MAI-Cyber-1-Flash와 MDASH: 절반의 비용으로 CyberGym 96%를 달성한 보안 에이전트
Microsoft AI가 MAI-Cyber-1-Flash를, 자사의 멀티 에이전트 취약점 식별·개선 하네스인 MDASH 안에서 공개했습니다. 두 가지가 함께 세계 최고 수준의 성능을 선도 모델 대비 50% 비용으로 제공한다는 것이 핵심 메시지입니다.
AI의 발전은 놀라웠고, 그것이 촉발한 새로운 세대의 사이버 위협 역시 그렇습니다. 공격자는 점점 강력해지는 능력을 손에 쥐고, 갈수록 커지는 코드의 산에서 침입을 허용할 단 하나의 약점을 탐색합니다. 결함을 찾는 비용이 무너져 내리면서, 가끔 스캔하고 나중에 패치하는 기존 보안 모델은 이제 낡은 것이 됐습니다.
MAI-Cyber-1-Flash는 바로 이 문제의식에서 출발했습니다. 복잡한 코드베이스에서 까다로운 취약점을 찾아내도록 만들어졌고, MDASH에 깊이 통합되어 업계 최고 보안 전문가들이 다듬었으며, 지구상에서 가장 큰 보안 자산(estate) 전반에서 단련됐습니다.
성능: CyberGym에서 96%
이 결합된 전문성은 CyberGym에서 Mythos, Gemini, GPT를 앞서는 결과로 이어졌습니다. CyberGym은 시스템이 대규모 코드베이스를 추론해 코드 내 실제 취약점을 찾아내는 능력을 평가하는 표준 벤치마크(gold standard) 입니다.
핵심 수치는 다음과 같습니다.
- MDASH + MAI-Cyber-1-Flash 통합 시스템: CyberGym 96% (Mythos 대비 +12 포인트)
- 현재 MDASH의 최고 구성(GPT-5.4 + 5.4 mini + 5.3 codex) 대비 비용 50% 절감
작업에 맞는 모델을 고른다
보안은 상시(always-on) 임무이고, 밀려드는 공격의 양을 고려하면 방어자에게 토큰 비용이 곧 실질적 제약이 됩니다.
MAI-Cyber-1-Flash는 전체 작업의 최대 90%를 효율적으로 처리하도록 설계됐습니다. 그 덕분에 MDASH는 정말로 필요한 10%의 극히 어려운 작업에만 더 크고 비싼 모델(이 경우 GPT-5.4)을 투입할 수 있습니다.
이것이 잘 튜닝된 멀티 모델 시스템의 힘입니다. 고유하게 풍부한 과거 학습 데이터에 접근할 수 있는 시스템이, 모든 작업에 대해 최적의 가격으로 최적의 모델을 항상 보장합니다.
한국의 Copilot·에이전트 담당자 관점에서 이 설계는 시사점이 큽니다. “가장 좋은 모델 하나”가 아니라 작업 난이도에 따라 모델을 라우팅하는 구조가 성능과 비용을 동시에 잡는 실전 해법이라는 점입니다.
Perception: 에이전트형 보안 시스템
새로운 취약점을 발견한 시점에서 실시간으로 대응하기까지 가는 능력이 중요해졌습니다. AI를 통한 소프트웨어 취약점 개선이 이미 핵심 보안 워크플로가 됐지만, 보안 실무자가 직접 해야 할 일도 많습니다.
그래서 Microsoft는 Perception도 함께 공개했습니다. MDASH 안에서 다양한 보안 워크플로를 위한 에이전트 팀을 제공해, 새로운 위협 벡터를 지속적으로 모니터링·패치·차단하는 에이전트형 보안 시스템입니다. Perception은 곧 소프트웨어 취약점 작업을 넘어 더 많은 보안 워크플로에서 MAI-Cyber-1-Flash를 사용하게 될 예정입니다.
오늘 중요한 세 가지: Model. Data. Harness.
Microsoft는 세계적 수준의 모델, 비할 데 없는 과거 데이터, 전문가가 튜닝한 하네스를 함께 최적화했다고 설명합니다.
Model
MAI-Cyber-1-Flash는 MAI-Thinking-1 계보에서 파생된 컴팩트하고 코드 중심의 보안 모델입니다. 최고 품질의 데이터를 기반으로 처음부터 사내에서(in-house) 구축됐습니다. 세부 사항은 Microsoft의 기술 리포트에 담겨 있습니다.
Data
가장 깊은 강점으로 꼽힙니다. 수십 년간 세계적 수준의 보안 시스템을 구축해 온 결과, 이제 아이덴티티·엔드포인트·클라우드·네트워크 전반에서 하루 수조 개의 신호와, 실제 익스플로잇 및 개선(remediation)의 비교 불가능한 기록을 보유하게 됐습니다. 이 역사는 누구도 인위적으로 만들어낼 수 없습니다.
Harness
MDASH는 멀티 에이전트 취약점 식별·개선 하네스로, 업계 최고 보안 전문가들이 튜닝했습니다. 이들은 여러 선도 모델을 사용해 취약점을 찾고, 검증하고, 개선하는 100개 이상의 에이전트를 만들었습니다. 에이전트형 코드 스캐닝은 보안 관제 센터(SOC)의 핵심 기능이며, 새로운 에이전트형 보안 시스템인 Project Perception으로 이어집니다.
안전을 우선으로 설계
MAI-Cyber-1-Flash는 Microsoft의 첫 사이버 모델이기 때문에, 모델 학습부터 고객 배포까지 모든 계층에 신뢰를 내장했습니다.
- 보안 우선 캘리브레이션으로 개발
- Microsoft AI Red Team의 엄격한 평가
- 자동화 및 전문가 주도 적대적 훈련(adversarial exercises) 을 통한 테스트
- 제3자 독립 평가 수행
신뢰는 모델 자체를 넘어섭니다. MDASH를 통해 고객은 다음과 같은 엔터프라이즈급 통제를 받습니다.
- 역할 기반 제어(Role-Based Controls)
- 테넌트 격리(tenant isolation)
- 암호화(encryption)
- 감사 가능성(auditability)
- 인터넷 접근이 없는 샌드박스 실행 환경
결과적으로, 방어자에게는 강력한 능력을 제공하면서도 기업이 Microsoft에 기대하는 거버넌스·보안·통제를 유지하는 사이버 모델이 됩니다. 규제 산업이 많은 한국 기업 환경에서 특히 눈여겨볼 대목입니다.
힐 클라이밍 머신: 살아 있는 강화학습 루프
사이버 보안은 단지 데이터가 풍부한 영역이 아니라 살아 있는 강화학습 루프입니다. 매일 방어자들은 위협을 조사하고, 경보를 분류하고, 공격자를 추적하고, 취약점을 개선하고, 보호를 배포하며, 그 결과로부터 학습합니다.
Microsoft는 그 루프를 처음부터 끝까지 봅니다.
- Microsoft Security Response Center를 통한 취약점
- 아이덴티티·엔드포인트·클라우드·데이터·브라우저·애플리케이션 전반의 공격과 방어
- 매일 100조 개 이상의 보안 신호
- 160만 고객으로부터 얻는 운영 인사이트
무엇이 악용 가능했고, 무엇이 봉쇄됐고, 무엇이 차단됐고, 무엇이 실제로 효과가 있었는지 — 행동과 결과를 연결할 수 있기 때문에 단순한 데이터 이상을 갖게 됩니다. MAI 강화학습 루프가 지속적으로 개선되어 전문 사이버 방어자가 되는 모델을 만드는 토대입니다.
한국 도입 담당자를 위한 시사점
- 모델 라우팅이 비용 전략이다: 90%는 경량 전용 모델, 10%는 대형 모델이라는 구조가 성능 손실 없이 비용 50% 절감을 만들어 냈습니다. 사내 에이전트 설계에서도 “모든 작업에 최고 모델”이 아니라 난이도별 라우팅을 검토할 만합니다.
- 도메인 전용 모델의 가치: 범용 모델 대비, 도메인 데이터와 하네스가 결합될 때 벤치마크 우위가 만들어졌습니다. 조직 고유 데이터가 있는 영역이라면 같은 전략이 유효합니다.
- 에이전트 100개 이상 운영 구조: MDASH가 여러 모델로 100개 이상 에이전트를 운영한다는 점은, 에이전트를 개별 봇이 아니라 하네스(오케스트레이션 계층) 위의 팀으로 다뤄야 함을 보여 줍니다.
- 거버넌스 체크리스트: 테넌트 격리, RBAC, 감사 로그, 인터넷 차단 샌드박스는 보안 에이전트 도입 시 그대로 요구사항 목록이 됩니다.
마무리
이번 발표의 메시지는 명확합니다. 모델(Model) · 데이터(Data) · 하네스(Harness) 세 가지를 함께 최적화해야 실제로 쓸 만한 보안 AI가 나온다는 것입니다.
공격 비용이 무너진 시대에 “가끔 스캔하고 나중에 패치”는 더 이상 통하지 않습니다. 지속적으로 찾고, 검증하고, 고치는 에이전트 시스템으로의 전환이 시작됐고, MAI-Cyber-1-Flash와 MDASH는 그 방향을 성능과 비용 양쪽에서 보여 준 사례입니다.
출처: Introducing MAI-Cyber-1-Flash inside MDASH (Microsoft AI News, 2026-07-28)
자세한 내용은 원문을 참조하세요.