핵심 내용
Palo Alto Networks가 Unit 42 Continuous Frontier AI Defense를 9월 22일 전 세계에 출시했다. 이 서비스는 Anthropic Claude Mythos 5, OpenAI GPT-5.6-Cyber, open-weight 모델을 하나의 proprietary multi-model harness에 연결해 웹 애플리케이션, API, cloud infrastructure, source repository, network asset을 지속적으로 공격자 관점에서 점검한다. 취약점을 찾는 데 그치지 않고 실제 공격경로를 검증하고 코드 수준 수정안과 virtual patch 권고까지 제공한다.
Unit 42가 공개한 자체 평가에서 특히 눈에 띄는 수치는 단일 모델로 복잡한 환경의 취약점을 40% 이상 발견하지 못했다는 점이다. Anthropic과 OpenAI의 선도 cyber model이 찾아낸 exposure의 중복도 10% 미만이었다고 회사는 밝혔다. 즉 모델 성능이 높더라도 서로 발견하는 취약점 집합이 크게 달라, 한 모델을 만능 보안검사기로 사용하는 것보다 작업별 라우팅과 ensemble이 더 효과적이라는 주장이다.
Palo Alto Networks는 6개월 동안 100건이 넘는 Unit 42 고객 engagement와 1,700만 달러의 R&D를 통해 이 방식을 검증했다고 밝혔다. 사내 적용에서는 전통적인 penetration testing 약 1년치에 해당하는 exposure를 3주 만에 찾았고, 제품당 high/critical vulnerability를 기존 방식보다 3.2배 더 많이 확인했으며 mean time to remediate를 51% 줄였다고 주장했다. 모두 회사 내부·고객 engagement 기반의 수치이므로 독립적인 범용 benchmark로 보는 것은 적절하지 않다. 고객 코드와 telemetry에는 Zero Data Retention 구조를 적용한다고 설명했다.
배경
AI를 이용한 공격자가 reconnaissance부터 exploit validation까지 자동화하면서 분기·연 단위의 정기 penetration test로는 변화 속도를 따라가기 어려워지고 있다. 앞서 Anthropic의 위협정보 보고서가 AI가 실제 공격 kill chain을 오케스트레이션하는 사례를 공개한 것과 같은 흐름에서, 방어 측도 상시 red team을 AI로 자동화하려는 시장이 형성되고 있다.
산업·시장에 미치는 영향
보안제품은 앞으로 alert를 탐지하는 defensive AI와 실제 공격을 재현하는 offensive AI가 함께 운영될 가능성이 높다. 또 보안에서도 특정 프런티어 모델 하나를 표준화하기보다 서로 다른 모델의 강점을 task router로 조합하는 multi-model architecture가 일반화될 수 있다. 이는 모델 공급자에게는 cyber capability를 별도 gated product로 판매하는 새로운 고부가가치 시장이 된다.
실무에서 바로 활용할 수 있는 시사점
사내 보안 자동화에서도 하나의 LLM 결과를 그대로 신뢰하기보다 모델 A 발견 → 모델 B 검증 → 실제 exploit 가능성 검증 → 우선순위 산정 → 사람 승인으로 단계를 나누는 편이 안전하다. 특히 공격형 모델은 일반 업무 Agent보다 훨씬 강한 sandbox, target allowlist, credential isolation, network egress 제한이 필요하다. 비용 최적화 측면에서는 모든 자산을 최고급 모델로 반복검사하기보다 변경된 surface만 증분검사하고 고위험 결과에만 강한 모델을 쓰는 방식이 유리하다.
출처: Palo Alto Networks — Introducing Unit 42 Continuous Frontier AI Defense, Palo Alto Networks — Continuous Frontier AI Defense 발표, Reuters — Palo Alto Networks unveils AI-powered cybersecurity service using Claude, GPT models