마이크로소프트가 자체 개발한 첫 사이버 보안 특화 모델 MAI-Cyber-1-Flash와 이를 감싸는 다중 에이전트 하네스 MDASH를 공개했다. 회사는 이 조합이 주요 모델 대비 절반 수준의 비용으로 최상위 성능을 낸다고 설명한다. 겉으로는 또 하나의 보안 모델 발표처럼 보이지만, 이번 발표의 진짜 초점은 성능 수치 자체보다 '비용 효율'이라는 실무적 제약을 정면으로 겨냥했다는 점에 있다.
왜 비용이 새로운 병목인가
마이크로소프트가 던지는 문제의식은 분명하다. AI가 발전하면서 공격자가 취약점 하나를 찾아내는 비용은 급격히 낮아졌고, 방대한 코드베이스 어딘가에 존재하는 단 하나의 약점을 자동으로 훑는 일이 현실이 됐다. 이런 환경에서는 '가끔 스캔하고 나중에 패치한다'는 기존 보안 운영 방식이 더 이상 유효하지 않다. 결국 방어 측은 상시로 밀려드는 공격 물량을 처리해야 하는데, 이때 실질적인 제약으로 떠오르는 것이 바로 토큰 비용이다. 아무리 강력한 모델이라도 모든 유입 요청에 최고가 모델을 붙이면 운영이 지속 불가능하기 때문이다.
MAI-Cyber-1-Flash는 이 지점을 파고든다. 이 모델은 전체 작업의 최대 90%를 효율적으로 처리하도록 설계됐고, 나머지 10%의 특별히 어려운 작업에는 MDASH가 GPT-5.4 같은 더 크고 비싼 모델을 투입한다. 쉬운 문제는 값싼 전용 모델이, 정말 어려운 문제만 고가 모델이 맡는 계층적 분업 구조다. 마이크로소프트는 이 통합 시스템이 대규모 코드베이스에서 실제 취약점을 찾아내는 능력을 평가하는 벤치마크 CyberGym에서 96%를 기록했다고 밝혔다. 이는 Mythos 대비 12포인트 앞선 수치이며, 현재 자사 최상위 구성(GPT 5.4 + 5.4 mini + 5.3 codex) 대비 50%의 비용 절감을 달성했다고 덧붙였다.
모델·데이터·하네스라는 세 축
마이크로소프트는 이번 성과를 모델, 데이터, 하네스 세 가지의 결합으로 설명한다. 모델인 MAI-Cyber-1-Flash는 사내에서 처음부터 구축한 MAI-Thinking-1 계열에서 파생된 소형·코드 중심 모델이다. 데이터 측면에서는 신원, 엔드포인트, 클라우드, 네트워크 전반에 걸쳐 하루 수조 건의 신호와 실제 익스플로잇 및 대응 이력을 축적해 왔다는 점을 가장 깊은 강점으로 내세운다. 하네스인 MDASH는 여러 선도 모델을 활용해 취약점을 찾고 검증하고 수정하는 100개 이상의 에이전트로 구성돼 있으며, 업계 최고 보안 전문가들이 튜닝했다고 한다.
여기에 더해 마이크로소프트는 다양한 보안 워크플로에 에이전트 팀을 투입하는 에이전트형 보안 시스템 Perception도 함께 선보였다. 위협 벡터를 지속적으로 모니터링하고 패치하며 차단하는 역할로, 향후 소프트웨어 취약점 작업을 넘어 더 많은 워크플로에 MAI-Cyber-1-Flash를 적용할 계획이라고 밝혔다. 취약점을 식별하는 데서 그치지 않고 실시간으로 대응까지 이어가려는 방향성이 읽힌다.
신뢰와 거버넌스를 함께 강조한 이유
보안 모델은 그 자체가 공격 표면이 될 수 있다는 점에서 신뢰 확보가 관건이다. 마이크로소프트는 이 모델이 보안 우선 캘리브레이션으로 개발됐고, 자사 AI 레드팀의 평가와 자동화·전문가 주도 적대적 훈련, 그리고 제3자의 독립 평가를 거쳤다고 설명한다. 배포 단계에서는 역할 기반 제어, 테넌트 격리, 암호화, 감사 추적, 그리고 인터넷 접속이 차단된 샌드박스 실행 환경 같은 엔터프라이즈급 통제를 MDASH를 통해 제공한다. 특히 인터넷 없는 격리 실행 환경은 코드 스캐닝 과정에서 민감한 데이터 유출이나 모델의 외부 통신을 우려하는 기업 고객에게 실질적 의미가 있다.
마이크로소프트가 반복해서 강조하는 개념은 사이버 보안이 데이터가 풍부한 영역일 뿐 아니라 '살아 있는 강화학습 루프'라는 점이다. 매일 방어자들이 위협을 조사하고 경보를 분류하며 취약점을 수정하고 그 결과를 학습하는 순환이 이어지고, 마이크로소프트는 보안 대응 센터와 하루 100조 건 이상의 신호, 160만 고객의 운영 통찰을 통해 이 루프를 처음부터 끝까지 관찰한다고 주장한다. 무엇이 실제로 막혔고 무엇이 통했는지를 행동과 결과로 연결할 수 있다는 것이 데이터 그 이상의 자산이라는 논리다.
다만 실무자 입장에서 짚어둘 한계도 있다. 공개된 내용은 마이크로소프트가 제시한 벤치마크와 자체 비교 수치에 크게 의존하며, CyberGym 성적과 비용 절감률이 특정 구성과 조건에서의 결과라는 점을 감안해야 한다. Mythos나 Gemini, GPT 대비 우위 역시 벤더가 선택한 지표에 기반한 것이어서, 실제 도입 시에는 자사 코드베이스와 위협 환경에서의 검증이 필요하다. 그럼에도 '최고 성능 모델을 모든 작업에 투입하는' 방식에서 벗어나 작업 난이도에 따라 모델을 배분하는 접근은, 상시 대량 처리가 불가피한 보안 운영 현장에서 눈여겨볼 만한 설계 방향이다.