Partnering with Corma: Closing the Defensive Cybersecurity Gap

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Sequoia Capital은 공격용 AI가 빠르게 확장되는 반면 일반 목적 기반 모델의 방어 역량은 뒤처진다는 ‘방어 격차’를 제시하며, Corma의 방어 사이버보안 특화 기반 모델과 에이전틱 Security Workforce에 투자했다.

📌 핵심 요약

• 에이전틱 AI와 Anthropic의 Mythos급 모델은 제로데이 취약점 발견·악용과 대규모 사회공학 공격의 비용을 낮추며 공격 역량을 빠르게 확장하고 있다.
• 방어에 필요한 로그·이벤트·트레이스·텔레메트리는 일반적인 LLM 사전학습에서 충분히 다뤄지지 않고, 방어는 정상 활동 속 이상 징후를 계속 찾는 개방형 추론이어서 일반 목적 기반 모델의 분포 밖 과제로 제시된다.
• Corma의 레드·블루 팀 실험에서는 공격에 사용된 것과 동일한 모델을 방어자로 투입해도 숨겨진 백도어를 찾지 못한 비율이 78%였으며, 저자들은 같은 모델 품질이라면 공격자가 구조적으로 유리하다고 설명한다.
• Corma는 실제 기업 네트워크의 도구·텔레메트리·잡음을 재현한 환경에서 대규모 강화학습과 셀프플레이로 방어 사이버보안 특화 기반 모델을 훈련하며, 일반 목적 기반 모델보다 높은 성능과 낮은 토큰당 추론 비용을 주장한다.
• Corma의 모델은 에이전틱 Security Workforce로 제품화되어 Fortune 500을 포함한 대기업에서 종단 간 방어 업무를 수행하고 있으며, Sequoia Capital은 Corma의 시드 라운드를 주도했다.

🧩 주요 포인트

1. 공격은 명확한 목표를 향한 코딩·추론 문제인 반면 방어는 방대한 정상 활동 속 이상을 지속적으로 찾아야 하는 문제다. 이 과제 차이는 같은 품질의 모델끼리 맞붙어도 공격자에게 유리한 비대칭으로 이어진다.
2. Corma는 대규모 강화학습·셀프플레이뿐 아니라 모델 가중치 소유, 낮은 상시 추론 비용, 높은 추론 속도를 결합한 수직 통합형 ‘소버린 AI’를 내세운다. 이는 폐쇄형 모델의 사이버보안 사용 제한을 피하고 새 위협에 빠르게 대응하려는 전략이다.
3. 에이전틱 Security Workforce는 여러 보안 도구를 넘나들며 보안 운영·신원 관리·클라우드·네트워크 보안 역할을 수행한다. Fortune 500 배치와 종단 간 대응 사례는 Corma가 연구 모델을 실제 기업용 방어 제품으로 연결하고 있음을 보여준다.

🧠 상세 정리

1. 에이전틱 AI가 확대하는 공격 역량

글은 사이버보안을 공격자와 방어자가 끊임없이 우위를 다투는 싸움으로 규정하고, 에이전틱 AI와 Mythos급 모델의 등장으로 균형이 공격자 쪽으로 기울었다고 진단한다. 사이버공격은 코딩과 추론 능력이 필요한 기술적 악용 문제이며, Anthropic의 Mythos는 제로데이 취약점을 발견하고 악용할 수 있는 모델로 제시된다. 또한 어떤 모델이든 실행용 하네스와 결합하면 사회공학 공격 비용을 거의 0에 가깝게 낮추고, 이전과 다른 규모로 공격을 전개할 수 있다고 설명한다. 저자들은 새로운 모델이 출시될 때마다 위험이 커지고 있으며, 그 결과로 CVE가 폭발적으로 증가했다고 주장한다.

2. 일반 목적 모델이 방어에 취약한 이유

방어 사이버보안의 핵심 데이터는 자연어 문서가 아니라 로그·이벤트·트레이스·텔레메트리에 존재하며, 이런 데이터는 일반적인 LLM 사전학습에 거의 나타나지 않는다고 설명한다. 공격은 정해진 목표를 향해 기술적 수단을 찾는 목표 지향형 추론이지만, 방어는 방대한 정상 활동 속에서 이상 징후를 계속 탐색해야 하는 개방형 추론이다. 따라서 방어에는 별도의 데이터와 직관, 광범위한 도메인 특화 훈련이 필요하며 일반 목적 프런티어 모델에는 충분히 학습되지 않은 분포 밖 과제가 된다. 저자들은 AGI 개발을 추진하는 프런티어 연구소가 방어 사이버보안을 위해 훈련 파이프라인을 전면 개편할 것이라고 기대할 수 없으며, 기업 보안을 그런 기대에 맡길 수도 없다고 강조한다.

3. 78% 실패율로 드러난 방어 격차

Corma는 공격자가 숨겨진 백도어를 심고 방어자가 이를 찾는 레드·블루 팀 시뮬레이션으로 이른바 ‘방어 격차’를 시험했다. 이 실험에서는 백도어를 설치한 모델과 완전히 동일한 복사본을 방어자로 사용했지만, 방어 모델은 백도어를 78%의 비율로 발견하지 못했다. 저자들은 이 결과를 같은 모델 품질을 전제로 할 때 공격자가 항상 유리하다는 근거로 제시한다. 이에 따라 공격 측의 스케일링 법칙에 대응하려면 방어 측에도 더 나은 스케일링 법칙이 필요하며, 방어 사이버보안용 프런티어 AI가 AI 시대의 핵심 미해결 문제라는 것이 Corma 설립의 출발점이다.

4. 강화학습과 셀프플레이 기반 훈련

창업자이자 CEO인 Alon Pluda와 Corma 팀은 방어 사이버보안 에이전트를 구동할 특화 기반 모델을 훈련하고 있다. 글은 사이버보안을 침해 여부라는 명확한 보상이 있고 반복할 수 있는 게임이 무한히 존재하는, 바둑이나 체스와 유사한 2인 제로섬 게임으로 설명한다. Corma는 강화학습과 셀프플레이가 이런 구조에서 초인적 성과를 만든 전례를 적용해, 실제 기업 네트워크의 각종 도구·텔레메트리·잡음을 재현한 사이버보안 환경에서 대규모 훈련을 진행한다. 저자들에 따르면 이 훈련 파이프라인은 일반 목적 기반 모델을 능가하는 프런티어급 방어 역량을 만들면서도 토큰당 추론 비용을 크게 낮춘다.

5. 소버린 AI와 에이전틱 Security Workforce

Sequoia Capital은 Corma의 수직 통합과 ‘소버린 AI’ 접근법이 사이버보안의 공방에서 중요한 경쟁력이 될 것으로 본다. 방어 에이전트는 상시 작동하므로 추론 비용이 빠르게 누적될 수 있고, 자체 모델 가중치를 보유하면 폐쇄형 모델 연구소가 설정한 사이버보안 관련 사용 제한의 영향을 받지 않는다. 새 위협이 나타났을 때 가장 빨리 보호 조치를 실행하는 쪽이 유리하다는 점에서 모델의 전문성과 추론 속도도 핵심 요소로 제시된다. Corma의 기반 모델은 에이전틱 Security Workforce로 제품화되어 여러 보안 도구를 오가며 보안 운영·신원 관리·클라우드·네트워크 보안 등의 역할을 수행하고, 의료·금융·핵심 인프라·소매 분야의 Fortune 500과 대기업에 배치되어 있다.

6. 종단 간 대응 사례와 투자 배경

Corma의 에이전트는 단순한 경보 생성에 그치지 않고 방어 업무를 처음부터 끝까지 수행하는 것으로 소개된다. 한 CISO는 저녁에 반려견과 산책하던 중 Garmin 시계로 공격 임박 알림을 받았고, 한 번의 확인만으로 에이전트가 공격자를 차단해 산책을 계속할 수 있었다고 전했다. 다른 사례에서는 Corma가 업무를 시작한 첫 1시간 안에 고객 보안팀이 52일 동안 놓쳤던 활성 공격 캠페인을 발견하고, 격리한 뒤 문제를 해결했다. 글은 이런 모델을 훈련하려면 세계적 수준의 해커와 연구자가 모두 필요하다고 강조하며, Alon Pluda와 그가 구성한 학제적 팀의 기술력과 상업적 성과를 Sequoia Capital이 시드 라운드를 주도한 배경으로 제시한다.

🧾 핵심 주장 / 시사점

• 글의 핵심 진단은 모델 규모만 키우는 것으로는 방어 격차가 해소되지 않으며, 로그·이벤트·트레이스·텔레메트리에 맞춘 데이터와 훈련 방식이 별도로 필요하다는 것이다.
• Corma는 침해 여부라는 명확한 보상과 반복 가능한 공방 구조를 활용해 강화학습과 셀프플레이를 방어 사이버보안의 스케일링 수단으로 삼는다.
• 방어 모델의 경쟁력은 탐지 성능뿐 아니라 상시 추론 비용, 모델 가중치 통제권, 사이버보안 사용 제한, 새 위협에 대응하는 추론 속도까지 함께 좌우한다.

✅ 액션 아이템

• Corma의 레드·블루 팀 실험에서 나온 방어자 실패율 78%를 일반 목적 기반 모델의 방어 한계 평가에 반영.
• Corma의 대규모 강화학습·셀프플레이, 모델 가중치 소유, 토큰당 추론 비용·대응 속도 주장의 근거 검토.
• 에이전틱 Security Workforce의 Fortune 500 배치와 종단 간 방어 사례를 상용화 수준 판단에 활용.

❓ 열린 질문

• Corma의 레드·블루 팀 실험에서 나타난 방어자 실패율 78%는 다른 방어 시나리오에서도 유지되는가?
• Corma의 대규모 강화학습·셀프플레이는 일반 목적 기반 모델 대비 성능과 토큰당 추론 비용의 우위를 어느 범위까지 입증했는가?
• 에이전틱 Security Workforce는 Fortune 500의 보안 운영 전반에서 종단 간 방어를 어느 범위까지 수행하는가?