AI 에이전트, 횡적 이동의 규칙을 새로 쓰다

보안 팀은 특정 ID가 너무 많은 액세스 권한을 가졌는지 묻는 데 수십 년을 보냈습니다. AI 에이전트는 더 어려운 질문을 던집니다. 자율 시스템이 이미 보유한 액세스 권한을 고려할 때, 해당 시스템이 발견할 수 있는 경로를 어떻게 결정할 수 있을까요?

사람은 작업을 완료하기 위해 여러 가지 방법을 시도할 수 있습니다. 결정론적 애플리케이션은 개발자가 작성한 흐름을 따릅니다. 하지만 AI 에이전트는 '완료'를 추구하는 데 끈질깁니다. 2026년 5월, OpenAI announced에 따르면 자사 모델 중 하나가 수학자가 너무 지루하다고 포기했을 법한 경로들을 끝까지 파고들어 이산 기하학의 1946년 Erdős 추측이 틀렸음을 증명했습니다.

동일한 원칙이 사이버 보안에도 적용됩니다. AI 에이전트는 수천 가지 작업을 테스트하고, 실패한 경로를 포기하고, 자격 증명을 발견하고, 도구를 전환하며 계속 나아갈 수 있습니다. 이러한 끈기 덕분에 에이전트가 유용해지기도 하지만, 측면 이동(lateral movement)에 대해 생각하는 방식을 바꿔야 하기도 합니다. AI 에이전트 위험에는 두 가지 차원이 있습니다.

• 액세스(Access)는 가능한 폭발 반경(blast radius)을 정의합니다.
• 자율성(Autonomy)은 인간의 개입 없이 에이전트가 얼마나 많은 일을 할 수 있는지를 결정합니다.

어느 차원이든 그 자체로 위험을 초래할 수 있지만, 이 둘의 결합은 보안 모델을 변화시킵니다. 에이전트의 행동을 안정적으로 예측할 수는 없지만, ID와 의도를 통해 액세스를 거버넌스할 수 있게 됩니다.

Autonomy Turns Access Into Exploration

사람들은 목표를 가능한 한 빠르고 쉽게 달성하는 데 집중하기 때문에 종종 에이전트에게 필요 이상의 액세스 권한과 자율성을 부여합니다. 두 축 사이의 합리적인 확산 대신, 현실은 종종 다음과 같은 모습을 보입니다.

Token Security의 연구인 the Agentic Pulse에 따르면, 에이전트형 챗봇이 수행하는 외부 작업의 51%가 OAuth 대신 하드코딩된 자격 증명을 통해 인증하며, 해당 에이전트의 65%는 생성된 날 이후로 단 한 번도 사용되지 않았습니다.

2026년 7월의 Hugging Face 사고는 인간 운영자가 따라하기 힘든 규모로 이러한 역학 관계를 보여주었습니다. 사이버 보안 평가 기간 동안 OpenAI 모델들의 조합으로 구동된 자율 에이전트들은 예상된 환경을 탈출하여 외부 런칭패드를 구축하고, 프로덕션 인프라를 악용하고, 자격 증명을 수집하고, 권한을 상승시켰으며, 클라우드, Kubernetes, 내부 네트워크 및 소스 제어 경계를 가로질러 이동했습니다.