Zscaler Agentic SOC, 보안 운영 센터에 자율적 격리 기능 도입

Zscaler는 9월 9일 Zscaler Agentic SOC를 출시하며, AI 에이전트의 역할을 자문 업무에서 기업 네트워크 전반의 직접적인 위협 격리로 확장했다. 갈등은 즉각적이다. 공격이 빨라질수록 방어도 빨라져야 하지만, 자동화의 실수는 정상 사용자를 차단하거나 핵심 애플리케이션을 중단시킬 수 있다.

이 제품은 전문화된 에이전트, Zscaler 텔레메트리, 타사 경보, 비즈니스 맥락, 인라인 Zero Trust Exchange 제어 기능을 결합한다. 이들 에이전트는 신호를 분류하고, 공격 경로를 재구성하며, 판정을 내리고, 대응 워크플로를 시작할 수 있다. 고객은 인간의 승인을 유지하거나 신뢰도가 높아짐에 따라 자동화 수준을 확대할 수 있다.

이는 보안 운영의 미래를 둘러싼 더 큰 경쟁 구도 속에 Zscaler를 위치시킨다. Microsoft, Databricks, Dropzone AI 등 다른 공급업체도 에이전트 주도 조사 및 대응 시스템을 개발하고 있다. Zscaler의 승부수는 네트워크 트래픽 내부에 자리한 위치가 자사 에이전트에 더 나은 증거와 탐지에서 집행까지 더 짧은 경로를 제공한다는 데 있다.

이는 단순한 또 하나의 보안 챗봇이 아니다. 중요한 기능은 분석이 트래픽 차단, ID 격리, 접근 제한으로 곧바로 이어질 수 있는 폐쇄 루프 복구다. 그 가치는 고객이 해당 조치의 근거, 제어 기능, 복구 프로세스를 신뢰하는지에 달려 있다.

Zscaler Agentic SOC, 탐지와 격리를 연결하다

이번 출시는 자동화가 멈추는 지점을 바꾼다. Zscaler는 AI 에이전트가 분산된 신호에서 격리 결정에 이르기까지 사고 대응을 수행하도록 하려 한다.

Zscaler는 신제품을 기존 대시보드에 추가된 보조 도구가 아니라 AI 우선 보안 운영 시스템으로 설명한다. 이 제품은 2026년 9월 9일 캘리포니아주 산호세에서 회사가 발표하면서 전 세계에 출시됐다.

보안 운영 센터, 즉 SOC는 디지털 위협을 모니터링하고 조사하며 대응하는 팀과 기술을 뜻한다. 대다수 SOC 워크플로는 여전히 이러한 책임을 여러 제품과 다수의 분석가에게 나눠 맡긴다.

Zscaler Agentic SOC는 이 과정을 하나로 압축하려 한다. 전문 에이전트는 분류, 근본 원인 조사, 판정 할당, 대응 오케스트레이션을 수행한다. 각 에이전트는 제한된 역할을 맡은 뒤 결과를 공유된 사고 서사에 전달한다.

이 시스템은 Zscaler의 네트워크, ID, 엔드포인트, 클라우드, 데이터 보호 및 기만 신호를 활용한다. 외부 제품의 경보와 맥락도 수집할 수 있다. Zscaler는 자사의 컨텍스트 그래프가 이러한 신호를 자산 중요도, 사용자 ID, 디바이스 상태, 알려진 노출과 같은 세부 정보와 연결한다고 말한다.

이러한 맥락이 중요한 이유는 경보만으로는 비즈니스상 의미를 설명하기 어려운 경우가 많기 때문이다. 사용되지 않는 테스트 디바이스에서 나온 의심스러운 연결과 재무 담당 임원의 관리형 노트북에서 발생한 동일한 연결은 서로 다른 위험을 제시한다.

Zscaler는 자사 에이전트가 활동을 MITRE ATT&CK 프레임워크에 매핑하고, 공격 경로를 요약하며, 뒷받침하는 증거와 상충하는 증거를 표시할 수 있다고 말한다. 마지막 기능은 근본적인 신뢰 문제를 다룬다. 분석가는 파괴적인 대응을 승인하기 전에 자동화된 판정에 도달한 이유를 확인해야 한다.

회사의 출시 세부 정보에 따르면, 이 서비스는 독자적 위협 인텔리전스와 함께 Anthropic 및 OpenAI의 모델을 사용한다. Zscaler는 이 제품을 하나의 기반 모델로 공개적으로 한정하지 않았으며, 이는 서로 다른 모델에 작업을 라우팅할 여지를 제공한다.

가장 중요한 단계는 조사 이후에 이뤄진다. Zscaler는 플랫폼이 네이티브 인라인 제어 기능을 사용해 침해된 사용자을 격리하고, 명령·제어 트래픽을 차단하며, 수평 이동을 제한할 수 있다고 말한다. 타사 통합 기능은 이러한 대응 옵션을 Zscaler 자체 플랫폼 밖으로 확장할 수 있다.

고객이 무인 격리부터 시작할 필요는 없다. 대응 제어 기능은 수동 실행, 인간이 승인한 플레이북, 자동화된 조치를 지원한다. 이 단계적 모델은 팀이 에이전트에 더 광범위한 권한을 부여하기 전에 권고안부터 시작할 수 있게 한다.

이 차이는 단지 경보를 요약하는 생성형 AI 기능과 이번 출시를 구분한다. Zscaler Agentic SOC는 실시간으로 접근 권한을 바꿀 수 있는 메커니즘 옆에 자동화된 추론을 배치한다.

AI 주도 공격이 방어자의 대응 시간을 압축하고 있다

Zscaler가 대응 속도를 판매하는 이유는 공격자가 과거에는 분석가에게 더 많은 시간을 제공했던 정찰 및 실행 단계를 점점 더 자동화하고 있기 때문이다.

회사는 기존 SOC 프로세스로는 적대적 활동을 충분히 빠르게 상관 분석하고, 분석하며, 복구할 수 없다고 주장한다. ThreatLabz 연구진은 공격자가 익숙한 제어 기능을 회피하기 위해 신뢰받는 웹사이트, 합법적인 원격 관리 도구, 브라우저 기반 기법을 사용하는 사례를 관찰했다.

이러한 방식은 개별 행동 하나하나가 승인된 행위처럼 보일 수 있어 어렵다. 원격 관리 유틸리티에는 합법적인 비즈니스 용도가 있다. 신뢰받는 도메인이 자동으로 안전한 콘텐츠를 의미하지는 않는다. 브라우저 프롬프트는 식별 가능한 악성코드를 내려받지 않고도 사용자가 명령을 실행하도록 설득할 수 있다.

AI는 공격자가 더 많은 변형을 시험하고, 유인책을 다시 작성하며, 공개 정보를 수집하고, 다단계 활동을 조율하도록 도울 수 있다. AI가 모든 침입을 새롭게 만드는 것은 아니다. 익숙한 기법이 적용되는 속도와 규모를 높인다.

이는 분절된 도구 전반에서 작업하는 분석가에게 압박을 만든다. 한 콘솔에는 ID 이벤트가 있고, 다른 콘솔에는 엔드포인트 경보가 저장될 수 있다. 네트워크 트래픽, 클라우드 활동, 취약점 발견 사항, 비즈니스 소유권 기록은 또 다른 곳에 있을 수 있다.

모든 인계 과정은 시간을 소모한다. 분석가는 관련 이벤트를 찾아야 하고, 그것들이 하나의 사고를 설명하는지 판단해야 하며, 영향을 받은 자산을 식별하고, 비례적인 대응을 선택해야 한다. 자동화는 증거를 숨기지 않으면서 이러한 기계적인 지연을 제거할 때 가치가 생긴다.

Zscaler는 자사의 Zero Trust Exchange가 매일 7,500억 건이 넘는 트랜잭션을 처리한다고 말한다. 회사는 자사 서비스가 이미 다수 고객 연결의 경로에 놓여 있다는 점에서 이 규모를 데이터 우위로 제시한다.

이 주장은 신중하게 해석할 필요가 있다. 대규모 텔레메트리 볼륨이 자동으로 정확한 사고 판정을 만들어내지는 않는다. 데이터 품질, 고객 적용 범위, 상관 분석 로직, 모델 동작, 환경별 맥락은 여전히 결정적이다.

다만 인라인 가시성은 관측과 조치 사이의 경로를 단축할 수 있다. 오버레이 도구는 의심스러운 활동을 식별할 수 있지만, 이를 차단하려면 여전히 다른 플랫폼에 의존해야 할 수 있다. Zscaler는 발견 사항을 이미 접근 정책을 집행하는 제어 기능과 연결할 수 있다.

이러한 압박은 Zscaler 고객에만 국한되지 않는다. Microsoft는 에이전틱 SOC 모델을 설명하며, 여기서는 자율 방어가 분석가가 대기열을 열기 전에 계정을 잠그고, 디바이스를 격리하며, 증거를 수집한다.

Databricks는 Lakewatch를 통해 다른 경로를 택했다. 이 제품은 레이크하우스에 저장된 보안 데이터에 에이전틱 분석을 적용한다. 이 접근 방식은 오픈 포맷, 폭넓은 데이터 보존, 기반 비즈니스 데이터 인근에서의 분석을 강조한다.

Dropzone AI는 확인된 위협을 에스컬레이션하기 전에 기존 보안 스택 전반의 경보를 조사하는 데 초점을 맞춘다. 이러한 오버레이 모델은 기존 도구를 교체하지 않고 자동화를 원하는 구매자에게 매력적일 수 있다.

이 제품들은 다르지만, 상업적 주장은 비슷하다. 인간의 주의력은 제약된 자원이 됐다. 따라서 공급업체는 소프트웨어가 일상적 사례를 종결하고, 심각한 사고의 우선순위를 정하며, 복잡한 조사를 전문가 검토를 위해 준비하기를 원한다.

보안 리더에게 요구되는 대응은 수사적인 것이 아니라 운영상의 문제다. 이들은 에이전트가 어떤 결정을 내릴 수 있는지, 어떤 증거를 제시해야 하는지, 어떤 조치에 여전히 명시적 승인이 필요한지를 정해야 한다.

진정한 경쟁은 네이티브 텔레메트리와 중립적 통합 사이에 있다

Zscaler의 핵심 강점은 동시에 가장 중요한 트레이드오프이기도 하다. 네이티브 데이터는 대응 맥락을 개선할 수 있지만, 플랫폼 의존성은 시스템의 가시 범위를 좁힐 수 있다.

Zscaler는 다수의 경쟁 에이전틱 SOC 제품을 분절된 경보 위에 놓인 오버레이로 규정한다. 회사의 관점에서 이들 도구는 이미 인간 분석가를 부담시키는 취약한 맥락과 지연된 신호를 그대로 물려받는다.

Zscaler의 대안은 Zero Trust Exchange 내부에서 생성된 텔레메트리로 시작한다. 이 플랫폼은 연결을 사용자의 ID, 디바이스 상태, 애플리케이션, 데이터 정책, 접근 조건과 결합할 수 있다. 이후 에이전트는 이러한 결합된 맥락을 바탕으로 사고를 평가한다.

이 제품은 모든 원시 로그를 별도의 보안 정보 및 이벤트 관리 시스템으로 전송하지 않고도 Zscaler 트래픽을 조사할 수 있다. SIEM은 분석, 조사, 규정 준수, 보존을 위해 보안 기록을 수집하는 플랫폼이다.

Zscaler는 모든 고객이 SIEM을 제거해야 한다고 말하지는 않는다. 장기 저장 및 폭넓은 집계는 SIEM에 남기면서, 정제된 사고 정보를 SIEM으로 전송할 수 있는 운영 계층으로 Agentic SOC를 제시한다.

이 아키텍처는 대용량 네트워크 로그의 중복 이동을 줄일 수 있다. 또한 대응 에이전트가 트래픽을 관측한 동일한 플랫폼을 통해 조치하도록 할 수 있다. 두 결과 모두 고객의 관련 환경 중 Zscaler가 실제로 얼마나 포괄하는지에 달려 있다.

네이티브 플랫폼은 자사 신호를 이례적으로 깊이 있게 파악한다. 그러나 이메일, 소스 코드, 서비스형 소프트웨어 애플리케이션, 운영 기술, 다른 공급업체의 보안 제품 전반의 활동을 재구성하려면 여전히 외부 데이터가 필요할 수 있다.

따라서 타사 통합은 부차적인 기능이 아니다. 이는 컨텍스트 그래프가 완전한 공격 경로를 나타내는지, 혹은 그중 상세한 조각 하나에 그치는지를 결정한다.

Databricks는 반대 경로를 제시한다. Lakewatch 설계는 레이크하우스에 이미 저장된 보안 및 비즈니스 데이터 전반의 오픈 포맷과 분석을 강조한다. 이는 인라인 집행 플랫폼에서 출발하지 않고도 폭넓은 과거 맥락을 제공할 수 있다.

Microsoft에는 또 다른 구조적 이점이 있다. Defender, Entra, Sentinel, Microsoft 365, Azure는 엔드포인트, ID, 이메일, 클라우드, 협업 신호를 제공할 수 있다. 회사의 에이전틱 전략은 대규모로 구축된 기업 환경 전반에서 형성된다.

Dropzone AI와 같은 전문 업체는 중립성을 제공한다. 이들의 시스템은 기존 SIEM, 엔드포인트 탐지, 사례 관리, 오케스트레이션 제품 전반에 걸쳐 배치될 수 있다. 이러한 유연성은 하나의 플랫폼에 대한 의존도를 낮출 수 있지만, 에이전트는 다수 출처의 데이터를 정규화해야 한다.

Zscaler의 답은 네이티브 집행과 결합한 개방형 통합 모델이다. 외부 증거가 자사 조사에 들어오게 하면서도, 격리는 자체 인라인 제어 기능에 가깝게 유지하려 한다.

결과는 제품 페이지의 통합 수로 결정되지 않을 것이다. 구매자는 이러한 연결이 충분한 맥락을 전달하는지, 양방향으로 작동하는지, 자동화된 조치 이후에도 증거를 보존하는지를 시험해야 한다.

얕은 통합은 주변 이벤트 없이 경보 제목만 가져올 수 있다. 더 강력한 통합은 원시 증거를 검색하고, 사례를 업데이트하며, 통제된 대응을 시작하고, 그 결과를 기록할 수 있다.

이것이 Zscaler Agentic SOC의 핵심 경쟁 질문이다. 네이티브 텔레메트리는 속도와 일관성을 제공한다. 중립적 플랫폼은 더 넓은 선택권을 제공한다. 기업 구매자는 자사 환경에서 어느 약점이 더 큰 위험을 초래하는지 결정해야 한다.

자율 대응은 새로운 실패 지점을 만든다

공격자를 막을 수 있는 에이전트는 정상적인 업무도 중단시킬 수 있으므로, 사고 요약의 유창함보다 격리 정확도가 더 중요하다.

잘못된 요약은 분석가의 시간을 낭비한다. 잘못된 자동 대응은 계정을 비활성화하거나, 신뢰할 수 있는 서비스를 차단하거나, 프로덕션을 중단하거나, 긴급한 비즈니스 프로세스 중 핵심 기기를 격리할 수 있다.

이 위험이 자율형 격리를 사용할 수 없게 만드는 것은 아니다. 다만 입증 기준을 바꾼다. 보안 팀은 에이전트를 단순한 생산성 기능이 아니라 운영 통제로 평가해야 한다.

첫 번째 요건은 추적 가능한 증거다. Zscaler는 자사 에이전트가 각 판단에 대해 이를 뒷받침하는 신호와 반대되는 신호를 모두 제시한다고 말한다. 고객은 이러한 설명이 재현 가능한 증거 없이 설득력 있는 서사를 제공하는 것이 아니라, 실제 기반 이벤트를 참조하는지 확인해야 한다.

두 번째 요건은 제한된 권한이다. 악성 파일을 차단할 수 있는 에이전트는 임원을 격리하거나, 자격 증명을 취소하거나, 광범위한 네트워크 정책을 수정할 수 있는 에이전트와는 다른 운영 리스크를 수반한다.

권한은 사고 심각도, 신뢰도, 자산 중요도, 복구 비용에 맞춰야 한다. 위험이 낮은 조치는 자동으로 실행할 수 있다. 영향이 큰 조치는 조직이 신뢰할 수 있는 성능을 확립할 때까지 승인을 요구해야 한다.

세 번째 요건은 되돌릴 수 있어야 한다는 점이다. 모든 자동화 플레이북에는 검증된 롤백 경로가 필요하다. 판단이 바뀔 때 분석가는 액세스를 복원하고, 차단을 해제하며, 원래 상태를 복구하는 방법을 알아야 한다.

네 번째 요건은 감사 가능성이다. 보안 및 컴플라이언스 팀은 에이전트가 무엇을 관찰했는지, 어떤 모델 또는 정책이 결정에 영향을 미쳤는지, 어떤 조치가 발생했는지, 누가 이를 승인했는지를 보여주는 기록이 필요하다.

다섯 번째 요건은 조작에 대한 저항력이다. 공격자는 데이터를 오염시키거나, 오해를 부르는 상관관계를 만들거나, 에이전트가 처리하는 지시를 악용하려 할 수 있다. 더 많은 도구 접근 권한은 침해된 에이전트가 피해를 유발할 수 있는 경로를 늘린다.

NIST의 에이전트 보안 분석은 기존 사이버보안 원칙이 여전히 유효하지만 AI 에이전트에 맞게 조정돼야 한다는 폭넓은 합의를 확인했다. 소프트웨어가 제한된 감독 아래 계획을 세우고 행동할 수 있게 되면, 신원 관리, 권한 부여, 모니터링, 거버넌스는 더 어려워진다.

사람의 승인만으로는 모든 문제를 해결할 수 없다. 경보량이 많거나 설명이 권위 있어 보일 때 분석가는 권고를 너무 빠르게 승인할 수 있다. 따라서 감독에는 명확한 에스컬레이션 규칙, 샘플링, 성능 검토, 독립적인 검증이 포함돼야 한다.

기반 텔레메트리의 품질도 또 다른 불확실성을 제시한다. 가시성 격차에 대한 업계 비평은 엔드포인트, 신원, 클라우드, 네트워크 증거가 분절된 상태로 남아 있을 경우 에이전트가 오작동할 수 있다고 주장한다.

Zscaler의 컨텍스트 그래프는 이 비판을 직접 겨냥하지만, 회사는 모든 고객 환경에 적용되는 보편적 정확도 벤치마크를 공개적으로 제공하지 않았다. 배포 환경에서 독립적으로 비교 가능한 증거가 나오기 전까지, 성능과 이점은 공급업체의 주장으로 남는다.

오탐은 문제의 한쪽 면일 뿐이다. 에이전트는 거짓 음성을 내거나, 의심스러운 사례를 종료하거나, 개별적으로는 무해한 행동으로 보이는 새로운 연쇄를 놓칠 수도 있다.

고객은 개별 경보 분류가 아니라 완전한 사고를 평가해야 한다. 유용한 테스트에는 침해된 신원, 원격 관리 악용, 브라우저 기반 공격, 측면 이동, Zscaler와 타사 시스템에 걸친 활동이 포함된다.

팀은 지원 모드와 자동화 모드도 비교해야 한다. 분석가가 일상적으로 거부하는 권고는 신뢰도 점수가 임의의 임계값을 넘었다는 이유만으로 무인 조치가 되어서는 안 된다.

에이전트 기반 격리는 단계적으로 도입해야 한다. 관찰 및 요약으로 시작해 권고로 발전하고, 범위가 좁고 되돌릴 수 있는 조치를 자동화한 뒤, 측정된 증거가 변화를 뒷받침할 때만 권한을 확대해야 한다.

Zscaler의 AI 파트너십보다 중요한 것은 제어 평면이다

모델은 추론을 개선할 수 있지만, Zscaler의 지속 가능한 차별화는 이를 둘러싼 데이터, 권한, 집행 시스템에서 나온다.

Zscaler는 Agentic SOC의 모델 파트너로 Anthropic과 OpenAI를 지목했다. 이를 통해 플랫폼은 모든 작업을 단일 공급업체에 묶지 않고 최첨단 모델을 활용할 수 있다.

멀티모델 전략은 각 작업을 가장 적합한 모델로 라우팅할 수 있다. 한 모델은 복잡한 사고를 요약하고, 다른 모델은 증거를 평가하거나 대응 계획을 생성할 수 있다.

하지만 파운데이션 모델은 점점 더 많은 사이버보안 공급업체가 이용할 수 있게 되고 있다. 이에 대한 접근 자체가 지속적인 우위를 만들지는 않는다. 경쟁사는 유사한 기능을 라이선스하거나 성능 변화에 따라 모델을 교체할 수 있다.

더 어려운 작업은 모델 주변에 있다. 보안 에이전트에는 정규화된 증거, 제약된 도구, 조직별 정책, 신원 통제, 지속적인 로그, 대응 메커니즘이 필요하다. 또한 실제 사고 패턴을 기준으로 행동을 검증하는 평가 시스템도 필요하다.

Zscaler는 자사 에이전트가 10년 이상 축적된 SOC, 관리형 탐지, 대응, 위협 헌팅 경험을 활용한다고 말한다. 또한 수천 개 고객 환경의 인텔리전스가 시스템에 반영된다고 설명한다.

이러한 발언은 독립적으로 검증된 정확도가 아니라 학습 및 튜닝 입력을 설명한다. 구매자는 여전히 자신과 유사한 환경에서 나온 결과를 확인해야 한다.

이 아키텍처는 Zscaler에 여러 실질적인 수단을 제공한다. 의심스러운 연결에 정책 및 보안 상태 컨텍스트를 추가할 수 있다. 비즈니스 영향을 기준으로 대응을 권고할 수 있다. 이후 다른 공급업체의 시스템을 기다리지 않고 인라인 제어를 통해 실행할 수 있다.

이 폐쇄 루프는 거버넌스가 모든 단계에 연결돼 있을 때만 가치가 있다. 주변 플랫폼이 폭넓은 가시성을 갖추고 있다는 이유만으로 모델에 무제한 접근 권한을 부여해서는 안 된다.

보안 팀에는 역할 기반 액세스, 범위가 제한된 자격 증명, 조치 한도, 승인 정책, 고객 간 격리가 필요하다. 또한 사고 데이터가 보존되는지, 추론이 어디에서 수행되는지, 모델 공급업체가 제출된 콘텐츠를 어떻게 처리하는지도 알아야 한다.

모델 업데이트는 또 다른 운영상 문제를 만든다. 주변 워크플로가 동일하게 유지되더라도 최신 모델은 다르게 행동할 수 있다. 공급업체는 격리 결정에 영향을 미치는 모델을 변경하기 전에 회귀 테스트를 수행해야 한다.

고객은 Zscaler가 각 조치에 사용된 모델 버전, 에이전트 구성, 정책 상태, 증거를 기록하는지 물어봐야 한다. 이런 세부 정보가 없으면 잘못된 대응을 조사하기가 훨씬 어려워진다.

설명 가능성 역시 서술만으로 충분하지 않다. 효과적인 사고 뷰는 분석가가 타임스탬프, 신원, 네트워크 세션, 영향을 받은 자산, 상충하는 신호, 에이전트 결정의 순서를 조사할 수 있게 해야 한다.

바로 이 지점에서 Zscaler Agentic SOC의 제안이 구체화된다. 헤드라인은 AI 에이전트를 언급하지만, 제품의 성공 여부는 신뢰할 수 있는 제어 엔지니어링에 달려 있다.

최첨단 모델은 에이전트가 모호성을 해석하도록 도울 수 있다. 그러나 누락된 증거, 과도한 권한, 약한 통합, 검증되지 않은 복구 계획을 보완할 수는 없다.

Zscaler Agentic SOC의 성과를 보여줄 세 가지 신호

다음 시험대는 또 하나의 기능 발표가 아니라, 고객이 비즈니스 중단을 늘리지 않고 의미 있는 격리를 자동화할 수 있는지다.

첫 번째 신호는 측정 가능한 프로덕션 성능이다. 구매자는 조사 시간, 격리 시간, 분석가 업무량, 오탐 조치, 번복된 결정의 문서화된 변화를 살펴봐야 한다.

더 빠른 분석에 대한 고객 인용문은 유용한 맥락을 제공하지만, 일반적인 신뢰성을 입증하지는 않는다. 강력한 증거는 정의된 사고 범주 전반에서 자동화 워크플로와 사람이 주도한 워크플로를 비교할 것이다.

가장 가치 있는 보고서는 트리아지와 격리를 구분할 것이다. 많은 도구가 경보를 요약하거나 우선순위를 정할 수 있다. 실제 신원, 기기, 대상, 애플리케이션을 상대로 안전하게 대응을 실행할 수 있는 도구는 훨씬 적다.

배포 결과가 불필요한 조치를 거의 늘리지 않으면서 더 빠른 격리를 보여준다면, Zscaler의 네이티브 텔레메트리 주장은 뒷받침을 얻게 된다. 빈번한 번복이나 승인 병목은 폐쇄 루프 자동화의 근거를 약화시킬 것이다.

두 번째 신호는 타사 통합의 깊이다. Zscaler는 증거가 자사 플랫폼을 넘어설 때에도 Agentic SOC가 일관된 사고를 구성할 수 있음을 입증해야 한다.

구매자는 어떤 SIEM, 엔드포인트, 신원, 클라우드, 티켓팅, 오케스트레이션 통합이 양방향 워크플로를 지원하는지 지켜봐야 한다. 또한 각 커넥터가 어떤 컨텍스트를 전송하는지도 검토해야 한다.

광범위한 통합은 네이티브 텔레메트리와 개방형 도구가 공존할 수 있다는 Zscaler의 주장을 강화할 것이다. 컨텍스트가 제한적이라면, 그 뷰가 상세하더라도 고객은 또 다른 부분적 관점을 갖게 된다.

세 번째 신호는 경쟁사가 추론과 집행을 어떻게 연결하는지다. Microsoft는 Defender, Entra, Sentinel, Azure, Microsoft 365 전반에서 자율형 워크플로를 구축할 수 있다. Databricks는 개방형 데이터와 장기 컨텍스트를 강조할 수 있다. 전문 공급업체는 집행 플랫폼으로부터의 독립성을 내세울 수 있다.

더 광범위한 증거를 바탕으로 동등한 수준의 격리를 제공하는 경쟁 대응은 Zscaler의 차별화를 약화시킬 것이다. 반대로 경쟁 스택 전반에서 통합이 미흡하거나 지연된다면, Zscaler의 인라인 포지션은 더 매력적으로 보일 것이다.

보안 리더는 보편적인 승자를 기다릴 필요가 없다. 좁은 사고 범주를 정의하고, 사람의 검토를 거친 기준선을 설정하며, 후보 시스템 전반에서 동일한 워크플로를 테스트할 수 있다.

평가에서는 증거 품질, 결정 일관성, 격리 속도, 통합 깊이, 분석가 개입, 롤백 성공률을 측정해야 한다. 또한 에이전트를 오도하도록 설계된 적대적 테스트도 포함해야 한다.

팀에는 이러한 시험에 대한 신뢰할 수 있는 기록이 필요하다. 검색 가능한 기술 지식 베이스는 보안 및 엔지니어링 그룹 전반에서 플레이북, 거부된 판단, 통합 한계, 사고 후 조사 결과를 보존할 수 있다.

Zscaler Agentic SOC 출시는 자율형 방어를 먼 미래의 개념이 아닌 현재의 조달 결정으로 만들었다. 가장 강력한 제안은 컨텍스트와 인라인 조치의 결합이다.

가장 어려운 질문도 마찬가지로 직접적이다. 조직은 불확실한 하나의 판단이 자동화된 장애로 이어지지 않게 하면서, 공격자를 앞지를 수 있을 만큼 충분한 권한을 에이전트에 부여할 수 있을까?

되돌릴 수 있는 하나의 워크플로부터 시작하고, 증거 임계값을 정의하며, 모든 개입을 측정하라. 에이전트 기반 보안 운영의 미래는 AI가 사고를 얼마나 자신 있게 서술하는지가 아니라, 그러한 기록에 의해 결정될 것이다.