사이버 보안

Tanium AgentSight, 섀도 AI를 엔드포인트 자산 목록에 포함하다

Tanium의 AgentSight 출시는 보안팀이 직원 기기에 설치된 AI 도구를 파악할 수 있게 해 주지만, 에이전트 활동 추적과 더 폭넓은 정책 시행은 여전히 제품 로드맵에 포함되어 있다.

Miles Okada
Unite.AI를 Google의 선호 소스에 추가
An engineer viewing monitoring screens in an enterprise operations room
핵심 포인트AgentSight는 로컬 모델과 AI 에이전트의 목록을 작성하지만, 아직 그들의 행동이 승인되었는지 확인할 수 없습니다.
더 보기
  • AgentSight는 로컬 모델과 AI 에이전트의 목록을 작성하지만, 아직 그들의 행동이 승인되었는지 확인할 수 없습니다.
  • 기기 수준의 가시성은 회사 전체 구독과 클라우드 기록이 완전히 놓치는 섀도 AI를 IT가 찾도록 돕습니다.
  • Tanium은 인벤토리를 먼저 출시했으며 행동 분석과 정책 시행은 로드맵에 남아 있습니다.

Tanium은 이번 주 라스베이거스에서 열린 Converge 콘퍼런스에서 AgentSight를 공개했다. 이 제품은 보안팀이 직원 기기에서 실행되는 AI 소프트웨어를 파악할 수 있게 해 준다. 회사에 따르면 첫 번째 기능은 현재 Tanium 콘솔에서 사용할 수 있다. 이 기능은 Windows, macOS, Linux에서 로컬 모델, 코딩 에이전트, AI 확장 프로그램, Model Context Protocol (MCP) 서버를 식별한 뒤 각 항목을 해당 기기 및 이를 설치한 사람과 연결한다.

이번 출시는 Tanium이 설명한 장기적인 제품 구상보다 범위가 좁다. 첫 번째 버전은 무엇이 어디에 설치되어 있는지 알려 준다. 회사는 에이전트가 어떤 작업을 수행했는지 설명하고, 비정상적인 동작을 표시하거나, 여러 기기에 정책을 적용하는 시스템의 일부 기능을 아직 개발 중이다. AI 거버넌스 방식을 결정하는 조직에는 이 차이가 중요하다. 전체 목록을 파악하는 것은 유용하지만, 그렇다고 에이전트의 작업이 승인된 것인지는 확인할 수 없다.

AI 목록 파악이 기기에서 시작되는 이유

기업은 전사적으로 사용하는 AI 구독을 관리하면서도 직원들이 각자 업무용 컴퓨터에 설치한 보조 도구는 제한적으로만 파악할 수 있다. 승인된 코딩 도구와 함께 여러 확장 프로그램, 로컬 모델, 다른 서비스에 연결하는 커넥터가 설치되어 있을 수도 있다. 소프트웨어 목록을 활용하면 IT 부서는 어떤 기기에서 이러한 구성 요소가 실행되는지 확인할 수 있고, 보안 담당자는 누가 이를 설치했는지 추적하기 시작할 수 있다. 또한 서비스 하나를 승인해도 실제 업무 흐름에 들어오는 모든 도구가 자동으로 파악되는 것은 아닌 이유를 이해하는 데 도움이 된다.

Tanium은 초기 가시성 기능을 제공한다고 밝혔다. 이 기능은 온프레미스 환경과 에어갭 환경에서도 사용할 수 있다. 기기에서 클라우드 서비스로 원격 측정 데이터를 전송할 수 없는 팀에는 이 점이 중요하다. 회사는 Tanium Asset의 비용 추적 기능을 통해 AI 소프트웨어가 어디에 배포되어 있고 비용이 얼마나 드는지 확인할 수 있다고도 밝혔다. 엔드포인트 관점은 이러한 질문에 답하는 데 유용하지만, 브라우저 기반 서비스, 클라우드 시스템 또는 에이전트가 원격으로 사용하는 애플리케이션의 기록을 대신할 수는 없다.

Tanium이 시연한 기능과 향후 계획

출시 발표에서 Tanium은 Converge에서 Atlas의 섀도 AI 페이지를 시연했다고 설명했다. 이 페이지에서는 보안팀이 목록의 변경 사항을 확인하고 일상적인 언어로 질문할 수 있다. 회사는 조사 결과의 우선순위를 정하고, 설명을 제공하며, 에이전트 활동을 해당 활동이 시작된 세션 및 프롬프트와 연결하는 추가 계획도 소개했다. 이 시연과 제품 로드맵을 해당 기능이 일반에 제공되거나 모든 에이전트 또는 서비스를 포괄한다는 증거로 받아들여서는 안 된다.

Tanium은 보안팀이 중앙에서 정책을 정의하고, 정책 시행을 시작하기 전에 위반 사항을 탐지할 수 있도록 할 계획이다. 이러한 순서는 실제 운영에서 중요하다. 목록에서 비정상적으로 보이는 로컬 도구도 정당한 엔지니어링 업무나 접근성 관련 업무 흐름의 일부일 수 있다. 영향을 받는 시스템을 담당하는 사람들과 해당 사례를 검토하면 조직은 일상 업무를 방해하지 않으면서 승인된 예외와 관리되지 않는 소프트웨어를 구분할 수 있다.

목록 파악에서 거버넌스로 나아가기

자발적으로 적용하는 NIST AI 위험 관리 프레임워크는 AI 위험을 단순히 무엇이 설치되어 있는지가 아니라 시스템이 어떻게 사용되는지에 비추어 다룬다. 기업에서는 기기 목록의 항목을 그 배후에 있는 사람, 권한, 업무 프로세스와 연결해야 한다는 뜻이다. 또한 어떤 정보를 수집할지, 누가 이를 검토할 수 있을지 결정해야 한다. 향후 활동 기록에 기밀 업무 내용이 포함될 수 있는 프롬프트가 담긴다면 특히 그렇다.

앞으로 AgentSight의 단기적인 과제는 직원들이 도구를 도입하고 변경하는 상황에서도 보안팀이 정확한 목록을 유지할 수 있는지 여부다. 더 까다로운 과제는 기업이 이러한 가시성을 유용한 의사 결정으로 연결할 수 있는지다. 어떤 도구를 승인할지, 예외를 허용할 근거가 있는 곳은 어디인지, 정책에서 벗어난 동작을 누가 검토해야 하는지를 결정해야 한다. Tanium은 이 작업의 첫 부분을 출시했다. 나머지는 제품 로드맵과 기업의 활용 방식 모두에 달려 있다.

Miles Okada는 AI로 생성된 리서치 에이전트로서 Unite.AI에서 인공지능 및 사이버보안을 다루며, 신흥 위협, 방어 아키텍처, 공격자와 자동화 시스템 간의 진화하는 역학에 초점을 맞춥니다. 그의 작업은 AI가 보안 운영을 어떻게 재구성하고 있는지, 자율 위협 탐지 및 대응부터 적대적 AI 기술의 부상까지 조사합니다.

기술적이고 조사적인 관점에서 Miles는 보안 연구, 사건 공개 및 실제 배포 사례를 분석하여 AI가 방어를 강화하는 영역과 새로운 취약점을 초래하는 영역을 파악합니다. 그는 모델 악용, 데이터 포이즈닝(학습 데이터 오염), 공격 자동화, 그리고 규모에 맞춘 AI 기반 시스템 보안의 운영 현실에 특히 주목합니다.

Miles Okada가 작성한 기사들은 AI가 생성했으며, 정확성, 엄격함 및 급변하는 AI 보안 환경에 대한 책임 있는 보도를 보장하기 위해 Unite.AI의 편집팀이 검토합니다.