섀도 AI(Shadow AI)란 무엇이고 왜 보안 1순위가 되었나: 미승인 AI 98%와 사고 관여 43%, 통로 중심 거버넌스

섀도 AI(Shadow AI)란 무엇이고 왜 2026년 보안의 1순위가 되었나요?

핵심은 금지가 통하지 않는다는 데 있습니다. 조사에 따르면 98%의 조직에 IT 부서가 승인하지 않은 AI 앱을 쓰는 직원이 있고 전체 근로자의 80%가 미승인 AI 도구를 사용합니다. 2023년부터 2025년 사이 섀도 AI 도구 사용량은 156% 늘었습니다. IBM의 침해 조사에서 미승인 AI 도구는 보안 사고의 43%에 관여했고 이 수치는 1년 만에 두 배 이상이 됐습니다. AI 도구에 입력되는 데이터의 27.4%가 소스코드, 고객 개인정보, 미공개 재무수치 같은 민감정보입니다. 중위 조직은 73개의 AI 서비스를 씁니다. 미승인 도구가 발견되기까지 걸리는 기간은 중위값 403일입니다. 대응의 출발점은 승인된 통로를 먼저 만드는 일입니다. 차단 목록은 그다음입니다.

로그를 열어 보고 나온 73개
섀도 AI란 정확히 무엇을 가리키나요
금지가 작동하지 않는 구조적 이유
위험은 네 층으로 쌓입니다
공시 사건이 바꾼 것: 보안 사고에서 경영 리스크로
차단이 아니라 통로를 만드는 거버넌스
탐지는 네트워크가 아니라 아이덴티티에서 시작합니다
비용은 차단보다 통로 쪽이 쌉니다
4단계 도입 로드맵
FAQ
같이 읽으면 좋은 것들

로그를 열어 보고 나온 73개

제조 계열 중견기업의 AI 도입 현황을 점검하면서 프록시 로그를 한 달치 뽑아 본 적이 있습니다. 경영진이 알고 있던 사내 AI 도구는 두 개였습니다. 전사 라이선스로 계약한 생성형 AI 어시스턴트와 사내 번역 서비스였습니다.

로그에서는 외부 AI 서비스 도메인이 수십 개 잡혔습니다. 번역, 요약, 이미지 생성, 코드 보조, 회의록 작성, 이력서 검토, PDF 질의응답까지 범주가 다양했습니다. 중위 조직이 73개 AI 서비스를 쓴다는 통계가 과장이 아니라는 것을 그 자리에서 확인했습니다.

사용 패턴이 더 흥미로웠습니다. 트래픽이 가장 많았던 서비스는 회의록 자동 작성 도구였는데 사내 공식 도구에는 그 기능이 없었습니다. 직원들이 규정을 어기려고 외부 도구를 쓴 게 아니었습니다. 필요한 기능이 사내에 없으니 가장 쉬운 경로를 택했을 뿐입니다.

보고서에서 권고한 1순위는 차단이 아니었습니다. 회의록 기능을 사내 승인 도구에 넣는 것이었습니다. 두 달 뒤 외부 회의록 서비스 트래픽은 90% 이상 줄었습니다. 섀도 AI는 보안 문제이기도 하지만 그 전에 제품 공백 신호입니다.

섀도 AI란 정확히 무엇을 가리키나요

섀도 AI(Shadow AI)는 IT 부서의 승인이나 모니터링 없이 직원이 사용하는 AI 도구와 그로 인해 생기는 데이터 흐름을 말합니다. 과거의 섀도 IT(Shadow IT)와 이름은 닮았지만 성격이 다릅니다.

구분	섀도 IT	섀도 AI
전형적 대상	비승인 클라우드 저장소, 메신저	생성형 AI 서비스, AI 기능이 탑재된 SaaS
데이터 이동	파일 업로드	프롬프트 입력과 모델 학습 반영
회수 가능성	파일 삭제로 일부 회수	학습에 반영되면 회수 불가
탐지 난도	도메인 차단으로 상당 부분 가능	기존 SaaS에 기능이 추가되는 형태라 어려움

되돌릴 수 없다는 점이 가장 큰 차이입니다. 클라우드 저장소에 올린 파일은 지울 수 있습니다. 외부 모델의 학습 데이터에 들어간 미공개 재무수치는 지울 방법이 없습니다. 그래서 입력 데이터의 27.4%가 민감정보라는 수치가 위험하게 읽힙니다.

또 하나는 경계가 흐려지는 방식입니다. 기존 섀도 IT는 직원이 새 서비스에 가입하는 행위로 생겼습니다. 섀도 AI는 이미 쓰고 있던 협업 도구나 CRM에 AI 요약 기능이 추가되면서 생깁니다. 아무도 새로 가입하지 않았는데 데이터 흐름이 바뀌어 있습니다.

금지가 작동하지 않는 구조적 이유

조사된 조직의 3분의 2 이상이 미승인 AI 도입을 제한할 거버넌스 프로세스를 갖추지 않았습니다. 그런데 프로세스를 만든 조직에서도 금지 정책만으로는 효과가 제한적입니다. 세 가지 이유가 겹칩니다.

하나는 생산성 격차입니다. AI 도구로 두 시간 걸리던 작업을 20분에 끝내는 동료가 있을 때 규정을 지키는 쪽이 손해를 봅니다. 평가 체계가 결과를 보는 한 개인은 합리적으로 규정을 우회합니다.

둘은 개인 기기와 개인 계정입니다. 회사 네트워크에서 차단하면 휴대폰 테더링이나 개인 노트북으로 이동합니다. 이 경로에서는 로그 자체가 남지 않으므로 차단이 위험을 없애지 않고 보이지 않게 만듭니다.

셋은 승인 절차의 속도입니다. 새 도구 검토에 6주가 걸리는 조직에서 직원은 6주를 기다리지 않습니다. 탐지까지 걸리는 기간이 중위 403일이라는 숫자는 발견 역량의 문제이기도 하지만 승인 속도의 문제이기도 합니다.

위험은 네 층으로 쌓입니다

데이터 유출: 프롬프트에 들어간 고객정보와 소스코드가 외부 모델로 넘어갑니다. 조직마다 하루 약 50건의 데이터 유출 시도가 관측됩니다.
지식재산: 미공개 설계 자료나 계약서가 학습 데이터에 섞이면 회수가 불가능합니다. 영업비밀로서의 보호 요건인 비밀관리성이 깨질 위험도 있습니다.
규제 위반: 개인정보의 국외 이전, 처리 위탁 고지, 자동화된 결정에 대한 설명 의무가 모두 걸립니다. AI 기본법 체계에서 고위험 영역에 해당하면 요건이 더 무거워집니다.
결과 신뢰성: 환각이 섞인 산출물이 검토 없이 보고서나 고객 응답에 들어갑니다. 이 위험은 보안팀이 아니라 현업 품질 관리 문제로 나타나므로 대응 주체가 모호해집니다.

네 층은 대응 주체가 서로 달라 실무에서 가장 까다롭습니다. 데이터 유출은 보안팀, 지식재산은 법무팀, 규제는 컴플라이언스, 신뢰성은 현업입니다. 어느 한 팀에 섀도 AI 과제를 몰아 주면 나머지 세 층이 방치됩니다.

공시 사건이 바꾼 것: 보안 사고에서 경영 리스크로

2026년 5월 7일 CB Financial Services는 사이버공격이 아니라 직원의 무단 AI 사용을 사유로 미국 증권거래위원회에 Form 8-K를 제출했습니다. 외부 공격자가 없었는데도 중대 사건 공시가 나온 첫 사례입니다.

이 사건의 의미는 세 가지입니다. 첫째, 섀도 AI가 내부 통제 미비 사안으로 분류될 수 있다는 점이 확인됐습니다. 둘째, 공격 흔적이 없어도 공시 의무가 생길 수 있으므로 보안 지표만으로 관리하던 체계가 부족해졌습니다. 셋째, 이사회 보고 항목이 됩니다. 보안팀이 예산을 요청하던 사안을 이제 경영진이 설명해야 합니다.

국내 기업에도 비슷한 경로가 열려 있습니다. 개인정보 유출 신고, 거래소 공시, 감사 지적은 모두 "공격을 받았는가"가 아니라 "통제가 있었는가"를 묻습니다. 미승인 AI 사용 이력이 있었는데 정책과 로그가 없다면 통제 부재로 평가됩니다.

차단이 아니라 통로를 만드는 거버넌스

실효성 있는 접근은 세 겹입니다.

승인된 통로를 먼저 넓힙니다. 사내 승인 도구가 직원이 원하는 기능을 커버하지 못하면 어떤 정책도 지켜지지 않습니다. AI 게이트웨이를 두어 여러 모델을 한 경로로 중계하고 그 앞단에서 프롬프트 검사와 로깅을 걸면 생산성을 유지하면서 가시성을 얻습니다.

데이터 등급별 규칙을 둡니다. 전면 금지와 전면 허용 사이에 등급을 만드는 방식입니다. 공개 정보는 외부 도구 허용, 내부 정보는 승인 도구만, 기밀 정보는 온프레미스나 전용 인스턴스만으로 나누면 직원이 판단할 수 있습니다. 금지 목록보다 판단 기준이 더 잘 지켜집니다.

승인 속도를 올립니다. 새 도구 검토를 2주 안에 끝내는 경량 심사 트랙을 둡니다. 심사 항목은 데이터 처리 위치·학습 사용 여부·국외 이전·삭제 요청 가능성 네 가지로 압축합니다. 전면 심사는 기밀 데이터를 다루는 도구에만 적용합니다.

탐지는 네트워크가 아니라 아이덴티티에서 시작합니다

도메인 차단 목록은 이미 한계에 닿았습니다. AI 기능이 기존 SaaS에 얹히는 형태로 들어오기 때문입니다. 실무에서 효과가 확인된 탐지 경로는 세 갈래입니다.

첫째는 SSO와 OAuth 승인 기록입니다. 직원이 회사 계정으로 외부 AI 서비스에 로그인하거나 사내 저장소 접근 권한을 외부 앱에 허용한 기록이 남습니다. 비인간 아이덴티티로 발급된 토큰 목록을 정기 점검하면 승인되지 않은 연동이 드러납니다.

둘째는 브라우저 확장 프로그램 목록입니다. AI 보조 확장은 페이지 내용을 읽을 권한을 요구하는 경우가 많아 그 자체가 데이터 유출 경로입니다.

셋째는 비용 데이터입니다. 법인카드와 경비 처리 내역에서 AI 서비스 구독이 잡힙니다. 부서가 자체 예산으로 결제한 도구는 IT 로그보다 회계 데이터에서 먼저 보입니다.

세 경로를 합치면 도메인 차단만으로는 보이지 않던 사용이 상당 부분 드러납니다. 탐지 목적이 적발이 아니라 목록 확보라고 사내에 분명히 알리는 편이 협조를 얻는 데 유리합니다.

비용은 차단보다 통로 쪽이 쌉니다

경영진은 비용을 가장 먼저 묻습니다. 승인 통로를 만드는 쪽이 비싸 보이지만 3년 총비용으로 보면 결과가 뒤집히는 경우가 많습니다.

차단 중심 접근의 비용은 눈에 잘 띄지 않습니다. 보안 솔루션 라이선스와 정책 운영 인력이 직접비입니다. 여기에 생산성 손실과 우회 사용에서 생기는 잔존 위험이 숨은 비용으로 붙습니다. 직원 300명 조직에서 AI 도구로 하루 30분을 절약할 수 있는 업무를 금지로 막으면 연간 수만 시간의 기회비용이 발생합니다. 이 숫자는 어떤 보고서에도 적히지 않습니다.

통로 중심 접근은 비용이 드러나 있습니다. 모델 API 사용료, 게이트웨이 운영, 로깅 저장 비용이 월 단위로 청구됩니다. 금액이 보이기 때문에 승인받기는 더 어렵지만 관리는 더 쉽습니다. 사용량이 집계되므로 어느 부서가 무엇에 쓰는지 알 수 있고 그 데이터가 다음 해 예산 근거가 됩니다.

세 번째 선택지는 아무것도 하지 않는 것입니다. 이 경우 비용은 사고가 나는 시점에 한꺼번에 발생합니다. 미승인 AI 도구가 보안 사고의 43%에 관여한다는 수치와 탐지까지 걸리는 403일을 곱해 보면 노출 기간이 1년을 넘습니다. 1년 넘게 열려 있던 통제 공백은 사고 대응 비용보다 공시와 감사 쪽에서 더 큰 비용을 만듭니다.

질문을 바꿔야 합니다. "AI 도구에 돈을 써야 하나"가 아니라 "이 데이터 흐름을 보이게 만드는 데 얼마가 드나"입니다. 가시성에는 값이 붙고 무지에는 값이 붙지 않는 것처럼 보입니다. 실제로는 무지가 가장 비쌉니다.

4단계 도입 로드맵

1단계, 2주 안에 현황 목록을 만듭니다. 프록시 로그, OAuth 승인 기록, 경비 내역 세 소스를 합쳐 실제 사용 중인 AI 서비스 목록을 뽑습니다. 이 단계에서 징계를 예고하면 데이터가 숨어 버리므로 면책을 함께 공지합니다.

2단계, 데이터 등급 세 단계와 등급별 허용 도구를 정합니다. 문서는 한 장을 넘기지 않아야 지켜집니다.

3단계, 승인 통로를 구축합니다. AI 게이트웨이로 모델 접근을 중계하고 프롬프트 로깅과 민감정보 마스킹을 앞단에 둡니다. 사용 빈도 상위 기능을 사내 도구에 흡수하는 작업을 병행합니다.

4단계, 분기 단위로 목록을 다시 뽑고 이사회 보고 지표를 고정합니다. 승인 도구 사용 비중, 미승인 탐지 건수, 민감정보 입력 차단 건수 세 개면 충분합니다. 지표가 세 개를 넘으면 보고가 형식화됩니다.

FAQ

직원 AI 사용을 전면 금지하면 안 되나요?

금지 자체는 가능하지만 효과가 짧습니다. 회사 네트워크에서 차단하면 개인 기기와 개인 계정으로 경로가 옮겨 가고 그쪽에서는 로그가 남지 않습니다. 위험이 사라지지는 않습니다. 보이지 않게 될 뿐입니다. 조사에서 근로자 80%가 미승인 도구를 쓴다는 수치는 금지 정책이 있는 조직에서도 나온 숫자입니다. 승인 통로를 먼저 만들고 그 밖을 통제하는 순서가 현실적입니다.

탐지에 전용 솔루션이 꼭 필요한가요?

초기에는 필요 없습니다. 프록시 로그, SSO·OAuth 승인 기록, 경비 처리 내역 세 가지만 교차해도 현황 목록의 상당 부분이 나옵니다. 전용 솔루션은 목록이 확보되고 차단·마스킹을 상시 운영할 단계에서 검토하는 편이 비용 효율이 높습니다.

입력한 데이터가 모델 학습에 쓰이는지는 어떻게 확인하나요?

서비스 약관과 데이터 처리 부속 문서에서 확인합니다. 소비자용 무료 플랜은 학습 사용이 기본값인 경우가 많고 기업용 플랜은 학습 제외를 계약으로 보장하는 경우가 많습니다. 같은 브랜드라도 플랜에 따라 조건이 다르므로 브랜드 단위가 아니라 플랜 단위로 관리해야 합니다. 국외 이전 여부와 보관 기간도 같은 문서에서 함께 확인됩니다.

정확도가 떨어지는 AI 산출물은 누가 책임지나요?

현업 부서입니다. 산출물을 그대로 쓰지 않고 검토하는 절차가 있는지가 책임 판단의 핵심이 됩니다. 실무에서는 AI 산출물임을 문서에 표시하는 규칙과 중요도별 검토 단계를 함께 두는 방식이 쓰입니다. 보안 정책에만 적어 두면 품질 사고를 막지 못합니다.

도입 효과를 어떻게 측정하나요?

세 지표로 충분합니다. 승인 도구를 통한 AI 사용 비중, 분기당 새로 탐지된 미승인 서비스 수, 민감정보 입력 차단 건수입니다. 첫 지표가 오르고 둘째가 내려가면 거버넌스가 작동하는 것입니다. 사고 건수는 변동이 커서 단독 지표로 쓰기에 적합하지 않습니다.