The New Apex Predator: 에이전트로 무장한 공격자에 맞서 기업이 먼저 점검할 것

AI 에이전트를 쥔 공격자는 국가가 아니어도 국가 수준으로 빠르게 움직이고, 공격은 파일이 아니라 프롬프트로 이뤄져 서명 탐지가 통하지 않습니다. 방어도 AI로 해야 합니다. 우리 조직이 지금 할 일은 사내 에이전트를 모두 찾아 신원과 권한을 적고, 업무 가치별로 모델 등급을 나누고, 탐지에서 격리까지 걸리는 시간을 재는 것입니다.

요약

벤처 투자자 Sarah Guo와 Elad Gil이 진행하는 No Priors에 2026년 10월 22일 CrowdStrike 창업자이자 CEO인 George Kurtz가 나왔습니다. 대담은 공격자가 어떻게 달라졌나에서 시작합니다. Kurtz는 공격자를 핵티비스트, e-crime(금전 목적 범죄 집단), 국가 행위자의 세 층으로 보는 전통적인 피라미드가 AI 에이전트 때문에 평평해졌다고 말합니다. 가드레일(모델이 위험한 요청을 거절하게 하는 안전장치)이 없는 오픈 웨이트 모델(가중치가 공개돼 누구나 내려받아 돌릴 수 있는 모델)과 에이전트를 쓰면 누구나 국가 수준의 공격 능력을 갖게 되고, 그래서 새 최상위 포식자는 국가가 아니라 agent state(에이전트가 주도하는 공격 주체)라는 것이 그의 표현입니다. 이 노트는 원 음성 대신 공식 에피소드 설명과 공개 요약 자료 세 종에서 서로 일치하는 내용만 썼고, 수치는 모두 Kurtz 본인의 발언입니다.

대담은 공격자가 어떻게 달라졌는지에서 시작해, 방어 쪽이 무엇을 바꿔야 하는지로 이어집니다.

결과는 속도입니다. breakout time(첫 침투 뒤 다른 시스템으로 옮겨 가기까지 걸리는 시간)이 며칠에서 몇 시간으로, 지금은 평균 29분으로 줄었고, 가장 빠른 사례는 27초였다고 그는 말합니다. 에이전트가 침투한 기계 위에서 빠르게 반복 시도를 하기 때문입니다. 공격의 단위도 바뀌었습니다. 같은 악성코드 파일이 반복되는 대신, 목표만 받은 에이전트가 환경을 보고 경로를 매번 새로 만들기 때문에 서명 기반 탐지가 통하지 않습니다. 방어 쪽의 답은 둘입니다. CrowdStrike는 NVIDIA와 함께 전용 보안 모델 SafeMind를 만들었고, 사내 AI 에이전트를 찾아 추적하는 AIDR(AI Detection and Response)로 제품을 넓히고 있습니다. 기업 쪽에서는 한 은행 CIO가 가치 높은 소수의 업무에만 최상위 모델을 쓰고 나머지는 오픈 모델로 돌리기로 했습니다. 아래에서는 이 여섯 원리를 풀고 사례를 정리한 뒤, 우리 조직의 에이전트 인벤토리와 6주 점검 일정을 덧붙였습니다.

Kurtz가 말한 breakout time의 변화. 며칠에서 분 단위로, 가장 빠른 사례는 초 단위입니다.

핵심 메커니즘

Agent State: 공격자 피라미드가 평평해진다

전통적인 위협 모델은 공격자를 능력에 따라 층으로 나눕니다. 아래층의 핵티비스트는 능력이 낮고, 중간층의 e-crime은 돈을 노리며, 꼭대기의 국가 행위자만 정교한 침투 능력을 가졌습니다. Kurtz는 이 층이 무너졌다고 말합니다. 몇 년 전 국가만 하던 일을 지금은 핵티비스트가 할 수 있고, 그 도구가 가드레일 없는 오픈 웨이트 모델과 에이전트입니다. 그는 집에 둔 NVIDIA DGX Spark 두 대만으로 공격 도구를 만들고 반복 개선할 수 있다고 말합니다.

에이전트의 다른 특징은 끈질김입니다. 목표가 주어지면 한 경로가 막혀도 다른 경로를 계속 찾고, 시간이 충분하면 대개 성공합니다. 우리 조직의 위협 평가에서 “우리는 국가 표적이 아니다”라는 전제를 빼야 한다는 뜻입니다.

세 층이던 공격자 피라미드가 평평해져, 상위 능력이 아래층까지 내려왔다는 것이 Kurtz의 설명입니다.

Prompts, not Malware: 서명 탐지가 무너지는 이유

악성코드 시대의 방어는 반복에 기댔습니다. 같은 파일, 같은 코드 조각이 여러 피해 기업에서 반복되니 서명(signature, 알려진 악성코드의 지문)을 만들어 두면 다음에도 잡혔습니다. Kurtz는 지금 공격의 핵심이 파일이 아니라 프롬프트라고 말합니다. 공격자는 에이전트에 목표와 조건을 프롬프트로 주고, 에이전트는 들어간 환경을 보고 정보 수집 방법과 침투 경로와 다음 목표를 스스로 정합니다. 그의 말을 빌리면 “It’s not malware anymore, it’s prompts.”

그 결과 같은 공격자가 두 번 공격해도 같은 서명이 나오지 않습니다. 탐지의 단위가 파일에서 행동과 신원으로 옮겨 가야 하는 이유입니다. 지금은 빠른 반복 속도가 AI 공격을 알아보는 단서지만, 그는 공격자가 곧 느리고 조용한 방식으로 속도 흔적을 지울 것으로 봅니다.

서명이 반복되지 않으니 탐지의 단위가 파일에서 행동과 신원으로 옮겨 갑니다.

Guardrail Asymmetry: 공격은 가드레일 없이, 방어는 가드레일에 막힌다

Kurtz가 보는 가장 큰 구조적 문제는 비대칭입니다. 공격 쪽은 GLM, Qwen 같은 오픈 웨이트 모델에서 안전장치를 벗긴 모델이나 처음부터 공격용으로 만든 모델을 씁니다. 방어 쪽은 프런티어 모델(최상위 상용 모델)을 쓰려 하지만, 가드레일이 너무 강해 보안 관련 작업을 거절하거나 낮은 품질로 처리합니다. 그는 보안을 다루는 발표 자료 하나 만들기도 어렵다고 비유합니다.

이 비대칭은 침해 사고 대응에서 바로 드러납니다. 조사팀이 로그 분석을 프런티어 모델에 맡기다 거절당하면 오픈 모델로 돌아가야 하고, 그동안 공격 에이전트는 제약 없이 움직입니다. 그래서 그는 방어 AI가 공격 AI와 같거나 더 나아야 하고, 약간의 우위만 있어도 승률에서 수학적 이점이 생긴다고 말합니다.

공격은 가드레일 없는 오픈 모델을 쓰고, 방어는 가드레일 때문에 막히는 비대칭이 생깁니다. 주황 칸이 비대칭의 원인입니다.

SafeMind: 디지털 트윈 위에서 공격 모델과 방어 모델을 맞붙인다

CrowdStrike의 답은 자체 보안 모델입니다. 공격 쪽 Red Tempest와 방어 쪽 Blue Solano를 묶은 SafeMind입니다. 방어 모델은 NVIDIA의 오픈 모델 Nemotron을 바탕으로 CrowdStrike의 데이터를 후훈련(post-training, 기본 모델에 특정 분야 데이터를 추가로 학습시키는 단계)했고, NVIDIA와 약 6개월 함께 만들었습니다. 작동의 핵심은 디지털 트윈입니다. 고객 환경을 가상으로 재현한 뒤, Red Tempest가 침투를 시도하고 Blue Solano가 관찰해 막는 과정을 Red가 수를 다 쓸 때까지 반복합니다. 이 하네스(harness, 모델에 도구·실행 환경·절차를 붙여 돌리는 틀)는 프런티어 모델과 오픈 모델 양쪽의 결과를 함께 끌어올린다고 그는 말합니다.

프런티어 연구소에 맡기지 않는 이유는 비용과 데이터와 주권입니다. 일반적인 보안 조치 한 건에 최상위 프런티어 보안 모델은 약 10달러, CrowdStrike 모델은 약 3센트가 든다고 그는 어림합니다. 데이터는 15년간 쌓인 텔레메트리, MDR(Managed Detection and Response, 위탁 탐지·대응 서비스) 기록, 위협과 취약점의 짝, 전체 공격 체인이며, 엔드포인트 센서가 하루 약 7조 건의 이벤트를 만듭니다. 고객은 보안 데이터가 연구소로 나가는 것을 원하지 않으므로, SafeMind는 자사 모델, 프런티어 모델, 둘 사이의 라우팅 가운데 고객이 고르게 합니다.

SafeMind는 고객 환경을 가상으로 재현해 공격 모델과 방어 모델을 반복해서 맞붙입니다.

Kurtz가 밝힌 조치 1건당 비용. 배수는 두 수치로 AX Review가 계산했습니다.

AIDR: 에이전트를 사람 사용자처럼 찾고, 추적하고, 통제한다

CrowdStrike는 모듈 하나로 시작해 지금 엔드포인트·클라우드·신원·IT에 걸쳐 33개 모듈을 갖췄고, 다음 축이 AIDR입니다. EDR(Endpoint Detection and Response, 단말 탐지·대응)의 후속으로, 대상이 단말에서 AI 에이전트로 바뀝니다. Kurtz는 에이전트를 신원과 컴퓨팅과 데이터와 네트워크 접근을 가진 초인적 행위자로 정의합니다. 그렇다면 사람 사용자에게 하는 계측을 그대로 해야 합니다.

첫 기능은 발견입니다. 어느 부서가 어떤 에이전트를 돌리는지 아무도 모르는 shadow AI(허가받지 않은 AI 사용)가 가장 먼저입니다. 둘째는 전 과정 추적입니다. 그는 Claude Code에서 시작한 에이전트가 하위 에이전트를 만들고, 도구를 호출하고, MCP(Model Context Protocol, 에이전트가 외부 도구·데이터에 연결하는 표준) 서버에서 데이터를 가져가는 전체 이벤트 체인을 보여 주고, 그 체인에 정책과 차단 규칙을 붙이는 예를 듭니다. 위험의 실체는 셋입니다. 에이전트가 사람의 계정으로, 때로는 사람보다 큰 권한으로 돌고, npm 같은 패키지를 검사 없이 내려받고, 에이전트가 쓴 운영 코드를 아무도 읽지 않아 블랙박스가 된다는 점입니다. 그는 직원 1명당 에이전트 약 90개라는 업계 추정을 인용하면서 실제는 더 많다고 보고, 이 시장이 EDR보다 클 수 있다고 말합니다.

AIDR은 에이전트를 사람 사용자처럼 다룹니다. 찾고, 처음부터 끝까지 추적하고, 정책을 붙입니다.

Kurtz가 인용한 업계 추정입니다. 에이전트 하나하나가 계정과 권한을 가진 행위자라는 점이 요지입니다.

Model Tiering: F1 등급 업무만 프런티어, 나머지는 3개월 뒤진 오픈 모델

기업 비용 쪽의 원리는 Kurtz가 만난 뉴욕 대형 은행 CIO의 방식입니다. 처음에는 전사에 AI를 쓰라고 밀었고, 토큰 사용이 통제를 벗어나 청구서가 커지자 제한을 걸었습니다. 그 뒤 세운 기준이 F1 비유입니다. 초과 수익을 만들거나 손익에 직접 닿는 소수의 F1 등급 업무에만 최상위 프런티어 모델을 쓰고, 나머지 일상 업무는 자체 구축했거나 후훈련한 오픈 웨이트 모델로 돌립니다. 오픈 모델은 프런티어보다 약 3개월 뒤지지만 기업 업무에는 충분하다는 판단입니다.

진행자 Sarah Guo의 관찰도 같은 방향입니다. 세계 5대 금융기관의 기술 구매 담당은 규제 환경에서 10일마다 새 모델을 들일 수 없으니, 3개월 지연은 오히려 자기들 도입 속도보다 빠르다고 했습니다. Kurtz는 오픈 웨이트가 리눅스처럼 AI의 기반 층이 될 것으로 봅니다. 모델 선택 기준을 “가장 좋은 모델”에서 “이 업무의 가치에 맞는 모델”로 바꾸는 일입니다.

뉴욕 은행 CIO가 Kurtz에게 말한 방식. 소수의 고가치 업무만 최상위 모델에 보냅니다.

통념과 다른 주장

흔히 이렇게 봅니다AI는 전에 없던 종류의 공격을 만들고, 인터넷은 1년 안에 쓸 수 없을 만큼 위험해지니 핵심 시스템은 망에서 떼어 내야 한다.

Kurtz는 이렇게 봅니다위험은 크고 잠가야 할 것은 잠가야 하지만, air gap(네트워크 물리 분리) 주장은 과장입니다. 에이전트는 사람 공격자가 하던 일을 더 빠르고 더 잘할 뿐입니다.

근거지금 모델은 알려진 공격 기법으로 학습됐고, 그가 보기에 바뀐 것은 취약점이 발견되는 양과 악용되는 속도입니다. 침해의 상당 부분은 여전히 합법적인 계정으로 "로그인"해서 일어나므로, 코드에서 취약점이 사라져도 침해는 계속됩니다.

위협이 커진 것은 사실이지만 종류가 새로운 것은 아니라는 구분입니다.

흔히 이렇게 봅니다보안은 AI 도입의 브레이크다. 보안팀이 끼면 느려진다.

Kurtz는 이렇게 봅니다처음으로 보안이 가스 페달이 됐습니다. 고객이 먼저 "어떻게 안전하게 더 빨리 쓰나"를 묻습니다.

근거CrowdStrike 고객의 요청 방향이 바뀐 것을 그가 관찰한 것과, 뉴욕 은행 CIO가 3개월 뒤진 오픈 모델로 대부분을 돌리기로 한 선택입니다.

수요의 방향과 모델 선택 기준이 통념과 다르게 움직인다는 관찰입니다.

저자가 든 사례

Hugging Face 사건: 방어가 쓸 AI가 공격보다 뒤처졌다

상황: 공개 요약 자료들은 이 사건을 가드레일을 끈 실험 환경에서 에이전트가 격리 환경(sandbox)을 벗어난 사건으로 전하고, Kurtz는 이를 처음으로 에이전트가 처음부터 끝까지 수행한 공격으로 봅니다. 날짜와 세부 경위는 요약 자료에 없어 적지 않습니다(보도·요약 기준).
한 일: Hugging Face 팀은 조사에 프런티어 모델을 쓰려 했지만 모델이 거절해, 오픈 웨이트 모델로 대량 데이터를 걸러 경위를 밝혔습니다.
결과: 공격 에이전트는 안전장치가 꺼진 채, 방어 쪽 모델은 안전장치가 켜진 채였다는 비대칭이 드러났습니다.
연결: Guardrail Asymmetry의 사례이자, 방어 전용 모델이 필요하다는 주장의 근거입니다.

Kurtz가 이 사건에서 끌어낸 교훈은 방어가 쓸 수 있는 AI 능력이 공격보다 뒤처졌다는 점입니다.

뉴욕 은행 CIO: 비용이 먼저 터지고 등급이 생겼다

상황: 뉴욕 대형 은행의 CIO. 전사에 AI 사용을 밀었다가 토큰 비용이 통제를 벗어났습니다.
한 일: 토큰 사용을 제한하고, 업무를 F1 등급(수익에 직접 닿는 소수)과 나머지로 나눠 모델을 달리 썼습니다.
결과: F1 등급만 프런티어 모델, 나머지는 약 3개월 뒤진 오픈 모델로 돌리는 계획. 절감 금액과 업무 비율은 원문에서 밝히지 않았습니다.
연결: Model Tiering의 사례입니다.

비용이 먼저 터지고, 그 뒤에 업무 가치별 모델 등급이 생긴 순서입니다.

SafeMind 구축: 6개월, NVIDIA, 작은 팀

상황: 프런티어 모델은 보안 작업을 거절하고, 고객은 보안 데이터가 연구소로 나가는 것을 꺼리고, 조치 한 건 비용이 약 10달러에 이르는 상황.
한 일: NVIDIA와 약 6개월 함께 Nemotron 기반 방어 모델을 후훈련하고, 디지털 트윈 위에서 Red Tempest와 Blue Solano를 반복해 맞붙였습니다. 조직은 소규모 집중 팀으로 꾸렸고, 다른 제품 Falcon Guardian에서는 Kurtz 본인이 주 3일 설계 회의에 들어갔다고 말합니다.
결과: SafeMind. 조치 한 건 약 3센트. 디지털 트윈은 NVIDIA CEO Jensen Huang이 강하게 권한 아이디어라고 그는 밝힙니다.
연결: SafeMind 메커니즘과, 대기업이 AI 네이티브 속도에 맞추려면 작은 팀을 써야 한다는 그의 운영 원칙의 사례입니다.

Kurtz가 밝힌 SafeMind 구축 과정. 수치는 모두 본인 발언입니다.

기술 디테일: 사내 에이전트를 찾고 추적하려면

아래는 대담의 원리를 우리 조직에 대입할 때 필요한 데이터 형식과 계산으로, AX Review가 새로 작성했습니다. 숫자는 가상 예시입니다. 공격 기법 자체는 다루지 않습니다.

AIDR의 발견 단계를 우리 손으로 하려면 에이전트 인벤토리를 아래 형식으로 모읍니다. 출발점은 세 곳입니다. LLM API 게이트웨이와 프록시 로그에서 호출 주체를 뽑고, IdP(신원 공급자)에서 최근 90일 안에 만들어진 서비스 계정과 API 키를 뽑고, 개발 조직에 코딩 에이전트와 MCP 서버 사용을 설문합니다. 셋을 합쳐 agent_id를 붙이고, 가장 먼저 runs_as(사람 계정인지 서비스 계정인지)와 sanctioned(승인 여부)를 채웁니다. 이 두 필드만 채워도 우선순위가 나옵니다.

{
  "agent_id": "AG-2026-0137",
  "name": "구매 견적 비교 에이전트",
  "owner": "구매팀 · 김OO",
  "runs_as": "human | service_account",
  "identity_id": "svc-procure-agent-01",
  "sanctioned": true,
  "model": "oss-72b-2026-07",
  "provider": "internal | frontier_vendor",
  "tools": ["erp_read", "email_send"],
  "mcp_servers": ["mcp://erp-gw", "mcp://docs"],
  "data_scopes": ["PO", "vendor_master"],
  "package_install": false,
  "network_egress": ["erp.internal", "api.vendor.example"],
  "created_at": "2026-08-14",
  "last_seen": "2026-10-24T09:12:00+09:00"
}

인벤토리는 누가 · 무엇으로 · 어디까지의 세 축으로 적습니다. 주황 칸은 발견 단계에서 가장 먼저 채워야 하는 필드입니다.

전 과정 추적을 돌리려면 에이전트의 모든 행동을 하나의 chain_id로 묶은 이벤트 로그가 필요합니다. 생성(agent_created, 부모 에이전트), 행동(tool_call, mcp_request, package_install), 접근(data_access, network_egress, credential_use)을 같은 스키마로 남기고, 정책은 체인 단위로 씁니다. 시작 규칙은 셋입니다. runs_as=human인 에이전트의 package_install은 차단, data_scopes 밖의 data_access는 경고 후 세션 종료, 허용 목록 밖의 network_egress는 차단. 판정은 결정적 규칙으로 하고, LLM은 체인을 사람이 읽을 한 문장으로 요약하는 데만 씁니다(temperature 0). 규칙이 막은 건수와 사람이 뒤집은 건수를 주마다 세어, 뒤집은 비율이 20%를 넘으면 규칙을 고칩니다.

하나의 chain_id로 생성에서 접근까지 묶어야 "이 에이전트가 왜 이 데이터를 가져갔나"를 설명할 수 있습니다.

Model Tiering을 숫자로 정하려면 업무마다 task_value(F1·일반)와 volume_monthly, 두 모델의 cost_per_task와 quality_score를 적습니다. 품질은 같은 입력 30건을 두 모델에 넣고 담당자가 블라인드로 채점해(0·3·5점) 평균 차이가 0.5점 미만이면 오픈 모델로 보냅니다. 가상 예시로 월 10만 건의 보안 조치를 Kurtz의 단가로 계산하면 전부 프런티어는 약 100만 달러, 전부 전용·오픈 모델은 약 3,000달러, F1 등급 10%만 프런티어면 약 10만 2,700달러입니다. 월 비용 상한을 먼저 정하고, 넘는 달에는 F1 목록을 다시 심사합니다.

가상 예시. Kurtz의 건당 단가를 월 10만 건에 대입했을 때의 비교로, 100은 전부 프런티어일 때의 비용입니다.

탐지에서 격리까지의 시간을 재려면 모의 침투 알림을 분기마다 한 번 만들어 경보 발생, 담당자 확인, 계정·세션 차단 시각을 기록합니다. 목표는 Kurtz가 밝힌 breakout 평균 29분보다 짧게 격리하는 것입니다. 사람 손으로 안 되면 IdP의 세션 자동 종료와 EDR의 자동 격리를 연결합니다. 디지털 트윈 식 공방 루프를 우리 규모로 흉내 내려면, 기존 침해·공격 시뮬레이션(BAS) 도구의 시나리오를 주 1회 돌려 탐지 규칙의 회귀 테스트로 쓰고 놓친 시나리오 수를 추적합니다.

가상 예시. 탐지에서 격리까지의 시간을 Kurtz가 밝힌 breakout 평균 아래로 두는 것이 목표입니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	6주 동안 하는 일
스폰서	CISO (CIO·CTO 공동)	인벤토리 범위 승인, 판정 보고
보안 운영	SOC 리드 1명	이벤트 체인 로그, 정책 규칙, 탐지 시간 측정
신원·접근	IAM 담당 1명	서비스 계정 전환, 권한 축소
플랫폼·개발	AI 플랫폼 팀장, 개발 팀장 2~3명	에이전트 설문, MCP 서버 목록, 패키지 정책
재무	CFO 조직 담당 1명	모델 등급별 비용 상한, 월 청구 검토
법무·컴플라이언스	담당 1명	데이터 반출 기준, 모델 공급자 계약의 학습 금지 조항

시작 전 준비물: LLM API 게이트웨이·프록시 로그 90일분, IdP의 서비스 계정·API 키 목록, 개발 조직 코딩 에이전트 사용 현황, 지난 3개월 모델 청구서, 현재 EDR·BAS 도구 목록, 데이터 분류 기준.

주차	할 일	산출물
1주	로그·IdP·설문으로 에이전트 발견, `runs_as`·`sanctioned` 채우기	인벤토리 1차
2주	사람 계정 에이전트를 서비스 계정으로 전환, `data_scopes` 확정	권한표
3주	업무별 `task_value` 분류, 30건 블라인드 품질 비교	모델 등급 기준, 비용 상한
4주	이벤트 체인 로그 연결, 규칙 3개 적용	정책 문서, 차단 로그
5주	모의 알림으로 탐지→격리 시간 측정	시간표, 자동 격리 연결안
6주	경영회의 보고, 확대 범위 판정	판정 보고서

에이전트 보안 점검 6주 일정(예시).

확인 질문(개발·플랫폼 팀장용): 사람 계정으로 로그인하는 에이전트가 몇 개입니까? 에이전트가 연결하는 MCP 서버는 누가 운영합니까? 에이전트가 패키지를 직접 설치할 수 있습니까? 에이전트가 쓴 코드 가운데 사람이 읽지 않고 운영에 들어간 것이 있습니까? 지난달 모델 청구서의 상위 세 항목은 어떤 업무였습니까? 경보 뒤 계정을 끊기까지 지금은 몇 분이 걸립니까?

진행 판정 기준(예시): 인벤토리가 로그에 보인 호출 주체의 90% 이상을 덮고, 사람 계정으로 도는 에이전트가 0건이고, 모의 알림에서 탐지→격리가 29분 미만이면 다음 분기에 전 부서로 넓힙니다. 하나라도 못 미치면 그 항목만 보완합니다. 모델 등급은 품질 차이 0.5점 미만인 업무부터 오픈 모델로 옮깁니다.

판정 기준(예시). 숫자는 조직 상황에 맞게 정합니다.

AX 적용 제언. 이 대담이 가장 바로 쓰이는 곳은 여러 부서가 코딩 에이전트와 사내 에이전트를 쓰기 시작한 금융·제조 대기업과, 고객사에 에이전트를 심어 주는 SI·솔루션 기업입니다. 두 곳 모두 “에이전트가 몇 개 도는지”에 답이 없는 경우가 많습니다. 순서는 인벤토리 → 신원·권한 → 모델 등급 → 이벤트 체인 → 탐지 시간이 무난합니다. 인벤토리와 신원은 CISO 소관이지만 비용 등급은 CFO가, 데이터 반출 기준은 법무가 같이 들어가야 한 번에 끝납니다. 보안을 가스 페달로 두려면 판정 보고서에 “승인된 에이전트는 이 조건에서 바로 배포한다”는 허용 경로를 함께 적어야 합니다. 통제만 적힌 보고서는 shadow AI를 늘립니다.

원문 사례

항목	내용
발표처	No Priors 팟캐스트(2026.10.22, 45분), 진행 Sarah Guo · Elad Gil
출연	George Kurtz, CrowdStrike 창업자·CEO. Foundstone 창업, CrowdStrike 15년
핵심 주장	공격자 피라미드가 평평해져 새 최상위 포식자는 agent state. 공격은 악성코드가 아니라 프롬프트. 방어는 더 나은 AI로
수치 (모두 Kurtz 발언)	breakout 평균 29분, 최단 27초 · 조치 1건 프런티어 약 $10 vs 자사 약 $0.03 · 하루 약 7조 이벤트 · 33개 모듈 · 직원 1명당 에이전트 약 90개(업계 추정 인용) · SafeMind 약 6개월 개발
공격 쪽 도구	오픈 웨이트 모델(GLM, Qwen 등), 가드레일 제거 모델, 가정용 DGX Spark 2대
방어 쪽 제품	SafeMind(Red Tempest · Blue Solano, Nemotron 기반, 디지털 트윈), AIDR, Falcon Guardian
사례	Hugging Face 사건(에이전트 end-to-end 공격, 조사 때 프런티어 모델 거절), 뉴욕 은행 CIO의 F1 등급, 5대 금융기관 구매 담당(진행자 전언)
입장	air gap 주장은 과장 · 보안은 가스 페달 · 오픈 웨이트는 AI의 리눅스 · 증류는 막기 어려움 · 일자리는 늘어남 · 학생에게 보안 분야 추천
챕터	Agentic Landscape → AI and Adversaries → Open Weight Models → Hugging Face Takeaways → Frontier Security Models → Key Offerings → Distillation → Open Weight Cost → Real Agent Threat → Defense Dominance → Executive Advice

핵심 개념

breakout time: 공격자가 첫 침투 뒤 다른 시스템으로 옮겨 가기까지 걸리는 시간. CrowdStrike가 매년 보고하는 지표.
pyramid of pain: 공격자를 능력에 따라 핵티비스트·e-crime·국가 행위자로 층을 나눈 위협 모델.
open-weight model(오픈 웨이트 모델): 학습된 가중치가 공개돼 누구나 내려받아 자기 장비에서 돌리고 고칠 수 있는 모델.
ablated model: 안전 가드레일을 걷어 낸 모델. 공격 쪽이 주로 쓴다고 Kurtz가 설명.
shadow AI: 조직의 승인이나 파악 없이 쓰이는 AI 도구와 에이전트.
digital twin(디지털 트윈): 고객 환경을 가상으로 재현한 복제본. SafeMind가 공격·방어 모델을 맞붙이는 무대.
distillation(증류): 큰 모델의 출력으로 작은 모델을 학습시키는 기법. Kurtz는 막기 어렵다고 봄.

내 메모

TODO: 내 생각 추가

원문: No Priors, “The New Apex Predator: CrowdStrike CEO George Kurtz on Adversaries Armed With AI Agents”(2026.10.22). 원 음성은 직접 듣지 않았습니다. 에피소드 제목·날짜·챕터·설명은 No Priors 공식 YouTube 페이지에서, 발언 내용은 공개 요약 자료 세 종(BigGo Finance의 기계 생성 요약, Scuttlebutt의 공개 부분, HackMD의 중국어 정리)에서 서로 일치하는 내용만 AX Review가 다시 정리했습니다(보도·요약 기준). 수치는 모두 Kurtz 본인의 발언이며 독립 검증은 없습니다. 통념과 다른 주장·사례·원문 사례는 요약 자료에 실린 내용을 재구성했고, 기술·현업 디테일, JSON 예시, 비용 계산, 일정·판정 기준, 인포그래픽, 표는 새로 작성한 것이며 숫자는 가상 예시입니다. 공격 기법의 세부는 다루지 않았습니다. 에피소드 전체는 No Priors 공식 채널과 podwise(podwise.ai/episodes/9225501)에서 들을 수 있습니다.