보이지 않는 AI가 기업 네트워크 자산 목록을 앞지르고 있다

KnowBe4는 오래된 보안 전제에 다시 압박을 가하고 있다. 승인된 자산 목록이 더는 모든 활성 자산이 파악돼 있음을 증명하지 못한다는 것이다. Google News 항목은 기존 기록에서 놓칠 수 있는 AI 서비스, 숨겨진 기기 및 기타 자산을 조명한다. 이 조합은 관리상의 취약점을 현재 진행형의 보안 문제로 바꾼다.

중요한 충돌은 한 보안 벤더와 다른 보안 벤더 사이의 문제가 아니다. 이는 정적 기록과 지속적 증거 사이의 충돌이다. 조달 데이터베이스는 조직이 자신이 소유한다고 믿는 것을 설명하는 반면, 네트워크·엔드포인트·ID·브라우저 텔레메트리는 사람들이 실제로 사용하는 것을 드러낸다.

AI 기능이 소프트웨어, 브라우저 확장 프로그램, 애플리케이션 프로그래밍 인터페이스 및 기존 생산성 제품군 전반으로 확산되면서 이 격차는 더 커졌다. 서비스가 별도로 구매한 제품으로 도입되지 않을 수도 있다. 업데이트, 개인 계정, API 키 또는 직원 소유 기기를 통해 나타날 수 있다.

따라서 KnowBe4의 주장은 일상적인 자산 관리를 넘어선다. 보안팀은 물리적 하드웨어와 함께 소프트웨어 동작, 데이터 이동, ID 및 외부 서비스를 발견해야 한다. 동시에 모든 이례적 연결을 악성으로 간주하지 않고 이를 수행해야 한다.

Google News 항목이 드러내는 더 광범위한 자산 목록의 실패

핵심 변화는 단순하다. 보안 자산 목록은 승인된 소유권뿐 아니라 관찰된 활동을 설명해야 한다.

Google News 항목은 이 문제를 세 가지 자산 유형으로 제시한다. AI 도구는 외부 서비스와 내장 소프트웨어를 나타낸다. 숨겨진 기기는 일반적인 등록 절차를 우회한 하드웨어를 뜻한다. 미확인 자산은 텔레메트리에는 보이지만 권위 있는 기록에는 없는 모든 대상을 포괄한다.

이러한 유형은 서로 겹치지만, 각기 다른 질문을 낳는다. 개인 노트북이 관리되지 않는 브라우저를 통해 승인된 AI 서비스에 접근할 수 있다. 승인된 노트북이 API를 통해 승인되지 않은 모델을 사용할 수도 있다. 승인된 생산성 플랫폼이 별도의 구매 절차 없이 새로운 AI 기능을 활성화할 수 있다.

전통적인 자산 목록은 노트북과 생산성 제품군을 기록하면서도 위험한 행동은 놓칠 수 있다. AI 벤더를 기록하더라도 어떤 직원이 이를 사용하는지는 보여주지 못할 수 있다. 어느 기록도 어떤 데이터가 경계를 넘는지 설명하지 못한다.

이 때문에 기기 목록만으로는 현대적 위험 의사결정을 뒷받침할 수 없다. 보안팀에는 사용자, 엔드포인트, 애플리케이션, ID, 데이터 및 목적지를 연결하는 관계 맵이 필요하다. 각 관찰 결과는 실행 가능한 조치가 되기 전에 맥락을 필요로 한다.

이 문제는 생성형 AI를 넘어선다. 카메라, 프린터, 실험 장비, 빌딩 제어 장치, 가상 머신, 컨테이너 및 임시 클라우드 리소스 모두 수동 기록을 벗어날 수 있다. 일부는 표준 관리 에이전트를 갖추지 못했다. 다른 일부는 잠시 나타났다 다음 정기 검토 전에 사라진다.

NIST는 CSF 2.0에서 이러한 더 넓은 범위를 공식화했다. 자산 관리 결과에는 하드웨어, 소프트웨어, 시스템, 서비스, 공급업체, 데이터 및 네트워크 흐름이 포함된다. 이 프레임워크는 식별을 연례 회계 작업이 아닌 지속적인 위험 관리로도 다룬다.

이 구분은 중요하다. 미확인이 곧 적대적이라는 뜻은 아니기 때문이다. 새로 관찰된 기기는 문서화가 아직 완료되지 않은 승인된 교체 장비일 수 있다. 낯선 도메인은 승인된 벤더의 콘텐츠 전송 시스템에 속할 수 있다. AI 관련 엔드포인트는 직원이 의식적으로 활성화한 적 없는 기능을 지원할 수도 있다.

따라서 발견 절차는 분류를 위한 대기열을 만들어야 한다. 자동으로 처벌이나 격리를 촉발해서는 안 된다. 팀은 소유자, 목적, 민감도 및 비즈니스 중요도를 판단할 충분한 증거가 필요하다.

KnowBe4의 헤드라인이 설득력 있는 이유는 이러한 사례를 하나의 불편한 질문으로 압축하기 때문이다. 방어자는 이름조차 알 수 없는 자산을 보호할 수 있는가? 답은 또 다른 스캐너를 구매하는 것보다 여러 불완전한 관점을 조정하는 데 더 크게 달려 있다.

Shadow AI는 양방향에서 보안팀을 압박한다

보안 리더는 유용한 업무를 차단하거나 과도한 직원 감시를 초래하지 않으면서 승인되지 않은 AI 사용을 밝혀내야 한다는 압박에 직면해 있다.

Shadow AI는 조직의 승인된 기술 절차 밖에서 사용되는 AI 서비스 또는 기능을 의미한다. 이 용어는 직원이 공개 챗봇을 방문하는 것 이상을 포괄한다. 개인 API 계정, 코딩 보조 도구, 브라우저 확장 프로그램, 내장 기능 및 로컬 하드웨어에서 실행되는 모델도 포함된다.

각 경로는 서로 다른 증거를 남긴다. 브라우저 접근은 웹 또는 도메인 이름 로그에 나타날 수 있다. API 활동은 클라우드, 저장소 또는 시크릿 관리 기록에 나타날 수 있다. 로컬 모델은 파일이 도착한 뒤에는 외부 연결을 전혀 만들지 않을 수 있다.

이러한 분절화는 보안팀을 두 가지 요구 사이에 놓는다. 경영진은 기밀 정보가 외부 시스템으로 들어갈 수 있으므로 신뢰할 수 있는 AI 자산 목록을 원한다. 직원들은 조사, 초안 작성, 코딩, 분석 및 소통에 도움이 되는 도구에 접근하기를 원한다.

전면 차단은 명확한 정책을 제공하지만 운영 가시성은 약하다. 사람들은 개인 기기, 모바일 연결 또는 덜 익숙한 서비스로 전환할 수 있다. 그러면 조직은 사용 현황을 파악하고, 행동을 안내하거나, 더 안전한 대안을 제공할 기회를 잃는다.

무제한 접근은 반대의 문제를 만든다. 직원들은 고객 정보, 계약서, 소스 코드, 회의 메모 또는 내부 전략을 보존 규칙이 익숙하지 않은 서비스에 제출할 수 있다. 평판이 좋은 제공업체라도 특정 데이터 등급에는 적합하지 않을 수 있다.

Microsoft의 AI 앱 발견 가이드는 행동 수준의 통제로 전환하는 흐름을 보여준다. 이 가이드는 방문, 업로드, 붙여넣은 콘텐츠 및 기타 위험한 상호작용에 대한 가시성을 설명한다. 이는 애플리케이션이 조달 목록에 있는지 확인하는 것과는 다른 작업이다.

ID는 또 다른 계층을 더한다. 회사 계정과 개인 계정은 동일한 엔드포인트를 통해 같은 서비스에 접근할 수 있다. 도메인 수준 모니터링은 목적지를 식별할 수 있지만, 적용 계약, 보존 설정 또는 사용자 권한까지는 식별하지 못할 수 있다.

내장 AI는 분류를 더욱 복잡하게 만든다. 익숙한 애플리케이션이 정기 업데이트를 통해 요약, 전사, 예측 또는 콘텐츠 생성 기능을 추가할 수 있다. 기반 제품은 여전히 승인돼 있지만, 데이터 처리 방식은 바뀐다.

따라서 보안팀은 서로 연관된 두 가지 자산 목록을 유지해야 한다는 압박을 받는다. 첫 번째는 기술 자산과 서비스를 포괄한다. 두 번째는 승인된 사용 사례, 데이터 등급, ID, 소유자 및 통제 요건을 포괄한다.

두 번째 자산 목록은 보안 부서만의 소관일 수 없다. 조달 부서는 계약을 알고 있다. 법무 부서는 사용 약관을 이해한다. 개인정보 보호팀은 데이터 처리를 평가한다. 부서 리더는 직원에게 도구가 필요한 이유를 안다. 플랫폼 소유자는 구성과 로깅을 이해한다.

필요한 대응은 기술적인 만큼이나 조직적이다. 보안 부서는 발견 결과를 소유권 결정으로 전환하는 반복 가능한 절차를 구축해야 한다. 그렇지 않으면 탐지 시스템은 거버넌스를 만들지 못한 채 경고만 생성한다.

직원에게도 사용하기 쉬운 신고 경로가 필요하다. 유용한 AI 기능을 발견한 직원은 자동적인 거절을 예상하지 않고 검토를 요청할 수 있어야 한다. 이 절차는 수요가 관리 채널 밖으로 완전히 이동하기 전에 이를 드러낸다.

AI 도입 속도는 연례 검토 주기보다 빠르게 변하기 때문에 이 압박은 지속될 것이다. 분기별 자산 목록도 며칠 만에 수천 건의 내부 상호작용을 얻은 서비스를 놓칠 수 있다. 지속적인 발견은 더 신속한 승인 및 개선 절차로 이어져야 한다.

지속적 증거가 정적 자산 목록을 대체하고 있다

성공적인 접근 방식은 여러 불완전한 신호를 결합한 뒤, 그 사이의 불일치를 측정한다.

단일 센서로는 모든 자산을 식별할 수 없다. 능동 스캐닝은 도달 가능한 시스템을 탐색하지만 민감한 운영 장비를 방해할 수 있다. 수동 모니터링은 트래픽을 안전하게 관찰하지만, 통신하지 않는 기기는 보이지 않은 채 남을 수 있다. 엔드포인트 에이전트는 상세 정보를 제공하지만 관리되지 않는 하드웨어에는 그러한 에이전트가 없다.

신뢰할 수 있는 발견 프로그램은 각 소스를 부분적 증거로 다룬다. 네트워크 기록은 연결을 보여준다. ID 시스템은 계정과 인증을 보여준다. 엔드포인트 플랫폼은 설치된 애플리케이션, 프로세스, 확장 프로그램 및 로컬 파일을 보여준다. 클라우드 제어 플레인은 리소스와 서비스 관계를 보여준다.

조달 및 구성 데이터베이스도 여전히 중요하다. 이들은 소유권, 계약, 수명 주기 및 비즈니스 맥락을 제공한다. 이들의 약점은 쓸모없다는 데 있지 않다. 종종 현재 행동이 아닌 의도를 설명한다는 데 있다.

첫 번째 실무 단계는 권위 있는 기대치를 정의하는 것이다. 팀에는 승인된 기기, 서비스, ID, AI 도구, 데이터 등급 및 네트워크 경로의 목록이 필요하다. 이 목록들은 기준선을 형성하지만, 결코 유일한 현실 버전이 되어서는 안 된다.

두 번째 단계는 관찰 결과를 지속적으로 수집하는 것이다. DHCP 및 주소 확인 기록은 연결된 하드웨어를 드러낼 수 있다. 도메인 이름 및 프록시 로그는 외부 서비스를 보여줄 수 있다. 인증 로그는 활동을 ID와 연결할 수 있다. 엔드포인트 데이터는 트래픽을 시작한 프로세스를 식별할 수 있다.

클라우드 환경에는 별도의 발견 경로가 필요하다. 리소스는 자동화를 통해 나타났다가 워크로드가 끝난 뒤 사라질 수 있다. 컨테이너, 서버리스 함수, 관리형 데이터베이스 및 임시 개발 환경은 전통적 기기와 닮지 않을 수 있다.

AI 사용은 애플리케이션 계층의 증거를 추가한다. 팀은 알려진 서비스 범주, 브라우저 확장 프로그램, OAuth 권한, 모델 관련 API 키 및 외부 목적지로의 이례적 전송을 살펴볼 수 있다. 또한 최근 AI 기능을 추가한 승인 제품을 검토할 수 있다.

세 번째 단계는 조정이다. 관찰된 모든 객체는 예상 기록과 대조돼야 한다. 예상 기록마다 여전히 존재한다는 최신 증거가 있어야 한다. 불일치는 작업 대기열이 된다.

이 대기열에는 명확한 범주가 필요하다. 자산은 승인 및 문서화됨, 승인됐지만 문서화되지 않음, 승인되지 않았지만 무해함, 의심스러움 또는 더 이상 존재하지 않음으로 분류될 수 있다. 미확인은 영구 보관 상태가 아니라 임시 분류여야 한다.

우선순위는 노출도와 결과를 따라야 한다. 미확인 인터넷 연결 게이트웨이는 격리된 테스트 기기보다 더 신속한 검토가 필요하다. 규제 대상 데이터를 수신하는 서비스는 공개 마케팅 문구를 처리하는 서비스보다 더 많은 주의가 필요하다.

운영 기술에는 추가적인 주의가 필요하다. 이러한 시스템은 흔히 긴 수명 주기, 특수 프로토콜 및 능동 스캐닝에 대한 제한된 내성을 가진다. 여러 기관이 공동으로 마련한 OT 자산 목록 가이드는 문서화, 물리적 점검 및 네트워크 기반 정보를 결합할 것을 권고한다.

이 가이드는 기기 역할, 호스트명, 네트워크 주소, 제조업체, 모델, 운영 체제, 위치, 프로토콜, 포트, 서비스 및 사용자 계정을 포함한 유용한 속성도 제시한다. 이러한 속성은 관찰된 주소를 위험 의사결정으로 전환하는 데 도움이 된다.

이 메커니즘은 성공을 측정하는 방식도 바꾼다. 큰 자산 목록이 자동으로 좋은 자산 목록인 것은 아니다. 유용한 프로그램은 범위, 최신성, 조정 시간, 소유권 및 해결되지 않은 미확인 항목의 경과 시간을 측정한다.

변경 후 알려진 자산이 얼마나 자주 미확인 상태로 전환되는지도 추적해야 한다. 이 지표는 온보딩, 오프보딩, 조달, 구성 프로세스의 문제를 드러낸다. 이후 발견 활동은 이러한 격차를 만든 시스템을 개선하는 데 활용될 수 있다.

그 결과는 완벽한 가시성이 아니다. 변화는 탐지하고, 불확실성은 기록하며, 책임은 배정하는 방어 가능한 프로세스다. 정확성을 누구도 입증할 수 없는 보기 좋은 스프레드시트보다 이것이 더 가치 있다.

AI 도구와 숨겨진 기기는 서로 다른 단서를 남긴다

미확인 자산은 팀이 자산 유형에 따라 그 신호를 조사할 때 관리 가능한 대상으로 전환된다.

숨겨진 물리적 기기는 보통 네트워크 계층의 흔적을 남긴다. 주소를 요청하고, 이름을 확인하며, 서비스를 알리고, 피어와 통신하거나 외부 목적지에 접속한다. 하드웨어 주소로 제조업체를 추정할 수 있는 경우도 있지만, 이 단서만으로 결론을 내릴 수는 없다.

이후 팀은 구체적인 질문을 던질 수 있다. 어느 네트워크 세그먼트에서 이를 관찰했는가? 처음 나타난 시점은 언제인가? 일정한 주기로 다시 나타나는가? 어떤 프로토콜을 사용하는가? 트래픽이 프린터, 카메라, 휴대전화, 서버 또는 컨트롤러와 유사한가?

네트워크 접근 제어는 인증을 요구하거나 익숙하지 않은 기기를 제한된 세그먼트에 배치할 수 있다. 그러나 격리는 운영상 영향을 고려해야 한다. 문서화가 부실하더라도 미확인 의료, 제조 또는 건물 제어 기기는 필수 기능을 지원할 수 있다.

미확인 클라우드 자산은 또 다른 양상을 보인다. 계정, 소유자 태그, 배포 템플릿 또는 서비스 ID를 가질 수 있다. 조사 담당자는 생성 이벤트를 사용자, 자동화 파이프라인, 티켓, 저장소 또는 프로젝트와 연결해야 한다.

숨겨진 AI 서비스는 목적지는 보이더라도 사용 사례가 불분명할 수 있어 분류가 더 어려울 수 있다. 모델 제공업체의 도메인이 보인다고 해서 사용자가 공개 텍스트를 제출했는지, 기밀 소스 코드를 제출했는지는 알 수 없다.

브라우저와 엔드포인트 컨텍스트는 이 격차를 좁히는 데 도움이 된다. 관리형 브라우저는 방문, 업로드, 붙여넣은 콘텐츠, 다운로드 및 계정 유형을 구분할 수 있다. 엔드포인트 제어는 발신 애플리케이션을 식별하고 정보 민감도에 따라 규칙을 적용할 수 있다.

API 기반 사용에는 다른 증거가 필요하다. 보안 팀은 시크릿 저장소, 소스 저장소, 지속적 통합 시스템, 클라우드 게이트웨이, 비용 기록 및 외부 서비스 호출을 검토해야 한다. 개인 키는 중앙 관리 계정과 사용 한도를 우회할 수 있다.

OAuth 권한 부여에도 주의가 필요하다. OAuth는 한 서비스가 사용자를 대신해 다른 서비스에 접근하도록 허용한다. 사서함, 캘린더, 드라이브 또는 저장소에 접근하는 AI 어시스턴트는 새 기기가 없더라도 중요한 자산 관계가 될 수 있다.

로컬 모델은 가시성 문제를 뒤집는다. 추론 활동은 엔드포인트에 머무를 수 있지만, 모델 다운로드와 지원 도구는 관찰 가능한 이벤트를 만든다. 저장 공간 증가, 패키지 설치, 프로세스 실행 및 그래픽 프로세서 사용은 유용한 컨텍스트를 제공할 수 있다.

내장 기능에는 공급업체 검토가 필요하다. 팀은 승인된 애플리케이션의 릴리스 노트, 관리 설정, 하위 처리업체 및 계약 변경 사항을 모니터링해야 한다. 알려진 공급업체도 익숙한 제품명을 바꾸지 않고 새로운 데이터 경로를 도입할 수 있다.

지식 근로자는 또 다른 문서화 과제를 만든다. 하나의 작업 중 여러 도구를 결합해 회의 녹화기, 챗봇, 문서 편집기 및 프로젝트 플랫폼 사이로 콘텐츠를 옮길 수 있다. 개별 도구는 모두 승인되었더라도, 결합된 흐름은 정책을 위반할 수 있다.

명확한 AI 지식 베이스를 유지하면 팀이 승인된 워크플로, 소유자, 증거 및 데이터 경계를 문서화하는 데 도움이 된다. 문서는 기술적 관찰을 대체하기보다 조사를 지원해야 한다.

분류 프로세스는 조치로 마무리되어야 한다. 승인된 자산은 관리형 인벤토리에 등록된다. 불필요한 서비스는 접근 권한을 잃는다. 잘못 구성된 도구에는 더 안전한 설정이 적용된다. 의심스러운 시스템은 사고 대응 절차로 이동한다. 불명확한 사례는 소유자가 나타날 때까지 제한된 접근 권한을 유지한다.

이 접근법은 모든 미확인 항목을 동일하게 취급하지 않는다. 또한 스캐너가 이름을 표시했다고 해서 자산 발견이 완료된 것은 아니라는 점을 인식한다. 조직은 목적, 통제 및 데이터 노출을 이해해야 한다.

더 많은 가시성은 자체적인 보안 및 개인정보 위험을 만들 수 있다

수집이 정의된 보안 목적을 넘어설 때 지속적 발견은 역효과를 낸다.

광범위한 모니터링에 대한 가장 강력한 반론은 개인정보 보호다. 브라우저, 엔드포인트, ID 및 네트워크 기록은 직원 행동을 상당히 상세하게 드러낼 수 있다. 이러한 기록을 결합하면 조사 가치는 높아지지만, 오용 가능성도 커진다.

조직은 무엇을 수집하는지, 왜 수집하는지, 누가 접근할 수 있는지, 얼마나 오래 보관하는지를 정의해야 한다. 섀도우 AI 프로그램은 보안 관련 이벤트에 집중해야 한다. 직원 활동을 평가하는 일반 시스템이 되어서는 안 된다.

개인 기기는 특히 어려운 경계를 만든다. 회사는 직원의 전체 기기에 대한 가시성을 주장하지 않으면서도 기업 데이터에 대한 접근은 통제할 수 있다. 관리형 애플리케이션, 보호된 업무 공간 및 조건부 접근은 이러한 분리를 유지할 수 있다.

오탐은 또 다른 위험을 만든다. 공유 인프라, 콘텐츠 전송 네트워크, 공급업체 통합 및 백그라운드 서비스는 일반적인 트래픽도 낯설게 보이도록 만들 수 있다. 도메인이나 라벨을 기준으로 자동 차단하면 정당한 업무가 중단될 수 있다.

분류 데이터베이스도 빠르게 노후화된다. 새로운 AI 서비스가 등장하고, 공급업체는 제품명을 바꾸며, 기존 플랫폼에는 모델 기반 기능이 추가된다. 정적인 공급업체 목록에 의존하는 탐지 규칙은 새 서비스를 놓치고 기존 서비스를 잘못 분류하게 된다.

암호화는 네트워크 검사를 제한한다. 게이트웨이는 대개 목적지와 연결 메타데이터를 볼 수 있지만, 사용자가 무엇을 제출했는지 항상 판단할 수는 없다. 트래픽 복호화는 가시성을 높이는 동시에 개인정보, 인증서, 성능 및 운영상의 우려를 만든다.

엔드포인트 모니터링은 일부 격차를 메우지만, 범위 문제를 야기한다. 계약자, 비관리 시스템, 모바일 기기 및 특수 장비에는 에이전트가 없을 수 있다. 보안 팀은 부분적 범위를 확실성으로 제시하지 말고 이러한 사각지대를 보고해야 한다.

발견을 통제와 동일시하는 데에도 거버넌스 위험이 있다. AI 서비스를 발견했다고 해서 그 사용이 필요했는지, 비공식적으로 승인됐는지, 기존 계약의 적용을 받는지는 알 수 없다. 기술적 증거에는 책임 있는 비즈니스 소유자가 필요하다.

따라서 KnowBe4의 프레이밍은 식별되지 않은 모든 자산이 위험하다는 증거가 아니라 가시성에 대한 경고로 다뤄야 한다. 제공된 출처는 측정된 침해, 보편적인 탐지율 또는 문제를 해결하는 단일 제품을 입증하지 않는다.

NIST의 프레임워크는 중요한 제약을 제공한다. 조직이 분류, 중요도, 리소스 및 임무 영향에 따라 자산의 우선순위를 정하도록 요구한다. 이는 팀이 모든 이상 징후에 동일한 노력을 쏟지 않도록 한다.

성숙한 프로그램은 센서의 한계도 측정한다. 각 보고서는 어떤 네트워크, 엔드포인트, ID, 클라우드 계정 및 원격 사용자가 포함됐는지 명시해야 한다. 관찰되지 않은 상태와 실제로 존재하지 않는 상태를 구분해야 한다.

보안 팀은 통제된 실험을 통해 자체 주장도 검증할 수 있다. 승인된 테스트 기기, 임시 클라우드 리소스, 브라우저 확장 프로그램 및 AI API 호출을 도입할 수 있다. 목표는 각 사례를 어떤 신호가 탐지하는지, 분석가가 이를 얼마나 빨리 분류하는지를 측정하는 것이다.

이러한 테스트에는 실패 조건도 포함해야 한다. 기기가 아무런 신호를 보내지 않으면 어떻게 되는가? 개인 API 트래픽이 관리형 게이트웨이를 우회할 수 있는가? 내장 AI 기능이 별도 서비스로 표시되는가? 팀이 해당 기능의 데이터 소유자를 식별할 수 있는가?

답은 환경마다 다를 것이다. 바로 이러한 차이 때문에 조직은 완전한 가시성이라는 주장을 경계해야 한다. 방어 가능한 목표는 측정 가능한 범위, 알려진 사각지대 및 지속적으로 짧아지는 불확실성 기간이다.

네트워크 발견이 따라잡고 있는지 보여줄 세 가지 신호

다음 시험대는 조직이 더 많은 텔레메트리를 더 빠르고 안전한 의사결정으로 전환할 수 있는지다.

첫 번째 신호는 조정 속도다. 팀은 최초 관찰과 분류 사이의 시간을 측정해야 한다. 이 간격이 짧아진다는 것은 발견, 소유권 및 대응 프로세스가 함께 작동하고 있음을 뜻한다.

이 지표는 자산 클래스별로 분리해야 한다. 물리적 기기, 클라우드 리소스, SaaS 애플리케이션 및 AI API 통합에는 서로 다른 증거가 필요하다. 이를 하나의 평균으로 합치면 심각한 지연을 숨길 수 있다.

오탐이 통제된 상태에서 조정 시간이 줄어든다면 지속적 증거 모델은 지지를 얻는다. 분석가가 해결할 수 있는 속도보다 대기열이 더 빠르게 늘어난다면, 추가 센서는 유용한 가시성이 아니라 잡음을 만들고 있는 것이다.

두 번째 신호는 내장형 및 API 기반 AI의 범위다. 브라우저 트래픽은 식별하기 쉬우므로 많은 통제는 웹사이트 카테고리에서 시작한다. 그러나 이는 개인 키, 개발자 워크플로, 로컬 모델 및 승인된 플랫폼 내부의 AI 기능을 남겨 둔다.

조직은 네트워크 로그에서 발견한 항목을 엔드포인트, ID 권한, 클라우드 시스템, 저장소 및 공급업체 검토 결과와 비교해야 한다. 큰 불일치는 모니터링 아키텍처가 여전히 불완전한 지점을 드러낸다.

더 넓은 범위는 KnowBe4의 근본적인 경고와 여기서 제안하는 대응 방안을 강화할 것이다. 웹 도메인 목록에 계속 의존한다면 기업이 AI 노출을 이해한다는 주장은 약화될 것이다.

세 번째 신호는 거버넌스가 전면 차단을 기본값으로 삼지 않으면서 더 빨라지는지 여부다. 보안 팀은 유용한 서비스가 미확인 상태에서 검토 및 승인 상태로 이동할 수 있다는 증거가 필요하다. 또한 위험한 사용이 ID, 데이터 분류 또는 기능에 따라 제한될 수 있다는 증거도 필요하다.

건전한 승인 프로세스에는 지정된 소유자, 정의된 증거 요건 및 명확한 결정 시간이 있어야 한다. 요청된 서비스가 정책을 충족할 수 없을 때 더 안전한 대안을 제시해야 한다. 침묵이나 무기한 검토는 직원들이 통제를 우회하도록 부추긴다.

공급업체가 관리 설정, 감사 이벤트, 모델 목적지 및 데이터 보존 선택지를 어떻게 제공하는지 살펴봐야 한다. 더 나은 제품 텔레메트리는 내장 AI의 거버넌스를 더 쉽게 만들 것이다. 제한된 로그는 고객이 간접적인 네트워크 단서에 의존하게 만들 것이다.

이 Google News 기사가 전하는 더 넓은 교훈은 보이지 않는 모든 자산이 악성이라는 것이 아니다. 해결되지 않은 모든 자산은 소유권, 접근, 데이터 및 책임에 관한 답변되지 않은 질문을 의미한다는 점이다.

보안 리더는 이번 분기에 한 가지 실질적인 질문을 던져야 한다. 기록되지 않은 기기나 AI 서비스가 누군가 소유자를 지정하기 전까지 얼마나 오래 운영될 수 있는가? 그리고 통제된 사례를 통해 그 답을 검증해야 한다.

결과가 몇 주 단위라면, 조직은 여전히 정적인 인벤토리 문제를 안고 있다. 문서화된 증거와 비례적인 통제를 갖춘 몇 시간 단위라면, 발견은 운영 보안 역량으로 발전하고 있는 것이다.

다음 조치는 명확하다. 하나의 네트워크 세그먼트, 하나의 클라우드 환경, 그리고 사용량이 높은 직원 워크플로 하나를 선택하라. 예상 기록을 관찰된 활동과 조정하고, 모든 불일치를 분류하며, 사각지대를 기록하라. 이 작업은 또 하나의 인벤토리 스프레드시트보다 더 많은 것을 드러내며, 조직이 기존 통제로 보지 못하는 것을 실제로 밝혀낼 수 있는지 보여줄 것이다.