직원들이 자신이 생성하는 모든 데이터에 자발적으로 태그를 지정할 것이라는 가정은 보안 모델의 가장 큰 실패 요인입니다.우리는 수년간 복잡한 거버넌스 프레임워크를 구축해 왔지만,이는 결국 사람이 저장 버튼을 누를 때마다 의식적이고 정확한 결정을 내린다는 전제에 기반합니다.그러나 혈실은 냉혹합니다.일반 기업에서 수동 태깅의 활용률은 30%에 불과하며,이는 기업의 지적재산 중 70%가 보안 도구에 의해 사실상 노출되지 않는다는 것을 의미합니다.우리는 엔지니어 또는 영업사원으로 일하는 사람들에게 마치 사서처럼 데이터를 관리하도록 요구하는 시스템을 구축해 왔습니다.이러한 시스템은 마찰을 유발하기 때문에 실패하고 있습니다.오늘날 우리는 사용자 주도 태깅에서 자율적인 거버넌스로 나아가고 있습니다.데이터 스트림의 속도에 맞춰 분류가 이루어지는 모델로 전환하고 있는 것입니다.수동 거버넌스의 구조적 결함은 바로 여기에 있습니다.현재의 라벨링 전략은 생산성에 대한 세금과 같으며,대부분의 세금처럼 사람들은 이를 피하기 위한 다양한 방법을 찾아냅니다.우리는 10년 동안 데이터 보안을 사후 처리 단계로만 바라보는 기존 모델에 의존해 왔습니다.사용자가 문서를 생성하고 5에서 10개의 민감도 레이블 목록을 보면,우리는 사용자가 올바른 레이블을 선택하기를 바랍니다.하지만 희망은 기술적 인 제어 수단이 아닙니다.팀즈, 시어포인트, 슬랙 등에서 폭발적으로 증가하는 데이터는 인간의 인지 능력을 공식적으로 앞질렀습니다.페타바이트 규모의 비정형 데이터를 수동으로 분류하라고 요구하면서,정확성을 기대하는 것은 수학적으로 불가능합니다.이러한 문제가 발생하는 이유를 살펴보려면 사용자를 지원하기 위해 사용해온 도구를 살펴봐야 합니다.기존에는 키워드 기반 정규 표현식 패턴에 의존해 왔습니다.정규 표현식은 속도가 매우 빠르며,대규모 언어 모델보다 텍스트를 스캔하는데 약 2만 8천 배 빠릅니다.

그러나 정규 표현식은 문맥을 파악하지 못합니다.사회보장 번호처럼 보이는 문자열은 찾아낼 수 있지만,민감한 고객 아이디와 공개 기술 매뉴얼에 있는 이미 프로젝트 코드를 구분하지 못합니다.패턴은 인식하지만 위도는 놓치는 것입니다.패턴 매칭과 실제 이해 사이에 이러한 간극이 바로 위험의 근원입니다. IBM에 따르면 데이터 유출로 인한 평균 손실액은 488만 달러에 달합니다.이러한 손실은 암호화 실패나 방화벽 침해 때문이 아니라,민감한 데이터와 실제로 분류된 데이터 사이의 간극에서 발생합니다.파일에 분류가 되어 있지 않으면 데이터 손실 방지 정책이 적용되지 않고,조건부 접근 규칙도 적용되지 않습니다.게다가 유전공학 AI위 등장으로 이제는 조종사가 질문하는 사람에게 데이터를 요약해서 설명해 줄 수도 있습니다.기존 모델은 사용자가 데이터의 가치를 가장 잘 판단할 수 있다고 가정했지만,고속으로 데이터가 쏟아지는 세상에서는 오히려 사용자가 병목 현상을 일으킵니다.관리되지 않은 방대한 양의 비정형 데이터가 오히려 부담이 되는 지경에 이르렀습니다.아무리 정교한 마이크로소프트 퍼뷰 시스템을 갖추고 있더라도,데이터가 입력되는 시점에 정확하게 분류되지 않으면 전체 시스템이 제대로 작동하지 않습니다.마치 자율주행차의 탑승객에게 모든 경로를 수동으로 입력하라고 요구하는 것과 같습니다.제대로 작동하지 않는 것이죠.구조적 결함은 담당자 개인의 문제가 아니라 담당자의 개입이 필수적이라는 점입니다.바로 이 때문에 감사에서 결함 발생률이 매우 높은 것입니다.조직들은 문서상의 정책만 있으면 규정을 준수한다고 생각하지만,실제로 보안 검색을 해보면 공용 폴더에 수천 건의 기밀문서가 방치되어 있는 경우가 많습니다.이는 선택의 기로에 놓인 사용자에게 제약이 너무 크기 때문입니다.속도와 보안 중 하나를 선택해야 한다면, 사용자는 거의 항상 속도를 선택할 것입니다.

이 문제를 해결하려면 선택의 여지를 완전히 없애야 합니다.운영의 핵심을 산만한 최종 사용자가 아닌 인프라 자체로 옮겨야 합니다.문서를 작성한 사람보다 문서를 더 잘 이해하는 시스템이 필요하며,그래야만 수백만 달러에 달하는 데이터 유출 사고를 예방할 수 있습니다.바로 인텔리전스 레이어를 구축하는 것입니다.수동 태깅 문제를 해결하기 위해 분류의 핵심을 최종 사용자가 아닌 실시간 LLM 추론 엔진으로 옮기고 있습니다.이는 마이크로소프트 퍼뷰 아키텍처에 대한 근본적인 변화입니다.대부분의 사람들은 AI를 기존 프로세스에 단순히 덧붙여 속도를 약간 높이는 플러그인 정도로 생각합니다.하지만 이 새로운 모델에서 AI는 구조적 계층입니다.원시 데이터 스트림과 퍼뷰 데이터 맵 사이에 직접 위치합니다.단순히 데이터 흐름을 지켜보는 것이 아니라 실제로 의사결정을 내리는 주체입니다.대규모 언어 모델, LLM, 이 여기서 강점을 보이는 이유는 미묘한 뉘앙스를 파악하는 문제를 마침내 해결했기 때문입니다.기존 도구는 특정 문자열을 검색하는 데는 탁월하지만 문서의 전체적인 맥락을 파악하는 데는 한계가 있습니다. LLM은 문서의 의도를 이해합니다. 3페이지 분량의 전략 메모를 읽고 신용카드 번호나 사회보장 번호는 없지만 전체 내용이 보호해야 할 학병에 관한 것임을 인식할 수 있습니다.또한 특정 단어가 문서에 나타나지 않더라도 비밀 레시피나 독점 제조 공정이 지적 재산임을 이해합니다.하지만 일반적인 모델을 기업 데이터에 그대로 적용해서는 제대로 작동하지 않습니다.일반적인 모델은 너무 포괄적이고 이 정도 규모의 데이터에는 솔직히 너무 비쌉니다.이 혁신의 핵심은 파라미터 효율적 미세조정, PFT, 기술을 활용하는 데 있습니다.소규모 개방형 가중치 모델을 특정 기업 고유의 어휘에 맞춰 미세조정함으로써 F1 점수 0.97을 달성할 수 있습니다.

F1 점수 0.97은 기계학습 모델이 일반적인 직원보다 훨씬 더 정확하고 일관성 있게 작업한다는 것을 의미합니다.기계학습 모델은 피로감을 느끼지 않고 회의 5분 전이라고 파일을 건너뛰지도 않으며단순히 클릭하기 쉬운 일반적인 네이블을 선택하는 편향된 사고 방식을 보이지도 않습니다.인텔리전스 레이어는 개념 간의 관계를 분석하여 데이터의 맥락을 파악합니다.이름 목록 옆에 진단 코드 목록이 있으면 건강 데이터임을 인식하고화학식 다음에 온도 제약 조건이 있으면 영업 비밀임을 인식합니다.이는 2026년 시대에 기업 거버넌스에 필요한 수준의 의미, 론적 인식 능력입니다.우리는 단순히 검색하고 찾는 방식에서 벗어나 데이터를 읽고 이해하는 방식으로 나아가고 있습니다.이 계층은 기본 저장소에 저장되기 전에 노이즈를 걸러내는 필터 역할을 합니다.팀즈 채팅에서 파일이 생성되거나 시어포인트 라이브러리에 업로드되면인텔리전스 계층이 메타 데이터를 가로챕니다.고속 추론을 통해 콘텐츠의 핵심 정보를 파악하고이를 기존 퍼뷰 민감도 레이블에 맵핑합니다.이 모든 과정은 사용자에게 팝업이나 드롭다운 메뉴를 표시하지 않고 자동으로 처리됩니다.마치 전기 난행방처럼 백그라운드에서 자동으로 작동하는 유틸리티와 같습니다.전용 추론 엔진에의 로직을 집중시킴으로써 단일 정보 소스를 확보할 수 있습니다.기존 모델에서는 수천 명의 개별 사용자가 기밀의 의미를 각기 다르게 해석하여 관리가 분산되어 있었습니다.하지만 이제는 모델의 가중치와 세밀하게 조정된 데이터 세트를 기반으로 로직이 관리됩니다.정책이 변경되더라도 전체 직원을 재교육할 필요 없이 모델만 업데이트하면 됩니다.이것이 바로 확장성 확보의 핵심입니다.사람의 행동을 바꾸려 애쓰는 대신 사람이 특정 방식으로 행동할 필요가 없는 시스템을 구축하는 것입니다.우리는 사람들이 본래 해야 할 일에 집중할 수 있도록 업무에서 가장 지루한 부분을 효과적으로 자동화하고 있습니다.

여기서 발생하는 지연시간 불일치와 그 해결 방안을 살펴보겠습니다.대부분의 아키텍처는 바로 이 지점에서 문제가 발생합니다.대부분의 아키텍트는 시스템이 이미 운영 환경에 배포되기 전까지는 근본적인 속도 차이를 강과합니다.퍼뷰는 몇 시간 단위로 생각하지만 AI는 밀리초 단위로 생각한다는 점을 이해해야 합니다.이는 단순한 지연이 아니라 구조적으로 심각한 불일치입니다.실시간 분류에 대해 이야기할 때 우리는 보안 제어가 사람의 눈으로 추적할 수 없을 정도로 빠르게 처리되어 사용자가 보안 제어를 인식하지 못하는 경험을 목표로 합니다.하지만 마이크로소프트 그래프 API 위 기본 인프라는 이러한 속도를 위해 설계되지 않았습니다.레이블링을 위한 그래프 API 위 혀실은 본질적으로 비동기적이라는 것입니다.민감도 레이블을 적용하는 요청을 보내도 파일이 보호되었다는 즉각적인 확인을 받지 못합니다.마치 우편함에 편지를 넣고 곧 배달되기를 바라는 것과 같습니다.실제 기업 환경에서는 이러한 전파에 몇 분에서 최대 24시간이 걸릴 수 있습니다.이로 인해 제가 취약성창이라고 부르는 현상이 발생합니다.이 기간 동안에는 민감한 데이터가 환경에 존재하지만 사실상 아무런 보호장치도 없습니다.레이블도 없고 암호화도 되어 있지 않으며 접근 제한도 없습니다.특히 M365 코파일러 시대에는 이러한 취약성창이 매우 위험합니다.엔지니어가 자체 설계 사양서를 업로드하고 퍼뷰 레이블이 전파되기 전에 코파일럿 이 해당 파일을 인덱싱하면그 민감한 정보는 조직의 핵심 정보에 포함되는 것입니다.다른 부서에 다른 사용자가 코파일럿을 조회하여 해당 설계에 대한 요약 정보를 받을 수도 있습니다.거버넌스 계층이 아직 생각하는 동안 AI가 이미 작업을 진행하고 있기 때문입니다. 24시간이 걸리는 도구로 밀리초 단위의 문제를 해결할 수는 없습니다.이러한 격차를 해소하기 위해서는 단순한 API 호출을 넘어 제가 가디언 에이전트 접근 방식이라고 부르는 것을 구현해야 합니다.

가디언 에이전트는 실시간 프록시 역할을 합니다. 백엔드 퍼뷰 작업이 완료될 때까지 기다리는 대신이 에이전트는 프롬프트 경계에 위치하여 데이터가 접근되는 즉시 검증합니다.느리게 작동하는 중앙 레지스트리와는 독립적으로 작동하는 고속보안 검문소라고 생각하면 됩니다.공식 관할 데이터 맵이 백그라운드에서 업데이트되는 동안가디언 에이전트는 이미 엣지에서 정책을 시행하고 있습니다.이를 통해 분류로직이 데이터 스트림에 즉시 적용되어 취약점 발생 가능성을 효과적으로 차단합니다.사용자에게 불편함을 주지 않으면 서의 기능을 구현하려면TTFT, 타임 투 퍼스트 토큰 라는 특정 지표에 집중해야 합니다.보안 계층으로 인해 문서 열기나 AI 프롬프트 실행에 3초의 지연이 발생한다면직원들은 이를 우회하는 방법을 찾을 것입니다.개인기기나 관리되지 않는 AI 도구를 사용하여 업무를 처리할 것입니다.따라서 TTFT를 500mps 미만으로 유지해야 합니다.이를 위해서는 고도로 최적화된 추론 파이프라인이 필요합니다.단순히 모델을 실행하는 것이 아니라 요청의 물리적 엔지니어링까지 관리해야 합니다.즉, 추론 엔진을 데이터 소스에 최대한 가깝게 배치하고투기적 디코딩과 같은 기술을 사용하여 가능한 모든 지연 시간을 줄여야 합니다.보안을 단순한 규정 준수 요건이 아닌 성능 요구 사항으로 간주해야 합니다.분류 작업이 0.5 초도 안 되는 시간에 이루어지면사용자는 분류 작업이 진행 중이라는 사실조차 인지하지 못합니다.사용자가 저장 버튼을 누르면 가디언 에이전트가 콘텐츠를 검증하고네이블이 엣지에서 사실상 자동으로 적용되며그래프 API 가수신 준비가 되면 백엔드 동기화가 이루어집니다.이것이 바로 데이터 변화에 앞서 나가는자율관리 아키텍처를 구축하는 방법입니다.시스템이 따라 잡을 때까지 기다리는 대신생각하는 속도로 새로운 모델을 적용하는 것입니다.

자율 분류의 경제성 측면에서대부분의 조직은 클라우드 API 토큰의 가격을 보고하루 5억 개의 토큰을 처리하는 것이재정적으로 엄청난 부담이라고 생각하여구매 단계에서 주저합니다.모든 분류 요청에 대해 표준 소매 가격으로 비용을 지불한다면결국 관리 예산이 실제 보안 예산을 초과하게 될 것입니다.이것이 바로 많은 기업이 수동 패깅을 고수하는 주된 이유입니다.인건비의 비효율성을 매물 비용으로 간주하는 반면API 비용은 새롭고 부담스러운 지출 항목으로 여기기 때문입니다.하지만 이는 새로운 모델에 대한 근본적인 오해입니다.자율 분류를 구현하려면 타사 클라우드 API 위 사용량 기반 방식에서 벗어나자체 호스팅의 효율성을 도입해야 합니다.전용 분류 엔진을 자체 호스팅하는 순간비용 구조가 완전히 달라집니다. 2026년에는 대용량 추론 작업을 자체 인프라로 이전하는 기업의 경우최대 5배의 비용 절감 효과를 볼 수 있을 것으로 예상됩니다.이는 단순히 비용을 절약하는 것이 아니라전체 아키텍처를 장기적으로 지속 가능하게 만드는 것입니다.매주 테라바이트 단위로 증가하는 데이터를 관리해야 한다면성장에 따라 불리익을 주는 가격 모델에 얽매여서는 안됩니다.고정 비용의 유틸리티 모델이 필요합니다.실제 총 소유 비용을 살펴보겠습니다.엔비디아 A100 또는 H100 GPU 하나만으로도중견 기업 전체의 분류 처리량을 감당할 수 있습니다.초당 수천 개의 토큰을 처리할 수 있다는 의미입니다.해당 하드웨어 또는 자체 클라우드에 예약된동등한 하드웨어의 비용을 분산시키면초기 설정 후 분류당 비용이 거의 0에 가까워집니다.파일 내용 확인에 대한 비용을 지불하는 대신거버넌스를 컴퓨팅 스택의 표준 구성 요소처럼취급하기 시작해야 합니다.데이터베이스나 웹서버를 호스팅하는 것과 다를 바 없습니다.하지만 세부 조정에 따른 숨겨진 비용에 주의해야 합니다.

순속 컴퓨팅 비용은 저렴해지고 있지만운영 부채로 인해 비용이 급증할 수 있으므로 신중해야 합니다.모델 버전 저장, 정확성 보장을 위한 지속적인 평가 주기,그리고 잘못 설계된 VPC와 관련된 네트워크 송출 비용 등이투자 수익률 ROI을 저해할 수 있습니다.따라서 데이터 스트림이 적을 때 규모를 축소할 수 있는 서버리스 또는 VPC 기반 옵션을 권장합니다.아무도 문서를 저장하지 않는 새벽 3시에 고성능 실리콘 비용을 지불하고 싶지는 않을 것입니다.이러한 경제적 변화는 분류를 운영 비용의 악몽에서 예측 가능한 인프라 비용으로 전환하는 것입니다.효과적으로 거버넌스를 공공서비스처럼 만들고 있는 것입니다.데이터 센터의 냉각 비용 지불 방식을 생각해보세요.온도 변화량에 따라 비용을 지불하는 것이 아니라기준선을 유지하는 시스템을 구축하는 것입니다.자율 분류도 바로 그러한 기준선이 되어야 합니다.인간 사서의 가변적 인비용과 토큰당 클라우드 사용료를 제거함으로써데이터 규모에 맞춰 확장 가능한 시스템을 구축할 수 있습니다.이러한 예측 가능성 덕분에 보안 수준을 높일 수 있습니다.분류 작업에 드는 비용이 줄어들면 더욱 세밀한 분류가 가능해집니다.모든 초안, 모든 채팅, 모든 임시 파일을 스캔하더라도월말 청구서 걱정은 하지 않아도 됩니다.이는 선순환을 만들어냅니다.더 나은 데이터는 더 나은 모델로 이어지고더 높은 정확도를 제공하며결과적으로 비용이 많이 드는 인적 수정 작업의 필요성을 줄여줍니다.본질적으로 시간이 지날수록 더 저렴하고 효과적인 시스템에 투자하는 것입니다.반면 기존의 수동 모델은 회사가 성장함에 따라 비용만 증가합니다.자체 호스팅 인텔리전스 레이어를 선택하는 것은단순히 도구를 구매하는 것이 아니라보호가 인프라의 표준 기능이 되는 새로운 경제적 현실을 선택하는 것입니다. AI 거버넌스의 새로운 위험을 완화하는 방법도 있습니다.

인간의 개입을 제거하면 규모는 커지지만새로운 유형의 시스템적 위험이 발생합니다.자율 거버넌스는 한 번 설정하고 잊어버리는 솔루션이 아닙니다.이는 이전과는 다른 종류의 경계심을 요구합니다.첫 번째 위협은 모델 드리프트입니다. 1월에 거의 완벽한 점수를 얻은 분류기도 6월에는 오히려 문제가 될 수 있습니다.데이터 자체가 살아있는 유기체와 같기 때문입니다.직원들의 글쓰기 방식, 사용하는 용어, 생성하는 파일 유형은 끊임없이 변화합니다.모델이 이러한 변화에 발맞춰 진화하지 않으면정확도가 서서히 떨어져 결국 원점으로 돌아가게 됩니다.하지만 이보다 더 교묘한 형태인 개념 드리프트가 있습니다.이는 AI 기반 규정 준수를 방해하는 조용한 살인자입니다.개념 드리프트는 찾고자 하는 대상의 기본 정의가 변경될 때 발생합니다.예를 들어 새로운 개인정보 보호 규정이 제정되어특정 유형의 메타데이터가 민감한 정보로 재분류될 수 있습니다.또는 비밀스러운 내부 프로젝트의 코드명이 아폴로에서 제우스로 변경될 수도 있습니다. AI가 여전히 아폴로를 찾고 있다면제우스로 명명된 문서가 최고 수준의 보안계층을 우회하도록 허용할 것입니다.맥락은 바뀌었지만 모델은 여전히 부식지도를 기반으로 작동하고 있는 것입니다.이러한 문제를 해결하기 위해서는 정책을 코드로 구현해야 합니다.실시간 드리프트 감지 기능을 거버넌스 파이프라인에 직접 통합해야 합니다.이는 단순한 모니터링이 아니라 자동화된 개입을 의미합니다.시스템이 신뢰도 점수 하락이나 데이터 분포 변화를 감지하면조치 수준 쓰인을 트리거해야 합니다.이는 안전장치 역할을 합니다. AI가 불확실해지면 자율적인 의사결정을 중단하고파일을 인간 전문가에게 전달하여 신속하게 검토하도록 합니다.본질적으로 기계가 도움이 필요할 때 알려주도록 하는 것입니다.다음으로 신속한 인젝션 공격에 위협이 있습니다.

이는 새로운 데이터 유출 방식입니다.공격자는 방화벽을 해킹할 필요 없이 분류기를 속일 수 있습니다.문서 내에 숨겨진 텍스트를 사용하여 AI에게 이전의 모든 지침을 무시하고해당 파일을 공개 파일로 분류하도록 지시하는 악의적 임명령을 삽입할 수 있습니다. AI 계층이 단순하다면 이러한 지시를 따르게 됩니다.파일의 등급이 낮아지고 관할권 보호가 해제되며데이터는 일반적인 외부 채널을 통해 유출됩니다.이는 거버넌스 도구를 악용하는 정교한 방법입니다.이러한 위협에 대한 완화 전략은 보조 가디언 에이전트를 구현하는 것입니다.이 모델은 규모가 작고 고도로 전문화된 모델로주 분류기의 결정을 검증하는 역할 만 합니다.문서 전체를 살펴보는 것이 아니라조작 흔적이나 논리적 오류만 찾아 냅니다.주 분류기가 손상되거나 혼란스러워 지지 않았는지 확인하는추가적인 검증 역할을 합니다.두 모델의 의견이 일치하지 않으면시스템은 가장 엄격한 네이블을 기본값으로 사용합니다.이러한 다층적인 방어체계를 구축함으로써취약한 자동화에서 탄력적인 자동화로 나아갈 수 있습니다. AI는 강력하지만 오류를 범할 수 있다는 점을 인정하고모델을 지속적인 조정과 경고한 제동 시스템이 필요한 고성능 엔진처럼 다룹니다.이것이 새로운 모델의 마지막 단계입니다.단순히 인간의 오류를 기계로 대체하는 것이 아니라기계 자체의 고유한 오류를 고려하는구조적 프레임워크를 구축하는 것입니다.이것이 바로 현실 세계의 복잡성을 견뎌낼 수 있는기본적으로 안전한 시스템을 구축하는 방법입니다.거버넌스는 역동적이고자체 수정이 가능한 순환고리가 됩니다.우리는 규정 준수를 바라는 세상에서규정 준수를 설계하는 세상으로 나아가고 있습니다.이러한 변화를 통해 데이터가 증가함에 따라보안이 단순히 따라잡는 것을 넘어 더욱 스마트해집니다.마침내 미래를 위한 기반을 구축하게 되는 것입니다.

구현은 90일 로드맵으로 진행됩니다.자율관리 아키텍처 구축은스위치를 켜고 끄는 것처럼 간단한 작업이 아니면90일의 전환 과정으로 접근해야 합니다. 0일차에는 제가 진실계층이라고 부르는 것을확립하는 것부터 시작합니다.단 하나의 파일도 차단하지 않고현재 노출 수준을 파악하기 위해감사 전용 모드로 퍼뷰를 실행해야 합니다.여기서 하는 일은 레이블이 지정되어야 하는 데이터와실제로 레이블이 지정된 데이터 간의 차이를 측정하는 것입니다.대부분의 조직은 이 과정을 통해민감한 데이터의 절반 이상이현재 시스템에 감지되지 않는다는 사실을 발견합니다.이 기준서는 기존 모델의 실패 지점을정확히 보여주는 지도가 됩니다.이에 관계자에게 인프라 전환의 필요성을 설득하려면이러한 정확한 데이터가 필수적입니다.이 데이터가 없으면 추측에 불과하기 때문입니다.이 지도를 확보한 후에는효율성과 지능의 균형을 맞춘하이브리드 모델을 배포할 수 있습니다.단순한 신용카드 번호를 찾는 데에는엄청나게 비싼 추론 엔진이 필요하지 않습니다.제조원은 20년 동안 변하지 않은 구조화되고예측 가능한 패턴과 같이 쉽게 제거할 수 있는 것부터고속으로 걸러내는 방식을 사용하는 것입니다.복잡하고 비구조화된 지적재산과 같이실제 추론이 필요한 부분에는인텔리전스 레이어를 활용해야 합니다.이러한 계층적 접근 방식을 통해컴퓨팅 비용을 낮추면서동시에 보안 범위를 극대화할 수 있습니다.자원을 정밀하게 배분하고눈으로만 확인할 수 없을 때만두뇌를 활용하는 것이 핵심입니다.다음으로 30일 만에 모든 것을 해결하려 하기보다는적응형 범위를 사용하여 초점을 좁혀야 합니다.재무, 연구, 개발, 법무와 같이위험도가 높은 부서를 우선적으로 공략해야 합니다.이러한 부서는 침해 사고 발생 시가장 큰 손실을 초래할 가능성이 높은 영역입니다.이러한 소규모 환경에서 가치를 입증함으로써나중에 전체 규모로 배포하는 데필요한 내부 추진력을 구축할 수 있습니다.

거대하고 부담스러운 규정 준수 프로젝트를작고 측정 가능한 성공으로 전환하는 것입니다.이는 일반적인 명령이 아닌 전술적 배포이며가장 어려운 문제부터 해결함으로써제대로 작동하는지 입증합니다.마지막 퍼즐 조각은 사람이 직접 참여하는재학습 피드백 루프입니다.가디언 에이전트가 신뢰도가 낮은 파일을 표시하면보안 담당자가 신속하게 확인하여 결과를 검증합니다.이 한 번의 클릭으로 파일 하나만 수정되는 것이 아니라모델이 실제로 재학습되어 모든 오류로부터 학습하게 됩니다.이렇게 하면 시간이 지남에 따라 성능이 저하되는 플랫폼이 아닌오히려 향상되는 플랫폼을 구축할 수 있습니다. 90일째 되는 날에는 보안 병목 현상이 아닌보안 활성화 도구로 거듭나게 됩니다.보호는 즉각적이고 눈에 띄지 않게 이루어지며자동화의 확실성으로 대체하게 됩니다.