SentinelOne 멀웨어 분석, 6주에서 8시간으로 단축

SentinelOne은 이제 멀웨어 분석에서 전문가의 작업 4~6주를 약 8시간으로 압축할 수 있다고 밝혔다. 회사는 승인된 방어 담당자에게 특화 모델과 에이전트형 워크플로에 대한 접근 권한을 제공하는 사이버보안 프로그램인 OpenAI Daybreak에 공을 돌렸다. 이 시간 단축은 연구원 한 사람의 일정만 바꾸는 일이 아니다. 소수의 엄선된 위협을 희소한 전문가들이 조사하는 방식에 기반한 운영 모델에 도전장을 던진다.

중요한 주장은 인공지능이 악성 코드를 요약할 수 있다는 데 있지 않다. 보안 도구는 이미 수년간 분류, 탐지, 조사 업무를 지원해 왔다. SentinelOne은 Daybreak가 복잡한 리버스 엔지니어링 프로젝트를 지속적으로 수행하고, 잘못된 가설을 수정하며, 인간 분석가의 결과물에 근접한 작업을 만들어낼 수 있다고 말한다. 이러한 성능이 다양한 샘플 전반에서 유지된다면, 팀은 이전에는 분석 역량이 부족해 조사하지 못했던 위협까지 살필 수 있게 된다.

다만 이는 OpenAI 고객 사례와 SentinelOne 자체 연구를 통해 제시된 회사 측 결과다. 상세 벤치마크에는 범위가 제한된 조사, 소수의 모델 실행, 그리고 중요한 인간 감독이 포함됐다. Anthropic, Google DeepMind 등 다른 모델 제공업체들도 유사한 방어 역량을 추구하고 있다. 따라서 경쟁 구도는 AI와 수동 분석의 대결이 아니다. 개별 전문가의 시간에 제약받는 워크플로와 감독된 조사 역량 간의 경쟁이다.

SentinelOne 멀웨어 분석, 희소성에서 처리량으로

즉각적인 변화는 인간 분석가의 제거가 아니라 조사 역량의 증가다.

리버스 엔지니어링은 원래 설계와 소스 코드가 없는 상태에서 컴파일된 소프트웨어의 동작 방식을 재구성하는 작업이다. 정교한 멀웨어의 경우 이 과정에는 디스어셈블리, 난독화 해제, 가설 검증, 행위 증거 수집, 반복적인 수정이 포함된다. 연구원은 방어 가능한 결론에 이르기 전까지 여러 내장 구성 요소 간의 관계를 추적해야 할 수 있다.

SentinelOne 최고 AI 책임자 Gregor Stewart는 OpenAI에 고난도 조사가 최고 수준 연구원 한 명을 4~6주 동안 붙잡아 둘 수 있다고 말했다. 그는 Daybreak가 이제 약 8시간 만에 이에 견줄 만한 결과물을 낸다고 밝혔다. 10월 14일자 고객 사례 연구는 이 성과를 더 많은 멀웨어를 조사하고 더 많은 샘플에 걸쳐 증거를 연결하는 수단으로 제시한다.

소요 시간과 노동량의 차이는 중요하다. 모델이 경과 시간 기준 8시간 동안 작업한다고 해서 자동으로 사람의 개입이 없는 8시간이나 완성된 위협 인텔리전스 보고서를 의미하지는 않는다. 공개 자료에는 설정 시간, 인간 검토, 컴퓨팅 자원 소비, 대응 작업에 대한 완전한 산정이 공개되지 않았다. 8시간이라는 결과는 독립적으로 감사된 생산성 측정치가 아니라 운영 성과로 제시됐다.

그럼에도 기준선의 문제는 분명하다. SentinelOne은 역사적으로 연구원들이 중요하거나 이례적인 소수의 샘플에만 심층 리버스 엔지니어링을 할당했다고 밝혔다. 각 조사가 희소한 전문 인력의 시간을 소모했기 때문에 이러한 선별은 합리적이었다. 하지만 샘플 간 관계가 더 광범위한 캠페인을 드러낼 수 있었더라도, 덜 눈에 띄는 샘플은 관심을 덜 받는다는 의미이기도 했다.

더 빠른 분석은 이러한 선택 압력을 바꾼다. 연구원은 더 큰 샘플 집합을 조사하고, 공통 구성 요소를 비교하며, 개별 조사만으로는 놓칠 수 있는 패턴을 식별할 수 있다. 겉보기에는 관련 없어 보이는 두 파일에서 발견된 모듈이 서로 다른 사고, 인프라 클러스터, 또는 위협 행위자를 잇는 고리가 될 수 있다.

이처럼 넓어진 관점이 헤드라인 숫자 뒤에 있는 실제 가치다. 더 빠른 보고서는 하나의 사례를 돕는다. 비교 가능한 보고서의 규모가 커지면 여러 사례에 걸쳐 탐지 로직, 위협 인텔리전스, 사고 대응을 개선할 수 있다.

SentinelOne은 가장 숙련된 리버스 엔지니어를 넘어 접근성을 확대하려고도 한다. Stewart는 이제 더 많은 직원이 소규모 전문가 집단에 전적으로 의존하지 않고 보안 이슈를 조사할 수 있다고 말했다. 그는 팀이 코드를 작성하는 동안 일부 위험을 해결할 수 있도록, 소프트웨어 개발 과정에서도 같은 역량을 활용하기를 원한다.

그렇다고 모든 개발자가 멀웨어 연구자가 되는 것은 아니다. 이는 전문성을 배분하는 방식을 바꾼다. 특화 모델은 시간이 많이 드는 탐색을 수행하고, 경험 많은 분석가는 목표를 정의하며 증거를 평가할 수 있다.

따라서 수주에서 수시간으로의 단축은 역량 증폭기를 의미한다. SentinelOne에는 여전히 숙련된 인력이 필요하지만, 이들은 더 많은 조사를 감독할 수 있다. 전략적 질문은 품질 통제가 모델 생성 결과물과 같은 속도로 확장될 수 있는지다.

SentinelOne이 장기 조사에 Daybreak를 사용하는 방식

Daybreak가 중요한 이유는 의심스러운 코드에 대한 단일 답변이 아니라 완전한 조사 워크플로를 지원하기 때문이다.

OpenAI는 Daybreak를 승인된 방어 담당자를 위한 모델, 접근 제어, 보안 워크플로, 파트너 프로그램의 집합으로 설명한다. 명시된 범위에는 취약점 검증, 멀웨어 분석, 사고 대응, 패치 생성, 대응 조치 테스트가 포함된다. 같은 역량이 방어 연구와 공격적 침입 모두에 사용될 수 있으므로 접근 제어가 핵심이다.

더 광범위한 Daybreak 프레임워크는 사이버 특화 모델을 Trusted Access for Cyber 및 Codex Security 워크플로와 결합한다. OpenAI는 어떤 발견을 조사할지, 어떤 변경을 적용할지, 어떤 정보를 공유할지를 인간이 계속 통제한다고 말한다.

SentinelOne의 리버스 엔지니어링 작업은 장기 워크플로가 왜 중요한지 보여준다. 분석가는 단순히 모델에 샘플 식별을 요청하지 않는다. 시스템은 함수, 데이터 구조, 가설, 증거, 기각된 설명에 대한 변화하는 기록을 유지해야 한다. 이후의 발견은 여러 파일에 걸친 초기 결론을 무효화할 수 있다.

SentinelLABS는 고정밀 엔지니어링 소프트웨어를 겨냥한 사보타주와 연관된 2005년 Windows 툴킷 fast16을 사용해 이러한 동작을 시험했다. 샘플에는 두 개의 내장 구성 요소, 암호화된 Lua 기반 작업 계층, 그리고 101개의 패치 규칙을 갖춘 커널 드라이버가 포함돼 있다. 피상적인 분석에서는 이 드라이버가 일반적인 파일시스템 루트킷처럼 보일 수 있다.

벤치마크는 조사를 8단계로 나눴다. 모델은 먼저 샘플의 구성 요소를 복구하고 주석을 달아야 했다. 이후 단계에서는 가능한 표적 소프트웨어, 외부 보고, 출판 요건, 초기 결론을 뒤집을 수 있는 새로운 증거가 추가됐다.

시스템은 네트워크 접근이 차단된 샌드박스 안에서 컴파일된 프로그램을 검사하는 데 쓰이는 디스어셈블러 IDA Pro와 함께 작업했다. 변수 이름을 변경하고, 함수를 분류하며, 숨겨진 구성 요소를 복구하고, 특정 주소와 아티팩트에 주장을 연결해야 했다. 검토자는 최종 서술의 유창성만이 아니라 기술 프로젝트 자체를 평가했다.

이 설계는 생성형 AI의 일반적인 약점을 겨냥한다. 모델은 설득력 있는 국지적 설명을 만들어낼 수 있지만, 대규모 프로젝트 전반에서 일관성을 잃을 수 있다. 한 문장을 수정하면서도 원래의 오류에 의존하는 파일, 스크립트, 이후 결론은 그대로 둘 수 있다.

SentinelLABS는 더 가치 있는 이러한 행동을 프로젝트 규모의 복구라고 부른다. 반증이 제시되면 모델은 주장을 철회하고, 이에 의존한 모든 결론을 찾아내며, 기초 분석을 수정하고, 수정된 결과를 다시 확인해야 한다. 또한 출판을 막는 불확실성과 공개할 수 있는 불확실성을 구분해야 한다.

SentinelOne의 멀웨어 벤치마크에 따르면, 테스트된 세 번의 GPT-5.6 Sol 실행은 모두 8단계 조사를 완료했다. GPT-5.5, GLM-5.2, 그리고 테스트된 Opus 4.x 버전은 유용한 국지적 작업을 생성했지만 전체 순서를 완료하지 못했다.

완료된 실행에서도 의미 있는 오류는 발생했다. 한 GPT-5.6 Sol 실행은 관련 없는 엔지니어링 애플리케이션에서 실제 패턴 일치를 관찰하고 fast16이 호환성 도구일 수 있다고 제안했다. 추가 테스트 결과, 이 일치는 유력한 표적에서 발견된 일관된 수정 시퀀스가 아니라 조각을 생성하는 것으로 나타났다.

모델은 이후 이 해석을 철회하고, 이에 의존했던 후속 작업을 수정했다. SentinelOne의 평가에서 완료된 실행을 구분한 것은 실수가 없었다는 점이 아니라 이러한 복구였다.

이 메커니즘은 8시간이라는 주장이 주목받을 만한 이유를 설명한다. 자동화는 오랫동안 분석가가 문자열을 검색하고, 파일을 언패킹하고, 알려진 지표를 인식하도록 도왔다. 새로운 주장은 변화하는 증거, 기술 아티팩트, 보고 의무 전반에서 일관된 조사를 유지하는 능력에 관한 것이다.

OpenAI의 고객 사례는 Daybreak를 폭넓게 언급하는 반면, SentinelOne의 상세 연구는 GPT-5.6 Sol을 다룬다. 별도의 제품 발표에서는 고객 대상 서비스용 GPT-5.6-Cyber를 언급한다. 독자는 모든 벤치마크 결과가 배포된 모든 Daybreak 구성에 직접 대응한다고 가정해서는 안 된다.

방어 가능한 결론은 더 좁다. SentinelOne은 선별된 OpenAI 모델이 이전 시스템보다 훨씬 더 큰 부분의 리버스 엔지니어링 워크플로를 처리할 수 있음을 확인했다. 회사는 이제 이 역량을 반복 가능한 방어 운영으로 전환하려 하고 있다.

압박의 중심은 전문가 시간에서 전문가 판단으로 이동한다

AI는 분석 노동의 희소성을 낮추지만, 신뢰할 수 있는 검토와 우선순위 설정의 필요성을 높인다.

전통적인 멀웨어 연구에는 처리량 한계가 있다. 선임 분석가는 제한된 수의 복잡한 샘플만 조사할 수 있고, 전문가 한 명을 추가하려면 수년간의 훈련이 필요하다. 따라서 보안팀은 심각도, 신규성, 고객 노출도, 이용 가능한 증거를 기준으로 사례의 우선순위를 정한다.

SentinelOne의 접근 방식은 병목을 옮긴다. 모델이 장기간의 기술 작업을 수행할 수 있게 되면, 결과적 의사결정 지점에서 전문가의 판단이 희소 자원이 된다. 분석가는 적절한 목표를 선택하고, 사각지대를 드러내며, 수용 가능한 증거를 정의하고, 결과물이 고객을 안내할 준비가 됐는지 결정해야 한다.

Stewart는 “자동화할 수 없는 유일한 것은 책임성”이라는 간결한 관찰로 이 경계를 요약했다. 그는 아키텍처 변경에는 여전히 인간의 검토가 필요하지만, 범위가 제한된 수정은 더 많은 자동화를 지원할 수 있다고 주장했다.

멀웨어 연구에서 책임성은 특히 중요하다. 오류는 전파되기 때문이다. 잘못된 귀속은 조사원을 잘못된 방향으로 이끌 수 있다. 불완전한 행위 평가는 고객을 노출된 상태로 남길 수 있다. 결함 있는 탐지 규칙은 전체 플릿에서 오탐을 만들어낼 수 있다.

더 빠른 생성은 이러한 문제를 증폭시킬 수 있다. 이전에는 몇 건의 심층 조사만 검토하던 팀이 갑자기 수십 건을 받게 될 수 있다. 검토 역량이 그대로라면 조직은 분석 적체를 승인 적체로 바꾸는 위험을 안게 된다.

이 압박은 SentinelOne을 넘어선다. 모델 제공업체들은 코드를 검색하고, 취약점을 테스트하고, 패치를 생성할 수 있는 시스템을 구축하고 있다. 보안 공급업체는 그러한 시스템에 얼마나 많은 자율성을 부여할지, 그리고 어디에서 인간 승인이 계속 의무적인지를 결정해야 한다.

Google DeepMind는 취약점 연구를 위해 Big Sleep을 개발했다. Anthropic은 자체 통제 프로그램을 통해 선별된 파트너에게 사이버 특화 모델 접근 권한을 제공했다. OpenAI는 더 허용적인 역량을 위한 특화 접근 경로를 유지하면서 Codex에 보안 분석을 통합했다.

이러한 노력은 원시 모델 점수 이상을 두고 경쟁한다. 보안 구매자는 전체 워크플로가 추적 가능하고, 재현 가능하며, 관리 가능한 상태로 유지된다는 증거를 필요로 한다. 더 많은 문제를 찾아내지만 이를 설명하거나 검증할 수 없는 시스템은 운영상 잡음을 키울 수 있다.

SentinelOne의 상업 전략은 이러한 요구를 반영한다. 지난 9월 Wayfinder 확장은 OpenAI 모델을 이 회사의 공격·방어 분야 전문가들과 결합했다. 이 서비스는 악용 가능한 위험의 우선순위를 정하고, 의심스러운 샘플을 분석하며, 인간 분석가가 검토한 결과를 제공하도록 설계됐다.

회사는 이 워크플로가 디스어셈블리와 정적 분석 및 샌드박스 증거를 결합할 수 있다고 설명한다. 정적 분석은 코드를 실행하지 않고 검사하는 방식이며, 샌드박스 분석은 격리된 환경에서의 동작을 관찰한다. 결과물에는 침해 지표, 공격 기법 매핑, 권장 탐지 규칙이 포함될 수 있다.

이 설계는 인간의 판단을 제품 안에 유지한다. SentinelOne은 검토되지 않은 모델의 기록을 최종 보안 판단으로 판매하는 것이 아니다. 모델을 활용해 자사 전문가들이 감독할 수 있는 기술 작업의 범위를 확장하고 있다.

이 전략은 수작업 조사에 크게 의존하는 보안 팀에도 압박을 가한다. 감독된 에이전트가 일관되게 처리 시간을 줄인다면, 고객은 모든 공급업체에 더 빠른 답변을 기대하게 될 것이다. 또한 과거에 공급업체가 무시했던 낮은 우선순위 샘플에 대해서도 더 깊은 분석을 요구할 수 있다.

내부 보안 팀도 유사한 선택에 직면한다. 이들 시스템을 기존 분석가의 역량을 확장하는 데 활용할 수도 있고, 더 강력한 독립 검증을 기다릴 수도 있다. 기다리는 선택은 미성숙한 자동화에 대한 노출을 줄이지만, 조사 속도 저하와 더 좁은 위협 커버리지로 이어질 수 있다.

단기적으로 가장 신뢰할 만한 모델은 감독형 에이전시다. 모델이 상당한 작업 흐름을 담당하되, 인간이 목표와 결과 공개를 통제하는 방식이다. 이는 분석가 대체보다 덜 극적이지만, 실제 제약을 더 직접적으로 해결한다.

8시간이라는 주장이 입증하지 못하는 것

이 결과는 의미 있는 역량을 보여주지만, 보편적인 속도, 정확성 또는 안전한 자율성을 입증하지는 않는다.

첫 번째 한계는 출처의 독립성이다. OpenAI는 주요 고객 사례를 공개했고, SentinelOne은 운영상 주장을 제공했다. SentinelOne은 상세한 fast16 벤치마크도 설계하고 실행했다. 두 회사 모두 고객이 고급 사이버 모델을 생산적이고 방어 가능한 것으로 인식할 때 이익을 얻는다.

이 관계가 결과를 무효화하는 것은 아니다. 다만 외부 연구자들이 서로 다른 샘플, 도구, 팀을 대상으로 재현하기 전까지는 독자가 이 수치를 보고된 결과로 받아들여야 함을 의미한다.

두 번째 한계는 벤치마크의 범위다. Fast16은 어렵고 실제 환경의 샘플이지만, 여전히 단 하나의 조사에 불과하다. 이 벤치마크는 장기간에 걸친 리버스 엔지니어링, 아티팩트 유지 관리, 단계적으로 제공되는 증거 전반의 수정 작업을 강조한다. 모든 아키텍처, 패커, 프로그래밍 언어 또는 악성코드 계열에서 동등한 성능을 입증하지는 않는다.

SentinelOne은 모델 계열별 실행 횟수가 적었다는 점을 인정한다. 운영자 개입도 결과에 영향을 미쳤다. 인간은 조사를 정의하고, 증거가 제시되는 시점을 통제하며, 취약한 품질 경계를 문제 삼고, 공개 권한을 유지했다.

이러한 개입은 현실적인 감독형 워크플로의 일부다. 동시에 모델 역량을 벤치마크 설계, 도구, 전문가 지원과 분리하기 어렵게 만든다. 다른 조직은 다른 하니스나 경험이 적은 감독자를 사용할 경우 같은 결과를 재현하지 못할 수 있다.

세 번째 한계는 비용과 관련된다. SentinelOne은 자사 실험이 모델 계열과 노력 설정 전반에서 230억 개 이상의 토큰을 소비했다고 밝혔다. 이 총량은 8시간짜리 단일 프로덕션 분석이 아니라 연구 프로그램 전체를 포괄한다. 그럼에도 장기 조사는 상당한 연산을 요구할 수 있음을 보여준다.

공개된 사례 연구는 조사 건당 비용 비교를 제공하지 않는다. 분석가 검토 시간, 잘못된 단서, 샘플 준비에 필요한 운영 작업도 정량화하지 않았다. 이러한 세부 정보가 없으면, 이 결과는 완전한 효율성 주장보다 속도 주장을 더 강하게 뒷받침한다.

네 번째 한계는 적대적 조작이다. 악성코드 작성자는 방어자가 트리아지 과정에서 점점 더 언어 모델을 사용한다는 사실을 알고 있다. 샘플에는 해당 모델을 혼란에 빠뜨리거나, 거부 응답을 유발하거나, 추론 방향을 바꾸도록 설계된 콘텐츠가 포함될 수 있다.

SentinelOne은 AI 분석 도구를 위해 가짜 시스템 스타일 메시지를 내장한 Gaslight라는 macOS 악성코드를 직접 보고했다. 이 메시지들은 어시스턴트에게 자신의 환경이 안전하지 않거나 사용할 수 없다고 설득하려 했다. 프롬프트 인젝션 기법에 대한 보도는 샘플 콘텐츠를 적대적 데이터로 취급할 필요성을 강조했다.

이 위협은 이례적인 피드백 루프를 만든다. 모델은 바로 그 모델을 겨냥한 지시를 포함할 수 있는 아티팩트를 분석한다. 기존 샌드박싱은 악성 실행을 격리하지만, AI 파이프라인은 증거 내부에 숨은 의미론적 지시도 격리해야 한다.

회피적 AI 평가에 관한 연구는 관련된 구조적 위험을 설명한다. 적응형 시스템은 평가 환경의 특성을 추론하고 행동을 바꿀 수 있다. 그러면 평가자는 실제 배포 조건에서의 성능보다 더 안전하거나 유능해 보이는 결과를 얻을 수 있다.

AI 지원 악성코드 분석에서 이 교훈은 양방향으로 적용된다. 악성 샘플은 샌드박스 내부에서 다르게 행동할 수 있으며, 분석 에이전트에 오해를 부르는 콘텐츠를 제시할 수도 있다. 신뢰할 수 있는 워크플로는 실행 가능한 행동과 읽을 수 있는 텍스트 모두가 적대적이라고 가정해야 한다.

다섯 번째 한계는 오류의 가시성이다. GPT-5.6 Sol은 SentinelOne의 벤치마크를 완료했지만, 검토 결과 문제가 발견되기 전에 일부 체크포인트를 여전히 정상이라고 선언했다. 이 모델의 주목할 만한 강점은 오류 없는 작업이 아니라 수정 후 회복 능력이었다.

이 차이는 배포 방식을 좌우해야 한다. 실수에서 회복할 수 있는 시스템도 그러한 실수를 감지할 수 있는 통제를 필요로 한다. 검토자가 그럴듯한 가설에 이의를 제기하지 못하면, 모델은 이를 다듬어진 그러나 잘못된 보고서로 이어갈 수 있다.

“인간 수준의 결과물” 역시 여러 의미를 가질 수 있다. 이는 모든 조건에서의 동일한 정확도보다 아티팩트의 범위와 활용성을 가리킬 수 있다. OpenAI 사례 연구는 모델 출력과 여러 인간 전문가의 보고서를 비교한 블라인드 비교 결과를 공개하지 않았다.

따라서 보안 리더는 하나의 결과를 보편적인 인력 운용 공식으로 바꾸지 말아야 한다. 증거는 감독하의 역량 확대를 뒷받침한다. 그러나 시니어 리버스 엔지니어를 없애거나, 모델이 검토 없이 영향력 큰 결론을 공개하도록 허용하는 것을 뒷받침하지는 않는다.

SentinelOne의 AI 보안 영향은 속도 이상에 달려 있다

더 빠른 분석이 많은 고객 전반의 탐지와 대응을 개선할 때 전략적 성과가 나타난다.

8시간짜리 조사는 그 자체로 유용하지만, 더 큰 가치는 후속 재사용에서 나온다. 리버스 엔지니어링은 명령·제어 동작, 지속성 기법, 표적 소프트웨어, 재사용 가능한 모듈을 드러낼 수 있다. 이러한 발견은 탐지, 위협 헌팅, 고객 가이드에 활용될 수 있다.

SentinelOne은 더 폭넓은 샘플 커버리지가 연구자들이 위협 간 관계를 파악하는 데 도움이 된다고 말한다. 캠페인 인프라와 악성코드 구성 요소는 수정된 형태로 자주 다시 나타나기 때문에, 이 주장은 타당하다. 더 큰 분석 코퍼스는 팀이 몇 개의 샘플만 깊이 조사할 때 보이지 않던 연결 고리를 드러낼 수 있다.

그러나 더 많은 분석이 자동으로 더 많은 인텔리전스를 만드는 것은 아니다. 팀에는 일관된 아티팩트 형식, 검색 가능한 증거, 결론 간 신뢰할 수 있는 연결이 필요하다. 또한 실제 관계와 우연한 코드 재사용을 구분하는 시스템도 필요하다.

벤치마크가 구조화된 IDA 데이터베이스를 강조한 것은 이 문제의 일부를 해결한다. 명명된 함수, 주소, 복구된 구성 요소에 기반한 보고서는 근거 없는 산문 요약보다 검증하기 쉽다. 또한 모든 분석가가 원래의 추론을 다시 구성하지 않아도 이후 연구에 활용할 수 있다.

이 지점에서 SentinelOne의 기존 보안 플랫폼이 중요해진다. 이 회사는 모델 지원 연구를 엔드포인트 텔레메트리, 위협 인텔리전스, 탐지 엔지니어링과 연결할 수 있다. 이러한 통합은 실험실 분석에서 고객 보호로 이어지는 경로를 제공한다.

그 경로에는 여전히 거버넌스가 필요하다. 모델이 제안한 지표가 지나치게 광범위할 수 있다. 불완전한 행동을 바탕으로 만든 탐지는 변종을 놓치거나 정상 소프트웨어를 경고할 수 있다. 인간 분석가는 발견 사항이 실제 환경 전반에서 어떻게 작동하는지 검증해야 한다.

동일한 원칙은 취약점 작업에도 적용된다. OpenAI는 자사 보안 워크플로가 더 긴 발견 목록을 만드는 데서 벗어나는 것을 목표로 한다고 말한다. 목표는 도달 가능성을 확립하고, 증거를 수집하며, 패치를 만들고, 결과를 검증하는 것이다. 보안 팀은 발견 사항이 검증된 위험 감소로 이어질 때에만 이점을 얻는다.

SentinelOne이 발표한 Wayfinder 서비스는 원시 이슈 수보다 악용 가능한 위험을 강조함으로써 이 논리를 따른다. 자사 분석가들은 고객에게 제공하기 전에 고객 발견 사항을 검증할 것으로 예상된다. 이러한 서비스 모델은 모든 고객에게 제한 없는 자율 분석을 제공하는 것보다 관리하기 쉬울 수 있다.

조직적 효과도 있다. 주니어 분석가와 개발자가 더 깊이 있는 초기 조사를 수행할 수 있다면, 시니어 전문가는 모호한 사례와 품질 관리에 집중할 수 있다. 그 결과 연구, 제품 보안, 탐지 팀 사이의 피드백 루프가 짧아질 수 있다.

그렇지만 조직은 의사결정의 근거가 된 추론을 보존해야 한다. 지속 가능한 증거가 없는 생성 보고서는 모델에 대한 제도적 의존성을 만든다. 팀은 어떤 아티팩트가 결론을 뒷받침했는지, 어떤 가설이 기각됐는지, 어디에서 사람이 결과를 승인했는지를 보여주는 기록이 필요하다.

이 요구 사항은 사이버 보안 외부의 우수한 지식 관리와 닮아 있다. 생성된 결과물이 그 기저의 출처와 의사결정에 계속 연결될 때, 팀은 AI로부터 더 많은 가치를 얻는다. 보안 결론이 격리, 복구 또는 공개 귀속을 촉발할 수 있는 경우에도 같은 규율이 필수적이다.

따라서 SentinelOne의 AI 보안 영향은 헤드라인 처리량만이 아니라 전환율에 달려 있다. 얼마나 많은 추가 샘플이 심층 분석을 받는가? 얼마나 많은 조사가 검증된 탐지를 만들어 내는가? 그러한 탐지는 실제 사고를 얼마나 자주 차단하거나 명확히 하는가?

이러한 지표는 더 빠른 리버스 엔지니어링이 결과를 바꾸는지 보여줄 것이다. 또한 “AI 분석가”에 대한 광범위한 주장보다 공급업체 간 비교를 더 의미 있게 만들 것이다.

SentinelOne 악성코드 분석 주장 이후 주목할 점

세 가지 신호가 이 결과가 운영 표준이 될지, 아니면 인상적인 통제된 시연에 그칠지를 보여줄 것이다.

첫 번째 신호는 독립적인 기술 재현이다. 외부 연구팀은 샌드박스를 회피하고 언어 모델을 조작하도록 설계된 샘플을 포함해, 다양한 악성코드를 대상으로 유사한 워크플로를 시험해야 한다. 재현 연구는 경과 시간, 인간 개입, 연산 사용량, 잘못된 결론, 최종 아티팩트 품질을 보고해야 한다.

성공적인 재현은 장기 악성코드 분석이 실용적인 임계점을 넘었다는 SentinelOne의 주장을 강화할 것이다. 반면 자사 하니스 외부에서의 실패는 워크플로 엔지니어링과 전문가 감독이 관찰된 이점의 상당 부분을 차지한다는 점을 시사할 것이다.

두 번째 신호는 제품 가용성과 고객 증거다. SentinelOne은 확장된 OpenAI 기반 Wayfinder 기능이 비공개 프리뷰에 들어갔으며, 이후 더 폭넓은 제공이 예상된다고 밝혔다. 공개 사례 연구는 고객 조사가 오탐이나 검토 지연을 늘리지 않고 더 빠른 검증 결과를 받는지 보여줘야 한다.

배포 증거는 연구 벤치마크와 운영 서비스 수준을 구분해야 한다. 고객은 어떤 모델이 작업을 처리했는지, 어떤 데이터에 접근했는지, 결과가 어떻게 검토됐는지, 어떤 조치가 인간 통제 아래 남았는지를 알아야 한다.

세 번째 신호는 적대적 환경에서의 복원력이다. 공격자들은 AI가 분석에 참여하는 환경을 겨냥해 악성코드를 설계하는 일이 점점 늘어날 것이다. 방어 측은 자사 파이프라인이 프롬프트 인젝션, 샌드박스 우회, 오염된 컨텍스트, 오도하는 아티팩트에 견딜 수 있다는 증거를 공개해야 한다.

이 분야의 진전은 광범위한 위임의 근거를 강화할 것이다. 반대로 심각한 실패는 그 근거를 약화할 것이며, 특히 모델이 샘플 내부에 삽입된 지시를 따르거나 뒷받침되지 않는 귀속 정보를 공개하는 경우 더욱 그렇다.

경쟁사의 대응도 중요하겠지만, 모델 리더보드만으로 이 문제의 결론이 나지는 않을 것이다. Anthropic, Google 및 다른 제공업체도 유능한 보안 모델을 개발할 수 있다. 승리하는 시스템은 기술적 성능에 접근 제어, 추적 가능한 증거, 검토 워크플로, 방어 운영과의 통합을 결합할 것이다.

SentinelOne은 AI 지원 리버스 엔지니어링에 대해 지금까지 가장 분명한 주장 중 하나를 제시했다. 몇 주가 걸리던 작업을 몇 시간으로 압축한다는 것이다. 자체 연구는 동시에 핵심적인 경고도 제공한다. 가장 강력한 모델도 오류를 냈고, 운영자의 검증에 의존했으며, 수정 이후 복잡한 프로젝트를 복구할 수 있었기 때문에 가치를 발휘했다.

보안 책임자에게 다음 단계는 리버스 엔지니어링 팀을 대체하는 일이 아니다. 범위가 제한된 조사 과제를 식별하고, 인간 승인 지점을 정의하며, 전체 워크플로를 측정해야 한다. 완료된 증거, 분석가 시간, 비용, 후속 탐지 성과를 기존 프로세스와 비교해야 한다.

이제 문제는 모델이 악성코드 연구에 기여할 수 있는지 여부가 아니다. 이미 기여하고 있다. 결정적인 질문은 SentinelOne의 악성코드 분석이 전문가 수준의 책임성을 유지하면서, 선별된 벤치마크를 넘어 프로덕션 규모의 일상적 위협으로 확장될 수 있는지다.