사이버공격 이후 신뢰 회복을 서두르는 한국 은행의 AI 방어

고객 데이터 유출이 발생하고 11일 만에 예금이 20조1000억 원 감소하면서, 한국 은행의 AI 방어 체계는 긴급한 시험대에 올랐다. 5대 은행의 9월 30일 요구불예금 잔액은 675조5000억 원이었다. 10월 11일에는 이 총액이 655조4000억 원으로 줄었다.

이 시점은 신뢰 문제를 낳지만, 불안해진 고객들이 전액을 인출했다는 사실을 입증하지는 않는다. 예금 잔액은 기업 결제, 세금 일정, 더 높은 수익률 상품으로의 자금 이동 등 여러 이유로 변한다. 정기예금도 감소해, 고객들이 계좌 유형 사이에서 자금을 옮겼다는 단순한 설명은 설득력이 약해졌다.

더 중대한 변화는 은행 내부에서 일어나고 있다. KB국민, 신한, 하나, 우리, NH농협은 보안 예산을 확대하고 전문가를 채용하며 AI 기반 방어 시스템을 시험하고 있다. 이들의 과제는 더 이상 인간 해커를 차단하는 데만 그치지 않는다. 기계 속도로 취약한 진입 지점을 탐색할 수 있는 자동화 도구에 맞서 분산된 디지털 서비스를 방어해야 한다.

이 대응은 핵심적인 긴장을 만든다. 은행들은 공격자가 찾기 전에 AI가 취약점을 식별하기를 원하지만, 같은 자동화 기술도 엄격한 통제 없이 배포되면 위험을 키울 수 있다. 한국의 경험은 AI 지원 방어가 AI 지원 공격이 신뢰를 훼손하는 속도보다 더 빠르게 신뢰를 회복할 수 있는지를 가늠하는 초기 시험대가 되고 있다.

예금 감소가 데이터 유출을 신뢰의 시험대로 바꿨다

가장 중요한 수치는 유출 건수 자체가 아니라, 정보 공개 이후 나타난 20조1000억 원의 감소다.

초기 예금 데이터에 따르면, 5대 은행의 요구불예금은 9월 30일부터 10월 11일까지 약 3% 감소했다. 같은 기간 정기예금은 2조7000억 원 이상 줄었다. 정기예금은 5개월 연속 증가한 뒤 1000조 원을 약간 웃도는 수준으로 마감했다.

이 수치는 여러 금융회사가 고객 정보에 대한 무단 접근 사실을 보고한 뒤 나왔다. 신한은 10월 1일 약 2만5000명 고객의 정보가 유출됐다고 공개했다. 노출된 항목에는 이름, 전화번호, 연소득, 대출 한도가 포함됐다.

KB국민은 다음 날 119명의 고객이 영향을 받았다고 보고했다. 하나는 89명의 고객 정보가 노출됐다고 공개했다. 다른 사고는 부산은행, 두 곳의 저축은행, 현대캐피탈에 영향을 미쳐 7개사에서 보고된 피해 인원은 6만7000명을 넘어섰다.

예금 이동은 여전히 신중하게 해석해야 한다. 현재 공개된 보도는 사건의 순서를 보여줄 뿐, 완전한 인과관계를 확립하지는 않는다. 은행이나 규제당국 어느 쪽도 데이터 유출 때문에 고객들이 얼마를 인출했는지 보여주는 계좌 단위 데이터를 공개하지 않았다.

이 구분은 중요하다. 감소를 뱅크런이라고 부르는 것은 증거를 넘어서는 판단이기 때문이다. 고객이 예금에 접근하지 못했거나 핵심 결제 시스템이 멈췄다는 보도는 없었다. 당국도 노출된 데이터만으로 결제를 직접 승인할 수 있다는 증거는 찾지 못했다고 밝혔다.

그러나 통상적인 뱅크런이 시작되기 전에도 신뢰는 약해질 수 있다. 고객들은 자신의 돈이 이미 사라졌다고 믿을 필요가 없다. 은행이 유출 사고를 이해하고 있는지, 외부 시스템을 통제하는지, 설득력 있는 후속 사기를 막을 수 있는지만 의심하면 된다.

요구불예금은 고객이 빠르게 옮길 수 있기 때문에 특히 민감하다. 계절적 자금 흐름이 일부를 설명하더라도, 갑작스러운 잔액 감소는 눈에 띄는 압박 지점을 만든다. 은행들은 보안 대응이 공격자가 실제로 이용한 경로를 해결하고 있음을 보여야 한다.

이 시점은 경영진이 소통해야 하는 방식도 바꾼다. 잔액이 줄기 시작하면 피해 기록에 대한 제한적인 공개만으로는 더 이상 문제가 해결되지 않는다. 고객들은 경영진이 거래 시스템뿐 아니라 신뢰받는 은행 데이터를 다루는 모든 서비스를 보호할 수 있는지 판단할 것이다.

이 때문에 이번 사건은 개인정보 유출 통지를 넘어섰다. 이제 보안 투자가 기관에 대한 신뢰를 지킬 수 있는지 시험하는 문제가 됐다.

한국 은행의 AI 방어는 가장 취약한 시스템을 겨냥한다

한국 은행의 AI 방어는 경계 보호에서 핵심 은행 네트워크 주변의 소규모 시스템을 지속적으로 시험하는 방향으로 옮겨가고 있다.

보도된 공격자들은 가장 강하게 보호되는 거래 플랫폼에 직접 침입하지 않았다. 대신 직원, 계약업체, 대출 중개인이 사용하는 주변 서비스를 노렸다. 이 시스템들은 은행의 중앙 원장만큼 강력한 보호를 받지 않으면서도 민감한 고객 정보를 보유할 수 있다.

신한의 경우 보도는 대출 중개인이 사용하는 대출 진행 조회 서비스를 침해 지점 중 하나로 지목했다. KB국민에서는 공격자들이 내부 모바일 업무지원 시스템에 접근한 것으로 알려졌다. 이 패턴은 대규모 보안 예산이 왜 정보 공개를 막지 못했는지 보여준다.

은행은 중앙 네트워크를 강력하게 보호하면서도 수백 개의 작은 웹 애플리케이션을 노출된 상태로 둘 수 있다. 계약업체 포털, 내부 대시보드, 영업 도구마다 또 하나의 인증 절차가 생긴다. 동시에 시험, 모니터링, 적시 업데이트가 필요한 또 하나의 소프트웨어 스택도 생긴다.

공격자들은 이러한 탐색 작업을 자동화할 수 있다. 목표를 향한 단계를 선택하고 수행하는 소프트웨어인 AI 에이전트는 서비스를 스캔하고 다음 행동을 조정할 수 있다. 지속적인 인간의 지시 없이도 여러 표적에서 이러한 단계를 반복할 수 있다.

우리은행은 이미 한국 사이버보안 기업 Theori가 개발한 AI 기반 보안 테스트 제품 Xint를 사용하고 있다. 이 시스템은 공격 시나리오를 생성하고 침투 테스트를 수행한다. 침투 테스트는 악용 가능한 취약점을 식별하기 위한 통제된 시도다. 우리은행은 자체 개발 도구도 사용한다.

KB국민은 Stealth Solution을 포함한 여러 보안 기업과 함께 방어 기술을 시험하고 있다. 윤리적 해커들은 다양한 AI 지원 공격 패턴에 맞서 능동형 방어 시스템을 평가하고 있다. 윤리적 해커는 범죄자가 취약점을 악용하기 전에 이를 드러내기 위해 승인을 받고 활동한다.

NH농협은 2027년 하반기에 AI 레드팀 시스템을 도입할 계획이다. 레드팀은 시스템, 데이터, 조직의 대응을 시험하기 위해 적대자를 시뮬레이션한다. 은행이 계획 중인 플랫폼은 공격자의 관점에서 AI 모델과 서비스를 점검한다.

하나는 기기와 서버를 겨냥한 해킹 시도에 대한 실시간 대응을 개발하고 있다. 또한 자동화된 침투 테스트와 AI 기반 사이버보안 플랫폼을 추진하고 있다. 이 프로젝트들은 공통된 목표를 반영한다. 취약점이 나타나는 시점과 방어자가 이를 발견하는 시점 사이의 격차를 줄이는 것이다.

은행들은 자동화와 함께 기존 보안 자원도 확대하고 있다. KB국민은 2027년 정보보안 예산을 1000억 원 이상으로 늘릴 계획이다. 은행업계 수치에 따르면 2026년 예산은 860억7000만 원이었다.

신한은 다음 보안 예산이 업계 최고 수준이 될 것이라고 밝혔지만, 금액은 공개하지 않았다. 우리는 보안 시스템 예산을 20% 이상 늘리는 방안을 검토 중이다. 또한 전문 인력을 최소 10% 확대할 것으로 예상한다.

이 조치들은 속도와 범위를 다루지만, 지출만으로 회복력을 보장할 수는 없다. 결정적인 질문은 은행들이 이 자원을 공격자들이 실제로 탐색하는 잊힌 시스템에 적용하는지다.

AI 공격 자동화와 AI 방어 자동화의 대결

이 경쟁은 단순히 AI 대 AI가 아니라, 확장 가능한 탐색과 책임 있는 통제의 대결이다.

자동화가 광범위한 탐색 비용을 낮추면 공격자들은 우위를 얻는다. 이들은 수많은 인터넷 노출 서비스를 조사하고, 입력값을 바꾸며, 시스템이 예상 밖의 반응을 보이는 곳에서 작업을 이어갈 수 있다. 하나의 검증 규칙 누락이 이들이 필요한 진입구가 될 수 있다.

방어자들은 더 어려운 제약에 직면한다. 레거시 애플리케이션, 파트너 연결, 직원 도구, 신규 디지털 제품을 동시에 보호해야 한다. 또한 그러한 시스템을 시험하는 동안 정상적인 은행 업무를 방해하지 않아야 한다.

이 불균형은 자동화된 레드팀에 대한 관심을 설명한다. 방어 에이전트는 소규모 테스트 팀이 수작업으로 점검할 수 있는 범위보다 더 많은 애플리케이션에서 공격 시나리오를 반복할 수 있다. 소프트웨어 변경 후에도 이러한 시나리오를 다시 실행해 연례 감사가 놓칠 수 있는 회귀 문제를 드러낼 수 있다.

그러나 방어자는 모든 자동화된 행동에 대해 여전히 책임을 진다. 보안팀은 테스트 에이전트가 접근할 수 있는 범위를 제한하고, 활동을 기록하며, 결과를 검증해야 한다. 통제되지 않는 방어 도구는 서비스를 중단시키거나 스스로 민감한 정보를 노출할 수 있다.

공격은 오픈소스 자율 침투 테스트 프로젝트인 ARTEX와 연관된 것으로 알려졌다. 조사관들은 해당 캠페인을 지원한 것으로 추정되는 인프라에서 이 도구와 연결된 흔적을 발견했다. 이 증거는 공격자의 위치, 신원, 국적을 확정하지 않는다.

보도에 따르면 ARTEX는 정보를 수집하고, 취약점을 식별하며, 가능한 침입 경로를 계획하는 AI 에이전트를 조율한다. Autumn-27로 공개적으로 알려진 개발자는 이후 공개 업데이트를 중단했다. 개발자는 악의적 행위자들이 이 프로젝트를 악용했다고 밝혔다.

업데이트를 중단한다고 해서 이미 내려받은 사본이 사라지는 것은 아니다. 또 다른 개발자가 유사한 시스템을 만드는 것도 막을 수 없다. 따라서 더 광범위한 보안 문제는 하나의 저장소나 한 개발자의 결정에 그치지 않는다.

오픈소스 보안 소프트웨어에는 정당한 용도가 있다. 연구자, 내부 방어팀, 컨설팅 업체는 공격을 재현하고 보호 체계를 개선하기 위해 공유 테스트 도구를 사용한다. 접근을 제한하면 일부 악용을 늦출 수 있지만, 방어자에게 같은 방법을 쓰지 못하게 할 수도 있다.

더 어려운 문제는 운영 통제와 관련된다. 책임 있는 조직은 승인을 요구하고, 테스트 환경을 격리하며, 자격 증명을 제한하고, 상세한 로그를 보존할 수 있다. 악의적 운영자는 이러한 보호장치를 제거하고 동일한 역량을 공개 표적으로 향하게 할 수 있다.

이러한 상충관계 때문에 공격 주체 식별은 특히 중요하다. 중국어 소프트웨어의 존재가 중국 정부의 개입이나 중국 기반 공격자를 입증하지는 않는다. 조사관들은 공격자들이 제3자 인프라를 경유해 트래픽을 보낼 수 있음을 인정하면서 여러 국가에 걸친 네트워크 주소를 확인했다.

기술 조사 역시 은행 공격 전반에서 유사한 주소를 시사했다. 유사한 인프라는 사건 간 연결을 뒷받침할 수 있지만, 그 배후의 인간 운영자를 식별하지는 못한다.

AI는 상황을 더욱 복잡하게 만들 수 있다. 공격자는 공개 에이전트를 상용 모델, 탈취한 자격 증명, 스크립트, 임대한 서버와 결합할 수 있다. 전체 캠페인을 AI 공격으로 묘사하면 접근을 가능하게 한 일반적인 통제 실패가 가려질 위험이 있다.

방어 측 교훈은 구체적이다. 공격자들은 정찰을 확장할 수 있으므로 은행에도 자동화가 필요하다. AI는 취약한 기반을 보완할 수 없으므로, 기존의 인증, 접근 통제, 패치, 애플리케이션 설계도 필요하다.

데이터 유출은 주변 시스템의 보안 공백을 드러냈다

이 캠페인은 은행 기술이 가장 강한 곳이 아니라, 신뢰받는 업무 흐름이 더 약한 인증과 만나는 곳에서 성공한 것으로 보인다.

조사관과 보안 전문가들은 핵심 거래 플랫폼보다 외부 또는 내부 지원 서비스를 주목하고 있다. 이러한 애플리케이션은 실제 업무를 지원하지만, 가장 강도 높은 보호를 받는 시스템 밖에 위치하는 경우가 많다.

보고된 기법 중 하나는 유효한 고객 식별자를 찾아내기 위해 대출 관련 서비스에 다수의 값을 전송하는 방식이었다. 서비스가 유용한 응답을 반환하면 공격자는 그 단서를 활용해 추가 정보를 요청할 수 있다. 자동화는 이 과정을 더 빠르게 만들고 반복도 쉽게 한다.

크리덴셜 스터핑도 영향을 미쳤을 수 있다. 크리덴셜 스터핑은 다른 곳에서 탈취한 사용자 이름과 비밀번호를 사용해 별도의 서비스에 접근을 시도하는 공격 방식이다. 이 기법은 완전히 새로운 AI 역량이 아니라 비밀번호 재사용과 취약한 통제에 의존한다.

다중 인증은 추가 증명을 요구함으로써 이러한 위험을 줄일 수 있다. 요청 횟수 제한은 반복 요청을 제한하고, 이상 징후 탐지는 비정상적인 접근 패턴을 표시할 수 있다. 적절한 권한 확인은 한 사용자가 다른 고객의 기록을 조회하는 일을 막을 수 있다.

이러한 통제가 기본적으로 들리는 이유는 실제로 기본적인 조치이기 때문이다. 공격자가 AI를 추가한다고 해서 그 중요성이 줄어들지는 않는다. 자동화는 수십 개 애플리케이션 전반에서 이러한 조치가 일관되지 않을 때의 비용을 높인다.

은행들의 기존 보안 지출은 왜 총액이 오해를 불러일으킬 수 있는지 보여준다. 신한, KB국민, 하나는 2025년 정보보안에 거의 1,240억 원을 지출한 것으로 알려졌다. 그러나 최근의 금융권 침해 사고는 여전히 보호 수준이 낮은 서비스까지 영향을 미쳤다.

예산은 모니터링 플랫폼, 컨설턴트, 방어 인력에 투입될 수 있지만 협력업체 포털에는 공백이 남아 있을 수 있다. 보안은 자금이 어디에 배분되는지, 시스템이 어떻게 목록화되는지, 발견 사항이 신속하게 수정되는지에 달려 있다.

유출 데이터는 직접적인 계정 접근 이상의 가치를 지닌다. 고객의 이름, 소득, 대출 한도, 최근 은행 거래 관계를 아는 범죄자는 설득력 있는 메시지를 만들 수 있다. 이러한 맥락은 사기성 대출 전화가 정상적인 연락처럼 보이게 할 수 있다.

이억원 금융위원장은 직접 사용할 수 있는 결제 정보가 유출됐다는 징후는 없다고 밝혔다. 다만 보이스피싱과 사기성 문자 메시지가 2차 피해의 가능한 형태로 남아 있다고 경고했다.

바로 이 지점에서 신뢰 문제는 개인적인 문제가 된다. 은행은 핵심 플랫폼이 안전하게 유지됐다고 사실대로 말할 수 있지만, 고객은 여전히 그럴듯한 사기에 노출될 수 있다. 피해자들은 거래 데이터베이스 침해와 대출 지원 시스템에서 탈취된 데이터를 구분하지 못할 수 있다.

사적인 금융 정보가 포함된 전화를 받는 사람에게 기관 내부의 경계는 중요성이 낮다. 고객은 어느 애플리케이션에 정보가 저장됐는지와 관계없이 해당 정보를 은행과 합리적으로 연결 짓는다.

따라서 한국 은행의 AI 방어는 악성코드 식별에만 집중해서는 안 된다. 고객 정보가 어디로 이동하는지 파악하고, 불필요한 필드를 최소화하며, 해당 필드를 노출하는 모든 인터페이스를 모니터링해야 한다.

AI 테스트는 이러한 경로를 찾는 데 도움이 될 수 있지만, 개선 조치는 여전히 경영 과제다. 누군가는 각 애플리케이션을 책임지고, 각 발견 사항을 평가하며, 다음 자동화 스캔 전에 취약점을 해결해야 한다.

더 큰 예산으로는 검증 격차를 해소할 수 없다

조사관들이 모든 침해 사고에서 AI의 정확한 역할에 대한 결정적 증거를 아직 확보하지 못한 상황에서도, 은행들은 방어를 강화해야 한다.

당국자와 언론 보도는 반복적으로 해당 사건을 AI 지원 공격으로 묘사해 왔다. ARTEX와 연결된 흔적은 이 가설을 뒷받침한다. 공격의 속도, 범위, 그리고 명백한 자동화 양상 역시 에이전트 기반 캠페인에 부합한다.

그러나 공개된 증거만으로는 아직 전체 공격 사슬을 재구성할 수 없다. 어떤 행동을 AI 모델이 독립적으로 선택했는지, 어떤 행동이 스크립트로 실행됐는지, 어떤 행동에 직접적인 인간 통제가 필요했는지는 불분명하다. 이러한 구분은 대응책을 설계할 때 중요하다.

AI가 주로 정찰을 가속했다면 은행은 더 폭넓은 공격 표면 모니터링이 필요하다. 침입 과정에서 에이전트가 공격 단계를 조정했다면 방어자는 비정상적인 순서를 탐지하는 행위 기반 통제가 필요하다. 탈취된 자격 증명이 대부분의 역할을 했다면 신원 보안에 더 큰 비중을 둬야 한다.

정답은 세 가지를 모두 결합한 것일 수 있다. 현대의 공격자는 하나의 기법에만 의존하는 경우가 드물다. 이들은 결과를 내는 취약점 주변에 도구를 조합한다.

당국은 성급한 지리적 귀속도 피해야 한다. 금융감독원은 12개국과 연결된 주소를 식별했지만, 일부 위치는 확인되지 않은 상태로 남았다. 별도 보도에서는 최소 12개국에 걸친 28개 주소를 언급했다.

공개 도구의 언어나 출처는 그 운영자를 식별해 주지 않는다. 공격자는 물리적 위치에서 멀리 떨어진 곳에 있는 가상 서버, 침해된 기기, 중계 서버를 일상적으로 사용한다. 독립적인 국제 평가 역시 귀속 판단에 대한 당국의 신중한 태도를 지적했다.

예금 감소를 둘러싼 또 다른 미해결 질문도 있다. 시점상 은행이 신속히 행동해야 할 이유는 있지만, 조사관들은 침해 우려가 모든 자금 이체를 유발했다는 점을 입증하지 못했다. 더 상세한 자금 흐름 데이터를 공개하면 정상적인 이동과 사이버보안에 따른 신뢰 반응을 구분하는 데 도움이 될 것이다.

진행 중인 조사에서 투명성은 위험을 수반할 수 있다. 정확한 기술적 취약점을 공개하면 모방 공격자를 도울 수 있다. 그러나 기관이 사건을 축소하고 있다고 고객이 믿는다면 모호한 안심 메시지는 의심을 키울 수 있다.

따라서 은행에는 절제된 정보 공개 모델이 필요하다. 어떤 정보가 노출됐는지, 어떤 시스템이 영향을 받았는지, 고객이 무엇을 주시해야 하는지를 설명해야 한다. 확인된 결과와 도구 및 공격자에 관한 가설을 구분해야 한다.

또한 약속한 개선이 측정 가능한 결과를 내는지도 보고해야 한다. 더 큰 예산은 투입 요소일 뿐 결과가 아니다. 인력 수와 소프트웨어 구매만으로는 중요한 결함이 더 빠르게 수정되고 있는지 알 수 없다.

유용한 지표로는 노출된 서비스를 발견하는 데 걸리는 시간, 고위험 취약점을 해결하는 데 걸리는 시간, 침해된 자격 증명을 비활성화하는 데 걸리는 시간이 있다. 은행은 레드팀 발견 사항이 이후 테스트에서 다시 발생하는지도 측정할 수 있다.

규제 당국은 비교 가능한 보고 체계를 구축하는 역할을 맡는다. 공통 지표가 없다면 각 기관은 자사 프로그램이 선진적이라고 설명할 수 있지만, 고객은 상대적 위험을 평가할 수 없다.

AI 방어는 거버넌스 문제도 제기한다. 은행은 모델이 어떤 데이터를 검사할 수 있는지, 테스트 결과를 어디에 저장할지, 누가 모의 공격을 승인할 수 있는지를 결정해야 한다. 이러한 규칙은 모델 정확도만큼의 주의가 필요하다.

글로벌 금융 위험은 개별적인 개인정보 침해 사고를 넘어선다. 국제통화기금이 발표한 연구는 금융 전반에서 사이버 사건과 디지털 사기가 증가하고 있음을 보여준다. 연결된 서비스는 기업 간 운영 충격과 신뢰 충격을 전파할 수 있다.

한국 은행들은 이제 더 신뢰할 수 있는 모델을 보여줄 기회를 맞았다. 그 모델에는 검증된 발견 사항, 통제된 자동화, 개선 조치가 향상되고 있다는 증거가 필요하다. 모든 보안 프로젝트를 AI라고 포장하는 것만으로는 이 기준을 충족할 수 없다.

신뢰 회복 여부를 보여줄 세 가지 신호

다음 단계는 검증된 개선 조치, 예금 안정성, 그리고 공격 사슬에 관한 증거를 기준으로 평가해야 한다.

첫 번째 신호는 규제 당국이 기술 조사 이후 무엇을 공개하는지다. 조사관들은 공격자가 각 조직에 어떻게 침투했는지, 동일한 운영자가 사건들을 연결했는지를 밝혀야 한다. 또한 AI 자동화의 구체적인 역할도 명확히 해야 한다.

소프트웨어가 여러 표적에 걸쳐 적응했다는 점을 상세히 재구성한다면 에이전트 기반 방어의 필요성을 강화할 수 있다. 재사용된 자격 증명과 취약한 검증에 초점을 맞춘 결론은 신원 및 애플리케이션 통제로 관심을 옮길 것이다. 어느 결과든 은행에 더 명확한 투자 우선순위를 제공한다.

두 번째 신호는 정보 공개와 고객 통지 이후 예금 잔액이 안정되는지 여부다. 짧은 기간만으로 지속적인 신뢰 위기를 입증할 수는 없다. 특히 영향을 받은 기관에서 감소가 계속된다면 사이버보안과 자금 조달 압박의 연관성은 더 강해질 것이다.

반전이 일어난다고 해서 침해 사고가 무해해지는 것은 아니다. 이는 고객이 은행의 설명을 받아들였거나 자금 이동을 일시적인 것으로 여겼음을 시사할 수 있다. 투명한 보고는 이러한 해석의 신뢰도를 높일 것이다.

세 번째 신호는 발표된 투자가 2027년 중 운영상의 변화를 만들어 내는지 여부다. KB국민의 계획된 예산 증액, 우리은행의 제안된 지출 및 인력 확대, NH농협의 레드팀 시스템은 구체적인 약속을 만든다. 고객과 규제 당국은 이러한 프로젝트가 일정에 맞춰 도입되는지 추적할 수 있다.

가장 강력한 증거는 적용 범위와 대응 시간에서 나올 것이다. 은행은 주변 애플리케이션도 중앙 시스템과 동일한 수준의 지속적인 검토를 받는다는 점을 보여야 한다. 또한 자동화된 발견 사항이 신속히 개선 작업으로 이어진다는 점도 입증해야 한다.

이 사건은 대부분의 대형 조직이 같은 구조적 약점을 지니고 있기 때문에 한국 밖에서도 중요하다. 민감한 정보는 고객 포털, 영업 시스템, 모바일 도구, 협력업체 서비스 전반으로 퍼진다. 공격자에게 필요한 것은 가장 보호 수준이 낮은 경로 하나뿐이다.

지식 노동자들도 사건 이후 관련된 과제에 직면한다. 의사결정, 증거, 개선 작업, 고객 커뮤니케이션은 문서와 회의 전반에 흩어질 수 있다. 통제된 AI 지식 베이스는 팀이 이러한 맥락을 보존하는 데 도움이 될 수 있지만, 보안 통제를 대체할 수는 없다.

한국 은행의 AI 방어는 모델을 둘러싼 전체 시스템을 개선할 때에만 성공할 수 있다. 여기에는 자산 목록, 인증, 데이터 최소화, 테스트, 대응, 공적 책임성이 포함된다.

모든 조직이 던져야 할 실질적인 질문은 간단하다. 자동화된 공격자가 잊힌 서비스를 찾아내기 전에 방어자가 이를 식별할 수 있는가? 보안 책임자는 외부에서 접근 가능한 시스템을 파악하고, 누가 이를 소유하는지 확인하며, 중요한 발견 사항이 얼마나 빠르게 수정으로 이어지는지 테스트해야 한다. 은행들의 다음 공개는 AI 지출이 이 방정식을 바꾸고 있는지, 아니면 단지 소프트웨어를 한 겹 더 추가하고 있는지를 보여줄 것이다.