Naver Cloud 사이버보안 AI, 국가 인프라를 향하지만 400억 원 투자 주장은 맥락이 필요하다

Naver Cloud가 Nvidia B200 GPU 4,000개, 7,000억 파라미터급으로 계획된 모델 2개, 7개 핵심 분야 실증을 중심으로 한 사이버보안 AI 프로그램을 시작했다. Naver Cloud 사이버보안 AI 프로젝트는 범용 챗봇 하나를 보안용으로 전환하는 대신 공격과 방어 시스템을 함께 구축한다는 점에서 유난히 야심차다.

이 회사는 2026년 9월 3일 한국 과학기술정보통신부가 선정한 33개 기관 컨소시엄을 이끈다. 참여 기관에는 LG CNS, LG AI Research, LG Uplus, 보안 기업, 인프라 운영사, 연구기관, 주요 대학이 포함된다.

뉴스 애그리게이터를 통해 확산된 한 헤드라인은 연간 투자액이 400억 원을 넘을 것이라고도 주장한다. 그러나 이 금액은 Naver의 9월 3일 발표나 이 글을 위해 검토한 정부 선정 관련 보도에 명시되지 않았다. 검증된 공개 자료는 대신 수천 개의 회사 제공 GPU와 정부 제공 B200 GPU 256개를 포함한 대규모 인프라 투입을 설명한다.

이 구분은 중요하다. Naver Cloud는 아키텍처, 하드웨어 기여분, 학습 데이터 목표, 현장 실증 계획, 오픈소스 의도를 확인했다. 반면 반복적으로 언급되는 연간 현금 예산은 문서화가 덜 명확하며, 확정된 사실로 취급해서는 안 된다.

더 큰 경쟁 구도는 Naver Cloud와 이 회사가 이긴 경쟁 컨소시엄인 SK Telecom 진영을 넘어선다. 이는 한국의 인프라, 폐쇄망, 운영 위협 데이터에 맞춰 학습되지 않은 범용 모델에 의존하는 방식과, 국내에서 통제하고 배포할 수 있는 보안 시스템 간의 대결이다.

Naver Cloud 사이버보안 AI 프로젝트는 두 개의 모델에서 시작한다

이 프로젝트는 보안 프롬프트를 적용한 하나의 대형 모델이 아니다. 사이버 작전의 양측을 모두 다루도록 설계된 짝을 이룬 시스템이다.

Naver Cloud는 각각 약 7,000억 파라미터를 목표로 하는 두 개의 전문가 혼합 모델을 개발할 것이라고 밝혔다. 전문가 혼합 모델은 작업마다 선택된 파라미터 그룹을 활성화해, 매번 전체 모델을 활성화하는 방식보다 필요한 연산량을 줄인다.

방어 모델은 Naver의 HyperCLOVA X를 기반으로 구축된다. 예상 역할에는 보안 운영 전반의 위협 탐지, 조사 지원, 방어 추론, 대응이 포함된다.

공격 모델은 LG AI Research의 EXAONE을 기반으로 한다. 여기서 공격 역량이란 통제된 환경 안에서 취약점을 찾아 재현하고 검증하는 것을 뜻한다. 제한 없는 해킹 시스템에 공개 표적 접근을 허용한다는 의미는 아니다.

Naver는 이 모델 쌍이 전체 공격 및 방어 주기를 포괄한다고 설명한다. 공격과 방어 업무는 서로 다른 도구, 데이터, 권한, 평가 방식을 요구하기 때문에 이러한 분리는 중요하다.

방어 지원 도구는 경보를 요약하고, 로그를 상호 연관 분석하거나, 격리 조치를 권고할 수 있다. 반면 공격 에이전트는 소프트웨어와 상호작용하고, 가설을 검증하며, 보안 도구를 사용하고, 겉보기 취약점이 실제로 악용 가능한지 확인해야 한다.

컨소시엄은 정부가 최종 선정을 내리기 전부터 사전 학습을 시작했다. Naver의 상세 프로젝트 사양에 따르면, 회사는 자체 자원으로 B200 GPU 4,000개를 제공하기로 약속했다.

LG는 H200 GPU 256개를 추가로 제공한다. 정부 할당분은 B200 GPU 256개를 더하며, 독립 보도에 따르면 이 자원은 초기에는 10개월간 제공될 예정이다.

학습 계획은 약 830테라바이트의 실환경 데이터도 요구한다. Naver가 밝힌 데이터 기여 기관에는 LG CNS, KEPCO KDN, Korea Hydro & Nuclear Power, Financial Security Institute, KISTI, LG Uplus가 포함된다.

이 데이터는 위협 인텔리전스 수집, 라벨링, 표준화, 검증을 포괄하도록 설계됐다. 또한 운영 네트워크와 규제 대상 인프라처럼 범용 인터넷 학습 모델이 활용 가능한 형태로 접하기 어려운 환경을 반영한다.

Naver는 모델이 전력, 금융, 과학기술, 통신, 반도체, 국방, 항공우주 분야에서 실증을 거칠 것이라고 밝혔다. 이 7개 분야는 벤치마크 시연을 넘어 프로젝트의 명확한 배포 목표를 제시한다.

모델은 폐쇄망에서도 작동하도록 설계됐다. 폐쇄망은 공용 인터넷과 분리된 네트워크로, 데이터 노출을 제한하는 한편 클라우드 의존형 AI 서비스를 사용하기 어렵게 만든다.

Naver Cloud는 이전에도 규제 대상 조직을 위해 온프레미스 및 격리 환경에 파운데이션 모델 기술을 배포한 바 있다. 회사는 이를 모델 학습 후 추가되는 구현 세부 사항이 아니라 핵심 강점으로 보고 있다.

이 지점에서 Naver Cloud 보안 모델은 많은 사이버보안 코파일럿과 다르다. 대부분의 코파일럿은 제3자 언어 모델 위에 구축돼 분석가의 문서 검색이나 경보 해석을 돕는다. Naver의 컨소시엄은 기반 모델, 학습 파이프라인, 인프라, 도구, 배포 환경을 직접 통제하려 한다.

따라서 이 계획은 일반적인 기업용 소프트웨어 출시보다 국가 기술 인프라에 가깝다. 동시에 성공 기준도 더 엄격해진다.

챗봇은 매끄러운 시연만으로도 유용해 보일 수 있다. 그러나 사이버보안 파운데이션 모델은 증거가 충돌하고, 도구가 실패하며, 권한이 제한되고, 잘못된 권고가 필수 서비스를 중단시킬 수 있는 상황에서도 안전하게 작동해야 한다.

한국이 보안 AI를 주권 인프라로 다루는 이유

즉각적인 압박은 민감한 운영 데이터를 해외 공개 모델로 안전하게 보낼 수 없는 조직에 집중된다.

한국 정부는 이 프로그램을 고성능 AI와 연계된 고도화 사이버 위협에 대한 대응으로 규정했다. 또한 국내 언어, 인프라, 규제, 위협 조건을 반영할 수 있는 독립 통제형 보안 모델을 원하고 있다.

컨소시엄 선정은 SK Telecom이 이끄는 그룹과의 경쟁을 거쳐 이뤄졌다. 정부 선정 평가 세부사항에 따르면 외부 전문가들은 기술 역량, 개발 경험, 실현 가능성, 시장성, 예상 산업 효과를 평가했다.

이 과정에서 SK Telecom은 가장 분명한 경쟁 기준점이 됐다. 이 경쟁은 단순히 어느 회사가 더 많은 GPU를 모을 수 있는지를 겨룬 것이 아니었다. 파운데이션 모델 연구를 운영 데이터, 보안 전문성, 검증 도구, 배포 현장과 연결할 수 있는 그룹을 평가했다.

Naver Cloud의 답은 수직적으로 고립된 연구소가 아니라 폭넓은 컨소시엄이었다. 이 그룹에는 클라우드 운영사, 모델 개발사, 공격 보안 기업, 인프라 소유자, 대학, 공공 연구기관이 참여한다.

이러한 폭넓은 구성은 구조적인 사이버보안 문제에 대응한다. 고품질 보안 데이터는 여러 조직에 흩어져 있으며, 의미 있는 테스트에는 현실적인 시스템과 숙련된 운영자에 대한 접근이 필요하다.

일반적으로 단일 공급업체가 이 세 가지를 모두 보유하지는 않는다. 모델 기업은 학습 전문성을 갖추지만 운영 데이터는 제한적이다. 인프라 제공업체는 로그를 보유하지만 이를 자유롭게 공유할 수 없다. 보안 기업은 취약점을 이해하지만 대형 모델 학습에 필요한 충분한 컴퓨팅 역량이 없을 수 있다.

Naver Cloud는 이 조각들을 하나의 프로그램 아래 결합하려 한다. 이 접근 방식은 현장 전문가가 배포 전에 모델의 행동에 이의를 제기할 수 있으므로 위험도 분산한다.

주권이라는 요소에는 기술적 차원과 정치적 차원이 모두 있다. 기술 주권은 원격 제공업체에 의존하지 않고 조직이 시스템을 운영, 검사, 수정, 배포할 수 있음을 뜻한다. 정치적 주권은 국가 안보를 뒷받침하는 인프라에 대해 정부가 실질적인 통제권을 유지한다는 의미다.

어느 개념도 더 나은 성능을 보장하지는 않는다. 국내 통제만으로는 부실한 평가, 취약한 도구 체계, 제한적인 학습 다양성을 보완할 수 없다. 다만 외부 API와 폐쇄형 모델 가중치가 만들어내는 일부 장벽은 제거할 수 있다.

폐쇄망 요구사항은 실질적인 사례다. 원자력, 국방, 금융, 정부 시스템은 인터넷 연결을 제한하는 경우가 많다. 해외 추론 서비스에 지속적으로 접속해야 하는 모델은 이런 환경에서 정상적으로 작동할 수 없다.

로컬 배포는 사고 대응에도 영향을 준다. 보안팀은 오류 발생 후 프롬프트, 도구 호출, 검색된 증거, 모델 출력을 점검해야 할 수 있다. 중요한 시스템 동작이 공급업체 경계 뒤에 남아 있으면 이러한 검토는 더 어려워진다.

Naver Cloud CEO Kim Yu-won은 9월 17일 Cyber Summit Korea에서 보안 특화 모델을 국가 경쟁력을 위한 인프라로 설명했다. 그는 연결된 공급망 때문에 공격자가 핵심 산업 주변의 더 취약한 기업을 표적으로 삼을 수 있다고 주장했다.

그의 주장은 실제 조율 문제를 반영하지만, Naver의 해법이 효과적인지는 아직 입증되지 않았다. 규모가 작은 공급업체는 국가 전력 공기업, 반도체 제조사, 국방 계약업체가 활용할 수 있는 예산과 인력을 확보하지 못하는 경우가 많다.

Naver는 이 프로젝트를 통해 소규모 기업에 무료 취약점 및 공격 탐지 평가를 제공할 것이라고 밝혔다. 또한 Naver Cloud Marketplace를 통해 상용 보안 서비스를 지원할 계획이다.

이러한 약속은 국가 인프라를 궁극적인 유통 채널과 연결한다. 모델이 효과를 보인다면 보안 기업은 비슷한 파운데이션 모델을 직접 학습하지 않고도 특화 제품을 구축할 수 있다.

이 전략은 Naver Cloud에 상업적 유인도 제공한다. 규제 산업 전반에 배포되는 모델은 컴퓨팅, 프라이빗 클라우드 설치, 모니터링, 통합 서비스 수요를 창출할 수 있다.

이 유인이 공공적 목적을 무효화하는 것은 아니다. 다만 구매자는 공동 인프라와 공급업체가 통제하는 제품 파이프라인을 구분해야 한다는 뜻이다.

민감한 AI 배포를 평가하는 지식 근로자에게도 같은 구분은 더 작은 형태로 나타난다. 개인 지식 베이스는 데이터 경계, 검색 통제, 근거 자료 제시 능력만큼만 신뢰할 수 있다.

사이버보안에서는 이러한 요구사항이 훨씬 커진다. 모델은 단지 올바른 정보를 검색해서는 부족하다. 명시된 권한 안에서 행동하고, 조사관이 재구성할 수 있는 기록을 보존해야 한다.

핵심 경쟁은 특화된 통제와 범용 규모 사이에 있다

Naver의 베팅은 가장 큰 범용 모델에 접근하는 것보다 데이터, 도구, 배포에 대한 통제가 더 중요하다는 데 있다.

글로벌 제공업체의 프런티어 모델은 이미 취약점을 설명하고, 코드를 생성하며, 로그를 분석하고, 사고 보고서를 지원할 수 있다. 이러한 폭넓은 역량은 Naver 전략에 대한 합리적인 의문을 제기한다.

범용 모델을 검색 증강, 미세 조정, 도구 접근으로 적용할 수 있다면, 왜 7,000억 파라미터급 시스템 두 개에 막대한 자원을 투입해야 할까?

답은 운영 통제에 있다. 사이버보안팀에는 현지 환경을 이해하고, 제한된 절차를 따르며, 보호된 정보를 노출하지 않고 작동하는 모델이 필요하다. 또한 설득력 있는 문장이 아니라 실행 가능한 결과와 연결된 평가가 필요하다.

컨소시엄 참여 기관인 Theori Korea는 도구 하니스와 학습 환경을 담당할 예정이다. 하니스는 AI 시스템이 스캐너, 테스트 환경, 기타 보안 도구와 상호작용할 수 있게 하는 통제된 소프트웨어 계층이다.

회사는 자사의 역할에 감독 미세 조정과 검증 가능한 보상을 활용한 강화 학습이 포함된다고 밝혔다. 후자는 통제된 조건에서 취약점을 재현했는지 여부처럼 확인 가능한 결과를 바탕으로 모델을 학습시키는 방식이다.

Theori는 검증 환경에 대한 설명에서 보안 지식만으로는 충분하지 않다고 주장한다. 모델은 실제 작동 환경에서 취약점을 찾아내고 검증해야 한다.

이 메커니즘은 헤드라인에 제시된 파라미터 수보다 더 중요하다. 대규모 모델은 그럴듯하지만 잘못된 기술적 설명을 생성할 수 있다. 도구를 사용하는 에이전트 역시 실패할 수 있지만, 그 행동은 평가를 위한 증거를 만들어낼 수 있다.

방어 모델도 유사한 과제에 직면한다. 보안 운영 센터는 수많은 미약한 신호, 불완전한 경보, 반복되는 오탐을 받는다. 유용한 시스템은 관련 없는 사건들 사이의 관계를 지어내지 않으면서 증거를 연결해야 한다.

실제 운영 데이터는 이러한 성능을 개선할 수 있다. 동시에 개인정보, 기밀성, 데이터 오염 위험을 초래할 수도 있다.

컨소시엄은 830테라바이트 목표를 원시 텔레메트리, 악성코드 샘플, 취약점 기록, 사고 보고서, 합성 자료에 어떻게 배분할지 공개적으로 설명하지 않았다. 또한 모든 참여자에 적용되는 상세한 거버넌스 규칙도 공개하지 않았다.

개발 단계에서 이러한 누락은 이해할 수 있지만, 외부인이 학습 자료의 대표성을 판단하기 어렵게 만든다. 데이터 규모만으로는 품질을 거의 말해주지 못한다.

쌍 모델 구조는 또 다른 상충 관계를 낳는다. 공격 및 방어 역량을 분리하면 더 명확한 전문화를 이룰 수 있지만, 조정 및 격리 문제도 발생한다.

공격 모델은 공격 경로를 탐색할 수 있을 만큼의 자유가 필요하다. 방어 조직은 그 역량이 승인된 환경을 벗어나지 못하도록 하는 엄격한 경계가 필요하다.

따라서 프로그램의 아키텍처는 모델 역량과 운영 권한을 분리해야 한다. 시스템이 특정 기법을 실행하는 방법을 알고 있더라도, 권한·자격 증명·네트워크 접근·제한 없는 도구 연결을 부여받지 않을 수 있다.

이 구분은 책임 있는 배포에 필수적이다. 모델 정렬이 유일한 보안 경계가 되어서는 안 된다.

인프라 통제도 중요하다. Naver는 공식 선정 이전부터 자사가 제공한 B200 4,000개가 사전 학습을 지원하기 시작했다고 밝혔다. 이후 업계 인터뷰에서는 이 자원의 가치가 약 2,000억 원으로 언급됐지만, 이는 확정된 연간 현금 지출이 아니라 추정 자원 가치다.

원래 종합 헤드라인에서 연간 투자액이 400억 원을 넘을 것이라고 한 주장은 이 보도 공백을 고려해 해석해야 한다. 이는 더 광범위한 프로그램 예산, 연간 환산 약정 또는 공개적으로 접근할 수 없는 출처에서 논의된 수치를 가리킬 수 있다.

여기서 검토한 공식 자료는 이에 상응하는 연간 투자 일정을 제시하지 않는다. 대신 물리적 자원과 프로그램 구성 요소를 공개한다.

그렇기 때문에 가장 방어 가능한 설명은 검증된 약정에 초점을 맞춘다. 즉, Naver가 제공한 B200 GPU 4,000개, LG H200 GPU 256개, 그리고 추가 정부 배정이다.

이는 투자가 중요하지 않다는 뜻이 아니다. 회계상 분류가 중요하다는 의미다.

기업이 이미 보유한 하드웨어, 프로젝트에 배정된 컴퓨팅 시간, 직접 현금 지출, 정부의 현물 지원은 서로 대체할 수 있는 항목이 아니다. 이를 합치면 실제 비용을 부풀리거나 가릴 수 있다.

전문화된 제어 전략은 현실적인 제약 아래에서 측정 가능한 보안 성과를 낼 경우 신뢰를 얻을 것이다. 파라미터 수와 명목상 자원 가치가 그러한 결과를 대체하게 되면 신뢰를 잃을 것이다.

오픈 소스는 접근성을 넓히지만 보안상 상충 관계도 만든다

상업적 사용을 위한 모델 공개는 접근성을 확대하지만, 방어자와 공격자 모두에게 상당 부분 동일한 역량을 제공한다.

Naver는 완성된 모델을 상업적 사용을 위해 오픈 소스로 공개할 계획이라고 밝혔다. 발표에는 아직 라이선스, 공개 순서, 가중치 접근 조건, 안전 제한 사항이 명시되지 않았다.

이 세부 사항은 실제로 “오픈 소스”가 무엇을 의미하는지 결정할 것이다. 이 용어는 다운로드 가능한 모델 가중치부터 상당한 사용 제한이 있는 소스 저장소까지 폭넓게 가리킬 수 있다.

상업적으로 사용할 수 있는 공개는 한국 사이버보안 기업의 진입 장벽을 낮출 수 있다. 공급업체는 이 모델을 악성코드 분석, 코드 검토, 취약점 분류, 위협 인텔리전스 또는 산업 제어 환경에 맞게 조정할 수 있다.

로컬 가중치는 폐쇄망 배포도 지원한다. 조직은 민감한 프롬프트, 문서, 로그, 출력물을 통제된 인프라 내부에 보관할 수 있다.

공격 모델은 제한 없는 공개를 더 복잡하게 만든다. 방어자를 위해 취약점을 검증하는 동일한 시스템이 공격자를 위한 정찰이나 익스플로잇 개발을 자동화할 수도 있다.

보안 정보가 이미 온라인에 존재한다는 이유만으로 이 위험이 사라지지는 않는다. 자동화는 유해한 작업의 비용, 속도, 일관성, 규모를 바꿀 수 있다.

Naver는 방어 및 공격 모델에 서로 다른 라이선스나 접근 통제가 적용될지 아직 설명하지 않았다. 고위험 도구가 공개되는 가중치와 분리된 상태로 남을지도 명시하지 않았다.

합리적인 아키텍처는 모델, 하니스, 자격 증명, 실행 환경을 별개 계층으로 다룰 것이다. 공개 모델 접근이 실제 침입에 필요한 도구나 권한을 자동으로 포함하지는 않을 것이다.

그러한 분리조차 오용을 없애지는 못한다. 숙련된 행위자는 자체 하니스를 구축할 수 있다. 따라서 공개 결정은 기존 오픈 시스템을 넘어 모델이 무엇을 추가하는지 평가해야 한다.

컨소시엄은 벤치마크 최적화가 주요 성공 지표가 되는 것도 막아야 한다. Naver는 국제적으로 인정받는 벤치마크 두 가지가 객관적 평가를 지원할 것이라고 밝혔지만, 이름은 공개하지 않았다.

벤치마크는 반복 가능한 조건에서 버전을 비교하는 데 도움이 된다. 그러나 실제 네트워크, 새로운 취약점, 다국어 사고 데이터, 시스템에 적응하는 적대자를 완전히 대표하지는 못한다.

7개 부문에 걸친 현장 시험은 운영 성과를 측정한다면 더 강력한 증거를 제공할 수 있다. 유용한 지표에는 검증된 탐지 건수, 조사 시간, 오탐률, 도구 사용 실패, 분석가 개입이 포함된다.

외부인이 성공적인 파일럿과 선별된 시연을 구분하려면 공개 보고에 충분한 세부 정보가 필요하다. 시험 설계나 기준선 비교 없는 종합 벤치마크 점수는 제한적인 확신만 제공할 것이다.

핵심 시설에서의 공격 테스트를 둘러싼 거버넌스 문제도 있다. 잘못된 행동이 공공 서비스에 영향을 미칠 수 있는 운영 시스템에서 모델이 자유롭게 실험해서는 안 된다.

안전한 시험은 일반적으로 복제 환경, 샌드박스, 분리된 환경 또는 신중하게 승인된 테스트 시간대에 의존한다. 컨소시엄은 아직 현장 시험 프로토콜을 공개하지 않았다.

핵심 인프라 파트너는 프로젝트에 가치 있는 전문성 및 데이터를 제공한다. 동시에 취약한 접근 통제의 결과를 더욱 심각하게 만든다.

데이터 거버넌스는 또 다른 오픈 소스 긴장을 제시한다. 민감한 운영 기록으로 학습하면 관련성을 높일 수 있지만, 모델 공개가 암기나 추출 공격을 통해 기밀 정보를 노출해서는 안 된다.

따라서 데이터 필터링, 개인정보 테스트, 레드팀 훈련, 공개 검토는 원시 모델 정확도만큼 중요하다. 이러한 통제 가운데 어느 것도 830테라바이트라는 수치만으로 추론할 수 없다.

프로젝트의 오픈 소스 약속은 여전히 중요하지만, 아직은 약속에 불과하다. 구매자와 개발자는 광범위한 상업적 자유를 전제하기 전에 라이선스, 모델 문서, 평가 보고서, 공개 안전장치를 기다려야 한다.

400억 원 수치만이 유일한 미해결 질문은 아니다

프로그램에는 검증된 기술 계획이 있지만, 여러 공개 주장은 여전히 독립적 평가에 필요한 근거가 부족하다.

연간 투자 수치가 가장 명확한 사례다. Naver의 9월 공식 발표는 회사가 매년 400억 원 이상을 지출할 것이라고 말하지 않는다.

정부 선정 보고서 역시 컴퓨팅 지원, 평가, 프로젝트 일정에 초점을 맞춘다. 컨소시엄은 10개월 동안 B200 GPU 256개를 지원받으며, 마지막 5개월은 중간 평가에 따라 결정된다고 명시한다.

별도의 보도는 Naver의 GPU 4,000개 약정을 약 2,000억 원 규모의 자원으로 설명한다. 이 추정치는 회사가 상당한 기여를 했다는 견해를 뒷받침하지만, 매년 400억 원을 넘는 반복 지출을 검증하지는 않는다.

따라서 독자는 다음 세 가지 진술을 구분해야 한다.

• Naver는 사전 학습에 B200 GPU 4,000개를 투입하기로 약정했다.

• 더 광범위한 컨소시엄과 정부는 다른 컴퓨팅 자원을 추가하고 있다.

• 여기서 검토한 1차 자료에서는 매년 400억 원을 초과하는 반복적 투자가 확인되지 않았다.

이는 사소한 편집상 구분이 아니다. 대규모 AI 프로젝트는 점점 장비 가치, 클라우드 용량, 감가상각, 연구 인력, 공공 보조금, 직접 지출을 혼합한다.

헤드라인은 수치상 정확할 수 있지만, 그 바탕이 되는 지출 범주는 불분명할 수 있다. 예산 문서나 출처가 명시된 경영진 발언이 없다면 연간 수치는 단서를 달아야 한다.

파라미터 수 역시 신중하게 다뤄야 한다. 700B급 mixture-of-experts 모델 두 개는 익숙한 많은 언어 모델보다 커 보이지만, 전체 파라미터는 활성 연산량, 학습 품질, 지연 시간, 보안 성능을 보여주지 않는다.

mixture-of-experts 시스템은 많은 파라미터를 포함하면서도 각 입력에 대해 더 작은 일부만 활성화할 수 있다. 이런 설계는 라우팅과 전문화가 의도대로 작동할 때에만 효율성을 높일 수 있다.

Naver는 예상 활성 파라미터 수를 공개하지 않았다. 학습 컴퓨팅 추정치, 추론 요구 사항, 목표 배포 구성도 발표하지 않았다.

폐쇄망 운영에서는 이 수치가 특히 중요하다. 핵심 시설에는 Naver의 학습 클러스터에 필적하는 데이터센터 용량이 없을 수 있다.

컨소시엄은 모델 압축, 소형 파생 모델, 전문화된 전문가 모델 또는 중앙 관리형 프라이빗 인프라를 통해 이 격차를 해소할 수 있다. 그러나 발표는 실제 배포를 어떤 경로로 지원할지 아직 명시하지 않았다.

830테라바이트 데이터셋에도 비슷한 맥락이 필요하다. 규모는 구체적이지만, 구성, 중복률, 민감도, 라벨링 품질은 여전히 알려지지 않았다.

보안 데이터셋은 일상 활동이 확인된 공격을 압도하기 때문에 심각한 클래스 불균형을 포함하는 경우가 많다. 또한 일반화되지 않는 오래된 전술이나 조직 특유의 패턴을 담을 수 있다.

공격 역량의 문제도 남는다. 학습 범위에서 좋은 성능을 보이는 모델이 낯선 소프트웨어, 잡음이 많은 네트워크, 불완전한 접근, 구성을 바꾸는 방어자에 맞서서는 어려움을 겪을 수 있다.

컨소시엄에는 암기된 취약점 패턴이 아니라 일반화 능력을 시험하는 평가가 필요하다. 이상적으로는 일부 평가가 숨겨진 환경과 이전에 보지 못한 과제를 활용해야 한다.

독립적인 감독은 이러한 결과를 강화할 것이다. 정부는 선정 과정에 외부 전문가가 참여했다고 밝혔지만, 학습 이후의 모델 평가에는 별도의 거버넌스 절차가 필요하다.

핵심 파트너는 유용성을 검증할 수 있고, 독립 연구자는 안전성과 재현성을 시험할 수 있다. 컨소시엄 구성원은 프로그램을 긍정적으로 제시할 유인이 있기 때문에 두 관점 모두 필요하다.

경쟁했던 SK Telecom의 제안도 여전히 중요하다. 초기 선정에서 탈락했다고 해서 SK Telecom이 한국 AI 또는 사이버보안 시장에서 사라지는 것은 아니다.

그 대응은 별도 모델, 상업 보안 파트너십 또는 통신 데이터를 기반으로 한 서비스의 형태를 취할 수 있다. 이러한 경쟁은 Naver의 컨소시엄 접근 방식이 지속적인 우위를 제공하는지 시험하게 될 것이다.

글로벌 공급업체들도 계속 개선될 것이다. 범용 모델이 프라이빗 환경에 더 쉽게 배포될 수 있게 된다면, 완전한 국내 기반 모델의 가치는 좁혀질 수 있다.

따라서 Naver의 프로그램은 주권만이 아니라 측정 가능한 운영 성과로 승부해야 한다. 통제권은 가치가 있지만, 구매자들은 여전히 탐지 품질, 배포 비용, 지연 시간, 사용성, 안전성을 비교할 것이다.

프로젝트의 성패를 보여줄 세 가지 신호

다음으로 중요한 근거는 또 다른 파라미터 발표가 아니라 기술 공개, 현장 성과, 릴리스 거버넌스에서 나올 것이다.

첫 번째 신호는 정부 컴퓨팅 지원과 연계된 중간 평가다. 컨소시엄은 처음 5개월 동안 256개의 B200 GPU를 지원받으며, 해당 평가를 통과하면 추가로 5개월을 지원받는다.

평가를 성공적으로 통과한다면 개발이 정부가 요구한 이정표에 도달했음을 시사한다. 운영 준비 완료를 증명하는 것은 아니지만, 프로그램이 첫 번째 외부 검증 관문을 통과했음을 보여줄 수 있다.

공개되는 평가 기준은 결과만큼 중요하다. 독자는 단일 종합 점수보다 과업 성공률, 도구 신뢰성, 안전 통제, 일반화 성능을 살펴봐야 한다.

두 번째 신호는 7개 산업 분야 실증에서 나오는 근거다. 전력, 금융, 통신, 반도체, 국방, 항공우주, 과학 인프라는 서로 다른 위협 모델과 운영 제약을 지닌다.

결과는 모델이 무엇을 시도했는지, 인간 분석가가 어떻게 감독했는지, 그리고 출력이 실제 의사결정을 얼마나 자주 바꿨는지를 밝혀야 한다. 특히 오탐과 미탐의 양상에 주목할 필요가 있다.

더 많은 경보를 탐지하지만 분석가를 압도하는 방어 모델은 명확한 진전을 의미하지 않는다. 알려진 취약점을 찾지만 낯선 취약점을 검증하지 못하는 공격 모델은 연구 프로토타입에 머물 것이다.

격리된 배포 환경에서 나온 근거는 700B급 아키텍처를 경제적으로 운영할 수 있는지도 드러낼 것이다. 실제 운영 환경에서 허용 가능한 지연 시간과 가용성을 지원할 수 없다면 학습 규모는 큰 의미가 없다.

세 번째 신호는 약속된 오픈 소스 릴리스다. 라이선스, 모델 카드, 평가 보고서, 접근 규칙은 도입과 위험 사이의 실제 균형을 드러낼 것이다.

공격용 가중치와 방어용 가중치를 별도로 다룬다면, 컨소시엄이 이들의 서로 다른 오용 위험 특성을 인식하고 있음을 보여줄 수 있다. 뒷받침하는 안전성 분석 없이 단일 모델을 제한 없이 공개한다면 더 어려운 질문을 불러올 것이다.

릴리스 문서는 어떤 기능이 독점 도구, 비공개 데이터셋 또는 Naver Cloud 인프라에 의존하는지도 명확히 해야 한다. 공개 가중치만으로 재현 가능한 보안 시스템이 만들어지는 것은 아니다.

개발자는 서면 벤치마크 프롬프트뿐 아니라 실행 가능한 평가를 주시해야 한다. 기업 구매자는 제한된 권한, 불완전한 텔레메트리, 실패한 도구 호출 상황에서 모델이 어떻게 작동하는지 물어야 한다.

보안 책임자는 감사 가능성도 검토해야 한다. 중요한 모든 권고나 도구 작업은 인간 검토자가 무슨 일이 있었는지 재구성할 수 있을 만큼 충분한 근거를 남겨야 한다.

Naver Cloud의 사이버보안 AI 노력은 국가 정책, 파운데이션 모델 개발, 실제 운영 보안을 연결하려 한다는 점에서 중요하다. 이처럼 많은 인프라와 폭넓은 배포 파트너를 결합한 프로젝트는 드물다.

그 야심은 이제 충분히 문서화됐다. 효과성은 그렇지 않다.

향후 수개월 동안 독자는 이 프로젝트가 신뢰할 수 있는 테스트를 공개하고, 현실적인 현장 실증을 통과하며, 책임 있는 릴리스 모델을 정의하는지로 평가해야 한다. 1차 출처가 예산 근거를 제시하기 전까지는 연간 ₩400억 투자 보도를 확인되지 않은 정보로 간주해야 한다. 핵심 질문은 Naver의 약속이 얼마나 크게 들리느냐가 아니다. Naver Cloud 보안 모델이 새로운 운영 위험을 만들지 않으면서 검증 가능한 보안 성과를 낼 수 있느냐다.