Samsung SDS

Executive Summary

• 엔터프라이즈 AI의 성패는 모델 성능 자체가 아닌, 자율 에이전트의 비용 폭주와 데이터 파괴 리스크를 결정론적으로 통제하는 '제어층' 설계 역량에 달려 있습니다.
• 이를 위해 단일 실행의 안전성을 강제하는 '하네스 엔지니어링(Harness Engineering)'과 실행 주기 및 종료 조건을 최적화하는 '루프 엔지니어링(Loop Engineering)' 중심의 운영 모델 재설계가 필수적입니다.
• 결과적으로 모델 종속성을 탈피하여 기업만의 독보적인 제어 체계인 '외부 하네스(Outer Harness)'를 구축함으로써, 확률적 AI를 결정론적 비즈니스 시스템으로 전환하는 전략적 경쟁 우위를 확보할 수 있습니다.

엔터프라이즈 AI의 성패는 더 이상 '어떤 모델을 쓰느냐'로 갈리지 않는다. 같은 모델을 쓰고도 한쪽은 밤사이 수천 건의 작업을 처리하고, 다른 쪽은 예산이 폭발적으로 늘거나 프로덕션 데이터를 지운다. 차이를 만드는 것은 모델이 아니라 모델을 감싼 층이다.

이것은 우연한 사례가 아니라 반복되는 패턴이다. MIT NANDA는 기업 AI 파일럿의 95%가 손익에 영향을 주지 못했고 그 원인이 모델 품질이 아니라 업무 통합의 실패, 이른바 학습 격차에 있다고 진단했다.^[1] 가트너 역시 2027년 말까지 에이전트 AI 프로젝트의 40% 이상이 비용·불명확한 가치·부실한 통제 때문에 취소될 것으로 본다.^[2] 두 연구가 지목하는 실패의 원인은 하나같이 AI 모델 바깥에 있다.

경쟁의 축은 모델에서 모델을 둘러싼 층으로 옮겨갔고, 2026년의 업계는 그 층을 두 규율로 나누어 부르기 시작했다. 단 한 번의 실행을 안전하게 만드는 하네스 엔지니어링(Harness Engineering)과 무엇을 언제까지 실행할지를 사람 없이 결정하게 하는 루프 엔지니어링(Loop Engineering)이다. 통제가능성과 비용, 경쟁 우위, 조직의 운영 모델이 모두 이 층에서 결정된다. 한국 AI 규제와 EU AI Act를 동시에 감당해야 하는 국내 기업에 이 말은, 규정 문서가 아니라 에이전트 런타임에서 통제가 완성되어야 한다는 뜻이다.

1. 같은 모델, 갈라지는 운명

기업 AI의 투자수익은 평균에 몰려 있지 않다. 소수의 고수익 집단과 손익분기 언저리의 다수로 갈라져 있고, 95%라는 실패율은 그 한쪽 끝일 뿐이다. 정작 중요한 것은 반대편 5%다. 이들은 더 좋은 모델을 쓴 기업이 아니라, 도구를 자사 업무에 깊이 통합하고 피드백으로 개선되는 시스템을 갖추었으며 벤치마크가 아닌 사업 성과로 도입을 평가한 기업이었다. 모델은 성능의 최곳값을 정할 뿐, 그 값에 얼마나 다가가는지는 바깥층이 결정한다.

이 층의 부재는 정반대로 보이는 두 실패로 나타난다. 하나는 비용을 태우고, 하나는 데이터를 파괴한다.

두 가지 유형의 실패

Uber는 2025년 말 약 5,000명의 엔지니어에게 클로드 코드를 배포했고, 도입률이 넉 달 만에 84%까지 치솟으며 그해 AI 예산 전체가 4월에 소진됐다.^[3] 상한을 걸지 않아 한 달 만에 5억 달러 청구서를 받았다는 극단적 사례도 나타났다.^[4] 같은 역학은 공급자에게도 닥쳤다. 깃허브는 2026년 4월 병렬로 도는 에이전트 세션이 요금 구조를 넘어섰다며 코파일럿 신규 가입을 중단했고^[5], 마이크로소프트는 사내 클로드 코드 라이선스를 회수했다. 토큰 과금과 병렬 자율 에이전트는 좌석당 정액이라는 SaaS 예산 가정을 무너뜨린다. 빠진 것은 더 나은 모델이 아니라, 사용량을 계측하고 상한을 거는 통제층, 곧 하네스였다.

차량 렌털 소프트웨어 스타트업 PocketOS에서는 Cursor의 코딩 에이전트가 프로덕션 데이터베이스와 백업 전체를 단 9초 만에 지웠다. 사소한 인증 오류를 스스로 '해결'하려다, 무관한 파일에서 광범위한 권한을 가진 토큰을 찾아 단 한 번의 호출로 삭제한 것이다.^[6] 핵심은 이 에이전트에게 규칙이 없었던 것이 아니라는 데 있다. 프롬프트에는 "허가 없이 파괴적 명령 금지"가 분명히 있었고, 에이전트는 그것을 어긴 뒤 스스로 위반을 '자백'했다. 프롬프트는 지시일 뿐, 강제가 아니었다.

정반대의 두 실패는 한 뿌리를 공유한다. 모델은 확률적 본성대로 움직였을 뿐이고, 그 바깥에서 결정론적으로 멈춰 세울 장치가 없었다. 종료 조건과 예산 게이트가 없어 비용이 폭주했고, 확인 게이트와 권한 제한이 없어 데이터가 사라졌다.

순위를 뒤집은 것은 모델이 아니었다

같은 사실이 성공의 방향에서도 확인된다. 2026년 초 LangChain은 모델을 고정한 채 시스템 프롬프트·도구·미들웨어만 바꿔, 코딩 에이전트를 표준 벤치마크에서 30위권 밖에서 5위로 끌어올렸다. 승부를 가른 것은 더 똑똑한 모델이 아니라, 작업 종료 전에 명세와 대조하는 검증 게이트와 반복을 끊는 루프 제어였다. 실패 사례에 없던 바로 그것이다. 거의 모든 기업이 같은 모델 API를 부르는 시대에, 우위는 모델이 아니라 그것을 감싸는 층에서 만들어진다. 그리고 그 층에는 이제 이름이 있다.

2. 하네스와 루프, 그 관계

하네스 엔지니어링: 지시가 아니라 강제

하네스는 본래 말에 채우는 마구, 강하지만 제멋대로인 힘을 이끄는 고삐다. 2026년 2월 하시코프 공동창업자 미첼 하시모토는 이를 하나의 원칙으로 정리했다. 에이전트가 실수하면 그 자리에서 고치는 것이 아니라, 다시는 같은 실수를 못 하도록 환경 자체를 영구히 손보는 것이다(Agent = Model + Harness). 규율의 핵심은 지시와 강제의 구분이다.

"표준을 지켜라"라는 프롬프트는 모델의 준수 의지에 기대지만, 어긴 결과물을 자동으로 차단하는 검사는 아무것에도 기대지 않는다. Thoughtworks가 정리한 문법으로는, 무엇을 하라고 일러주는 가이드(문서·규칙)와 결과를 검증·강제하는 센서(린터·훅·테스트)의 구분이다.^[7] 규칙을 몰라 틀렸다면 가이드를, 알고도 어겼다면 센서를 더한다. PocketOS에 필요했던 것은 정확히 후자였다.

루프 엔지니어링: 방아쇠에서 물러나기

하네스가 한 번의 실행을 다룬다면, 루프는 그 실행을 언제 시작하고 멈출지를 다룬다. 사람이 프롬프트를 넣는 자리에서 물러나, 그 일을 대신할 시스템을 짜는 것이다. 루프는 긴 프롬프트가 아니라, 행동하고 피드백을 받아 다음 수를 정하는 순환이 목표에 도달할 때까지 반복되는 구조다. 최소한 할 일을 찾는 방법, 종료 조건, 실행 사이를 잇는 기억이 있어야 하고, 여기에 예산과 가드레일, 그리고 별도의 검증자가 더해진다. 자기 결과를 스스로 채점하는 에이전트는 대체로 후하기 때문이다. 종료 조건과 예산이 없는 루프는 곧 앞서 본 비용 폭주의 다른 이름이다.

위계보다 진단

두 규율의 서열, 곧 루프가 하네스 위인지 나란한지는 아직 논쟁 중이고 어휘 자체가 표준화가 되는 중이다. 실무에서 결정적인 것은 이런 서열이 아니라 올바른 진단이다.

문제가 한 번의 실행 안에 있으면 하네스의 문제이고(이 실행이 안전한가), 무엇을 언제까지 실행하는가에 있으면 루프의 문제다(스스로 멈출 줄 아는가). 현장에서 신뢰를 잃는 에이전트는 대개 둘 중 하나가 비어 있으며, 두 결핍의 상황은 전혀 다르다. 하나는 위험한 채로 계속 돌고, 다른 하나는 안전하지만 사람이 매번 깨워야 움직인다.

모델이 아니라 그 바깥층이 신뢰성과 비용을 가르는 만큼, 거버넌스와 경쟁 우위, 그리고 조직의 운영 모델도 바로 여기에서 결정된다. 다음 장에서 그 세 가지를 이야기해 본다.

3. 거버넌스는 데스크가 아닌 런타임에서 완성

PocketOS의 에이전트에게는 규칙이 있었다. 프롬프트에 적힌 "허가 없이 파괴적 명령 금지." 에이전트는 그 규칙을 읽었고, 데이터베이스를 지웠다. 자율 에이전트가 무시할 수 있는 정책은 거버넌스가 아니다. 문서일 뿐이다.

거의 모든 기업이 AI 원칙과 정책을 갖추고 있다. 문제는 그 정책이 에이전트가 행동하는 순간에는 작동하지 않는다는 데 있다. 사람은 규정을 어기면 책임을 지지만, 에이전트는 규정을 어기고도 9초 만에 프로덕션을 지운다. 에이전트가 읽고 결정하고 실행하는 시대에, 적힌 규칙과 지켜지는 규칙의 간극은 더 이상 컴플라이언스의 문제가 아니라 운영의 문제다. 그래서 거버넌스는 서류상의 정책 문서가 아니라 에이전트가 실제로 행동하는 지점, 곧 하네스의 게이트와 루프의 종료-에스컬레이션 조건에서 완성돼야 한다.

정책과 런타임의 간극

OWASP가 2025년 위험 목록에 올린 '과잉 행위성(Excessive Agency)'의 핵심 완화책은 정책 선언이 아니라 하나의 설계 원칙이다.^[8] 권한 판단을 모델의 출력에 맡기지 말고 하위 시스템이 독립적으로 강제하라는 것이다. 접근 규칙이 외부에서 강제되면, 모델이 내놓는 어떤 위험한 지시도 실행 자체가 불가능해진다. 규제도 같은 방향을 가리킨다. EU AI Act의 고위험 체계가 요구하는 것은 정책 문구가 아니라 자동 로깅과 인간 감독, 추적가능성이라는 런타임 장치다. 이미 돌아가는 시스템에 이 장치를 사후에 끼워 넣기가 더 어렵다는 점에서, 통제는 처음부터 런타임에 설계돼야 한다.

에이전트는 ‘누구’인가

런타임 통제를 걸려면 먼저 답해야 할 질문이 있다. 이 에이전트는 누구이고, 누구를 대신해 행동하는가. 에이전트는 사용자도 평범한 서비스 계정도 아니다. CRM과 이메일, 인프라, 결제의 자격 증명을 동시에 쥔 새로운 행위자, 곧 비인간 정체성(Non-Human Identity)이다. 그런데 2026년 CSA 분석에 따르면 조직의 16% 이상은 이런 AI 정체성이 언제 생성되는지조차 추적하지 못한다.^[9] 존재를 모르는 행위자에게는 최소권한도 승인 게이트도 걸 수 없다. 해법은 런타임에 있다. 각 에이전트를 자기 권한과 감사 기록에 묶인 정체성으로 다루고, 상시 권한 대신 필요한 순간에만 짧게 권한을 부여하는 것이다.

관측가능성과 책임 소재

마지막 층은 사후의 문제다. 에이전트가 밤사이 스스로 판단했다면, 조직은 그것이 무엇을 했는지 보고 설명하고 되돌릴 수 있어야 한다. 새벽 세 시에 루프가 내린 결정에 "모델이 그랬다"고 답할 수는 없다. 소유자와 로그, 게이트가 있어야 한다. 통제 방식도 각 단계를 승인하는 방식에서 루프를 감독하며 중단 권한을 쥐는 방식으로 옮겨가지만, 그 감사 추적과 개입 지점은 루프에 설계해 넣어야 존재한다. 기본값으로 주어지지 않는다.

정책은 의도를 정하고, 하네스와 루프가 그것을 현실로 만든다. 국내 AI 규제와 EU AI Act의 역외 적용을 동시에 받는 국내 기업에, 컴플라이언스는 정책 바인더가 아니라 런타임의 로그와 게이트, 범위가 제한된 정체성으로 증명된다. 거버넌스가 이 층에서 완성된다면, 경쟁 우위 역시 같은 층에서 만들어진다.

4. Outer Harness, 기업의 새로운 해자

거버넌스가 모델 바깥층에서 완성된다면, 경쟁 우위도 같은 층에서 만들어진다. 2026년의 선두 AI 모델은 서로 수렴하며 빠르게 상품화되고 있다. 거의 모든 기업이 비슷한 Claude·GPT·Gemini, 혹은 신뢰할 만한 오픈소스 모델을 같은 방식으로 호출한다. 모델이 상품이 된 시대에 해자는 모델일 수 없다. 해자는 기업이 그 위에 쌓는 외부 하네스(Outer Harness)가 된다.

안쪽은 랩의 몫, 바깥쪽은 기업의 몫

Thoughtworks가 Martin Fowler의 사이트에 정리한 프레임워크는 하네스를 동심원으로 그린다. 한가운데 모델이 있고, 그 둘레에 프론티어 랩이 모델에 심어 넣는 안쪽 하네스(Inner Harness)—기본 안전장치, 네이티브 도구 호출, 컨텍스트 관리, 실행 루프—가 있으며, 다시 그 바깥을 기업이 직접 짓는 바깥 하네스가 감싼다. 문제는 안쪽 하네스가 빠르게 상품화되고 얇아지고 있다는 점이다. 어느 도구를 쓰든 대체로 같은 부품을 담고 있다. 모델도, 그 모델에 내장된 안쪽 하네스도 지속 가능한 차별점이 되지 못한다. 남는 것은 그 위에 무엇을 올리는가, 곧 바깥 하네스뿐이다.

외부 하네스가 만드는 세 가지 해자

검증 기준과 가드레일, 업무 로직이 모두 기업 자신의 하네스 코드 안에 살면, 세 가지가 따라온다. 첫째, 모델 종속이 사라진다. 더 싸거나 빠른 모델이 다음 주에 나와도, 시스템을 바꾸지 않고 모델 레이어만 갈아 끼우면 된다. 모델이 교체 가능한 부품이 되는 것이다. 둘째, 확률적 출력이 결정론적 운영으로 바뀐다. 프롬프트를 얼마나 정중하게 넣느냐에 따라 결과가 달라지는 모델을, 하네스가 예측 가능하고 검증 가능한 시스템으로 번역한다. 셋째, 도메인 지식이 축적된다. 값비싼 재학습 없이도, 한 번 걸러낸 실수가 하네스에 영구히 새겨져 매일 도메인에 날카로워진다. 1장에서 MIT가 말한 성공한 5%의 정체가 이것이다. 그들은 더 좋은 모델을 산 기업이 아니라, 이 레이어를 지은 기업이었다.

누가 외부 하네스를 짓는가

해자가 바깥 하네스에 있다면 전략 질문이 바뀐다. 이제 "어떤 모델을 도입할 것인가"가 아니라 "하네스의 어느 부분을 우리가 소유할 것인가"다. 투자의 무게중심도 모델 라이선스에서, 도구와 정체성·검증·관측을 오케스트레이션하는 통합층, 곧 AI 제어 레이어로 옮겨간다. AI를 확장하는 데 발목을 잡는 것은 더 이상 모델의 성능이 아니라 이 운영층의 견고함이다. 그리고 이 층은 사람을 필요로 한다. 자사 업무에 맞춘 가드레일과 워크플로우 통합, 검증을 짜 넣는 일은 고객 시스템 안에 들어가 상품화된 모델을 길들이는 FDE의 작업 그 자체다. 희소해진 역량은 모델에 대한 접근권이 아니라, 상품화된 모델을 통제 가능하고 신뢰할 수 있는 도메인 시스템으로 바꿔내는 사람과 플랫폼이다.

바깥 하네스를 짓는 일은 무엇을 사느냐만 바꾸지 않는다. 조직이 일하는 방식 자체를 바꾼다. 루프가 스스로 돌기 시작하면, 운영 모델도 달라져야 한다.

5. 루프가 쓰는 운영 모델

루프가 스스로 돌기 시작하면 운영 모델에서 두 가지가 무너진다. 일의 정의, 그리고 무엇이 돌고 있는지 볼 수 있는 능력이다.

프롬프트에서 루프로

일의 정의가 바뀐다. 가장 유능한 사람이 더 이상 일을 직접 하지 않고, 일을 하는 시스템을 설계하고 감독하기 시작한다. 오픈AI의 한 팀은 엔지니어 세 명이 사람이 방향을 잡고 에이전트가 실행하는 방식으로 100만 줄의 코드를 생산했다. 레버리지의 단위가 사람의 노동시간에서 루프로 옮겨간 것이다. 조직 관점에서 이는 새로운 인력의 등장을 뜻한다. IBM은 2026년 말이면 대다수 대기업이 1,600개가 넘는 에이전트로 구성된 ‘디지털 인력’을 운영하리라 전망한다. 그러나 이 인력에는 관리자도, 직무 기술서도, 인사 평가도 없다. 통제 범위와 결재선, 좌석당 예산이라는, 사람을 전제로 짜인 운영 모델은 자율적으로 도는 루프의 집단에 들어맞지 않는다. 비용조차 다르다. 각 루프가 예측 불가능하게 자원을 소모하는 만큼, 비용 통제는 사고가 터진 뒤의 수습이 아니라 처음부터 설계에 넣는 상시 규율이 되어야 한다.

몇 개의 루프가 돌고 있는가

대부분의 기업이 답하지 못하는 질문이 있다. 지금 우리 안에서 몇 개의 에이전트가 돌고 있고, 각각을 누가 소유하며, 무엇에 손댈 수 있는가. IBM 조사에서 완전한 에이전트 인벤토리를 갖춘 기업은 18%에 그쳤다. 가트너는 2028년이면 포춘500 기업이 평균 15만 개 이상의 에이전트를 돌리게 되지만 거버넌스가 적정하다고 보는 곳은 13%뿐이라고 본다. 마이크로소프트조차 내부 관리 플랫폼을 배포하자 수 주 만에 50만 개가 넘는 에이전트가 드러났다. 셀 수 없으면 다스릴 수 없다. 업계가 ‘에이전트 난립’을 '새로운 섀도 IT'라 부르는 이유다.

해법은 도구가 아니라 운영 역량이다. 살아 있는 에이전트 레지스트리, 그리고 각 루프에 대한 명시적 소유권 즉 "영업팀이 쓴다"와 같은 애매한 선 긋기가 아니라 그 행동과 권한에 책임지는 한 사람이 필요하다. 여기에 수명주기 관리(용도가 끝난 루프의 회수)와 정체성별 최소권한이 더해진다. 각 루프를 그것의 정체, 곧 하나의 비인간 행위자로 다루는 것이다. 3장에서 다룬 런타임 통제가 게이트를 말했다면, 여기서는 소유자와 목록을 말한다. 둘이 갖춰질 때, 이 문제는 기술 이슈에서 이사회의 리스크 의제로 성격이 바뀐다. 새벽 세 시에 "무슨 일이 일어났고 누가 책임지는가"에 답할 수 있는 조직만이, 1,600개의 루프를 제각기 도는 1,600개의 프로그램이 아니라 하나의 조율된 인력으로 운영할 수 있다.

6. 리더를 위한 진단과 국내 시사점

앞에서 한 이야기는 결국 세 개의 질문으로 리더의 책상에 놓인다. 우리의 문제는 어디에 있는가, 규제는 무엇을 요구하는가, 그리고 어휘가 계속 쌓이는 이 판에서 무엇을 준비할 것인가이다.

하네스인가, 루프인가

더 좋은 모델을 사거나 새 도구를 도입하기 전에, 먼저 결핍의 위치를 진단해야 한다. 에이전트가 한 번의 작업 안에서 위험하거나 잘못된 일을 한다면, 즉 규칙을 어기고 삭제하거나, 한 번의 실행에서 비용을 폭주시킨다면 그것은 하네스의 문제다. 게이트와 권한 제한, 검증을 더해야 한다. 반대로 개별 작업은 잘 해내는데 사람이 매번 시작 버튼을 눌러야 하거나 무엇이 돌고 있는지 아무도 모른다면, 그것은 루프와 운영의 문제다. 할 일을 찾는 방법과 종료 조건, 소유권과 인벤토리를 더해야 한다.

둘 다라면 하네스를 먼저 고친다. 가드레일 없이 감독까지 없는 에이전트는 가장 늦게, 가장 비싸게 발견되는 실수이기 때문이다. 이 진단은 측정 가능한 지표로 바꿀 수 있다. 파괴적 작업 중 사람의 승인 게이트를 거치는 비율, 명시적 소유자가 지정된 에이전트의 비율, 루프별로 비용이 계측되는가, 모든 도구 호출이 로그로 남는가. 모두 사고가 난 뒤 재구축하는 것보다 지금 점검하는 편이 훨씬 싸다.

컴플라이언스는 런타임에서 증명된다.

국내 대기업은 두 개의 규제를 동시에 받는다. 안으로는 2026년 1월 22일 시행된 AI기본법이 고영향 인공지능 사업자에게 투명성·안전성 확보와 특별 책무, AI 영향 평가를 부과하고 있으며, 7월 개정 시행령으로 확인 제도까지 더해졌다.^[10] 밖으로는 EU AI Act가 역외로 미친다. 2026년 8월 2일 제50조 투명성 의무가 발효됐고, GPAI 의무는 이미 작동 중이며, 유예된 고위험 규율(2027년 12월)이 다가온다. 두 규제의 공통점이 이 리포트의 결론과 정확히 맞물린다. 어느 쪽도 정책 바인더로 충족되지 않는다. 콘텐츠 표시, 자동 로그, 인간 감독 장치, 고영향·고위험 의사결정에 대한 설명가능성, 영향 평가 산출물은 모두 하네스와 루프가 런타임에서 만들어내는 증거다. 바깥 하네스를 짓고 루프를 다스린 기업은 같은 런타임에서 두 규제를 함께 입증할 수 있지만, 정책만 가진 기업은 정작 에이전트가 움직인 순간 무슨 일이 있었는지 설명도 증명도 하지 못한다. 결국 이중 규제의 부담은, 신뢰성과 경쟁 우위를 만드는 바로 그 층을 지금 지어야 할 이유가 된다. 컴플라이언스와 통제, 그리고 해자가 한 지점으로 수렴한다.

다음 레이어의 예고, 그리고 리더의 책임

새로운 어휘는 계속 나오고 위로 쌓인다. 프롬프트에서 컨텍스트로, 하네스로, 루프로, 그리고 이미 2026년 7월부터는 여러 에이전트를 하나의 조직처럼 엮는 ‘그래프 엔지니어링’이 새로운 어휘면서 레이어로 거론된다. 실체 있는 논의이지만 동시에 소음도 함께 왔다. 경쟁하는 정의들, 과열된 게시물, 심지어 존재하지 않는 연구를 지어낸 가짜 인용까지. 기존 워크프로세스 관점에선 대다수 업무에 여전히 단일 루프면 충분하고, 그래프는 복잡한 다중 에이전트 규모에서만 의미가 있다.

리더가 할 일은 유행하는 용어를 좇는 것이 아니다. 그 아래 변하지 않는 이동을 읽는 것이다. 결정적인 층은 모델에서 그 바깥으로 옮겨갔고, 계속 깊어지고 있다. 승부는 최신 어휘를 아는 조직이 아니라, 다음 층이 무엇이든 하네스의 규율, 루프의 거버넌스, 소유권과 인벤토리와 같은 흡수할 역량을 갖춘 조직이 가른다. 2026년, 가장 좋은 모델은 누구에게나 열려 있다. 열려 있지 않은 것은 그 모델을 안전하고, 설명 가능하며, 우리의 것으로 만드는 엔지니어링된 층이다. 이제 그 층이 진짜 일이고, 진짜 경쟁력이다.

References

• MIT NANDA, “The GenAI Divide - STATE OF AI IN BUSINESS 2025”, Jul 2025
• Gartner, “Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027”, Jun 25, 2025
• Forbes, “Uber Burns Its 2026 AI Budget in Four Months on Claude Code”, May 17, 2026
• Tech Startups, “Company accidentally spent $500 million on Claude AI in one month”, May 28, 2026
• InfoWorld, “GitHub pauses new Copilot sign-ups as agentic AI strains infrastructure”, Apr 21, 2026
• Euronews, “An AI agent deleted a company’s entire database in 9 seconds”, Apr 28, 2026
• martinfowler.com, “Harness engineering for coding agent users”, Apr 02, 2026
• owasp.org, “OWASP LLM06:2025 Excessive Agency”
• Cloud Security Alliance AI Safety Initiative, “The Non-Human Identity Governance Vacuum”, May 20, 2026
• 법률신문 정리, “인공지능 발전과 신뢰 기반 조성 등에 관한 기본법(AI기본법) 및 시행령”, 2026.1.22 시행, 2026.7.21 개정 시행령

FAQ

▶   해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 기고자에게 저작권이 있습니다.
▶   해당 콘텐츠는 사전 동의 없이 2차 가공 및 영리적인 이용을 금하고 있습니다.