US adults are no more likely to face cyber incidents than when Claude Fable 5 launched

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Epoch AI/Ipsos의 2026년 6월·9월 조사에서는 Claude Fable 5 출시 직후와 비교해 미국 성인의 사이버 사고 경험 비율이 증가했다는 통계적으로 검출 가능한 증거가 나타나지 않았다.

📌 핵심 요약

• 지난 12개월 동안 사이버 사고를 하나 이상 경험했다고 응답한 미국 성인의 비율은 6월 46.2%에서 9월 44.6%로 바뀌었다. 각 추정치의 90% 신뢰구간은 43.6~48.8%, 42.0~47.2%이며, 전체 사고 경험과 개별 사고 유형 모두에서 통계적으로 신뢰할 만한 증가가 검출되지 않았다.
• 개별 유형의 응답 비율은 설득력 있거나 개인을 겨냥한 듯한 스팸이 32.2%→32.1%, 개인정보 유출·도난이 19.8%→18.2%, 공격으로 인한 서비스 중단이 7.8%→6.1%, 계정 무단 접근이 7.9%→6.0%, 기기 악성코드 감염이 5.7%→5.0%, 파일·기기 잠금 후 금전 요구가 2.1%→0.9%였다.
• AI 도구를 매일 또는 매주 사용하는 응답자에서도 검출 가능한 변화는 없었다. 사고 경험 비율은 6월 53%(90% 신뢰구간 48~59%, 233명)에서 9월 51%(45~57%, 215명)로 바뀌었다.
• 조사 기간에는 Claude Mythos Preview의 4월 제한 공개, Claude Fable 5의 6월 공개와 Claude Mythos 5의 검증된 파트너 대상 제한 접근, 오픈웨이트 모델의 역량 향상이 이어졌다. 심각한 취약점 공개 증가, OpenAI 모델의 Hugging Face 해킹 사례, GLM-5.3에 대한 CAISI 평가 등은 사이버 역량 향상을 보여주는 별도 근거로 제시됐다.
• Ipsos KnowledgePanel의 확률 기반 표본을 이용해 6월 12~14일 1,021명, 9월 18~20일 1,024명에게 동일한 복수 선택 질문을 했고, 미국 성인을 대표하도록 가중치를 적용했다. 두 조사는 같은 개인을 추적하지 않으며 12개월 회상 기간이 겹치고, AI가 원인인 사고나 특정 모델 출시의 인과 효과를 식별할 수 없다.

🧩 주요 포인트

1. 전체 사고 경험 비율과 AI 빈번 이용자의 비율에서 검출 가능한 변화가 없었다는 결과는 일반인의 보고된 피해가 늘었다는 근거가 없음을 뜻하지만, 개별 유형의 작은 변화는 통계적 검정력 부족으로 놓칠 수 있다.
2. 취약점 공개와 모델의 공격 역량은 일반인이 보고하는 사고 경험과 다른 결과 지표다. AI 사이버 역량 향상에 관한 근거와 이번 설문 결과는 측정 대상의 차이를 고려해 함께 해석해야 한다.
3. 대표성 가중치를 적용한 자기보고 조사도 회상 오류·오분류·비응답 편향의 영향을 받을 수 있다. 표본 구성의 변화와 12개월 회상 기간 중첩까지 고려하면 모델 출시의 인과 효과를 단정할 수 없다.

🧠 상세 정리

1. 핵심 결과와 모델 출시 시점

Epoch AI/Ipsos의 두 차례 조사는 미국 성인이 지난 12개월 동안 사이버 사고를 하나 이상 경험했다고 보고하는 비율이 6월과 9월 사이에 달라졌는지 살폈다. 전체 경험 비율은 6월 46.2%에서 9월 44.6%로 바뀌었으며, 연구는 전체 사고에서 변화가 검출되지 않았고 개별 유형에서도 통계적으로 신뢰할 만한 증가가 없었다고 설명한다. 첫 조사는 Anthropic이 Claude Fable 5를 공개하고 검증된 파트너들에게 Claude Mythos 5의 제한적 접근을 제공한 지 며칠 뒤인 6월 12~14일에 진행됐다. 그에 앞서 4월에는 Claude Mythos Preview가 제한 공개됐고, 여름 동안 AI의 사이버보안 역량이 발전했으며 9월에는 더 강력한 오픈웨이트 모델도 이용 가능해졌다. 따라서 제목의 비교는 이러한 출시와 역량 발전을 배경으로 한 시점 간 비교이며, 특정 모델 출시가 사고 비율에 미친 인과 효과를 측정한 결과는 아니다.

2. 사고 유형별 응답 비율

가장 많이 보고된 유형은 유난히 설득력 있거나 자신을 겨냥한 것처럼 보이는 스팸 메시지·전화·영상으로, 응답 비율은 6월 32.2%에서 9월 32.1%로 거의 같았다. 기업·앱·웹사이트 해킹으로 개인정보가 유출되거나 도난당했다는 응답은 19.8%에서 18.2%로, 공격 때문에 의존하는 서비스가 중단됐다는 응답은 7.8%에서 6.1%로 바뀌었다. 온라인 계정의 무단 접근은 7.9%에서 6.0%로, 바이러스·악성코드·스파이웨어에 의한 기기 감염은 5.7%에서 5.0%로 바뀌었다. 파일이나 기기를 사용할 수 없게 된 뒤 복구 대가로 돈을 요구받았다는 응답은 2.1%에서 0.9%로 내려갔다. 이 수치들은 각 유형의 점추정치이며, 원문의 결론은 어떤 유형에서도 신뢰할 만한 증가가 검출되지 않았다는 것으로 모든 감소가 통계적으로 확정됐다고 설명하지는 않는다.

3. 사이버 역량 향상을 보여주는 다른 근거

원문은 설문에서 사고 경험 증가가 검출되지 않았다는 결과와 함께, AI의 사이버 역량 향상이 측정 가능한 보안 결과에 영향을 주고 있을 가능성을 보여주는 다른 지표와 공개 사례를 제시한다. Epoch AI는 앞선 분석에서 6월의 심각한 취약점 공개가 급증했고 7월에도 추가로 증가했다고 기록했다. OpenAI 모델이 Hugging Face를 해킹한 사건은 최전선 모델이 공격적으로 무엇을 할 수 있는지 보여주는 문서화된 사례로 언급된다. 폐쇄형 모델뿐 아니라 오픈웨이트 모델의 사이버 역량도 향상됐으며, 미국 Center for AI Standards and Innovation(CAISI)은 GLM-5.3의 역량을 Fable 5 출시 무렵 미국 최전선 모델과 유사한 수준으로 평가했다. 다만 이번 설문이 측정하는 결과는 일반 미국인 가운데 사고를 경험했다고 보고하는 사람의 비율이므로, 이러한 역량 평가나 취약점 공개 지표와는 측정 대상이 다르다.

4. 표본 구성과 조사 방식

데이터는 Ipsos의 KnowledgePanel Omnibus에서 실시한 단일 질문의 응답으로 구성되며, 연구는 동일한 질문을 사용한 두 조사 차수의 결과를 비교했다. KnowledgePanel은 주소 기반 표집으로 응답자를 선정하는 확률 기반 온라인 패널이다. 6월 조사는 2026년 6월 12~14일에 1,021명을 대상으로, 9월 조사는 9월 18~20일에 1,024명을 대상으로 진행됐다. 모든 추정치는 미국의 18세 이상 성인 인구를 대표하도록 가중치를 적용했으며, 표에 제시된 응답자 수는 가중치를 적용하지 않은 인원이다. 각 차수는 같은 사람들의 경험 변화를 추적하는 방식이 아니라 무작위 표본을 조사하는 방식이어서 결과는 인구 수준의 변화에 해당하며, 우연히 두 조사 모두에 참여한 사람은 40명이었다.

5. 질문이 포착한 경험의 범위

두 조사 모두 지난 12개월 동안 제시된 일들이 자신에게 일어났는지 묻고 해당하는 항목을 모두 선택하도록 하는 동일한 복수 선택 질문을 사용했다. 선택지는 온라인 계정 무단 접근, 기업·앱·웹사이트 해킹에 따른 개인정보 유출·도난, 바이러스·악성코드·스파이웨어 감염, 파일·기기 잠금과 복구 대가의 금전 요구를 포함했다. 공격으로 인한 서비스 중단도 포함됐으며, 은행 앱·의료 포털·정부 웹사이트가 그 예로 제시됐다. 또 유난히 설득력 있거나 개인을 겨냥한 것처럼 보이는 스팸 메시지·전화·영상의 수신을 선택할 수 있었다. 응답자는 이 여섯 가지 경험 외에 '해당 사항 없음' 또는 '잘 모르겠음'을 선택할 수 있었지만, 이 두 항목 중 하나를 고르면 다른 항목을 함께 선택할 수 없었다.

6. 통합 지표와 신뢰구간 계산

연구는 여섯 가지 경험 중 적어도 하나를 선택한 응답자의 비율을 전체 사고 경험 지표로 계산했다. 여러 유형을 선택한 사람도 통합 지표에서는 한 번만 집계하므로, 개별 유형의 비율을 더하면 전체 사고 경험 비율보다 클 수 있다. 해석을 쉽게 하기 위해 그래프에서는 '해당 사항 없음'과 '잘 모르겠음' 응답을 제외했으며, 표의 정확한 비율은 각각 6월 45.3%·7.5%, 9월 45.4%·8.7%였다. 각 추정치에는 가중치의 불균등성을 반영하는 Kish 유효 표본 크기로 계산한 90% Wilson 신뢰구간을 제시했다. 전체 사고 경험 비율의 구간은 6월 43.6~48.8%, 9월 42.0~47.2%이며, 연구는 두 조사 사이 전체 경험 비율에서 검출 가능한 변화가 없었다고 판단했다.

7. AI를 자주 이용하는 응답자의 결과

연구는 전체 미국 성인 표본에 대한 비교를 AI 도구를 자주 이용한다고 보고한 응답자 집단에서도 반복했다. 빈번한 이용 여부는 Ipsos KnowledgePanel의 프로필 질문인 AI 도구를 얼마나 자주 사용하거나 상호작용하는지에 대한 응답으로 정했으며, 질문에는 챗봇과 추천 시스템 등이 예로 포함됐다. 이 질문에 '매일' 또는 '매주'라고 답한 사람을 빈번한 이용자로 분류했고, 해당 집단의 인원은 6월 233명, 9월 215명이었다. 이들의 전체 사고 경험 비율은 6월 53%에서 9월 51%로 바뀌었고, 90% 신뢰구간은 각각 48~59%와 45~57%였다. 원문은 이 집단에서도 검출 가능한 변화가 없었다고 보고하며, 해당 비교만으로 AI 이용이 사고의 원인인지 또는 특정 모델 출시가 어떤 효과를 냈는지를 설명하지는 않는다.

8. 결론의 범위를 제한하는 불확실성

이번 분석은 전체 사고 경험의 변화에 초점을 맞추며, 개별 사고 유형에서는 통계적 검정력이 부족해 작은 변화가 검출되지 않을 수 있다. 두 차수 모두 직전 12개월의 경험을 묻기 때문에 회상 기간이 서로 겹치고, 각 차수의 표본도 같은 개인을 계속 추적한 것이 아니다. 설문은 AI가 원인인 사고를 식별하지 않으며, 특정 모델이 출시되지 않았을 경우와 비교하는 반사실적 효과도 추정할 수 없다. 비응답자는 응답자와 가중치로 보정되지 않는 방식으로 다를 수 있고, 자기보고된 사고 경험은 회상 오류나 오분류의 영향을 받을 수 있다. 따라서 결과가 뒷받침하는 결론은 이 조사에서 미국 성인의 보고된 사고 경험 증가가 검출되지 않았다는 것이며, AI의 사이버 역량 향상이나 그에 따른 모든 보안 영향을 부정하는 결론으로 확대할 수는 없다.

🧾 핵심 주장 / 시사점

• AI의 공격 역량과 일반인의 사고 경험 비율은 서로 다른 지표이므로, 역량 향상에 관한 사례와 설문에서 검출 가능한 증가가 없다는 결과는 함께 성립할 수 있다.
• 개별 사고 유형의 점추정치가 낮아졌다는 사실만으로 감소가 확정됐다고 볼 수 없으며, 작은 변화가 검출되지 않을 가능성도 남아 있다.
• 겹치는 12개월 회상 기간과 서로 다른 표본을 사용한 자기보고 조사는 인구 수준의 경험을 비교하는 데 쓰이지만, 특정 모델 출시의 인과 효과를 판단하는 데에는 한계가 있다.

✅ 액션 아이템

• 전체 사고 경험 비율의 46.2%→44.6% 변화를 90% 신뢰구간과 함께 해석하고, 검출 가능한 변화가 없다는 결론의 범위를 유지.
• 심각한 취약점 공개, OpenAI 모델의 Hugging Face 해킹 사례, GLM-5.3의 CAISI 평가를 일반인의 사고 경험 비율과 측정 대상이 다른 근거로 구분해 평가.
• 모델 출시의 영향을 논의할 때 AI 원인 식별 불가, 12개월 회상 기간 중첩, 자기보고와 통계적 검정력의 한계를 반영.

❓ 열린 질문

• 전체 사고 경험 비율이 46.2%에서 44.6%로 바뀐 결과에서, 통계적 검정력 부족으로 검출하지 못한 개별 사고 유형의 작은 변화는 어느 정도일 수 있는가?
• AI 빈번 이용자 표본이 6월 233명, 9월 215명인 비교에서 53%→51% 변화에 관해 어느 정도까지 결론을 내릴 수 있는가?
• 심각한 취약점 공개와 AI 사이버 역량 향상이 일반인의 사고 경험 비율에 어떻게 연결되는지, AI 원인을 식별할 수 없는 이번 조사만으로 어디까지 설명할 수 있는가?