직원이 만든 AI가 엔터프라이즈 통제를 앞지르며 Pluto Security 투자 유치액 4,200만 달러 기록

Pluto Security는 보안팀이 이를 인지하기도 전에 직원이 만든 AI 애플리케이션이 심각한 위험을 초래할 수 있다는 점을 발견한 뒤, 4,200만 달러를 유치하며 스텔스 모드에서 벗어났다. 이번 Pluto Security 투자 유치는 850만 달러 규모의 시드 라운드와 Jump Capital이 주도한 3,400만 달러 규모의 Series A를 합친 것이다. 또한 거의 모든 직원이 소프트웨어를 만들 수 있는 환경에서 누가 이를 통제하는가라는 익숙한 업무 환경의 문제를 시급한 보안 질문으로 바꾼다.

회사는 새로 출시된 AI 도구가 두 시간 안에 기업 환경에 등장할 수 있다고 말한다. 또한 고객 기반 전반에서 탐지된 위험의 약 60%와 연결된 애플리케이션을 비개발자가 만들었다고 밝혔다. 가장 큰 비중은 재무팀이 차지했으며, 마케팅과 법무 부서가 그 뒤를 이었다.

이러한 양상은 전통적인 보안 지도를 바꾼다. 과거에는 개발자가 대부분의 소프트웨어 제작을 통제했고, 보안팀은 예측 가능한 시스템과 배포 경로를 검토했다. 이제 AI 빌더, 코딩 보조 도구, 확장 프로그램, 에이전트가 이러한 활동을 전체 직원 조직으로 확산시키고 있다.

기존 통제가 중요한 공백을 남긴다는 데 투자하는 곳은 Pluto만이 아니다. Reco, WitnessAI, Prompt Security 및 기타 공급업체들은 엔터프라이즈 AI 보안의 인접 영역을 공략하고 있다. 이들의 증가하는 투자 라운드는 투자자들이 에이전트 활동을 기존 도구 안의 또 다른 기능이 아니라 별도의 보안 시장으로 예상하고 있음을 시사한다.

Pluto Security 투자 유치, 더 폭넓은 통제 계층 뒷받침

이번 투자가 중요한 이유는 Pluto가 기존 보안 제품이 해석하도록 설계되지 않은 활동을 위한 통제 계층을 판매하고 있기 때문이다.

Pluto는 2026년 10월 13일 공개 출시를 발표했다. 자금 조달에는 TLV Partners가 주도한 시드 라운드와 Jump Capital이 주도한 Series A가 포함된다. Skinos, Ansa Capital 및 여러 사이버보안 창업자와 엔젤 투자자도 참여했다.

CEO 겸 공동 창업자 Shahar Bahat는 TechCrunch에 회사가 4월부터 판매를 시작했으며 이미 연간 반복 매출 200만 달러를 넘어섰다고 밝혔다. Pluto는 Oscar Health, Workato, Sixt, AlphaSense를 포함해 30곳 이상의 엔터프라이즈 고객을 보유하고 있다고 보고했다. 이 수치는 독립 감사를 받은 결과가 아니라 회사 측 공개 자료다.

Pluto는 미국과 이스라엘에서 40명을 고용하고 있다. 회사는 자본을 제품 개발, 보안 연구, 미국 시장 확장에 사용할 계획이다. 회사 출시 안내에서는 이 사업을 AI 워크스페이스 보안 플랫폼으로 설명한다.

이 명칭은 승인된 AI 서비스의 기본 카탈로그보다 더 넓은 제품 범위를 반영한다. Pluto는 AI 도구, 코딩 환경, 확장 프로그램, 스킬, Model Context Protocol 서버, 애플리케이션, 자율 에이전트를 관찰한다고 말한다. Model Context Protocol, 즉 MCP는 AI 시스템이 외부 도구와 데이터에 연결할 수 있게 하는 표준이다.

이 구분이 중요한 이유는 이제 엔터프라이즈 위험이 직원이 기밀 텍스트를 챗봇에 붙여 넣는 문제에만 국한되지 않기 때문이다. 직원은 이제 애플리케이션을 조립하고, 비즈니스 시스템에 대한 접근 권한을 부여하며, 에이전트가 작업을 수행하도록 할 수 있다. 각 단계에는 권한, 종속성, 데이터 흐름, 실행 경로가 새로 생긴다.

최초 투자 보도에 따르면, Pluto는 Fortune 500 기업에서 고객 및 이탈 정보를 처리하던 직원 제작 재무 애플리케이션을 발견했다. 이 애플리케이션은 공개 인터넷에 노출돼 있었던 것으로 전해진다. TechCrunch는 해당 기업의 이름을 밝히지 않았으며, 사고 세부 정보는 Pluto가 제공했다.

이 사례는 직원 제작 소프트웨어를 관리하기 어려운 이유를 보여준다. 재무 분석가는 인증, 네트워크 노출, 종속성 보안을 이해하지 못한 채 고객 데이터와 비즈니스 로직은 잘 이해할 수 있다. AI는 작동하는 애플리케이션을 조립하는 데 필요한 노력을 줄이지만, 이러한 부족한 분야의 전문성까지 자동으로 제공하지는 않는다.

Pluto는 이처럼 확장되는 환경을 AI 워크스페이스라고 부른다. 각 엔드포인트는 직원이 소프트웨어를 만들고, 에이전트 구성 요소를 설치하거나, 내부 데이터를 타사 서비스에 연결할 수 있는 장소가 될 수 있다. 따라서 보안팀은 무엇을 차단, 제한 또는 승인할지 결정하기 전에 무엇이 존재하는지 추적해야 한다.

이러한 과제는 Pluto Security 투자 유치의 목적을 더 분명하게 만든다. 이 회사는 단순히 새로운 챗봇 인터페이스를 방어하는 것이 아니다. 공식 개발 프로세스가 따라잡기 전에 부서 전반에 나타난 분산형 소프트웨어 공장을 관리하려는 것이다.

비개발자가 공격 표면을 확장하고 있다

AI는 소프트웨어 제작을 안전한 배포가 아닌 운영 속도를 목표로 하는 직원들에게로 옮겨 놓았다.

과거의 섀도우 IT 문제는 직원들이 승인되지 않은 소프트웨어 구독 서비스나 클라우드 스토리지를 도입하는 것이었다. 섀도우 AI는 코드를 생성하고, 비즈니스 도구에 연결하며, 사용자의 권한을 통해 행동할 수 있는 시스템을 추가한다. 그 결과 발생하는 위험은 로그인 화면 뒤에 놓인 승인받지 않은 애플리케이션보다 더 동적이다.

Pluto는 재무 부서가 자사가 탐지하는 AI 위험의 가장 큰 발생원이라고 말한다. 마케팅과 법무팀이 뒤를 따르고, 개발자는 네 번째다. 보안 프로그램이 전통적으로 엔지니어링 조직을 중심으로 개발 통제를 집중한다는 점에서 이 순서는 눈에 띈다.

비개발자들은 종종 가치 있는 정보를 다룬다. 재무팀은 예측치, 거래 기록, 고객 경제성 데이터에 접근한다. 마케팅팀은 고객 목록과 게시 시스템을 관리하고, 법무팀은 계약서와 기밀 커뮤니케이션을 처리한다.

이들 직원이 AI 지원 도구를 만들 때 상당한 접근 권한을 가진 애플리케이션을 의도치 않게 만들 수 있다. 위험은 악의적인 의도를 필요로 하지 않는다. 유용한 프로토타입은 누군가가 자격 증명, 스토리지 구성, 공개 노출을 검토하기 전에 운영 환경으로 옮겨갈 수 있다.

빠른 도입은 발견을 더 어렵게 만든다. Bahat는 새 AI 도구가 출시 후 두 시간 안에 등장할 수 있다고 말한다. 이 속도는 조달, 법무 검토, 데이터 분류, 전통적인 보안 테스트를 위한 시간을 거의 남기지 않는다.

독립 연구도 무단 도입에 관한 더 광범위한 우려를 뒷받침한다. 2025년 직장 내 AI 연구는 직원의 44%가 승인되지 않은 방식으로 직장에서 AI를 사용한 것으로 나타났다. 이들 직원 가운데 46%는 민감한 회사 정보나 지식재산을 공개 플랫폼에 업로드했다고 답했다.

이 설문 결과는 확인된 보안 사고가 아니라 직원의 행동을 설명한다. 그럼에도 인기 챗봇 도메인의 짧은 목록을 차단하는 것만으로는 문제를 해결할 수 없는 이유를 보여준다. 직원들은 개인 계정, 브라우저 확장 프로그램, 로컬 모델, 코딩 도구, 보안팀이 한 번도 평가하지 않은 신규 서비스를 사용할 수 있다.

최고정보보호책임자들이 받는 압박은 양방향에서 온다. 비즈니스 리더들은 직원들이 조사, 분석, 커뮤니케이션, 내부 워크플로를 자동화할 수 있기 때문에 AI 도입 확대를 원한다. 보안 리더들은 모든 실험을 거부하는 부서가 되지 않으면서 관련 데이터와 작업을 통제해야 한다.

전면 금지는 종종 활동을 더 보이지 않는 채널로 옮긴다. 승인된 도구가 부족하다고 느끼면 직원들은 개인 기기나 계정을 사용할 수 있다. 이러한 행동은 조직이 데이터 노출을 식별하고, 접근 권한을 철회하거나, 사고를 조사할 수 있는 능력을 떨어뜨린다.

무제한 접근은 정반대의 실패를 만든다. 직원들은 에이전트를 고객 데이터베이스, 메시징 시스템, 코드 저장소, 클라우드 리소스에 연결할 수 있다. 그러면 에이전트는 작업에 필요한 범위가 좁은 일부 권한뿐이어야 할 때도 사용자에게서 상속된 권한으로 작동할 수 있다.

이 지점에서 엔터프라이즈 AI 보안은 기본적인 허용 사용 정책과 갈라진다. 작성된 규칙만으로는 에이전트가 어떤 커넥터를 호출했는지, 확장 프로그램이 악성 코드를 도입했는지 알 수 없다. 또한 위험한 작업이 진행되는 동안 이를 중단할 수도 없다.

따라서 보안팀에는 도구, 구성 요소, 에이전트, 직원 제작 애플리케이션의 최신 인벤토리가 필요하다. 또한 의도된 행동에 대한 맥락도 필요하다. 같은 명령이라도 개발자에게는 일상적일 수 있지만, 관련 없는 마케팅 워크플로에서 실행되면 의심스러울 수 있다.

Pluto AI security는 이러한 맥락적 문제를 중심으로 설계됐다. 회사는 도구 탐지와 위험 분석, 실시간 개입을 결합한다고 말한다. 이 회사의 기회는 이러한 접근 방식이 과도한 직원 데이터 수집이나 정당한 업무 방해 없이 방어자에게 유용한 통제력을 제공하는지에 달려 있다.

Pluto AI Security, 사용자에서 에이전트로 이동

Pluto의 핵심 베팅은 보안 도구가 에이전트를 시작한 사람만 인증하는 것이 아니라, 에이전트가 행동하는 동안 그 행동을 평가해야 한다는 것이다.

전통적인 엔드포인트 및 ID 시스템은 여전히 필요하다. 이들은 악성코드를 탐지하고, 기기를 관리하며, 사용자를 인증하고, 보호된 리소스에 대한 접근을 제한할 수 있다. 그러나 권한이 있는 에이전트도 유효한 사용자 세션을 통해 의도하지 않은 작업을 수행할 수 있다.

Bahat는 이러한 변화를 사용자 행동에서 에이전트 행동으로의 이동이라고 요약한다. 예를 들어 직원은 고객 시스템에 정당하게 접근할 수 있다. 그 직원을 위해 작동하는 에이전트는 기록을 내보내거나, 외부 서비스에 접속하거나, 더 넓은 권한을 요청하려 할 수 있다.

Pluto는 엔드포인트 보안 및 기기 관리 시스템과 연결된다. 이 시스템을 통해 센서를 배포하거나 기기에 직접 설치할 수 있다. 이 플랫폼은 프롬프트, 명령, 프로세스, 권한, 이전 사용자 활동 같은 신호를 수집하는 것으로 알려졌다.

회사는 엔드포인트에서 실행되는 경량 모델이 에이전트의 의도를 해석하는 데 도움을 준다고 말한다. 에이전트가 사용자의 명백한 목표를 넘어서는 권한을 요청하면 Pluto는 작업을 차단할 수 있다. 또한 에이전트가 확인을 요청하도록 지시를 삽입할 수도 있다.

이 개입 모델은 관찰을 넘어선다. 많은 거버넌스 도구는 탐지, 분류, 정책 보고에 집중한다. Pluto는 에이전트가 위험한 작업을 완료하기 전에 진행 중인 세션에 영향을 미치고자 한다.

간단한 예시는 잠재적 가치를 보여준다. 직원은 에이전트에게 최근 고객 이탈을 요약해 달라고 요청할 수 있다. 승인된 기록을 읽는 것은 이 작업을 뒷받침하지만, 전체 고객 데이터베이스를 내보내는 것은 그렇지 않다.

런타임 통제는 권한, 명령, 맥락을 조사해 이러한 경로를 구분할 수 있다. 읽기 작업은 허용하면서 외부 전송은 중단할 수 있다. 어려운 부분은 서로 다른 인터페이스와 실행 모델을 가진 도구 전반에서 이러한 결정을 일관되게 내리는 것이다.

Pluto는 공개적으로 이용 가능한 AI 스킬, MCP 서버, 커넥터, 애드온을 검사하는 무료 서비스 Plutonium도 운영한다. 이 서비스에는 MCP 스캐너와 평가된 구성 요소의 카탈로그가 포함된다. 회사는 수천 명의 보안 전문가가 이를 사용한다고 말하지만, 이 수치는 독립적으로 검증되지 않았다.

Plutonium은 두 가지 목적을 수행한다. 기업이 마주할 수 있는 구성 요소에 대한 보안 연구를 제공하고, 잠재 고객에게 Pluto의 상용 플랫폼으로 진입할 수 있는 지점을 제공한다. Bahat는 현재 유입 관심이 회사 영업 파이프라인의 70%를 만든다고 말한다.

플랫폼 전략은 AI 구성 요소가 얼마나 빠르게 확산될 수 있는지를 반영한다. 직원은 전체 애플리케이션을 처음부터 작성할 필요가 없다. 모델, 커넥터, 다운로드한 스킬, 접근 자격 증명을 결합해 작동하는 자동화를 만들 수 있다.

가져온 각 구성 요소는 신뢰 체인을 확장한다. 손상된 패키지는 비밀 정보를 탈취하고, 프롬프트를 변경하며, 출력을 리디렉션하거나, 원치 않는 명령을 실행할 수 있다. MCP 서버 역시 에이전트의 의도된 작업 범위를 넘어서는 기능을 노출할 수 있다.

이 메커니즘은 Pluto AI 보안이 구성 요소와 런타임 활동 모두에 초점을 맞추는 이유를 설명한다. 설치 전에 커넥터를 스캔하면 알려진 문제를 식별할 수 있다. 실행 중인 에이전트를 모니터링하면 여러 신뢰받는 구성 요소가 상호작용한 후에만 나타나는 위험한 행동을 다룰 수 있다.

이 접근법은 중요한 개인정보 보호 문제도 제기한다. 프롬프트, 명령어, 이전 활동에는 민감한 개인 정보나 비즈니스 정보가 포함될 수 있다. 기업은 Pluto가 무엇을 수집하는지, 해당 정보를 어디에서 처리하는지, 데이터를 얼마나 오래 보관하는지 이해해야 한다.

엔드포인트 모델은 신호를 로컬에서 처리한다면 일부 노출을 줄일 수 있다. 그러나 Pluto는 모든 배포 환경의 정확한 개인정보 보호 트레이드오프를 확립할 만큼 충분한 아키텍처 세부 정보를 공개적으로 문서화하지 않았다. 구매자는 제품 설명에만 의존하지 말고 기술적 검증을 수행해야 한다.

진짜 경쟁은 지원과 통제 사이에 있다

핵심 갈등은 Pluto와 한 경쟁사 간의 대결이 아니라, 직원 자율성과 중앙집중형 소프트웨어 개발을 위해 구축된 보안 시스템 간의 충돌이다.

AI 빌더는 직원이 엔지니어링 리소스를 기다리지 않고 운영 문제를 해결할 수 있다고 약속한다. 이러한 약속은 이미 기업 내에서 애플리케이션을 만드는 주체를 바꾸고 있다. 동시에 이전에는 소프트웨어 활동을 가시화했던 점검 지점을 약화시킨다.

보안팀은 승인되지 않은 도구를 차단하고, 커넥터를 비활성화하며, 에이전트를 제한된 환경으로 한정하는 방식으로 대응할 수 있다. 이 접근법은 즉각적인 노출을 줄이지만, 비즈니스 리더가 기대하는 생산성 이점도 제한한다. 또한 직원들이 공식 통제를 우회하도록 부추길 수 있다.

대안은 감독된 도입이다. 직원은 AI 도구에 계속 접근할 수 있고, 보안 시스템은 구성 요소를 발견하고 권한을 검사하며 행동이 정책을 위반할 때 개입한다. Pluto는 이 경로를 중심으로 제품과 메시지를 구축했다.

트레이드오프는 생각보다 어렵다. 런타임 통제는 직원의 업무 속도를 늦추지 않을 만큼 신속하게 결정을 내려야 한다. 또한 정당한 자동화와 안전하지 않은 자동화를 구분할 만큼 충분한 맥락을 이해해야 한다.

오탐은 지원 플랫폼을 또 다른 차단 시스템으로 바꿀 수 있다. 사용자가 불필요한 승인을 반복해서 마주하면 승인된 워크플로를 포기할 수 있다. 그러면 보안팀은 제품 도입을 통해 얻고자 했던 가시성을 잃을 수 있다.

미탐은 반대의 문제를 만든다. 방어자가 의도를 파악하기 전에 에이전트가 피해를 주는 작업을 실행할 수 있다. 특히 워크플로가 로컬 기기, 클라우드 애플리케이션, 외부 서비스를 아우를 때 해당 활동을 판단하는 모델은 불완전한 맥락을 가질 수 있다.

경쟁사들은 서로 다른 출발점에서 시장에 접근하고 있다. Reco는 ID, 권한, 연결된 애플리케이션, 그리고 에이전트가 접근할 수 있는 데이터를 강조한다. 최근의 에이전트 보안 투자 라운드를 통해 5,500만 달러를 유치했으며, 이는 시장이 혼잡한 방향으로 나아가고 있음을 재확인했다.

WitnessAI는 엔터프라이즈 사용자, AI 시스템, 데이터, 에이전트 간의 상호작용을 거버넌스하는 데 집중한다. 엔터프라이즈 AI 투자 유치는 5,800만 달러 규모였으며, Sound Ventures, Fin Capital, Qualcomm Ventures, Samsung Ventures 등이 투자자로 참여했다. 이 회사는 데이터 흐름 통제와 에이전트 거버넌스도 강조한다.

다른 벤더들은 모델 보안, 프롬프트 공격, AI 애플리케이션 테스트, 데이터 유출 방지에 초점을 둔다. 기존 엔드포인트, ID, 클라우드 보안 기업도 같은 영역으로 플랫폼을 확장할 수 있다. 이들은 이미 고객 관계와 유용한 텔레메트리에 대한 접근권을 보유하고 있다.

따라서 Pluto는 AI 특화 통제 계층이 기존 제품의 확장 기능보다 더 나은 결정을 내린다는 점을 입증해야 한다. 또한 분산된 엔터프라이즈 스택 전반에서 에이전트를 추적할 수 있을 만큼 폭넓은 통합이 필요하다. 새로운 AI 도구는 어느 한 벤더가 네이티브 지원을 구축할 수 있는 속도보다 더 빠르게 등장할 수 있다.

회사의 초기 매출과 고객 관련 주장은 실제 수요를 시사한다. 그러나 수요만으로는 아직 지속 가능한 카테고리가 확립되지 않는다. 구매자는 결국 에이전트 통제를 엔드포인트, ID, 브라우저, 클라우드 또는 데이터 보안 플랫폼으로 통합할 수 있다.

별도의 위험은 엔터프라이즈 에이전트 자체의 성숙도와 관련된다. 기업들은 에이전트를 실험하고 있지만, 많은 기업이 핵심 워크플로에 이를 광범위하게 배포하지는 않았다. 야심 찬 에이전트 프로젝트가 제한적이거나 신뢰할 수 없는 상태로 남는다면 보안 지출이 실제 운영 도입을 앞지를 수 있다.

그렇다고 현재의 섀도 AI 문제가 사라지는 것은 아니다. 직원이 만든 애플리케이션과 승인되지 않은 도구는 이미 가시성 격차를 만들고 있다. 다만 Pluto는 오늘날의 혼란스러운 사용 행태를 지원하는 동시에 더 자율적인 시스템에 대비해야 한다는 뜻이다.

회사의 개입 메커니즘은 가장 중요한 주장인 동시에 가장 어려운 시험대다. 과도한 권한 요청을 차단하는 일은 데모에서 간단해 보인다. 이를 수천 개의 서로 다른 워크플로에 적용하려면 정확한 맥락, 안정적인 통합, 직원이 이해할 수 있는 정책이 필요하다.

엔터프라이즈 AI 보안 구매자는 측정 가능한 결과를 요구해야 한다. 유용한 지표에는 발견된 도구, 확인된 노출, 차단된 작업, 오탐률, 조사 시간, 승인된 워크플로에 대한 직원 도입률이 포함된다. 고객 로고와 투자 유치 규모는 이러한 운영 증거를 대체할 수 없다.

4,200만 달러가 입증하지 못하는 것

Pluto Security 투자 유치는 투자자의 관심과 초기 고객 수요를 검증하지만, 모든 탐지 또는 예방 주장을 검증하지는 않는다.

출시 보도에서 제시된 상세한 위험 수치 대부분은 Pluto 자체에서 나온 것이다. 여기에는 비개발자가 탐지된 위험의 약 60%를 차지한다는 주장도 포함된다. 온라인에 노출된 것으로 알려진 Fortune 500 애플리케이션도 여기에 포함된다.

이러한 공개 내용은 신뢰할 만한 단서이지만, 공개 증거에는 방법론적 세부 정보가 부족하다. Pluto는 60% 수치의 기반이 된 데이터셋의 규모나 구성을 공개하지 않았다. 또한 각 발견 사항의 심각도가 동일했는지, 중복 이슈를 어떻게 처리했는지도 설명하지 않았다.

회사는 모든 개념 검증에서 악성 자료가 발견됐다고도 말한다. Bahat는 TechCrunch에 일부 확장 패키지나 스킬이 평가 중 활발한 공격을 보였다고 밝혔다. 명시된 사건이나 독립적 확인이 없는 만큼, 독자는 이 발언을 회사의 주장으로 취급해야 한다.

“악성”은 여러 조건을 포괄할 수 있다. 구성 요소에 의도적인 멀웨어가 포함될 수 있고, 의심스러운 도메인에 연결될 수 있으며, 자격 증명을 노출하거나 위험한 행동 패턴과 일치할 수도 있다. 각 범주는 서로 다른 대응을 요구하며 서로 다른 수준의 확실성을 수반한다.

보안 벤더는 모호한 행동을 긴급한 사안으로 규정할 유인이 있다. 고객 역시 불확실한 활동을 보수적으로 분류할 유인이 있다. 독립적인 사례 연구는 일반적인 구성 실수와 실제 침해를 구분하는 데 도움이 될 것이다.

개인정보 보호와 노동 관련 우려도 동등한 주의를 받아야 한다. 프롬프트, 명령어, 프로세스, 과거 활동을 모니터링하면 민감한 업무 패턴이 드러날 수 있다. 직원이 개인 및 기업 환경을 혼용할 경우 개인 정보도 수집될 수 있다.

조직은 수집 및 검토에 관한 명확한 경계를 마련해야 한다. 어떤 신호를 로컬에서 처리하고, 어떤 신호가 중앙 서비스에 도달하며, 누가 이를 열람할 수 있는지 정의해야 한다. 직원 고지와 지역별 개인정보 보호 의무도 중요하다.

AI 보안 계층 자체가 고가치 표적이 될 수 있다. 프롬프트, 권한, 도구, 사용자 행동을 관찰하는 시스템은 공격자에게 유용한 정보를 보유할 수 있다. Pluto는 강력한 격리, 접근 통제, 로깅, 사고 대응 관행을 입증해야 한다.

회사의 시정 기법은 또 다른 불확실성을 도입한다. 에이전트 세션에 지시를 삽입하면 행동이 바뀔 수 있지만, 모델 응답은 확률적이다. 통제는 모델이 새로운 지시를 자발적으로 따르는 데 전적으로 의존해서는 안 된다.

영향이 큰 작업에는 결정론적 집행이 여전히 필수적이다. 정책 엔진은 에이전트가 다음에 무엇을 생성하든 관계없이 네트워크 요청을 거부하고, 토큰을 철회하거나, 프로세스를 차단할 수 있다. 구매자는 Pluto가 어디에서 모델 판단을 사용하고 어디에서 집행 가능한 기술적 경계를 적용하는지 검토해야 한다.

통합 범위는 추가적인 과제를 제시한다. Pluto의 가치는 엔드포인트, 브라우저 도구, 클라우드 서비스, 커넥터, 에이전트를 함께 관찰할 수 있을 때 커진다. 실행 경로 하나라도 누락되면 실제 발생한 일을 불완전하게 파악하게 될 수 있다.

회사는 빠르게 변하는 구성 요소 생태계도 따라가야 한다. 새로운 코딩 도구, 에이전트 프레임워크, 스킬, MCP 서버가 지속적으로 등장한다. 연구 및 제품팀이 이를 신속히 업데이트하지 않으면 탐지 카탈로그는 낡을 수 있다.

이러한 제약이 Pluto의 접근법을 타당하지 않게 만드는 것은 아니다. 이는 고객이 개념 검증 중 무엇을 테스트해야 하는지를 정의한다. 가장 강력한 평가는 알려진 안전한 워크플로, 의도적으로 심은 위험, 예기치 않은 에이전트 행동, 개인정보에 민감한 시나리오를 활용할 것이다.

구매자는 Pluto를 이미 보유한 통제 수단과도 비교해야 한다. 기존 엔드포인트 탐지, ID 거버넌스, 보안 브라우저, 데이터 유출 방지, 클라우드 액세스 시스템은 문제의 일부를 다룰 수 있다. 새로운 플랫폼은 또 하나의 분리된 콘솔을 만들지 않으면서 사각지대를 줄여야 한다.

핵심 시험은 개념적이 아니라 운영상이다. 보안팀은 이미 통제되지 않은 AI 활동이 위험을 만든다는 데 동의한다. Pluto는 그 맥락 정보가 직원 기기와 비즈니스 시스템 전반의 배포를 정당화할 만큼 의사결정을 개선한다는 점을 보여야 한다.

Pluto의 베팅이 유효한지 보여줄 세 가지 신호

다음 단계는 에이전트 인지형 보안이 지속적인 통제 계층이 될지, 아니면 더 큰 플랫폼에 흡수되는 기능이 될지를 드러낼 것이다.

첫 번째 신호는 독립적으로 문서화된 고객 성과다. Pluto는 고객이 발견한 위험 활동, 중단한 작업, 발생한 오탐을 설명하도록 해야 한다. 실명이 포함된 사례 연구는 집계된 주장보다 더 큰 설득력을 가질 것이다.

규제가 엄격한 산업의 증거는 특히 유용할 것이다. 의료, 금융 서비스, 법률 조직은 엄격한 요구 사항 아래 민감한 데이터를 다룬다. 해당 분야의 성공적인 배포는 Pluto가 관찰, 개인정보 보호, 집행 간 균형을 맞출 수 있음을 보여줄 것이다.

두 번째 신호는 빠르게 변하는 AI 환경 전반의 제품 범위다. Pluto는 엔드포인트에서 커넥터를 거쳐 비즈니스 애플리케이션까지 활동을 추적할 수 있음을 입증해야 한다. 또한 새로 출시되는 도구와 구성 요소 유형을 신속히 지원해야 한다.

성장하는 Plutonium 카탈로그는 연구 범위의 폭을 측정하는 데 도움이 될 수 있다. 더 중요한 신호에는 새롭게 발견된 위협에 대한 대응 시간과 구성 요소 평가의 정확성이 포함된다. 공개 기술 보고서는 이러한 역량을 더 쉽게 평가하게 해줄 것이다.

세 번째 신호는 기존 보안 벤더의 대응 방식이다. 엔드포인트, ID, 브라우저, 클라우드, 데이터 보안 제공업체는 이미 에이전트가 작동하는 시스템을 점유하고 있다. 이들이 유사한 런타임 통제를 출시한다면 Pluto는 맥락, 정확성 또는 배포 속도에서 분명한 우위를 보여야 한다.

경쟁사의 투자 유치도 더 빠른 제품 개발을 뒷받침하기 때문에 중요하다. Reco의 최근 투자 유치와 앞선 WitnessAI 라운드는 Pluto가 자금력이 있는 경쟁자들과 맞서고 있음을 보여준다. 더 넓은 스타트업 경쟁은 모든 벤더가 자신이 통제하는 계층을 정의하도록 압박할 것이다.

통합도 또 다른 유력한 결과다. 대형 플랫폼은 AI 검색 또는 에이전트 집행 기능을 추가하기 위해 전문 기업을 인수할 수 있다. 고객은 통합 및 알림 피로를 줄일 수 있다면 단일 통제 영역을 선호할 수 있다.

Pluto의 초기 모멘텀은 신뢰할 만한 입지를 제공한다. 보고된 30곳 이상의 엔터프라이즈 고객과 수백만 달러 규모의 반복 매출은 보안 리더들이 현재 예산을 배정하고 있음을 시사한다. 회사의 무료 연구 플랫폼은 실무자들 사이에서 가시성을 강화할 수도 있다.

그러나 시장은 누가 위험을 가장 극적으로 묘사하느냐로 결정되지 않을 것이다. 실제 활동을 식별하고, 중대한 오류를 방지하며, AI 도입을 이끌었던 생산성을 유지하는 제품이 무엇이냐에 따라 결정될 것이다.

지식 근로자 역시 그 결과에 이해관계가 있다. 잘못 설계된 통제는 모든 AI 작업을 승인 요청으로 바꿔 놓을 수 있다. 반면 잘 설계된 통제는 직원들이 명확한 기술적 경계 안에서 유용한 워크플로를 구축할 수 있게 해준다.

AI를 실험하는 팀은 어떤 도구를 사용하는지, 해당 도구가 어떤 데이터에 접근할 수 있는지, 그리고 어떤 작업에 사람의 승인이 필요한지를 문서화해야 한다. 검색 가능한 AI 지식 기반은 이러한 기록을 뒷받침할 수 있지만, 접근 통제나 보안 검토를 대체하지는 않는다.

Pluto Security의 투자 유치는 감독 하의 AI 도입을 위한 중요한 시험대가 된다. 기업은 데이터, 권한, 에이전트 작업에 대한 실질적인 통제력을 유지하면서 직원들이 소프트웨어를 만들도록 할 수 있을까? 다음 고객 사례, 제품 통합, 기존 업체들의 대응이 답을 제시할 것이다.

보안 리더에게 당장의 조치는 간단하다. 어떤 플랫폼이 이를 관리해야 하는지 논의하기 전에, 직원들이 구축한 AI를 먼저 파악해야 한다. 누가 이러한 도구를 만드는지, 어떤 시스템에 접근하는지, 그리고 에이전트가 맡은 범위를 벗어날 경우 어떤 일이 일어나는지를 물어야 한다. 이어 Pluto 또는 다른 엔터프라이즈 AI 보안 공급업체가 안전한 업무를 방해하지 않으면서 이러한 경로를 탐지할 수 있는지 시험해야 한다. 이 질문들에 일찍 답하는 기업은 자신의 노출 수준을 이해하게 될 것이다. 가시적인 사고가 발생할 때까지 기다리는 기업은 자신들이 존재조차 몰랐던 AI 환경을 뒤늦게 재구성하게 될 것이다.