통합검색 - 디노텍

직원 명단을 챗GPT에 올리면 개인정보 위반일까?

🤖 "이 엑셀 명단에서 이름이랑 부서별로 데이터 서식 좀 맞춰줘" 업무 중 한 번쯤 챗GPT나 생성형 AI에 사내 직원 명단이나, 고객 연락처를 그대로 복사·붙여넣기해 본 적 있으신가요? 많은 직장인이 업무 효율을 높이기 위해 엑셀 데이터 정리나 이메일 초안 작성 등의 과정에서 내부 정보를 생성형 AI에 입력하곤 합니다. 업무 시간을 획기적으로 줄여주는 생성형 AI는 이제 필수 도구가 되었지만, 무심코 입력한 한 줄의 텍스트가 심각한 보안 침해와 법적 책임으로 이어질 수 있습니다. 실제로 데이터 보안 기업 사이버헤이븐(Cyberhaven)의 조사에 따르면, 직장인의 약 11%가 회사 데이터를 ChatGPT에 입력한 경험이 있으며, 이 중 약 4%는 민감한 기업 데이터(소스 코드, 고객 정보, 기밀 문서 등)를 그대로 복사해 붙여넣은 것으로 나타났습니다. (관련 기사 보기) 또한 IBM의 🔗2025 데이터 유출 비용 보고서에 따르면 데이터 침해를 경험한 조직의 20%가 승인되지 않은 AI 도구, 즉 '섀도우 AI'와 관련되어 있었으며, 이로 인해 평균 침해 비용이 약 67만 달러 증가한 것으로 나타났습니다. 이번 글에서는 업무 생산성을 유지하면서도 개인정보와 기업 데이터를 안전하게 보호하기 위한 핵심 활용 수칙을 살펴보겠습니다. ◼ 직원 명단을 챗GPT에 입력하면 왜 위험할까? 많은 실무자가 "단순 서식 변환 작업이고 작업 후 바로 지우면 문제없겠지"라고 생각합니다. 하지만 작업창에서 바로 지우더라도 이미 외부 서버 전송과 데이터 처리 과정을 거치기 때문에 여러 보안 및 법적 문제가 발생할 수 있습니다. 대표적인 위험 요인은 다음과 같습니다. ▲ 개인정보보호법상 안전조치 의무 위반 직원 명단은 이름뿐만 아니라 부서, 직급, 사내 이메일, 연락처 등이 함께 결합되어 특정 개인을 식별할 수 있는 명백한 '개인정보(PII)'에 해당합니다. 정보 주체의 사전 동의 없이 개인용 AI 도구에 이를 입력해 외부 서버로 전송하는 것은 법 위반 소지가 높습니다. ▲ 국외 이전 및 모델 재학습 노출 위험 ChatGPT, Claude 등 글로벌 생성형 AI 서비스는 데이터 처리가 해외 데이터센터에서 이루어집니다. 특히 무료 버전이나 기본 설정 상태에서는 사용자가 입력한 프롬프트가 AI 모델의 재학습(Data Training) 데이터로 쓰일 수 있어, 다른 사용자의 질문 응답 과정에서 사내 구성원의 정보가 노출될 위험이 존재합니다. ▲ 삭제 기능의 한계 대화창에서 대화 기록을 지우더라도, 해당 데이터가 백엔드 서버에서 완전히 파기되기까지 보관 기간이 발생합니다. 또한 이미 모델 파라미터 학습에 반영된 정보는 개별적으로 분리해 되돌리기가 구조적으로 불가능합니다. ◼ 실무자가 지켜야 할 기본 AI 보안 수칙 편리함 뒤에 따르는 보안 리스크를 막기 위해서는 실무 단계에서의 올바른 입력 습관이 선행되어야 합니다. 민감한 사내 정보와 개인정보를 보호하기 위해 프롬프트를 작성할 때 반드시 지켜야 할 핵심 실천 수칙을 정리했습니다. 💡 기업 전용 비즈니스(Enterprise) 플랜 사용 권장보안 및 데이터 관리 통제가 보장되는 기업용 플랜을 우선적으로 도입·사용합니다. 💡개인식별정보(PII) 및 사내 기밀 데이터 입력 금지이름, 전화번호, 주민등록번호 등 특정인을 식별할 수 있는 정보 및 사내 미공개 기밀(계약서, 재무 수치 등)은 프롬프트에 직접 입력하지 않습니다.데이터 분석이나 문서 작성이 필요한 경우, 실제 정보 대신 '[직원A]', '[부서1]'과 같이 가명화·마스킹 처리 후 입력합니다. 💡모델 학습(Data Training) 비활성화프롬프트와 대화 내용이 AI 모델 개선에 재활용되지 않도록 서비스 설정에서 학습 옵션을 반드시 OFF(데이터 수집 거부)로 지정합니다. 💡시스템 인증 정보 및 소스코드 보안 점검코드 작성 및 리뷰 요청 시 API Key, 계정 패스워드, DB 접속 정보 등 민감한 인증 정보가 포함되지 않았는지 사전에 필터링합니다. ◼ '개인의 주의'만으로는 부족한 이유: 왜 기술적 인라인 보안이 필요한가? 사내 가이드라인을 공지하고 정기 보안 교육을 진행해도 실제 현장에서는 여전히 유출 사고가 발생합니다. 바쁜 업무 속에서 마스킹을 깜빡하거나 검증되지 않은 새로운 AI 도구를 임의로 사용하는 '휴먼 에러(Human Error)'를 사람의 의지만으로 완전히 통제하기는 어렵기 때문입니다. 결국 기업에 필요한 것은 "사용자가 실수로 개인정보를 붙여넣더라도, 전송 직전 시스템이 알아서감지하고 걸러주는 기술적 보호 장치"입니다. 실시간 인라인 보안으로 해결하는 체크포인트 Workforce AI Security 생성형 AI의 활용을 무조건 차단하는 것은 기업의 업무 경쟁력을 떨어뜨리는 결과를 낳습니다. 핵심은 '전면 차단'이 아니라 '통제 가능한 안전한 활용'입니다. 체크포인트(Check Point)의 워크포스 AI(Workforce AI Security)는 임직원이 ChatGPT, Claude, Microsoft Copilot 등 생성형 AI 도구를 사용할 때, 기업의 중요 정보와 개인정보가 외부로 유출되지 않도록 AI 사용을 실시간으로 모니터링하고, 민감한 데이터의 전송을 탐지·차단하는 기업용 AI 보안 솔루션으로 업무 생산성을 유지하면서도 데이터 유출을 원천 방어합니다. ☑️ 브라우저 확장 및 데스크톱 에이전트 기반 인라인 검사 별도의 복잡한 네트워크 재구성 없이, 경량 에이전트와 브라우저 확장을 통해 사용자가 웹이나 데스크톱 앱에서 AI 도구로 입력하는 프롬프트를 실시간으로 검사합니다. ☑️ 소스코드 및 PII 자동 마스킹(Redaction) 직원이 실수로 직원 명단, 고객 인적사항, 소스코드 등을 프롬프트에 붙여넣더라도, 외부 AI 서버로 전송되기 직전에 민감 정보를 실시간 감지하여 자동으로 가려내거나 전송을 차단합니다. ☑️ 섀도우 AI(Shadow AI) 제어 안정성이 검증되지 않았거나 기업 컴플라이언스에 위배되는 위험 AI 웹사이트 및 애플리케이션 접속을 정책 기반으로 즉각 식별하고 차단합니다. 디노텍은 기업 환경에 맞춘 최적의 AI 보안 설계를 제안하고 성공적인 도입을 지원합니다. 업무 생산성을 높이면서도 데이터 유출 위험 없는 안전한 AI 업무 환경, 디노텍을 통해 Workforce AI Security를 만나보세요.[자료 출처] 과학기술정보통신부, 한국인터넷진흥원(KISA) - 인공지능(AI) 보안 안내서(2025.12)

26.10.26

AI 위협의 두 얼굴, 내재적 위협과 외재적 위협

생성형 AI와 LLM 도입이 검토 단계를 지나 실제 서비스와 업무에 연동되면서, 기업 보안 실무진이 마주한 현실적인 의문이 있습니다. "기존 엔터프라이즈 보안 솔루션이 갖춰져 있는데, AI 보안은 왜 별도의 체계로 접근해야 할까?" AI 환경에서의 위협은 전통적인 시스템 침해 사고와 근본적으로 다른 양상을 보입니다. 외부 해커의 침투가 전혀 없더라도 모델 내부의 불완전성으로 인해 비의도적인 보안 사고가 발생하며, 반대로 정상적인 사용자인 것처럼 시스템 인터페이스를 활용해 모델을 탈취하거나 내부 자산을 유출하는 공격이 발생합니다. 이러한 위협의 구조를 체계적으로 파악하기 위해, 한국인터넷진흥원(KISA)에서는 AI 보안 위협을 크게 발생 근원과 공격 의도에 따라 🧠내재적 위협(Intrinsic Threats)과 🎯외재적 위협(Extrinsic Threats)으로 구분하고 있습니다. <한눈에 비교하는 내재적 위협 vs 외재적 위협 차이점> 구분 내재적 위협 (Intrinsic Threats) 외재적 위협 (Extrinsic Threats) 정의 외부 공격 없이도 AI 모델 자체의 구조적 한계나 학습·추론 결함으로 발생하는 위협 악의적인 행위자가 시스템 인터페이스, 공급망, 취약점을 악용하여 침투하거나 악용하는 위협 주요 원인 학습 데이터 편향, 모델 아키텍처 한계, 정렬 실패, 확률적 비결정성 프롬프트 주입(탈옥), 모델 추출, 공급망 오염, 악의적 도구 전용 발생 주체 모델 설계, 학습 데이터셋, 알고리즘 및 추론 과정 자체 외부 해커, 사이버 범죄자, 악의적 사용자, 경쟁사 보안 목표 AI Safety (신뢰성 및 안전성 확보) AI Security (시스템 무결성 및 자산 보호) 주요 현상 환각(Hallucination), 편향된 응답 생성, 일관성 없는 출력 가드레일 우회, 시스템 프롬프트 유출, 에이전트 하이재킹, 데이터 탈취 방어 전략 학습 데이터 정제, RAG(검색 증강 생성), 정렬 튜닝(RLHF), 출력 모니터링 런타임 가드레일, AI API 인증·접근 통제, 공급망 검증, 인프라 보안 모니터링 ▲LLM 위협과 내재적·외재적 위협의 대표 유형 1. 내재적 위협(Intrinsic Threats) : 외부 공격 없이도 발생하는 모델 자체의 한계와 결함 외부 공격 없이도 발생하는 모델 자체의 한계와 결함 외부의 악의적인 공격자가 없더라도, AI 모델 자체의 구조적 한계나 학습·정렬·추론 과정의 결함으로 인해 신뢰성과 안전성이 훼손되는 위협입니다. 모델 설계 및 데이터 처리 과정에서 자연스럽게 발생하는 문제에 가깝습니다. ① 학습 데이터 편향 (Data Bias) 학습 데이터의 분포 편향이 모델의 답변에 그대로 반영되거나, 학습 과정에서 특정 문자열이 모델에 그대로 각인되어 추론 시점에 원문 형태로 재현(기억화)되는 위협을 의미합니다. ② 환각 (Hallucination) 모델이 실제 사실과 무관한 정보를 마치 사실인 것처럼 그럴듯하게 지어내어 답변을 생성하는 위협입니다. LLM 구조상 보편적으로 나타나는 대표적인 현상이며, 이를 보완하기 위해 신뢰할 수 있는 외부 지식을 참조하는 벡터 DB나 RAG(검색 증강 생성) 기법이 활용됩니다. ③ 정렬 실패 (Alignment Failure) 모델의 출력이 서비스 운영자의 정책이나 시스템 프롬프트가 규정한 범위를 벗어나는 위협입니다. 정렬(Alignment)은 모델의 출력이 기업의 안전 가이드라인 및 개발자의 의도와 일치하도록 보정하는 핵심 절차이지만, 최신 정렬 기법을 적용하더라도 완전히 제거하기 어려운 모델 본연의 한계로 작용합니다. ④ 확률적 비결정성 (Non-Determinism) 동일한 질문이나 프롬프트를 입력하더라도 모델의 출력이 매번 달라지는 특성을 의미합니다. LLM 자체의 확률적 연산 구조와 GPU 병렬 연산의 특성에 기인하며, 출력이 고정되지 않기 때문에 보안 취약점 점검의 재현이 어려워지고 다른 내재적 결함들과 복합적으로 맞물려 발생할 위험이 있습니다. 2. 외재적 위협(Extrinsic Threats): 악의적 공격자가 파고드는 침투와 악용 LLM 시스템의 경계를 구성하는 공급망･도구･인프라･외부 데이터･사용자 경계, 그리고 LLM 자체를 도구로 활용하는 외부 행위자에 의해 LLM 시스템이 손상되거나 악용되는 위협을 의미합니다. 즉, 모델 자체의 수학적·구조적 결함이라기보다는 외부 공격자로부터 비롯되는 운영 인프라 침투, 공급망 오염, 악의적인 도구 전용 등이 이에 해당합니다. 외재적 위협의 대표적인 유형은 다음과 같습니다. ① 탈옥 (Jailbreak) 모델이 정책상 거부해야 할 유해하거나 비인가된 요청을 무력화하는 기법입니다. 요청 사항이나 시스템 프롬프트에 프롬프트 인젝션(Prompt Injection) 등을 통해 LLM이 취약한 단어·기호를 삽입·변조하여 모델의 사전 설정을 무력화하고 오작동을 유도합니다. 이는 OWASP LLM Top 10의 주요 취약점(LLM01 프롬프트 인젝션, LLM07 시스템 프롬프트 유출)과 연결됩니다. ② 모델 추출 (Model Extraction) 추론 API 엔드포인트에 반복적으로 질의를 전송하여 반환되는 입출력 패턴을 분석하고, 이를 통해 원본 모델을 복제하거나 핵심 자산을 역공학(Reverse Engineering)하는 공격입니다. 독자 개발한 모델이 탈취될 뿐만 아니라, 역추적 과정에서 기업의 핵심 학습 데이터와 개인정보 유출로 직결될 수 있는 고위험 보안 위협에 속합니다. ③ 공급망･인프라 공격 오픈소스 모델, 종속 라이브러리, 학습용 데이터셋, 벡터 DB 등 AI 파이프라인의 공급망을 사전에 오염시키거나, MCP(Model Context Protocol)와 같은 외부 도구 연결 지점에 악성 페이로드를 주입하는 위협입니다. 또한 보안 패치가 누락된 추론 서빙 엔진의 취약점, 에이전트 서비스에 부여된 과도한 권한 오용, 에이전트 하이재킹 및 메모리 변조 등을 통해 백엔드 인프라와 권한 체계를 직접 장악하는 공격 경로를 포괄합니다. ④ 고성능 모델 위협 고성능 모델(High Performance Model)은 기술의 최전선에 위치한 프론티어 AI, 사회적 영향력이 큰 고영향 AI, 범용 AI 등을 포괄하는 개념입니다. 최근 고도화된 모델들은 사이버 공격 시나리오를 자동으로 설계하거나 자율적인 의사결정을 지원하는 등, 공격자의 실행 능력 상한을 비약적으로 끌어올리는 강력한 무기로 악용되고 있습니다. 이는 공격자가 첨단 AI를 공격의 전용 도구로 삼는 차원의 위협입니다. 비록 기업의 LLM 서비스 운영자가 직접 통제할 수 있는 영역은 아니지만, 엔터프라이즈 위협 모델링을 수립할 때 공격자의 가용 역량이 급격히 향상되었음을 전제 조건으로 반드시 반영해야 합니다. AI 거버넌스와 보안 아키텍처의 통합 필요성 KISA(한국인터넷진흥원)가 제시하는 AI 보안 분류를 바탕으로 성공적이고 지속 가능한 AI 비즈니스를 구축하기 위해서는 내재적 결함 보완(AI Safety)과 외재적 공격 차단(AI Security)이라는 두 가지 축이 동전의 양면처럼 함께 움직여야 합니다. - 내재적 결함 보완 (AI Safety): 학습 데이터 정제, RAG(검색 증강 생성) 기반 사실 검증, 출력 모니터링을 통한 모델 신뢰성 확보- 외재적 공격 차단 (AI Security): 입출력 런타임 가드레일, AI API 인증 및 접근 통제, 인프라 보안 모니터링 적용 단순히 외부 침투 방어에 머무르던 기존 보안의 관점을 넘어, 모델의 생명주기 전체를 아우르는 포괄적인 보안 아키텍처를 수립하는 것이 안전한 엔터프라이즈 AI 활용의 핵심 과제입니다. [자료 출처] 과학기술정보통신부, 한국인터넷진흥원(KISA) / A I 보안위협 대응 매뉴얼 (2026.07 발간)

26.10.20

기업을 위협하는 프롬프트 인젝션

생성형 AI는 이제 단순한 대화형 도구를 넘어 기업의 업무 환경 전반의 중심축으로 자리잡고 있습니다. 임직원들은 대규모 언어모델(LLM)*을 활용해 복잡한 문서를 요약하고, 코드를 생성 및 검수하며, 고객 응대 시나리오 작성과 데이터 분석 작업을 자동화하고 있습니다. SaaS 기업들 역시 AI 기반 영업 인사이트, 문서 자동 생성, 코딩 어시스턴트, 고객 상담 에이전트 기능을 자사 플랫폼에 적극 도입하는 추세입니다. *대규모 언어모델(LLM, Large Language Model) 방대한 양의 텍스트 데이터를 학습하여 자연어 맥락을 이해하고 답변 생성, 문서 요약, 코드 작성 등 고도의 언어 기반 작업을 수행하는 AI 모델입니다. 생성형 AI 서비스 및 AI 에이전트 구축의 핵심 엔진 역할을 담당합니다. 하지만 생성형 AI의 도입이 가속화될수록 기업의 보안 측면에서 새로운 고민도 커지고 있습니다. 기존의 보안 체계는 주로 '사용자-애플리케이션-데이터' 구조에서 명확한 접근 권한과 네트워크 경계를 통제하는 방식이었습니다. 반면 LLM이 결합된 애플리케이션은 스스로 외부 데이터를 조회하고, 사용자를 대행하여 명령을 실행하며, 내부 데이터베이스나 외부 API와 능동적으로 연동됩니다. 이 과정에서 LLM은 사용자 입력값, 시스템 프롬프트, 외부 문서, 웹페이지, 이메일, API 응답 등 수많은 비정형 데이터를 한 번에 해석합니다. 문제는 LLM이 지시문(Instruction)과 참조 데이터(Data)를 모두 동일한 '자연어 텍스트'로 처리한다는 점입니다. 공격자가 악의적인 지시를 데이터에 교묘히 숨겨두면, LLM은 이를 단순한 데이터가 아니라 반드시 수행해야 할 상위 명령으로 오인할 수 있습니다. 이러한 보안 취약점을 노린 대표적인 위협이 바로 프롬프트 인젝션 공격(Prompt Injection Attack)입니다. 이번 글에서는 프롬프트 인젝션의 개념과 주요 공격 유형, 대응 방안, 그리고 안전한 생성형 AI 활용을 위한 종합 보안 전략을 살펴보겠습니다. 1. 프롬프트 인젝션 공격이란? '프롬프트 인젝션'은 LLM에 전달되는 프롬프트를 조작해 모델의 의도된 동작 로직이나 안전 가이드라인을 무력화하고 공격자가 원하는 임의의 동작이나 답변을 출력하도록 유도하는 공격입니다. 일반적인 LLM 기반 애플리케이션은 개발자가 사전에 정의한 시스템 프롬프트와 사용자가 입력하는 사용자 프롬프트를 결합하여 모델에 전달합니다. 시스템 프롬프트에는 “민감한 정보를 노출하지 말 것”, “허용된 범위 내에서만 응답할 것”, “특정 형식으로 답변할 것”과 같은 제어 지침이 포함됩니다. 하지만 LLM은 시스템 지침과 사용자 입력을 하나의 문맥(Context) 내에서 처리합니다. 이때 공격자가 “이전 지시를 무시하라”, “관리자 모드로 동작하라”, “숨겨진 시스템 지침을 출력하라”와 같은 우회 문구를 전달할 경우, 모델이 이를 실제 제어 명령으로 오해하여 기존 통제를 우회할 위험이 발생합니다. 프롬프트 인젝션 공격이 성공하면 내부 시스템 프롬프트나 핵심 영업비밀이 외부로 노출될 수 있으며, 임직원의 접근 권한 범위를 벗어난 데이터가 응답에 포함될 수 있습니다. 또한 AI 애플리케이션이 외부 시스템과 연동되어 있는 경우 무단 데이터 공유나 시스템 변경 등 의도치 않은 행위가 실행될 위험이 존재합니다. 즉, 프롬프트 인젝션은 단순히 “AI가 엉뚱한 답변을 하는 문제”가 아닙니다. 기업 환경에서는 데이터 유출, 권한 우회, 업무 시스템 오작동으로 직결될 수 있는 실질적인 보안 위협입니다. 2. 기업이 주의해야 할 프롬프트 인젝션 주요 유형 프롬프트 인젝션 공격은 자연어를 기반으로 하기 때문에 그 형태가 매우 다양합니다. 특히 기업 환경에서는 임직원이 직접 입력하는 채팅 프롬프트뿐만 아니라, AI가 참조하는 외부 문서, SaaS 연동 데이터, 이미지, 이메일, 웹페이지까지 다각도의 공격 경로가 존재합니다. 대표적인 공격 유형은 다음과 같습니다. 01. 🎯 직접 프롬프트 인젝션(Direct Prompt Injection) 공격자가 LLM 대화창이나 프롬프트 입력창에 악의적인 제어 지시를 직접 입력하는 방식입니다. "이전 지침을 모두 무시하라", "관리자 권한으로 동작하라", "숨겨진 시스템 지침을 출력하라" 등이 대표적입니다. 이른바 '탈옥(Jailbreak)' 프롬프트도 이에 해당합니다. 최신 LLM은 단순한 우회 시도를 자율적으로 탐지하고 거부하도록 지속해서 개선되고 있으나, 공격자 역시 역할극(Role-play), 우회 표현, 다단계 지시, 긴 문맥 삽입 등을 활용해 보안 정책을 회피하도록 고도화하고 있습니다. 02. 🔍 간접 프롬프트 인젝션(Indirect Prompt Injection) 공격자가 악성 프롬프트를 직접 입력하지 않더라도, LLM이 참조하는 외부 데이터(웹페이지, 이메일, 공유 문서, SaaS 연동 데이터 등) 내에 악의적인 지시문을 은닉해 두는 기법입니다. 예를 들어 AI 요약 도구가 특정 웹페이지나 이메일을 읽는 과정에서 숨겨진 명령을 함께 분석하게 되면, 모델은 이를 일반 본문이 아니라 실행해야 할 상위 지시로 오인하여 사용자가 의도하지 않은 악성 동작을 수행하게 됩니다. 03. 🖼️ 멀티모달 프롬프트 인젝션(Multimodal Prompt Injection) 최근 LLM이 텍스트를 넘어 이미지, 음성, PDF 스캔 문서 등 다양한 서식을 처리할 수 있게 되면서 등장한 공격 형태입니다. 공격자는 이미지 속 미세한 글씨, 스캔 문서의 OCR 인식 영역, PDF 메타데이터 등에 악성 지시문을 숨겨 전달합니다. AI가 계약서, 영수증, 회의록, 스캔 보고서 등을 자동 분석하는 기업 업무 환경에서 각별히 주의해야 할 공격 경로입니다. 04. 💥 서비스 거부형 공격 (Denial-of-Service (DoS) attacks) 프롬프트 인젝션은 정보 유출뿐만 아니라 AI 서비스의 가용성을 저하시키고 API 사용 비용을 폭증시키는 방식으로도 악용됩니다. 공격자는 무한 루프나 과도하게 길고 복잡한 연산을 유발하는 프롬프트를 주입하여 서비스 응답 지연, 비용 급증, 시스템 마비를 일으킵니다. 특히 간접 프롬프트 인젝션과 멀티모달 공격은 기업 보안에서 더욱 대응하기가 까다롭습니다. 임직원은 악성 지시문이 숨겨져 있다는 사실을 인지하지 못한 채 정상적인 업무를 수행하지만, 공격 지시가 외부 문서나 웹페이지, 이메일, SaaS 애플리케이션을 통해 유입되어 피해를 주기 때문입니다. 3. 프롬프트 인젝션을 어떻게 방지할 수 있을까? 프롬프트 인젝션은 단순한 AI 모델의 답변 품질 문제를 넘어, 기업의 데이터 보호 및 접근 통제 체계 전반에 직접적인 타격을 줄 수 있습니다. 특히 LLM이 업무 시스템, SaaS, 이메일, 협업 도구, 코드 저장소, 고객 데이터베이스 등과 연동될수록 위협의 파급력은 더욱 커집니다. 공격자는 LLM에 부여된 권한이나 연결된 도구를 악용해 사용자가 의도하지 않은 작업을 수행하도록 유도할 수 있습니다. 따라서 기업은 AI 애플리케이션을 단순한 대화형 서비스가 아닌, 새로운 데이터 접근 경로이자 업무 자동화 인터페이스로 인식하고 통합 관리해야 합니다. *기업 환경에서 발생할 수 있는 주요 위험 위험 유형 예시 보안 영향 시스템 지침 노출 숨겨진 시스템 프롬프트나 내부 정책을 출력하도록 유도 AI 애플리케이션의 보안 정책과 내부 동작 방식이 외부에 노출될 수 있음 민감정보 유출 고객정보, 개인정보, 소스코드, 계약서 내용이 외부 AI 서비스로 입력 개인정보보호법 위반, 영업비밀 유출, 컴플라이언스 리스크로 이어질 수 있음 권한 우회 AI가 사용자의 권한 범위를 넘어선 데이터 조회나 도구 호출을 시도 접근 통제 실패 및 내부 핵심 데이터 오남용으로 이어질 수 있음 업무 자동화 오작동 이메일 무단 발송, 티켓 생성, 코드 변경, 파일 공유 등 작업 오수행 업무 프로세스 장애, 잘못된 의사결정, 내부 연동 시스템에 장애 유발 결국 생성형 AI 보안의 핵심은 “AI 사용을 무조건 금지할 것인가”의 이분법적 접근이 아닙니다. 조직 내 AI 활용 현황을 정확히 파악하고, 어떤 데이터가 어디로 유동하는지 통제하며, AI가 수행 가능한 작업 범위를 명확히 제한하는 것이 핵심입니다. 프롬프트 인젝션은 일반적인 웹 애플리케이션 취약점과 달리 자연어 입력을 통해 모델의 판단과 동작을 조작하는 특성을 가집니다. 따라서 특정 키워드를 단순 필터링하는 방식만으로는 완벽한 방어가 어렵습니다.기업은 LLM 애플리케이션을 설계하고 운영할 때 다음과 같은 핵심 보안 원칙을 적용해야 합니다. 01. 🧱 프롬프트 레이어링 전략 구현 입력 검증, 처리, 출력 단계별로 무결성을 검사하는 다단계 시스템 프롬프트를 도입하여 주입된 악성 명령어가 기본 처리 로직에 도달하기 전에 사전에 필터링되도록 설계합니다. 계층화된 접근 방식을 통해 프롬프트가 다양한 무결성 게이트를 통과하도록 구성하면 공격 성공률을 낮출 수 있습니다. 02. 📐 프롬프트 세분화 사용 엄격한 컨텍스트 관리를 통해 시스템 지침 영역과 사용자/외부 데이터 입력 영역을 독립된 세그먼트로 격리해야 합니다. 변경되어서는 안 되는 핵심 시스템 명령을 보호된 레이어에 격리 보관함으로써 사용자 입력값이 제어 로직을 무력화하거나 변조하는 것을 물리적으로 방지할 수 있습니다. 03. 🤖 AI 기반 이상 징후 탐지 배포 정상적인 프롬프트 입력 및 출력 패턴을 학습하고 이를 기준으로 비정상적인 상호작용을 실시간 탐지하는 전용 AI 보안 엔진이 필요합니다. 예를 들어, 사용자가 “이전 지침을 무시하라”, “숨겨진 프롬프트를 출력하라”, “관리자 권한으로 동작하라”와 같은 탈옥형 문구를 반복 입력하는 경우 이를 인젝션 시도로 즉시 판별합니다. 아울러 평소와 다른 과도한 토큰 소비, 비정상적인 권한 요청, 민감 데이터 접근 시도 등도 위험 신호로 포착하여 보안 로그 기록 및 정책 기반 차단 체계와 연동해야 합니다. 04. 🔏 즉각적인 무결성을 위한 암호화 서명 활용 암호화 서명 및 해싱 기술을 활용하여 시스템이 생성한 프롬프트의 무결성을 검증합니다. 모델이 프롬프트를 처리하기 직전 서명의 유효성을 검증함으로써, 최종 실행 전 중간 참조 과정에서 핵심 지침이나 템플릿이 임의로 변조되거나 불법 명령이 주입되었는지를 즉시 판별 및 차단할 수 있습니다. 05. 🔄 동적 프롬프트 템플릿 적용 정적인 프롬프트 템플릿은 구조가 일정하여 공격자의 반복적인 테스트를 통한 우회 패턴 분석에 취약합니다. 반면 사용자 역할, 세션 정보, 업무 맥락, 접근 권한, 데이터 민감도에 따라 프롬프트 구조를 동적으로 재구성하면 범용적인 인젝션 패턴을 무력화할 수 있습니다. 동적 템플릿 제어를 통해 공격자가 일관된 우회 공격을 수행하기 어렵게 만들고, 기업은 훨씬 유연하면서도 강력한 보안성을 확보할 수 있습니다. 4. 생성형 AI 보안은 '무조건 차단'이 아니라 '안전한 활용' 기업은 AI 사용을 일률적으로 통제하기보다, 내부에서 어떤 서비스가 활성화되어 있는지 명확히 파악하고, 어떠한 데이터가 외부 AI로 흐르는지 실시간 관리하며, 임직원의 역할·앱 유형·데이터 속성에 맞춤화된 세분된 정책을 적용해야 합니다. 체크포인트의 워크포스 AI(Workforce AI Security)는 임직원의 AI 사용을 탐지 하고, 정책 기반 제어를 통해 프롬프트 입력 및 파일 업로드 과정에서 발생하는 데이터 유출 위험을 차단하는 AI 보안 솔루션 입니다. 본 솔루션의 핵심 기능은 프롬프트 인젝션 공격에 효과적으로 대응하도록 다음과 같이 설계되었습니다. 01. 👁️ 생성형 AI 사용에 대한 가시성 확보 보안의 출발점은 가시성입니다. 조직 내에서 어떤 AI 앱이 활성화되어 있는지, 누가 사용 중인지, 어떤 데이터 흐름이 발생하는지 파악할 수 있어야 합니다. 승인된 AI 도구뿐만 아니라 임직원이 개별 이용하는 Shadow AI, AI 에이전트, 확장 프로그램의 동작까지 식별합니다. 이를 통해 위험한 AI 사용 패턴과 비정상 데이터 흐름을 조기에 포착할 수 있습니다. 02. 🛡️ 프롬프트와 파일 업로드에 대한 실시간 데이터 보호 기업에서 생성형 AI를 활용할 때 가장 직접적인 위험은 핵심 데이터가 외부 AI 서비스로 전송되는 것입니다. 고객정보, 개인정보, 자격 증명, 소스코드, 금융 데이터가 입력되면 심각한 보안 사고와 컴플라이언스 문제로 이어집니다. 프롬프트 입력창, 업로드 파일, 첨부문서, 이미지 내 텍스트를 실시간 스캔하여 민감정보를 탐지하고, 정책에 따라 차단하거나 마스킹 및 비식별화 처리합니다. 특히 이미지나 스캔 문서의 OCR 인식 통제 기능은 멀티모달 프롬프트 인젝션 방어의 핵심 요소입니다. 03. ⚙️ AI 앱, SaaS 통합, 에이전트 행위에 대한 세분화된 정책 제어 모든 AI 활용을 일률적으로 차단하는 것은 생산성을 저해합니다. 위험을 최소화하면서 생산성을 유지하려면 사용자, 앱, 데이터 유형, SaaS 연동, AI 에이전트의 행위별로 세분화된 정책을 적용해야 합니다. 예컨대 마케팅팀은 문서 작성용 AI 사용을 허용하되 개인정보 입력은 제어하고, 개발팀은 코딩 어시스턴트를 허용하되 소스코드나 인증키 업로드는 제한할 수 있습니다. 또한 AI 에이전트의 자동화 작업 시 보안팀 승인을 요구하도록 설정 가능합니다. 04. 📋 복사·붙여넣기와 파일·이미지 사용까지 포함한 통제 데이터는 단순히 프롬프트 입력창으로만 전송되지 않습니다. 임직원들은 문서 내용을 복사하여 붙여넣거나, 파일 업로드, 이미지 스크린샷 등을 적극 활용합니다. 클립보드 복사·붙여넣기 통제, 파일 및 이미지 내 민감정보 식별, OCR 기반 텍스트 통제 기능을 통해 프롬프트 외 다각도로 유입·유출되는 보안 위협을 차단합니다. 05. 📢 사용자 안내와 안전한 AI 활용 문화 형성 생성형 AI 보안은 일방적인 기술적 차단만으로 완성될 수 없습니다. 임직원이 보안 위험을 올바르게 이해하고 기업의 AI 사용 정책을 자연스럽게 준수할 수 있어야 합니다. 사용자가 민감정보를 입력하거나 위험한 AI 서비스를 이용하려는 순간, 즉시 실시간 팝업 안내와 지침을 제공함으로써 업무 생산성을 지키면서도 안전한 AI 활용 문화를 정착시킬 수 있습니다. 프롬프트 인젝션 공격은 생성형 AI 시대를 맞이한 기업이 반드시 해결해야 할 핵심적인 보안 과제입니다. AI 모델이 기업 내부 업무 시스템, SaaS 플랫폼, 코드 저장소, AI 에이전트와 긴밀히 연동될수록 정교한 입력값 통제와 데이터 보호, 정책 기반 거버넌스의 중요성은 그 어느 때보다 강조됩니다. 디노텍은 글로벌 사이버 보안 솔루션 기업인 체크포인트(Check Point) 와의 파트너십을 바탕으로 기업이 생성형 AI 기술을 업무에 활용하면서도 핵심 자산과 시스템을 완벽하게 보호할 수 있도록 최적의 AI 보안 솔루션과 전방위적 컨설팅을 제공합니다.

26.10.22

[파트너 행사 스케치] 안랩이 제시하는 AI 보안의 미래

지난 17일(목), 그랜드 인터컨티넨탈 서울 파르나스에서 'AhnLab ISF 2026(AhnLab Integrated Security Fair 2026)'이 성황리에 개최되었습니다. 디노텍은 이번 행사에 공식 후원사로 함께하며, 안랩이 새롭게 선포한 차세대 AI 보안 비전과 핵심 기술 세션들을 직접 확인하는 뜻깊은 시간을 가졌습니다. 🔹 AhnLab ISF 2026 :: 공공·금융·기업 고객을 대상으로 최신 보안 동향과 대응 전략을 공유하는 안랩의 연중 최대 통합 보안 전략 컨퍼런스 올해는 산업 전반이 AI 중심으로 빠르게 재편되면서 보안 환경 역시 급격한 변화를 맞이하고 있는데요, 디노텍 역시 기존 사이버 보안의 범주를 넘어, 고도화되는 AI 기반 위협에 선제적으로 대응할 수 있도록 보안 전문성을 지속적으로 확장해 나가고 있습니다. △AhnLab ISF 2026 현장 로비 전경과 공식 후원사(Silver Sponsor)로 소개된 디노텍행사장 로비는 이른 시간부터 최신 보안 기술과 트렌드를 확인하려는 참관객들로 활기를 띠었습니다. 특히 메인 세션장 대형 스크린의 공식 스폰서(Sponsor) 안내 화면에서는 실버 후원사로 당당히 자리한 디노텍(Dinotek)의 로고를 확인할 수 있었습니다. 안랩의 공식 파트너로서 이번 컨퍼런스에 함께 힘을 보태며 긴밀한 파트너십을 다시금 체감한 순간이었습니다. AhnLab ISF 2026 '에이전틱 AI 보안: 빠르게, 지능적으로, 자율적으로'△강석균 대표이사의 오프닝과 함께 본격적인 막을 올린 AhnLab ISF 2026 올해 AhnLab ISF 2026은 ‘에이전틱 AI 보안: 빠르게, 지능적으로, 자율적으로(Agentic AI Security: Fast. Intelligent. Autonomous.)’를 대주제로 삼았습니다. 행사는 안랩 강석균 대표의 오프닝 인사말을 시작으로 막을 열었으며, 1부 키노트 세션과 2부 트랙 세션에 걸쳐 총 14개의 전문적인 발표가 이어졌습니다. 특히 강석균 대표는 인사말을 통해 다음과 같은 핵심 메시지를 던졌습니다. “AI-네이티브 보안 플랫폼 기업으로서 가장 중요한 것은 ‘어떤 AI 기능을 제공하느냐’가 아니라, ‘AI를 활용해 고객의 보안 문제를 얼마나 더 효과적으로 해결할 수 있느냐’입니다. 급변하는 보안 환경 속에서도 끊임없이 혁신해 온 안랩을 믿고 성원해 주신 고객사분들께 감사드리며, 앞으로 본격화될 AI 시대에도 고객에게 실질적이고 더 나은 가치를 제공하는 데 집중하겠습니다.” 단순히 AI 기술을 나열하는 데 그치지 않고, 고객이 현업에서 직면한 보안 문제를 실질적으로 해결하겠다는 안랩의 진정성 있는 방향성을 명확히 확인할 수 있었던 순간이었습니다.△Keynote1 AI가 바꾸는 사이버 위협의 미래 – 안랩 한창규 연구소장 이어지는 첫 번째 키노트 세션에서는 안랩 시큐리티 인텔리전스 센터(ASEC)를 총괄하는 한창규 연구소장이 연사로 나서, AI 기술 발전이 사이버 보안 생태계와 위협 환경을 어떻게 뒤흔들고 있는지 짚어보았습니다. 현장에서는 먼저 AI 생성 코드의 45%에서 취약점이 발견되고(사람 코드 대비 2.7배 수준), 공격 도구의 자동화로 위협의 속도와 표면이 급격히 확대되고 있는 현실을 짚었습니다. 이러한 위협에 맞서기 위해 사람 중심 보안의 한계를 넘어 스스로 판단하고 대응하는 자율형 보안 플랫폼의 필요성을 역설했습니다. 특히 ‘안랩 AI 플러스’를 토대로 복수의 AI 에이전트가 유기적으로 협업하는 에이전틱 AI 기반 보안 아키텍처를 구체적으로 소개해 현장의 큰 관심을 모았습니다.△Keynote AI Against AI: AI가 공격하고 AI가 방어하는 시대 – 이승경 인공지능개발실장 오전 키노트의 마지막 세션에서는 이승경 개발실장이 연사로 나섰습니다. 이승경 실장은 날로 진화하는 AI 기반 공격의 위협 양상을 짚고, 이에 맞서기 위한 안랩의 AI-네이티브 보안 기술 현황과 미래 보안 운영의 방향성을 제시했습니다. 현장에서는 AI 속도와 규모에 대응하기 위한 자율성(Autonomy)과 선제적 방어 체계의 중요성이 강조되며, 공격과 방어가 모두 AI로 이루어지는 환경 속에서 보안 운영이 나아갈 실질적인 해법을 공유했습니다.△전시 부스 전경세션장 밖 로비에 마련된 전시 부스 공간 역시 많은 참관객들의 발길이 이어졌습니다. 안랩은 현장 부스를 통해 차세대 AI 기술의 실제 작동 방식을 선보이는 한편, AhnLab AI SOC, XDR, SOAR 등 자사 및 주요 파트너사의 핵심 보안 제품과 서비스를 직접 시연했습니다. 참관객들은 앞선 세션에서 제시된 에이전틱 AI 보안 비전이 실무 인프라와 운영 환경에서 어떻게 구체적으로 구현되는지 현장에서 생생하게 확인해 볼 수 있었습니다. △Track A AI SOC 2026: Agentic AI가 만드는 차세대 SOC - 이도현 위협대응팀 팀장 오후 트랙 세션은 두 개의 트랙(Track A, Track B)으로 나뉘어 진행되었습니다. 디노텍은 'AI 기반 보안 플랫폼(AI-Driven Security Platform)'을 주제로 한 Track A에 집중했습니다. 특히 두 번째 발표인 'Agentic AI가 만드는 차세대 SOC' 세션에서는 실무 현장에서 가장 궁금해할 "사람과 AI가 실무에서 업무를 어떻게 나누어 맡아야 하는가?"에 대한 명확한 기준이 제시되었습니다.🤖 AI 에이전트가 맡는 일 24시간 감시 (중요 데이터 흡수 판정), 대량 로그/이벤트의 분석과 상관 분석, 공격 의도에 대한 가설 수립, 반복적 대응 조치의 실행, 보고서 작성-탐지 개요·타임라인·IoC 매칭 🧑🏻‍💻 사람(보안 전문가)이 맡는 일 대응 정책과 권한 범위 설계, 고위험 상황의 최종 승인, 위협 헌팅과 가설의 검증, 고객 커뮤니케이션과 책임, 보고서 결론·권고의 확정 기술이 아무리 자율화되더라도 기업 환경에서는 오작동과 비즈니스 마비에 대한 우려가 존재합니다. AI에게 전권을 넘기는 무조건적인 자동화가 아니라, AI는 대량 로그 분석 및 반복 조치를 맡고 사람은 위험도 높은 최종 승인과 전략적 분석을 맡는 '위험도 기반 업무 분담' 기준을 구체화함으로써 실무 도입의 현실적인 해법을 제시했습니다. 결국 무조건적인 완전 자동화가 아닌, 사람과 AI가 상호보완하는 'Human-in-the-Loop' 체계가 갖춰질 때 비로소 빈틈없고 효율적인 차세대 관제 운영이 완성된다는 점을 짚어준 인상 깊은 시간이었습니다. 📖연관 콘텐츠 보기: AI 자동화와 인간의 판단의 균형 (Human-in-the-Loop) 중심의 보안 최적화 이번 AhnLab ISF 2026은 단순한 신기술 소개를 넘어, 공격과 방어가 모두 AI로 이루어지는 시대에 보안 운영이 어떤 방향으로 나아가야 하는지 명확한 이정표를 확인한 뜻깊은 자리였습니다. 특히 안랩의 공식 후원사로서 현장을 함께하며, 세션 참관뿐만 아니라 행사장을 찾아주신 여러 고객사 및 파트너 관계자분들과 직접 인사를 나누고 현업의 보안 고민을 생생하게 나눌 수 있어 더욱 뜻깊었습니다. 디노텍은 빠르게 진화하는 AI 위협 환경 속에서, 고객사가 최신 보안 체계로 안전하게 전환할 수 있도록 안랩과의 긴밀한 파트너십을 바탕으로 최적화된 보안 솔루션과 기술지원을 지속해 나가겠습니다.

26.09.30

[현장 스케치] 체크포인트가 보여준 AI 시대 사이버 리스트 대응 전략

최근 생성형 AI와 고도화된 프런티어 AI 모델이 비즈니스 전반에 빠르게 확산되면서, 이를 악용한 새로운 사이버 위협 또한 현실화되고 있습니다. 이에 따라 기업에는 그 어느 때보다 선제적인 사이버 리스크 대응 전략이 요구되고 있습니다. 이에 지난 8월 27일, 삼성동 벨지움에서 열린 ‘Check Point Partner H2 Enablement Day (Korea Partner X-Change)’ 현장에 다녀왔습니다. 이번 세미나는 체크포인트와 총판사인 인성디지털이 주최하였으며, <AI 시대, 프런티어 AI 모델 악용에 대비한 사이버 리스크 대응 전략>을 주제로 최신 위협 흐름과 실질적인 해법을 공유하는 자리였습니다. 편안한 분위기 속에서 파트너사 간 네트워킹이 진행되었으며, AI 시대의 보안 체계 변화와 위협, 기업 대응 전략 등 핵심 세션을 통해 생생한 인사이트가 전달되었습니다. 이번 행사에는 디노텍 주요 인원들이 참석해 체크포인트의 최신 비즈니스 전략과 AI 보안 비전을 직접 확인했습니다. ◼ Check Point Business Update 세미나의 첫 순서는 체크포인트 코리아 임현호 지사장님의 웰컴 스피치 및 비즈니스 업데이트(Check Point Business Update)로 시작되었습니다. 이번 오프닝에서는 체크포인트 코리아의 핵심 방향성으로 AI & CTEM(지속적 위협 노출 관리) 중심의 보안 역량 고도화, 국내 로컬 POP(Point of Presence) 인프라 투자(SASE, AI WAF 등), 그리고 파트너사와의 긴밀한 협업(Collaborations)을 통한 동반 성장을 강조했습니다. 단순한 제품 공급을 넘어, 고도화되는 사이버 위협 속에서 파트너와 함께 실질적인 보안 가치를 고객에게 전달하겠다는 메시지가 인상적이었습니다. ◼ 무엇을 먼저 막아야 하는가? 공격 가능한 위험(Exposure)의 식별과 대응 전략 오프닝에 이어 본격적인 첫 번째 세션이 진행되었습니다. 이번 세션에서는 최근 보안 시장에서 가장 주목받는 '노출 관리(Exposure Management)'의 글로벌 트렌드와 기업의 선제적 대응 방향이 집중적으로 다뤄졌습니다. 특히 기업 내 산재한 노출 위험을 실질적으로 통제하기 위한 핵심 실천 체계로 글로벌 IT 리서치 기관 가트너(Gartner)의 CTEM(지속적인 위협 노출 관리, Continuous Threat Exposure Management) 프레임워크가 소개되었습니다. 일회성 취약점 점검을 넘어, 자산 식별부터 우선순위화, 공격 가능성 검증 및 실제 조치까지 아우르는 5단계의 지속적인 관리 체계를 구축해야 실질적인 침해 사고 위험을 크게 줄일 수 있다는 점이 언급되었습니다. 발표에서는 Exposure Management 시장이 매년 약 25%에 달하는 빠른 성장세를 보이고 있으며, 아시아 태평양 지역(APAC) 중에서도 한국 시장의 수요와 성장 잠재력이 매우 높다는 점이 강조되었습니다. 💡 Key Insights 쏟아지는 취약점 속 '실질적 위협' 식별: 단순 취약점 나열이 아닌, 공격자가 실제로 침투 경로로 악용할 수 있는 위험 노출 지점(Exposure)을 우선적으로 파악 조치 우선순위 기반의 선제 방어: 무작정 모든 경고에 대응하기보다 비즈니스에 치명적인 영향을 미치는 경로를 먼저 차단하여 보안 운영 효율을 극대화 지속적 관리 체계 구축: 단발성 점검을 넘어 지속적인 위협 평가 및 모니터링을 통해 기업의 보안 수준을 상시 유지하는 프로세스 제시 👉 Check Point 지속적 위협 노출 관리(CTEM) 솔루션 알아보기 ◼ 생성형 AI 시대, 엔드투엔드 인프라와 4-Pillar 보안 전략 | 메가존클라우드 이어진 세션에서는 체크포인트와 협력 중인 메가존클라우드가 연사로 나서, 생성형 AI 도입 시 직면하는 보안 리스크와 실질적인 대응 방안을 공유했습니다.최근 OpenAI 보안 사고 사례와 함께 프롬프트 인젝션, 민감 정보 유출, Shadow AI(비인가 AI 활용) 등 신규 위협이 강조되었습니다. 이에 메가존클라우드는 DELL 하드웨어 기반 AI 인프라부터 클라우드, 보안 관제(HALO)까지 아우르는 엔드투엔드(End-to-End) 구축 역량과 함께, AI 보안 운영의 핵심 기준으로 '4-Pillar 통합 보안 구조'를 제시했습니다. AI 보안 운영 체계의 새로운 기준 (4-Pillar) 아키텍처 통제 Infra 인프라 공격 표면의 원천적 차단 Shadow AI 가시성 확보 및 데이터 흐름 통합 통제 AI 가드레일 Data 안전한 데이터 활용 및 신뢰성 보장 입·출력 필터링을 통해 민감정보 유출과 환각·유해 생성 통제 AI Red Team Model AI 특화 공격 대응 실전 방어 구축 공격 시뮬레이션을 통한 모델 취약점 점검 및 대응력 검증 거버넌스 및 규제 대응 GRC 투명하고 안전한 AI 거버넌스 확립 전사 AI 사용 정책 수립 및 글로벌 컴플라이언스 통합 대응 기업 맞춤형 인프라 설계와 4가지 보안 축이 갖춰져야 안전한 AI 도입이 가능하다는 점을 확인한 세션이었습니다. 이번 세미나는 글로벌 보안 위협 속에서 기업의 AI 전환을 안전하게 보호하기 위한 체크포인트의 핵심 전략을 확인할 수 있는 뜻깊은 자리였습니다. 특히 임현호 지사장님은 체크포인트가 AI 시대의 복잡한 보안 위협에 대응하기 위해 ▲하이브리드 메시 네트워크 보안(Hybrid Mesh), ▲워크스페이스 보안(Workspace), ▲공격 표면 관리(Exposure Management), ▲AI 보안(AI Security) 4대 전략적 필러(Four Strategic Pillars) 중심의 통합 보안 전략을 전개해 나가고 있음을 강조했습니다. 디노텍은 글로벌 사이버 보안을 선도하는 체크포인트의 공식 파트너로서, 검증된 기술력과 현장 중심의 엔지니어링 역량을 결합해 고객 환경에 최적화된 AI 보안 도입을 지원해 나갈 계획입니다. 앞으로 많은 관심 부탁드립니다 😊

26.08.31