F5 Workforce AI Security, 에이전트 제어를 네트워크 경로로 옮기다

F5 Workforce AI Security는 2026년 10월 정식 출시될 예정으로, F5의 보안 플랫폼 범위를 AI 애플리케이션에서 직원 및 에이전트 활동으로 확장한다. 이 제품은 기업 내부에서 커지고 있는 갈등을 겨냥한다. 직원들은 실행 능력을 갖춘 AI 도구를 원하지만, 보안팀은 그러한 작업이 민감한 시스템에 도달하기 전에 제어할 수단이 필요하다.

F5는 9월 9일 직원 상호작용 전반에서 AI 사용을 탐지하고 정책을 집행하는 에이전트리스 계층으로 이 제품을 발표했다. 회사의 workforce announcement에 따르면, 이러한 상호작용에는 브라우저, 개발자 도구, 코딩 에이전트, 명령줄 인터페이스, Model Context Protocol 클라이언트가 포함된다.

핵심 변화는 ChatGPT 방문 횟수를 집계하는 또 하나의 대시보드가 아니다. F5는 AI 에이전트가 수행하려는 작업을 검사하고, 요청을 신원과 연결하며, 실행 전에 개입하려 한다.

이 접근 방식은 엔드포인트, 브라우저 또는 개별 AI 애플리케이션에 연결된 제어 기능과 네트워크 기반 정책 집행을 대비시킨다. 동시에 트래픽 적용 범위, 암호화된 세션, 직원 개인정보 보호, 자동화된 의도 분류의 신뢰성에 관한 까다로운 질문도 제기한다.

Palo Alto Networks, Microsoft, Zscaler, Netskope 등 보안 공급업체는 이미 직원 AI 사용을 위한 제어 기능을 제공하고 있다. F5의 승부수는 더 좁은 범위이면서도 더 야심 차다. AI 활동이 프롬프트를 넘어 도구 중심 업무로 이동함에 따라, 네트워크 경로가 일관된 정책 집행 지점이 될 수 있다고 주장한다.

F5 Workforce AI Security, 프롬프트 너머로 제어 범위 확장

F5는 에이전트의 도구 호출을 단순한 AI 대화가 아니라 보안 이벤트로 다룬다.

기존의 직원 AI 제어는 보통 애플리케이션 탐지에서 시작한다. 보안팀은 직원들이 접근하는 생성형 AI 서비스를 식별한 뒤 업로드, 프롬프트 또는 승인되지 않은 애플리케이션을 제한한다.

이러한 제어는 여전히 중요하다. 직원은 소스 코드, 고객 기록, 자격 증명 또는 법률 문서를 공개 모델에 입력해 노출할 수 있다. Microsoft의 sensitive-data controls 지침은 프롬프트, 출력, 메모리 작업, 검색된 컨텍스트, 도구 결과를 검사할 것을 권고한다.

에이전트는 응답을 받은 뒤 행동할 수 있기 때문에 문제를 확장한다. 코딩 에이전트는 리포지터리를 수정하거나 배포 도구를 호출하거나 명령을 실행할 수 있다. 어시스턴트는 문서를 검색하고, 고객 기록을 업데이트하거나, 메시지를 보낼 수도 있다.

이러한 작업은 종종 인간 사용자의 권한을 상속한다. F5는 이 상태를 차용된 권한으로 설명한다. 에이전트가 직원에게 이미 부여된 자격 증명을 통해 작동한다면, 완전히 독립적인 계정이 없어도 위험을 만들 수 있다.

F5 Workforce AI Security는 상호작용에 관여한 사람과 에이전트를 모두 식별하도록 설계됐다. 이후 요청의 의도를 분류하고, 접근 위험을 평가하며, 지원되는 도구 호출이 실행되기 전에 정책을 적용할 수 있다.

회사는 정책이 작업을 허용, 차단 또는 수정할 수 있다고 말한다. 또한 민감한 데이터 노출과 요청에 연결된 신원도 고려할 수 있다.

Model Context Protocol 또는 MCP는 AI 애플리케이션을 도구 및 데이터 소스와 연결하는 개방형 프로토콜이다. F5는 자사 제품이 MCP 서버와 지원되는 에이전트 도구 전반의 도구 호출을 검사하고 분류할 수 있다고 설명한다.

이 차이는 직원이 어떤 챗봇을 여는지 제어하는 수준을 넘어 직원 보안을 확장한다. 허용된 에이전트라도 사용자의 즉각적인 업무나 회사 정책 범위를 벗어난 작업을 시도할 수 있다.

F5는 서비스 선택, 라이선스 유형, 파일 업로드, 데이터 정책 전반의 제어 기능도 계획하고 있다. 조직은 승인된 엔터프라이즈 계정은 허용하면서 동일 서비스의 소비자 버전은 제한할 수 있다.

이 제품은 더 광범위한 F5 AI Security Platform에 속한다. F5는 2026년 6월 AI 탐지, 거버넌스, 테스트, 런타임 보호를 위한 해당 플랫폼을 소개했다.

8월에는 MCP Gateway를 포함한 AI Gateway 기능을 추가했다. 이제 Workforce AI Security는 직원 권한으로 행동하는 직원 활동과 에이전트 쪽으로 플랫폼을 확장한다.

이 순서는 중요하다. 레드팀 테스트는 배포 전 취약점을 드러낼 수 있고, 런타임 가드레일은 실제 운영 중인 AI 애플리케이션을 보호한다. 직원 제어는 직원들이 외부 도구를 도입하거나 에이전트에 작업을 위임할 때 생기는 별도 위험을 다룬다.

따라서 F5는 AI 개발, 배포, 사용 전반에 걸친 하나의 정책 구조를 목표로 한다. 고객이 이러한 통합성을 체감할 수 있을지는 제품 맵만이 아니라 통합 품질과 트래픽 적용 범위에 달려 있다.

제품은 10월 정식 출시가 예정돼 있다. 배포가 시작되기 전까지 정책 집행 정확도와 운영 부담은 독립적으로 검증된 결과가 아닌 회사 측 주장으로 남는다.

에이전트 작업이 다른 보안 문제를 만드는 이유

AI 에이전트는 부주의한 프롬프트를 실제 시스템에 영향을 미치는 중대한 작업으로 바꿀 수 있다.

직원이 기밀 텍스트를 챗봇에 붙여넣는 행위는 데이터 거버넌스 문제를 만든다. 자격 증명을 사용해 운영 환경 설정을 바꾸는 에이전트는 권한 부여 문제도 일으킨다.

이 차이는 F5가 프롬프트뿐 아니라 작업을 강조하는 이유를 설명한다. AI 시스템이 도구를 호출하고, 데이터를 변경하거나, 외부와 통신할 수 있게 될 때마다 보안 경계가 이동한다.

F5의 2026 State of Application Strategy Report에 따르면 조사 대상 조직의 66%가 AI가 정책 또는 구성을 자동으로 조정하도록 허용한다. F5는 이 수치를 발표에서 인용했으므로, 회사 후원 연구로 취급해야 한다.

이러한 단서가 있더라도 근본적인 문제는 분명하다. 기업들은 AI를 조언형 인터페이스에서 쓰기 권한을 가진 워크플로로 옮기고 있다.

직원이 이미 그 권한을 보유하고 있기 때문에 에이전트도 광범위한 권한을 받을 수 있다. 그러나 사용자의 권한이 모든 에이전트 생성 작업이 사용자의 충분한 인지에 따른 의도를 반영한다는 것을 증명하지는 않는다.

이는 인증과 권한 부여 사이에 공백을 만든다. 인증은 누가 세션을 시작했는지를 확인한다. 권한 부여는 특정 작업이 현재 컨텍스트에서 적절한지 판단해야 한다.

보안팀은 간접 프롬프트 인젝션에도 직면한다. 공격자는 이메일, 웹사이트, 문서 또는 코드 리포지터리처럼 에이전트가 나중에 읽는 콘텐츠 안에 악의적인 지시를 삽입할 수 있다.

에이전트는 이러한 적대적 콘텐츠를 지시로 해석해 의도하지 않은 작업을 수행할 수 있다. NIST의 agent security research는 데이터 탈취와 악성 코드 실행을 잠재적 결과로 설명한다.

네트워크 정책 계층은 그 결과로 발생한 작업이 도구에 도달하기 전에 추가 검사 지점을 제공할 수 있다. 에이전트 내부의 손상된 추론을 제거하지는 못하지만, 그 결과를 제한할 수는 있다.

F5는 자사 제어 기능이 신원, 의도, 위험, 민감한 데이터와 같은 컨텍스트를 활용한다고 말한다. 단순한 애플리케이션 차단 목록이나 정적인 권한 목록만으로는 전체 상황을 포착할 수 없기 때문에 이 조합은 필요하다.

승인된 코딩 에이전트를 사용하는 개발자를 생각해 보자. 공개 의존성 파일을 읽는 일은 일상적일 수 있다. 반면 독점 코드를 외부 모델에 업로드하는 것은 정책을 위반할 수 있다.

내부 이슈를 여는 일은 허용될 수 있다. 운영 환경 배포를 수정하려면 별도의 승인이나 더 제한적인 서비스 신원이 필요할 수 있다.

따라서 보안 결정은 누가 행동하는지, 어떤 데이터가 관련됐는지, 어느 도구가 대상인지, 어떤 작업이 요청됐는지에 따라 달라진다. 환경과 시간에도 좌우될 수 있다.

이것이 의도 기반 정책 집행의 실질적인 매력이다. 전체 서비스를 차단하거나 모든 상호작용을 허용하는 규칙보다 더 많은 컨텍스트를 제공할 것을 약속한다.

하지만 ‘의도’ 역시 다루기 어려운 입력값이다. 분류기는 모호한 자연어 요청과 기술적인 도구 호출을 신뢰할 수 있는 정책 범주로 변환해야 한다.

잘못된 차단은 정상적인 업무를 중단시킬 수 있다. 잘못된 허용은 데이터를 노출하거나 해로운 작업을 가능하게 할 수 있다. 고위험 환경에서는 가장 중대한 작업 주변에 결정론적 제어가 필요하다.

NIST의 agent identity 연구는 식별, 권한 부여, 감사, 부인 방지를 강조한다. 또한 조직이 프롬프트 인젝션을 어떻게 완화할 수 있는지도 묻는다.

이 요구 사항은 트래픽 검사를 넘어선다. 기업에는 명확한 에이전트 신원, 제한된 권한, 지속 가능한 로그, 모든 자동화 워크플로의 책임 주체가 필요하다.

F5 Workforce AI Security는 이 시스템의 한 정책 집행 계층이 될 수 있다. 유일한 신뢰의 근원이 되어서는 안 된다.

핵심 경쟁은 네트워크 정책 집행과 도구별 제어의 대결

F5는 네트워크가 단일 모델, 브라우저 또는 엔드포인트 통합보다 더 지속 가능한 제어 지점을 제공한다고 보고 있다.

AI 서비스는 빠르게 변한다. 직원들은 익숙한 챗봇에서 브라우저 확장 프로그램, 코딩 어시스턴트, 명령줄 클라이언트 또는 비공개 호스팅 모델로 이동할 수 있다.

애플리케이션별 보안 제어는 각 서비스를 인식하고 그 인터페이스를 이해해야 한다. 엔드포인트 제품은 관리되는 모든 기기에서 배포, 유지보수, 권한 설정이 필요하다.

F5는 프롬프트, 응답, 에이전트 작업이 기업 인프라를 통과하는 지점에서 제어를 적용하겠다고 제안한다. 회사는 이 접근 방식이 특정 모델이나 애플리케이션 공급업체에 독립적이라고 말한다.

자사 제품은 브라우저와 개발자 도구 전반에서 AI 서비스를 탐지할 수 있다. F5는 공개 모델 API에 접근하는 자체 제작 도구도 지원한다고 밝힌다.

F5에 따르면 이 제품은 또 다른 엔드포인트 클라이언트를 필요로 하지 않는다. 이 표현은 중요하다. 고객이 새 클라이언트 추가를 피할 수 있다는 의미이지, 제품에 배포 작업이 전혀 필요 없다는 뜻은 아니다.

고객은 여전히 네트워크 배치, 신원 통합, 정책 구성, 로깅, 기존 보안 환경과의 연결을 수행해야 한다. 적용 범위 역시 조직이 관찰할 수 있는 트래픽에 따라 달라진다.

F5의 제품 페이지는 미러링된 네트워크 트래픽을 통한 수동 탐지를 설명한다. 검사가 운영 경로 밖에서 이뤄지므로 대역외 분석이 지연 시간을 유발하지 않는다고 말한다.

같은 페이지는 활동을 차단, 리디렉션 또는 수정하는 적응형 제어도 설명한다. 발표문 역시 정책이 상호작용 경로에서 작동한다고 언급한다.

이러한 기능은 서로 다른 운영 모드를 나타낸다. 수동 탐지는 트래픽 지연 없이 관찰할 수 있다. 능동적 정책 집행은 실행 전에 요청에 영향을 미쳐야 한다.

기업은 어떤 구성 요소가 수동적으로 작동하고 어떤 구성 요소가 인라인으로 배치되는지 물어야 한다. 검사 서비스가 실패하거나 요청을 분류할 수 없을 때 어떤 일이 일어나는지도 확인해야 한다.

경쟁업체들은 이미 이 시장의 일부 영역을 차지하고 있다. Palo Alto Networks는 생성형 AI 애플리케이션을 탐지하고 프롬프트 및 업로드를 통한 민감한 데이터 유출을 막기 위한 AI access controls를 제공한다.

Microsoft Purview는 AI 활동을 탐지하고, 데이터 손실 방지 정책을 적용하며, 감사 로그에서 생성형 AI 이벤트를 표시할 수 있다. Zscaler는 AI Guard for Users가 공개 AI 서비스에 대한 직원 프롬프트와 응답을 검사한다고 말한다.

Netskope는 애플리케이션 탐지, 데이터 제어, 보안 서비스 엣지 인프라를 결합한다. 이 공급업체들은 이미 기업 네트워크 및 데이터 보안팀에 제품을 판매하고 있다.

따라서 F5는 에이전트의 행동을 통제하는 것이 의미 있는 운영상 이점을 제공한다는 점을 입증해야 한다. 단순히 섀도우 AI를 찾아내는 것만으로는 충분한 차별화를 만들기 어렵다.

더 폭넓은 플랫폼은 도움이 될 수 있다. 회사의 제품 기능에 따르면, 탐지 데이터는 F5 AI Red Team 테스트와 F5 AI Guardrails 런타임 정책에 정보를 제공할 수 있다.

이러한 피드백 루프는 이론적으로 매력적이다. 관찰된 직원 행동은 위험한 사용 사례를 식별할 수 있으며, 보안팀은 이를 더 신중하게 테스트하고 관리할 수 있다.

그러나 고객이 모든 보안 기능을 하나의 플랫폼으로 표준화하는 경우는 드물다. 많은 조직은 F5를 ID 공급자, 엔드포인트 도구, 클라우드 액세스 브로커, 데이터 보안 제품, 모델 네이티브 제어 기능과 함께 운영하게 될 것이다.

단일 콘솔보다 상호운용성이 더 중요해질 것이다. 보안팀은 이벤트와 정책 결정이 기존 시스템 전반에서 원활하게 이동할 수 있어야 한다.

네트워크 접근 방식에는 자연스러운 사각지대도 있다. 직접적인 기기 연결, 관리되지 않는 네트워크, 종단 간 암호화, 로컬 모델, 지원되지 않는 도구는 관찰 가능한 컨텍스트를 제한할 수 있다.

F5는 이러한 모든 경로를 포괄한다고 공개적으로 입증하지는 않았다. 구매자는 완전한 가시성이라는 주장을 받아들이기 전에 실제 직원 워크플로를 매핑해야 한다.

F5 주장의 가장 강력한 형태는 네트워크가 모든 것을 본다는 것이 아니다. 네트워크 체크포인트가 달리 파편화된 수많은 도구 전반에서 일관된 집행을 제공할 수 있다는 점이다.

이 명제는 검증 가능하다. 고객은 발견된 활동을 엔드포인트 텔레메트리, SaaS 로그, ID 기록, 알려진 에이전트 배포 현황과 비교할 수 있다.

기록이 일치한다면 네트워크 집행은 유용한 공통 계층이 된다. 중요한 공백이 남는다면 플랫폼에는 보완적 제어 기능이 필요하다.

폭넓은 가시성은 프라이버시와 정확성의 상충관계를 수반한다

AI 활동을 검사하면 보안 위험을 줄일 수 있지만, 직원의 아이디어, 실수, 업무 습관에 대한 민감한 기록이 만들어질 수 있다.

F5는 자사 플랫폼이 AI 상호작용을 기록하고 비즈니스 의도를 분류할 수 있다고 말한다. 제품 자료는 요약과 코드 생성 같은 사례를 제시한다.

이 정보는 보안팀이 위험한 패턴을 식별하는 데 도움이 될 수 있다. 동시에 기밀 대화, 초안 전략, 인사 문제, 연구 질문, 개인별 성과 신호를 노출할 수도 있다.

프롬프트는 단순한 네트워크 이벤트가 아닌 경우가 많다. 사용자의 추론 과정, 불확실성 또는 내부 업무의 상세한 맥락을 담을 수 있다.

응답도 마찬가지로 민감할 수 있다. AI 시스템은 사용자 입력을 검색된 기업 데이터, 비공개 메모리 또는 연결된 도구의 콘텐츠와 결합할 수 있다.

따라서 조직에는 보안 시스템 자체를 위한 통제 기능이 필요하다. 프롬프트 및 응답 로그에 대한 접근은 엄격한 역할, 보존 기간 제한, 감사 요건을 따라야 한다.

법무, 개인정보보호, 보안, 노사관계팀은 광범위한 배포 전에 허용 가능한 모니터링 기준을 정의해야 한다. 지역별 노동 및 개인정보보호 규정도 모니터링 도입 방식에 영향을 미칠 수 있다.

F5는 감사 추적이 AI 요청, 응답, 사용자 의도의 흐름을 기록할 수 있다고 말한다. 기업은 어떤 필드가 보존되는지, 민감한 콘텐츠를 최소화할 수 있는지 판단해야 한다.

또한 로그 기록 전에 마스킹이 이뤄지는지, 아니면 데이터가 외부 모델에 도달하기 전에만 이뤄지는지 물어야 한다. 순서에 따라 보안 플랫폼이 만들어내는 노출 범위가 달라진다.

분류 정확성 역시 또 다른 상충관계를 제시한다. “요약”으로 분류된 요청에 규제 대상 기록이 포함될 수 있다. 코딩 작업이 실제로는 생성된 스크립트를 통해 인프라를 수정할 수도 있다.

자연어 기반 의도는 명시적인 기술적 사실을 보완할 수 있지만, 이를 대체해서는 안 된다. 목적지, 작업 유형, ID, 리소스 민감도, 권한 범위는 더 확실한 신호를 제공한다.

영향이 큰 작업에는 기본 거부 정책이나 직접 승인 요건이 필요하다. 위험이 낮은 작업은 더 유연한 분류와 안내를 허용할 수 있다.

시스템은 사용자와 그 사용자를 대신해 행동하는 에이전트도 구분해야 한다. 공유 토큰이나 상속된 브라우저 세션은 귀속 판단을 어렵게 만들 수 있다.

NIST는 에이전트가 인간의 자격 증명을 통해 새로운 도구와 데이터에 접근하는 경우가 많다고 경고했다. 2026년 8월 ID 가이드라인은 반복적인 승인 요청으로 인한 동의 피로도 강조한다.

프롬프트가 너무 많으면 사용자는 반사적으로 작업을 승인하도록 학습될 수 있다. 프롬프트가 너무 적으면 에이전트가 의미 있는 검토 없이 중요한 경계를 넘을 수 있다.

F5의 정책 엔진은 고객이 어디에 마찰을 둘지 선택하도록 도와야 한다. 답은 작업, 리소스, 비즈니스 기능에 따라 달라질 것이다.

이메일을 작성하는 영업 지원 도구의 위험은 프로덕션 인프라를 변경하는 코딩 에이전트의 위험과 다르다. 로컬 요약은 외부 업로드와 다른 함의를 갖는다.

팀에는 잘못된 정책 결정에 이의를 제기할 수 있는 프로세스도 필요하다. 투명한 이유가 없다면 개발자는 통제를 우회하거나 관리되지 않는 도구로 돌아갈 수 있다.

이 지점에서 검색 가능한 AI 지식 베이스가 거버넌스를 지원할 수 있다. 직원에게는 승인된 도구, 데이터 규칙, 에스컬레이션 경로에 대한 명확한 기록이 필요하다.

문서화만으로는 정책을 집행할 수 없다. 하지만 이해 가능한 지침 없는 집행은 종종 도입을 덜 보이는 채널로 밀어 넣는다.

F5의 에이전트리스 포지셔닝은 배포 마찰의 한 원인을 줄인다. 그렇다고 데이터를 분류하고, 소유권을 할당하며, 허용되는 작업을 정의하는 데 필요한 조직적 노력이 사라지는 것은 아니다.

10월 출시에서는 이러한 통제가 일상적인 압박 상황에서 어떻게 작동하는지 보여줘야 한다. 유용한 평가는 오탐, 누락된 작업, 정책 지연 시간, 관리자 업무량을 포함해야 한다.

보안팀은 일반적인 워크플로뿐 아니라 적대적 프롬프트도 테스트해야 한다. 에이전트 제어 제품은 의도를 위장하거나 위험한 작업을 여러 호출에 분산하려는 시도를 처리할 수 있어야 한다.

고정된 가드레일로는 적응형 공격자에 대한 영구적인 보호를 보장할 수 없다. 네트워크 집행은 지속적인 테스트, 모니터링, 정책 업데이트에 참여해야 한다.

F5의 베팅이 통하는지 보여줄 세 가지 신호

제품의 가치는 측정된 커버리지, 집행 가능한 에이전트 통제, 실제 기업 환경의 복잡성을 견디는 통합 기능으로 결정될 것이다.

첫 번째 신호는 2026년 10월 이후의 배포 증거다. F5는 지원되는 브라우저, 명령줄 도구, 에이전트 프레임워크, MCP 클라이언트, 네트워크 구성에 관한 정확한 세부 정보를 공개해야 한다.

긴 호환성 목록만으로는 충분하지 않다. 고객은 어떤 워크플로가 탐지만 지원하고, 어떤 워크플로에서 실행 전 집행이 가능한지 알아야 한다.

고객은 F5의 인벤토리를 엔드포인트 텔레메트리, ID 로그, API 기록, 직원 설문과 비교해야 한다. 설명되지 않는 차이는 사각지대를 드러낼 것이다.

네트워크 기반 배포 하나가 낮은 운영 부담으로 여러 도구 전반의 활동을 식별한다면 이 증거는 F5의 주장을 강화할 것이다. 큰 커버리지 공백은 이를 약화할 것이다.

두 번째 신호는 적대적 조건에서 에이전트 행동 통제가 작동한다는 증거다. 이는 파일 삭제나 기록 내보내기 같은 명백한 요청을 테스트하는 것 이상을 의미한다.

평가에는 간접 프롬프트 인젝션, 모호한 요청, 중첩된 도구 호출, 재사용된 자격 증명, 여러 단계에 분산된 작업이 포함돼야 한다.

고객은 차단된 유해 작업과 중단된 정상 작업을 모두 측정해야 한다. 모든 것을 차단하는 제품은 가장 좁은 의미에서만 안전하다.

F5는 이미 AI 레드팀 기능을 제공하고 있으므로, 구매자는 Workforce AI Security 정책을 재현 가능한 공격 시나리오에 대해 테스트할 수 있는지 물어야 한다. 결과는 정책 변경에 반영돼야 한다.

독립적인 검증은 시연 스크립트보다 더 큰 무게를 갖는다. 기술 문서는 민감한 탐지 로직을 노출하지 않으면서 분류의 한계와 실패 시 동작을 설명해야 한다.

세 번째 신호는 경쟁사의 대응이다. Palo Alto Networks, Microsoft, Zscaler, Netskope, 그리고 ID 벤더들은 인접한 제어 지점과 확고한 고객 관계를 갖고 있다.

이들 기업이 도구 호출 집행 및 에이전트 ID 기능을 확대한다면 F5의 차별화는 좁아질 것이다. 동시에 이는 워크포스 AI 보안이 챗봇 거버넌스를 넘어가고 있음을 확인해 줄 것이다.

반대로 고객이 모델 네이티브 권한이나 ID 중심 통제를 중심으로 통합한다면, 네트워크 검사는 보조 계층으로 남을 수 있다. 그 경우 F5는 통합성과 운영 편의성을 놓고 경쟁하게 된다.

가장 가능성 높은 결과는 계층형 보안이다. 모델 제공업체는 도구 사용을 제한하고, ID 시스템은 권한을 제한하며, 엔드포인트 제품은 기기 활동을 관찰할 것이다.

네트워크 통제는 벤더 전반의 데이터 흐름과 작업을 평가할 수 있다. 런타임 가드레일은 기업이 자체 구축한 애플리케이션을 모니터링할 수 있다.

핵심 질문은 어느 계층이 승리하는지가 아니다. 작업이 이러한 계층 사이를 오갈 때 정책이 일관되게 유지되는지 여부다.

기업 구매자에게 즉각적인 단계는 통제 제품을 선택하기 전에 실제 AI 워크플로를 인벤토리화하는 것이다. 승인된 서비스, 섀도우 도구, 코딩 에이전트, 비공개 모델, MCP 연결을 포함해야 한다.

그다음 민감한 데이터를 읽거나, 외부와 통신하거나, 시스템 상태를 변경할 수 있는 워크플로를 식별해야 한다. 이러한 기능에는 가장 강력한 ID와 정책 검사가 필요하다.

F5 Workforce AI Security는 에이전트 도입이 애플리케이션 차단 목록의 한계를 드러내고 있는 유용한 시점에 등장한다. 네트워크 전략은 그럴듯한 공통 체크포인트를 제공한다.

이 전략은 대규모 환경에서 아직 입증되지 않았다. F5는 충분한 맥락을 관찰하고, 작업을 정확하게 분류하며, 생산적인 AI 사용을 견딜 수 없게 만들지 않고 정책을 집행할 수 있음을 보여줘야 한다.

보안 리더는 10월 출시를 평가의 끝이 아니라 시작으로 활용해야 한다. 플랫폼은 귀사의 환경에서 어떤 에이전트 작업을 실제로 확인하고, 설명하고, 차단할 수 있는가?