Kai, AI 위협이 기계 주도 보안 전환을 강요하고 있다고 말하다

Kai는 보안 리더들 앞에 직접적인 충돌을 제시했다. AI 기반 공격은 가속화하고 있지만, 대부분의 기업 방어 체계는 여전히 사람의 속도로 움직인다. 이 회사는 자율형 보안 에이전트가 매 단계마다 분석가를 기다리지 않고 탐지, 조사, 조치 업무를 더 많이 수행해야 한다고 주장한다.

이 주장은 위협 환경의 변화가 기계 주도 보안에 대한 CISO들의 관심 증가와 연결된 보도를 통해 Google News에서 주목받았다. 그러나 중요한 변화는 특정 헤드라인이나 또 하나의 AI 보안 제품이 아니다. 기존 시스템 전반에서 무엇을 우선시할지 결정하고, 증거를 수집하며, 방어 조치를 취할 수 있는 소프트웨어에 대한 수요가 떠오르고 있다는 점이다.

이 모델은 사람들이 경보를 검토하고 대부분의 중대한 대응을 승인하는 분석가 중심의 보안 운영 센터(SOC)에 도전한다. 동시에 더 어려운 질문도 제기한다. 자율형 방어 시스템이 잘못된 결정을 내렸을 때, 누가 이를 설명하고 되돌리며 책임을 질 수 있는가?

Kai는 자사 플랫폼이 여러 워크플로 전반의 보안 업무를 수행하는 AI 에이전트를 통해 속도 격차를 해소한다고 말한다. 정부 기관, 업계 설문조사, 경쟁 업체들은 공격이 더 빨라지고 있다는 더 넓은 결론을 뒷받침한다. 다만 이는 완전 자율형 방어가 제한 없는 배포를 위해 준비됐음을 입증하지는 않는다.

따라서 CISO에 대한 압박은 두 방향으로 움직이고 있다. 대응 시간을 줄이는 동시에 자동화된 결정이 통제 가능하고 추적 가능하며 비즈니스 위험과 연결돼 있음을 증명해야 한다.

Kai는 또 하나의 경보 피드가 아니라 실행을 판매한다

Kai의 핵심 제안은 보안 소프트웨어가 분석가에게 어디를 봐야 하는지 알려주는 데 그치지 않고 업무를 완료해야 한다는 것이다.

이 회사는 2026년 3월 10일, 1억2,500만 달러의 자금을 확보하고 스텔스를 종료했다. Evolution Equity Partners가 투자를 주도했으며, N47과 전략적 투자자들이 참여했다. Kai는 자사 제품을 에이전틱 사이버보안 플랫폼으로 설명한다. 이는 소프트웨어 에이전트가 정해진 보안 목표를 향해 작업을 추론하고 행동을 수행할 수 있음을 뜻한다.

회사의 플랫폼 출시에 따르면, 이러한 에이전트는 하나의 좁은 제품 범주에 머무르지 않고 여러 사용 사례 전반에서 작동할 수 있다. Kai는 위협 인텔리전스, 노출 관리, 탐지 엔지니어링, 조치에 걸친 분절된 워크플로의 대안으로 이 플랫폼을 제시한다.

이 구분은 중요하다. 기업 보안팀이 신호의 완전한 부재로 어려움을 겪는 경우는 드물다. 엔드포인트 도구, 클라우드 스캐너, ID 시스템, 취약점 데이터베이스, 보안 정보 플랫폼은 이미 방대한 데이터를 생성한다. 운영상 문제는 공격자가 다른 곳으로 이동하기 전에 이러한 신호를 방어 가능한 의사결정 순서로 전환하는 것이다.

전통적인 워크플로는 흔히 하나의 도구가 의심스러운 행동을 발견하면서 시작된다. 분석가는 여러 콘솔을 확인하고, 자산 맥락을 수집하며, 관련 취약점을 검토하고, 해당 이벤트가 중요한지 판단한다. 다른 팀은 구성 변경이나 패치를 승인해야 할 수도 있다.

기계 주도 보안은 이 순서를 압축하려 한다. 에이전트는 증거를 수집하고, 자산의 중요도를 평가하며, 대응을 권고하거나 실행하고, 해당 조치가 노출을 줄였는지 확인한다. 사람은 모든 단계를 직접 완료하는 대신 정책, 제약 조건, 에스컬레이션 규칙을 수립한다.

Kai는 자사 시스템이 새로운 위협 인텔리전스에서 조치 대응까지 몇 분 안에 진행한 공급망 사고를 설명한 바 있다. 이는 독립적인 벤치마크가 아닌 회사 사례 연구다. 의도된 워크플로를 보여주지만, 다양한 고객 환경 전반에서 플랫폼이 어떻게 작동하는지를 입증하지는 않는다.

오케스트레이션과 자율성의 차이도 주목할 필요가 있다. 보안 오케스트레이션은 수년간 존재해 왔으며, 사전 정의된 플레이북을 사용해 도구를 연결하고 반복적인 작업을 자동화한다. 에이전틱 시스템은 사고가 고정된 순서와 일치하지 않을 때 더 유연한 추론을 약속한다.

이 유연성은 매력이자 위험이다. 사전 정의된 플레이북은 제한적이지만 동작은 비교적 예측 가능하다. AI 에이전트는 낯선 증거를 처리할 수 있지만, 감사나 사고 검토 과정에서 그 추론을 재현하기는 더 어려울 수 있다.

따라서 Kai는 단순히 더 빠른 자동화 이상을 판매하고 있다. CISO들에게 운영 판단의 일부를 사람의 대기열에서 소프트웨어 실행으로 옮기라고 요구하고 있다. 이 변화는 이 글의 핵심 긴장을 만든다. 대응 시간을 줄여주는 바로 그 자율성이 잘못된 대응을 더 빠르고 광범위하게 만들 수 있다.

AI 기반 위협이 CISO의 시간을 바꾼 이유

기계 주도 방어의 근거는 시간에서 시작된다. AI가 공격을 찾아내고, 적응시키고, 확장하는 데 필요한 노동을 줄이기 때문이다.

AI가 정교한 침해에 관여하는 모든 전문가를 대체하지는 않는다. 그러나 정찰, 피싱 준비, 코드 분석, 취약점 조사, 반복 테스트를 가속할 수 있다. 공격자는 이러한 이득을 활용해 더 많은 표적을 대상으로 더 많은 실험을 실행할 수 있다.

2026년 6월 Five Eyes 국가의 사이버보안 기관이 발표한 성명은 이러한 시간 문제를 유난히 명확하게 제시했다. 해당 기관들은 최첨단 AI 개발로 인해 사이버 위험에 대한 가정이 “수년이 아닌 수개월” 만에 낡아질 수 있다고 밝혔다.

Five Eyes 경고는 AI가 사이버 위협의 규모와 속도를 높이고 있다고 말했다. 또한 조직들이 공격 표면을 줄이고, ID 통제를 강화하며, 레거시 취약점을 해결하고, 패치를 가속할 것을 촉구했다.

이러한 권고는 여전히 익숙한 보안 관행에 뿌리를 두고 있다. AI가 자산 목록, 접근 통제, 백업, 패치 관리를 무의미하게 만들지는 않았다. 다만 이를 느리거나 일관성 없이 수행하는 비용을 높였다.

보안 리더들은 자체 조직이 AI 에이전트를 배포하면서 더 넓은 공격 표면에도 직면하고 있다. 이러한 시스템은 문서, 코드 저장소, 고객 기록, 메시징 플랫폼, 클라우드 서비스에 접근할 수 있다. 각각의 연결은 방어자가 모니터링해야 할 또 다른 ID와 경로를 만든다.

자연어는 이례적인 노출을 더한다. 에이전트는 프롬프트, 검색된 문서, 이메일 또는 웹 콘텐츠를 통해 지시를 받을 수 있다. 신뢰할 만해 보이는 자료 안에 숨겨진 악성 지시는 에이전트의 행동을 다른 방향으로 돌리려 시도할 수 있으며, 이를 일반적으로 프롬프트 인젝션이라고 한다.

이는 CISO가 AI 지원 공격자를 방어하는 동시에 비즈니스 데이터에 대해 행동할 수 있는 내부 AI 시스템을 보호해야 한다는 의미다. 두 문제는 ID, 권한 부여, 런타임 모니터링에서 만난다.

공공 부문 증거는 이 책임이 얼마나 빠르게 확대되고 있는지를 보여준다. 2026년 NASCIO와 Deloitte 연구는 미국 50개 모든 주와 2개 준주 소속 CISO를 조사했다. 조사 결과, 94%가 생성형 AI 보안 정책 수립에 참여했고 84%가 생성형 AI 전략에 참여한 것으로 나타났다.

Deloitte와 NASCIO의 주 CISO 설문조사에 따르면, 자신의 주 정보 자산이 보호되고 있다고 매우 또는 극도로 확신한 응답자는 26%에 불과했다. 이는 2022년의 48%에서 하락한 수치다.

자원은 같은 속도로 확대되지 않았다. Deloitte는 참여 CISO 중 22%가 2026년에 최소 6%의 예산 증액을 받았다고 보고했다. 2024년의 해당 비율은 40%였다.

그 결과의 방정식은 자동화에 유리하다. 보안팀은 더 많은 시스템, ID, 취약점, AI 관련 책임을 안고 있지만 인력이나 예산이 비례해 늘어날 것이라 가정할 수는 없다.

Google News 보도는 이를 공격용 AI와 방어용 AI 사이의 단순한 경쟁처럼 보이게 할 수 있다. 운영 현실은 그만큼 대칭적이지 않다. 공격자는 실패한 실험을 감수할 수 있지만, 방어자는 가용성, 증거, 규정 준수, 고객 신뢰를 지켜야 한다.

악성 에이전트는 수천 가지 변형을 시도해 한 번의 성공으로 이득을 얻을 수 있다. 방어 에이전트는 의미 있는 속도로 행동하면서도 핵심 서비스를 중단시키지 않아야 한다. 이 차이는 자율형 방어의 기준을 단순한 모델 역량보다 훨씬 높게 만든다.

기계 주도 보안은 인간의 책임성과 충돌한다

CISO는 기계가 더 빠르게 행동할 필요가 있지만, 자동화된 결정이 피해를 일으킬 때 책임을 기계에 넘길 수는 없다.

침해된 관리자 계정을 식별한 에이전트를 생각해 보자. 에이전트는 접근 권한을 취소하고, 기기를 격리하며, 자격 증명을 교체하고, 관련 네트워크 활동을 차단할 수 있다. 이러한 조치는 침입을 막을 수 있지만, 운영 시스템을 중단시키거나 사고 대응 담당자의 접근을 차단할 수도 있다.

인간 분석가도 같은 상충 관계에 직면한다. 차이는 규모와 지연 시간이다. 자율형 플랫폼은 누군가가 기본 가정을 검토하기 전에 여러 시스템에 걸쳐 결정을 적용할 수 있다.

따라서 정책 경계가 필수적이다. 조직은 에이전트가 자동으로 취할 수 있는 조치, 승인이 필요한 조치, 사용할 수 없도록 유지해야 하는 조치를 정의해야 한다. 이러한 경계는 일반적인 신뢰도 점수가 아니라 비즈니스 영향을 반영해야 한다.

임시 개발 토큰을 취소하는 일은 결제 시스템을 종료하는 일과 같지 않다. 직원 노트북 한 대를 격리하는 일은 수백 개 서비스가 사용하는 공유 ID를 비활성화하는 일과 같지 않다. 기계 주도 보안에는 이러한 차이에 관한 맥락이 필요하다.

Kai는 자사 플랫폼이 우선순위 결정에 비즈니스 가치를 반영한다고 말한다. 이 주장은 팀이 충분한 운영 맥락 없이 긴 목록을 받는 취약점 관리의 실제 약점을 다룬다. 그러나 고객은 플랫폼이 자산 중요도, 종속성, 허용 가능한 중단을 어떻게 표현하는지 여전히 검증해야 한다.

에이전트에는 신뢰할 수 있는 증거도 필요하다. 보안 텔레메트리는 불완전하거나 지연되거나 중복되거나 서로 모순될 수 있다. 취약한 입력으로부터 생성된 자신감 있는 설명은 유창하다는 이유만으로 신뢰할 수 있게 되지 않는다.

바로 이 지점에서 기계 주도 보안은 일반 사무 보조 도구와 다르다. 의심스러운 문서 요약은 시간을 낭비하게 한다. 의심스러운 조치 행동은 증거를 지우고, 진료를 중단시키며, 제조를 멈추거나 새로운 노출을 만들 수 있다.

따라서 CISO는 다음 질문에 답할 수 있는 감사 추적을 유지해야 한다:

• 에이전트는 어떤 증거를 받았는가?

• 어떤 정책이 그 행동을 승인했는가?

• 어떤 대안을 거부했는가?

• 어떤 시스템과 ID를 변경했는가?

• 해당 조치는 효과가 있었는가?

• 조직은 이전 상태를 복원할 수 있는가?

이는 거버넌스 요구사항이지만 동시에 엔지니어링 요구사항이기도 하다. 로깅, 승인 통제, ID 관리, 롤백 메커니즘, 독립적 검증은 운영 모델에 내장돼야 한다.

통제의 필요성은 정부 지침에서도 강화된다. NIST의 초안 Cyber AI Profile은 문제를 세 가지 영역, 즉 AI 시스템 보호, 사이버 방어를 위한 AI 활용, AI 지원 공격 방지로 구성한다. 이 프레임워크는 AI를 조직이 거버넌스해야 하는 자산이자 운영 역량으로 다룬다.

이 접근 방식은 자율적 행동이 본질적으로 안전하거나 위험하다고 가정하지 않는다. 조직에 위험을 식별하고, 관련 시스템을 보호하며, 비정상적 행동을 탐지하고, 대응하고, 복구할 것을 요구한다. AI 에이전트가 업무의 일부를 수행할 때도 이러한 기능은 그대로 적용된다.

보안팀은 범위가 제한된 작업부터 시작할 수 있다. 에이전트는 경보를 보강하고, ID를 상호 연관시키며, 탐지 로직 초안을 작성하거나, 노출된 자산의 유력한 소유자를 식별할 수 있다. 이후 명시적 임계값 아래에서 되돌릴 수 있는 조치로 발전할 수 있다.

영향이 큰 변경에는 더 높은 기준이 필요합니다. 조직은 광범위한 권한을 부여하기 전에 시뮬레이션, 적대적 테스트, 단계적 배포, 측정 가능한 롤백 성과를 갖춰야 합니다.

이는 기계 속도라는 약속에 실질적인 한계를 만듭니다. 모든 작업에 인간 승인이 필요하다면 승인 절차가 지연을 다시 초래할 수 있습니다. 승인을 없애면 운영 리스크가 커집니다.

해답은 보편적인 설정이 아닙니다. CISO는 결과의 중대성에 따라 업무를 구분해야 합니다. 일상적이고 되돌릴 수 있으며 충분히 관측되는 작업은 자율성에 더 적합한 후보입니다. 모호하거나 잠재적으로 파괴적인 변경에는 인간의 판단이 필요합니다.

자율 방어에 관해 Google News 보도가 입증할 수 없는 것

더 빠른 방어로의 전환은 충분히 뒷받침되지만, 자율 플랫폼이 일관되게 기업 리스크를 낮춘다는 주장은 아직 충분히 입증되지 않았습니다.

Kai는 인간 규모의 운영이 시대에 뒤떨어졌다고 제시하는 데 분명한 상업적 이해관계를 갖고 있습니다. 다른 에이전트형 보안 공급업체들도 같은 유인을 공유합니다. 이들의 진단은 대체로 옳을 수 있지만, 제안하는 자율성 수준은 여전히 검증되지 않았습니다.

공개 증거는 세 층으로 나누어야 합니다. 첫째, AI는 여러 공격 작업의 속도나 접근성을 높이고 있습니다. 정부 경고와 보안 연구는 이 결론을 뒷받침합니다.

둘째, 자동화는 탐지와 대응에서 수작업을 줄일 수 있습니다. 보안 오케스트레이션, 머신러닝, 자동 격리는 이미 그 사례를 보여 줍니다. 이는 새롭거나 논쟁적인 주장이 아닙니다.

셋째, 에이전트형 플랫폼이 복잡한 워크플로 전반에서 독립적으로 추론하고 기존 도구와 인간 팀보다 더 나은 리스크 결과를 낼 수 있다는 주장입니다. 이는 가장 강한 주장인 만큼 더 강한 증거가 필요합니다.

신뢰할 수 있는 평가는 처리한 알림 수나 절감된 분석가 시간 이상을 측정해야 합니다. 탐지 품질, 잘못된 격리 비율, 복구 시간, 누락된 종속성, 정책 위반, 그리고 이후 되돌려진 조치의 비율도 포함해야 합니다.

고객은 현실적인 대안과의 비교도 필요합니다. 기계 주도 플랫폼은 인위적으로 수작업화된 프로세스가 아니라, 현대적 자동화를 사용하는 숙련된 분석가와 비교해 테스트해야 합니다.

현재 이용 가능한 Kai 자료에는 제품 주장과 고객 설명이 포함돼 있지만, 공개적이고 독립적으로 재현 가능한 평가는 여전히 제한적입니다. 이 논의를 촉발한 Google News 항목만으로는 그 증거 격차를 메울 수 없습니다.

설문 결과도 비슷한 주의가 필요합니다. 설문은 CISO가 압박을 느끼거나 AI 도입을 계획하고 있음을 보여 줄 수 있습니다. 하지만 특정 자율 아키텍처가 프로덕션 환경에서 안전하게 작동한다는 사실을 입증할 수는 없습니다. 표본 구성, 질문 표현, 산업 비중, 응답자의 직급은 결과에 실질적인 영향을 미칠 수 있습니다.

가장 강력한 회의론적 주장은 인간이 모든 작업을 유지해야 한다는 것이 아닙니다. 그런 입장은 이미 보안 팀이 직면한 속도와 인력 문제를 무시합니다. 더 설득력 있는 주장은 자율성이 증거를 통해 권한을 얻어야 한다는 것입니다.

기존 방어 체계도 중요합니다. 엔드포인트 플랫폼, 클라우드 보안 공급업체, 아이덴티티 공급업체, 보안 정보 시스템은 이미 기업 전반에 배포된 제품에 에이전트를 추가하고 있습니다. Kai는 통합된 새로운 계층이 기존 업체가 자체 플랫폼을 확장하는 방식보다 이러한 환경을 더 잘 조율할 수 있는 이유를 보여야 합니다.

기존 업체는 텔레메트리와 유통 측면에서 강점을 갖습니다. 엔드포인트를 운영하는 공급업체는 이미 프로세스 활동을 볼 수 있습니다. 클라우드 공급업체는 자사 제어 영역을 이해합니다. 아이덴티티 플랫폼은 인증 및 접근 신호를 보유합니다.

크로스 플랫폼 에이전트는 더 넓은 맥락을 제공할 수 있지만, 각 소스와 통합하고 각 시스템의 권한을 준수해야 합니다. 통합 품질은 통합 추론이 실제로 포괄적인지, 아니면 불완전한 데이터 위에 놓인 또 하나의 추상화에 불과한지를 좌우할 수 있습니다.

공급업체 집중도 또 다른 우려입니다. 여러 보안 도메인을 검사하고 수정할 권한을 부여받은 플랫폼은 매우 가치 높은 표적이 됩니다. 해당 플랫폼의 자격 증명, 모델, 업데이트 파이프라인 또는 정책 계층이 침해되면 공격자는 이례적으로 광범위한 접근 권한을 얻을 수 있습니다.

CISO는 시스템이 고객 데이터를 어떻게 분리하는지, 에이전트 아이덴티티를 어떻게 보호하는지, 자격 증명을 어떻게 제한하는지, 업데이트를 어떻게 검증하는지, 모델 실패를 어떻게 처리하는지를 살펴봐야 합니다. 모델이나 공급업체 서비스가 사용할 수 없게 됐을 때 핵심 워크플로가 계속 작동하는지도 물어봐야 합니다.

추가적인 인간적 리스크도 있습니다. 생성된 결론에 지나치게 의존하는 분석가는 이를 검증하고 반박하는 데 필요한 역량을 잃을 수 있습니다. 특히 압박이 큰 사고 상황에서는 에이전트의 설명이 그럴듯하게 들린다는 이유로 팀이 이를 받아들일 수 있습니다.

이 실패 양상은 항공, 의료 및 기타 고위험 분야의 자동화 편향과 유사합니다. 시스템이 충분히 자주 유능해 보이기 때문에, 사람들은 시스템이 틀리는 예외 상황을 더 이상 알아차리지 못합니다.

따라서 기계 주도 보안에는 형식적인 승인이 아니라 능동적인 인간 감독이 필요합니다. 팀은 에이전트를 테스트하고, 표본으로 의사결정을 검토하며, 아차 사고를 분석하고, 환경이 바뀔 때 정책을 업데이트해야 합니다.

기존 보안 연구에서 나오는 메시지는 일관됩니다. AI는 방어 역량을 강화할 수 있지만, 취약한 기반을 보완하지는 못합니다. SecurityInfoWatch 분석 역시 AI 지원 탐지, 자동 대응, 지속적 모니터링, 취약점 관리를 강조했습니다.

이러한 역량 중 어느 것도 정확한 자산 인벤토리, 세분화된 접근, 안전한 구성 또는 훈련된 대응 인력의 필요성을 없애지 않습니다. 핵심 시스템을 식별할 수 없는 조직은 자율 에이전트에게 무엇을 보호해야 하는지 알려주기 어려울 것입니다.

따라서 가장 방어 가능한 해석은 마케팅 주장보다 더 제한적입니다. 인간의 대기열이 공격 속도로 모든 신호를 처리할 수 없기 때문에 기계 주도 워크플로가 필요해지고 있습니다. 그렇다고 완전히 신뢰할 수 있는 기계 판단이 자동으로 뒤따른 것은 아닙니다.

Kai의 주장이 타당한지 보여 줄 세 가지 신호

다음 단계는 측정 가능한 자율성, 기존 업체의 대응, 그리고 규제기관이 기계 행동에 기대하는 통제에 의해 결정될 것입니다.

첫 번째 신호는 프로덕션 증거입니다. Kai와 그 고객은 자율 실행을 일반적인 자동화와 구분하는 결과를 공개해야 합니다.

유용한 증거는 에이전트가 독립적으로 조치를 취하는 빈도, 성공하는 비율, 인간이 이를 되돌리는 빈도를 보여 줄 것입니다. 또한 저위험 정보 보강과 중대한 복구 조치를 구분해야 합니다.

평균 탐지 시간과 평균 대응 시간은 여전히 관련성이 있지만, 그것만으로는 충분하지 않습니다. 시스템은 지나치게 공격적인 조치를 취해 대응 시간을 개선할 수 있습니다. 측정에는 서비스 중단, 잘못된 격리, 누락된 사고도 포함돼야 합니다.

독립적인 평가는 선별된 고객 사례보다 더 큰 무게를 가집니다. 클라우드, 엔드포인트, 아이덴티티, 소프트웨어 환경 전반에서 반복 가능한 테스트를 수행하면 에이전트형 추론이 신중하게 구성된 배포 환경을 넘어 일반화되는지 드러날 것입니다.

두 번째 신호는 기존 보안 공급업체가 제품을 어떻게 재설계하는지입니다. 엔드포인트, 클라우드, 아이덴티티, SIEM 공급업체가 에이전트에 더 넓은 권한을 부여한다면, 기계 주도 운영은 Kai의 카테고리 주장이 아니라 플랫폼 전반의 변화가 될 것입니다.

그때 경쟁은 맥락과 통제에 집중될 것입니다. 공급업체는 어떤 시스템이 가장 좋은 증거, 가장 안전한 권한, 가장 명확한 설명, 가장 신뢰할 수 있는 롤백을 제공하는지 보여야 합니다.

이 대응은 Kai의 주장을 강화하는 동시에 시장 지위를 약화할 수 있습니다. 기존 업체의 자율 실행 도입은 이 모델을 검증하겠지만, 고객은 이미 신뢰하는 도구에 내장된 에이전트를 선호할 수 있습니다.

반대로 공격이 공급업체 경계를 넘나들기 때문에 기업은 중립적인 조정 계층을 선호할 수 있습니다. 그런 결과는 보안 스택 전반의 통합 추론이 필요하다는 Kai의 주장을 뒷받침할 것입니다.

세 번째 신호는 거버넌스입니다. NIST 지침, 보험 요건, 조달 기준, 산업별 규제기관은 조직이 보안 에이전트에 얼마나 많은 독립 권한을 부여할 수 있는지에 영향을 미칠 것입니다.

결정적인 규칙은 추적 가능성, 인간 감독, 테스트, 책임성에 관한 것입니다. 문서화된 의사결정과 되돌릴 수 있는 조치를 요구하는 기준은 제약된 자율성을 중심으로 설계된 플랫폼에 유리할 것입니다.

대부분의 중대한 변경에 승인을 요구하는 규칙은 속도 이점을 제한할 것입니다. 에이전트형 보안을 없애지는 않겠지만, 그 가치를 조사, 우선순위 지정, 권장 대응 쪽으로 옮길 것입니다.

CISO는 위협 데이터 자체도 주시해야 합니다. ISACA는 2026년 6월, 설문에 응한 유럽 조직의 35%가 AI 기반 사이버 공격을 경험했는지 판단할 수 없었다고 보고했습니다. 또한 71%는 AI 기반 피싱과 사회공학 공격을 식별하기가 더 어렵다고 답했습니다.

이러한 AI 위협 조사 결과는 측정 문제를 부각합니다. 조직은 신뢰성 있게 분류할 수 없는 공격에 대한 두려움만으로 광범위한 자율 통제를 정당화할 수 없습니다.

더 나은 귀속 분석이 중요해질 것입니다. 보안 팀은 AI가 만들어 낸 공격, 자동화로 단지 가속된 공격, AI 시스템을 겨냥한 기존 공격을 구분해야 합니다. 각 범주에는 서로 다른 방어가 필요할 수 있습니다.

미래의 SOC는 한쪽을 선택하기보다 기계와 사람을 결합할 가능성이 높습니다. 에이전트는 대규모 상관관계 분석, 증거 수집, 제한된 대응을 처리할 것입니다. 인간은 정책을 설정하고, 모호한 사안을 조사하며, 심각한 조치를 승인하고, 결과를 관리할 것입니다.

이러한 배분도 큰 변화를 의미할 수 있습니다. 분석가는 콘솔 사이에서 데이터를 옮기는 데 쓰는 시간을 줄이고, 가정을 검증하거나 이례적인 사고를 관리하는 데 더 많은 시간을 쓸 것입니다.

Kai의 가장 강력한 통찰은 알림을 하나 더 추가하는 것만으로는 더 이상 충분하지 않다는 점입니다. 보안 제품은 노출을 인지하는 것과 이를 줄이는 것 사이의 격차를 좁히는 데 도움을 줘야 합니다.

Kai에 남은 과제는 자율 실행이 새로운 시스템적 리스크 원천을 만들지 않으면서 이를 수행할 수 있음을 입증하는 것입니다. 투자 유치, 가시성, Google News의 관심은 그 질문에 답하지 못합니다. 운영 증거가 답할 것입니다.

이 변화를 평가하는 보안 리더는 하나의 제한된 워크플로를 선택하고 명확한 기준선을 요구해야 합니다. 에이전트에 권한을 부여하기 전에 현재 지연, 조치 품질, 되돌림 빈도, 비즈니스 영향을 측정해야 합니다.

그다음 가장 중요한 질문을 던져야 합니다. 증거가 불완전할 때도 이 시스템은 인간의 통제를 유지하면서 검증된 리스크를 줄이는가? 기계 주도 보안은 공급업체가 긴급성뿐 아니라 데이터로 이 질문에 답할 수 있을 때 지속 가능한 형태가 될 것입니다.