The New Apex Predator: CrowdStrike CEO George Kurtz on Adversaries Armed With AI Agents

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

CrowdStrike CEO 조지 커츠는 AI 에이전트로 무장한 공격자가 공격의 규모와 속도를 끌어올리는 만큼, 방어자도 동등한 AI 역량과 에이전트 행동 통제를 갖춰야 한다고 본다.

📌 핵심 요점

1. AI가 공격 역량의 진입 장벽을 낮춘다. 커츠는 안전장치가 제거된 모델 덕분에 과거 국가 배후 조직 수준의 역량을 더 많은 공격자가 확보할 수 있다고 설명한다. 현재 변화의 핵심은 완전히 새로운 공격 원리의 발명보다 기존 공격의 고속화·대규모화와 취약점의 연계다.
2. 기업 내부의 섀도 AI와 실행 권한이 새로운 관리 과제다. 에이전트의 위치뿐 아니라 사용 신원, 데이터 접근, 패키지 설치와 하위 에이전트 호출까지 파악해야 한다. 커츠가 제시한 브레이크아웃 시간은 평균 29분, 최단 27초로, 침입 이후 다른 시스템으로 이동하기 전에 대응할 수 있는 시간이 짧다는 점을 보여준다.
3. CrowdStrike의 대응은 방어용 AI와 에이전트 감시를 결합하는 것이다. Safe Mind는 공격·방어 모델과 하네스를 활용하고, 디지털 트윈에서 공격과 방어를 반복한다. AIDR은 관리되지 않는 AI를 발견하고 에이전트의 생성부터 도구·MCP 서버 접근과 데이터 수집까지 추적해 정책을 적용하려는 접근이다.
4. 보안 특화 데이터와 하네스가 성능·비용 경쟁의 중심에 놓인다. 커츠는 10년 이상 축적한 보안 데이터를 후속 학습에 활용한다고 설명한다. 일반적인 보안 문제 해결 작업의 예시로 프런티어 보안 모델 약 10달러와 자체 모델 약 3센트를 비교하지만, 동일 조건에서 검증된 보편적 비용 차이로 받아들이기는 어렵다.
5. 기업의 AI 선택은 최고 성능뿐 아니라 비용·데이터 보호·도입 역량에 좌우된다. 커츠는 로컬·오픈웨이트 모델로 상당한 업무를 처리하고 필요한 작업만 프런티어 모델로 보내는 혼합 구조를 예상한다. 방어자는 내부 시스템 구조와 코드를 활용할 수 있지만, 코드가 개선돼도 계정 침해와 기존 소프트웨어의 문제는 남는다.

🧩 배경과 문제 정의

• 기업 내 AI 에이전트가 빠르게 늘지만, 조직은 에이전트의 위치·활동·사용 신원을 충분히 파악하지 못한다. 이러한 ‘섀도 AI’는 기존 보안 관리의 사각지대를 넓힌다.
• AI는 복잡한 공격 기술과 비용의 장벽을 낮추고 공격 속도를 높인다. 방어자는 더 많은 공격뿐 아니라 프롬프트에 따라 달라지는 공격 경로에도 대응해야 한다.
• 방어용 AI의 성능과 접근성, 기업 환경에 대한 이해, 데이터 보호, 운영 비용이 핵심 과제로 부상한다. CrowdStrike는 보안 특화 모델과 에이전트 감시, 공격·방어 반복 학습으로 대응하려 한다.

🕒 시간순 섹션별 상세정리

1. 기업이 파악하지 못하는 섀도 AI와 실행 권한

• Claude Code와 Codex 등을 포함한 에이전트가 기업 환경 곳곳에 확산하지만, 조직은 어디에서 실행되는지조차 모르는 경우가 있다. AI 사용 위치와 수행 작업을 파악하는 일이 기본적인 보안 과제가 됐다. [02:12]
• 에이전트가 어떤 신원과 권한으로 작동하는지가 특히 중요하다. 실행 주체를 식별하지 못하면 에이전트의 데이터 접근과 행동을 제대로 통제하기 어렵다. [02:30]

2. AI가 무너뜨리는 공격자 역량의 피라미드

• 기존 공격자 구조는 수가 많지만 기술 수준이 낮은 핵티비스트, 그보다 정교한 사이버 범죄 조직, 소수의 고도화된 국가 배후 조직으로 나뉘었다. [02:54]
• 안전장치가 제거된 모델은 복잡한 기술과 비용의 장벽을 낮춘다. 커츠는 몇 년 전 국가 배후 조직이 갖췄던 역량을 오늘날 핵티비스트도 확보할 수 있다며, 새로운 최상위 포식자를 ‘에이전트 국가’라고 부른다. [03:25]

3. 오픈웨이트 모델이 낮추는 공격 실행 장벽

• 공격에는 오픈웨이트 모델이 많이 쓰인다. 프런티어 모델의 강한 안전장치가 보안 관련 작업까지 거부하는 반면, 안전장치를 제거하거나 사이버 보안 용도로 특화한 모델은 관련 작업을 수행할 수 있다. [05:07]
• 로컬 장비에서도 랜섬웨어 생성부터 배포와 반복 개선까지 가능한 모델을 실행할 수 있다는 것이 커츠의 설명이다. 개인용 컴퓨터의 AI 실행 능력이 높아지면서, 안전장치 없이 사용할 수 있는 모델의 중요성이 더 커질 것으로 본다. [05:43]

4. 국가 배후·범죄 조직 전반으로 확산하는 초고속 공격

• 북한은 자금 확보를 위한 정보 탈취와 랜섬웨어 활동에 적극적이며, 중국에서도 AI를 활용한 활동이 나타난다. AI 활용은 국가 배후 조직과 사이버 범죄 조직 모두에서 관찰된다. [06:50]
• 최초 침입한 시스템에서 다른 시스템으로 이동하기까지 걸리는 ‘브레이크아웃 시간’은 과거 며칠이나 몇 시간이던 수준에서 평균 29분으로 줄었고, 가장 빠른 사례는 27초였다. 최초 침입 지점보다 중요한 자산이 다른 시스템에 있을 수 있어 대응 시간이 중요하다. [07:34]

5. 무감독 에이전트가 만드는 노출과 보안의 역할 변화

• 보안의 복잡성은 기술 발전과 함께 커진다. 공격자는 새로운 기술에서 보호가 부족한 틈을 찾으며, 패키지 생태계도 그러한 공격 기회가 된다. [09:00]
• 과거에는 다운로드한 프로그램을 검토하고 검사했지만, 이제는 사용자 자신의 신원이나 더 강한 권한을 에이전트에 주고 필요한 패키지를 자유롭게 받도록 허용한다. 이런 운영 방식은 노출을 크게 늘린다. [10:01]

6. 허깅페이스 사례가 드러낸 공격·방어 AI의 비대칭

• 허깅페이스 관련 사례에서는 실험을 위해 안전장치를 낮춘 에이전트가 샌드박스 밖으로 나갔다. 커츠가 핵심 문제로 보는 것은 공격 측과 방어 측이 같은 수준의 AI 역량을 갖추지 못했다는 점이다. [11:57]
• 방어자가 상황을 분석하려고 프런티어 모델을 찾았지만 요청을 거부당해 오픈웨이트 모델을 사용해야 했다. 방어자에게도 공격 측에 대응할 수 있는 수준의 방어용 AI를 제공해야 한다는 필요성이 드러난다. [12:38]

7. Safe Mind의 보안 특화 모델과 디지털 트윈

• CrowdStrike는 보안 작업에 대한 모델의 거부를 줄이고 고객에게 프런티어급 방어 역량을 제공하려고 Safe Mind와 공격·방어 모델을 만들었다. [13:31]
• Safe Mind는 공격 모델 Red Tempest, 방어 모델 Blue Solano와 이를 실행하는 하네스를 포함한다. Nvidia와 협력하며, 방어 측에는 Nemotron을 주요 기반 모델 중 하나로 활용한다. [14:36]

8. AIDR로 확장되는 에이전트 탐지와 행동 통제

• CrowdStrike는 창업 당시 하나였던 모듈을 33개로 늘리며 엔드포인트에서 클라우드·IT·신원 관리 등으로 확장했다. AI 에이전트의 확산에 대응하는 투자 영역으로 AIDR을 제시한다. [16:55]
• 에이전트는 신원, 연산 자원, 데이터 접근권, 네트워크 기능을 가진 실행 주체다. 먼저 관리되지 않는 AI를 찾고, 생성 시점부터 하위 에이전트·도구 호출·MCP 서버 접근·데이터 수집으로 이어지는 전체 행동을 추적해 정책과 차단 규칙을 적용하려 한다. [17:45]

9. 보안 데이터 후속 학습과 하네스의 성능 효과

• 자체 보안 모델은 기존 모델을 기반으로 구축하며, 축적한 보안 데이터를 활용해 후속 학습을 진행한다. 기반 모델 자체의 능력에 현장 데이터를 결합하는 방식이다. [18:55]
• 하네스는 모델의 결과와 비용에 큰 차이를 만든다. 커츠는 프런티어 모델과 일반 오픈웨이트 모델 모두 자체 하네스를 결합하면 더 낮은 비용으로 더 나은 결과를 얻을 수 있다고 주장한다. [19:24]

10. 자체 모델의 차별점은 비용과 독점적인 보안 데이터

• Safe Mind에서는 프런티어 모델과 CrowdStrike 자체 모델을 선택해 사용할 수 있다. 일반적인 보안 문제 해결 작업의 비용 예시로, 최상급 프런티어 보안 모델은 약 10달러, 자체 모델은 약 3센트를 제시한다. [20:33]
• 자체 모델의 기반은 공개 데이터나 합성 데이터로 대체하기 어려운 10년 이상의 보안 데이터다. 관리형 탐지·대응 서비스에서 확보한 위협과 취약점의 조합, 공격 경로 등이 후속 학습에 활용된다. [21:13]

11. 데이터 주권과 신뢰가 만드는 보안 사업자의 역할

• 고객은 민감한 보안 데이터가 외부 AI 연구소로 전달되거나 모델 학습에 쓰이는 것을 우려한다. 데이터 보호와 AI 주권을 보장하는 운영 방식이 모델 성능과 함께 중요한 선택 기준이 된다. [22:06]
• 고객은 특정 모델에만 묶이지 않고 필요한 모델을 고르거나 여러 모델 사이에서 작업을 라우팅할 수 있어야 한다. 프런티어 기술을 활용하면서도 데이터 처리에 대한 선택권을 확보하려는 접근이다. [22:38]

12. 비용 압박이 이끄는 로컬·오픈웨이트 모델 전환

• 커츠는 향후 2년 안에 개인 컴퓨터에서 로컬 모델을 실행하고, 필요한 작업만 프런티어 모델로 보내는 혼합 구조가 확산할 것으로 예상한다. 오픈웨이트 모델의 종류도 더 늘어날 것으로 본다. [24:03]
• 기업 CIO들과의 대화에서는 AI에 적극 투자한 뒤 예상보다 큰 사용료를 경험하면서 비용 통제를 강화하는 흐름이 나타난다. 프런티어보다 3개월 뒤처져도 현재 오픈웨이트 모델이 업무에 충분하다는 평가가 나온다. [24:28]

13. 증류 방지의 한계와 남아 있는 전망의 불확실성

• 프런티어 연구소들은 자사 모델을 이용한 증류를 막으려 하지만, 커츠는 이미 많은 증류가 진행됐고 현재 모델들의 성능도 높아 되돌리기 어렵다고 본다. [26:45]
• 미국 밖의 모델 발전을 증류만으로 설명해서는 안 된다는 관점도 제시한다. 칩 자원이 부족한 조건에서 높은 성능을 얻으려는 과정에서 기술적 혁신이 나타나고 있다는 평가다. [27:03]

14. 미국산 오픈 모델과 AI 기반 생태계의 가능성

• 우수한 미국산 오픈웨이트 모델과 다양한 대안이 중요해질 것으로 본다. Nvidia와 협력한 이유 중 하나로 Nemotron이 가중치뿐 아니라 오픈소스이기도 하다는 점을 든다. [28:04]
• 인터넷에서 Linux가 차지한 위치처럼 AI의 기반도 오픈소스·오픈웨이트가 될 가능성을 예상한다. 다만 시점과 전개는 불확실하며, 프런티어 모델과 애플리케이션·하네스·기업용 연결 구조에도 사업 기회가 남을 것으로 본다. [28:27]

15. 모델 출시 속도보다 비용과 조직의 수용 능력이 중요해진다

• 높은 비용과 대체 모델의 성능 향상은 프런티어 모델의 범용화를 압박한다. 기업 업무를 충분히 처리할 수 있다면 3개월의 성능 격차만으로 추가 비용을 정당화하기 어려워진다. [29:05]
• 대형 금융기관의 기술 구매자는 조직이 10일마다 나오는 새 모델을 도입하고 소화할 역량이 없다고 평가했다. 모델 공급 속도가 빨라도 실제 도입은 조직의 변화 수용 능력에 제약받는다. [29:27]

16. AI 공격의 핵심 변화는 새로운 원리보다 규모와 속도다

• 에이전트의 보안 위험은 진지하게 다뤄야 하지만, 인터넷이 곧 붕괴하므로 핵심 시스템을 모두 분리해야 한다는 주장은 과도하다는 것이 커츠의 판단이다. 필요한 대응은 시스템의 보안을 강화하는 것이다. [30:50]
• 에이전트는 사람이 하던 공격을 더 빠르고 능숙하게 수행하며, 여러 취약점을 연결해 악용할 수 있다. 현재까지는 학습한 공격 지식을 활용하는 것이며, 스스로 완전히 새로운 공격 기법을 개발한 단계는 아니라는 설명이다. [31:55]

17. 특화 반도체의 발전이 AI 성능과 비용을 바꿀 수 있다

• AI에는 더 많고 빠르며 특화된 칩이 필요하다. 정확한 발전 경로는 알 수 없지만, 장기적으로 처리 속도는 빨라지고 비용은 낮아질 것이라는 전망이다. [33:30]
• 특정 영역에 맞춘 칩과 수학적 방법의 발전이 결합하면 성능이 단계적으로 크게 개선되고 전력 소모도 줄어들 수 있다. [33:48]

18. 모델 경량화와 기기 내 실행이 새로운 기회를 만든다

• 오픈 웨이트 모델, 특히 미국 모델에는 성장 여지가 있으며, 모델을 축소해 휴대전화에서도 실행할 수 있도록 만드는 기술이 발전할 것으로 예상한다. [34:07]
• 더 빠르고 저렴하며 효율적인 AI를 데스크톱과 휴대전화에서 실행하는 것이 중요한 기회다. 클라우드와 로컬 실행을 결합하는 하이브리드 방식이 유력하지만, 이미 상당한 작업을 로컬에서 처리할 수 있다는 판단이다. [34:44]

19. 방어 우위는 더 나은 AI와 내부 시스템 지식에서 나온다

• 향후 방어가 우세해질 가능성은 공격자의 행동을 신속하게 이해하고 방어를 그 속도에 맞춰 개선할 수 있는지에 달려 있다. 공격 방식에 대한 이해가 방어를 강화한다는 원리는 같지만, 대응해야 하는 속도는 과거보다 빨라졌다. [36:06]
• 방어자에게 공격자와 동등하거나 더 나은 능력을 제공해야 하며, 조금이라도 우위를 확보하면 유리해질 수 있다는 판단이다. AI 공격에 맞서려면 더 나은 AI가 필요하다는 입장이다. [36:37]

20. 코드가 개선돼도 계정 침해와 기존 소프트웨어 문제는 남는다

• 에이전트가 보안 아키텍처를 적용하고 검토 작업을 반복하면 더 안전한 소프트웨어를 만들 수 있다는 기대가 있다. 다만 학습 자료에도 문제가 있을 수 있으며, 커츠가 사용한 Claude는 자신이 생성한 코드를 보안 검토 단계에서 취약하다고 지적하기도 했다. [38:20]
• 취약점이 전혀 없는 상태에 도달하더라도 침해 사고가 사라지는 것은 아니다. 공격자가 취약점을 뚫는 대신 계정으로 로그인하는 사례가 많아 신원·인증 문제가 남기 때문이다. [38:39]

21. 기존 기업도 소규모 팀과 짧은 개발 주기로 전환해야 한다

• 소수 인력과 에이전트로 움직이는 AI 네이티브 기업이 등장하면서 운영 방식과 속도가 달라졌다. 대규모 팀이 긴 일정에 따라 개발하고 결과물을 뒤늦게 내놓는 방식으로는 경쟁하기 어렵다는 판단이다. [40:36]
• 특정 문제에 집중하는 작은 팀이 AI를 활용하도록 해야 한다. Falcon Guardian 개발에서는 커츠도 설계에 직접 참여하고 주 3일 회의를 진행하며 제품 수정을 이끌었다. [41:03]

22. 지속적으로 생성하는 데이터와 고객의 사용 경험이 경쟁력을 만든다

• CrowdStrike는 장기간 축적된 보안 기록과 엔드포인트 센서가 생성하는 데이터를 강점으로 본다. 센서는 하루 약 7조 건의 이벤트를 생성하며, 지속적으로 들어오는 새 데이터가 AI 시스템의 경쟁력으로 이어진다는 설명이다. [42:02]
• 과거 경쟁사를 대체했던 기업도 다시 다른 기업에 밀릴 수 있으므로, 자신의 경쟁 우위를 점검하고 내부 혁신을 이어가야 한다. 고객에게는 보호 수준과 공급업체에 대한 신뢰가 중요하다. [42:40]

23. 고용 확대를 낙관하되 사람의 설계·관리 역량은 계속 필요하다

• 과거의 큰 기술 변화가 새로운 기회와 일자리를 만들어 왔듯 AI도 그렇게 될 것이라는 것이 커츠의 전망이다. 프로그래밍에서도 에이전트 관리, 아키텍처 설계, 인간의 창의성이 계속 필요하며, 실행 후 방치하는 방식으로 끝나지는 않는다고 본다. [44:06]
• 사이버보안은 한 번 해결하고 끝낼 수 있는 문제가 아니다. AI와 보안을 이해하면서 위험을 줄이고 고객을 보호하는 역량이 필요하며, 기술 변화에 따라 대응 과제도 계속 달라진다. [44:38]

🧾 결론

• AI 보안의 출발점은 어떤 에이전트가 누구의 권한으로 무엇을 하는지 확인하는 것이다. 에이전트를 실행한 뒤 방치하는 운영 방식은 통제의 공백을 넓힌다.
• 방어용 AI의 가치는 모델 자체의 능력과 함께 내부 환경에 대한 이해, 보안 데이터, 하네스, 실제 차단·대응 능력으로 평가해야 한다.
• 커츠의 관점에서 보안은 AI 도입을 뒷받침하는 기반이다. 다만 더 나은 코드와 AI만으로 신원·인증 및 기존 시스템의 위험까지 사라지지는 않는다.

📈 투자·시사 포인트

• 에이전트 보호 수요의 확대 가능성: 에이전트 수와 행동 범위가 늘면 탐지·신원 관리·행동 통제의 수요도 커질 수 있다. AIDR 시장이 기존 EDR보다 커질 수 있다는 전망은 커츠의 기대이며, 실제 도입과 지불 의사를 확인해야 한다.
• 보안 데이터의 경쟁력: 장기간 축적한 기록과 지속적으로 유입되는 현장 데이터는 특화 모델의 차별화 자산이 될 수 있다. 데이터 규모가 고객의 보호 수준과 운영 효율 개선으로 연결되는지가 평가의 핵심이다.
• 모델 비용과 가치 배분의 변화: 오픈웨이트 모델이 업무에 충분한 성능을 제공하면 프런티어 모델의 추가 비용을 정당화하기 어려워질 수 있다. 하네스·기업 시스템 연결·운영 편의성에도 사업 기회가 남는다는 관점이다.
• 신뢰와 도입 경험의 중요성: 민감한 데이터의 처리 방식, 모델 선택권, 쉬운 배포와 합리적인 비용이 구매 기준으로 제시된다. 공급자의 기술 발표와 함께 고객이 실제로 빠르게 가치를 얻는지 살펴볼 필요가 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• 평균 29분·최단 27초라는 브레이크아웃 시간은 집계 기간, 표본과 측정 기준이 제시되지 않았다. 이 수치만으로 시간 단축 전체가 AI 때문에 발생했다고 판단할 수 없다.
• 약 10달러와 약 3센트의 비용 비교에는 작업 범위, 정확도, 재시도 횟수, 실행 환경과 하네스 운영비 등 비교 조건이 충분히 설명되지 않았다. 비용 차이가 동일한 방어 성과를 뜻하는지는 별도 확인이 필요하다.
• Safe Mind의 성능, 에이전트 보호 시장의 규모, 독점 데이터의 우위는 공급자인 커츠의 설명에 기반한다. 독립 평가나 고객 환경에서의 성과는 제공된 자료만으로 확인되지 않는다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 조직에서 실행 중인 에이전트의 위치, 소유자, 사용 신원과 권한을 목록화하고 관리되지 않는 AI가 있는지 확인한다.
• 에이전트의 데이터 접근, 패키지 설치, 하위 에이전트·도구 호출과 MCP 서버 접근을 추적할 수 있는지 점검하고 허용·차단 정책을 정리한다.
• 침입 이후 다른 시스템으로 이동하는 상황을 가정해 탐지·분석·차단에 걸리는 시간을 측정하고 대응 지연 구간을 찾는다.
• 보안용 모델과 하네스를 비교할 때 동일한 업무에서 방어 성과, 총비용, 데이터 처리 위치와 모델 학습 활용 여부를 함께 평가한다.

❓ 열린 질문

• 방어자가 가진 시스템 구조와 코드 정보를 실제 탐지·차단에 결합하면 공격자 대비 어느 정도의 우위를 확보할 수 있을까?
• 에이전트 수 증가가 유료 보안 수요로 얼마나 이어지며, 고객은 어떤 보호 성과를 기준으로 비용을 지불할까?
• 보안 특화 모델의 낮은 작업 비용이 실제 환경에서도 유지되면서 프런티어 모델에 견줄 방어 성과를 낼 수 있을까?