Tamnoon Amazon Bedrock 리미디에이션, AI를 알림에서 클라우드 수정으로 전환

Tamnoon은 자사의 Amazon Bedrock 리미디에이션 시스템이 프로덕션 사고 없이 90일 이내에 고객의 중요한 클라우드 노출을 90% 이상 줄이는 데 도움을 줬다고 밝혔다. 이 주장은 에이전틱 AI를 챗봇이나 티켓 요약보다 훨씬 더 관용적이지 않은 영역으로 끌어들인다. 회사의 클라우드 리미디에이션 오케스트레이터인 Tami는 보안 탐지 결과를 조사하고, 운영 중인 인프라에 대해 보호 장치가 적용된 변경을 준비하거나 실행할 수 있다.

중요한 변화는 잘못된 설정을 탐지하기 위한 또 하나의 인공지능 계층이 아니라는 점이다. 클라우드 네이티브 애플리케이션 보호 플랫폼(CNAPP)은 이미 워크로드, ID, 네트워크, 데이터 전반에서 방대한 탐지 결과를 생성한다. Tamnoon은 탐지 이후 이어지는 더 어려운 작업, 즉 맥락 수집, 근본 원인 식별, 안전성 판단, 노출 해소를 자동화하려 한다.

이는 익숙한 보안 운영 모델에 도전장을 던진다. Wiz, CrowdStrike, Palo Alto Networks, Orca Security, SentinelOne 및 클라우드 제공업체의 도구는 문제를 식별한다. 이후 인간 엔지니어가 어떤 탐지 결과가 중요한지, 제안된 수정이 프로덕션을 중단시킬 위험은 없는지를 판단한다. Tamnoon은 기반 탐지 플랫폼을 대체하지 않으면서도 제약된 에이전트가 이 수작업 공백을 안전하게 압축할 수 있다고 본다.

Tamnoon Amazon Bedrock 리미디에이션, 해소 격차를 겨냥하다

Tamnoon은 Tami를 또 다른 알림 생성기가 아니라 보안 탐지 결과와 검증된 수정 사이의 실행 계층으로 포지셔닝하고 있다.

AWS와 Tamnoon은 2026년 10월 14일 기술 설명에서 이 아키텍처를 상세히 소개했다. Tami는 CNAPP 제품, 클라우드 상태 관리 도구, Amazon GuardDuty, AWS Security Hub의 탐지 결과를 수집한다. 이후 자산, 소유권, 종속성, 노출 맥락으로 보강하기 전에 이러한 레코드를 공통 내부 형식으로 변환한다.

이 정규화는 모든 탐지 제품이 위험을 서로 다르게 설명하기 때문에 중요하다. 공개된 스토리지 리소스, 과도한 권한 또는 노출된 서비스는 서로 다른 필드와 심각도 레이블로 전달될 수 있다. Tami의 에이전트가 탐지 결과를 비교하고, 관련 이슈를 그룹화하거나, 리미디에이션을 추론하려면 일관된 표현이 필요하다.

그런 다음 시스템은 탐지 결과의 우선순위를 정하고 공통 근본 원인을 찾는다. 하나의 구성 오류는 여러 리소스에서 많은 후속 알림을 생성할 수 있다. 따라서 그 원인을 해결하면 각 알림을 개별적으로 처리하는 것보다 더 많은 위험을 해소할 수 있다.

Tamnoon은 이 결과를 리미디에이션 신뢰도 지표라고 부른다. 각 탐지 결과에는 SAFE, RISKY 또는 AWAITING DATA의 세 가지 분류 중 하나가 부여된다. 이 레이블은 자동화를 진행할 수 있는지, 또는 사람이 추가로 조사해야 하는지를 결정한다.

이는 중대한 구분이다. Tami는 불확실한 답변을 행동 허가로 간주하지 않는다. Tamnoon은 증거가 불완전할 경우 안전 프로세스가 의도적으로 리미디에이션 등급을 낮춘다고 설명한다.

회사에 따르면 Tami는 1,400만 건 이상의 클라우드 알림을 분석했다. 2026 리미디에이션 연구는 수백 개 엔터프라이즈 환경과 10개 스캐너에서 발생한 1,486만 건의 탐지를 명시한다. 이 연구는 탐지된 모든 이슈 중 53%가 미해결 상태로 남았으며, 이는 이전 연구의 41%와 비교된다고도 전한다.

이 수치는 독립적인 업계 측정이 아닌 Tamnoon 자체 데이터셋에서 나온 것이다. 그럼에도 제품이 겨냥하는 문제를 설명한다. 문제는 더 이상 단지 노출을 찾는 데 있지 않다. 운영자가 안전하게 적용할 수 있는 변경으로 탐지를 전환하는 데 있다.

Tamnoon은 일반적인 도입 사례에서 90일 동안 중요한 노출을 최대 90% 줄일 수 있다고 말한다. 또한 근본 원인 클러스터링을 통해 최대 100배의 효율 개선을 보고했다. 회사는 고객 기반 전반에서 이 접근 방식으로 매주 13,000시간 이상의 엔지니어링 시간을 절감했다고 분석한다.

이러한 결과는 공급업체가 보고한 성과로 읽어야 한다. AWS 기사는 Tamnoon 임원 두 명이 공동 작성했으며, 운영 관련 주장에 대한 독립 감사인은 확인되지 않는다. 이 수치는 모든 클라우드 환경에 보장되는 기준이 아니라 관찰된 고객 결과를 설명한다.

그럼에도 이 아키텍처는 보안 자동화의 중요한 변화를 보여 준다. 이전 시스템은 흔히 티켓을 생성하거나 명령을 제안하거나 사전 정의된 플레이북을 실행했다. Tami는 여러 에이전트를 활용해 증거를 수집하고, 자동화 적합성을 판단하며, 계획을 구성하고, 생성된 리미디에이션 코드를 검토한다.

이러한 진전은 핵심 긴장을 만든다. 더 큰 자율성은 노출 시간을 단축할 수 있지만, 추가되는 모든 조치는 의도치 않은 프로덕션 변경으로 이어지는 또 하나의 경로를 만든다. 따라서 Tamnoon의 설계는 제약 없는 지능보다 각 구성 요소가 수행할 수 있는 작업에 대한 엄격한 제한에 더 크게 의존한다.

네 개의 에이전트가 조사, 안전성, 계획, 코드를 분담한다

Tami의 핵심 메커니즘은 하나의 모델이 전체 리미디에이션 프로세스를 제어하는 대신, 네 개의 에이전트가 서로 다른 업무를 수행하도록 하는 직무 분리다.

조사 에이전트는 읽기 전용 작업으로 시작한다. 리소스, 리미디에이션 목표, 클라우드별 검증 요건을 이해하는 데 필요한 맥락을 수집한다. Tamnoon은 이 에이전트가 수백만 고객 환경의 패턴을 활용한다고 설명한다.

그다음 심사자 역할을 하는 대규모 언어 모델이 수집된 맥락을 필터링한다. 이 검토는 즉각적인 인프라 변경이 아니라 구조화된 조사 계획을 만든다. 이 단계를 읽기 전용으로 유지하면 잘못된 추론이 초래할 결과를 제한할 수 있다.

안전성 점수화 에이전트는 영향을 받는 각 자산에 대한 증거 사슬을 구축한다. 자동화된 검사와 분석가, 조사 프로세스의 결과를 결합한 뒤 SAFE, RISKY 또는 AWAITING DATA 분류를 부여한다.

SAFE로 분류된 탐지 결과만 리미디에이션 에이전트에 도달할 수 있다. 이 에이전트는 제안된 변경을 둘러싼 종속성, 순서, 조건을 추론한다. 계획된 모든 단계는 롤백 지침과 함께 백업, 리미디에이션, 검증 순서를 따른다.

네 번째 에이전트는 승인된 계획 단계를 실행 가능한 코드로 변환한다. 생성 전에 입력 가드레일이 관련성을 확인하고 프롬프트 인젝션을 검사한다. 이후 별도의 검토 에이전트가 생성된 각 산출물을 승인해야 한다.

이러한 분업이 모델 오류를 없애지는 않는다. 그러나 하나의 잘못된 출력이 즉시 권한 있는 조치로 이어질 가능성은 줄인다. 실패는 고객 환경에 영향을 미치기 전에 여러 통제를 통과해야 한다.

이 프로세스는 성찰 루프도 사용한다. 생성 단계는 별도의 비평을 받고, 이 피드백은 재생성을 유발할 수 있다. Tamnoon은 자동화 결과, 사용자 피드백, 이전에 수정된 알림을 기준으로 권고 사항을 검증한다.

인간 개입은 여전히 설계의 일부다. 모델이 충분히 신뢰할 수 있는 결과에 도달하지 못하면 워크플로는 해당 사례를 운영자에게 전달한다. 따라서 RISKY 및 AWAITING DATA 탐지 결과는 미완성 자동화가 아니라 통제된 거부를 의미한다.

이러한 동작은 보안 에이전트가 모호한 증거를 마주하기 때문에 중요하다. 리소스는 드물게 실행되는 프로세스를 지원하면서도 사용되지 않는 것처럼 보일 수 있다. 권한은 비상 워크플로를 지원하면서도 과도해 보일 수 있다. 네트워크 규칙은 지역 장애 조치가 발생하기 전까지 중복된 것처럼 보일 수 있다.

안전한 시스템은 불확실성과 낮은 위험을 구분해야 한다. Tamnoon의 아키텍처는 신뢰도 상태, 증거 요건, 에스컬레이션을 통해 이 구분을 인코딩하려 한다. 때로는 문서화된 비조치 결정이 가장 의미 있는 결과물일 수 있다.

이 설계는 보안 엔지니어링의 전통적인 직무 분리와 닮았다. 변경을 제안하는 에이전트가 그 변경을 평가하는 유일한 구성 요소는 아니다. 계획, 검토, 실행은 각각 독자적인 통제를 갖춘 별도 단계에 위치한다.

모델 계층은 Amazon Bedrock을 통해 작동하며, Tamnoon은 하나의 서비스 인터페이스를 통해 서로 다른 작업에 서로 다른 모델을 배정할 수 있다. 더 강력한 모델은 복잡한 조사를 처리할 수 있다. 더 작은 모델은 낮은 운영 오버헤드로 반복적인 검증 또는 검토 작업을 처리할 수 있다.

클라우드 리미디에이션은 정확도와 지연 시간 요건이 서로 다른 여러 워크로드를 포함하므로 모델 유연성은 중요하다. 단일 모델은 일상적인 검사에는 불필요하고 복잡한 종속성 그래프에는 불충분할 수 있다. Bedrock은 회사가 모든 통합을 재구축하지 않고도 이러한 배정을 변경할 수 있게 한다.

Tamnoon은 모델을 날짜가 포함된 식별자에 고정한다. 모델 변경은 공지되지 않은 행동 변화가 아니라 명시적인 인프라 업데이트가 된다. 이 관행은 모델 제공업체가 개정판을 출시할 때 테스트, 롤백, 감사 가능성을 지원할 수 있다.

회사는 점수화와 계획 수립을 위해 디코딩 온도를 0으로 설정한다. 이 설정은 출력의 일관성을 높이려는 목적이지만, 결정론적 디코딩이 사실적 정확성을 보장하지는 않는다. 반복되는 입력은 더 예측 가능해질 수 있지만 여전히 잘못된 결정을 낼 수 있다.

유사한 에이전트를 고려하는 엔지니어링 팀에 전달할 수 있는 교훈은 아키텍처에 있다. 신뢰할 수 있는 자동화는 추적 가능한 맥락, 제약된 역할, 명시적인 상태 전환에 달려 있다. 검색 가능한 기술 지식 기반을 유지하는 일도 팀이 운영 결정의 근거를 보존하는 데 도움이 될 수 있다.

진정한 경쟁은 자율적 조치와 통제된 거부 사이에 있다

Tamnoon의 가장 큰 과제는 에이전트가 일상적인 리미디에이션을 완료하는 만큼이나 신뢰성 있게 안전하지 않은 작업을 거부할 수 있음을 입증하는 것이다.

클라우드 보안 플랫폼은 가시성을 개선하는 데 수년을 투자해 왔다. 대시보드는 취약점, 과도한 권한, 노출된 서비스, 공격 경로, 민감 데이터를 연관 분석한다. 더 나은 우선순위 지정은 분석가가 심각한 이슈를 찾는 데 도움이 되지만, 이를 자동으로 제거하지는 않는다.

Tamnoon은 이 탐지 계층의 하류에 위치한다. Wiz, CrowdStrike, Palo Alto Cortex, Upwind, SentinelOne, Orca, Cyera, GuardDuty, Security Hub는 계속해서 진실의 원천으로 남는다. Tami는 이들의 탐지 결과를 소비하고 리미디에이션을 완료까지 이끌려 한다.

이 때문에 이 관계는 부분적으로 보완적이면서도 부분적으로 경쟁적이다. Tamnoon은 가치를 창출하기 위해 CNAPP를 대체할 필요가 없다. 그러나 성공적인 리미디에이션은 고객의 관심을 알림 품질에서 해소율, 증거, 해결 시간으로 옮길 수 있다.

클라우드 제공업체 역시 이 워크플로에 더 가까이 다가가고 있다. AWS Security Hub는 이제 공통 근본 원인을 공유하는 노출을 그룹화하는 리미디에이션 계획을 설명한다. 이러한 계획에는 영향을 받는 범위, 되돌릴 수 있는지 여부, 위험, 자동화 수준, 인간 검토 요건이 포함될 수 있다.

이러한 중첩은 시장이 향하는 방향을 보여 준다. 보안 구매자는 점점 우선순위가 정해진 탐지 결과 이상을 기대한다. 이들은 변경이 또 다른 문제를 만들지 않았다는 증거를 포함해 탐지에서 검증된 변경까지 이어지는 방어 가능한 경로를 원한다.

Tamnoon의 차별화는 스캐너와 클라우드 전반의 오케스트레이션에 기반한다. 이 플랫폼은 공통 리미디에이션 워크플로를 사용하면서 AWS, Azure, Google Cloud의 고객 환경에 연결할 수 있다. 이러한 크로스플랫폼 위치는 여러 보안 제품을 운영하는 엔터프라이즈에 매력적으로 다가갈 수 있다.

그러나 가장 어려운 비교는 특정 공급업체와 Tamnoon의 비교가 아니다. 자율적 조치와 통제된 거부의 비교다. 그럴듯한 모든 수정을 실행하는 시스템은 하나의 변경이 장애를 일으키거나 다른 통제를 약화시키기 전까지는 생산적으로 보일 것이다.

반대로, 거의 모든 사안을 에스컬레이션하는 에이전트는 티켓 보강 도구에 머문다. 조사 시간을 줄일 수는 있지만, 운영 백로그를 실질적으로 해소하지는 못한다. 상업적 가치는 승인 기준을 완화하지 않으면서 얼마나 많은 발견 사항이 안전한 자동화에 도달하는지에 달려 있다.

Tamnoon은 2025년 동안 인간 주도 모델에서 더 높은 자율성으로 전환했다고 밝혔다. 회사에 따르면, 자사 플랫폼은 궁극적으로 모든 우선순위 설정과 조사를 처리했다. 인간은 개선 조치 검증, 예외 상황 해결, 새로운 패턴에 대한 시스템 학습을 계속 담당했다.

다음 단계는 알려져 있고 반복 가능한 시나리오에서 더 적은 개입으로 더 많은 실행을 수행하는 것이다. 이는 모든 발견 사항이 자율적으로 처리되어야 한다는 뜻은 아니다. 시스템이 이전에 검증된 패턴과 일치하는 사례를 식별하는 동시에 새로운 상황은 분리해야 한다는 의미다.

이러한 인식 문제는 명령을 생성하는 것보다 어렵다. 클라우드 환경은 변화하고, 종속성은 바뀌며, 동일한 리소스 유형도 매우 다른 비즈니스 기능을 수행할 수 있다. 과거의 성공은 유용한 근거를 제공하지만, 다음 변경의 결과를 완전히 설명할 수는 없다.

따라서 Tamnoon에는 신뢰할 수 있는 거부 동작이 필요하다. AWAITING DATA 결정은 어떤 근거가 부족한지 명시해야 한다. RISKY 결정은 어떤 종속성 또는 영향 범위가 자동화를 막는지 설명해야 한다. 운영자는 이러한 결론에 이의를 제기할 수 있어야 한다.

감사 추적은 단순한 컴플라이언스 기록이 아니라 제품의 일부가 된다. 보안 팀은 어떤 근거가 조치에 영향을 미쳤는지, 어떤 모델 버전이 참여했는지, 어떤 승인이 실행을 허용했는지 알아야 한다. 또한 시스템이 거부한 변경 제안의 기록도 필요하다.

이 요구 사항은 설명 가능성을 운영상의 문제로 만든다. 세련된 자연어 설명이라도 관측된 리소스 및 결정론적 검사와 연결될 수 없다면 충분하지 않다. 근거 체인은 영향을 받은 환경을 이해하는 엔지니어의 검토를 견뎌야 한다.

Tamnoon이 이 기준을 유지할 수 있다면 기존 탐지 투자 가치를 더 높일 수 있다. 자동화가 확대되면서 거부 품질이 약화되면, 플랫폼은 다른 형태의 알림 피로를 재현할 위험이 있다. 운영자는 과거에 스캐너 결과를 검토했던 것만큼 신중하게 에이전트 결정을 검토해야 할 것이다.

Amazon Bedrock은 모델 추론에 경계를 제공한다

Amazon Bedrock이 중요한 이유는 Tamnoon에 단순한 텍스트 생성이 아니라 거버넌스가 적용된 모델 접근과 인프라 제어가 필요하기 때문이다.

Tamnoon은 Bedrock의 Converse 인터페이스를 통해 Anthropic Claude 모델을 호출한다. 회사는 추론이 미국 상업 리전 내 AWS 환경에서 이뤄진다고 설명한다. Cross-Region 추론은 용량이 변할 때 해당 지리적 경계 안에서 요청을 라우팅할 수 있다.

AWS는 Bedrock이 프롬프트와 완료 결과를 저장하거나 기록하지 않고, 모델 학습에 사용하거나 모델 제공업체에 배포하지 않는다고 밝힌다. AWS의 AI security architecture에는 저장 중 및 전송 중 콘텐츠를 위한 테넌트 격리와 암호화도 설명되어 있다.

이 경계는 Tami가 알림 페이로드, 리소스 식별자, 구성 세부 정보 및 개선 맥락을 처리하기 때문에 중요하다. 이러한 기록은 방어 통제나 민감한 아키텍처를 드러낼 수 있다. 이를 관리되지 않는 외부 워크플로로 전송하면 상당한 데이터 노출이 추가된다.

Tamnoon은 요청과 응답에 Amazon Bedrock Guardrails를 적용한다. Guardrails는 민감한 정보, 금지된 주제, 유해한 콘텐츠 및 프롬프트 공격을 필터링할 수 있는 정책 제어 장치다. 이는 프롬프트 내부의 지시문에만 의존하지 않고 기반 모델 주변에서 작동한다.

프롬프트 인젝션은 특별한 주의를 기울일 필요가 있다. Tami는 외부 시스템의 발견 사항을 수집하며, 이러한 페이로드는 신뢰할 수 없는 데이터로 취급해야 한다. 리소스 이름이나 알림 필드에 영향을 미치는 공격자는 에이전트를 조작하는 지시문을 삽입하려 할 수 있다.

AWS는 탈옥, 지시문 재정의, 기밀 프롬프트 노출 시도를 위한 prompt attack filters를 문서화하고 있다. 그러나 문서에는 중요한 제한 사항도 명시되어 있다. 도구 결과는 해당 필터로 자동 평가되지 않는다.

이 조건은 가드레일이 프롬프트 인젝션을 해결한다는 모든 주장에 중요하다. 보호는 신뢰할 수 없는 콘텐츠를 올바르게 식별하고 태그하는 데 달려 있다. 스캐너 출력, 검색된 맥락, 도구 결과 또는 에이전트 간 메시지를 전달하는 모든 경로에는 의도적인 검증이 필요하다.

Tamnoon은 코드 생성 에이전트가 실행되기 전에 가드레일이 입력을 검사한다고 말한다. 생성된 산출물도 검토 루프를 거친다. 이러한 통제는 설계를 강화하지만, 그 효과는 구성, 테스트 및 새로운 공격 패턴에 대한 지속적 적응에 달려 있다.

더 폭넓은 AWS 아키텍처는 전통적인 보안 경계를 추가한다. API Gateway는 외부 진입점을 제공하고, Certificate Manager는 전송 암호화를 처리하며, Cognito는 인증을 관리한다. 핵심 구성 요소는 여러 Availability Zone에 걸친 프라이빗 네트워크에서 실행된다.

Amazon EKS는 대시보드를 지원하는 지속형 서비스를 운영한다. AWS Lambda는 발견 사항 수집, 분석 및 개선 워크플로 실행을 위한 이벤트 기반 작업을 실행한다. EventBridge, SQS 및 Step Functions는 독립적으로 확장되는 구성 요소 전반의 작업을 조율한다.

큐는 장애를 격리하는 데 도움이 된다. Tamnoon은 서비스별로 자체 입력 큐, redrive 동작, 오류 처리기 및 dead-letter 큐를 할당한다. CloudWatch 알람은 타임아웃과 dead-letter 큐 깊이를 모니터링해, 실패한 레코드가 계속 보이도록 한다.

인프라 정의는 버전 관리되는 CloudFormation 및 AWS Serverless Application Model 템플릿에 존재한다. 따라서 권한, 모델 식별자, 네트워크 배치 및 알람은 소스 제어를 거친다. 이는 수동 콘솔 변경으로 인한 구성 드리프트를 제한한다.

최소 권한 접근은 또 다른 필수 통제다. 각 서비스에는 전용 IAM 실행 역할이 부여된다. 모델을 대면하는 함수는 지정된 추론 프로필과 모델을 호출할 수 있지만, 해당 모델을 관리, 학습 또는 내보낼 수는 없다.

AI 에이전트는 고객 클라우드 자격 증명을 절대 보유하지 않는다. 실행 시에는 별도의 브로커가 고객이 제어하는 신뢰 관계에 따라 수명이 짧고 테넌트 범위로 제한된 자격 증명을 얻는다. 실행은 작업을 계획한 에이전트 외부의 격리된 환경에서 이뤄진다.

이 분리는 자격 증명 노출을 제한하고 지속적 접근을 줄인다. 또한 무엇을 변경할지 결정하는 일과 이를 변경할 권한을 보유하는 일 사이에 경계를 만든다. 이 패턴은 프로덕션 시스템을 대상으로 작동하는 에이전트의 표준이 되어야 한다.

테넌트 컨텍스트는 각 SQS 메시지와 함께 전달되며, 각 호출은 하나의 테넌트만 처리한다. 서비스 간 호출은 애플리케이션별로 범위가 설정된 OAuth2 클라이언트 자격 증명을 사용한다. CloudTrail은 책임 있는 실행 역할 아래에서 추론 활동을 기록한다.

이러한 구성 요소 중 어느 것도 모델 추론을 오류 없이 만들지는 않는다. 그 목적은 실패의 영향을 제한하고 근거를 보존하는 것이다. Tamnoon의 아키텍처는 모델을 더 큰 통제 시스템 안에 있는 하나의 불확실한 구성 요소로 취급한다.

무사고 주장은 독립적인 압력 테스트가 필요하다

Tamnoon이 보고한 결과는 주목할 만하지만, 현재 공개된 근거는 시스템이 모든 고객, 노출 유형 또는 자율성 수준에서 어떻게 작동하는지를 입증하지는 못한다.

AWS는 이 접근법이 수백만 개 워크로드에서 프로덕션 이슈를 0건으로 유지했다고 말한다. Tamnoon은 수천 건의 개선 조치 전반에서 사고가 0건이었다고 별도로 보고했다. 또한 고객이 심각 및 고위험 알림을 66%에서 92%까지 줄였다고 설명한다.

이 수치는 고무적인 운영 이력을 보여준다. 그러나 완전 자율 실행의 분모, 변경 유형의 분포 또는 인간에게 에스컬레이션된 사례 수는 드러내지 않는다. 이러한 세부 사항이 결과가 얼마나 폭넓게 적용되는지를 결정한다.

시스템은 단순하고 되돌릴 수 있는 사례만 자동화함으로써 뛰어난 안전 기록을 유지할 수 있다. 특히 대규모 환경에서는 여전히 가치를 제공할 수 있다. 하지만 이는 에이전트가 복잡한 ID, 네트워크 또는 데이터 계층 변경을 안전하게 처리할 수 있음을 입증하지는 않는다.

“프로덕션 이슈 0건”이라는 표현에도 정확한 정의가 필요하다. 아슬아슬하게 피한 사고, 되돌린 변경, 지연된 장애 또는 나중에 발견된 보안 회귀를 제외할 수 있다. 공개 자료는 이러한 범주를 평가하기에 충분한 세부 정보를 제공하지 않는다.

근본 원인 클러스터링은 또 다른 측정 과제를 제시한다. 관련 알림을 통합하면 큰 효율성 향상을 낼 수 있지만, 그 결과 비율은 스캐너 동작과 집계 방식에 좌우된다. 하나의 변경으로 해결된 100개의 발견 사항은 100개의 독립적인 개선 결정과 같지 않다.

90일 노출 감소 역시 시작 조건에 달려 있다. 누적된 백로그가 큰 고객은 초기 단계에서 빠르게 개선될 수 있다. 반복되는 이슈가 적은 성숙한 프로그램은 성과가 뛰어나더라도 더 작은 비율 변화를 보일 수 있다.

Tamnoon은 영향 수치가 자체 연구에서 나온 것임을 인정한다. 따라서 구매자는 고객별 근거를 요청해야 한다. 유용한 검증에는 각 신뢰 상태에 속한 발견 사항의 비중, 승인 비율, 롤백 빈도 및 변경 후 검증 실패가 포함될 수 있다.

팀은 간접 프롬프트 인젝션도 테스트해야 한다. 발견 사항에는 공격자가 제어하는 레이블, 메타데이터, 리포지토리 콘텐츠 또는 로그가 포함될 수 있다. 보안 평가자는 악성 텍스트가 조사 에이전트를 우회시키거나 생성된 개선 조치에 영향을 줄 수 없음을 검증해야 한다.

자격 증명 통제는 별도의 평가가 필요하다. 수명이 짧은 접근 권한은 지속성을 줄이지만, 범위는 여전히 중요하다. 검토자는 실행 역할이 허용하는 조치, 테넌트 ID가 어떻게 강제되는지, 긴급 권한 철회가 작동하는지를 검사해야 한다.

모델 업데이트는 또 다른 위험을 초래한다. Tamnoon의 고정 식별자는 변경을 검토 가능하게 하며, 이는 조용한 업그레이드보다 낫다. 그럼에도 모든 업그레이드는 과거의 예외 사례, 거부 결정 및 적대적 페이로드를 대상으로 회귀 테스트가 필요하다.

인간 감독도 병목이 될 수 있다. 큐가 크다는 이유로 분석가가 권고를 자동 승인한다면, 형식적인 승인 단계는 제한적인 보호만 제공한다. 인터페이스는 의미 있는 검토를 지원할 수 있을 만큼 명확하게 근거를 제시해야 한다.

Amazon Bedrock Guardrails를 완전한 보안 경계로 취급해서는 안 된다. AWS는 프롬프트 방어가 여전히 확률적이므로 계층화된 통제를 권고한다. 따라서 Tamnoon의 읽기 전용 조사, 독립적 검토, 격리된 실행 및 롤백 요건은 함께 작동할 때 더 중요하다.

제3자 평가는 이 이야기를 강화할 수 있다. 독립적인 측정은 사고를 정의하고, 자율적 조치를 분류하며, 숙련된 엔지니어와 비교해 개선 품질을 평가할 수 있다. 또한 환경 변경 이후 종결된 발견 사항이 계속 종결 상태로 유지되는지도 평가할 수 있다.

핵심 주장은 보편적 보장이 아니라 보고된 고객 결과로서는 신뢰할 만하다. Tamnoon은 상세한 아키텍처와 측정 가능한 결과를 공개했다. 다음 과제는 자율성과 워크로드 복잡성이 증가해도 그러한 결과가 지속됨을 보여주는 것이다.

에이전트 기반 개선 조치의 확장 가능성을 보여줄 세 가지 신호

다음 시험대는 Tamnoon이 거부 품질, 독립적 근거 및 지속적인 개선을 유지하면서 자율 실행을 확장할 수 있는지다.

첫 번째 신호는 SAFE, RISKY 및 AWAITING DATA 결정의 분포다. SAFE 비율의 증가는 Tami가 더 많은 반복 가능 패턴을 인식하고 있음을 시사할 수 있다. 다만 롤백 비율과 변경 후 사고가 낮게 유지될 때에만 이 결과가 주장을 강화한다.

투명한 안전 지표 없이 에스컬레이션 비율이 낮아진다면 신뢰는 약화될 것이다. 구매자에게는 생산성과 절제 모두가 필요하다. Tamnoon은 인간이 분류를 재정의하는 빈도와 어떤 노출 유형이 자율 실행 범위 밖에 남아 있는지를 공개해야 한다.

두 번째 신호는 조치 결과에 대한 독립적 검증이다. 고객 사례 연구, 외부 평가 또는 명확히 문서화된 방법론을 통해 보고된 노출 감소 효과를 검증할 수 있다. 가장 강력한 증거는 자율적으로 수행된 수정과 사람이 승인하고 직접 실행한 변경을 구분하는 것이다.

지속성 역시 이러한 검증의 일부여야 한다. 배포 후 다시 나타나는 발견 사항은 완전히 해결된 것이 아니다. 측정은 영구적인 근본 원인 수정과 일시적 억제, 예외 처리 또는 스캐너 상태 변경을 구별해야 한다.

세 번째 신호는 CNAPP 벤더와 클라우드 제공업체의 경쟁 움직임이다. Security Hub의 조치 계획은 이미 AWS가 개별 발견 사항을 넘어 확장하고 있음을 보여준다. 탐지 벤더는 기존 플랫폼에 더 심층적인 계획 수립, 실행 및 검증 기능을 추가할 수 있다.

이들 벤더가 증거 기반 조치를 표준화한다면 Tamnoon의 시장은 성장하는 동시에 경쟁도 더욱 치열해질 것이다. 고객은 하나의 스캐너만 사용하는 경우가 드물기 때문에, 여러 도구를 아우르는 Tamnoon의 위치는 여전히 가치가 있을 수 있다. 그러나 통합 기능만으로는 차별성을 지킬 수 없다.

Tamnoon은 자사의 증거 체인이 이질적인 환경 전반에서 더 안전한 의사결정을 만든다는 점을 보여줘야 한다. 또한 고객이 조치 지식을 다시 구축하지 않고도 스캐너를 교체할 수 있음을 입증해야 한다. 지속적인 운영 학습은 모델 접근성보다 더 방어 가능한 경쟁력이 될 수 있다.

Amazon Bedrock은 Tami에 모델과 AWS 네이티브 제어 기능에 대한 거버넌스 기반 접근을 제공한다. 그러나 인프라 변경이 올바른지 여부를 판단하지는 않는다. 그 판단은 컨텍스트 수집, 결정론적 점검, 보수적 분류, 승인 및 검증을 통해 형성된다.

보안 리더에게 당면한 질문은 실무적이다. 어떤 조치 범주가 보호된 자동화에 충분할 만큼 반복 가능하고, 되돌릴 수 있으며, 관찰 가능한가? 이러한 사례가 가장 좋은 출발점이다. 또한 권한을 확대하기 전에 필요한 증거를 만들어낸다.

Tamnoon Amazon Bedrock 조치를 평가하는 팀은 의사결정 기록, 거부 사례, 자격 증명 범위 및 롤백 데이터를 요청해야 한다. 일반화된 데모가 아니라 자체 발견 사항을 기준으로 시스템을 시험해야 한다. 무엇보다 자동화 실행 이후에도 종료 상태가 유지되는 노출을 측정해야 한다.

에이전틱 클라우드 보안은 AI가 수정 방안을 얼마나 설득력 있게 설명하는지로 평가받지 않을 것이다. 노출이 실제로 사라지는지, 프로덕션이 안정적으로 유지되는지, 그리고 모든 결정이 감사 가능한지로 평가받을 것이다. Tamnoon은 그 시험을 위한 진지한 아키텍처를 제시했다. 다음 결과에서는 자율성이 커져도 안전성이 계속 확장된다는 점을 보여줘야 한다.