---
title: "탐눈, 클라우드 취약점 AI 자동 수정 확대…패치 전에 운영 장애부터 검증"
published: 2026-05-26T16:05:05.138Z
canonical: https://jeff.news/article/3269
---
# 탐눈, 클라우드 취약점 AI 자동 수정 확대…패치 전에 운영 장애부터 검증

탐눈이 AI 엔진 ‘타미’를 스킬 기반 클라우드 보안 수정 오케스트레이터로 확장했다. 단순히 경고를 띄우는 데서 끝나지 않고, 고객 환경별 수정 절차를 만들고 패치 적용 전 운영 중단 위험까지 검증하는 쪽으로 간다.

## 클라우드 보안, 이제 ‘찾았다’보다 ‘고쳤다’가 더 중요함

- 탐눈이 AI 엔진 ‘타미(Tami)’를 스킬 기반 수정 오케스트레이터로 확장함
  - 고객 환경에 맞는 취약점 수정 절차를 자동 생성함
  - 보안 위험 유형별로 수정 실행과 운영 검증을 같이 수행함
  - 멀티클라우드, 쿠버네티스, API 기반 환경에서 수정 지연과 장애 위험을 줄이는 게 목표임

- 배경은 단순함. AI 기반 개발 도구가 코드를 더 빨리 만들면서, 취약 코드와 잘못된 클라우드 설정도 같이 늘고 있음
  - 기업은 더 많은 애플리케이션, API, 클라우드 워크로드를 운영하게 됨
  - 보안 플랫폼은 경고와 우선순위 분석을 잘해도, 실제 운영 환경에서는 수정 작업이 계속 밀림
  - 가트너에 따르면 중요 클라우드 경고의 평균 수정 시간은 128일임. 이쯤 되면 경고가 문제가 아니라 수습이 문제임

> [!WARNING]
> 클라우드 보안 자동화에서 제일 위험한 착각은 “자동 수정이면 무조건 빠르고 좋다”는 거임. 운영 의존성 검증 없이 패치가 들어가면 취약점보다 장애가 먼저 터질 수 있음.

## 타미는 ‘단일 에이전트’가 아니라 수정 스킬 조정자

- 탐눈은 클라우드 환경에 약 1200개 수준의 서로 다른 보안 문제 유형이 있다고 설명함
  - 각각 수정 절차가 다르고, 확인해야 할 의존성도 다름
  - 그러니까 하나의 범용 패치 스크립트로 밀어붙이는 방식은 운영 환경에서 위험함

- 타미는 800개 이상 고객 계정과 600만 건 이상 실제 클라우드 수정 데이터를 기반으로 수정 스킬을 생성함
  - 고객별 자산 의존성, 운영 정책, 애플리케이션 영향 범위를 반영함
  - 같은 취약점처럼 보여도 고객 환경에 따라 다른 절차를 적용하는 구조임

- 고위험 수정 작업은 탐눈 전문가 조직 ‘CloudPros’ 검토를 거침
  - AI가 만든 수정안을 바로 운영에 넣는 게 아니라, 위험한 작업에는 사람 검증 단계를 둠
  - 기업과 파트너가 자체 수정 스킬을 추가할 수 있는 개방형 오케스트레이션 계층도 제공한다고 밝힘

## 패치 전에 ‘이거 서비스 안 죽나?’를 먼저 본다

- 이번 업데이트에서 눈에 띄는 기능은 ‘수정 신뢰 점수(Remediation Confidence Score)’임
  - 수정 작업을 SAFE, RISKY, UNSAFE 등급으로 분류함
  - 개발자에게 넘기기 전에 운영 위험도를 먼저 확인하게 해줌
  - 운영 중단 가능성과 의존성 충돌 여부도 함께 평가함

- ‘안전 취약점 패치 시뮬레이터’ 베타 기능도 공개됨
  - 실제 운영 적용 전에 버전 호환성, 의존성, 런타임 변화를 샌드박스에서 검증함
  - 쿠버네티스나 멀티클라우드처럼 설정과 의존성이 얽힌 환경에서는 이 단계가 꽤 중요함

- 탐눈은 플랫폼 규모와 성과 수치도 같이 공개함
  - 1000만 개 이상 워크로드 환경에서 운영 중이라고 밝힘
  - 90일 기준 노출 감소율 97%를 제시함
  - 운영 효율 비율은 142대1, 운영 환경 사고는 0건이라고 주장함

> [!IMPORTANT]
> 숫자만 보면 탐눈이 노리는 시장은 “보안 경고를 줄이는 도구”가 아니라 “운영 중단 없이 취약점을 닫는 자동화 레이어”에 가까움.

## 국내 기업도 남 얘기가 아님

- 생성형 AI와 AI 에이전트가 개발 속도를 올리면서 보안 운영 부담도 같이 커지고 있음
  - 코드 생산량이 늘면 애플리케이션, API, 워크로드도 늘어남
  - 그만큼 취약점과 잘못된 설정을 사람이 일일이 추적하기 어려워짐

- 특히 금융, 제조, 플랫폼 기업은 “빨리 고치되 서비스는 멈추면 안 되는” 압박을 동시에 받음
  - 클라우드 네이티브 전환이 진행될수록 취약점 대응은 단순 티켓 처리로 끝나지 않음
  - 운영 안정성, 변경 추적, 내부 정책, 컴플라이언스까지 같이 봐야 함

- 탐눈의 방향은 CNAPP 경고 탐지 이후를 겨냥함
  - 지금까지 많은 보안 도구가 “위험을 찾아줌”에 집중했다면, 이제는 “검증하고 실제로 고쳐줌”까지 가는 흐름임
  - AI 자동화가 들어갈수록 수정 실행과 운영 안정성 검증은 한 세트가 될 가능성이 큼

---

## 기술 맥락

- 이 기사에서 중요한 선택은 탐지 자동화가 아니라 수정 자동화예요. 클라우드 보안에서는 취약점을 찾는 도구가 많아졌지만, 실제 운영에 패치를 넣는 순간 장애 위험이 생기거든요.

- 타미가 스킬 기반 오케스트레이터를 택한 이유는 클라우드 문제가 너무 다양하기 때문이에요. 탐눈은 보안 문제 유형이 약 1200개라고 말하는데, 각 문제마다 의존성, 정책, 서비스 영향 범위가 달라서 단일 자동 수정 방식으로는 위험해요.

- 수정 신뢰 점수와 패치 시뮬레이터는 자동화의 속도를 유지하면서도 운영 리스크를 낮추는 장치예요. SAFE, RISKY, UNSAFE처럼 등급을 나누고 샌드박스에서 런타임 변화를 확인해야 개발팀이 패치를 덜 무서워해요.

- 국내 기업에도 이 흐름이 바로 연결돼요. 생성형 AI로 개발 속도가 올라가면 취약점도 더 빨리 쌓이기 때문에, 보안팀은 경고를 잘 분류하는 것보다 장애 없이 닫는 체계를 더 필요로 하게 돼요.

## 핵심 포인트

- 타미는 600만 건 이상 실제 클라우드 수정 데이터와 1000만 개 이상 워크로드 운영 데이터를 기반으로 수정 자동화를 수행한다.
- 중요 클라우드 경고의 평균 수정 시간은 128일로, 탐지보다 실제 수정 실행이 병목이 되고 있다.
- 수정 신뢰 점수는 패치를 SAFE, RISKY, UNSAFE로 나눠 운영 위험도를 미리 보여준다.
- 패치 시뮬레이터는 실제 적용 전에 버전 호환성, 의존성, 런타임 변화를 샌드박스에서 검증하게 해준다.

## 인사이트

클라우드 보안의 병목이 ‘얼마나 잘 찾느냐’에서 ‘장애 없이 고치느냐’로 넘어간 흐름이 선명하다. AI가 코드를 더 빨리 만들수록 취약점과 설정 실수도 같이 늘기 때문에, 수정 자동화에는 검증 계층이 필수로 붙을 수밖에 없다.