뿡야의 IT 기록

개발과 인프라 관련 글을 읽다 보면 Ops로 끝나는 용어를 자주 만나게 된다.

DevOps를 이해했다고 생각하면 DevSecOps가 등장하고, AI 이야기를 따라가다 보면 AIOps와 AISecOps까지 나온다. 이름만 보면 기존 개념에 단어를 하나씩 붙인 것처럼 느껴진다.

하지만 구분하는 기준은 의외로 명확하다.

어떤 업무를 연결하는지, AI를 어디에 사용하는지, 무엇을 보호하려는지를 보면 된다.

이 글에서는 네 가지 용어를 비교하고, 하나의 서비스를 개발하고 운영하는 상황에서 각각 어떤 역할을 하는지 살펴본다.

1. 먼저 전체 그림부터 보기

여기서 AISecOps는 사용하는 조직과 자료에 따라 의미가 달라질 수 있다. 어떤 곳은 AI 기반 보안 분석을, 다른 곳은 AI 시스템과 에이전트를 안전하게 운영하는 활동을 강조한다.

따라서 이 용어를 접하면 먼저 “AI로 보안을 하는가, AI 자체를 보호하는가?”를 확인하는 편이 좋다. 실제로 AISecOps Interceptor 프로젝트는 실행하는 AI 시스템의 런타임 거버넌스에 초점을 맞춘다. 이는 해당 프로젝트의 정의로 이해해야 한다.

2. DevOps: 개발과 운영이 서비스의 전체 흐름을 함께 책임진다

개발팀이 기능을 완성해 운영팀에 전달했다고 가정해 보자.

개발 환경에서는 잘 동작했는데 실제 서버에서는 오류가 발생한다. 운영팀은 배포 정보를 충분히 전달받지 못했고, 개발팀은 운영 환경을 정확히 모른다.

이런 단절을 줄이기 위해 개발과 운영의 협업을 강조하는 접근이 DevOps다.

DevOps는 도구와 자동화뿐 아니라 팀이 책임을 공유하고 운영 결과를 개발에 반영하는 방식까지 포함한다. CI/CD는 이를 구현하는 대표적인 수단이다. IBM의 DevOps 설명

예를 들어 다음과 같은 흐름을 만들 수 있다.

코드 변경
   ↓
자동 빌드 및 테스트
   ↓
배포 준비
   ↓
서비스 배포
   ↓
운영 상태 확인
   ↓
다음 변경에 반영

이 글의 예시에서 중요한 변화는 “배포가 끝났다”의 기준이다.

파일을 서버에 올리는 것으로 끝내지 않고, 사용자 요청이 정상적으로 처리되는지까지 확인한다. 문제가 생기면 변경 사항을 추적하고 복구할 수 있어야 한다.

DevOps를 도입할 때는 다음 질문이 유용하다.

• 동일한 코드를 같은 방식으로 다시 배포할 수 있는가?
• 어떤 변경이 언제 배포됐는지 추적할 수 있는가?
• 장애가 생겼을 때 개발팀과 운영팀이 같은 정보를 보는가?
• 문제가 있는 배포를 되돌릴 수 있는가?

이 질문에 답하는 과정이 도구의 개수보다 중요하다.

3. DevSecOps: 개발과 운영의 흐름에 보안을 통합한다

배포가 빨라지면 보안 검토 방식도 달라져야 한다.

개발이 모두 끝난 뒤 보안팀이 한 번 검토하는 방식으로는, 자주 변경되는 서비스의 위험을 따라가기 어렵다.

DevSecOps는 설계·개발·테스트·배포·운영 전반에 보안을 통합하고, 개발팀·보안팀·운영팀이 책임을 공유하는 접근이다. IBM의 DevSecOps 설명

예시 파이프라인은 다음처럼 확장할 수 있다.

설계 및 위협 검토
   ↓
코드 작성
   ↓
테스트 + 코드·의존성·비밀정보 검사
   ↓
배포 구성 검토
   ↓
정책에 따른 배포
   ↓
운영 중 탐지 및 취약점 대응

여기서 각 검사는 서로 다른 문제를 찾는다.

이 표는 구현 활동을 이해하기 위한 예시다. 모든 조직이 동일한 도구나 순서로 구성해야 한다는 뜻은 아니다.

또한 스캐너를 연결했다고 보안 문제가 자동으로 해결되지는 않는다. 검사 결과를 누가 검토하고, 어떤 기준으로 수정하며, 예외를 언제 재검토할지까지 정해야 실제 업무가 된다.

예를 들어 취약점이 발견됐을 때 다음 정보가 있으면 판단하기 쉽다.

• 해당 서비스에서 문제가 되는 기능을 실제로 사용하는가?
• 외부에서 접근할 수 있는가?
• 수정된 버전이 있는가?
• 즉시 수정하기 어렵다면 적용할 완화 조치가 있는가?

DevSecOps는 이런 판단을 개발과 운영 흐름 안에서 지속하는 방식으로 이해하면 된다.

4. AIOps: AI를 활용해 IT 운영 데이터를 분석한다

AIOps는 일반적으로 Artificial Intelligence for IT Operations를 의미한다.

로그, 메트릭, 이벤트 등 운영 데이터를 분석해 중요한 이상 신호를 찾고, 연관된 문제를 묶거나 장애 원인 후보를 좁히는 데 AI와 머신러닝을 활용한다. 생성형 AI가 반드시 필요한 개념은 아니다. IBM의 AIOps 설명

여기서 자주 생기는 혼동이 있다.

AIOps의 기본 의미는 ‘AI 모델을 운영하는 일’이 아니라, ‘IT 운영에 AI를 활용하는 일’이다.

예를 들어 쇼핑몰에서 다음 알림이 동시에 발생했다고 하자.

상품 API 응답 지연
결제 API 타임아웃
DB 연결 대기 증가
일부 애플리케이션의 CPU 사용률 상승

담당자는 각각의 알림을 조사해야 한다. 하지만 모두 하나의 문제에서 파생됐을 수도 있다.

AIOps의 대표적인 활용은 이런 이벤트의 시간과 관계를 분석해, 같은 장애와 관련될 가능성이 높은 신호를 모으는 것이다. AIOps의 이벤트 연관 분석

이 사례에서 운영자가 받고 싶은 결과는 다음과 같다.

관측된 현상:
여러 API에서 같은 시간대에 지연 발생

우선 확인할 대상:
DB 연결 대기 증가

추가 확인:
최근 배포와 연결 설정 변경 여부

이 결과는 조사할 가설이다. AI가 원인을 확정했다고 받아들이기보다는 실제 지표와 변경 이력을 확인해야 한다.

실무에서 시도해 볼 만한 적용 범위는 다음과 같다.

• 반복되는 알림을 묶어 전달하기
• 장애 관련 로그를 찾아 요약하기
• 최근 배포와 이상 발생 시점을 비교하기
• 담당 팀에 조사 자료를 모아 전달하기

처음에는 분석과 추천부터 시작하고, 검증 결과에 따라 자동 조치 범위를 늘리는 구성을 고려할 수 있다.

5. AISecOps: AI로 보안을 운영하는가, AI를 안전하게 운영하는가?

AISecOps를 이해할 때는 두 가지 방향을 나눠 보면 편하다.

이 구분은 이 글에서 혼동을 줄이기 위해 사용하는 설명 방식이다.

5-1. AI를 활용한 보안 운영

첫 번째 방향은 보안 담당자의 분석과 대응에 AI를 활용하는 것이다.

예를 들어 여러 경보를 요약하거나, 의심스러운 활동의 조사 순서를 제안하고, 보안 로그를 조회할 쿼리 작성을 돕는 방식이다.

Microsoft Security Copilot도 사고 대응, 위협 헌팅, 정보 수집, 보안 상태 관리 등을 지원하는 생성형 AI 보안 솔루션으로 설명된다. Microsoft 공식 문서

가상의 계정 침해 조사에서는 다음과 같이 활용할 수 있다.

로그인 및 보안 이벤트 수집
   ↓
AI가 사건의 시간 순서 요약
   ↓
추가 조사 항목 제안
   ↓
담당자가 근거 확인
   ↓
계정 보호 및 대응

AIOps와 데이터 분석 방식이 겹칠 수 있지만, 이 예시의 목표는 보안 사고 조사다.

5-2. AI 시스템 자체의 보안 운영

두 번째 방향은 AI 서비스와 에이전트를 보호하고 통제하는 것이다.

AI 시스템도 일반 소프트웨어와 마찬가지로 접근 통제와 기반 인프라 보안이 필요하다. 여기에 모델, 데이터, 입력과 출력 등 AI와 관련된 위험을 함께 고려해야 한다. NIST도 일반적인 사이버보안 위험과 AI 고유의 위험이 겹친다고 설명한다. NIST의 AI 보안·복원력 설명

특히 에이전트가 외부 도구를 실행하면, 잘못된 판단이 실제 작업으로 이어질 수 있다.

예를 들어 운영 지원 에이전트가 로그를 읽는 권한과 서버 설정을 바꾸는 권한을 모두 가지고 있다고 하자. 외부 입력이나 도구 결과를 잘못 해석하면 의도하지 않은 변경을 시도할 수 있다.

OWASP는 과도한 기능, 권한, 자율성이 결합해 피해를 일으키는 위험을 Excessive Agency로 설명한다. OWASP: Excessive Agency

이런 시스템에서는 다음과 같은 운영 설계를 검토할 수 있다.

• 에이전트에 업무에 필요한 최소 권한만 부여하기
• 읽기 작업과 변경 작업의 권한을 구분하기
• 영향이 큰 작업에는 승인 절차 적용하기
• 도구 호출의 대상과 인자를 실행 전에 검증하기
• 실행 기록과 결과를 남기기
• 작업 횟수·시간·비용에 한도를 설정하기

핵심은 AI의 답변 품질과 함께 실제로 실행할 수 있는 행동의 범위를 관리하는 것이다.

6. 하나의 장애 상황에서 비교해 보기

이제 가상의 쇼핑몰에 결제 기능을 배포했다고 가정해 보자.

DevOps 관점

코드 변경이 테스트와 배포를 거쳐 서비스에 반영된다. 배포 후 결제 성공률과 오류율을 확인하고, 문제가 있으면 복구한다.

관심사는 변경을 전달하고 운영 결과를 반영하는 흐름이다.

DevSecOps 관점

결제 기능의 권한과 데이터 흐름을 검토한다. 코드와 의존성 등을 검사하고, 발견된 위험을 처리한 뒤 배포한다. 운영 중 발견된 취약점도 수정 흐름으로 연결한다.

관심사는 변경 과정과 운영 전반의 보안이다.

AIOps 관점

배포 이후 여러 서비스에서 발생한 알림을 분석한다. 결제 오류와 DB 대기 증가가 함께 발생했다면 관련성을 제시하고 조사할 대상을 좁힌다.

관심사는 운영 데이터에서 문제의 신호를 찾는 일이다.

AI 기반 보안 운영 관점

같은 시간대의 비정상 로그인과 권한 변경을 분석한다. 단순 장애 외에 침해 가능성도 조사한다.

관심사는 위협의 탐지와 조사다.

AI 시스템 보안 운영 관점

조사를 지원하는 에이전트가 어떤 로그를 읽고 어떤 명령을 실행할 수 있는지 통제한다. 결제 서비스 설정을 바꾸는 작업은 별도의 정책으로 검증한다.

관심사는 조사 도구로 사용되는 AI의 행동과 권한이다.

이처럼 하나의 서비스 안에서 여러 접근이 함께 적용될 수 있다.

7. MLOps와 LLMOps는 어디에 해당할까?

AIOps와 함께 자주 등장하는 용어가 MLOps와 LLMOps다.

MLOps는 머신러닝 모델을 실제 환경에서 개발·배포·관리하는 생애주기에 초점을 맞춘다. IBM도 AIOps와 MLOps를 이 기준으로 구분한다. IBM Developer의 Ops 비교

LLMOps는 보통 그중 LLM 기반 시스템의 평가와 운영을 강조할 때 사용한다.

대상을 기준으로 비교하면 이해하기 쉽다.

실제 조직에서는 이 업무들이 겹친다. 추천 모델을 배포하는 팀도 DevSecOps를 적용할 수 있고, LLM 서비스의 장애를 AIOps 도구로 분석할 수도 있다.

8. 우리 팀은 어디서부터 시작하면 좋을까?

도입 방향을 정할 때는 팀에서 반복되는 문제를 먼저 적어 보는 것을 권한다.

이 표는 도입을 위한 제안이다. AI를 적용하기 전에 데이터와 책임 범위가 정리돼 있는지도 함께 살펴봐야 한다.

서비스 이름이 시스템마다 다르고, 변경 이력이 남지 않으며, 담당자 정보도 없다면 AI 분석 결과를 검증하기 어렵다. 에이전트가 어떤 권한으로 작업하는지 모른다면 자동화 범위를 넓히기도 어렵다.

작게 시작하는 방법은 다음과 같다.

1. 반복되는 업무 하나를 선택한다.
2. 필요한 데이터와 담당자를 정한다.
3. 현재 걸리는 시간과 오류를 기록한다.
4. 자동화 또는 AI 보조를 적용한다.
5. 절약한 시간과 잘못된 결과를 함께 평가한다.
6. 검증된 범위부터 확대한다.

“AI를 도입했다”보다 “장애 조사에 필요한 자료를 모으는 시간이 줄었다”처럼 구체적인 결과를 확인하는 편이 유용하다.

9. 성과는 어떤 지표로 확인할까?

이 글에서 제안하는 평가 예시는 다음과 같다.

속도와 정확도를 함께 봐야 한다.

알림을 줄였지만 중요한 장애까지 숨겼다면 개선으로 보기 어렵다. 조사 보고서를 빨리 만들었어도 근거가 틀렸다면 검토 부담이 늘어난다. 에이전트의 작업 성공률이 높아도 허용 범위를 벗어났다면 통제를 다시 살펴봐야 한다.

팀이 원하는 결과를 먼저 정의해야 지표도 의미가 생긴다.

마치며

DevOps는 개발과 운영을 연결하고, DevSecOps는 그 흐름에 보안을 통합한다. AIOps는 운영 데이터를 분석하는 데 AI를 활용한다.

AISecOps는 자료마다 강조점이 다르므로 적용 범위를 확인해야 한다. 이 글에서는 AI를 활용한 보안 운영과 AI 시스템 자체의 보안 운영으로 나누어 살펴봤다.

앞으로 에이전트가 더 많은 도구를 실행하게 되면, 분석 결과를 검토하는 일과 실행 권한을 관리하는 일이 모두 중요해질 것이다.

새로운 용어를 도입할 때 우리 팀이 먼저 답해야 할 질문도 구체적이다.

어떤 업무를 개선하려는가? 어떤 근거로 효과를 확인할 것인가? 자동화에는 어디까지 권한을 줄 것인가?

기업이 생성형 AI를 도입할 때 가장 먼저 비교하는 것은 모델의 성능과 가격이다. 그러나 금융, 공공, 의료와 같은 분야에서는 또 다른 질문이 중요하다.

“우리의 데이터는 어디에 저장되고, 누구의 법률과 통제를 받는가?”

AI가 국가 경제와 기업 운영의 핵심 기반으로 자리 잡으면서 소버린 AI(Sovereign AI)와 데이터 주권이 중요한 IT 전략으로 떠오르고 있다.

소버린 AI란 무엇인가

소버린 AI는 국가 또는 조직이 자국의 법률, 문화, 언어와 정책에 따라 AI 모델과 데이터, 인프라를 통제할 수 있는 역량을 의미한다.

단순히 국내 기업이 만든 AI 모델만을 뜻하지는 않는다. 다음과 같은 요소를 종합적으로 살펴봐야 한다.

• 데이터가 저장되고 처리되는 위치
• 모델과 클라우드 인프라의 운영 주체
• 적용되는 법률과 규제
• 학습 데이터와 모델에 대한 접근 권한
• 서비스 중단 시 대체 가능성
• 국가 언어와 문화적 맥락의 반영
• 반도체와 데이터센터를 포함한 공급망

해외 모델을 사용하더라도 데이터 처리와 암호키, 운영 권한을 국내에서 통제한다면 소버린 AI 전략의 일부가 될 수 있다. 반대로 국내 서비스라도 핵심 모델과 인프라를 외부 사업자에 전적으로 의존한다면 완전한 통제력을 확보했다고 보기 어렵다.

데이터 주권과 데이터 현지화의 차이

두 개념은 비슷해 보이지만 동일하지 않다.

데이터 현지화는 데이터를 특정 국가 또는 지역 안에 저장하고 처리하도록 요구하는 것이다. 저장 위치에 초점을 둔다.

데이터 주권은 데이터가 어느 국가의 법률과 통제를 받는지를 의미한다. 데이터가 국내 데이터센터에 있더라도 해외 사업자의 운영 정책이나 외국 법률의 영향을 받는다면 주권 문제가 남을 수 있다.

따라서 기업은 데이터센터 위치만 확인해서는 안 된다. 운영자의 접근 권한, 암호키 관리, 백업 위치, 장애 대응과 정부의 정보 제공 요구 가능성까지 검토해야 한다.

왜 지금 중요해졌는가

기존 클라우드에서도 데이터 주권은 중요한 문제였다. 생성형 AI 시대에는 모델이 기업의 핵심 데이터와 업무 판단에 직접 관여하면서 영향이 더 커졌다.

AI 에이전트는 다음과 같은 정보에 접근할 수 있다.

• 고객과 임직원의 개인정보
• 기업의 계약서와 내부 규정
• 재무·신용·거래정보
• 소스코드와 기술문서
• 의료기록과 상담 내용
• 경영진의 의사결정 자료

이 데이터가 어느 환경에서 처리되는지, 모델 학습에 다시 사용되는지, 서비스 사업자가 어느 범위까지 접근할 수 있는지를 알 수 없다면 핵심 업무를 맡기기 어렵다.

Gartner는 2026년 주요 데이터·분석 트렌드의 첫 번째로 소버린 AI의 가속을 제시했다. 각국이 외부 국가에 대한 의존을 줄이고 AI 역량과 데이터 통제권을 확보하려는 움직임이 기업의 AI 로드맵에도 영향을 준다는 설명이다.

참고: Gartner, Top Trends for Data and Analytics 2026

소버린 AI가 중요한 산업

금융

금융회사는 신용정보와 거래정보를 처리하며 모델의 판단이 대출, 투자와 이상거래 탐지에 영향을 줄 수 있다. 데이터의 국외 이전, 외부 위탁, 설명 가능성과 감사 기록을 함께 관리해야 한다.

공공

행정, 국방과 국가 기반시설의 데이터는 외부 서비스 중단이나 정책 변경에 따라 사용할 수 없게 되는 상황을 피해야 한다. 국가 언어와 법률을 정확하게 반영하는 것도 중요하다.

의료

진료기록과 유전체 데이터는 유출됐을 때 되돌릴 수 없는 민감정보다. 저장 위치뿐 아니라 추론 과정에서의 데이터 전송과 모델 사업자의 접근 가능성을 확인해야 한다.

제조와 연구개발

설계도, 생산공정과 연구자료는 기업 경쟁력의 핵심이다. 외부 AI를 통한 지식재산 유출 가능성과 공급망 의존을 고려해야 한다.

모든 AI를 자체 구축해야 할까

소버린 AI가 반드시 모든 모델과 데이터센터를 직접 만들어야 한다는 뜻은 아니다. 자체 구축은 통제력을 높일 수 있지만 비용과 운영 난도가 크다.

기업은 업무의 위험 수준에 따라 다양한 방식을 조합할 수 있다.

업무 유형 가능한 운영 방식

중요한 것은 하나의 모델로 모든 업무를 처리하는 것이 아니라 데이터의 민감도, 업무 위험과 비용에 따라 적절한 모델을 선택하는 멀티모델 전략이다.

소버린 AI의 현실적인 과제

통제력을 높이면 새로운 비용과 문제가 발생한다.

• 데이터센터와 AI 가속기 확보 비용
• 최신 모델을 지속적으로 개선할 인력 부족
• 글로벌 대형 모델과의 성능 격차
• 국내 데이터만 사용했을 때의 다양성 부족
• 여러 모델과 환경을 운영하는 복잡성
• 자체 구축 시스템의 보안 책임 증가

자체 환경이라는 이유만으로 자동으로 안전해지는 것은 아니다. 보안 업데이트와 접근 통제를 제대로 운영하지 못하면 외부 클라우드보다 위험할 수도 있다.

기업이 확인해야 할 질문

AI 서비스를 도입할 때 다음 항목을 확인할 필요가 있다.

1. 입력 데이터와 결과는 어느 국가에 저장되는가?
2. 데이터 처리에는 어느 국가의 법률이 적용되는가?
3. 서비스 사업자가 입력 내용을 모델 학습에 사용하는가?
4. 운영자도 읽을 수 없도록 기업이 암호키를 통제할 수 있는가?
5. 데이터와 로그의 보관 기간을 설정할 수 있는가?
6. 계약 종료 시 데이터와 모델 자산을 이전할 수 있는가?
7. 서비스가 중단되면 다른 모델로 전환할 수 있는가?
8. AI가 내린 결정과 사용 데이터를 감사할 수 있는가?

이 질문에 답하지 못한다면 모델의 정확도가 높더라도 핵심 업무에 적용하기 어렵다.

마치며

소버린 AI는 국내 모델과 해외 모델 중 하나를 선택하는 단순한 문제가 아니다. 기업과 국가가 데이터, 모델, 인프라와 운영 정책을 어느 수준까지 통제할 것인지 결정하는 전략이다.

앞으로 AI 경쟁력은 가장 뛰어난 모델을 사용하는 것만으로 결정되지 않을 수 있다. 필요한 데이터를 안전하게 활용하고, 특정 공급자나 국가에 대한 의존을 관리하며, 환경 변화에도 서비스를 계속 운영할 수 있는 능력이 함께 필요하다.

AI 시대의 주권은 데이터를 국내에 보관하는 데서 끝나지 않는다. 누가 접근하고, 어떤 규칙으로 처리하며, 필요할 때 다른 선택으로 전환할 수 있는가까지 포함한다.