AI 에이전트는 연구 데모에서 일상적인 엔드포인트 워크플로우로 이동했습니다. 개발자는 로컬 파일 접근 권한이 있는 코드 작성 보조 도구를 설치하고, 분석가는 데이터를 가져오고 스크립트를 실행하며 API를 호출하는 자율 도구를 시험합니다. 각 에이전트는 파일 시스템, 네트워크, OAuth 범위, API 토큰, 패키지 관리자 등 새로운 권한 영역을 도입하며, 기존 EDR은 이를 단순한 프로세스로 봅니다. 결과적으로 보안팀이 인벤토리화할 수 있는 속도보다 그림자 에이전트가 빠르게 확산됩니다. 핵심 문제는 악성코드뿐 아니라, 고객 데이터 유출부터 손상된 종속성으로 저장소 오염에 이르기까지 의도치 않은 결과를 초래하는 과도한 권한과 검증되지 않은 자동화입니다.
Glow의 전략은 AI 에이전트를 엔드포인트 보안의 일급 시민으로 만드는 것입니다. 침해 지표를 기다리는 대신 설치된 및 일시적 에이전트를 지속적으로 매핑하고, 기능(도구, 플러그인, 모델 호출)과 연관시키며, 에이전트가 접근할 수 있는 대상, 보유한 자격 증명, 패키지 소싱 방식, EDR 같은 통제 상태를 평가합니다. 정책은 사전 승인 가드레일을 강제합니다—위험한 npm 설치 차단, 허용되지 않은 도구를 호출하는 에이전트 격리, 고위험 작업에 대한 단계적 승인 요구 등. 이는 일반적인 프로세스 텔레메트리만이 아닌 에이전트 의도와 권한에 맞춘 예방입니다.
구매자에게는 이 계층이 스택 어디에 위치하며 개발 속도를 저해하지 않고 어떻게 운영할지가 관건입니다. 실용적인 접근법은 배포를 위한 MDM 통합, 신호 융합을 위한 EDR, 신원 인식 정책을 위한 IdP/SSO 통합과 개발자 친화적 예외 및 감사 가능성을 제공하는 것입니다. 성공 지표는 그림자 에이전트 감소, 위험한 패키지 풀 방지, EDR 커버리지 갭 해소, 정책 수정 평균 시간 등을 포함해야 합니다. 데이터 처리 관행, 온디바이스 대 클라우드 추론, 수만 대 기기에 걸친 버전 관리, 드라이런, 단계적 롤아웃을 가능케 하는 정책 코드 모델을 주목하세요.