Microsoft Agentic Security Operations, SOC를 위임된 조치로 이끌다

Microsoft는 2026년 9월 23일 Microsoft Defender 내 AI 에이전트를 중심으로 한 새로운 보안 운영 접근 방식을 공개했다. Microsoft의 에이전틱 보안 운영 전략은 중요한 전환을 예고한다. 소프트웨어는 더 이상 분석가를 위해 경고를 요약하는 데 그치지 않고, 점차 인시던트를 조사하고, 증거를 수집하며, 대응 방안을 권고하고, 보안 도구 전반의 업무를 조율하게 될 것이다.

이 구분이 중요한 이유는 보안 운영 센터(SOC)가 불확실한 상황에서 결정을 내리기 때문이다. 분석가는 비정상적인 로그인이 공격자를 의미하는지, 부주의한 직원의 행위인지, 혹은 무해한 활동인지를 판단해야 한다. AI 에이전트는 이 작업을 가속할 수 있지만, 속도가 결과적 영향을 수반하는 조치를 누가 승인해야 하는지까지 결정해 주지는 않는다.

Microsoft는 2025년 업무별 Security Copilot 에이전트를 도입한 이후 이 모델로 나아가고 있다. 경쟁사들도 에이전틱 조사, 자동화된 트리아지, AI 지원 대응 제품을 통해 유사한 경로를 따르고 있다. Microsoft의 최신 구상은 에이전트를 단순한 보조 인터페이스가 아니라 운영 구조의 일부로 취급함으로써 경쟁의 기준을 높인다.

따라서 핵심 경쟁은 Microsoft와 특정 단일 벤더 간의 대결이 아니다. 분석가가 통제하는 자동화와 위임된 기계 조치 간의 경쟁이다. 전자는 확장성과 지속성을 약속한다. 후자는 인간의 권한을 더 명확히 보존하지만, 팀을 늘어나는 경고량과 느린 조사에 노출시킨다.

Microsoft Agentic Security Operations가 업무 단위를 바꾸다

Microsoft는 분석가가 개별 프롬프트를 제출하는 방식 대신, 에이전트에 할당된 목표를 중심으로 보안 워크플로를 재구성하고 있다.

Microsoft의 9월 보안 게시물은 이 접근 방식을 에이전틱 시대를 위한 SOC의 재구상으로 제시한다. 공개된 제목은 Microsoft Defender를 운영 환경으로 지목한다. 또한 이 설계가 AI 에이전트를 위해 구축됐다고 설명한다.

이 표현은 대화형 인터페이스 이상의 의미를 시사한다. 일반적인 코파일럿은 사람이 질문할 때까지 기다린다. 에이전트는 목표를 부여받고, 중간 단계를 선택하며, 승인된 도구를 사용하고, 그 결과로 얻은 정보를 평가한다.

SOC에서 하나의 목표는 의심되는 ID 침해를 조사하는 일일 수 있다. 에이전트는 로그인 기록을 수집하고, 기기 이력을 비교하며, 최근 권한 변경을 검사하고, 관련 경고를 연결할 수 있다. 그런 다음 분석가에게 증거로 뒷받침되는 결론을 제시할 수 있다.

이 전환은 보안 업무의 단위를 바꾼다. 분석가는 전통적으로 경고, 대시보드, 쿼리 시스템, 티켓 대기열, 대응 도구 사이를 오간다. Microsoft Defender AI 에이전트는 이러한 분리된 활동을 조사 결과를 중심으로 조직하겠다고 약속한다.

Microsoft는 2025년 3월 이미 이 방향의 일부를 마련했다. 초기 Security Copilot 에이전트 그룹에는 전문 보안 작업을 위한 Microsoft 제작 에이전트와 파트너 개발 에이전트가 포함됐다.

이전 에이전트들은 피싱 트리아지, 경고 조사, 취약점 개선, ID 관련 위험 등 범위가 제한된 워크로드를 겨냥했다. 범위가 제한된 작업은 팀이 입력, 출력, 권한, 에스컬레이션 조건을 정의할 수 있으므로 거버넌스가 더 쉽다.

2026년의 구상은 이러한 기능을 더 폭넓은 운영 모델 안에 배치한다. Microsoft는 조사 단계 하나에 지능을 추가하는 대신, 에이전트 지향 SOC가 처음부터 끝까지 업무를 어떻게 분배해야 하는지를 묻고 있는 것으로 보인다.

다만 발표의 제목과 URL만으로는 모든 구현 세부 사항을 확인할 수 없다. 가용성, 지원 워크로드, 자율성, 고객 결과에 대한 Microsoft의 구체적인 주장은 전체 제품 문서에서 확인이 필요하다.

이 검증 공백은 중요하다. “에이전트를 위해 구축됨”은 여러 다른 아키텍처를 설명할 수 있다. 한 모델은 에이전트가 정보를 수집하도록 허용하되 변경은 금지할 수 있다. 다른 모델은 분석가가 제안된 계획을 승인한 뒤 격리를 허용할 수 있다.

더 자율적인 구현은 미리 정의된 조건에서 에이전트가 계정을 비활성화하거나 기기를 격리하도록 허용할 수 있다. 벤더가 이 모든 모델을 에이전틱 보안으로 마케팅하더라도, 각 모델은 서로 다른 운영 및 법적 결과를 초래한다.

구매자에게 즉각적인 변화는 개념적이지만 중대하다. 보안 플랫폼은 업무가 어떻게 할당되고, 감독되며, 문서화되는지를 두고 경쟁하기 시작하고 있다. 탐지 품질은 여전히 필수적이지만, 워크플로 권한은 별도의 제품 차원으로 떠오르고 있다.

경고량 증가가 SOC에 더 많은 업무 위임을 강요한다

이 압력은 분석가 옆에 또 하나의 채팅 창을 배치하는 것으로 해결할 수 없는, 확대되는 조사 업무량에서 비롯된다.

현대 보안 팀은 경고가 부족한 경우가 드물다. 더 어려운 문제는 공격자가 다음 단계로 나아가기 전에 분산된 신호를 방어 가능한 결정으로 전환하는 것이다. 각 조사는 엔드포인트 이벤트, ID, 클라우드 리소스, 메시지, 위협 인텔리전스, 애플리케이션 기록을 필요로 할 수 있다.

이 과정은 분석가의 주의력을 많이 소모한다. 누군가 경고를 검토하고, 관련 활동을 검색하며, 판단 근거를 문서화하고, 사례를 종료해야 한다면 오탐조차 시간을 소비한다.

전통적인 자동화는 규칙과 플레이북을 통해 예측 가능한 단계를 처리한다. 위험 점수가 임계값을 넘으면 티켓을 생성하는 규칙이 있을 수 있다. 플레이북은 IP 주소를 보강하고, 알려진 지표를 차단하며, 관리자에게 알림을 보낼 수 있다.

이러한 시스템은 설계자가 조건을 예상할 수 있을 때 잘 작동한다. 모호한 증거에 따라 조사가 분기될 때는 어려움을 겪는다. 경직된 플레이북은 여러 그럴듯한 설명 가운데 어느 것이 추가 쿼리를 받을 만한지 쉽게 판단할 수 없다.

대규모 언어 모델은 다른 선택지를 제공한다. 자연어 맥락을 해석하고, 사용 가능한 조치 중에서 선택하며, 조사 계획을 수정할 수 있다. 이러한 유연성이 에이전틱 SOC 보안의 기반이다.

유연성은 불확실성도 만든다. 정의된 조건에서 항상 같은 결과를 내는 결정론적 규칙은 비교적 테스트하기 쉽다. AI 에이전트는 작은 맥락 변화에도 다른 경로를 선택할 수 있다.

Microsoft의 전략적 해답은 이미 보안 텔레메트리와 대응 제어 기능을 보유한 플랫폼 안에 작업 중심 에이전트를 배치하는 것이다. 통합은 시스템 간 데이터 이동에 낭비되는 시간을 줄일 수 있다. 또한 플랫폼 벤더에게 각 인시던트에 대한 더 넓은 시야를 제공할 수 있다.

상업적 압력은 조사 단계 하나만 담당하는 독립형 도구에 먼저 가해진다. Defender가 탐지, 증거 수집, 사례 관리, 대응을 조율할 수 있다면 구매자는 추가 워크플로 제품의 필요성을 재검토할 수 있다.

관리형 보안 제공업체도 압박에 직면한다. 이들의 가치는 지속적인 모니터링과 반복적인 트리아지를 포함하는 경우가 많다. 에이전트는 이러한 서비스에 필요한 노동력을 줄이는 동시에, 고객의 대응 속도 기대치를 높일 수 있다.

인간 분석가는 다른 과제에 직면한다. 어려운 인시던트에는 비즈니스 맥락, 불완전한 증거, 책임성이 수반되므로 역할 자체가 단순히 사라지지는 않을 것이다. 그러나 분석가는 사실을 수집하는 데 쓰는 시간을 줄이고, 기계가 생성한 결론을 검토하는 데 더 많은 시간을 쓰게 될 수 있다.

이 전환은 SOC가 중요하게 여기는 역량을 바꾼다. 쿼리 전문성은 여전히 유용하지만, 분석가는 에이전트의 행동도 평가해야 한다. 누락된 증거, 순환 논리, 과도한 확신, 안전하지 않은 조치 계획을 파악해야 한다.

관리자에게는 새로운 성과 지표도 필요하다. 더 많은 경고를 종료한다고 해서 보안이 더 좋아졌다는 뜻은 아니다. 에이전트는 처리량을 높이면서도 같은 유형의 공격을 반복해서 놓칠 수 있다.

유용한 지표에는 조사 정확도, 유효한 격리까지의 시간, 에스컬레이션 품질, 분석가의 수정, 잘못된 조치로 인한 피해가 포함돼야 한다. 팀은 인간이 되돌린 에이전트 결정도 추적해야 한다.

이러한 압력은 Microsoft가 지금 이 모델을 추진하는 이유를 설명한다. 공격자는 이미 정찰, 콘텐츠 생성, 자격 증명 테스트, 공격 실행의 일부를 자동화할 수 있다. 방어자는 기계 속도로 이루어지는 활동에 전적으로 수작업 사례 구성으로 대응할 수 없다.

하지만 대응이 무제한적인 자율성이 되어서는 안 된다. 보안 도구는 프로덕션 시스템, 직원 접근, 고객 서비스를 중단시킬 수 있다. 업계에는 확률적 추론을 검토되지 않은 권한으로 바꾸지 않으면서 더 빠른 의사결정이 필요하다.

위임된 조치가 진정한 경쟁 구분선이다

중요한 차이는 벤더가 AI를 사용하는지 여부가 아니라, 에이전트에 어느 정도의 운영 권한을 부여하는지에 있다.

거의 모든 대형 보안 플랫폼은 이제 어떤 형태로든 생성형 AI 지원 기능을 제공한다. 요약, 쿼리 생성, 자연어 검색, 권장 조치는 기대되는 기능이 되고 있다.

이러한 기능은 통제를 근본적으로 바꾸지 않으면서 분석가의 인터페이스를 개선한다. 여전히 사람이 어떤 질문을 할지, 어떤 결과를 신뢰할지, 행동할지를 결정한다.

에이전틱 시스템은 이 의사결정 과정의 일부를 소프트웨어로 옮긴다. 다음에 어떤 증거를 가져올지 결정한다. 또한 사례가 에스컬레이션, 종료, 격리 조건을 충족한다고 판단할 수 있다.

여기서 Microsoft의 플랫폼 지위가 중요해진다. Microsoft Defender는 단일 벤더 환경 안에서 엔드포인트, ID, 이메일, 애플리케이션, 클라우드 보안 증거를 연결할 수 있다. 이러한 폭넓은 범위는 Microsoft Defender AI 에이전트에 고립된 보조 도구보다 더 많은 맥락을 제공한다.

동시에 권한도 집중된다. 광범위한 가시성과 대응 제어 기능을 갖춘 플랫폼은 더 효과적으로 조사할 수 있다. 같은 플랫폼은 에이전트가 상황을 오해할 때 더 넓은 결과를 낳을 수도 있다.

민감한 엔지니어링 파일에 접근하는 의심스러운 계정을 생각해 보자. 에이전트는 낯선 기기, 이례적인 위치, 최근의 권한 변경을 연관 지을 수 있다. 이 증거는 즉각적인 격리를 정당화할 수 있다.

그러나 해당 직원은 승인된 승진 후 출장 중일 수 있다. 최신 조직 맥락이 없는 시스템은 몇 가지 정상적인 변화를 침해 증거로 취급할 수 있다.

이 사례는 더 많은 텔레메트리가 자동으로 완전한 이해를 만들지는 않는다는 점을 보여 준다. 보안 데이터는 기술적 활동을 설명한다. 하지만 비즈니스 예외, 직원 책임, 운영상 긴급성을 항상 포착하지는 않는다.

따라서 위임된 조치 모델에는 명확한 경계가 필요하다. 위험이 낮은 조치에는 더 폭넓은 자동화를 적용할 수 있다. 증거 수집, 보강, 중복 제거, 타임라인 구축은 대개 이 범주에 해당한다.

영향이 큰 조치에는 더 강한 통제가 필요하다. 임원 계정 비활성화, 프로덕션 서버 격리, 메시지 삭제, 애플리케이션 접근 권한 취소는 핵심 업무를 중단시킬 수 있다.

위험 기반 자율성은 실용적인 중간 경로를 제시한다. 조직은 좁은 조건 아래 에이전트가 되돌릴 수 있는 조치를 실행하도록 허용할 수 있다. 불확실성이나 잠재적 영향이 커지면 인간의 승인을 요구할 수 있다.

이는 확립된 제로 트러스트 사고방식과 닮아 있다. 접근은 명시적인 정책, 검증된 맥락, 제한된 권한에 따라야 한다. AI 에이전트가 신뢰받는 보안 제품 내에서 작동한다는 이유만으로 광범위한 권한을 받아서는 안 된다.

에이전트의 ID도 중요하다. 모든 에이전트에는 정의된 서비스 ID, 허용된 도구, 데이터 경계, 조치 이력이 있어야 한다. 공유 자격 증명은 책임 소재를 재구성하기 어렵게 만든다.

경쟁 플랫폼들은 자사의 통제 방식을 다르게 설명할 가능성이 높다. 일부는 엔드투엔드 자율성을 강조할 것이다. 다른 업체들은 감독형 에이전트, 특화된 워크플로, 또는 여러 벤더를 아우르는 개방형 통합을 내세울 것이다.

Microsoft의 강점은 구축된 플랫폼 기반과 엔터프라이즈 신호에 대한 접근성에서 나온다. 반면 한 벤더가 탐지기, 조사관, 의사결정 엔진, 대응 메커니즘을 모두 맡게 될 수 있다는 우려는 약점이다.

이러한 우려가 이 모델을 무효화하는 것은 아니다. 오히려 감사 가능성을 경쟁 기능으로 만든다. 고객은 에이전트가 왜 특정 결론에 도달했는지, 어떤 기록이 그 결론에 영향을 미쳤는지, 어떤 대안을 배제했는지를 확인할 수 있어야 한다.

에이전트 기반 SOC 보안은 이러한 증거 추적을 기준으로 평가될 것이다. 재현 가능한 추론 없이 빠른 답변만 제공하면 조사 시간은 줄일 수 있지만 조직적 위험은 커질 수 있다.

AI 에이전트가 새로운 보안 경계를 만든다

위협을 조사할 수 있는 에이전트 자체도 제한된 신뢰를 받는 보안 민감 시스템으로 취급해야 한다.

보안 에이전트는 공격자가 의도적으로 데이터를 조작하는 환경의 정보를 소비한다. 이메일 메시지, 문서, 웹 페이지, 티켓, 코드 저장소, 로그 필드에는 모두 악성 콘텐츠가 포함될 수 있다.

이는 신뢰할 수 없는 콘텐츠가 AI 시스템의 지시를 변경하려 할 때 발생하는 프롬프트 인젝션에 노출될 수 있음을 의미한다. 공격자는 문서 안에 에이전트에게 경고를 무시하거나 제한된 정보를 공개하라고 지시하는 텍스트를 삽입할 수 있다.

에이전트가 그 지시를 따르지 않을 수도 있다. 그러나 그러한 가능성 자체가 위협 모델을 바꾼다. 한때 증거 역할만 하던 콘텐츠가 이제는 그 증거를 해석하는 시스템에 영향을 미칠 수 있다.

따라서 Microsoft와 그 고객은 신뢰할 수 없는 데이터와 권한 있는 지시 사이에 격리를 마련해야 한다. 에이전트는 어떤 콘텐츠가 증거인지, 어떤 정책이 권위 있는지, 어떤 요청 작업에 승인이 필요한지를 알아야 한다.

도구 권한은 또 다른 위험을 제시한다. 읽기 전용 권한을 가진 모델도 잘못된 결론을 낼 수 있다. 격리 권한을 가진 모델은 그 실수를 장애로 이어지게 할 수 있다.

최소 권한 원칙은 개별 도구 수준에 적용되어야 한다. 이메일 분류 에이전트가 자동으로 엔드포인트를 격리할 권한까지 가질 필요는 없다. 엔드포인트 조사관에게도 모든 직원 사서함에 대한 무제한 접근 권한은 필요하지 않다.

조직은 계획과 실행도 분리해야 한다. 한 구성 요소는 조사 또는 대응 계획을 제안할 수 있다. 실제 조치가 발생하기 전에 정책 계층이 결정론적 규칙에 따라 해당 계획을 검토할 수 있다.

그 정책 계층이 전적으로 또 다른 언어 모델에 의존해서는 안 된다. 지정된 비상 계정을 에이전트가 비활성화하지 못하도록 막는 것처럼, 일부 결정에는 고정된 통제가 필요하다.

미국 국립표준기술연구소의 AI 위험 프레임워크는 유용한 거버넌스 기준을 제공한다. 이 프레임워크는 AI 위험 업무를 위험의 거버넌스, 매핑, 측정, 관리로 구성한다.

보안 에이전트에 적용하면 거버넌스는 소유권과 허용 가능한 사용 범위를 설정한다. 매핑은 영향을 받는 시스템과 가능한 피해를 식별한다. 측정은 정상 및 적대적 조건에서의 동작을 시험한다.

이후 관리는 이러한 결과를 권한, 모니터링, 승인 경로, 사고 절차로 전환한다. 모델, 도구, 조직 데이터가 변하기 때문에 이 주기는 배포 후에도 계속되어야 한다.

MITRE가 유지하는 ATLAS 위협 지식은 또 다른 관련 기준을 제공한다. 이는 머신러닝 시스템과 관련된 적대적 기법을 문서화하며 구조화된 테스트를 지원할 수 있다.

어느 프레임워크도 특정 에이전트가 안전하다고 인증하지는 않는다. 대신 더 나은 질문을 던지고 증거를 체계화하는 방법을 제공한다. 고객은 여전히 자사 환경에서 제품별 테스트를 수행해야 한다.

로깅은 최종 답변을 넘어 확장되어야 한다. 유용한 기록에는 부여된 목표, 선택된 도구, 수집된 증거, 중간 의사결정, 정책 검사, 승인, 그리고 그 결과로 수행된 조치가 나타나야 한다.

민감한 추론 데이터 역시 보호가 필요하다. 조사 추적에는 직원 정보, 사고 세부 사항, 자격 증명 또는 방어 공백에 대한 설명이 포함될 수 있다. 모든 추적을 광범위하게 보존하면 또 다른 가치 있는 공격 표적이 생길 수 있다.

조직은 무엇을 얼마나 오래 저장하고 누가 이를 검토할 수 있는지 결정해야 한다. 또한 내부 조사나 법적 보존 명령 기간에 증거를 보존하는 절차도 필요하다.

모델 업데이트는 또 다른 복잡성을 더한다. 에이전트의 동작은 기반 모델, 프롬프트, 커넥터 또는 검색 시스템이 변경될 때 바뀔 수 있다. 지난달 테스트한 워크플로가 업데이트 후에도 동일하게 동작한다는 보장은 없다.

따라서 팀은 에이전트 구성을 버전 관리하고 핵심 평가를 반복해야 한다. 대표 사례, 적대적 입력, 안전하지 않은 도구 사용에 대한 테스트가 필요하다.

Microsoft의 주장은 인터페이스의 유창함이 아니라 이러한 운영 통제를 기준으로 평가되어야 한다. 세련된 사고 요약은 빈약한 증거나 불완전한 조사 경로를 가릴 수 있다.

가장 어려운 질문은 시연 중 에이전트가 올바른 답에 도달하는지 여부가 아니다. 에이전트가 틀렸을 때 주변 시스템이 피해를 제한할 수 있는지 여부다.

자율성이 높아질수록 증거 기준도 높아져야 한다

더 큰 자율성에는 더 강력한 의사결정 품질 증거가 필요하므로, Microsoft는 더 빠른 사건 종결만으로 신뢰를 구축할 수 없다.

보안 자동화는 흔히 절감한 시간으로 측정된다. 벤더들은 수작업 단계 감소, 더 빠른 분류, 더 짧은 대응 주기를 강조할 수 있다. 이러한 지표는 유용하지만 불완전하다.

에이전트는 무해한 패턴을 인식했기 때문에 사건을 빠르게 종결할 수 있다. 반대로 상반되는 증거를 수집하지 못했기 때문에 빠르게 종결할 수도 있다. 운영 지표는 비슷해 보이지만 보안 결과는 다르다.

고객은 알려진 사고를 기준으로 한 평가를 요구해야 한다. 테스트 세트에는 확인된 공격, 무해한 이상 징후, 내부자 위험 시나리오, 침해된 계정, 불완전한 텔레메트리가 포함될 수 있다.

사례에는 어려운 음성 사례도 포함되어야 한다. 이는 악의적 행위와 유사해 보이는 정상 활동이다. 이러한 사례는 에이전트가 상관관계를 증거로 취급하는지를 드러낸다.

평가에서는 증거의 완전성도 측정해야 한다. 에이전트가 필요한 모든 데이터 소스를 참고했는가? 누락된 텔레메트리를 식별했는가? 조치를 권고하기 전에 불확실성을 전달했는가?

분석가 간 일치도 또 하나의 신호가 될 수 있지만, 유일한 기준이 되어서는 안 된다. 특히 기계가 생성한 설명이 자신감 있고 잘 정리되어 보일 때 사람들은 같은 가정을 공유할 수 있다.

블라인드 검토는 이러한 효과를 줄일 수 있다. 분석가는 결론이 사람에게서 나왔는지 에이전트에게서 나왔는지 보지 않은 채 사례 증거를 평가할 수 있다. 이후 차이는 체계적으로 검토할 수 있다.

조직에는 장기적 증거도 필요하다. 한 번의 성공적인 파일럿만으로는 통합이 바뀌거나, 데이터 품질이 저하되거나, 공격자가 적응한 뒤 에이전트가 어떻게 수행하는지를 보여주지 못한다.

오류 범주는 고객에게 투명하게 공개되어야 한다. 놓친 관계는 잘못된 신원 매칭과 다르다. 근거 없는 확신은 안전하지 않은 도구 선택과 다르다. 각 문제에는 서로 다른 해결책이 필요하다.

Microsoft는 평가 방법, 권한 모델, 감사 구조를 공개함으로써 자사의 주장을 강화할 수 있다. 집계된 속도 주장만으로는 핵심 거버넌스 질문에 답하지 못한다.

독립적인 테스트는 특히 중요할 것이다. 이 설계에서 Microsoft는 플랫폼, 모델, 그리고 다수의 데이터 커넥터를 소유한다. 제3자 평가는 내부 테스트가 놓치는 가정에 도전할 수 있다.

경쟁 시스템에도 같은 수준의 검증이 적용되어야 한다. 보안 벤더는 어시스턴트를 에이전트로, 에이전트를 자율형으로 설명할 강한 유인을 갖고 있다. 구매자는 각 기능에 대한 구체적인 정의가 필요하다.

국제 사이버보안 기관들이 지원하는 보안 AI 가이드라인은 안전한 설계, 개발, 배포, 운영을 강조한다. 이러한 라이프사이클 관점은 에이전트 기반 보안 도구에 잘 부합한다.

책임 있는 배포는 좁은 범위에서 시작한다. 팀은 인간의 승인 권한을 유지하면서 에이전트가 증거를 요약하고 다음 단계를 제안하도록 할 수 있다.

오류와 운영 영향을 측정한 뒤 자율성을 확대할 수 있다. 되돌릴 수 있는 조치는 파괴적이거나 복구가 어려운 변경보다 먼저 적용되어야 한다.

롤백 절차는 여전히 필수적이다. 에이전트가 격리 조치를 잘못 적용할 경우 대응자는 접근 권한을 복원하고 수정 사항을 기록할 명확한 방법이 필요하다.

Microsoft의 에이전트 기반 보안 운영은 조달 관련 질문도 제기한다. 구매자는 프롬프트와 조사 데이터가 어디에서 처리되는지 알아야 한다. 보존 기간, 지역 경계, 모델 학습 정책, 관리자 접근 권한도 이해해야 한다.

통합의 깊이도 동등한 주의를 기울일 가치가 있다. 시스템은 Microsoft 텔레메트리 안에서는 잘 작동할 수 있지만, 타사 네트워크, 애플리케이션 또는 클라우드 서비스 전반에서는 맥락을 잃을 수 있다.

이 제한은 혼합 환경을 가진 조직에 중요하다. 일관된 사고는 흔히 여러 벤더가 소유한 시스템을 가로지른다. 에이전트는 그러한 시스템에 접근할 수 있거나, 자신의 사각지대를 식별해야 한다.

에이전트가 SOC를 재편할 수 있다는 주장은 워크플로 수준에서는 신뢰할 만하다. 이를 안전하게 수행할 수 있다는 주장은 각 배포 환경에서 검증해야 할 실증적 질문으로 남는다.

에이전트 기반 SOC의 작동 여부를 보여줄 세 가지 신호

다음 단계는 고객 통제, 측정 가능한 조사 품질, 그리고 에이전트가 혼합 환경에서 작동할 수 있다는 증거에 의해 결정될 것이다.

첫 번째 신호는 Microsoft의 상세한 권한 및 승인 모델이다. 구매자는 관리자가 각 에이전트의 데이터 접근, 도구, 대응 권한을 어떻게 제한하는지 확인해야 한다.

강력한 통제는 위임된 행동 모델을 뒷받침할 것이다. 이는 모든 워크플로를 동일하게 취급하지 않고도 조직이 자율성을 위험 수준에 맞출 수 있게 한다.

약하거나 불명확한 통제는 Microsoft의 주장을 약화시킬 것이다. 고객은 증거를 수집하는 에이전트는 수용할 수 있지만, 의미 있는 대응 권한을 부여하는 데는 주저할 수 있다.

문서화는 비상 오버라이드가 어떻게 작동하는지도 설명해야 한다. 보안 팀은 에이전트를 일시 중지하고, 도구 권한을 취소하며, 정해진 기간 동안 수행한 모든 조치를 식별할 수 있어야 한다.

두 번째 신호는 측정된 조사 품질이다. Microsoft와 초기 고객은 시간 절감 이상의 결과를 보고해야 한다. 잘못된 종결, 놓친 증거, 불필요한 에스컬레이션, 분석가의 판단 번복을 검토해야 한다.

가장 유용한 결과는 테스트 대상 집단과 운영 조건을 설명할 것이다. 선별된 시연에서의 성능은 구매자에게 잡음이 많은 엔터프라이즈 환경에 대해 거의 알려주지 못한다.

반복된 프로덕션 사용의 증거는 이 이야기를 강화할 것이다. 탐지 품질이 유지되거나 향상될 때 조사 시간 감소는 의미가 있다.

비슷한 수준의 정확성 증거 없이 신속한 종결만 증가한다면 오히려 주장을 약화시킬 것이다. 더 빠른 처리는 매력적인 대시보드를 만들 수 있지만, 중요한 실수가 집계 수치 속으로 사라지게 할 수 있다.

세 번째 신호는 크로스플랫폼 성능이다. 대부분의 대규모 조직은 여러 보안, 신원, 네트워킹, 클라우드 벤더의 제품을 사용한다.

Microsoft Defender AI 에이전트는 이러한 환경을 일관되게 조사할 수 있을 만큼 충분한 타사 맥락에 접근해야 한다. 그렇지 않으면 이 모델은 고객이 주로 에이전트 성능을 위해 통합하도록 유도할 수 있다.

그 결과는 여전히 Microsoft에 상업적으로 이익이 될 것이다. 그러나 에이전트 지향 SOC가 더 넓은 엔터프라이즈 시장 전반에서 효과적으로 운영될 수 있음을 입증하지는 못한다.

개방형 커넥터, 표준화된 도구 인터페이스, 명시적인 사각지대 보고는 Microsoft의 접근법을 강화할 것이다. 에이전트가 관련 증거에 접근하지 못했을 때 고객이 조사가 완전했다고 가정해서는 안 된다.

경쟁사의 반응은 보조적 맥락을 제공할 것이다. 경쟁 벤더들은 자사 텔레메트리, 특화 모델, 오케스트레이션 시스템, 거버넌스 통제를 강조할 가능성이 높다.

그 발표들의 중요성은 실제 운영 권한에 비하면 작다. 핵심 질문은 어떤 시스템이 매력적인 요약을 생성하는 데 그치지 않고, 고객의 허용 아래 실제 조사와 조치를 수행할 수 있는가이다.

보안 책임자는 그 권한을 부여하기 전에 준비해야 한다. 우선 조치를 되돌릴 수 있는지 여부, 비즈니스 영향, 필요한 승인에 따라 분류할 수 있다.

일반적인 의사결정에 필요한 증거도 정의해야 한다. 침해된 계정에 대한 워크플로에는 신원 위험도, 기기 상태, 세션 이력, 최근 접근 권한 변경 내역 등이 필요할 수 있다.

그다음 에이전트가 해당 증거를 일관되게 수집하는지 검증해야 한다. 정보가 누락되면 그럴듯한 결론을 꾸며내는 대신 에스컬레이션이 이루어져야 한다.

팀은 아키텍처 결정, 조사 기준, 승인된 예외 사항을 검색 가능한 기록으로 유지할 수도 있다. 관리되는 engineering knowledge base는 검토 과정에서 분석가가 이러한 맥락을 찾아보는 데 도움이 될 수 있다.

목표는 모든 수동 업무를 유지하는 것이 아니다. 책임까지 넘기지 않으면서 업무를 위임하는 데 있다.

Microsoft의 에이전트형 보안 운영은 과부하에 시달리는 보안 팀에 그럴듯한 해답을 제시한다. 에이전트는 지속적으로 증거를 수집하고, 복잡한 단서를 추적하며, 반복적인 조사 업무를 줄일 수 있다.

성공 여부는 증거가 충돌하거나 도구가 실패하거나 모델이 잘못된 결론에 도달했을 때 어떤 일이 벌어지는지에 달려 있다. 이러한 순간은 성공적인 시연보다 운영 신뢰를 더 분명하게 정의한다.

보안 팀은 에이전트의 권한을 확대하기 전에 한 가지 실질적인 질문을 던져야 한다. 중요한 영향을 미치는 모든 결정을 재구성하고, 이의를 제기하며, 되돌릴 수 있는가? 답이 그렇다면 에이전트는 유용한 SOC 참여자가 될 수 있다. 그렇지 않다면 감독하에 조사 업무를 수행하는 역할에 머물러야 한다.