이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Two Sigma는 규제가 엄격한 금융 환경에서 모든 직원이 자신의 ID로 실행되는 클라우드 에이전트를 사용할 수 있는 보안 아키텍처를 구축했다. 기존의 별도 기계 계정 방식이 초래하는 권한 동기화와 라이선스 문제를 해결하기 위해 Kubernetes 네임스페이스와 Sidecar를 활용해 에이전트가 사용자 본인의 권한으로 동작하게 설계했다. 행동 주체를 명확히 구분하기 위해 모든 작업에 추적 헤더를 삽입하여 전체 실행 체인을 가시화했으며, 보안이 취약한 직접 웹 접근 대신 내부 네트워크 경계 내의 Google 엔터프라이즈 Web Grounding을 도입해 데이터 유출과 프롬프트 인젝션 위험을 차단했다. 이 전략은 리스크를 엔지니어링으로 낮춤으로써 에이전트의 활용 가치를 극대화하는 엔터프라이즈 AI 도입의 모범 사례를 제시한다.
챕터별 상세
Two Sigma의 에이전트 도입 배경
Two Sigma는 25년 된 퀀트 펀드로 엄격한 규제 환경에 처해 있다. 모든 직원이 자신의 정체성(Identity)을 가진 클라우드 에이전트를 실행하는 에코시스템을 구축했다. 영화 'Us'의 복제 인간인 'Tethered' 비유를 통해 에이전트가 통제를 벗어나지 않도록 묶어두는 것의 중요성을 강조했다. 에이전트가 사용자와 분리된 존재가 아니라 사용자의 확장으로 동작해야 한다는 철학을 기반으로 한다.
개별 에이전트 ID 방식의 한계
기존의 관습적인 방식인 별도의 기계 계정(Machine Identity) 사용은 권한 동기화 실패와 라이선스 비용 중복 문제를 일으켰다. Google Workspace나 이메일 시스템 등 다중 ID를 지원하지 않는 환경에서 에이전트가 데이터에 접근하는 데 한계가 명확했다. 별도 ID 방식은 유지보수가 불가능한 보안 경계를 만들어내며 결국 시스템 붕괴로 이어졌다. 사용자와 에이전트의 ID를 일치시키는 것이 유일한 해결책으로 제시됐다.
사용자 ID 기반 에이전트 아키텍처
Two Sigma는 이미 구축된 Kubernetes 인프라를 활용해 사용자별 네임스페이스를 할당했다. 모든 지역(Region)에 사용자별 네임스페이스를 두고, Sidecar 컨테이너가 사용자의 ID를 마운트하여 워크로드가 사용자 본인으로 실행되게 했다. 이를 통해 기존 자동화 작업이나 연구용 노트북 환경과 동일한 권한 체계를 에이전트에 부여했다. 인프라 수준에서 사용자 정체성을 보장함으로써 별도의 권한 관리 부담을 제거했다.
인간과 에이전트 행동의 구분
에이전트가 사용자 ID로 동작할 때 발생하는 첫 번째 위험은 실제 인간과 에이전트의 행동을 구분할 수 없다는 점이다. 이를 해결하기 위해 모든 API 호출에 추적 헤더(Header)를 삽입하여 에이전트의 실행 경로를 전파했다. 결과적으로 특정 작업이 어떤 에이전트 체인을 거쳐 발생했는지 전체 출처(Provenance)를 재현하고 감사할 수 있게 됐다. `X-TS-LLM-Agent`와 같은 태그를 통해 전체 작업 체인의 가시성을 확보했다.
text
X-TS-LLM-Agent: claude-code/version research/version batch-svc/version에이전트의 실행 체인을 추적하기 위해 HTTP 헤더에 삽입되는 태그 구조
외부 웹 접근의 보안 위험
에이전트의 외부 웹 접근은 데이터 유출(Exfiltration), 프롬프트 인젝션, 저작권 노출 등 치명적인 보안 위협을 동반한다. 모델이 최신 정보를 얻기 위해 인터넷 연결은 필수적이지만, 통제되지 않은 접근은 기업의 지적 재산권을 위험에 빠뜨린다. Two Sigma는 이를 '황금 가위'에 비유하며 가장 경계해야 할 외부 위험 요소로 정의했다. 신뢰할 수 없는 콘텐츠가 내부 시스템으로 유입되는 경로를 차단하는 것이 핵심 과제였다.
엔터프라이즈 Web Grounding 적용
보안 위협을 해소하기 위해 Google의 엔터프라이즈용 Web Grounding 서비스를 도입했다. 이는 내부 VPC 경계 내에서만 접근 가능한 캐시된 검색 인덱스를 사용하여 외부 인터넷으로의 직접적인 유출 경로를 차단한다. 데이터 신선도는 약 24시간 정도로 제한되지만, 기업 환경에서 요구되는 보안 수준과 타협 가능한 지점을 찾았다. 실시간 웹 대신 검증된 인덱스를 사용함으로써 외부 공격 벡터를 원천적으로 제거했다.
리스크 관리와 가치 최적화 결과
에이전트 자체의 기본 웹 검색 및 웹 페치(Fetch) 도구 사용을 명시적으로 거부(Deny)하고 Web Grounding 경로로만 리다이렉트했다. 리스크와 리턴의 비율을 최적화하여, 위험은 대폭 낮추면서도 에이전트가 제공하는 실질적인 가치는 유지하는 전략을 취했다. 개인은 리스크를 피할 뿐이지만 엔터프라이즈는 기술적으로 리스크를 낮출 수 있음을 증명했다. 모든 직원이 안전하게 개인화된 에이전트를 사용할 수 있는 환경을 구축했다.
질의응답: 로컬 모델 및 감사 전략
질의응답 세션에서는 로컬 LLM의 비용 및 성능 변동성 문제를 언급하며 자체 관리 모델로의 전환 가능성을 논의했다. 헤더 위조 가능성에 대해 ID 시스템 자체의 검증과 헤더 전파가 별개로 동작하여 보안성을 유지함을 설명했다. 에이전트 구축 프레임워크를 통해 누구나 자신의 에이전트를 안전하게 배포할 수 있는 환경을 완성했다. 행동 데이터 수집을 통해 사용자 경험을 지속적으로 개선하고 있음을 밝혔다.
용어 해설
- 에이전트(Agent)
- — 사용자의 목표를 달성하기 위해 자율적으로 판단하고 도구를 사용하여 작업을 수행하는 AI 시스템이다. 이 강연에서는 사용자의 정체성을 대행하여 클라우드에서 실행되는 소프트웨어 개체를 의미한다.
- 사이드카(Sidecar)
- — 기본 컨테이너의 기능을 확장하거나 보조하기 위해 같은 파드 내에 배치되는 별도의 컨테이너 패턴이다. 여기서는 사용자의 Identity를 마운트하여 워크로드가 사용자 본인으로 실행되도록 돕는 역할을 한다.
- 프롬프트 인젝션(Prompt Injection)
- — 악의적인 입력을 통해 AI 모델의 원래 지시사항을 무시하거나 비정상적인 동작을 유도하는 공격 기법이다. 외부 웹 접근 시 신뢰할 수 없는 콘텐츠가 유입될 때 발생할 수 있는 주요 보안 위협이다.
- 웹 그라운딩(Web Grounding)
- — AI 모델이 생성한 답변의 정확성을 높이기 위해 신뢰할 수 있는 웹 검색 결과나 외부 데이터를 근거로 사용하는 기술이다. Two Sigma는 보안을 위해 내부 네트워크 경계 내에서 동작하는 엔터프라이즈 버전을 도입했다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 09. 03.수집 2026. 09. 04.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
