IBM, AI 기반 침해로 기업당 평균 600만 달러 비용 발생한다고 밝혀

IBM은 조사 대상 조직의 20% 이상이 AI 모델이나 애플리케이션을 겨냥한 침해를 겪었다는 조사 결과를 내놓으며 AI 보안을 google news의 중심 화제로 올려놓았다. 헤드라인 수치는 불안감을 주지만, 이는 갈등의 절반만을 보여준다. 공격자들은 기존 침입을 더 빠르고 저렴하며 방어자가 억제하기 어렵게 만들기 위해서도 AI를 활용하고 있다.

IBM의 2026년 침해 보고서는 이 두 문제를 구분한다. 하나는 API, 플러그인, 클라우드 워크로드, 모델, 학습 데이터를 포함한 AI 시스템 자체를 겨냥한 공격이다. 다른 하나는 범죄자들이 더 광범위한 표적을 상대로 딥페이크, 악성코드 또는 자동화 워크플로를 사용하는 AI 기반 공격이다.

이 구분은 가장 많이 인용되는 수치가 서로 다른 집단을 설명하기 때문에 중요하다. IBM은 조사 결과 공식 발표에서 악성 침해 4건 중 1건이 AI 기반이었으며, 이는 전년 대비 56% 증가한 수치라고 밝혔다. 별도로, 조직의 20% 이상은 AI 모델이나 애플리케이션을 겨냥한 침해를 보고했다.

영국 결과는 또 다른 지표를 더한다. 해당 연구 보도에 따르면, 영국 기업의 22%가 지난 1년 동안 AI 관련 보안 침해를 경험했다. 이 세 가지 비율을 모두 같은 의미로 간주하면 연구가 입증한 내용을 과장하게 된다.

더 근본적인 발견은 쉽게 무시하기 어렵다. 기업의 AI 도입은 보안팀이 관리해야 할 신원, 인터페이스, 데이터 흐름, 자동화된 작업을 늘렸다. 공격자들이 반드시 모델 자체를 침해할 필요는 없다. 모델을 둘러싼 일반적인 시스템을 악용할 수 있다.

이는 빠른 AI 배포와 통제 체계를 구축하는 더딘 작업 사이의 경쟁을 만든다. 같은 기술은 방어도 강화하기 때문에, 조직에는 AI에서 물러서기보다 더 많이 배포할 이유가 생긴다.

IBM의 2026년 수치가 실제로 보여주는 것

AI는 이제 침해 방정식의 양쪽에 등장한다. 공격자의 표적이자 그들이 사용하는 도구다.

IBM은 7월 29일 2026년 데이터 유출 비용 보고서를 발표했다. 기초 연구는 Ponemon Institute가 수행했고, IBM이 이를 후원하고 분석했다. 데이터세트는 2025년 3월부터 2026년 2월까지 전 세계 602개 조직이 경험한 침해를 포괄한다.

이 보고서는 전 세계 평균 침해 비용을 499만 달러로 제시한다. 이는 연간 12% 증가한 수치이자 이 연구의 최고 기록이다. IBM은 탐지, 대응 단계 확대, 사업 손실 비용 증가를 원인으로 꼽았다.

AI 기반 악성 침해는 이보다 더 큰 비용을 초래했다. IBM은 평균 비용이 600만 달러로, 전 세계 전체 평균보다 약 100만 달러 높았다고 보고했다. 이 사건들은 악성 침해 4건 중 1건을 차지했고 전년 대비 56% 증가했다.

AI 기반이라는 것은 공격자가 작전 중 AI를 사용했다는 뜻이다. 영국 중심 보도에 따르면 딥페이크 사칭은 이 범주에서 45%에 나타나 가장 자주 보고된 형태였다. AI 기반 악성코드와 피싱도 증가에 기여했다.

AI 시스템을 겨냥한 공격은 관련돼 있지만 별개의 범주를 이룬다. 조직의 20% 이상은 AI 모델이나 애플리케이션을 겨냥한 침해를 보고했다. 가장 흔한 진입점은 모델 수학을 겨냥한 이색적인 공격이 아니었다.

손상된 API, 애플리케이션 또는 플러그인은 보고된 원인의 27%를 차지했다. AI 워크로드에 영향을 미친 클라우드 구성 오류도 27%를 차지했다. 이 대칭성은 익숙한 보안 문제를 가리킨다. 새로운 AI 서비스는 접근 권한, 통합, 인프라 관리에서 기존의 취약점을 물려받는 경우가 많다.

API, 즉 애플리케이션 프로그래밍 인터페이스는 소프트웨어 시스템이 요청과 데이터를 교환하도록 한다. 플러그인은 애플리케이션이 다른 서비스나 기능에 접근할 수 있게 한다. AI 애플리케이션이 광범위한 권한을 받거나 민감한 기업 정보를 다룰 때, 둘 다 높은 가치의 경로가 될 수 있다.

초기 보도는 영국 결과도 부각했다. 이에 따르면 영국 기업의 22%가 전년 AI 관련 보안 침해를 경험했다. 평균 영국 침해 비용은 2025년 329만 파운드에서 2026년 313만 파운드로 하락했지만, 보고된 침해 건수는 2만9,000건에서 2만9,870건으로 증가했다.

이러한 국가별 수치는 글로벌 상황을 복잡하게 만든다. 영국 표본에서는 침해 발생 빈도가 높아졌지만 평균 비용은 감소했다. 금융 서비스 부문은 여전히 평균 546만 파운드의 비용에 직면했으며, 에너지 기업의 평균은 403만 파운드였다.

핵심은 모든 곳에서 다섯 번째 침해마다 같은 원인이 있다는 것이 아니다. IBM의 연구는 글로벌 및 국가별 표본 전반에서 서로 겹치는 여러 지표를 사용한다. 방어 가능한 결론은 AI 관련 노출이 더 이상 기업 보안의 예외적 사례가 아니라는 점이다.

Google News 헤드라인을 신중히 읽어야 하는 이유

“AI 관련 침해”라는 표현은 여러 서로 다른 사건을 포괄하며, 각각에는 다른 방어 대응이 필요하다.

google news를 통해 이 기사를 접한 독자는 침해 5건 중 1건에서 범죄자들이 AI 모델을 직접 해킹했다고 합리적으로 추정할 수 있다. 하지만 IBM의 데이터는 이처럼 단순화한 해석을 뒷받침하지 않는다.

조직은 자사의 AI 시스템을 겨냥한 공격을 겪을 수 있다. 공격자는 기존 시스템을 상대로 AI를 사용할 수 있다. 직원은 승인되지 않은 AI 서비스를 통해 데이터를 노출할 수 있다. 이 사건들은 겹치지만 동일하지는 않다.

이 측정 문제는 단순한 기술적 단서가 아니다. 이는 조직에 어떤 통제가 필요한지, 보안팀이 한정된 관심을 어디에 둬야 하는지를 결정한다.

모델 표적 공격은 학습 데이터, 자격 증명, 프롬프트 또는 검색 시스템을 통해 접근 가능한 기밀 정보를 노릴 수 있다. 또한 모델 입력을 조작하거나 자율 에이전트에 부여된 과도한 권한을 악용할 수도 있다.

AI 기반 공격은 공격자 측에서 기술을 사용한다. 딥페이크 음성 통화는 임원을 사칭할 수 있다. 생성형 도구는 설득력 있는 피싱 메시지를 만들고, 유인책을 번역하거나, 악성코드를 더 빠르게 변형하는 데 도움을 줄 수 있다.

Shadow AI는 세 번째 경로를 만든다. 이 용어는 공식 승인, 가시성 또는 거버넌스 없이 사용되는 AI 도구를 뜻한다. 직원들은 소비자용 챗봇에 고객 기록을 붙여넣거나, 검토되지 않은 브라우저 확장 프로그램을 설치하거나, 회의 보조 도구를 내부 문서에 연결할 수 있다.

IBM의 AI 감독 공백에 관한 2025년 연구는 유용한 역사적 맥락을 제공한다. 이 연구는 조사 대상 조직의 13%가 AI 모델 또는 애플리케이션과 관련된 침해를 경험한 것으로 나타났다고 밝혔다. 또 다른 8%는 그러한 침해가 발생했는지 알지 못했다.

AI 관련 침해를 보고한 조직 가운데 97%는 적절한 AI 접근 통제가 없었다. 이 사건의 60%에서는 데이터가 손상됐고, 31%는 운영 중단을 초래했다.

같은 연구에서는 조직 5곳 중 1곳이 Shadow AI와 연결된 침해를 보고한 것으로 나타났다. Shadow AI 수준이 높은 조직은 거의 또는 전혀 없는 조직보다 평균 침해 비용이 67만 달러 더 높았다.

거버넌스는 이미 뒤처지고 있었다. 침해를 겪은 조직의 63%는 AI 거버넌스 정책이 없거나 아직 개발 중이었다. 정책이 있는 조직 중에서도 34%만이 승인되지 않은 AI 사용을 정기적으로 감사했다.

이전 결과들은 2026년 증가가 더 그럴듯하다는 점을 보여준다. 기업들은 모델을 데이터, 애플리케이션, 비즈니스 프로세스에 연결하는 데 1년을 더 보냈다. 상당수는 취약한 통제 기반에서 출발했다.

그러나 연도별 비교에는 여전히 주의가 필요하다. IBM은 최근 더 심층적인 AI 측정을 도입했고, 정의의 변화는 보고된 발생 비율에 영향을 줄 수 있다. 더 나은 탐지는 조직이 과거에는 분류하지 못했던 사건을 마침내 인식하게 하면서 문제가 커진 것처럼 보이게 할 수도 있다.

IBM의 표본은 다른 모든 침해 비용 연구와 마찬가지로 면밀히 검토할 필요가 있다. 이는 무작위로 추출한 모든 기업의 조사 결과가 아니라 침해를 경험한 조직을 포괄한다. 평균 수치를 특정 기업이 잃게 될 금액의 예측으로 읽어서는 안 된다.

그럼에도 이 연구는 반복되는 패턴을 드러내기 때문에 가치가 있다. AI 사건은 취약한 접근 통제, 안전하지 않은 통합, 클라우드 구성 오류, 낮은 가시성을 중심으로 집중된다. 헤드라인의 비율에 맥락이 필요하더라도, 이는 실행 가능한 발견이다.

AI는 공격 비용을 낮추지만 방어 비용은 여전히 높다

핵심적인 상충 관계는 경제성에 있다. 공격자는 업무의 더 많은 부분을 자동화할 수 있는 반면, 방어자는 여전히 조사, 억제, 복구, 사업 손실 비용을 부담한다.

IBM은 AI가 사이버 위험의 경제 구조를 바꾸고 있다고 설명한다. 이 기술은 유인책을 만들고, 신뢰받는 사람을 사칭하며, 공격 변형을 시험하는 데 필요한 노동을 줄일 수 있다. 피해자는 대응에 드는 조직 전체의 비용을 여전히 온전히 감당해야 한다.

IBM Cybersecurity Services의 글로벌 매니징 파트너인 Mark Hughes는 고급 프런티어 모델이 공격자가 작전을 “며칠이 아니라 몇 분 만에” 수행할 수 있게 한다고 말했다. 이 주장은 위협에 대한 IBM의 해석을 반영하지만, 정확한 가속도는 공격에 따라 달라질 수 있어도 기본적인 방향성은 신뢰할 만하다.

딥페이크는 이러한 불균형을 보여준다. 범죄자는 모든 맥락에서 임원을 완벽하게 재현할 필요가 없다. 합성 음성이나 영상은 한 직원이 통제를 지나치도록 만들 만큼의 긴급성과 친숙함만 조성하면 된다.

기존 피싱 필터 역시 메시지, 링크, 알려진 악성 인프라를 평가한다. 음성, 영상 또는 이미 구축된 협업 계정을 통해 전달되는 세심하게 개인화된 요청은 이러한 익숙한 신호를 우회할 수 있다.

AI 에이전트는 기업 측의 위험도를 높인다. 에이전트는 제한된 사람의 개입으로 여러 시스템을 가로질러 작업을 계획하고 수행할 수 있는 소프트웨어다. 문서를 검색하고, 고객 기록을 업데이트하며, 코드를 실행하거나 워크플로를 시작할 수 있다.

각 작업에는 신원과 권한이 필요하다. 에이전트가 광범위한 접근 권한을 받으면, 탈취된 토큰이나 조작된 지시는 단일 챗봇 응답을 넘어서는 영향을 낳을 수 있다. 보안 경계는 모델 인터페이스에서 에이전트가 도달할 수 있는 모든 시스템으로 이동한다.

IBM의 보고서는 조직의 절반 이상이 위협 탐지와 억제를 위해 에이전트를 사용했다고 밝힌다. 취약점 관리에 이를 적용한 곳은 18%에 불과했다. 이러한 격차는 공격자들이 알려진 약점을 찾거나 악용할 더 빠른 수단을 얻는 동안, 알려진 취약점이 해결되지 않은 채 남게 한다.

핵심 인프라는 위험의 불균형적으로 큰 부분을 떠안는다. IBM은 연구에서 AI 기반 공격의 62%가 핵심 인프라 부문을 겨냥했다고 밝혔다. 금융 서비스와 에너지 부문에서 가장 높은 집중도가 기록됐다.

금융 서비스 침해의 글로벌 평균 비용은 630만 달러였다. 에너지 부문 침해는 평균 520만 달러였다. 어느 산업에서든 사건은 결제 네트워크, 공급업체, 고객 또는 필수 서비스를 통해 피해 기업 밖으로 확산될 수 있다.

랜섬웨어는 또 다른 경제적 압박을 더한다. IBM은 랜섬웨어 사건이 조사 대상 침해의 34%에서 39%로 늘었다고 보고했다. 공격자들은 점점 더 평판을 지렛대로 사용했으며, 이는 랜섬웨어 사례의 41%에서 언급됐다. 이어 직원 데이터가 35%, 지식재산이 31%였다.

이 전략은 복구 계산을 바꾼다. 시스템을 복원한다고 해서 유출된 정보나 평판 훼손이 사라지는 것은 아니다. 기업은 기술적 침입을 억제한 뒤에도 통지, 조사, 소송, 고객 이탈에 계속 직면할 수 있다.

AI는 규모 확장에 도움을 줄 수 있지만, 공격자가 접근 권한을 확보해야 한다는 필요성까지 없애지는 못한다. 자격 증명, 노출된 서비스, 패치되지 않은 소프트웨어, 사회공학은 여전히 핵심 요소다. 새로운 도구는 이러한 경로를 대체하는 것이 아니라 증폭한다.

따라서 핵심 갈등은 인간 대 기계가 아니다. 빠른 자동화와 파편화된 통제의 대립이다. 공격자는 하나의 침입 경로에 노력을 집중할 수 있지만, 방어자는 모든 ID, 통합, 데이터 저장소, 에이전트 활동을 이해해야 한다.

동일한 AI 도구는 침해 비용도 낮출 수 있다

IBM의 경고는 방어용 AI를 반대하자는 주장이 아니다. 이 보고서는 광범위한 보안 자동화가 상당한 비용 절감과도 연관돼 있음을 보여주기 때문이다.

보안 운영에 AI와 자동화를 광범위하게 활용한 조직은 전혀 사용하지 않은 조직보다 평균 비용이 193만 달러 낮았다. IBM의 2025년 연구도 비슷한 190만 달러의 차이와 침해 수명 주기 80일 단축을 보고했다.

침해 수명 주기는 IBM의 방법론상 서비스 복구를 포함해 사고를 식별하고 차단하는 데 걸리는 시간을 측정한다. 수명 주기가 짧아지면 조사 비용, 업무 중단, 공격자가 네트워크 내에서 이동할 수 있는 시간을 줄일 수 있다.

이 결과는 실제적인 상충 관계를 만든다. 기업은 기계 속도로 대응하기 위해 AI 기반 탐지가 필요하지만, 모든 방어 에이전트는 통제가 필요한 또 하나의 ID가 된다. 인벤토리, 권한 제한, 감사 추적 없이 배포하면 줄이려던 노출을 오히려 만들어낼 수 있다.

자동화는 증거가 명확하고 권한 범위가 제한된 작업에서 가장 효과적이다. 보안 시스템은 비정상 로그인과 의심스러운 토큰 요청을 연계하고, 엔드포인트를 격리하거나, 알려진 취약점의 우선순위를 정할 수 있다. 하지만 에이전트가 검토 없이 프로덕션 시스템을 변경할 수 있다면 이러한 조치는 더 위험해진다.

IBM은 에이전트에 대해 동적이고 ID 기반의 접근 제어를 권고한다. 실무적으로 이는 에이전트가 현재 작업에 필요한 권한만 받아야 한다는 뜻이다. 그 행동은 책임 있는 사람 또는 서비스에 귀속될 수 있어야 하며, 보안팀은 어떤 일이 발생했는지 재구성할 수 있어야 한다.

데이터 통제도 마찬가지로 중요하다. 조직은 민감한 기록이 어디에 있는지, 어떤 모델이 이를 검색할 수 있는지, 생성된 출력이 어디로 이동하는지를 알아야 한다. 분류와 실시간 모니터링은 AI 상호작용과 그로 인해 발생하는 데이터 위험을 연결하는 데 도움이 된다.

AI 워크로드는 단독으로 운영되는 경우가 드물기 때문에 클라우드 구성은 여전히 우선 과제다. AI 워크로드는 객체 스토리지, 데이터베이스, ID 서비스, 모델 엔드포인트, 타사 API에 의존한다. 완벽하게 보호된 모델이라도 공개된 데이터 버킷이나 노출된 관리자 자격 증명을 보완할 수는 없다.

암호화 역시 해결되지 않은 약점이다. IBM 표본에서 침해를 경험한 조직 중 저장 중인 데이터와 전송 중인 데이터 모두에 민감한 데이터를 암호화했다고 답한 곳은 37%에 불과했다. 암호화 자산에 대한 가시성을 갖춘 곳은 34%뿐이었다.

이 수치는 AI라는 큰 화제의 바깥에 놓여 있지만, 일반적인 통제가 여전히 중요한 이유를 보여준다. AI는 침입을 가속할 수 있지만, 결과는 데이터가 보호됐는지, 접근이 분리됐는지, 비정상 행동이 탐지됐는지에 달려 있다.

보안팀에는 AI 시스템의 정확한 인벤토리도 필요하다. 이 인벤토리에는 승인된 모델, 내장형 AI 기능, 에이전트, 서비스 계정, 플러그인, 데이터 연결, 직원이 접근할 수 있는 소비자용 서비스가 포함돼야 한다.

정책 문서만으로는 그러한 가시성을 제공할 수 없다. AI 거버넌스 정책을 보유한 조직 중 정기적인 섀도우 AI 감사를 수행한 곳은 34%에 불과했다는 IBM의 이전 조사 결과는 선언된 거버넌스와 운영상 집행 사이의 격차를 보여준다.

따라서 가장 신뢰할 수 있는 대응은 거버넌스와 엔지니어링을 결합하는 것이다. 정책은 허용 가능한 사용과 소유권을 정의한다. 기술적 통제는 시스템을 발견하고, 권한을 제한하며, 행동을 모니터링하고, 증거를 보존한다.

사고 대응 훈련에는 AI 관련 시나리오도 포함돼야 한다. 기업은 에이전트의 자격 증명을 폐기하고, 침해된 통합을 비활성화하며, 프롬프트와 로그를 보존하고, 시스템이 어떤 데이터에 접근했는지 판단하는 방법을 알아야 한다.

이러한 준비가 AI에 대한 전면 금지로 이어져서는 안 된다. 금지는 직원들을 가시성이 더 낮은 도구로 밀어낼 수 있다. 승인된 대안, 명확한 데이터 규칙, 사용하기 쉬운 검토 절차는 보안 가시성을 유지하면서 직원에게 더 안전한 경로를 제공한다.

IBM의 경고가 입증하지 않는 것

이 보고서는 심각한 노출 패턴을 확인하지만, AI 관련으로 분류된 모든 사고가 AI 때문에 발생했다는 점까지 보여주지는 않는다.

보안 통계는 원인, 표적, 그리고 공격을 가능하게 한 기술을 함께 묶는 경우가 많다. AI 애플리케이션 주변의 침해된 플러그인은 일반적인 자격 증명 탈취와 관련될 수 있다. 클라우드 구성 오류는 워크로드가 기존 분석 업무를 처리했더라도 동일한 데이터를 노출했을 수 있다.

영향을 받은 시스템이 AI 워크로드를 처리하기 때문에 이러한 사건을 AI 관련으로 부르는 것은 타당하다. 그렇다고 모델이 최초의 결함을 만들었다는 뜻은 아니다.

AI 기반 공격에도 같은 주의가 필요하다. 공격자가 언어 모델을 사용해 피싱 이메일을 작성할 수는 있지만, 결정적인 실패는 여전히 취약한 인증이나 직원의 사기성 요청 승인일 수 있다.

귀속은 또 다른 문제를 제기한다. 피해자는 합성 음성이나 영상을 받기 때문에 딥페이크 사용을 식별할 수 있다. 하지만 악성코드가 AI로 개발, 수정 또는 지시됐음을 입증하기는 더 어려울 수 있다.

조직마다 AI 개입을 탐지하는 능력도 다르다. 성숙한 보안팀은 침해된 에이전트 토큰을 식별하고 사고를 정확히 분류할 수 있다. 준비가 덜 된 기업은 동일한 행동을 일반적인 무단 접근으로 기록할 수 있다.

이는 보고상의 역설을 만든다. 더 강력한 모니터링은 심각도를 낮추는 동시에 측정되는 AI 관련 사고 수를 늘릴 수 있다. 발생 비율이 높아진다고 해서 모든 방어 조치가 실패하고 있다는 뜻은 아니다.

IBM의 상업적 위치 역시 투명하게 다뤄져야 한다. 이 회사는 보안 소프트웨어, 컨설팅, ID, 데이터 보호, AI 거버넌스 서비스를 판매한다. 보고서는 유용한 연구를 담을 수 있는 동시에 그러한 제품 수요를 뒷받침할 수도 있다.

방법론은 독자가 주장 내용을 평가하는 데 도움을 준다. Ponemon Institute는 전 세계에서 침해를 경험한 602개 조직을 연구했고, IBM은 이 작업을 후원하고 분석했다. 2026년 5월의 후속 설문에는 이들 조직 중 456곳이 참여했다.

이 후속 조사에서 85%는 고도화된 프런티어 AI 역량에 대한 인식이 보안 지출 증가로 이어질 것이라고 답했다. 반면 초기 연구에서는 침해를 겪은 뒤 더 지출할 계획이라고 답한 비율이 64%였다.

이 비교는 프런티어 AI 관련 보고서가 사고 발생 전에 예산에 영향을 준다는 점을 시사한다. 모든 계획된 투자가 위험을 줄이거나, 자율 방어가 항상 최선의 자금 활용이라는 점을 입증하지는 않는다.

조직은 여전히 어떤 통제가 측정 가능한 이점을 만드는지 판단해야 한다. 보안 도구가 너무 많으면 중복 경보, 경쟁하는 대시보드, 불분명한 책임 소재가 생길 수 있다. 어떤 팀도 개선 조치를 맡지 않는다면 약점을 식별하는 에이전트의 가치는 제한적이다.

가장 유용한 해석은 양극단을 모두 피한다. AI는 기존 보안을 무효화하는 마법 같은 새로운 공격 범주도 아니며, 익숙한 침해에 붙인 마케팅용 꼬리표도 아니다.

AI는 확대되는 엔터프라이즈 공격 표면과 연결된 가속 요인이다. 일부 공격의 속도와 규모를 키우는 동시에 새로운 ID, 인터페이스, 민감한 맥락의 저장소를 만든다.

모든 IBM 수치를 보편적인 사실로 취급하지 않아도 이 결론은 중요하다. 이는 접근 제어, 통합 보안, 클라우드 구성, 데이터 가시성, 대응 속도로 주의를 돌린다.

Google News 주기 이후 주목할 세 가지 신호

다음 시험대는 조직이 우려를 더 빠른 개선 조치, 더 엄격한 에이전트 권한, 더 낮은 사고 비용으로 전환하는지 여부다.

첫 번째 신호는 취약점 관리에 AI를 도입하는 추세다. IBM은 절반이 넘는 조직이 탐지와 차단에 에이전트를 사용한 반면, 취약점 관리에 활용한 곳은 18%에 불과하다고 밝혔다.

탐지는 침입 이후 또는 침입 중의 의심스러운 활동을 찾아낸다. 취약점 관리는 공격자가 악용하기 전에 약점을 다룬다. 18%라는 수치가 상승한다면, 조직은 보안 사슬의 더 이른 단계에 자동화를 적용하게 되는 셈이다.

이는 방어가 공격자 속도에 더 가까이 작동해야 한다는 IBM의 주장을 강화할 것이다. 도입이 경보 처리 영역에만 집중된다면, 보안팀이 얼마나 많은 AI 도구를 구매하든 개선 조치의 격차는 남을 것이다.

중요한 척도는 배포된 에이전트 수가 아니다. 약점 발견과 수정 사이의 시간이다. 조직은 자동화가 무단 변경이나 운영 불안정을 만들지 않으면서 이 간격을 줄이는지 추적해야 한다.

두 번째 신호는 에이전트 ID 통제의 품질이다. 기업은 에이전트를 개발 환경, 고객 시스템, 문서 저장소, 운영 도구에 연결하고 있다. 이러한 연결에는 좁게 범위가 정해진 권한, 단기간 자격 증명, 신뢰할 수 있는 귀속이 필요하다.

의미 있는 개선은 인벤토리와 접근 검토에서 나타날 것이다. 보안팀은 어떤 에이전트가 존재하는지, 누가 소유하는지, 어떤 데이터에 도달할 수 있는지, 어떤 행동을 수행할 수 있는지 알아야 한다.

조직이 런타임 통제를 시행하고 있다는 증거는 IBM이 제안한 대응을 뒷받침할 것이다. 광범위한 권한을 가진 정적 서비스 계정에 계속 의존한다면 그 주장은 약화될 것이다.

사고 검토는 또 다른 단서를 제공한다. 에이전트가 보안 사건에 기여했을 때 기업은 해당 에이전트의 지시, 도구 호출, ID 전환, 데이터 접근을 재구성할 수 있어야 한다. 기록이 누락됐다면 도입 속도가 여전히 거버넌스를 앞지르고 있음을 보여준다.

세 번째 신호는 내년의 침해 경제성이다. 가장 명확한 비교는 AI 기반 사고가 계속해서 글로벌 평균보다 더 많은 비용을 유발하는지, 그리고 방어 자동화가 보고된 비용 절감 효과를 유지하는지 여부가 될 것이다.

IBM의 2026년 수치는 까다로운 기준선을 제시한다. 전 세계 평균 침해 비용은 499만 달러, AI 기반 악의적 침해는 600만 달러, 광범위한 보안 자동화와 연관된 절감액은 193만 달러다.

비용 격차가 좁아진다면 통제가 따라잡고 있음을 시사할 것이다. 격차가 넓어진다면 공격자의 효율성과 엔터프라이즈 복잡성이 계속해서 방어의 성과를 앞지르고 있음을 의미할 것이다.

독자는 향후 보고서가 동일한 범주를 유지하는지도 지켜봐야 한다. AI 기반 공격, AI 시스템 대상 공격, 섀도우 AI에 대한 안정적인 정의는 연도별 비교의 신뢰성을 높인다.

현재의 google news 헤드라인은 사라지겠지만, 운영상의 질문은 남는다. 기업은 환경 내부에서 작동하는 모든 AI 에이전트를 식별할 수 있는가? 접근 권한을 신속하게 폐기할 수 있는가? 침해된 시스템이 어떤 정보에 도달했는지 판단할 수 있는가?

이 질문들은 개발자, 보안 리더, 엔터프라이즈 구매자, 지식 근로자에게 중요하다. 개발자는 AI 애플리케이션이 노출하는 권한과 로그를 결정한다. 구매자는 공급업체가 활용 가능한 보안 증거를 제공하는지 판단한다. 직원은 민감한 정보가 어디로 이동하는지에 영향을 미친다.

팀은 이러한 결정, 시스템 인벤토리, 사고 기록, 접근 가정을 검색 가능한 지식 기반에 보존해야 한다. 문서화가 기술적 집행을 대체할 수는 없지만, 맥락이 없으면 조사와 책임 규명이 더 느려진다.

IBM의 가장 중요한 경고는 5분의 1이라는 수치 자체가 아니다. 조직이 AI를 실제 업무에 연결하는 속도와, 그러한 연결 주변에 가시성을 구축하는 느린 속도 사이의 격차가 커지고 있다는 점이다.

실질적인 대응은 한 가지 행동에서 시작한다. 이미 사용 중인 모든 모델, 에이전트, 플러그인, ID, 데이터 소스를 매핑하라. 그다음 어떤 연결이 민감한 시스템으로 이어지는 가장 큰 미감시 경로를 만드는지 물어야 한다.

다음 침해가 그 질문을 강요하기 전에, 조직이 그 인벤토리를 수행한다면 무엇을 발견하게 될까?