직원이 설치한 AI 도구는 자산인가 — 섀도 AI와 소프트웨어 인벤토리

직원이 설치한 AI 도구는 자산인가 — 섀도 AI와 소프트웨어 인벤토리

침해의 20%와 건당 약 9.4억 원이 '목록에 없는 소프트웨어'에서 나온다

게시 날짜

작성자

Team Riskmap

초록

섀도 AI는 승인 절차를 거치지 않은 AI 도구를 업무에 사용하는 현상을 가리킵니다. 2025년 침해 사고 분석에서 전체 침해의 20%가 섀도 AI와 관련되었고, 해당 침해는 평균보다 약 9.4억 원 더 비쌌습니다. AI 관련 침해의 97%에서는 적절한 접근통제가 없었습니다. 본 글은 섀도 AI를 새로운 위협 범주가 아니라 소프트웨어 인벤토리의 실패가 드러난 사례로 보고, 왜 기존 자산관리 체계가 이 도구들을 놓치는지, 그리고 어떤 축으로 측정해야 하는지를 정리합니다.

1. 문제 정의 — 통제의 전제는 목록이다

AI 사용 정책을 수립한 조직은 많습니다. 사내 승인 도구를 지정하고, 민감정보 입력을 금지하는 지침을 배포합니다.

그런데 정책 집행에는 한 가지 전제가 필요합니다. 누가 어떤 도구를 쓰고 있는지 알아야 합니다. 이 전제가 없으면 정책은 문서로만 존재하고, 위반은 사고가 난 뒤에 발견됩니다. 실제로 조직의 63%는 AI 사용을 관리하거나 섀도 AI를 탐지할 거버넌스 정책이 없다고 답했습니다.

앞선 글 「이미 안에 있는 위협 — 내부자 정보유출은 왜 안 보이는가」에서 우리는 '안에서 밖으로' 나가는 데이터가 왜 탐지되지 않는지를 다뤘습니다. 섀도 AI는 그 경로의 가장 빠르게 성장하는 형태입니다. 정당한 계정으로 로그인한 직원이, 정상적인 HTTPS 트래픽으로, 업무를 더 잘하려는 동기에서 데이터를 외부 모델에 보냅니다.

2. 조사가 말하는 숫자

통계

출처

비고

20% — 섀도 AI가 관련된 침해의 비율

IBM, Cost of a Data Breach Report 2025

전 세계 침해 사고 분석

64.8억 원 (평균 대비 +9.4억 원) — 섀도 AI 관련 침해의 평균 비용

동일

글로벌 평균 62.2억 원

97% — AI 관련 침해 중 적절한 AI 접근통제가 없었던 비율

동일

—

63% — AI 사용 관리·섀도 AI 탐지를 위한 거버넌스 정책이 없다고 답한 조직

동일

—

247일 / 65% — 섀도 AI 관련 침해의 평균 수명과 고객 개인정보 유출 비율

동일

전체 평균 241일 / 53%

47% — 생성형 AI 사용자 중 개인(비관리) 계정으로 접근하는 비율

Netskope, Cloud and Threat Report 2026

승인 도구와 병행 사용 포함

월 3,000 → 18,000건 — 조직당 생성형 AI 프롬프트 전송량의 1년 변화

동일

사용자 수는 3배

월평균 223건 — 조직당 생성형 AI 관련 데이터 정책 위반 건수 (상위 4분위 2,100건)

동일

—

60% — 내부자 위협 사고 중 개인 클라우드 앱 인스턴스가 관여한 비율

동일

—

두 조사의 성격이 다릅니다. 하나는 사고 비용 분석이고, 하나는 실제 트래픽 관측입니다. 그런데 결론은 같습니다. 사용량은 급증했고, 절반 가까이가 관리 밖 계정이며, 통제는 따라가지 못했습니다.

3. 왜 기존 자산관리 체계는 이를 놓치는가

섀도 AI가 보이지 않는 이유는 AI가 특별해서가 아닙니다. 소프트웨어 인벤토리가 전통적으로 "관리자 권한으로 설치된 프로그램"만 집계하도록 만들어졌기 때문입니다. 오늘의 AI 도구는 대부분 그 범위 밖에 있습니다.

형태

왜 집계되지 않는가

브라우저 확장 프로그램

OS의 설치 프로그램 목록에 나타나지 않습니다. 브라우저 프로필 안에 존재합니다

사용자 영역 설치

관리자 권한 없이 사용자 홈 디렉터리에 설치되어 시스템 등록 정보에 남지 않는 경우가 있습니다

포터블 실행 파일

설치 과정 자체가 없습니다. 실행 파일 하나를 받아 바로 씁니다

웹 서비스

설치할 것이 없습니다. 계정과 브라우저만 있으면 됩니다

IDE 플러그인·CLI 도구

개발 도구의 하위 구성요소로 들어가 별도 소프트웨어로 보이지 않습니다

기존 업무 소프트웨어의 AI 기능

이미 승인된 제품의 업데이트로 추가됩니다. 승인 당시에는 없던 기능입니다

마지막 항목이 특히 어렵습니다. 조직이 2년 전에 승인한 협업 도구가 지금은 문서를 외부 모델로 보내 요약하는 기능을 갖고 있을 수 있습니다. 승인 기록은 유효하지만, 승인된 대상의 성격이 바뀌었습니다.

4. 측정 가능한 세 가지 축

섀도 AI를 '탐지'하려면 새 제품군이 필요하다고 생각하기 쉽습니다. 그러나 실제로 필요한 것은 이미 자산 데이터에 들어 있는 세 축을 AI 관점으로 다시 읽는 일입니다.

① 설치·배포 축 — 무엇이 자산에 올라와 있는가

설치 프로그램 목록을 제품명만으로 관리하면 같은 도구가 이름만 바꿔 다시 들어옵니다. 신뢰할 수 있는 축은 고유 식별자입니다. macOS의 번들 식별자, Windows의 MSI 제품 코드, 그리고 코드 서명자 정보입니다. 서명자를 기준으로 보면 제품명이 달라도 같은 공급자의 도구를 묶을 수 있고, 서명이 없는 실행 파일은 그 자체로 별도 검토 대상이 됩니다.

② 실행 축 — 무엇이 실제로 돌고 있는가

설치 목록과 실행 현황은 다릅니다. 설치만 하고 쓰지 않는 도구가 있고, 설치 없이 실행되는 도구가 있습니다. 실행 경로와 프로세스 관점을 함께 보면 포터블 실행 파일이 드러납니다.

③ 통신 축 — 어디로 데이터가 나가는가

웹 서비스형 AI는 설치 흔적을 남기지 않으므로, 이 축이 유일한 단서입니다. 평소와 다른 외부 목적지로의 지속적 전송, 업로드량의 급증이 신호입니다. 중요한 점은 이런 신호가 자산 맥락 위에서만 의미를 갖는다는 것입니다. 연구 부서의 PC에서 발생한 대량 업로드와 회계 담당자 PC에서 발생한 같은 양의 업로드는 다른 사건입니다.

5. 통제 설계 — 금지가 아니라 목록·승인·예외

사용률 데이터가 보여주는 사실은 명확합니다. 금지는 작동하지 않습니다. 금지되어 있다고 믿으면서도 사용하는 비율이 상당하기 때문입니다. 작동하는 구조는 네 단계입니다.

① 목록을 만든다. 위 세 축으로 현재 사용 중인 AI 도구를 전수 집계합니다. 숫자가 예상보다 크게 나오는 것이 정상이며, 그 격차가 통제 공백의 크기입니다.

② 승인 목록을 공개한다. 승인된 도구를 분명히 제시합니다. 대안이 없으면 직원은 개인 계정으로 돌아갑니다. 개인 계정 사용 비율 47%는 상당 부분 이 선택의 결과입니다.

③ 예외에 기한을 붙인다. 업무상 필요하지만 승인되지 않은 도구는 기한이 있는 예외로 등록합니다. 기한이 없는 예외는 영구 승인과 같습니다.

④ 데이터 경로를 함께 등록한다. 도구 이름만 승인 대장에 올리는 것으로는 부족합니다. 어떤 데이터가, 어떤 계정으로, 어디에 저장되는지를 함께 기록해야 사고 시 영향 범위를 산정할 수 있습니다. AI 관련 침해의 97%에서 접근통제가 없었다는 수치는, 도구 도입은 빨랐지만 그 도구를 자산으로 등록하는 절차는 없었다는 뜻으로 읽는 것이 정확합니다.

6. 지금 확인해 볼 수 있는 세 가지 질문

  1. 우리 조직에서 사용 중인 AI 도구의 목록을 지금 뽑을 수 있는가? 승인 목록이 아니라 실제 사용 목록입니다. 두 목록의 차이가 섀도 AI의 규모입니다.

  2. 설치 프로그램 인벤토리가 브라우저 확장과 사용자 영역 설치를 포함하는가? 포함하지 않는다면, 오늘 가장 많이 쓰이는 형태를 보지 못하고 있습니다.

  3. 승인된 소프트웨어가 나중에 AI 기능을 추가했을 때, 재검토가 트리거되는가? 트리거가 없다면 승인 대장은 과거의 사실을 기록한 문서입니다.

7. 결론

섀도 AI는 보안 조직이 처음 겪는 문제가 아닙니다. 클라우드와 SaaS가 확산될 때 겪은 섀도 IT와 구조가 같습니다. 업무 효율이 통제 절차보다 빠르게 움직이고, 자산 목록이 가장 늦게 따라옵니다.

다른 점은 속도와 데이터의 민감도입니다. 조직당 프롬프트 전송량은 1년에 6배가 되었고, 그 프롬프트에는 고객 정보와 소스 코드가 섞여 들어갑니다. 침해 비용 차이 약 9.4억 원은 그 결과입니다.

대응의 출발점은 모델이나 정책이 아니라 목록입니다. 무엇이 설치되어 있고, 무엇이 실행되며, 어디로 나가는지 — 이 세 질문에 숫자로 답할 수 있을 때 AI 거버넌스는 문서에서 운영으로 넘어갑니다.

참고 자료

[1] IBM, "Cost of a Data Breach Report 2025" https://www.ibm.com/reports/data-breach

[2] Netskope Threat Labs, "Cloud and Threat Report 2026" https://www.netskope.com/resources/cloud-and-threat-reports/cloud-and-threat-report-2026

[3] Riskmap Insights, 「이미 안에 있는 위협 — 내부자 정보유출은 왜 안 보이는가」 (2026. 9. 11.)