변경된 것은 단순한 규칙 세트가 아니라 AI 안전 문제와 성숙한 앱 보안 워크플로우를 연결하는 다리입니다. CodeQL은 이제 모델의 시스템 프롬프트를 형성할 수 있는 신뢰할 수 없는 값을 추적하고, 이러한 흐름이 민감한 SDK 호출에 도달할 때 경고합니다. 주요 공급업체 API에 대한 싱크를 확장함으로써, 탐지는 개발자가 시스템 명령, 세션 정책, 도구 연결을 구성하는 실제 패턴을 인식합니다. 결과는 익숙한 보안 이벤트로, 애매한 'AI 오작동' 이야기 대신 정책으로 분류, 수정, 예방할 수 있는 데이터 흐름 발견입니다.

엔지니어링 리더에게 이것은 프롬프트 인젝션을 의존성 위생 및 입력 검증 문제로 재정의합니다. 시스템 프롬프트가 사용자 제어 문자열—기능 플래그, 테넌트 설정, CMS 콘텐츠—을 상속할 때, 모델은 지침을 우회하거나 도구를 노출하거나 컨텍스트를 유출할 수 있습니다. CodeQL의 접근법은 이러한 위험을 SARIF, PR 주석, 기준 메트릭에 통합하여 고전적인 인젝션 클래스와 동일한 에스컬레이션 경로를 가능하게 합니다. 특히, 감사자가 이해하는 방식으로 위험을 정량화하는 데 도움을 줍니다: 신뢰할 수 없는 소스에서 민감한 싱크로의 데이터 흐름, 재현 가능한 쿼리와 버전 관리 정책으로 뒷받침됩니다.

이 기능을 도입하는 것은 프롬프트를 다시 작성하는 것보다 경계를 규정하는 데 더 가깝습니다. 팀은 현재 CodeQL 버전을 고정하고, JS/TS용 새 시스템 프롬프트 인젝션 쿼리를 활성화하며, 조직 전체 기준선을 실행해야 합니다. 에이전트, 도구 호출, RAG 파이프라인을 구축하는 저장소부터 시작해, 구성에서 프롬프트를 조립하는 서비스로 확장하세요. 분류 지침은 사용자 제어 정도, 템플릿 보호 존재 여부, 하위 도구 권한에 따라 흐름을 분류해야 합니다. 격차가 남으면 독점 SDK 호출에 대해 작은 맞춤 모델을 작성하여 실제 프로덕션 인터페이스와의 커버리지 균형을 보장하세요.

한계도 예상하세요: 정적 분석은 동적 도구 그래프, 서비스 간 프롬프트 구성, 함수 호출 제약 같은 런타임 가드레일을 완전히 시뮬레이션할 수 없습니다. 하지만 SSRF나 역직렬화도 생태계가 패턴과 린터를 표준화할 때까지는 그랬습니다. 더 큰 그림은 수렴입니다: AI 위험이 SDLC 게이트에 표준화되어 보안, 플랫폼, 컴플라이언스 간 공통 언어를 만듭니다. 이는 공급업체와 내부 플랫폼 모두에 기준을 높이며, 코드 스캐닝 커버리지 없는 AI 기능 출시는 인증 테스트 없는 API 출하처럼 보일 것입니다.