An AI 인벤토리 이는 조직 전체에서 운영되는 모든 AI 자산에 대한 지속적으로 업데이트되는 카탈로그입니다. 모델, AI 기반 엔드포인트, 데이터 세트, AI 코딩 도우미, MCP 서버 및 AI 종속성 — 그리고 그것들을 연결하는 관계, 위험 및 소유자도 함께 고려합니다. 보안 맥락에서 이는 창고 또는 재고 관리와는 전혀 관련이 없습니다. "AI 인벤토리" 간단히 말해, 실행 중인 AI가 무엇인지, 어디에 있는지, 그리고 어디까지 접근할 수 있는지 정확히 아는 것을 의미합니다.
인공지능이 IDE에서의 코드 생성부터 소프트웨어 내부에서 작동하는 자율 에이전트에 이르기까지 소프트웨어 개발의 모든 단계로 확산됨에 따라 CI/CD pipeline따라서 이제 문제는 인공지능이 여러분의 환경에 존재하는지 여부가 아닙니다. 그것을 볼 수 있느냐의 문제입니다. 이 가이드에서는 AI 인벤토리가 무엇이며, AI 인벤토리와 어떤 관련이 있는지 설명합니다. AI-BOM 및 SBOM, 왜 그림자 AI 보안 문제가 되었으며, 이러한 관행이 어떻게 적용되는가 EU AI 법, NIST AI RMF ISO / IEC 42001는.
주요 테이크 아웃
- AI 인벤토리는 IT 부서에서 승인한 것뿐만 아니라 소프트웨어 수명 주기 전반에 걸쳐 모든 모델, 데이터 세트, 에이전트, MCP 서버 및 AI 코딩 도구를 목록화합니다.
- 섀도우 AI관리 감독 없이 도입된 AI는 이제 예외가 아니라 일반적인 현상이 되었습니다. 2026년 보안 책임자들을 대상으로 한 설문조사에서, 단 몇 명만이 조직의 19%가 AI가 어디서 어떻게 사용되는지 완벽하게 파악하고 있다고 보고했습니다..
- An AI-BOM(AI 자재명세서) AI 인벤토리의 감사 준비가 완료된 결과물입니다. 이는 AI 시대의 후계자입니다. SBOM.
- 규제가 점차 확산되고 있습니다. EU AI법, NIST AI RMF, ISO/IEC 42001은 모두 기업이 운영하는 AI의 종류를 파악하도록 요구하고 있습니다.
- 자산 목록 작성은 단지 시작점에 불과합니다. 진정한 가치는 위험을 평가하고 실제로 중요한 소수의 자산에 대해 조치를 취하는 데서 나옵니다.
AI 인벤토리란 무엇인가요?
AI 인벤토리란 소프트웨어 개발 수명주기 전반에 걸쳐 운영되는 모든 AI 자산을 발견하고, 목록화하고, 지속적으로 모니터링하며, 각 자산과 관련된 위험을 파악하는 작업입니다. 완벽한 인벤토리는 모든 자산에 대해 다음 세 가지 질문에 대한 답을 제시합니다. 해당 자산은 무엇인가? 어디에서 실행되는가? 그리고 어떤 것에 접근할 수 있는가?
그 범위는 대부분의 팀이 예상하는 것보다 훨씬 넓습니다. 의미 있는 AI 인벤토리에는 다음 사항이 포함되어야 합니다.
- 모델개발 및 운영 환경에서 사용되는 모든 주요 언어 모델과 기반 모델, 버전, 위치 및 탐지 정확도 정보.
- 데이터 세트훈련 데이터, 검색 데이터 세트 및 벡터 저장소(오염된 컨텍스트 노출 및 데이터 유출 포함)에 대한 보안 취약점.
- 중개인: 주변 환경에서 행동을 취하는 자율 시스템(예: 문 열기) pull requests종속성 설치 또는 인프라 변경을 하지 마십시오.
- MCP 서버: 모델 컨텍스트 프로토콜 인공지능 비서를 외부 도구, API 및 데이터 소스에 연결하는 서버.
- AI 코딩 도구 및 도우미: 코드를 생성하는 코파일럿 및 IDE 통합 기능종속성을 제안하고 저장소와 상호 작용합니다.
- AI 프레임워크LangChain, LangGraph, 에이전트 서버 및 모델을 도구와 데이터에 연결하는 기타 오케스트레이션 계층.
- 자산 간의 관계모델, 에이전트, 서버, 데이터셋 및 이와 관련된 비밀 정보 간의 연결 관계를 나타냅니다. 관계 그래프는 위험을 단순한 목록이 아닌 맥락 속에서 시각화합니다.
AI 인벤토리, AI 자산 인벤토리, AI-BOM의 차이점 및 각각의 차이점 SBOM
이 용어들은 다소 모호하게 사용되므로 미리 알아두는 것이 좋습니다.cise. "AI 인벤토리"와 "AI 자산 인벤토리"는 같은 것을 의미합니다.인공지능 자산과 그 위험성을 담은 살아있는 목록. AI-BOM은 재고 관리에서 생성되는 내보낼 수 있는 산출물입니다.: 감사원이나 담당자에게 제출할 수 있는 기계 판독 가능한 자재 명세서 enterprise 사는 사람.
AI-BOM을 이해하는 가장 깔끔한 방법은 다음과 같은 비유를 사용하는 것입니다. SBOM:
인공지능이 모든 분야에 내재화됨에 따라 SDLCAI-BOM은 이제 그만큼이나 중요한 요소가 되고 있습니다. SBOM보안 책임자들은 감사관들로부터 점점 더 많은 요청을 받고 있습니다. enterprise 바로 이 제품을 위한 조달팀입니다.
지금 AI 기반 재고 관리가 중요한 이유
세 가지 요인으로 인해 AI 기반 재고 관리는 있으면 좋은 것에서 필수적인 요소로 바뀌었습니다.
- 첫째, AI가 보안에 취약한 코드를 대규모로 작성하고 있습니다. 독립적인 연구 결과에 따르면 AI가 생성한 코드의 상당 부분이 취약점을 안고 배포되는 것으로 일관되게 나타났습니다. Pearce 등이 수행한 NYU/Copilot의 초기 연구에서는 대략 다음과 같은 결과를 발견했습니다. 생성된 프로그램의 40%에 보안 취약점이 포함되어 있었습니다.그리고 최근의 대규모 테스트 결과도 같은 맥락을 보여줍니다. Veracode가 100개 이상의 모델을 대상으로 실시한 2025년 분석에서는 다음과 같은 결과만 나왔습니다. AI가 생성한 코드의 55%가 안전했습니다.어떤 어시스턴트가 코드를 생성하고 있는지 모르는 경우 pipeline네, 그 위험은 통제할 수 없습니다.
- 둘째, 소프트웨어 공급망은 AI 공격 표면이 되었습니다. 9월 2025에서, 샤이후루드최초의 자가 전파형 npm 웜인 는 개발자 컴퓨터를 배포 메커니즘으로 활용하여 수백 개의 패키지에 걸쳐 확산되었습니다. 2026년 3월, 공격자들은 이 웜을 공격했습니다. 액시 오스대략적인 패키지 주간 다운로드 100만 건원격 접속 트로이목마를 유포하는 악성 버전을 배포하는 등의 공격은 기존 애플리케이션 보안과 엔드포인트 보안 도구 사이의 경계선, 즉 AI 기반 인벤토리가 탐지하도록 설계된 바로 그 영역을 노립니다.
- 셋째, 비밀 정보와 자격 증명이 AI를 통해 유출되고 있습니다. GitGuardian의 State of Secrets Sprawl 2026 보고서에 따르면 다음과 같습니다. AI 서비스 기밀 유출 건수가 전년 대비 81% 증가했습니다.그리고 AI 지원 commits leak secret기준치의 약 두 배에 달하는 비율입니다. 문서화되지 않은 모든 모델, 에이전트 또는 MCP 서버는 자격 증명을 획득할 수 있는 잠재적인 경로입니다.
기존의 애플리케이션 보안은 저장소에만 국한되어 모델이 무엇인지 이해하지 못합니다. 엔드포인트 보안 도구는 운영 체제를 감시하지만 패키지, MCP 서버 또는 AI 비서를 파악하지 못합니다. 이러한 간극이 바로 AI 관련 위험이 축적되는 지점이며, 인벤토리 구축은 이 간극을 메우는 첫걸음입니다.
AI가 숨어있는 곳: 그림자 AI SDLC
섀도우 AI 공식적인 승인이나 관리 절차 없이 도입된 모든 AI 시스템을 의미합니다. 개발자가 지난주에 활성화한 보조 조종사, 노트북에서 실행되는 MCP 서버, 공개 허브에서 바로 가져와 개인 프로젝트에 사용하는 모델 등이 여기에 해당합니다. 이는 예외적인 경우가 아닙니다. 2026년에 400명 이상의 보안 책임자를 대상으로 실시한 설문조사에서 단 몇 건만이 이러한 사례로 나타났습니다. 응답자의 19%는 AI가 어디서 어떻게 사용되는지 완전히 파악하고 있다고 답했습니다. 조직 전반에 걸쳐 AI 코딩 도우미를 사용하고 있거나 시범 운영하고 있는 기업이 압도적인 다수에 달했습니다.
찾기 가장 어려운 섀도우 AI는 소프트웨어 수명 주기 내부에 있는 AI입니다. 왜냐하면 클라우드 콘솔에 거의 나타나지 않기 때문입니다.
- 모델 및 AI 라이브러리가 종속성으로 저장소에 추가됩니다.
- 개발자별, IDE별로 설정 가능한 AI 코딩 도우미.
- MCP 서버와 규칙 파일은 개발자 엔드포인트에서 로컬로 실행됩니다.
- 에이전트 기반 워크플로가 조용히 시작됩니다 pull requests 또는 패키지 설치.
이것이 바로 클라우드 기반 검색만으로는 충분하지 않은 이유입니다. 진정으로 완벽한 AI 인벤토리를 구축하려면 코드와 빌드 환경(개발자의 노트북, 저장소 등)까지 접근해야 합니다. pipeline) 프로덕션 클라우드뿐만 아니라.
AI-BOM에 포함되어야 할 사항
감사 준비가 완료된 AI 기반 BOM은 재고를 입증 가능한 자료로 만들어 줍니다. 최소한 다음 사항이 포함되어야 합니다.
- 모든 AI 자산: 모델, 데이터셋, 에이전트, MCP 서버, AI 코딩 도구.
- 자산 유형, 위치 및 각 자산에 대한 탐지 정확도.
- 출처 및 종속성(모델 또는 구성 요소의 출처).
- AI 관련 공격 벡터를 기반으로 자산별 위험 수준을 나타냅니다.
- EU AI법, NIST AI RMF 및 ISO/IEC 42001에 대한 규제 매핑.
- 감사자와 고객을 위한 내보내기 가능하고 기계 판독이 가능한 형식입니다.
AI 감사 의무가 강화됨에 따라, 필요에 따라 AI 기반 BOM(자재명세서)을 생성할 수 있는 조직은 규정 준수 및 신뢰 측면에서 상당한 이점을 얻게 될 것입니다.
AI 인벤토리 및 규정 준수: EU AI법, NIST AI RMF 및 ISO/IEC 42001
주요 프레임워크 중 어느 것도 "AI 인벤토리"를 항목으로 명시하고 있지는 않지만, 사실상 AI 인벤토리 없이는 모든 프레임워크를 충족할 수 없습니다. 볼 수 없는 AI 시스템을 문서화하고 분류하고 관리할 수는 없기 때문입니다.
시기에 대한 참고 사항: EU 인공지능법 시행은 2026년 5월 "디지털 옴니버스" 협정에 의해 수정되었으며, 대부분의 고위험 의무 사항은 2027년 12월로 연기되었지만, 2026년 8월 2일 시행 예정이었던 몇 가지 주요 사항(투명성 의무, 일반 인공지능 위반 시 제재 권한)은 그대로 유지되었습니다. 정확한 날짜는 변동될 수 있으므로 EU 공식 자료를 통해 확인하시기 바랍니다. 하지만 전반적인 방향은 분명하며, 이 모든 것을 위해서는 관련 정보 목록 작성이 필수적입니다.
AI 기반 재고 관리 시스템 구축 및 유지 관리 방법
인벤토리 구축은 일회성 감사라기보다는 지속적인 프로세스를 확립하는 데 중점을 두어야 합니다. AI 자산은 끊임없이 변화하기 때문입니다. 새로운 모델이 도입되고, 새로운 에이전트가 배포되고, 새로운 MCP 서버가 구성되는데, 이러한 변화는 종종 승인 없이 이루어집니다.
실용적인 접근 방식:
- 코드, 빌드 및 클라우드 전반에 걸쳐 자동으로 검색합니다. 수동으로 작성한 스프레드시트는 며칠 만에 쓸모없어집니다. 디스커버리 작업은 지속적으로 실행되어야 하며, 광범위한 영역에 걸쳐 데이터를 처리해야 합니다. SDLC단순히 실행 시간뿐만이 아닙니다.
- 분류하고 관계를 매핑합니다. 자산의 유형, 위치, 출처, 그리고 가장 중요한 것은 각 자산이 다른 자산 및 비밀과 어떻게 연결되는지를 기록해야 합니다.
- 맥락에 맞춰 위험도를 평가하세요. 수백 가지 결과를 나열하는 것은 아무에게도 도움이 되지 않습니다. 실제로 접근 가능하고, 활용 가능하며, 비즈니스에 필수적인 것을 기준으로 우선순위를 정하십시오.
- 소유권을 지정하세요. 모든 자산에는 책임감 있는 소유자가 필요합니다.
- 활성 상태를 유지하고 내보내기 기능을 지원하세요. 필요에 따라 AI 기반 BOM을 생성할 수 있는 지속적인 재고 관리 시스템으로 유지하십시오.
AI 재고 관리 소프트웨어에서 무엇을 찾아야 할까요?
만약 여러분이 도구를 평가하고 있다면, 진정한 AI 기반 재고 관리 소프트웨어와 단순한 재고 관리 소프트웨어를 구분 짓는 기능은 다음과 같습니다.
- AI 관련 자산 유형을 이해합니다. (모델, 에이전트, MCP 서버, 데이터셋 포함) 패키지와 라이브러리뿐만 아니라 모든 것을 포함합니다.
- ~에 닿는다 SDLC클라우드뿐만 아니라 코드와 개발자 엔드포인트에서도 AI를 발견하는 것입니다.
- 지도 관계개별 자산뿐 아니라 전체 자산에 걸쳐 위험이 드러나므로, 위험을 전체적인 맥락에서 파악할 수 있습니다.
- AI 관련 공격 벡터에 대한 위험도를 평가합니다. (신속한 주입, 불안정한 MCP, 과도한 행위), CVE의 심각도뿐만 아니라.
- 지속적으로 실행새로운 AI가 등장하는 즉시 포착합니다.
- 감사 준비가 완료된 AI-BOM을 생성합니다. 감사인과 투자자 모두를 만족시키는 enterprise 획득.
- 재고 관리와 법 집행을 연결합니다.그러면 발견한 내용을 바탕으로 조치를 취할 수 있습니다.
재고 조사부터 실행까지: 발견한 것을 안전하게 지키기
첫 번째 단계는 위험 요소를 발견하는 것이고, 두 번째 단계는 실제 위험을 내포하는 자산을 파악하는 것입니다. 대부분의 자산은 그렇지 않기 때문입니다. 목표는 수천 건의 미발견된 정보 중에서 실제로 시스템, 데이터 또는 운영을 위협할 수 있는 소수의 자산, 즉 활발히 사용 중이거나, 신뢰할 수 없는 입력을 허용하거나, 현실적으로 악용 가능성이 있거나, 민감한 접근 권한을 보유하거나, 생산 또는 규제 대상 자산에 영향을 미치는 자산을 추려내는 것입니다.
이것이 바로 AI 보안 태세 관리(AI-SPM이 단계는 인벤토리를 작성하고, AI 공격 경로를 따라 위험도를 평가하고, 이를 규제와 연관시켜 AI-BOM을 생성하는 과정을 포함합니다. 또한 인벤토리와 규제 집행이 만나는 지점이기도 합니다. 악성 종속성이 설치되기 전에 차단하고, 승인되지 않은 MCP 서버 및 모델을 거부하며, 사고가 확산되기 전에 손상된 엔드포인트를 격리하는 등의 조치가 포함됩니다.
At 제니이것이 우리가 구축하고자 하는 모델입니다: AI-SPM을 통한 지속적인 AI 인벤토리 및 AI-BOM, 그리고 시그니처가 생성되기 전에 악성 패키지를 탐지하는 악성코드 탐지 기능.MEW, 악성코드 조기 경보 시스템) 및 Xygeni Shield를 통한 개발자 엔드포인트에서의 정책 시행. 탐지는 OWASP Top 10 for LLM Applications, OWASP Top 10 for Agentic Apps 및 OWASP MCP Top 10에 맞춰져 있습니다. 하지만 어떤 접근 방식을 선택하든 원칙은 동일합니다. 보이지 않는 것은 확보할 수 없으며, AI 기반 인벤토리는 가시성이 시작되는 지점입니다.
자주 묻는 질문
AI 기반 BOM은 기존 BOM과 어떻게 다른가요? SBOM?
An SBOM 오픈 소스 및 타사 소프트웨어 종속성을 카탈로그화하고 CVE 심각도에 따라 점수를 매깁니다. AI-BOM은 AI 관련 자산(모델, 에이전트, MCP 서버, 데이터 세트)을 AI 관련 위험 점수 및 규제 매핑과 함께 카탈로그화합니다. AI가 확산됨에 따라 SDLCAI-BOM은 이제 그만큼이나 중요한 요소가 되고 있습니다. SBOM.
섀도우 AI란 무엇이며 어떻게 발견할 수 있나요?
섀도우 AI는 공식적인 승인이나 관리 체계 없이 도입된 모든 AI를 의미합니다. 활성화된 코파일럿, 로컬 MCP 서버, 공개 허브에서 가져온 모델 등이 그 예입니다. 코드와 빌드에까지 접근하는 지속적인 자동화 인벤토리를 통해 섀도우 AI를 발견할 수 있습니다. pipeline대부분의 섀도우 AI가 나타나지 않는 프로덕션 클라우드뿐만 아니라, 개발자 엔드포인트에도 적용됩니다.
EU 인공지능법은 인공지능 인벤토리 작성을 의무화하고 있습니까?
EU 인공지능법은 "인공지능 인벤토리"를 명시적으로 언급하지는 않지만, 고위험 시스템에 대한 문서화, 분류 및 등록 의무를 이행하려면 인벤토리가 필수적입니다. 마찬가지로 NIST 인공지능 위험관리 프레임워크(지도 기능, Govern 1.6)와 ISO/IEC 42001에서도 인공지능 시스템 인벤토리 유지를 요구하고 있습니다.
AI-SPM이란 무엇인가요?
AI 보안 태세 관리(AI-SPM)는 AI 자산을 지속적으로 탐색하고, AI 공격 경로를 따라 위험도를 평가하고, 관련 규정을 연계하여 AI BOM(자재명세서)을 작성하는 활동입니다. 이는 기존의 CSPM(컴퓨터 보안 태세 관리) 및 DSPM(디지털 보안 태세 관리)에서 익숙한 태세 관리 개념을 AI 관련 자산 및 공격 벡터로 확장한 것입니다.
AI 인벤토리는 얼마나 자주 업데이트해야 할까요?
AI 자산은 지속적으로 변화합니다. 팀에서 새로운 모델을 도입하고, 새로운 에이전트를 배포하고, 새로운 MCP 서버를 구성하는 과정에서 일반적으로 공식적인 승인 없이 변경되기 때문입니다. 특정 시점의 스캔은 며칠 내에 효력을 잃으므로, 효과적인 AI 자산 관리 소프트웨어는 일회성 감사보다는 지속적인 프로세스로 운영되어야 합니다.
소스 코드에서 사용된 AI를 어떻게 목록화할 수 있나요?
코드 내 AI 인벤토리를 작성한다는 것은 종속성으로 포함된 AI 모델 및 라이브러리, 개발자별로 구성된 AI 코딩 도우미, 로컬에서 실행되는 MCP 서버 또는 규칙 파일을 탐지하는 것을 의미합니다. 이를 위해서는 코드 내부에서 작동하는 검색 기능이 필요합니다. SDLC (저장소, 빌드) pipeline클라우드 콘솔뿐만 아니라 s 및 개발자 엔드포인트에서도 사용할 수 있습니다.
