기계 속도 공격에 맞서는 '프로젝트 퍼셉션' 발표
마이크로소프트는 2026년 7월 27일 미국 샌프란시스코 미디어 브리핑 및 공식 블로그를 통해 AI 기반 자율 보안 시스템인 '프로젝트 퍼셉션(Project Perception)'과 자체 보안 특화 인공지능 모델 'MAI-Cyber-1-Flash'를 공개했다. 이번 발표는 하예트 갈로(Hayete Gallot) 마이크로소프트 보안 부문 수석 부사장과 무스타파 술레이만(Mustafa Suleyman) 마이크로소프트 AI 최고경영자(CEO)가 주도했다.
마이크로소프트는 AI 도구 발전으로 공격자가 취약점을 생성하고 침투를 확장하는 비용이 급감함에 따라, 기존 주기적 수동 스캔 방식으로는 위협에 대응할 수 없다고 진단했다. 이에 자산 전반의 위험을 상시 인식하고 기계 속도로 조율하는 새로운 보안 스택이 필요하다며 프로젝트 퍼셉션의 개발 배경을 밝혔다. 해당 시스템은 2026년 8월 3일 마이크로소프트 디펜더(Microsoft Defender) 제품군 내에서 퍼블릭 프리뷰 형태로 첫선을 보인다.
레드·블루·그린 에이전트의 폐루프 방어와 경량 모델 설계
프로젝트 퍼셉션의 핵심은 공격, 탐지, 개선을 담당하는 3대 에이전트군의 상호 폐루프(Closed-Loop) 구조다. 레드팀 에이전트는 공격자가 악용하기 전에 침투 경로를 선제 식별하고, 블루팀 에이전트는 수집된 맥락을 추론해 실질적 위험도를 판별한다. 이어 그린팀 에이전트가 방어 체계를 보정하고 보안 태세를 강화하는 일련의 작업이 실시간으로 이어진다.
소프트웨어 취약점 관리를 담당하는 '엠대시(MDASH, Multi-Model Agentic Scanning Harness)'에는 신규 모델 'MAI-Cyber-1-Flash'가 결합됐다. 이 모델은 희소 전문가 혼합(MoE) 구조로 총 1,370억 파라미터 중 추론 시 50억 개만 활성화되며 256,000 토큰의 컨텍스트 윈도우를 지원한다. 특히 공격용 익스플로잇 생성 기능은 안전 필터를 통해 원천 배제(ExploitGym 0점)됐으며, 순수 방어와 패치 권고 작업에 특화되어 설계됐다.
90/10 모델 라우팅 전략과 비용 최적화 분석
마이크로소프트가 제시한 멀티 모델 전략의 핵심은 전산 자원 배분의 효율화다. 일상적인 보안 분석 작업의 약 90%는 연산 부하가 작은 MAI-Cyber-1-Flash가 직접 해결하고, 고난도 추론이 요구되는 상위 10% 작업만 대형 모델인 GPT-5.4로 이관하는 계층형 라우팅 체계를 수립했다. 마이크로소프트는 이 구성을 통해 기존 최고 사양 MDASH 파이프라인 대비 약 50%의 비용 절감을 달성했다고 설명한다.
실무 관점에서 이는 최고 사양 파운데이션 모델 하나에만 의존하던 기존 에이전트 설계에서 탈피해, 작업 성격에 맞게 경량 특화 모델을 전진 배치함으로써 운영 지속성을 확보하려는 현실적인 접근이다. 다만 공개된 자료에는 토큰당 구체적 단가나 엔터프라이즈 환경에서의 총 소유 비용(TCO), 추론 지연시간 실측값이 빠져 있어 실제 절감 폭은 기업별 워크로드 형태에 따라 상이할 수 있다.
벤치마크 성과 해석과 확인된 운영 한계
마이크로소프트는 MDASH와 MAI-Cyber-1-Flash 조합이 산업 벤치마크인 사이버짐(CyberGym, any-crash score)에서 96%(정밀치 95.95%)를 기록해 앤스로픽 미소스(Mythos, 약 84%) 등 경쟁 모델을 앞섰다고 밝혔다. 그러나 이 지표는 단독 모델 간의 1:1 비교가 아니라, MAI-Cyber-1-Flash와 100여 개 전문 에이전트 하네스, 상위 모델 에스컬레이션이 결합된 '시스템 전체 앙상블'의 결과라는 점에 유의해야 한다.
또한 사이버짐은 알려진 취약점의 개념 증명(PoC) 재현 중심 평가이므로, 기업 레거시 환경의 비정형 코드 취약점을 자동으로 수정하는 역량을 완벽히 대변한다고 단정하기 어렵다. 초기 제공 단계의 물리적 제약도 확인된다. 프리뷰 버전은 C, C++, Java, C# 소스코드 스캔만 지원하며 컴파일된 바이너리 파일은 대상에서 제외된다. 리포지토리 크기(약 256MB 제한) 및 테넌트당 동시 실행 스캔 1개 제한 등도 실무 적용 전 고려해야 할 장벽이다.
도입 고려사항 및 검증 필요 영역
보안 실무 조직은 프로젝트 퍼셉션의 결과물이 '자동 패치 배포'가 아닌 SARIF나 HTML 형태의 개발자 검토용 권고안으로 제공된다는 운영 방식을 명확히 인지해야 한다. 즉, 탐지와 패치 초안 생성은 기계 속도로 진행되더라도 최종 승인 및 배포에는 여전히 인적 리소스가 투입되므로 내부 검토 파이프라인 정비가 선행되어야 한다.
과금 체계는 SCU(보안 컴퓨팅 유닛) 소비 기반으로 책정되며, MAI-Cyber-1-Flash 모델 가중치나 독립 API는 외부에 제공되지 않는다. Azure AI Foundry 프라이빗 프리뷰 및 MDASH 승인 고객에게만 제한적으로 열리는 폐쇄형 공급 방식이다. 또한 마이크로소프트 디펜더 외 타사 멀티클라우드 환경(AWS, GCP) 단독 지원 여부와 독립 서드파티의 벤치마크 재현 결과는 아직 확인되지 않아 정식 출시(GA) 시점까지 후속 검증이 요구된다.
출처
Microsoft Blog의 원출처와 본문에 표시한 참고자료를 바탕으로 한국어로 재구성했습니다. ‘ARCH.B 분석’은 자료를 읽고 덧붙인 편집 해석입니다.
Rethinking security for the age of AI (새 창)
