SKT·업스테이지, 11개 기관과 독자 AI 사이버보안 협의체 출범
AI를 활용하여 생성한 이미지입니다.
SK텔레콤과 업스테이지가 보안기업과 대학이 참여하는 독자 AI 사이버보안 협의체를 2026년 10월 8일 출범시켰어요.[1] 기업이 보안 현장 데이터를 제공하고 대학이 안전성을 검증한 뒤, 두 회사의 AI 모델을 실제 보안 제품과 업무에 적용하는 구조예요.
누가 참여하나
이번 협의체에는 SK텔레콤과 업스테이지를 포함해 총 11개 기관이 참여해요. SK쉴더스, 시큐아이, 안랩, 라온시큐어, 지니언스, 파이오링크 등 보안기업 6곳과 고려대학교, 숭실대학교, 부산대학교 등 대학 3곳이 함께해요.[1] 단순한 공동 발표가 아니라 데이터 제공, 모델 개발, 독립 평가, 현장 실증을 나눠 맡는 형태에 가까워요.
협의체가 만들어진 배경에는 정부의 독자 AI 파운데이션 모델 프로젝트가 있어요. SK텔레콤의 A.X K 시리즈와 업스테이지의 솔라를 일반 대화형 모델에 머물게 하지 않고, 취약점 분석과 보안관제처럼 책임이 큰 업무에 맞추려는 시도예요.[1]
무엇을 학습시키나
두 회사는 악성코드 분석, 소프트웨어 취약점 분석, 보안관제에서 발생한 데이터를 모델 학습에 활용할 계획이에요.[1] 사전학습 단계에서는 보안 분야의 기초 지식을 넓히고, 사후학습 단계에서는 실제 업무 흐름에 맞춰 판단과 대응 능력을 높인다고 설명했어요.
SK텔레콤은 차기 A.X K3에 보안 데이터를 체계적으로 학습시킬 계획이고, 업스테이지는 대용량 코드와 장기간 로그를 분석하는 차기 솔라 모델에 취약점 탐지·분석 데이터를 집중할 예정이에요.[1] 여기서 중요한 점은 모델이 보안 지식을 말로 설명하는 데 그치지 않고, 취약점을 찾고 패치를 제안하거나 관제센터의 사고 대응을 보조하는지 확인하는 거예요.
숫자가 보여주는 현장 규모
SK텔레콤 뉴스룸에 따르면 SK쉴더스는 하루 170억 건 규모의 위협 이벤트를 실시간 분석하고 있고, 안랩은 2.5PB 이상의 보안 데이터를 보유하고 있어요.[1] 1PB는 1,024TB예요. 다만 데이터가 많다고 모델의 판단이 자동으로 정확해지는 것은 아니에요. 데이터의 최신성, 라벨 품질, 개인정보와 영업기밀의 제거, 공격자에 의한 오염 가능성을 함께 관리해야 해요.
보안 데이터는 일반 웹 문서보다 민감해요. 실제 공격 로그에는 내부 주소나 계정 구조가 섞일 수 있고, 악성코드 샘플에는 실행 가능한 코드가 들어 있을 수 있어요. 협의체가 학습 데이터를 어떤 방식으로 비식별화하고 접근권한을 나누는지는 공개된 내용만으로는 충분히 확인되지 않았어요.
검증 방식이 중요한 이유
협의체는 두 모델의 상호 레드티밍과 대학의 독립 평가를 진행한 뒤 참여사의 보안 제품에 적용하겠다고 밝혔어요.[1] 레드티밍은 모델을 일부러 공격적인 입력과 예외 상황에 노출해 취약점을 찾는 과정이에요.
이 단계가 필요한 이유는 보안 AI가 틀렸을 때 피해가 커질 수 있기 때문이에요. 정상 파일을 악성으로 판단하면 업무가 멈출 수 있고, 악성 파일을 정상으로 판단하면 침해사고로 이어질 수 있어요. 따라서 정확도 하나만 공개하는 것보다 오탐과 미탐, 판단 근거, 사람이 개입하는 지점, 로그 보존 방식을 함께 공개하는 편이 실용적이에요.
기업과 개인에게 어떤 변화가 있나
협의체의 직접적인 결과가 당장 일반 사용자용 서비스로 나오는 것은 아니에요. 먼저 참여 기업의 보안 솔루션과 관제 업무에서 공동 실증을 진행한다는 계획이에요.[1] 성과가 확인되면 취약점 분류, 탐지 규칙 생성, 사고 초동 분석 같은 반복 업무를 AI가 보조할 가능성이 있어요.
기업 입장에서는 보안 인력 부족을 줄일 수 있다는 기대가 있지만, AI가 생성한 패치나 탐지 규칙을 검토할 인력은 여전히 필요해요. 특히 제로데이 취약점처럼 근거가 부족한 상황에서 AI의 추측을 확정된 사실처럼 사용하면 오히려 대응이 늦어질 수 있어요. 보안 업무에서는 답을 빨리 내는 것보다 왜 그렇게 판단했는지 추적할 수 있어야 해요. 모델이 참고한 로그와 규칙, 사람이 수정한 부분이 남아야 사고가 났을 때 원인을 되짚을 수 있어요.
기업이 실제 도입을 검토한다면 모델의 이름보다 권한 범위를 먼저 정해야 해요. 취약점 후보를 분류하는 단계와 방화벽 규칙을 바꾸는 단계는 위험도가 달라요. 전자는 사람이 검토할 목록을 줄이는 보조 작업으로 시작할 수 있지만, 후자는 승인 절차와 되돌리기 기능이 없으면 자동화하기 어려워요.
데이터 공유 방식도 결과를 좌우해요. 여러 회사의 로그를 한 모델에 모을 때는 서로 다른 형식과 중복 기록을 정리해야 하고, 특정 기업의 환경에만 맞는 데이터가 전체 공격을 대표하는 것처럼 학습되지 않게 해야 해요. 협의체가 이런 데이터 기준과 평가 세트를 공개할수록 외부에서 성능을 검증하기 쉬워져요.[1]
앞으로 확인할 항목
- 어떤 데이터가 실제 학습에 사용됐는지 공개되는지 확인해요.
- 대학 독립 평가의 테스트 범위와 결과를 확인해요.
- A.X K와 솔라가 사람의 승인 없이 보안 조치를 실행하는지 확인해요.
- 오류가 발생했을 때 책임 주체와 복구 절차가 정해져 있는지 살펴봐요.
국내의 다른 보안 특화 AI 모델 개발 사례와 비교하려면 네이버클라우드 컨소시엄의 700B급 보안 AI 모델 개발도 참고할 수 있어요.
정리
이번 협의체는 국내 AI 모델을 실제 보안 업무에 투입하기 위한 공동 개발·검증 구조를 만들었다는 점에서 의미가 있어요.[1] 다만 출범은 시작 단계예요. 학습 데이터 관리, 독립 평가 결과, 현장 오탐·미탐 수치가 공개돼야 보안 업무에 맡길 수 있는 수준인지 판단할 수 있어요.
