AI Agent는 여러 해 동안 묵혀 있던 코드와 보안 부채를 유지 관리자의 눈앞에 드러내고 있다. PHP2Shell 사례를 보면, AI는 문제를 발견하는 속도를 높일 수 있지만 enterprises에 부족한 자산·테스트·배포 데이터를 대신 채워 주지는 못한다.
IEEE Spectrum에 실린 PHP2Shell과 AI의 보안 영향에 관한 글이 Hacker News 메인페이지에 올라가 468점과 323개의 댓글을 받았다.
HN에 표시된 수치는 해당 글의 토론 페이지에서 확인할 수 있다: news.ycombinator.com/item?id=50364336. 원문은 spectrum.ieee.org에 공개됐다.
이 수치가 흥미로운 이유는 단순히 논쟁이 많았기 때문만은 아니다. 논의는 빠르게 ‘이 취약점을 어떻게 고치나’라는 차원을 넘어 더 큰 문제로 이동했다. AI가 코드를 대량으로 읽고, 호출 관계를 추적하며, 공격 경로를 설명할 수 있게 되었을 때, 제품 반복 개발으로 몇십 년간 밀려 있던 기술 부채는 갑자기 반드시 치러야 할 청구서처럼 떠오르게 될까?
메인페이지 468점, 논쟁은 취약점만의 문제가 아니다
IEEE Spectrum에 게재된 글은 PHP2Shell 취약점을 사례로 AI가 소프트웨어 보안에 미치는 영향을 다뤘다. 글이 Hacker News 메인페이지에 오른 뒤 468점과 323개의 댓글을 받았다.
누군가는 PHP 런타임, 프레임워크, 배포 설정이 어떻게 결합해 위험을 키우는지에 관심을 보였고, 다른 사람은 AI가 생성한 취약점 보고서가 신뢰할 만한지 물었다. 자동화된 스캔은 문제를 더 빨리 드러낼 뿐, 수정을 자동으로 완수하지는 않겠다는 지적도 나왔다.
하지만 논의의 중심은 이미 PHP2Shell을 넘어섰다. 기존 분석은 글의 핵심 판단을 다음과 같이 정리했다. AI 보조 감사와 취약점 발견이 기업으로 하여금 코드, 아키텍처, 보안 프로세스 전반에 걸친 장기 부채를直视하도록 만들고 있다는 것이다.
이 말은 하나의 구체적인 취약점이 왜 그렇게 많은 댓글을 끌어냈는지를 설명한다.
코드는 과거 매년 반복된 요구사항 개발의 결과다. 아키텍처는 여러 차례 조직 변화가 만들어 낸 절충안이다. 보안 프로세스는 지속적 통합, 의존성 추적, 심지어 코드 리뷰조차 없던 시기에 머물러 있을 수도 있다. 현대적인 기업은 새 시스템처럼 보이지만 내부에는 여러 세대의 낡은 시스템이 들어 있다.
AI가 이 오래된 부채를凭空 만들어 내지는 않는다. AI는 그 부채를 ‘다음 리팩터링 때 처리하자’는 말 뒤에 계속 숨기 어렵게 만들 뿐이다.
AI는 감사를 대체하지 않고 돋보기 역할을 한다
AI 보조 취약점 분석에서 가장 직접적인 가치는 초기 선별 시간을 줄이는 데 있다.
유지 관리자는 LLM에게 낯선 모듈을 설명하게 하고, HTTP 요청에서 위험 함수로 이어지는 호출 경로를 복원하게 하며, 대량의 로그·설정·의존성 선언에서 비정상 패턴을 찾게 할 수 있다. 낡은 프로젝트를 인계받은 사람에게 이 기능은 실용적이다. 과거에는 코드를 이해하는 데 몇 주가 필요했지만, 이제는 먼저 모델로 후보 공격 경로를 그린 뒤 엔지니어가 검증할 수 있다.
하지만 ‘발견했다’와 ‘고쳤다’는 같지 않다.
취약점 보고서에는 최소한 네 층위의 사실이 포함돼야 한다.
- 코드 층위: 위험한 함수가 어떻게 호출되며 입력값을 제어할 수 있는지 여부.
- 의존성 층위: 영향을 받는 버전이 어떤 의존성을 통해 시스템에 들어왔는지 여부.
- 아키텍처 층위: 요청이 취약점 코드까지 도달할 수 있는지, 그리고 게이트웨이, WAF, 프로세스 격리가 존재하는지 여부.
- 대응 층위: 영향 범위를 어떻게 확인할지, 패치를 배포하고 고객에게 알린 뒤 수정 여부를 어떻게 검증할지 여부.
LLM은 앞의 두 층위는 그럴듯하게 설명하면서도, 뒤의 두 층위는 이미 올바르게 갖춰졌다고 가정하기 쉽다.
예를 들어 보고서에는 특정 버전에 취약점이 있다고 적혀 있다. 실제 배포 환경은 오래된 확장을 고정하고 있을 수 있고, 역방향 프록시가 필터링할 수도 있으며, 관리자 인터페이스가 일부 인스턴스에만 노출돼 있을 수도 있다. 배포 목록과 런타임 증거가 없다면 이러한 판단은 모두 가정일 뿐이다.
따라서 AI Agent는 감사 조종석에 적합하지만 사고 대응 지휘관에는 적합하지 않다. 검사 범위를 넓히고 테스트 코드도 생성할 수 있지만, 기업을 대신해 실제 프로덕션 환경에서 무엇이 실행 중인지 확인해 줄 수는 없다.
기술 부채도 이 네 유형으로 나눌 수 있다. 코드 부채, 의존성 부채, 아키텍처 부채, 대응 프로세스 부채다. AI 스캐너는 앞의 두 유형을 찾는 데 가장 능숙하지만, 뒤의 두 유형은 여전히 사람과 권한, 신뢰할 수 있는 데이터에 의존한다.
가장 비싼 일은 패치 적용이 아니다
취약점이 공개된 뒤 발생하는 첫 번째 비용은 보통 영향 범위를 파악하는 일이다.
기업은 과거 버전, 의존성 체인, 배포 환경을 조사해야 한다.
- 어떤 서비스가 여전히 취약한 PHP 버전을 사용하는가?
- 해당 의존성은 직접 도입된 것인가, 아니면 프레임워크나 플러그인을 통해 간접적으로 들어온 것인가?
- 구버전은 여전히 인터넷에서 접근 가능한가?
- 컨테이너 이미지, 가상 머신, 호스팅 사본이 서로 동일한 상태인가?
- 고객이 직접 업그레이드할 수 있는가, 아니면 공식적인 임시 완화 Measures가 필요한가?
이는 한 줄의 코드를 수정하는 것보다 훨씬 비싸다.
글에는 다음과 같은 추정 사례가 제시됐다. 팀에 PHP 유지 관리자가 10명뿐이라면 코드 수정에는 반나절이면 충분할 수 있다. 실제로 시간이 오래 걸리는 것은 20개 서비스, 80개 이미지, 수백 건의 배포 기록을 정리해 어떤 인스턴스를 롤백·업그레이드·중단해야 하는지 확인하는 작업이다. 이 수치는 원문에 제시된 가정 시나리오이며 PHP2Shell의 실제 배포 데이터는 아니다.
단일 CVE 보고서는 취약점의 좌표를 제공하지만, 기업이 수정할 때는 다시 자산 목록을 조사해야 한다. 이 좌표와 설계 도면 사이의 간격이 바로 기술 부채의 가격이다.
의존성 문제는 비용을 계속 확대한다. 위험도가 낮은 의존성 하나가 Composer.lock 파일을 통해 여러 프로젝트에 들어갈 수 있다. 직접 의존성을 업데이트하는 것은 어렵지 않지만, 전이 의존성이 호환성 문제를 일으키는지 판단하고 회귀 테스트를 보강하는 것은 까다롭다.
기업에 SBOM,制品 추적, 버전 목록이 없다면 AI는 조회 스크립트 생성을 도울 수 있지만, 사라진 과거 데이터를凭空 복원할 수는 없다.
이것이 ‘발견하면 고친 것 같다’는 위험한 착각이 생기는 지점이다. 도구는 보기 좋은 취약점 목록을 만들고, 유지 관리자는 일부 경고를 처리한 뒤 위험이 줄었다고 선언한다. 하지만 프로덕션 시스템은 그로 인해 더 안전해지지 않은 것이다.
과거에는 연기로 처리했지만, 이제는 리팩터링이 필요하다
보안 부채를 처리할 때 과거에는 미루는 방식이 흔했다. 우선 WAF를 추가하고, 다음 일정을 다시 조정하고, 다음 반복 개발 때 의존성을 업그레이드하며, 어느 분기之后再 핵심 모듈을 리팩터링했다. 각 단계는 따로 보면 합리적이지만, 겹쳐 쌓이면 오늘날의 PHP2Shell식 난제가 된다.
AI Agent가 CI/CD에 도입되면 대응 방식이 달라진다.
Agent가 pull request에서 새 의존성을 검사하고, 회귀 테스트를 생성하며, 권한 변경을 설명할 수 있다면 저장소는 더 명확한 구조를 갖춰야 한다. 실행 가능한 테스트, 기계가 읽을 수 있는 의존성 목록, 분명한 릴리스 경계, 롤백 가능한制品, 서로 덮어쓰지 않는 권한이 요구된다.
바로 이러한 것들이 많은 老 프로젝트에 가장 부족한 요소다.
모델은 테스트를 작성할 수 있지만, 그 테스트는 안정적인 인터페이스를 전제로 한다. Agent는 의존성을 검사할 수 있지만, 먼저 프로덕션 환경이 어떤 잠금 파일을 사용하는지 알아야 한다. Agent는 배포 방안을 제안할 수 있지만, 프로덕션 권한을 오류를 범할 수 있는 자동화 프로세스에 직접 넘길 수는 없다.
따라서 리팩터링은 더 현대적인 코드를 작성한다는 의미만은 아니다. 다음 작업도 포함한다.
- 프로덕션 설정을 채팅 기록과 Wiki에서 버전 관리 시스템으로 옮긴다.
- 서비스별 의존성과 이미지 목록을 만든다.
- 배포, 승인, 롤백을 기계가 실행할 수 있는 프로세스로 작성한다.
- Agent에 최소 권한을 부여하고, 방화벽이나 프로덕션 키를 직접 수정하지 못하게 한다.
- 모든 수정에 반복 가능한 검증 명령을 적용한다.
과거에는 팀이 프로세스 문서로 질서를 유지했다. Agent를 연결한 뒤에는 프로세스가 실행 가능해야 한다. 그렇지 않으면 모델은 맥락이 부족한 저장소에서 일반적인 권고만 내놓을 수밖에 없다.
단기적으로 AI는 보안 부채를 더 쉽게 드러낸다. 장기적인 압박은 기업으로 하여금 유지 관리 시스템을 재구축하도록 요구한다. 더 나은 테스트, 더 작은 권한 범위, 더 짧은 배포 경로, 추적 가능한 의사결정 기록이 요구되는 것이다.
편집자의 생각
AI가 소프트웨어 보안에 미치는 가장 중요한 영향은 취약점을 늘리는 것이 아니라, 오래된 부채를 발견하고 설명하는 비용을 낮추는 데 있다. 과거에는 무시되던 의존성이 스캐너가 업그레이드되거나 수동 감사가 이루어지거나 실제 공격이 발생한 뒤에야 관리층의 시야에 들어왔다. 이제는 LLM과 AI Agent가 의심스러운 호출 체인과 영향을 받는 버전을 먼저 정리할 수 있다.
다음 단계의 경쟁 지점은 ‘누가 더 강한 모델을 가지고 있는가’에서 ‘누가 유지 관리하기 쉬운 소프트웨어와 조직 프로세스를 갖추고 있는가’로 이동할 것으로 본다. 모델 역량은 수렴하겠지만, 의존성이 고정돼 있는지, 프로덕션이 추적 가능한지, 테스트를 재현할 수 있는지, 권한을 최소화할 수 있는지는 여러 해의 축적에 달려 있다. API를 교체하는 것만으로 채울 수 있는 문제가 아니다.
이번 사이는 과거와 달리 기업에서 하나의 CVE만 수정한 것으로 끝낼 수 없다는 데 있다. AI는 코드, 아키텍처, 대응 프로세스를 함께 유지 관리자의 눈앞에 내놓는다. 그 결과 보안은 버전 말기에 패치를 적용하는 작업에서 지속 가능한 공학으로 바뀌게 된다.
다만 실제 수정 능력은 여전히 코드 품질과 과거 데이터에 제한된다. SBOM, 테스트, 배포 기록이 없다면 Agent는 문제를 더 빨리 제기할 수 있을 뿐, 프로덕션 환경이 이미 안전하다는 것을 기업에 증명해 줄 수는 없다.