Shadow AI 위험은 엔터프라이즈 파워 유저에게 집중된다

Google News는 Akamai의 날카로운 경고를 조명했다. 엔터프라이즈 사용자 중 5%가 하위 절반의 직원보다 12배 많은 AI 대화를 생성한다는 내용이다. 이들은 단순히 가끔 질문하는 수준이 아니다. 반복 업무 흐름에 AI를 통합하고, 업무 맥락을 공유하며, 파일을 업로드하고, 때로는 비즈니스 시스템에 접근할 수 있는 에이전트까지 배포한다.

이 결과는 고용주가 승인한 통제 범위를 벗어난 업무용 AI 사용을 의미하는 shadow AI에 대한 표준 대응에 의문을 제기한다. 여전히 많은 기업은 모든 직원에게 하나의 정책을 공지하고, 알아보기 쉬운 몇몇 웹사이트를 차단하며, 승인된 플랫폼의 라이선스 수를 집계한다. 그러나 Akamai의 텔레메트리는 노출이 균등하게 분포하지 않고 고도로 집중돼 있음을 보여주는데, 이런 접근은 노출이 균등하다고 전제한다.

이는 가벼운 사용을 무시하자는 주장이 아니다. 관측된 엔터프라이즈 AI 대화의 거의 절반은 기업 관리 계정이 아닌 개인 ID를 사용했다. 다만 개인 접근, 집중적인 프롬프팅, 연결된 에이전트가 결합하면 단발성 요청보다 훨씬 더 중대한 위험이 발생한다.

따라서 핵심 갈등은 직원과 보안팀의 대립이 아니다. 광범위한 애플리케이션 수준 거버넌스와 실제 행동에 초점을 맞춘 ID 인식형 통제의 대립이다. 전자는 AI 서비스가 허용되는지를 묻는다. 후자는 누가, 어떤 ID로, 어떤 데이터를 사용하며, 어떤 시스템에 접근해 이를 사용하는지를 묻는다.

이 구분은 중요하다. AI로 가장 큰 가치를 창출하는 직원이 가장 큰 미관리 노출을 만들 수도 있기 때문이다. 이들의 속도를 무차별적으로 늦추면 전문성이 낭비되고 추가적인 우회 방식을 부추길 수 있다. 반대로 활동을 보이지 않게 방치하면 민감한 워크플로가 일반적인 보안 경계를 넘어 확장될 수 있다.

Google News가 드러낸 더 좁은 Shadow AI 문제

Akamai의 데이터는 shadow AI 논의를 전체 도입 규모에서 활동과 접근의 집중도로 옮긴다.

기초 자료는 8월 5일 공개된 Akamai의 Enterprise AI Usage Risk Report 2026에서 나왔다. Akamai는 인수한 엔터프라이즈 브라우저 보안 기업 LayerX의 사용 데이터를 바탕으로 보고서를 작성했다. 이 연구는 개인 계정, AI 애플리케이션, 브라우저 확장 프로그램, 민감한 프롬프트, 자율 에이전트를 살펴본다.

엔터프라이즈 AI 보고서에 따르면, 평균적인 엔터프라이즈 사용자는 36회가 넘는 AI 대화를 생성했다. 그러나 이 평균은 가파른 분포를 가린다. 사용자의 절반은 12회 이하의 대화를 기록한 반면, 상위 5%는 최소 144회를 생성했다.

격차는 대화 횟수에만 국한되지 않는다. Akamai에 따르면 일반적인 AI 대화는 약 5개의 프롬프트로 구성된다. 가장 집중적으로 사용하는 사용자들의 대화는 최소 18개의 프롬프트에 이르며, 단일 검색형 교환이 아닌 지속적 협업을 보여준다.

대화가 길어질수록 비즈니스 정보가 외부 시스템으로 유입될 기회도 늘어난다. 사용자는 무해한 개요 요청으로 시작할 수 있다. 이후 프롬프트에는 고객 세부 정보, 내부 제약 조건, 문서 발췌문, 소스 코드, 재무 가정 또는 비공개 커뮤니케이션에서 복사한 지침이 추가될 수 있다.

이렇게 축적된 맥락은 개별 문장 하나보다 더 중요하다. 현대의 AI 작업은 종종 조각들을 통해 발전한다. 직원은 여러 프롬프트에 걸쳐 사실을 추가하고, 보조 파일을 업로드하며, 모델에 출력을 반복적으로 수정해 달라고 요청한다. 개별 공개는 작아 보일 수 있지만, 전체 대화는 민감한 비즈니스 프로세스를 재구성할 수 있다.

Akamai는 또한 엔터프라이즈 AI 대화의 47.11%가 개인 ID를 통해 이뤄진다고 보고했다. 이러한 세션은 기업 ID 통제, 보존 설정, 감사 시스템, 협상된 데이터 보호 범위 밖에 있다. 보안팀은 브라우저가 AI 서비스에 접속했다는 사실은 확인할 수 있지만, 직원이 관리 계정을 사용했는지는 알지 못할 수 있다.

ID 분포는 플랫폼별로 크게 다르다. Akamai의 텔레메트리에 따르면 Gemini Enterprise는 상호작용의 98.15%를 기업 ID 시스템 안에서 유지했다. Microsoft Copilot for Microsoft 365는 90.55%를 해당 시스템 안에서 유지했다.

소비자 중심 접근은 반대 양상을 보였다. 보고서는 ChatGPT 상호작용의 61.36%, Claude 상호작용의 61.09%, Microsoft Copilot Standard 상호작용의 63.92%가 개인 ID와 연관된 것으로 파악했다. DeepSeek는 99.8%에 달했다.

이 수치가 모든 개인 세션에서 기밀 데이터가 유출됐음을 증명하는 것은 아니다. 이는 가시성 격차를 보여준다. 업무가 기업이 관리하지 않는 ID를 거치면 고용주는 기업 보존, 접근, 데이터 처리 규칙을 일관되게 적용할 수 없다.

Google News에 게재된 이 글은 또 하나의 핵심 상관관계를 강조한다. 더 깊은 대화를 수행하는 동일한 파워 유저는 파일을 업로드하고, 비즈니스 정보를 공유하며, AI를 운영 업무와 연결할 가능성이 더 높다. 추가 상호작용마다 부적절한 노출 가능성이 한 번 더 생기므로 위험은 활동을 따른다.

이는 모든 직원을 동일한 위험원으로 계산하는 것보다 더 유용한 틀이다. 일반적인 글쓰기 질문을 한 번 하는 직원과 에이전트를 코드 저장소에 연결하는 엔지니어는 동일한 위험을 만들지 않는다. 둘 다 AI를 사용하지만, 접근 권한, 데이터, 잠재적 영향은 극적으로 다르다.

5%라는 헤드라인 수치는 영구적인 기준선이 되어서는 안 된다. 조직마다 분포는 다를 것이다. 중요한 변화는 방법론에 있다. 보안팀은 더 강력한 통제가 필요한 위치를 정하기 전에 집중도를 측정해야 한다.

가장 위험한 사용자는 종종 가장 생산적이다

광범위한 AI 정책을 우회할 가능성이 가장 높은 직원은 이미 AI를 업무 인프라로 전환한 사람들인 경우가 많다.

파워 유저는 대개 공식 조달 절차가 따라잡기 전에 반복 가능한 가치를 발견하면서 등장한다. 이들은 AI를 사용해 고객 조사를 요약하고, 코드를 디버깅하며, 계약서를 초안하고, 기술 문서를 비교하고, 영업 통화를 분석하거나, 재무 시나리오를 준비할 수 있다. 반복된 성공은 더 깊은 통합을 촉진한다.

이러한 과정은 종종 무해하게 시작된다. 직원은 기밀이 아닌 자료로 공개 챗봇을 시험한다. 이후 재사용 가능한 프롬프트를 만들고, 참고 파일을 추가하며, 브라우저 확장 프로그램을 설치하거나, 모델을 다른 애플리케이션에 연결한다. 개인적 실험이 점차 문서화되지 않은 프로덕션 워크플로가 된다.

Microsoft는 Akamai 보고서가 나오기 몇 년 전 이러한 도입 압력을 관찰했다. 2024년 업무용 AI 연구에서는 설문에 참여한 지식 근로자의 75%가 업무에서 AI를 사용한다고 밝혔다. 이 사용자 중 78%는 고용주 제공 옵션을 기다리지 않고 자체 AI 도구를 가져왔다.

이전 설문은 자기 보고 행동을 측정한 반면, Akamai는 관측된 사용 텔레메트리를 제시한다. 두 출처는 서로 다른 방법과 기간을 사용했으므로, 수치를 하나의 통계적 주장으로 결합해서는 안 된다. 그럼에도 이들은 같은 조직적 긴장을 설명한다. 직원들은 기업이 평가하고 거버넌스할 수 있는 속도보다 더 빠르게 편리한 도구를 채택한다.

광범위한 금지 조치는 이런 동기를 놓치는 경우가 많다. 정책은 승인되지 않은 모델에 민감한 정보를 입력하지 말라고 직원에게 말할 수 있다. 하지만 승인된 대안을 유용하게 만들거나, 긴 접근 요청 절차를 줄이거나, 특정 워크플로에서 어떤 정보가 안전한지 설명할 수는 없다.

승인된 도구에 필요한 기능이 부족하면 집중 사용자는 즉각적인 마찰에 직면한다. 생산적인 작업을 멈추거나, 조달 요청을 제출하거나, 개인 계정으로 계속 진행할 수 있다. 승인에 몇 주가 걸린다면 개인 계정은 가장 저항이 적은 경로가 된다.

이는 무단 데이터 처리를 정당화하지 않는다. 다만 일반적인 교육이 고르지 않은 결과를 낳는 이유를 설명한다. 연례 컴플라이언스 프레젠테이션은 일일 마감일, 익숙한 소비자 인터페이스, 작동하는 프롬프트 체인의 즉각적 가치와 경쟁한다.

Akamai의 shadow AI 조사 결과는 교육이 관측된 행동을 따라야 함을 시사한다. 가벼운 사용자는 명확한 경계와 승인된 선택지가 필요하다. 파워 유저는 데이터 분류, ID, 확장 프로그램, 커넥터, 에이전트 권한, 사고 보고를 다루는 더 상세한 지침이 필요하다.

이들에게는 더 안전한 실험 경로도 필요하다. 기업은 고급 사용자가 프로덕션 데이터를 노출하지 않고 새 모델을 테스트할 수 있는 통제된 환경을 만들 수 있다. 보안팀은 이후 어떤 서비스, 통합, 워크플로를 승인할지 결정하기 전에 실제 요구 사항을 관찰할 수 있다.

이 접근법은 전문성이 곧 보안 인식을 뜻한다고 가정하지 않으면서 shadow AI 파워 유저를 파트너로 대한다. 누군가는 모델 동작을 이해하면서도 보존, 권한 부여 또는 제3자 처리 위험을 과소평가할 수 있다. 기술적 자신감은 때때로 비공식 워크플로를 실제보다 더 안전하게 느끼게 한다.

생산적인 사용자는 숨은 시스템 소유자가 될 수도 있다. 팀이 개인 계정에 저장된 프롬프트에 의존한다면, 기업은 해당 지침에 관한 신뢰할 만한 기록을 갖지 못한다. 직원이 퇴사하거나, 도구를 바꾸거나, 접근 권한을 잃으면 워크플로도 함께 사라질 수 있다.

지식에도 같은 문제가 적용된다. 직원들은 종종 개인 공간에 흩어진 노트, 문서, 회의 맥락, 의사결정 내용을 AI에 제공한다. 거버넌스가 적용된 개인 지식 시스템은 이러한 파편화를 줄일 수 있지만, 접근 및 데이터 관행이 조직의 요구 사항에 부합할 때만 가능하다.

따라서 보안팀은 섬세한 과제에 직면한다. AI를 유용하게 만드는 전문성은 유지하면서, 그 주변 워크플로를 관리형 ID, 승인된 데이터 경로, 검토 가능한 시스템으로 옮겨야 한다.

가장 활발한 사용자를 처벌하면 이들은 더 깊은 지하로 숨어들 수 있다. 이들을 무시하면 개인 실험이 추적되지 않는 인프라로 변할 수 있다. 더 나은 대응은 이들을 찾아내고, 무엇을 구축했는지 이해하며, 가치 있는 관행과 안전하지 않은 구현 선택을 분리하는 데서 시작한다.

광범위한 정책은 애플리케이션만 보고 노출은 보지 못한다

애플리케이션 목록만으로는 사용자가 일반적인 질문을 했는지, 자율 에이전트에 핵심 저장소 접근 권한을 부여했는지 알 수 없다.

전통적인 shadow IT 프로그램은 일반적으로 서비스를 목록화하고, 공급업체를 분류하며, 금지된 도메인을 차단한다. 이 모델은 각 애플리케이션이 비교적 안정적인 위험 단위를 나타낸다고 가정한다. 생성형 AI는 동일한 인터페이스가 근본적으로 다른 행동을 지원할 수 있기 때문에 이 가정을 복잡하게 만든다.

한 직원은 ChatGPT를 사용해 공개 채용 공고를 다시 작성할 수 있다. 다른 직원은 같은 서비스에 출시되지 않은 제품 사양을 붙여 넣을 수 있다. 세 번째 직원은 로컬 파일과 개발 자격 증명에 접근할 수 있는 코딩 확장 프로그램을 설치할 수 있다.

도메인은 동일하지만, 노출은 ID, 콘텐츠, 권한, 지속 시간에 따라 달라진다. 단순한 허용 또는 차단 결정으로는 이러한 차이를 표현할 수 없다.

Akamai의 보안 분석은 확대되는 AI 사용, 개인 계정, 데이터 노출, 브라우저 또는 개발 확장 프로그램, 자율 에이전트라는 다섯 가지 연결된 영역을 식별한다. 이들의 조합은 어느 한 범주보다 더 중요하다.

브라우저 확장 프로그램은 사용자 활동과 가까운 위치에서 작동하므로 특히 면밀한 검토가 필요하다. 권한에 따라 확장 프로그램은 페이지 콘텐츠를 읽고, 입력을 관찰하며, 클라우드 애플리케이션과 상호작용하거나, 정보를 외부 서비스로 전송할 수 있다. 직원은 이를 소프트웨어 배포처럼 여기지 않은 채 설치할 수 있다.

통합 개발 환경 확장 프로그램도 엔지니어에게 비슷한 문제를 제기합니다. AI 코딩 보조 도구는 소스 파일, 구성 자료, 오류 로그 또는 인근의 비밀 정보를 볼 수 있습니다. 핵심 서비스가 승인되었더라도 특정 확장 프로그램, 계정 유형 또는 구성은 기업 통제 범위를 벗어날 수 있습니다.

에이전트는 위험 수준을 한층 더 높입니다. AI 에이전트는 제한적인 인간 개입 아래 도구를 통해 목표를 추구하기 위해 모델을 사용하는 소프트웨어입니다. 부여받은 권한에 따라 파일을 검색하고, API를 호출하며, 기록을 수정하거나 다른 애플리케이션을 실행할 수 있습니다.

챗봇은 일반적으로 사람이 평가할 수 있도록 텍스트를 반환합니다. 에이전트는 행동할 수 있습니다. 이 변화는 부정확한 출력, 조작된 지시 또는 과도한 권한을 운영상의 결과로 이어지게 만듭니다.

에이전트를 실험하는 직원은 개인 토큰을 연결하거나, 광범위한 리포지토리 접근 권한을 부여하거나, 관리되지 않는 기기에서 시스템을 실행할 수 있습니다. 에이전트가 일반적인 브라우저, API 또는 로컬 개발 활동처럼 보이기 때문에 보안팀은 그 존재를 알지 못할 수 있습니다.

위험은 최초의 대화를 넘어 계속됩니다. 브라우저 탭을 닫으면 프롬프트는 관심에서 사라질 수 있습니다. 그러나 에이전트는 예약 상태로 남아 자격 증명을 유지하거나 통합 기능을 통해 계속 작동할 수 있습니다.

Netskope는 2025년 shadow AI research에서 이처럼 넓어지는 공격 표면을 지적했습니다. 이 연구에 따르면 2025년 5월에도 관찰된 기업 사용자 중 60%가 개인용 생성형 AI 애플리케이션에 접근했습니다. 이 회사는 맞춤형 에이전트, 클라우드 AI 플랫폼 및 온프레미스 도구 역시 새롭게 부상하는 shadow AI 형태로 추적했습니다.

Netskope는 자사 데이터세트의 평균 조직이 서비스형 소프트웨어 생성형 AI 애플리케이션을 7개 사용했다고 보고했으며, 이는 3개월 전의 5.6개에서 증가한 수치입니다. 또한 1,550개가 넘는 서로 다른 생성형 AI 애플리케이션을 추적하고 있었습니다. 이러한 수치는 완전한 차단 목록을 유지하는 일이 왜 어려운지를 보여 줍니다.

그러나 차단 목록을 모든 프롬프트에 대한 감시로 대체하는 것 역시 자체적인 문제를 만들 수 있습니다. 직원 프라이버시, 노동 규정, 데이터 최소화 및 신뢰는 여전히 중요합니다. 수집에 명확한 목적이나 적절한 보호장치가 없다면, 가시성이 높아진다고 해서 자동으로 더 나은 거버넌스가 되는 것은 아닙니다.

목표는 비례적인 통제가 되어야 합니다. 조직은 신원 유형, 애플리케이션 범주, 업로드 이벤트, 확장 프로그램 권한, 도구 연결 및 비정상적인 활동 수준과 같은 메타데이터부터 시작할 수 있습니다. 법률, 정책 및 위험이 정당화하는 경우에만 더 심층적인 검사를 적용할 수 있습니다.

이 모델은 확립된 제로 트러스트 원칙과 유사합니다. 접근 권한은 위치만이 아니라 신원, 기기, 리소스 및 맥락에 따라 결정됩니다. AI 거버넌스도 유사한 신호 조합을 사용해 각 상호작용을 평가해야 합니다.

관리형 AI 서비스라고 해서 모든 행동이 안전해지는 것은 아닙니다. 승인되지 않은 서비스라고 해서 모든 행동이 똑같이 위험한 것도 아닙니다. 핵심 질문은 사용자, 모델 및 연결된 도구가 함께 어디까지 접근할 수 있는가입니다.

이것이 광범위한 정책이 핵심적인 집중 문제를 놓치는 이유입니다. 정책은 애플리케이션의 이름을 규율하지만, 실제 노출은 특정 신원과 워크플로우를 중심으로 축적됩니다.

집중된 통제는 그 자체의 위험을 만든다

표적형 거버넌스는 일률적 제한보다 정밀하지만, 조직은 사용량을 위법 행위의 증거로 오인해서는 안 됩니다.

Akamai의 조사 결과는 파워 유저에 더 면밀한 주의를 기울일 근거를 제공합니다. 그러나 상위 5%가 확인된 사고의 대부분을 일으켰거나, 가장 민감한 기록을 유출했거나, 무책임하게 행동했다는 점을 입증하지는 않습니다. 높은 활동량은 위험 지표이지 사고 판정이 아닙니다.

이 한계는 중요합니다. 텔레메트리는 대화, 신원 및 사용 패턴을 설명합니다. 모든 상호작용 뒤에 있는 완전한 비즈니스 목적을 드러낼 수는 없습니다. AI 통제를 테스트하는 보안 분석가는 대화량만으로 측정할 경우 안전하지 않은 사용자와 비슷하게 보일 수 있습니다.

따라서 조직은 5%라는 수치를 자동 집행 범주로 바꾸지 말아야 합니다. 집중적인 활동은 맥락적 검토를 촉발해야 합니다. 추가 증거 없이 즉각적인 계정 정지, 침해적인 모니터링 또는 징계 조치를 정당화해서는 안 됩니다.

이 데이터세트는 Akamai와 LayerX의 가시성도 반영합니다. 이를 모든 산업, 지역, 기기 및 AI 배포 환경을 포괄하는 보편적 인구조사로 취급해서는 안 됩니다. 기업은 임계값을 정하거나 노출을 추정하기 전에 자체 기준선을 마련해야 합니다.

두 번째 우려는 엔터프라이즈 계정에 대한 잘못된 확신과 관련됩니다. 관리형 신원은 감사, 접근 통제 및 계약상 보호를 개선합니다. 그러나 직원이 제한된 정보를 입력하거나, 환각된 답변을 수용하거나, 연결된 애플리케이션에 과도한 권한을 부여하는 일을 막지는 못합니다.

Gemini, Copilot, ChatGPT 또는 Claude의 기업용 버전은 관리 통제를 통해 특정 위험을 줄일 수 있습니다. 하지만 데이터 분류, 권한 부여 설계, 워크플로우 검토 또는 인간의 판단을 대체할 수는 없습니다.

세 번째 우려는 조직 내 신뢰입니다. 모든 AI 상호작용을 경영진이 읽게 될 것이라고 믿는 직원은 사용을 숨기거나 개인 기기로 옮기거나 승인된 도구를 피할 수 있습니다. 그러한 반응은 표적형 프로그램이 만들고자 했던 가시성을 오히려 낮춥니다.

기업에는 투명한 모니터링 규칙이 필요합니다. 사용자는 어떤 신호가 수집되는지, 왜 중요한지, 누가 이를 검토할 수 있는지, 얼마나 오래 이용 가능한지를 이해해야 합니다. 보안팀은 가능한 한 위험 탐지와 성과 모니터링을 분리해야 합니다.

NIST AI profile은 협소한 집행에 유용한 균형추를 제공합니다. 이 프레임워크는 거버넌스, 매핑, 측정 및 관리를 아우르는 위험 업무를 구성합니다. 이러한 라이프사이클 접근 방식은 통제를 단일 직원 정책이 아니라 지속적인 시스템으로 다룹니다.

거버넌스는 소유권, 허용 가능한 사용, 보고 경로 및 책임성을 정의합니다. 매핑은 비즈니스 맥락, 영향을 받는 사람, 데이터 및 종속성을 식별합니다. 측정은 위험과 통제를 관찰할 수 있는지 검증합니다. 관리는 영향과 허용 수준에 따라 대응의 우선순위를 정합니다.

이 순서를 shadow AI 파워 유저에게 적용하면 탐지에서 처벌로 성급히 넘어가는 일을 막을 수 있습니다. 기업은 먼저 집중적인 워크플로우를 식별하고, 그 비즈니스 목적과 데이터 접근을 매핑하며, 구체적인 노출을 측정한 뒤 비례적인 통제를 선택합니다.

대응에는 개인 계정을 관리형 계정으로 이전하는 일이 포함될 수 있습니다. 과도한 확장 프로그램 권한을 제거하거나, 개인 API 키를 교체하거나, 에이전트의 도구를 제한하거나, 더 나은 엔터프라이즈 서비스를 승인할 수도 있습니다.

일부 워크플로우는 완전히 중단해야 합니다. 검토되지 않은 에이전트가 재무 기록을 변경하거나 규제 대상 건강 데이터를 처리하는 경우는 공개 자료를 활용하는 초안 작성 보조 도구와는 다른 수준의 노출을 초래합니다. 집중도 분석은 이러한 차이를 찾는 데 도움이 되지만, 그 의미는 여전히 인간의 검토가 판단합니다.

표적형 거버넌스는 권한이 높은 사용자도 고려해야 합니다. 엔지니어, 관리자, 연구원, 임원, 법무팀 및 재무 담당자는 종종 동료보다 더 중대한 정보를 다룹니다. 대화량과 접근 민감도는 함께 평가해야 합니다.

공개 마케팅 문구에 관한 저위험 대화를 150건 나눈 사용자는 기밀 인수 문서 하나를 업로드한 사람보다 노출이 적을 수 있습니다. 사용량은 내재화된 행동을 식별하기 때문에 유용합니다. 콘텐츠와 권한 맥락이 잠재적 영향을 결정합니다.

회의적인 결론은 명확합니다. Akamai의 shadow AI 텔레메트리는 우선순위 설정을 개선하지만 완전한 위험 점수를 제공하지는 않습니다. 조직에는 여전히 현지 증거, 투명한 규칙 및 신중한 검토가 필요합니다.

보안팀이 다음으로 주시해야 할 것

shadow AI 거버넌스의 다음 단계는 관리형 신원 채택, 에이전트 권한, 그리고 민감한 노출의 검증된 감소로 측정될 것입니다.

첫 번째 신호는 업무 관련 AI 활동 중 개인 신원에서 기업 관리 계정으로 이동하는 비중입니다. 이는 구매한 라이선스 수를 세는 것보다 더 의미 있습니다. 기업이 수천 개의 엔터프라이즈 좌석을 보유하더라도, 직원들은 계속 익숙한 개인 계정을 사용할 수 있습니다.

보안 리더는 팀과 활동 수준별로 계정 이전을 측정해야 합니다. 가벼운 사용자들 사이의 진전도 유용하지만, 가장 집중적인 사용자들 사이의 변화가 가장 중요합니다. 이 집단 내 개인 계정 비중이 줄어든다면 Akamai의 집중도 논지를 뒷받침하고 표적형 개입이 효과가 있음을 보여 줄 수 있습니다.

이 지표는 신중하게 해석해야 합니다. 관리형 로그인이라고 해서 안전한 행동이 증명되는 것은 아닙니다. 다만 접근 통제, 보존 설정, 감사 가능성 및 사고 대응을 위한 더 강한 기반을 제공합니다.

두 번째 신호는 비즈니스 시스템 접근 권한을 가진 에이전트와 확장 프로그램의 증가입니다. 조직은 이러한 도구가 무엇을 읽고, 변경하고, 전송할 수 있는지 목록화해야 합니다. 또한 어떤 신원이 자격 증명을 제공했는지도 식별해야 합니다.

권한은 에이전트 수보다 중요합니다. 공개 정보로 제한된 에이전트 10개는 프로덕션 데이터에 대한 쓰기 접근 권한을 가진 시스템 1개보다 노출을 적게 만들 수 있습니다. 검토는 민감한 리소스, 지속적인 자격 증명, 외부 데이터 전송 및 인간의 확인이 없는 작업을 우선시해야 합니다.

과도한 권한이 줄어든다면 집중형 거버넌스의 근거가 강화될 것입니다. 발견되지 않은 에이전트가 빠르게 증가한다면 현행 AI 정책이 의미 있는 범위를 제공한다는 주장은 약화될 것입니다.

세 번째 신호는 조직이 유용한 도입을 억제하지 않으면서 민감한 데이터 이벤트가 줄었다는 점을 보여줄 수 있는지입니다. 이는 보안팀과 생산성팀이 함께 결과를 평가해야 하기 때문에 가장 어려운 측정 기준입니다.

성공적인 프로그램은 제한된 업로드, 관리되지 않는 자격 증명 및 승인되지 않은 통합을 줄여야 합니다. 동시에 직원들이 보이지 않는 채널로 이동하지 않도록 승인된 사용은 충분히 접근 가능하게 유지해야 합니다.

차단된 요청만을 기반으로 한 지표는 잘못된 유인을 만듭니다. 차단 증가가 더 강력한 집행, 증가하는 안전하지 않은 수요 또는 부실한 승인 대안을 의미할 수 있기 때문입니다. 팀은 예방 이벤트를 계정 이전, 승인된 워크플로우 채택, 사용자 피드백 및 확인된 사고와 비교해야 합니다.

Google News의 프레이밍은 조직이 자체 환경에서 이를 검증할 때만 계속 유용할 것입니다. 정확한 5% 임계값은 바뀔 수 있지만, 근본적인 패턴이 유지된다면 집중도는 내부 텔레메트리에서도 나타나야 합니다.

보안팀은 몇 가지 실용적인 질문으로 시작할 수 있습니다. 어떤 직원이 AI를 가장 자주 사용하는가? 그중 누가 개인 신원을 이용하는가? 누가 파일을 업로드하고, 확장 프로그램을 설치하거나, 에이전트를 내부 시스템에 연결하는가? 어떤 승인된 도구가 이들의 요구를 충족하지 못하는가?

이 질문들은 모든 AI를 허용할지 금지할지를 묻는 것보다 더 나은 출발점을 제공합니다. 거버넌스를 실제 업무와 연결하고 편의성이 어디에서 통제를 우회하는지 드러냅니다.

기업은 징계로 시작하지 않는 에스컬레이션 경로도 마련해야 합니다. 보안팀이 고도화된 비공식 워크플로우를 발견했을 때, 첫 검토는 그 비즈니스 가치, 데이터 입력, 권한 및 대안을 파악해야 합니다. 이를 통해 불필요한 노출을 제거하면서 유용한 관행을 보존할 기회를 만들 수 있습니다.

에이전트가 광범위한 프로덕션 접근 권한을 가진 경우처럼 위험이 즉각적이라면, 격리가 우선되어야 합니다. 노출이 더 낮은 경우에는 일률적인 금지보다 이전과 교육이 장기적으로 더 나은 준수를 이끌어낼 수 있습니다.

리더는 문제가 통제되고 있다고 선언하기 전에 마지막 질문 하나를 던져야 합니다. 조직이 설문조사에 의존하지 않고도 가장 집중적인 AI 워크플로우를 설명할 수 있는가? 답이 아니오라면 정책은 증거보다 앞서 운영되고 있는 것입니다.

Google News는 중요한 반전에 주목하게 했습니다. shadow AI는 널리 퍼져 있지만, 가장 심각한 노출이 반드시 고르게 분포하는 것은 아닙니다. AI를 가장 깊이 활용하는 사람들이 생산성, 데이터, 신원 및 자율적 접근이 교차하는 지점입니다.

그러면 다음 조치가 분명해진다. 집중된 워크플로를 찾아 관리형 ID 체계로 옮기고, 권한을 검토하며, 민감 정보 노출이 줄어드는지 측정해야 한다. 광범위한 규칙은 경계를 설정할 수 있지만, 실제 사용에서 나온 증거만이 보호가 필요한 지점을 보여준다.