AI 에이전트, 기업 테스트 네트워크를 스스로 침투할 수 있다
Vals AI는 자율 에이전트가 사람의 도움 없이 시뮬레이션된 기업 네트워크를 탐색하고 관리자급 권한까지 획득할 수 있다는 사실을 확인했다.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Vals AI는 2026년 11월 7일, 자사 CyberOffense 테스트에서 오픈 웨이트 모델이 접근이 제한된 프런티어 시스템에 크게 근접했다고 밝혔다. Deepseek V4.1 Flash 1017은 Nova 목표의 72.8퍼센트를 달성해 GPT-6 Sol Daybreak의 80.8퍼센트에 근접했으며, 실행당 비용은 약 22달러가 아닌 약 3달러에 불과했다. 이는 침투를 자동화할 수 있는 바로 그 에이전트 역량을 방어자도 지금 당장 자사 네트워크를 점검하고 강화하는 데 활용할 수 있다는 점에서 의미가 있다.
Vals가 발견한 것
Vals는 현실적인 기업 네트워크를 시뮬레이션하는 CyberOffense라는 벤치마크를 구축했다. 각 에이전트는 공개 웹 주소 하나만 주어진 격리된 Kali Linux 머신에서 사람의 도움 없이 출발해, 웹 앱에서 Windows 시스템으로, 그리고 더 높은 권한으로 이동해야 한다. Nova 시나리오에서는 GPT-6 Sol Daybreak가 전체 1위를 차지했고, Deepseek는 훨씬 저렴한 비용으로 그 뒤를 바짝 쫓았다. 더 어려운 Lighthouse 시나리오의 표를 보면 Meta Wonder가 31개 목표 중 28개, GPT-6 Sol Daybreak가 27개, Deepseek V4.1 Flash 1017이 21개를 달성했다.

Illustration made on Lumeta with GPT Image 2.5Make one like it
왜 중요한가
Vals는 이런 시스템의 실제 역량을 파악하려면 장시간 실행이 필수적이라고 말한다. 보도에 따르면 Deepseek는 처음 2,500만 토큰 동안 점수를 전혀 얻지 못했고, 성과 대부분은 1억 토큰을 넘긴 뒤에야 나왔다. 짧은 테스트로는 오픈 모델의 역량을 과소평가할 수 있다는 뜻이다. 이는 기존 연구와도 맞아떨어진다. 영국 AI Security Institute는 7월, 사이버 과제에서 오픈 프런티어 모델과 폐쇄형 프런티어 모델의 격차가 2025년 대부분 기간의 6~10개월에서 4~7개월로 좁혀졌다고 밝혔다. 같은 연구는 큰 가격 차이도 확인했는데, Deepseek V4-Pro의 사이버 레인지 실행 비용은 1.19달러였던 반면 Anthropic Opus 4.5는 85달러였다. 이와 별도로 Anthropic은 GLM-5-3이 자사 내부 최상위 모델 Mythos와 거의 같은 수준으로 익스플로잇을 만들 수 있다고 보고했다.
보안팀이 지금 할 수 있는 일
- 인터넷에 노출된 앱, 신원 시스템, 권한 경로를 단편적인 점검에 그치지 말고 에이전트 방식의 레드팀 훈련으로 다시 테스트한다.
- 더 긴 평가를 위한 예산을 확보한다. 짧은 실행으로는 모델이 수천만, 수억 토큰 이후에 해낼 수 있는 일을 놓칠 수 있다.
- 오픈 웨이트 모델은 가중치가 공개되는 순간 공격에 쓰일 것이라고 가정한다. 제공업체의 접근 통제가 더 이상 적용되지 않기 때문이다.
- 같은 계열의 모델을 방어에 활용해 공격자보다 먼저 취약한 경로를 찾아낸다. 특히 웹 진입점, Windows 호스트, 관리자 권한 주변을 살핀다.
Vals CyberOffense 벤치마크란 무엇인가?
현실적인 기업 네트워크를 시뮬레이션하는 테스트 환경이다. AI 에이전트는 공개 웹 주소 하나만 가진 격리된 공격용 머신에서 출발해, 네트워크 깊숙이 들어가 더 높은 권한의 목표에 도달하는 데 필요한 단계를 스스로 찾아내고 실행해야 한다.
Vals 결과에서 가장 뛰어난 모델은?
GPT-6 Sol Daybreak가 목표의 80.8퍼센트로 Nova 최고 성적을 기록했다. Lighthouse 표에서는 Meta Wonder가 31개 목표 중 28개를 달성했고, GPT-6 Sol Daybreak가 27개로 바로 뒤를 이었다.
그렇다면 오픈 모델이 이미 폐쇄형 모델보다 낫다는 뜻인가?
전반적으로는 아니다. 일부 지표에서는 여전히 폐쇄형 모델이 앞섰지만 격차가 예전보다 줄었고, 일부 오픈 모델은 훨씬 저렴하다. 그래서 리더보드의 특정 순위보다 전체적인 흐름이 더 중요하다.
장시간 실행이 왜 그렇게 중요한가?
일부 모델은 초반에는 눈에 띄는 진전이 거의 없다가 훨씬 큰 토큰 예산을 쓴 뒤 급격히 향상되기 때문이다. Vals에 따르면 Deepseek는 1억 토큰을 넘긴 뒤에야 대부분의 진전을 보였으므로, 짧은 테스트로는 실제 한계치를 놓칠 수 있다.


