섀도우 AI와 브라우저 보안: 직원이 AI 도구를 사용할 때 데이터 보호하기

마케팅 팀은 직원들의 40%가 정규 근무 시간 중에 승인된 SaaS 앱을 사용하는 것과 동일한 브라우저를 통해 고객 데이터를 승인되지 않은 AI 도구에 복사해 넣고 있다는 사실을 방금 알아냈습니다. 이 과정에서 악성 코드는 전혀 사용되지 않았습니다. 보안 경계가 뚫린 것도 아니었습니다. 한 분석가가 Salesforce 고객 목록을 복사해 공개 챗봇에 붙여넣어 세분화 아이디어를 도출한 뒤, 그 결과를 다운로드하여 개인 클라우드 저장소에 파일을 동기화했습니다. 이 브라우저는 작업 공간이자 침투 지점이자 정보 유출 경로 역할을 동시에 수행했습니다.

‘섀도우 AI’—즉, IT 부서의 모니터링이나 관리 체계 없이 AI 도구를 무단으로 사용하는 행위—는 CISO가 직면할 수 있는 가장 시급한 데이터 보안 문제 중 하나로 대두되었으며, 이러한 현상은 주로 브라우저에서 발생합니다.

모든 CISO가 두려워해야 할 ‘섀도우 AI’ 시나리오

다음은 전형적인 섀도우 AI 사고의 모습과, 기존 통제 수단으로는 이를 포착하기가 왜 그토록 어려운지 설명합니다.

중견 핀테크 기업의 한 제품 관리자는 회사의 CRM에서 고객 불만 데이터를 복사한 뒤, 새 브라우저 탭을 열고 무료 버전의 AI 챗봇에 해당 데이터를 붙여넣어 분기별 검토를 위한 동향 분석 초안을 작성합니다. 이 챗봇의 이용 약관에 따르면, 서비스 제공업체는 모델 훈련을 위해 입력된 데이터를 사용할 수 있습니다. 해당 데이터에는 이름, 계좌 번호, 거래 내역 등이 포함되어 있습니다. 제품 관리자는 AI가 생성한 요약본을 다운로드하여 동료 세 명에게 이메일로 보내고, 사본을 개인 Google 드라이브 폴더에 저장한다.

방화벽이 작동하지 않았습니다. 엔드포인트 에이전트도 해당 붙여넣기 내용을 탐지하지 못했습니다. 이메일 첨부 파일을 모니터링하는 DLP 정책은 브라우저 기반 클립보드 작업을 검사하지 않습니다. CASB는 Google 드라이브 동기화 내역을 감지하지만, 10분 전에 챗봇 탭에 무엇이 붙여넣어졌는지는 파악할 수 없습니다.

이는 단순한 가정이 아닙니다. 멘로 시큐리티(Menlo Security)의 2025년 보고서에 따르면, 단 한 달 동안만 해도 생성형 AI(GenAI) 도구로 155,005건의 복사 시도와 313,120건의 붙여넣기 시도가 기록되었으며, 이는 직원들이 브라우저 클립보드를 통해 일상적으로 민감한 데이터를 AI 도구로 전송하고 있음을 보여줍니다. 2025년 3월부터 5월까지 302명의 사이버 보안 리더를 대상으로 실시된 가트너(Gartner) 설문조사에 따르면, 조직의 69%가 직원들이 사용이 금지된 공개 제너레이티브 AI 도구를 사용하고 있다고 의심하거나 이에 대한 증거를 확보하고 있는 것으로 나타났습니다.

데이터가 유출되는 곳은 브라우저이므로, 브라우저야말로 통제를 강화해야 할 대상입니다.

왜 기존의 보안 접근 방식은 섀도우 AI에 대해 무력한가

기존의 보안 아키텍처는 데이터베이스에 저장된 데이터, 서버 간 전송 중인 데이터, 관리 대상 엔드포인트를 통해 액세스되는 데이터를 보호하기 위해 구축되었습니다. 섀도우 AI는 이러한 모든 가정을 뒤엎습니다.

경계 기반 웹 필터링은 데이터가 아닌 도메인만을 파악합니다. 기존 secure web gateway URL 범주를 기준으로 chat.openai.com을 차단할 secure web gateway 있지만, 직원들은 기업 환경에서 확인된 6,500개 이상의 GenAI 도메인과 3,000개 이상의 앱 중 하나로 간단히 전환할 수 있습니다(Menlo Security, 2025). 하나의 도메인을 차단하는 것은 마치 ‘두더지 잡기’와 같습니다. 모든 도메인을 차단하면 생산성이 크게 저하되고, 사용자들은 개인 기기로 눈을 돌리게 됩니다.

엔드포인트 DLP는 클립보드 활동이 아닌 파일을 감시합니다. 영업 엔지니어가 승인된 CRM에서 파이프라인 스프레드시트를 복사하여 브라우저 기반 AI 도구에 내용을 붙여넣을 때, 파일 저장, USB 기록, 이메일 첨부 파일을 모니터링하는 엔드포인트 DLP는 아무런 이상 징후도 감지하지 못합니다. 파일이 생성되지 않았기 때문입니다. 데이터는 브라우저의 텍스트 입력란을 통해 유출되었는데, 이는 대부분의 기존 DLP 에이전트가 검사하지 않는 경로입니다.

인라인 프록시 기능을 지원하지 않는 CASB에는 사각지대가 존재합니다. API 기반 CASB는 Salesforce나 Microsoft 365와 같은 승인된 SaaS 앱 내 활동을 감사할 수 있지만, 직원이 브라우저 탭을 통해 접속하는 무료 버전의 챗봇에 대해서는 가시성을 확보할 수 없습니다. 포워드 프록시나 인라인 검사 기능이 없다면, 이러한 ‘섀도우 AI’ 세션은 감지되지 않습니다.

교육에만 의존하는 방식은 형식적인 규정 준수에 그칠 뿐입니다. 인식 제고 교육, 경고 이메일, 서면 정책에만 전적으로 의존하는 조직들은 데이터를 유출을 지속적으로 막지 못합니다. 정책을 뒷받침할 기술적 집행 수단이 없기 때문입니다. IBM의 2025년 보안 침해 데이터는 이러한 격차를 확인시켜 줍니다. AI 관련 보안 침해를 보고한 조직의 97%가 적절한 AI 접근 통제 수단을 갖추지 못한 것으로 나타났습니다.

공통점은 다음과 같습니다. 실패한 모든 접근 방식에는 직원들이 AI 도구로 전송하는 데이터를 실시간으로 파악할 수 있는 인라인, 브라우저 수준의 가시성이 결여되어 있습니다.

무엇이 달라졌나: 브라우저가 기업의 업무 공간으로 자리 잡았다

세 가지 변화가 맞물리면서 브라우저가 데이터 보호의 새로운 최전선이 되었습니다.

변화 1: AI 도구는 브라우저에서 바로 실행됩니다. ChatGPT, Claude, Gemini 및 수십 가지의 분야별 AI 도구는 모두 브라우저 내에서 완전히 구동됩니다. SSO 통합 및 프로비저닝이 필요한 기존 SaaS 앱과 달리, 대부분의 AI 챗봇은 무료 이메일 가입만으로도 충분하거나 아예 계정이 필요하지 않습니다. 인사 분석가는 관리형 노트북의 표준 Chrome 세션 내에서 직원 성과 평가 내용을 챗봇에 붙여넣기만 하면 몇 초 만에 요약 결과를 받아볼 수 있습니다.

변화 2: 데이터 이동은 파일 전송이 아닌 복사-붙여넣기 방식이다. IBM의 ‘섀도우 AI 설문조사’(2026년 2월)에 따르면, 미국 사무직 근로자의 80%가 업무에서 AI를 활용하고 있지만, 고용주가 제공하는 도구만을 사용하는 비율은 22%에 불과하다. 나머지 근로자들은 개인 계정, 무료 서비스, 브라우저 확장 프로그램을 사용하고 있다. 데이터는 복사, 붙여넣기, 드래그 앤 드롭과 같은 클립보드 작업을 통해 이동하며, 이는 파일 중심의 DLP를 완전히 우회한다.

3단계: 관리되지 않는 기기와 외부 협력업체의 접근이 위험을 가중시킵니다. 개인 노트북을 통해 리버스 프록시를 경유하여 Salesforce에 접속한 외부 협력업체 직원은 단 한 번의 브라우저 세션 내에서 고객 기록을 복사하고, 새 탭을 열어 공개 AI 도구를 실행한 뒤 해당 데이터를 붙여넣을 수 있습니다. 기기가 가정용 Wi-Fi에 연결된 경우, 검사할 엔드포인트 에이전트도, 적용할 MDM 프로필도, 네트워크 수준의 제어 수단도 없습니다. 기기 상태에 관계없이 적용되는 유일한 제어 지점은 바로 브라우저 세션 그 자체입니다.

프레임워크의 견해: NIST와 OWASP가 바라본 생성형 AI 데이터 위험

이 주제에 대한 두 가지 주요 지침인 NIST AI 600 1과 OWASP의 LLM 관련 Top 10은 모두, 생성형 AI 상호작용을 통한 데이터 유출을 단순히 절차적인 통제만으로는 해결되지 않고 기술적인 통제가 필요한 중대한 위험으로 지목하고 있다.

2024년 7월 26일에 발표된 NIST AI 600 1 생성형 AI 프로필은 생성형 AI에 고유하거나 이에 의해 악화되는 12가지 위험 요소를 파악하고, 위험 관리를 위한 200여 가지의 권고 조치를 제시합니다. 이 중 데이터 개인정보 보호는 별개의 위험 요소로 꼽히는데, 생성형 AI 시스템의 사용 및 훈련은 개인 데이터의 유출, 무단 사용 또는 익명화 해제로 이어질 수 있습니다. 이 프로파일의 ‘거버넌스(Govern)’ 기능은 기초적인 요소로 간주되며, 조직이 생성형 AI의 개발 및 배포에 대한 명확한 정책과 지침을 수립하여 윤리적이고 책임감 있는 사용을 보장할 것을 요구합니다. 보안 팀의 관점에서 이는 정책과 더불어 이를 강제하는 기술적 통제 수단이 동반되어야 함을 의미하며, 특히 직원들이 생성형 AI와 상호작용하는 지점인 브라우저에서 더욱 중요합니다.

애플리케이션 보안 측면에서, ‘LLM을 위한 OWASP Top 10 (2025)’은 ‘민감 정보 유출(LLM02:2025)’을 중대한 위험으로 분류하며, 민감 정보에는 개인 식별 정보(PII), 금융 정보, 건강 기록, 기밀 비즈니스 데이터, 보안 인증 정보 및 법률 문서가 포함된다고 명시하고 있습니다. 이 위험은 양방향으로 발생합니다. 직원이 콘텐츠를 붙여넣을 때 데이터가 LLM으로 유입되며, 모델이 훈련 데이터를 기억하고 있거나 RAG 시스템이 승인되지 않은 기록을 검색할 경우 데이터가 유출될 수 있습니다. 특히 애플리케이션에 내장된 LLM은 출력을 통해 민감한 데이터, 독점 알고리즘 또는 기밀 정보를 노출시킬 위험이 있어, 이로 인해 무단 데이터 접근, 개인정보 침해 및 지적 재산권 침해가 발생할 수 있습니다.

NIST와 OWASP는 공동으로, 조직이 GenAI 데이터 유출 문제를 단순히 정책상의 문제로만 취급해서는 안 된다고 주장합니다. 직원들이 이러한 도구를 사용하는 브라우저는 두 프레임워크의 요구 사항을 모두 충족하기 위해 기술적 통제 수단이 작동해야 하는 곳입니다.

보안 팀이 지금 취해야 할 조치: 섀도우 AI에 대한 브라우저 수준 제어

섀도우 AI 문제를 해결하려면 데이터가 실제로 조직을 떠나는 지점인 브라우저 수준에서 다층적인 통제 조치를 시행해야 합니다. 다음은 검증된 방법을 바탕으로 한 단계별 접근 방식입니다.

1단계: AI 활용 사례 파악 및 분류 (1~2주 차)

정책을 시행하기 전에 상황을 파악해야 합니다. AI 기반 URL 분류 secure web gateway (SWG)를 구축하여 직원들이 접속하는 모든 GenAI 도메인을 식별하십시오. SWG 로그와 CASB의 섀도우 IT 탐지 결과를 상호 연관시켜 어떤 AI 도구가 사용되고 있는지, 누가, 얼마나 자주, 어떤 유형의 기기에서 사용하고 있는지 등을 파악하여 현황 목록을 작성하십시오.

실제 사례를 들어보자. 한 의료 보험사의 보안 팀은, 임상 코디네이터들이 환자 진료 기록을 요약하여 신속한 분류 기록 작성을 돕기 위해 클립보드 데이터를 12개의 승인되지 않은 AI 도구로 전송하고 있음을 발견했다. SWG 수준의 탐지 기능이 없었다면, 해당 도구들이 브라우저 기반이며 별도의 소프트웨어 설치가 필요하지 않기 때문에 이러한 활동은 감지되지 않았을 것이다.

2단계: 브라우저에서 인라인 DLP 적용 (3~4주 차)

어떤 AI 도구가 사용되고 있는지 파악한 후에는, 데이터가 AI 서비스에 도달하기 전인 상호작용 시점에서 콘텐츠를 검사하는 data loss prevention (DLP) data loss prevention 적용하십시오. 클라우드 SWG 또는 SSE 플랫폼을 통해 배포된 인라인 DLP는 붙여넣기 작업, 양식 필드 제출, 그리고 GenAI URL로의 파일 업로드를 검사할 수 있습니다. 정책 조치는 단계적으로 적용되어야 합니다:

규제 대상 데이터(PII, PHI, PCI)가 AI 도구로 업로드되는 것을 차단합니다.

Coach 사용자가 소스 코드나 내부 문서를 붙여넣으려고 할 때, 관련 위험을 설명하고 승인된 대안을 제시하는 실시간 팝업이 표시됩니다.

민감한 내용이 포함되지 않은 일반적인 검색어는 허용합니다.

예시: 물류 회사의 한 엔지니어가 고객 주소가 포함된 배송 명세서를 AI 요약 도구에 붙여넣습니다. 인라인 DLP가 개인 식별 정보(PII) 패턴을 감지하여 붙여넣기를 차단하고, “이 콘텐츠에는 고객 주소가 포함되어 있습니다. 대신 승인된 기업용 AI 작업 공간을 사용하십시오.”라는 알림을 표시합니다. 이 엔지니어는 처벌을 받는 대신 해당 작업 공간으로 리디렉션되며, 데이터는 조직 외부로 유출되지 않습니다.

3단계: 고위험 AI 세션 분리 (4~6주 차)

사업부가 해당 도구에 의존하고 있어 완전히 차단할 수 없는 AI 도구의 경우,remote browser isolation 는 클라우드 호스팅 컨테이너에서 세션을 실행합니다. 직원은 AI 도구를 평소와 같이 보고 상호작용할 수 있지만, 클립보드 작업, 다운로드 및 업로드는 세분화된 수준에서 제어할 수 있습니다. RBI는 "읽기는 가능하지만 유출은 불가"라는 보안 태세를 구현합니다. 즉, 직원은 AI가 생성한 콘텐츠를 이용할 수 있지만, 민감한 데이터를 도구에 붙여넣거나 AI 출력물을 관리되지 않는 엔드포인트로 다운로드할 수는 없습니다.

금융 서비스 회사의 M&A 팀이 공개된 서류를 요약하기 위해 AI 연구 도구를 사용해야 하는 상황을 생각해 봅시다. RBI를 통해 이 팀은 해당 도구를 자유롭게 사용할 수 있지만, 내부 거래 조건의 복사-붙여넣기나 독점적인 분석 내용이 포함된 AI 생성 요약본의 다운로드는 차단됩니다. 세션이 종료되면 컨테이너가 삭제되며, 엔드포인트에는 어떠한 데이터도 남아 있지 않습니다.

4단계: 관리 및 반복 (진행 중)

매월 SWG 및 DLP 원격 측정 데이터를 검토하는 AI 거버넌스 위원회를 구성하십시오. 어떤 새로운 AI 도구가 등장하는지, 어떤 정책 위반이 가장 빈번하게 발생하는지, 그리고 승인된 대체 수단이 사용자의 요구를 충족하고 있는지 추적하십시오. 제너레이티브 AI(GenAI) 서비스의 수는 줄어들지 않고 오히려 늘어나고 있으므로, 환경 변화에 따라 정책을 조정하십시오.

긴급성: 기다림이 왜 위험을 가중시키는가

지연이 한 달씩 늘어날 때마다 세 가지 측면에서 위험이 가중됩니다.

금융 분야: 섀도우 AI 침해 사고로 인해 고객의 개인 식별 정보(PII) 유출 비율이 전 세계 평균 53%(IBM, 2025)에 비해 65%로 현저히 높았으며, 이로 인해 기록당 비용과 규제 당국의 과징금이 증가했습니다. 유출된 데이터가 규제 당국이 가장 중요하게 여기는 정보일 경우, 이에 따른 재정적 위험은 초기 사고 대응 단계를 훨씬 넘어서는 수준으로 확대됩니다.

규제 측면: GDPR, CCPA, HIPAA는 모두 조직이 개인정보 처리에 대한 통제권을 유지할 것을 요구합니다. 직원이 적정성 협정이 체결되지 않은 관할 구역에 호스팅된, 사전 검토를 거치지 않은 AI 도구에 환자 기록을 붙여넣을 경우, 해당 조직은 개인정보 처리자(controller)로서 책임을 지게 됩니다. EU AI 법안은 일반 생성형 AI(GenAI) 사용과 관련하여 투명성 및 위험 평가에 대한 추가적인 의무를 부과하고 있는데, 정의상 섀도우 AI는 이러한 요건을 충족할 수 없습니다.

운영 측면: 멘로 시큐리티(Menlo Security)의 보고서에 따르면, 기업 전반에서 ‘섀도우 생성형 AI’ 사용량이 1년 만에 68% 급증한 것으로 나타났습니다. 지금 브라우저 수준의 통제 조치를 미루는 조직은, 결국 규제가 불가피해졌을 때 더 크고 뿌리 깊은 ‘섀도우 AI’의 영향력에 직면하게 될 것입니다. 또한, AI를 일상 업무 흐름에 이미 접목시킨 수만 명의 직원을 재교육하는 것은 초기 단계에서 행동 양식을 바로잡는 것보다 훨씬 더 어렵습니다.

Skyhigh Security 플랫폼은 SWG, CASB, DLP, RBI 및 ZTNA를 단일 정책 엔진 아래 통합함으로써, 하나의 콘솔에서 섀도우 AI를 탐지하고, 브라우저 수준에서 데이터 보호를 시행하며, 관리 대상 및 비관리 대상 기기 전반에 걸쳐 AI 사용을 통제할 수 있게 해줍니다. 이러한 통합이 중요한 이유는 AI 코파일럿 및 도구로 인한 보안 위험이 여러 적용 지점에 걸쳐 발생하며, 분산된 통제 체계는 직원들이 — 의도적이든 아니든 — 악용할 수 있는 허점을 남기기 때문입니다.