 부여된 권한과 연결한다.
플랫폼은 에이전트가 연 셸, 읽은 파일, 접속한 외부 주소를 포함한 후속 활동을 추적할 수 있다. 또한 민감한 정보, 의심스러운 의도, 프롬프트 인젝션, 비정상적인 사용 패턴을 찾기 위해 모델 제공업체 로그와 AI 채팅 세션도 모니터링한다.
이러한 맥락은 에이전트 그래프로 이어진다. 그래프는 직원, 에이전트, AI 애플리케이션, OAuth 권한 부여, 자격 증명, MCP 서버, 파일, 접근 가능한 리소스를 연결한다. OAuth 권한 부여는 애플리케이션이 사용자의 비밀번호를 받지 않고도 다른 서비스에 접근할 수 있게 하는 위임 권한이다.
이 접근법은 실무적인 로깅 문제를 다룬다. 에이전트는 대개 이를 실행한 사람의 자격 증명을 통해 동작한다. 따라서 클라우드 감사 로그에는 권한이 있는 직원이 파일을 읽거나, 키를 교체하거나, 코드를 업데이트한 것으로 표시될 수 있다.
각 행동은 개별적으로 검토하면 허용 가능한 것으로 보일 수 있다. 위험은 시스템이 행동들을 연결하고 비정상적인 진행 양상을 식별한 뒤에야 드러난다.
에이전트는 브라우저 쿠키를 읽고, 저장된 세션을 이용해 클라우드 서비스에 접근한 뒤, 익숙하지 않은 도메인으로 데이터를 전송할 수 있다. 기존 도구는 각 단계를 모두 기록할 수 있지만, 이 단계들이 하나의 사고를 이룬다는 점을 인식하지 못할 수 있다.
Exaforce는 자사의 지식 그래프가 ID, 엔드포인트, 클라우드, SaaS, 코드, AI 제공업체 정보를 결합한다고 말한다. 이후 탐지 모델은 전체 연속 행위를 해당 ID의 정상적인 행동 패턴과 비교해 평가할 수 있다.
회사는 보안팀에 대응 자율성에 관한 선택권도 제공한다. 조직 정책에 따라 조치에는 분석가 승인이 필요할 수 있고, 자동으로 실행될 수도 있으며, 그 중간 형태로 설정될 수도 있다.
독립 출시 보도에 따르면 대응 옵션에는 세션 해지, 모델 제공업체 키 비활성화, 기기 격리, 에이전트 프로세스 종료가 포함된다. Exaforce는 이러한 조치를 “에이전트 킬 스위치”라는 용어로 묶는다.
이 명칭은 하나의 범용 종료 버튼처럼 들린다. 실제로는 에이전트를 지원하는 리소스 전반에 적용되는 여러 격리 조치의 집합이다.
프로세스는 종료할 수 있지만, 동일한 워크플로는 자격 증명을 유지하거나 다른 곳에서 다시 시작될 수 있다. 따라서 효과적인 격리에는 프로세스, 세션, 키, 기기, 연결된 서비스에 대한 조율된 제어가 필요하다.
불량 에이전트 탐지는 ID 문제가 되고 있다
보안 과제는 자율 소프트웨어가 신뢰받는 사람의 접근 권한을 물려받으면서도, 소유자보다 더 빠르고 예측하기 어렵게 작동할 때 시작된다.
기업용 에이전트는 좀처럼 고립된 상태로 작동하지 않는다. 작업을 받아 내부 문서를 읽고, API를 호출하고, 로컬 도구를 실행하고, 코드를 만들고, 다른 서비스와 통신할 수 있다.
이러한 능력은 에이전트에 운영상 가치를 부여한다. 동시에 잘못된 지시, 손상된 통합, 악의적인 프롬프트를 인증된 행동의 연쇄로 바꿀 수도 있다.
이 때문에 Exaforce의 불량 에이전트 탐지는 ID에 크게 초점을 맞춘다. 시스템은 누가 에이전트를 실행했는지, 에이전트가 어떤 ID를 대표하는지, 어떤 자격 증명을 사용할 수 있는지, 그 자격 증명이 어떤 리소스에 도달할 수 있는지를 파악해야 한다.
일반적인 직원 ID는 비교적 이해하기 쉬운 패턴을 가진다. 보안팀은 해당 직원의 역할, 주로 사용하는 기기, 일반적인 애플리케이션, 예상 근무 시간을 알고 있다.
에이전트는 이 모델을 복잡하게 만든다. 에이전트는 지속적으로 작동하고, 빠르게 많은 행동을 완료하며, 매 단계 승인을 요청하지 않고 도구를 선택할 수 있다. 또한 로컬 프로세스를 생성하거나 더 넓은 인간 업무 흐름을 위해 부여된 권한을 사용할 수도 있다.
그 결과 귀속 공백이 생긴다. 로그는 직원을 식별하지만, 직원이 기록된 모든 행동을 직접 실행한 것은 아니다. 조사 담당자는 인간의 의도와 에이전트의 실행을 구분해야 한다.
Exaforce는 기존 엔드포인트 및 SaaS 도구가 이러한 구분을 위해 설계되지 않았다고 주장한다. 최고경영자 Ankur Singla는 보안팀에 에이전트 활동과 이미 수집하고 있는 ID, 클라우드, 엔드포인트 정보의 결합이 필요하다고 말했다.
회사는 안전 프롬프트가 비활성화된 상태로 실행되는 AI 데스크톱 에이전트 사례를 들어 문제를 설명한다. Exaforce에 따르면 이 에이전트는 셸을 열고 브라우저 쿠키 데이터베이스를 복사한 뒤 기업 세션 쿠키를 검색했다.
엔드포인트는 이 활동을 차단하지 않았다. Exaforce는 자사 플랫폼이 프로세스 트리를 추적하고, 활동을 외부 주소와 연관 지었으며, 같은 사용자와 주소가 관련된 이전 15건의 탐지 결과와 연결했다고 말한다.
회사는 이 사고를 우선순위 1 탐지로 분류했으며 11분 만에 분류했다고 밝혔다. 이 세부 내용은 Exaforce 자체 환경 또는 고객 텔레메트리에서 나온 것이며, 독립적인 벤치마크를 거치지 않았다.
그럼에도 이 시나리오는 런타임 연속 행위 분석이 중요한 이유를 보여준다. 브라우저 데이터베이스 읽기는 의심스러울 수 있지만, 실제 위험 수준은 주변의 ID 및 네트워크 행동에 따라 결정된다.
두 번째 사례는 과도한 OAuth 권한과 관련된다. Exaforce는 Google Workspace 환경 전반에서 데이터를 쓰고, 수정하고, 전송하거나 삭제할 수 있도록 승인된 OpenAI 애플리케이션을 발견했다고 말한다.
또한 예상 업무에 필요한 수준보다 더 광범위한 쓰기 및 전송 권한을 가진 Claude 캘린더 통합도 식별했다. 이러한 발견은 확인된 공격이 아니라 보안 태세 위험을 나타낸다.
이 구분은 중요하다. 광범위한 권한은 잠재적인 피해 범위를 만들지만, 악의적인 런타임 행동은 그 위험이 실제로 행사되고 있음을 뜻한다.
Exaforce AI Security는 두 측면을 연결하려 한다. 위험 계층은 사고가 발생하기 전에 취약한 구성을 식별하고, 런타임 탐지는 활성화된 오용을 찾는다.
보안팀에는 새로운 인벤토리 요건이 생긴다. 직원이 어떤 모델에 접근하는지만이 아니라, 어떤 에이전트, 스킬, 플러그인, MCP 서버가 모델 출력을 행동으로 전환할 수 있는지도 파악해야 한다.
인벤토리는 최신 상태를 유지해야 한다. 직원은 중앙 배포 프로젝트 없이도 AI 코딩 확장 프로그램을 설치하거나 새 SaaS 도우미를 연결할 수 있다.
보안 리더들은 수년간 유사한 섀도 IT 문제에 직면해 왔다. 에이전틱 소프트웨어는 승인되지 않은 애플리케이션이 단순히 정보를 저장하거나 표시하는 데 그치지 않고 행동할 수 있기 때문에 위험을 높인다.
에이전트리스 설계는 Exaforce의 핵심 승부수다
Exaforce는 모든 엔드포인트에 또 다른 모니터링 구성 요소를 추가하지 않고도 기존 텔레메트리로 에이전트 행동을 드러낼 수 있다고 보고 있다.
에이전트리스라는 주장은 신중하게 해석할 필요가 있다. Exaforce가 데이터 수집기나 통합 없이 운영된다는 뜻은 아니다. 이 회사는 기존 엔드포인트 보안 제품, 모델 제공업체, ID 시스템, 클라우드 서비스, 생산성 플랫폼의 정보에 의존한다.
“에이전트리스”는 고객이 AI 에이전트 모니터링만을 위해 추가 Exaforce 구성 요소를 설치하지 않는다는 의미다. 플랫폼은 Exaforce가 이미 수집하고 있거나 제공업체 API를 통해 확보할 수 있는 데이터를 분석한다.
이 아키텍처는 분명한 운영상 이점을 제공한다. 기업 보안팀은 이미 복잡한 엔드포인트 스택을 관리하고 있으며, 추가 에이전트마다 배포, 유지보수, 호환성, 성능 문제가 발생한다.
기존 텔레메트리를 재사용하면 구현 시간을 단축할 수 있다. 또한 AI 활동을 ID, 클라우드, 엔드포인트, SaaS 사고에 사용하는 동일한 조사 대기열 안에 배치할 수 있다.
이 통합된 관점은 Exaforce AI Security의 핵심 메커니즘이다. 플랫폼은 모델에 전송된 프롬프트나 반환된 응답만으로 에이전트를 판단하지 않는다.
대신 주변 활동을 살핀다. 여기에는 기기 프로세스, 네트워크 연결, 파일 접근, 계정 인증, 클라우드 호출, 코드 맥락, 제공업체 사용량이 포함된다.
셸을 여는 코딩 도우미가 자동으로 악성인 것은 아니다. 셸을 열고, 자격 증명 파일을 읽고, 익숙하지 않은 도메인에 접속하고, 클라우드 로그인을 시도하는 행동은 더 의미 있는 패턴을 이룬다.
같은 원칙은 비즈니스 애플리케이션에도 적용된다. 캘린더 도우미가 이벤트에 접근하는 것은 목적에 부합한다. 그러나 같은 도우미가 이메일을 보내거나 관련 없는 워크스페이스 데이터를 수정할 광범위한 권한을 받았다면 더 면밀한 검토가 필요하다.
Exaforce의 위험 계층은 실행 전 스킬과 플러그인도 평가한다. 회사는 분석 기능이 민감한 환경 변수를 검색하고 유출하는 요리 관련 스킬을 발견한 사례를 설명했다.
스킬의 명시된 목적과 코드 행동 간의 불일치가 위험을 높였다. 이는 AI 확장을 통해 나타나는 소프트웨어 공급망 문제다.
스킬과 MCP 서버는 에이전트의 능력을 빠르게 확장할 수 있다. 동시에 사용자가 이해하지 못하는 검토되지 않은 코드, 원격 종속성, 접근 경로를 도입할 수도 있다.
Exaforce는 자사 플랫폼이 이러한 구성 요소에 위험 점수와 권고안을 부여한다고 말한다. 이 같은 점수화는 검토 우선순위를 정하는 데 도움이 될 수 있지만, 유용성은 탐지 품질과 이용 가능한 맥락에 달려 있다.
에이전트리스 모델은 가장 중요한 한계도 만든다. Exaforce는 자신이 수신하는 텔레메트리에 표현된 활동만 분석할 수 있다.
엔드포인트 제품은 프로세스가 파일을 읽었다는 사실은 보여줄 수 있지만, 에이전트의 전체 추론 과정이나 행동을 유발한 프롬프트까지 드러내지는 못할 수 있다. 모델 제공업체는 모든 로컬 도구 호출을 기록하지 않은 채 사용량 로그만 제공할 수도 있다.
제공업체 API 역시 적용 범위와 제공 시점에서 차이가 난다. 일부는 풍부한 감사 추적을 제공하는 반면, 다른 일부는 제한적인 관리 정보를 노출한다. 로컬 호스팅 모델이나 맞춤형 에이전트는 또 다른 형태의 기록을 생성할 수 있다.
암호화된 트래픽, 지원되지 않는 도구, 연결이 끊긴 기기, 수명이 짧은 프로세스는 사각지대를 만들 수 있다. 기존 로그를 기반으로 구성된 시스템은 이러한 공백을 명확히 식별하고 공개해야 한다.
그렇다고 이 아키텍처가 무효가 되는 것은 아니다. 이는 “agentless”가 완전한 관측 가능성이 아니라 배포 편의성을 설명하는 말이라는 뜻이다.
제품을 평가하는 구매자는 각 에이전트 유형에 어떤 신호를 사용할 수 있는지 물어야 한다. 답은 ChatGPT, Gemini, Copilot, Claude, 로컬 코딩 에이전트, 맞춤형 워크플로, 자체 호스팅 모델에 따라 달라질 것이다.
가장 강력한 배포는 제공업체 기록을 엔드포인트, 네트워크, ID, 클라우드 텔레메트리와 결합할 가능성이 높다. 이들 계층 중 하나라도 빠지면 귀속 분석이 약화되거나 차단이 지연될 수 있다.
이미 해당 신호를 Exaforce로 전송하는 팀이라면 통합은 비교적 직접적일 수 있다. 지원되지 않는 엔드포인트 또는 ID 제품을 사용하는 조직은 다른 경험을 마주할 수 있다.
Microsoft, Cisco, Palo Alto는 이미 핵심 계층을 장악하고 있다
Exaforce는 에이전트 보안 카테고리를 새로 만드는 것이 아니라, 통제권이 어디에 있어야 하는지를 두고 더 큰 벤더들과 경쟁하고 있다.
Microsoft는 Agent 365를 에이전트를 관찰하고, 관리하며, 보호하기 위한 제어 평면으로 포지셔닝했다. 이 플랫폼은 위임된 직원 액세스를 사용하는 에이전트와 자체 자격 증명으로 작동하는 에이전트를 모두 포괄한다.
회사의 에이전트 제어 평면은 Microsoft Defender, Intune, Entra, Microsoft 365 관리 기능을 결합한다. 지원되는 에이전트의 로컬 및 클라우드 환경을 발견하고, ID와 리소스를 매핑하며, 정책을 적용할 수 있다.
Microsoft는 Defender가 에이전트를 해당 기기, 연관된 ID, 구성된 MCP 서버, 접근 가능한 클라우드 리소스와 매핑할 수 있다고도 말한다. 이는 Exaforce가 내세우는 그래프 기반 컨텍스트와 유사해 보인다.
전략적 차이는 유통력에 있다. Microsoft는 이미 많은 기업 내에서 ID, 생산성, 기기 관리, 엔드포인트 보안을 통제하고 있다.
따라서 Agent 365는 기존 Microsoft 관리 환경의 기능으로 에이전트 거버넌스를 제공할 수 있다. Exaforce는 독립적인 보안 계층이 왜 더 폭넓거나 유용한 컨텍스트를 제공하는지 입증해야 한다.
Microsoft의 강점은 동시에 한계가 될 수도 있다. 기업들은 여러 클라우드, 모델 제공업체, 엔드포인트, SaaS 플랫폼 전반에서 에이전트와 서비스를 사용한다. 보안팀은 하나의 소프트웨어 생태계를 중심으로 하지 않는 벤더를 선호할 수 있다.
Palo Alto Networks는 자사 AI 보안 플랫폼인 Prisma AIRS를 통해 이 문제에 접근한다. Prisma AIRS 3.0에는 에이전트 탐지, 아티팩트 스캐닝, 레드팀 테스트, ID 제어, 런타임 강제가 포함된다.
AI Agent Gateway는 거버넌스와 런타임 제어를 위한 중앙 지점으로 설계됐다. Palo Alto Networks는 AI 보안을 네트워크, 클라우드, 브라우저, 엔드포인트 제품과도 연결한다.
Cisco는 AI Defense를 통해 다른 경로를 택한다. 자사의 런타임 보호는 프롬프트, 응답, 데이터 흐름, MCP 상호작용, 에이전트 워크플로를 포괄한다.
Cisco는 네트워크 가시성과 위협 인텔리전스를 활용할 수 있다. 이러한 위치는 에이전트, 모델, 사용자, 외부 서비스 간 트래픽을 검사하는 데 도움이 된다.
이 경쟁사들은 시장이 다음과 같은 공통 기능을 중심으로 수렴하고 있음을 보여준다:
승인된 에이전트와 승인되지 않은 에이전트를 발견한다.
에이전트를 소유자 및 ID와 연결한다.
도구, 권한, 데이터, 접근 가능한 리소스를 매핑한다.
스킬, 모델, 프롬프트, 통합을 평가한다.
에이전트가 작동하는 동안 행동을 모니터링한다.
위험한 작업을 차단하거나 액세스를 취소한다.
조사를 위한 증거를 보존한다.
Exaforce의 차별점은 이러한 기능을 자사의 에이전틱 보안 운영 플랫폼 안에 배치한다는 데 있다. 에이전트 활동은 다른 모든 엔터프라이즈 신호와 동일한 조사 컨텍스트에서 나타나야 한다는 것이 회사의 주장이다.
이 설계는 관리형 보안 서비스 제공업체와 소규모 보안팀에 매력적으로 다가갈 수 있다. 이들은 또 하나의 특화 AI 보안 콘솔보다 하나의 운영 큐를 선호할 수 있다.
그러나 대형 플랫폼 벤더들도 같은 통합 논리를 내세울 수 있다. Microsoft는 자사 관리 제어 평면을 중심으로 통합할 수 있다. Palo Alto Networks는 보안 포트폴리오를 중심으로 통합할 수 있다. Cisco는 네트워크 및 런타임 강제를 중심으로 통합할 수 있다.
따라서 경쟁의 핵심은 누가 에이전트 인벤토리나 킬 스위치를 먼저 제공하느냐가 아니다. 누가 가장 관련성 높은 컨텍스트를 수집하고 이를 정확한 판단으로 전환할 수 있느냐이다.
Exaforce는 탐지, 트리아지, 조사, 헌팅, 대응을 위해 Exabots라는 자체 AI 보안 에이전트도 운영한다. 이제 이 플랫폼은 AI 에이전트를 활용해 다른 AI 에이전트를 보호한다.
이러한 대칭성은 가치와 위험을 함께 만든다. 자동화된 분석은 인간 팀보다 복잡한 활동을 더 빠르게 처리할 수 있지만, 잘못된 모델 판단은 불필요한 차단 조치를 유발할 수 있다.
인간 승인 설정은 고객이 이러한 위험을 관리할 수 있는 방법을 제공한다. 그러나 모든 대응에 승인을 요구하면 자동화가 약속하는 속도 우위는 줄어들 수 있다.
시장은 궁극적으로 단계적 자율성을 향하고 있다. 저위험 조치는 자동으로 실행할 수 있지만, 파괴적인 대응에는 더 강한 증거나 인간의 확인이 필요하다.
에이전트 킬 스위치만으로는 취약한 탐지를 해결할 수 없다
대응 제어의 신뢰성은 이를 작동시키는 데 사용되는 증거의 신뢰성에 달려 있다.
“에이전트 킬 스위치”라는 표현은 확실성을 암시한다. 시스템이 악성 에이전트를 탐지하고, 운영자가 버튼을 누르면 위협은 끝난다.
엔터프라이즈 환경은 그만큼 단순하지 않다. 에이전트는 프로세스, 자격 증명, 모델 제공업체 계정, 통합, 브라우저 세션, 클라우드 리소스에 의존한다. 한 구성 요소를 종료한다고 해서 나머지가 항상 제거되는 것은 아니다.
공격자는 에이전트 프로세스가 종료된 뒤에도 OAuth 토큰을 유지할 수 있다. 예약된 워크플로는 프로세스를 다시 실행할 수 있다. 침해된 ID는 다른 도구를 통해 동일한 작업을 시작할 수 있다.
이 때문에 Exaforce의 대응 옵션은 프로세스 종료를 넘어선다. 세션 취소, 키 비활성화, 기기 격리, ID 제어는 여러 경로를 한 번에 제거할 수 있다.
이러한 조치는 정상적인 업무도 중단시킬 수 있다. 특히 탐지 신뢰도가 불확실할 때 개발자의 기기를 격리하거나 프로덕션 자격 증명을 취소하면 운영상 결과가 발생한다.
따라서 오탐은 놓친 공격만큼 중요하다. 모든 셸 호출, 대용량 파일 읽기, 낯선 도메인에 경보를 울리는 플랫폼은 분석가를 압도하고 자동 대응을 꺼리게 만들 것이다.
Exaforce는 관련 행동을 연결함으로써 자사의 컨텍스트 모델이 이 문제를 줄인다고 말한다. 이 주장은 그럴듯하지만, 출시 자료는 탐지율에 대한 독립적인 측정치를 제공하지 않는다.
새로운 에이전트 보안 기능의 오탐률도 공개하지 않는다. Exaforce의 악성 에이전트 탐지를 Microsoft, Cisco, Palo Alto Networks 또는 전문 벤더와 비교하는 공개 벤치마크는 없다.
적용 범위 역시 또 다른 불확실성이다. Exaforce는 OpenAI, Google, Microsoft, Anthropic을 포함한 주요 제공업체를 언급한다. 기업들은 맞춤형 에이전트, 오픈소스 모델, 브라우저 확장 프로그램, 내부 오케스트레이션 시스템도 운영한다.
제품의 효과는 이러한 다양한 구현을 얼마나 일관되게 인식하는지에 달려 있다. 지원되지 않는 도구 안에서 실행되는 에이전트는 일반 프로세스로 보일 수 있다.
행동 컨텍스트가 도움이 될 수는 있지만, 컨텍스트가 의도와 같은 것은 아니다. 보안 테스트 에이전트는 승인된 훈련의 일부로 쿠키를 수집하거나 액세스 경계를 탐색할 수 있다.
침해된 에이전트는 정상적인 업무를 모방할 수도 있다. 승인된 서비스를 통해 소량의 데이터를 유출하거나 사용자의 기존 액세스 패턴 안에 머무를 수 있다.
자동화된 대응은 거버넌스 문제를 더한다. 고객은 확인 없이 플랫폼이 수행할 수 있는 작업과 그러한 작업이 장애를 초래할 때 누가 책임을 지는지를 결정해야 한다.
성숙한 정책은 대응 권한을 신뢰도, 자산 민감도, 비즈니스 영향과 연결해야 한다. 가치가 낮은 실험적 프로세스를 종료하는 일은 프로덕션 시스템이 사용하는 자격 증명을 비활성화하는 일과 다르다.
보안팀은 완전한 자율성을 활성화하기 전에 실패 모드도 테스트해야 한다. 훈련을 통해 격리된 엔드포인트가 조사 목적으로 계속 접근 가능한지, 키 취소가 관련 없는 서비스에 영향을 주는지를 측정할 수 있다.
가장 신뢰할 수 있는 증거는 문서화된 고객 배포 사례에서 나올 것이다. 구매자는 탐지에 걸리는 시간, 여전히 보이지 않는 에이전트, 분석가 수정이 필요한 발견 사항의 수를 알아야 한다.
또한 위험한 권한이나 의도적으로 안전하지 않게 구성한 테스트 환경뿐 아니라 실제 적대적 활동과 관련된 사례도 필요하다. 보안 태세 발견과 위협 탐지는 서로 다른 문제를 해결한다.
Exaforce가 보고한 라이브 테넌트 사례는 초기 모습을 제공한다. 그러나 다양한 엔터프라이즈 환경 전반의 일반적 성능을 입증하지는 않는다.
이는 Exaforce AI Security의 핵심적인 트레이드오프다. agentless 배포는 도입 마찰을 줄일 수 있지만, 기존 텔레메트리에 의존하면 가시성이 고르지 않을 수 있다.
Exaforce가 이미 풍부한 엔드포인트, ID, 클라우드, 제공업체 데이터를 수신하는 환경에서는 제품이 잘 작동할 수 있다. 그러나 이러한 신호가 불완전한 곳에서는 결론의 확실성이 낮아질 것이다.
Exaforce AI Security의 효과를 입증할 요소
다음 시험대는 또 다른 기능 발표가 아니라, 정상 에이전트를 방해하지 않으면서 위험한 연쇄 활동을 찾아낸다는 측정 가능한 증거다.
가장 먼저 지켜볼 신호는 독립적인 고객 검증이다. Exaforce는 어떤 에이전트를 발견했는지, 처음에 어떤 위험을 놓쳤는지, 분석가가 발견 사항을 어떻게 처리했는지를 보여주는 배포 보고서가 필요하다.
유용한 증거는 인벤토리 적용 범위, 보안 태세 분석, 활성 위협 탐지, 대응을 구분할 것이다. 이 결과를 하나의 성공 주장으로 묶으면 평가가 어려워진다.
고객 결과는 각 환경에서 사용할 수 있었던 텔레메트리도 공개해야 한다. 광범위한 엔드포인트 및 ID 적용 범위를 기반으로 한 탐지 성능을 통합이 적은 조직에 일반화해서는 안 된다.
강력한 현장 결과는 기존 데이터가 agentless 런타임 보안을 지원할 수 있다는 Exaforce의 주장을 뒷받침할 것이다. 지속적인 사각지대는 핵심 설계 논리를 약화시킬 것이다.
두 번째 신호는 더 폭넓은 통합 적용 범위다. 현재 출시는 주요 모델 제공업체와 연결되며 기존 엔드포인트 및 엔터프라이즈 데이터를 사용한다.
엔터프라이즈 에이전트 도입은 몇 개 제품에 계속 집중되지 않을 것이다. 내부 팀은 오픈 모델, 코드 프레임워크, MCP 서버, 명령줄 도구, 맞춤형 API로 에이전트를 구성할 수 있다.
Exaforce는 각각에 전용 센서를 요구하지 않고도 새로운 형태의 에이전트를 계속 인식해야 한다. 통합 발표는 귀속 분석과 대응에 충분한 데이터를 노출할 때에만 의미가 있다.
탐지 지원만으로는 충분하지 않다. 보안팀에는 프로세스 관계, 도구 호출, 권한, 자격 증명, 네트워크 목적지, 대응 제어가 필요하다.
세 번째 신호는 경쟁사들의 대응 방식이다. Microsoft, Palo Alto Networks, Cisco는 이미 ID, 엔드포인트, 네트워크, 클라우드 전반에서 중요한 강제 지점을 차지하고 있다.
이들 벤더가 크로스플랫폼 에이전트 컨텍스트를 기존 제품의 표준 기능으로 만든다면 Exaforce는 더 강한 유통 압력에 직면하게 된다. 반대로 이들의 도구가 좁은 생태계에 묶여 있다면 독립적인 상관관계 분석 계층은 더 매력적으로 보일 것이다.
가격은 유일한 구매 요인이 아니다. 보안팀은 배포 노력, 조사 품질, 통합 깊이, 관리형 서비스 옵션, 잘못된 자동화 조치가 초래하는 결과를 비교할 것이다.
Exaforce의 입지는 이미 보안 운영 플랫폼이나 MDR 서비스를 사용하는 조직에서 가장 분명하게 드러난다. 새 기능은 기존 워크플로에 AI 에이전트 활동을 추가할 수 있다.
신규 고객은 더 폭넓은 플랫폼 선택을 앞두고 있다. Exaforce를 자신들의 ID, 엔드포인트, 클라우드 또는 네트워크 스택에 이미 포함된 통제 기능과 비교해야 한다.
이번 출시는 에이전트 활동에 관한 조직적 기억의 필요성이 커지고 있음을 보여준다. 조사 담당자는 이전 배포에서의 의사결정, 승인, 사고 증거 및 교훈에 접근할 수 있어야 한다.
검색 가능한 AI knowledge base는 팀이 이러한 맥락을 보존하는 데 도움이 될 수 있지만, 런타임 보안 통제를 대체하지는 않는다.
엔터프라이즈 구매자에게 당장의 과제는 보안 플랫폼을 선택하기 전에 에이전트와 그 접근 권한을 목록화하는 것이다. 각 에이전트의 소유자, 사용하는 자격 증명, 변경할 수 있는 시스템을 파악해야 한다.
그다음 Exaforce AI Security 또는 경쟁 플랫폼을 현실적인 시나리오로 테스트해야 한다. 프롬프트 인젝션, 과도한 OAuth 권한, 의심스러운 도구 체인, 자격 증명 접근, 데이터 이동, 그리고 공격과 유사해 보이는 정상적 워크플로를 포함해야 한다.
탐지와 차단 모두를 측정해야 한다. 승리하는 플랫폼은 가장 극적인 킬 스위치 표현을 내세우는 제품이 아니다. 위험한 자율성과 생산적인 자동화를 일관되게 구분하고, 그에 맞는 수준으로 대응하는 플랫폼이 될 것이다.
