NSA가 블랙리스트 무시하고 Anthropic의 Mythos를 쓰는 이유

무슨 일이 일어났나요

미국 국가안보국(NSA)이 Anthropic의 새로운 AI 시스템인 Mythos를 내부 정보 분석 업무에 도입했다는 소식이에요. 그런데 여기서 흥미로운 지점이 있어요. 사실 펜타곤(미국 국방부)은 얼마 전 특정 AI 모델들에 대해 조달 제한 리스트, 쉽게 말하면 "이거 함부로 쓰지 마" 리스트를 돌렸거든요. 그중에 Anthropic 제품도 일부 포함되어 있었는데, NSA가 이걸 우회해서 도입한 거예요.

왜 이게 중요하냐면, 미국 내 정보기관과 국방부의 AI 조달 정책이 사실상 따로 움직이고 있다는 걸 보여주는 사건이기 때문이에요. 한쪽에서는 보안 우려 때문에 브레이크를 거는데, 다른 쪽에서는 "우린 이거 없으면 일 못 해" 하면서 그냥 쓰는 거죠. AI가 단순한 툴이 아니라 이제는 국가 안보의 핵심 인프라로 들어가고 있다는 뜻이기도 하고요.

Mythos가 뭐길래

Mythos는 Anthropic이 정부 및 국가 안보 고객을 위해 특별히 만든 Claude 기반 시스템이에요. 쉽게 말하면 일반 사용자가 쓰는 Claude를 그대로 쓰는 게 아니라, 기밀 환경에서도 동작할 수 있도록 격리하고 커스터마이징한 버전이라고 보시면 돼요. 외부 네트워크와 완전히 끊긴 에어갭(air-gapped) 환경에서 돌아가고, 정부가 보유한 대량의 비정형 데이터(보고서, 감청 자료, 위성 이미지 메타데이터 같은 것들)를 분석하는 용도로 쓰인다고 해요.

NSA는 이걸 주로 정보 요약과 패턴 탐지에 활용하는 걸로 알려졌어요. 분석관이 수천 페이지짜리 문서를 일일이 읽는 대신, Mythos가 먼저 훑어보고 중요한 부분을 짚어주는 거죠. 여기서 핵심은 "누가 뭘 말했는지"뿐만 아니라 "여러 문서에 흩어진 정보를 연결해서 새로운 맥락을 만들어내는" 작업이에요. 기존에 분석관 한 명이 몇 주 걸리던 일을 몇 시간 안에 1차 초안을 뽑아낼 수 있는 수준이라고 보도됐어요.

블랙리스트는 왜 생겼고, 왜 통했을까

펜타곤이 최근 몇 달 사이 일부 AI 벤더에 대해 "국가 안보 관점에서 위험"하다고 판단한 이유는 대체로 세 가지예요. 첫째, 모델 학습 데이터의 출처가 불투명하다는 점. 둘째, 모델이 어떻게 판단을 내리는지 설명하기 어렵다는 점(이걸 블랙박스 문제라고 해요). 셋째, 서드파티 인프라에 의존하는 경우 공급망 리스크가 생긴다는 점이에요.

그런데 NSA가 Mythos를 쓰기로 한 건, Anthropic이 이런 우려에 대해 꽤 구체적인 대답을 내놨기 때문이라고 해요. 특히 Anthropic은 Constitutional AI라는 접근법을 쓰거든요. 이게 뭐냐면, 모델이 답변을 생성할 때 미리 정해둔 원칙(헌법처럼 작동하는 룰셋)에 따라 스스로 검토하고 필터링하도록 훈련하는 방식이에요. 정부 입장에서는 "예측 가능성"이 높아지니까 매력적으로 보일 수 있는 거죠.

업계 흐름에서 본 의미

이 사건은 혼자 튀는 이벤트가 아니라 큰 흐름의 일부예요. OpenAI는 이미 국방부 계약을 여러 건 따냈고, 마이크로소프트는 Azure Government를 통해 GPT 계열을 정부 클라우드에 올려뒀어요. Palantir는 Gotham 플랫폼에 LLM을 통합해서 전장 데이터 분석에 쓰고 있고요. Anthropic은 상대적으로 "안전성 우선" 포지션이었는데, Mythos로 이 시장에 본격 진입한 셈이에요.

재미있는 건, 불과 2년 전만 해도 주요 AI 랩들은 "우리는 군사 용도로 안 씁니다"라는 기조를 공개적으로 유지했다는 거예요. 지금은 거의 모든 대형 플레이어가 어떤 형태로든 국방·정보 계약을 맺고 있어요. 시장 규모가 워낙 크고(연간 수십억 달러), AI 개발 비용을 감당하려면 이런 고마진 계약이 필요하다는 현실적 이유가 있어요.

한국 개발자에게 주는 시사점

직접적으로 NSA 같은 기관과 일할 일은 거의 없겠지만, 이 뉴스에서 읽어낼 포인트는 꽤 많아요. 먼저 엔터프라이즈·공공 AI 시장이 본격적으로 열리고 있다는 신호예요. 한국에서도 국방, 금융, 의료 같은 규제 산업에서 AI 도입 논의가 활발한데, 이때 핵심 이슈가 "격리된 환경에서 어떻게 돌릴 것인가", "감사 로그를 어떻게 남길 것인가" 같은 문제거든요. Mythos 같은 사례를 보면 어떤 요구사항이 실제로 중요한지 감이 잡혀요.

두 번째는 모델 안전성 설계가 기술적 차별점이 된다는 점이에요. 성능만 높은 모델이 아니라, 왜 그런 답을 냈는지 설명할 수 있고 예측 가능한 행동을 보이는 모델이 고부가가치 시장에서 승부를 보는 시대가 온 거예요. 주니어 분들이 AI 관련 커리어를 고민하신다면, 단순히 모델을 파인튜닝하는 기술만이 아니라 평가(evaluation), 레드팀, 안전성 검증 같은 분야도 눈여겨 보시면 좋아요.

세 번째는 AI 거버넌스가 기술팀의 일상 업무로 내려온다는 거예요. 예전에는 "이런 건 법무팀이 알아서"였다면, 이제는 개발자가 직접 데이터 출처 관리, 프롬프트 주입 방어, 출력 필터링 같은 걸 코드로 구현해야 해요.