AI 기반 보안 에이전트, Google Unified Security: 통합 보안 플랫폼으로의 전환

지금 우리는 그 어느 때보다 복잡한 디지털 환경 속에서 비즈니스를 운영하고 있습니다. 인프라가 클라우드 중심으로 빠르게 전환되면서, 보안은 단순한 기술 문제가 아니라 비즈니스 전체의 회복 탄력성과 직결되는 핵심 과제로 떠올랐습니다. 그런데 정작 수많은 보안 툴이 난립하면서, 실제로는 대응조차 쉽지 않은 아이러니한 상황이 벌어지고 있습니다. 이러한 배경 속에서, Google Cloud가 발표한 새로운 통합 보안 플랫폼 ‘Google Unified Security’가 주목받고 있습니다.

이 글에서는 통합된 보안 플랫폼부터 AI 기반 보안 에이전트, 데이터 보안 및 위협 인텔리전스 강화까지 Google의 보안 전략이 어떻게 진화했으며, 이로 인해 기업 보안의 접근 방식이 어떻게 달라지고 있는지 살펴보겠습니다.

통합 보안 플랫폼의 등장: Google Unified Security

Google Unified Security 플랫폼은 2025년 Google Cloud Next 행사에서 공개하였습니다. 이 플랫폼의 출시는 네트워크 보안, 클라우드 보안, 애플리케이션 보안, 엔드포인트 보안 등 기능별로 분리돼 있던 기존 보안 구조에 통합적 해결책을 제시합니다. 예전에는 각 보안 영역이 서로 단절돼 있어 효율적인 분석과 대응이 어려웠지만, Google은 이들 요소를 하나의 환경 아래 통합해 새로운 보안 표준을 제시하고 있습니다.

이 통합 플랫폼은 단지 여러 기능을 묶어놓은 형태가 아닙니다. Google Threat Intelligence, 보안 운영 기술, Mandiant의 전문 기술까지 아우르며, 기업이 직면한 모든 보안 위협을 하나의 프레임워크 내에서 감지하고 대응할 수 있도록 설계되었습니다. 제품 관리 부문 부사장 브라이언 로디와 보안 운영 부문 부사장 피터 베일리는 이를 “기업 전반의 공격 표면에 대해 단일하면서도 확장 가능한 보안 데이터 패브릭(data fabric)을 제공하는 접근”이라고 설명합니다.

Google Unified Security

AI 보안 에이전트의 실현: Gemini 기반 자동화

이번 발표에서 가장 인상 깊은 부분은 AI가 실질적인 보안 에이전트로 작동한다는 점입니다. 기존에는 경고나 위협을 확인하고 조치하는 데 많은 인력이 필요했다면, 이제는 Google의 대규모 언어 모델 ‘Gemini’를 기반으로 작동하는 두 가지 보안 에이전트가 그 역할을 대신합니다.

하나는 ‘경고 분류(Alert Triage)’ 에이전트입니다. 이 에이전트는 수백 건의 보안 경고를 자동으로 분류하고 우선순위를 판단하며, 분석 근거까지 함께 제시합니다. 보안 분석가들의 업무 부담을 크게 줄여주는 동시에, 중요한 위협에 더욱 집중할 수 있도록 돕는 역할을 합니다.

또 다른 하나는 ‘악성코드 분석(Malware Analysis)’ 에이전트입니다. Google Threat Intelligence에 연동돼 코드의 난독화 여부와 상관없이 악성 여부를 판별하고, 필요한 경우 자체적으로 해독 스크립트를 생성해 정밀 분석을 수행합니다. 예를 들어 최근 발생한 피싱 공격에서 유입된 악성 스크립트를 이 에이전트가 실시간으로 분석하고 차단한 사례도 보고되고 있습니다. 이러한 AI 기반의 보안 자동화는 단순한 반응을 넘어, 예측 가능한 보안을 실현하고 있다는 점에서 의미가 큽니다.

지능형 보안 운영 센터(SOC)의 실현과 전환

Google Unified Security는 더 이상 ‘툴 모음’이 아닌 ‘지능형 보안 운영 센터(SOC)’를 지향합니다. 특히 Deloitte Cyber와 협력해 위협 헌팅, 보안 관제, 사건 조사, 대응 자동화(SOAR) 등을 통합한 서비스를 출시 준비 중입니다.

Deloitte는 “AI 기반 에이전트, 통합 SOC, 통합 위협 인텔리전스를 통해 강력한 보안 플랫폼이 완성된다”고 강조합니다. 실제로 이 플랫폼을 도입한 기업은, 복잡한 설정 없이 보안 대시보드를 통해 위협을 실시간 점검하고, 사건 대응을 자동화하며, 규제 준수까지 병행 관리할 수 있습니다. 말 그대로 ‘보안 거버넌스’의 완결 형태라고 할 수 있습니다.

실제 기업 사례: 찰스 슈왑의 변화

금융업계의 대기업 찰스 슈왑(Charles Schwab)은 Google Unified Security를 실 적용하면서 효과를 입증하고 있습니다. 이 회사의 CISO인 바샤 아부세이도는 “Google의 자동화 기능 덕분에 조사 및 대응 속도가 비약적으로 향상되었다”며, “IT 인프라에 대한 가시성이 높아졌고, 사이버 위협에 보다 선제적으로 대응할 수 있게 됐다”고 말합니다. 이러한 변화는 단순한 기술 도입이 아닌, 위협 대응 방식 전체의 구조적 전환이 이뤄졌다는 점에서 큰 의미를 가집니다.

AI 보안의 새로운 리스크와 대응 전략

AI 기술의 도입이 빠르게 늘어남에 따라, 그에 따른 보안 리스크도 새로운 과제로 등장하고 있습니다. AI 운영 환경 자체가 공격 표면이 되며, 데이터 유출이나 해킹 위협에 노출될 수 있기 때문입니다. Google은 이를 방지하기 위해 두 가지 보안 모델을 공개했습니다.

첫 번째는 DSPM(Data Security Posture Management)입니다. 이 도구는 기업 내의 데이터를 스캔하고 민감 정보를 자동으로 식별, 분류합니다. 그 후 보호 기준을 설정하고, 실시간으로 위반 여부를 감시합니다. 덕분에 GDPR, HIPAA 등 주요 글로벌 규제에 보다 쉽게 대응할 수 있습니다.

두 번째는 Model Armor 기능입니다. Vertex AI에 통합된 기능으로, AI 모델의 응답을 제어하고 민감 정보 노출, 프롬프트 해킹(Prompt Injection) 등을 방지하는 보안 계층을 제공합니다. AI 기반 업무 자동화를 도입한 기업에게 실질적인 방어 수단이 될 수 있습니다.

브라우저와 위협 사냥의 강화: 더 넓은 보안을 위한 확장

보안 강화는 AI나 플랫폼뿐 아니라 브라우저와 위협 분석 툴에도 적용됐습니다. Google은 Chrome Enterprise에 AI 기반 피싱 탐지 기능을 추가해, 위장된 웹사이트 접근 자체를 차단합니다. 또한, Mandiant Threat Defense는 Google의 보안 플랫폼과 연동돼 위협 사냥, 사고 대응, 포렌식 조사 등을 고도화했습니다.

이러한 기능 덕분에 기업은 기존 솔루션으로는 감지하지 못했던 미세한 위협까지 훨씬 빠르게 대응할 수 있게 됩니다.

왜 지금, 왜 Google Unified Security인가

이제 통합 보안 플랫폼은 선택이 아닙니다. 기업이 점점 더 많은 디지털 자산을 클라우드에 의존하고 사이버 공격이 지능화되는 지금, 보안을 통합하고 자동화하는 것은 생존 전략이 되었습니다.

Google Unified Security는 중견기업부터 대기업에 이르기까지 다음과 같은 효과를 제공합니다. 보안 인력의 업무 부담을 줄이고, 클라우드 환경의 보안을 정교하게 모니터링하며, 규제 대응을 손쉽게 하고, 보안 의사결정과 대응 속도를 실시간으로 끌어올릴 수 있게 됩니다.

마무리하며

Google Cloud의 보안 전략은 단순한 기술 업그레이드를 넘어, 기업 전체의 보안 프레임워크를 재정립하고 있습니다. 반응 중심의 수동적 보안에서, AI를 활용한 선제적 대응 중심의 체계로 점진적이 아니라 ‘발빠른 전환’이 필요한 시점입니다.

이제 기업 경영진은 사이버 공격이 벌어진 후를 걱정하기보다는, 사전에 탐지하고 대응하는 조직 문화를 구축해야 합니다. Google Unified Security는 이러한 시대적 요구에 맞는 강력한 보안 토대를 제공하며, AI, 클라우드, 인텔리전스를 한데 묶은 새로운 보안 전환점이 될 것입니다.

Google Unified Security

함께 읽으면 좋은 글:

디지털 트랜스포메이션: 조직의 습관을 바꾸는 일, 도서 구매

. .

젠스파크 슈퍼 에이전트: 기업 업무 혁신을 위한 실행형 AI의 등장

요즘 인공지능(AI) 업계에서는 ‘범용 인공지능 에이전트(General-purpose AI Agent)’에 대한 논의가 활발하게 진행되고 있습니다. 단순히 질문에 답을 하는 챗봇을 넘어, 실제 업무를 ‘대신 처리하는’ 수준의 AI가 현실로 다가오고 있기 때문입니다. 그렇다면 이 AI는 실제로 어느 수준까지 발전했으며, 기업은 이 흐름을 어떻게 비즈니스에 접목할 수 있을까요?

이 글에서는 실리콘밸리 기반 스타트업 젠스파크(Genspark)가 최근 발표한 신제품 ‘슈퍼 에이전트(Super Agent)’를 중심으로, 범용 에이전트 기술의 현재 위치와 미래 전망, 주요 경쟁자들과의 차별점, 그리고 기업이 주목해야 할 전략적 시사점을 소개드립니다.

범용 AI 에이전트란 무엇인가?

기존의 챗봇이 단문형 질문에 답하는 데 초점을 맞췄다면, 최근 부상한 ‘범용 AI 에이전트’는 보다 능동적이고 자율적인 형태를 띱니다. 사용자의 의도를 파악하고, 여러 도구를 조합해 복잡한 업무를 단계별로 수행할 수 있는 시스템으로 진화한 것입니다.

예를 들어, 사용자가 여행 계획을 요청하면 AI는 일정을 짜고, 교통편을 계산하며, 맛집을 찾아 예약까지 완료할 수 있습니다. 기업 환경에서는 이력서를 자동으로 분류하거나, 유튜브 영상 제작, 회의록 생성, 주식 분석 리포트 정리 등 다양한 멀티스텝 작업을 스스로 처리할 수 있습니다. 이처럼 단순한 의사소통을 넘어, 실제 업무의 ‘마무리’까지 책임지는 ‘작업 완결형 AI’의 시대가 열린 셈입니다.

젠스파크 슈퍼 에이전트의 핵심 기능

젠스파크는 2025년 4월 ‘슈퍼 에이전트’를 공개하며 주목받고 있습니다. 이 제품은 단순한 대화형 AI가 아니라, 스스로 판단하고 실행하는 ‘자율형 업무수행 AI’로 평가됩니다.

첫째, 젠스파크는 단일 AI 모델이 아닌 총 9개의 LLM(대형 언어 모델)을 상황에 따라 선택·조합해 사용합니다. 여기에 80개 이상의 외부 도구와 API를 연동해, 지시 없이도 복합적인 작업을 수행할 수 있도록 설계되어 있습니다.

예를 들어, 사용자가 5일간의 샌디에이고 여행 일정을 요청하면, 슈퍼 에이전트는 한 모델로 일정을 작성하고, 또 다른 LLM으로 지도 분석, 또 다른 모델로 레스토랑 예약 기능을 실행합니다. 동시에 Google Maps, Yelp, Resy 같은 외부 서비스와도 유기적으로 연동해, 예약 시 알레르기 정보나 선호 좌석까지 반영한 결과물을 제공합니다.

둘째, AI의 자기 추론 과정을 시각적으로 보여줍니다. 어떤 도구를 언제, 왜 호출했는지를 스스로 설명할 수 있어, 불투명한 ‘블랙박스 AI’에 대한 우려를 줄입니다. 이는 실무자와 AI 간 신뢰를 높이고 협업 가능성을 넓혀줍니다.

셋째, 브라우저만 있으면 바로 사용할 수 있는 점도 특징입니다. 별도 설치 없이 데모 체험이 가능하고 로그인조차 필요하지 않아, 초기 도입 장벽이 매우 낮습니다. 이로 인해 산업군을 막론하고 더욱 빠른 실험과 검토가 가능해집니다.

젠스파크

다른 경쟁사와의 비교

젠스파크의 슈퍼 에이전트는 등장과 동시에 여러 기술 기업과 비교되며 주목을 받았습니다.

먼저 중국 기반의 스타트업 마누스(Manus)는 슈퍼 에이전트에 앞서 다중 에이전트를 운용할 수 있는 기술을 내놓으며 시장의 관심을 끌었습니다. 웹 브라우저, 코드 에디터, 스프레드시트 등을 활용해 실제 작업에 가까운 수준의 자동화를 구현했고, 범용 에이전트 성능을 측정하는 GAIA(General Agent Index for Automation) 테스트에서 86%점이라는 높은 점수를 받았습니다.

하지만 젠스파크는 이를 뛰어넘는 87.8%의 GAIA 점수를 기록했습니다. 단지 수치상의 우위뿐 아니라, 더 정교한 내부 구조와 풍부한 도구 연동성 면에서도 탁월함을 입증했습니다.

한편, 마이크로소프트, 아마존, 오픈AI 등 기존 빅테크 기업들은 오히려 이 영역에서 다소 신중한 접근을 취하고 있습니다. 예를 들어 마이크로소프트의 Copilot Studio는 오피스 앱 중심의 간단한 자동화 기능에 집중되어 있고, 아마존은 웹 중심 SDK로 한정된 기능만 제공합니다. 오픈AI 역시 에이전트용 SDK는 공개했지만, 아직 직접 소비자를 타깃으로 하는 범용형 실행 AI는 출시하지 않았습니다.

이는 아직 완전한 자율 실행이 불러일으킬 수 있는 오류나 윤리적 리스크에 대한 우려, 기존 생태계 안에서의 통합 문제 등을 감안한 보수적 선택으로 해석됩니다.

기업에 주는 의미

이러한 ‘실행형 AI’는 기업에 어떤 가치를 제공할 수 있을까요?

첫째, 특정 산업에 맞춘 전문형 에이전트를 만들어낼 수 있습니다. 금융기업은 각종 규제 문서를 분석·요약하고, 제조업체는 공급망 데이터를 예측하는 데 활용할 수 있습니다. 마케팅 부서는 콘텐츠 기획에서 영상 제작까지 원스톱 자동화를 실현할 수 있지요. 젠스파크는 다양한 도구와 언어 모델을 조립형 구조로 제공하기 때문에, 마치 레고처럼 산업별 맞춤 AI를 구성할 수 있습니다.

둘째, 이 기술은 기존의 SaaS(Software as a Service) 전문 앱들을 대체할 가능성도 엿보입니다. 일정 앱, 문서 편집기, 이메일 자동화 도구 등 개별 솔루션을 AI 하나로 통합하면, IT 인프라 경량화는 물론이고, 운영 비용 절감과 업무 효율 확대까지 기대할 수 있습니다.

결론: ‘대화형 AI’를 넘어, 이제는 ‘실행형 AI’ 시대

젠스파크의 슈퍼 에이전트는 단순한 기술 출시를 넘어, 완전히 새로운 업무 방식의 전환을 보여주고 있습니다. 이제 AI는 단지 대화만 잘하는 소프트웨어가 아닙니다. 실제 현장에 투입되어 일을 ‘진행’하는 하나의 팀원으로 진화하고 있습니다.

기업이 AI 도입을 고민하고 있다면, 다음 세 가지를 중심으로 검토해보시길 권합니다. 먼저, 현재 AI 활용 수준을 넘어 범용 에이전트를 통해 자동화의 레벨을 한 단계 끌어올릴 수 있는지. 둘째, 기존에 사용 중인 여러 툴과 어떻게 통합 운영할 수 있을지. 마지막으로, 사내 데이터와 외부 도구를 얼마나 자연스럽게 연동할 수 있는지도 점검이 필요합니다. AI는 더 이상 서포터가 아닙니다. 이제는 곁에서 함께 실행에 나서는, 능동적인 비즈니스 파트너가 될 준비를 마쳤습니다.

슈퍼 에이전트

함께 읽으면 좋은 글:

디지털 트랜스포메이션: 조직의 습관을 바꾸는 일, 도서 구매

. .

공급망 혁신: 도메인 특화 AI가 필요한 이유

기업 공급망(SCM)에 인공지능(AI)을 도입하는 사례가 나오고 있습니다. 그러나 현실에서는 일반적인 범용 AI 모델이 기대에 미치지 못하는 경우도 많습니다. 특히 제조업이나 공급망처럼 복잡한 프로세스와 전문 지식이 필요한 산업 분야에서는 이런 한계가 더욱 뚜렷하게 드러납니다.

이번 글에서는 미국 테크 미디어 벤처비트(VentureBeat)가 보도한 아티큘에잇(Articul8)의 사례를 중심으로, 범용 AI의 한계를 짚고, 도메인 특화형 AI 모델이 어떤 방식으로 산업 현장에서 더 큰 효과를 발휘하는지를 설명드리겠습니다.

공급망에 도메인 특화 AI가 필요한 이유

공급망 관리는 단순한 재고 조회나 주문 처리 수준을 넘어, 부품 조달, 조립 순서, 품질 검수, 물류 계획 등 다양한 단계를 포함합니다. 각각의 단계를 정확한 순서로 처리해야 하며, 이들 사이의 상호작용을 이해하는 것도 중요합니다. 즉, 이 분야는 절차 중심의 시스템이며 순차적 의사결정이 핵심입니다.

예를 들어 항공기 엔진을 조립할 경우, 수천 개에 이르는 작업 순서가 필요하고 각 단계에는 도면이나 매뉴얼 같은 기술 문서가 요구됩니다. 이 문서들은 단순한 정적 정보가 아니라 시간과 상태의 흐름에 따라 변하는 시계열 데이터입니다. 따라서 AI가 이를 처리하려면, 단순히 정보를 검색하는 수준에서 벗어나, 시간적 이해와 절차적 판단 능력을 갖춰야 합니다.

하지만 기존의 범용 대형언어모델(LLM)은 자연어 처리는 뛰어나도, 시퀀스 분석이나 분기 로직(branching logic), 반복(recursion) 구조를 이해하는 데에는 한계가 있습니다. 더 복잡한 현실 문제를 다룰 가능성이 낮다는 뜻입니다.

Vertical LLM

RAG의 가능성과 한계

이 문제를 해결하려는 접근 방식 중 하나가 ‘검색 증강 생성(Retrieval-Augmented Generation, RAG)’입니다. RAG는 LLM이 알지 못하는 전문 정보를 외부 데이터베이스에서 가져와 보완하는 방식입니다. 이론적으로는 유용해 보이지만, 실제 공급망 같은 고도화된 절차 기반 환경에서는 한계를 드러냅니다.

Articul8의 CEO인 아룬 수브라마니얀(Arun Subramaniyan)은 “공급망의 가장 큰 특징은 일이 순차적이고, 각 단계가 서로 얽혀 있다는 점”이라고 설명합니다. 또 “이런 구조는 단순 검색만으로는 해석하기 어려우며, 마치 프로그래밍 로직을 이해하듯 처리해야 한다”고 덧붙였습니다.

즉, RAG는 ‘어떤 정보가 필요한가’는 알려주지만, ‘왜 필요한가’, ‘언제 적용해야 하는가’까지 판단하는 것은 어렵습니다. 이는 AI가 실제 판단력이나 절차적 사고에 약함을 보여주는 대표적 한계입니다.

Articul8의 도메인 특화 AI 전략

Articul8은 이런 문제를 극복하기 위해 산업 환경에 최적화된 방식을 제안합니다. 그 핵심은 단순 AI 모델이 아닌, 여러 모델을 연동해 전체 작업 흐름을 관리하는 오케스트레이션 플랫폼, ‘ModelMesh’입니다.

ModelMesh는 수천 개의 세부 결정을 실시간으로 내려야 하는 산업 현장에 맞춰 설계됐습니다. 단순한 오케스트레이터가 아니라, AI 결과의 정확성까지 실시간으로 평가해서 다음 작업을 결정합니다. 이 구조는 베이지안 시스템(확률 기반 판단 모델)과 산업 지식이 내장된 특화형 LLM의 조합으로 구성돼 있습니다.

예를 들어, 반도체 생산 과정에서 어떤 장비가 비정상적인 데이터를 생성한다고 가정해 보겠습니다. 범용 AI는 ‘어딘가 이상이 있다’는 정도까지만 파악할 수 있습니다. 하지만 ModelMesh는 센서 로그 데이터의 흐름을 분석해 어떤 단계 어떤 장비에서 오류가 시작됐는지 추적하고, 각각의 상황에 맞는 특화 모델을 호출해 즉시 대응할 수 있도록 설계돼 있습니다.

또한 Articul8은 데이터 구성 방식부터 차별화합니다. 대부분의 AI 모델은 한 문서를 하나의 벡터로 처리합니다. 하지만 Articul8은 pdf 내부의 이미지, 표, 수치 등 세부 요소를 모두 분해한 후, 각각의 데이터 유형에 맞는 전용 모델로 재구성합니다. 이렇게 하면 AI가 필요한 정보만 정확히 추출하고, 더 높은 정밀도로 대응할 수 있습니다.

현재는 오픈소스 기반의 Llama 3.2 모델을 사용하고 있으며, 단순한 파인 튜닝이 아니라 피드백 루프와 전문가 기반 평가를 반복해 모델 정확성을 계속 높이고 있습니다.

실제로 어떤 기업들이 도입했나?

Articul8의 기술은 인텔에서 분사한 회사이기 때문에 인텔에 적용되고 있습니다. 인텔은 반도체 제조 공정에 Articul8 솔루션을 도입해, 장비 장애 원인 분석이나 작업 지시 자동화에 활용 중입니다. 특히 내부 문서, 실시간 로그, 엔지니어링 위키 등을 통합해서 정확한 원인을 추론하고 적절한 대응을 제안하는 시스템입니다.

인텔 측은 “범용 AI는 복잡한 부품 용어나 로그 해석에 성능이 부족했지만, 특화형 AI는 생산현장에서 쓰이는 용어와 문서를 반영해 훨씬 정확한 지원이 가능했다”고 평가했습니다. 비용 절감뿐 아니라, 장애 대응 시간 단축과 품질 안정성이라는 핵심 지표에서도 긍정적인 효과를 얻었다고 밝혔습니다.

언제 어떤 AI를 써야 할까?

기업 환경에서는 모든 문제에 한 가지 모델을 적용할 수 없습니다. 상황에 따라 범용 AI와 도메인 특화형 AI가 서로 보완될 수 있습니다.

예를 들어, 사내 문서 검색이나 직원 질의응답처럼 텍스트 기반 응용은 범용 AI와 RAG 조합으로도 충분합니다. 빠른 응답과 광범위한 지식 제공이 장점입니다. 반면, 제품 조립 공정이나 장애 분석, 비전 기반의 품질 검사처럼 실제 절차나 물리적 흐름이 중요한 작업에는 도메인 특화형 멀티모달 AI가 필요합니다.

결론: AI 전략의 진화, 이제는 ‘도메인’을 중심으로

범용 AI는 수많은 분야에서 유용하게 사용될 수 있으나, 복잡하고 고위험의 산업 현장에서는 그 성능에 한계가 있습니다. Articul8의 사례는 AI가 단순한 기술이 아닌, 실제 업무 흐름을 이해해야 성과로 이어질 수 있다는 점을 잘 보여줍니다.

제조업이나 공급망을 아우르는 산업군이라면, 단순히 AI를 도입하는 것을 넘어, 해당 도메인을 깊이 이해하고 반영한 전략이 필요합니다. 지금은 도메인 특화 AI로 전환을 고민해야 할 시점입니다. 업무 현장을 이해하고, 그에 맞는 AI를 선택하는 것이 디지털 전환의 성패를 가를 것입니다.

생성형 AI의 성숙도가 높아지면 어느 단계에 이르러서는 앞서 이야기한 도메인 특화 AI. 즉 Vertical LLM에 대한 수요가 발생합니다. 하지만 이는 전통적인 기술 기업도 접근 가능하지만 데이터와 실제 레퍼런스를 만들 수 있는 제조기업이나 전통기업들도 충분히 가능성이 있는 시장입니다. 생성형 AI 시대에 새로운 비즈니스 모델로 Vertical LLM의 출현을 지켜보시죠.

참고

도메인 특화 AI

함께 읽으면 좋은 글:

디지털 트랜스포메이션: 조직의 습관을 바꾸는 일, 도서 구매

. .