전력·수도·병원으로 번질 위험
운영 기술(OT) 보안 기업 프리노스(Frenos)가 2026년 10월 발표한 경고는 전력·수도·교통·병원 시스템을 이용하는 일반 시민의 일상과 직접 맞닿아 있다. 프리노스 설립자 겸 최고경영자(CEO) 브라이언 프록터(Brian Proctor)는 인공지능(AI) 모델이 산업 시스템 공격 계획을 안정적으로 세울 수 있는 단계까지 중요 인프라 운영자에게 약 2년이 남았다고 밝혔다.
프리노스의 첫 연례 'OT 보안의 AI 현황(State of AI in OT Security)' 보고서는 500개가 넘는 모의 운영 기술 공격 시나리오에서 최첨단 모델과 오픈 웨이트(open weight) 모델을 평가했으며, 6개 최첨단 모델 중 3개가 계획 테스트에서 90% 이상의 성공률로 실행 가능한 공격 계획을 생성했다. 핵심은 AI가 곧바로 발전소를 혼자 멈춘다는 공포가 아니라, 공격 준비에 들던 시간과 숙련 장벽을 낮추는 도구로 빠르게 전환되고 있다는 점이다. 이 사안은 기업 보안팀만의 문제가 아니다.
운영 기술은 사무용 컴퓨터나 쇼핑몰 서버보다 시민 생활과 더 가까운 층위에서 작동한다. 정수장 밸브, 공장 생산 라인, 배전 설비, 철도 신호, 병원 장비 관리 체계가 모두 운영 기술 영역에 해당한다. 업무망 침해가 개인정보 유출로 끝나는 경우가 있다면, 운영 기술 침해는 서비스 중단과 안전사고로 이어질 수 있다.
그래서 이번 보고서가 제시한 '2년'은 기술 업계의 유행 주기가 아니라, 사회 기반시설의 교체·점검·예산 편성 주기와 충돌하는 시간표다. 프리노스 보고서의 의미는 숫자에 있다.
회사는 AI 모델에 표적 자산, 약점, 접근 조건을 제공한 뒤 단일 최적 행동을 고르는 '결정 테스트'와, 목표 달성을 위한 행동 순서를 짜는 '계획 테스트'를 수행했다. 500개 이상의 시나리오라는 규모는 특정 취약점 하나를 겨냥한 실험보다 넓은 위험 지형을 드러낸다.
6개 중 3개 모델이 계획 테스트에서 90% 이상의 실행 가능한 공격 계획을 생성했다는 결과는 방어자의 가정 하나를 뒤흔든다. 그동안 산업 현장은 공격자가 설비 구조를 이해하고 절차를 익히는 데 상당한 시간이 든다고 봤지만, AI가 그 간격을 좁힐 가능성을 이번 실험이 구체적인 수치로 확인시켜 줬다.
광고
다만 보고서는 AI가 완전 자율 공격자로 변했다는 결론을 내리지 않았다. 같은 조건에서 작업을 반복했을 때 성능은 일관되지 않았고, AI 지원 공격 계획은 여전히 표적 정보와 숙련된 인간의 감독에 의존했다. 이 대목은 과장된 공포를 걷어내는 기준선이다.
공격자가 네트워크 도면, 자산 목록, 알려진 취약점 같은 정보를 확보하지 못하면 모델의 계획 능력은 제한을 받는다. 그러나 반대로 말하면 내부 자료 유출, 협력업체 계정 탈취, 낡은 자산 관리 체계가 결합할 때 AI는 공격자의 보조 엔진으로 작동할 수 있다.
브라이언 프록터는 보고서와 관련해 "공격자가 접근할 수 있는 모델이 방어자가 직면하는 위협을 바꾼다"며 "최첨단 모델들은 빠르게 발전하고 있고, 공격자 손에 이 기능이 안정적으로 들어오기까지 약 2년이 걸릴 것으로 예상한다"고 밝혔다. 그는 중요 인프라 운영자가 이 시간을 준비 기간으로 삼아야 하며 기다릴 이유가 없다고 강조했다. 이 발언에서 눈여겨볼 부분은 '언젠가'가 아니라 '약 2년'이라는 구체적 시간 범위다.
정부와 공기업, 민간 운영사는 통상 보안 장비 도입보다 설비 검증과 현장 승인에 더 긴 시간을 쓴다. 지금 예산과 점검 기준을 손보지 않으면 모델 성능이 안정화한 뒤에야 대응 문서를 다시 쓰는 상황이 벌어질 수 있다.
시뮬레이션이 드러낸 방어 격차
가디언(The Guardian)이 2026년 10월 보도한 '블랙 옥토버(Black October)' 경고도 같은 흐름을 가리킨다. 당시 연구자들은 AI를 활용해 수백만 개 웹사이트에서 쓰이는 코딩 언어의 치명적 결함을 식별한 사례를 제시했다. 앤트로픽(Anthropic)의 최고정보보안책임자(CISO)는 '취약점 쓰나미'를 우려하며 중요 인프라가 패치할 시간을 충분히 갖지 못할 수 있다고 경고했다.
웹 취약점과 운영 기술 공격은 대상이 다르지만, 공통점은 분명하다. AI가 취약점 탐색과 공격 경로 작성의 속도를 끌어올리면 방어자는 더 많은 경보와 더 짧은 패치 기한을 동시에 마주하게 된다.
광고
편집부가 국내 중요 인프라 운영 구조를 종합한 결과, 한국 독자에게 이 문제는 해외 산업시설의 특수 사례로만 읽기 어렵다. 한국은 전력망·통신망·교통망·의료 시스템의 디지털 의존도가 높고, 도시 생활은 여러 인프라가 촘촘히 맞물려 돌아간다. 출근길 지하철 개찰, 아파트 급수, 병원 예약·검사 장비, 카드 결제와 물류센터 자동화가 모두 소프트웨어와 네트워크에 기대고 있다.
운영 기술은 외부 인터넷과 분리됐다는 설명을 자주 듣지만, 유지보수 원격 접속과 협력사 계정, 데이터 수집 장비가 늘면서 경계는 예전보다 얇아졌다. 프리노스 보고서가 던진 질문은 단순하다. 현장 자산 목록과 취약점 관리 속도가 AI 기반 공격 계획의 속도를 따라잡을 수 있는지 여부가 핵심이다.
정책 측면에서 가장 먼저 바뀌어야 할 곳은 '사후 복구' 중심의 사고 대응 체계다. 운영 기술 보안은 침해 사고 뒤 로그를 분석하는 방식만으로는 부족하다. 정수장과 발전소, 공장 라인은 멈추면 손실이 즉시 발생하고, 일부 설비는 패치를 위해 재가동 절차를 거쳐야 한다.
그래서 정부와 운영기관은 자산 식별, 망 분리 검증, 원격 접속 통제, 취약점 우선순위 산정, 모의 훈련을 한 묶음으로 관리해야 한다. 프리노스가 실험한 것처럼 공격자가 자산·약점·접근 조건을 조합해 계획을 세운다면, 방어자도 같은 구조로 취약한 연결고리를 미리 끊어야 한다.
반론도 있다. AI 모델이 반복 테스트에서 일관성을 보이지 않았고 인간 감독에 의존했다면, 2년 경고는 보안 기업의 시장 확대 논리라는 주장이다. 이 지적은 일부 타당하다.
모의 시나리오는 현실 설비의 물리적 제약, 현장 작업자의 개입, 오래된 장비의 예외 동작을 모두 재현하기 어렵다. 그러나 이 반론은 공격 준비 과정의 경제성을 과소평가한다. 완전 자동 침투가 아니더라도 AI가 정찰 자료를 요약하고 가능한 공격 순서를 제안하며 실패한 경로를 빠르게 교체하면, 공격자는 같은 인력으로 더 많은 표적을 시험할 수 있다.
광고
한국 인프라가 준비할 2년
사회적 비용은 여기서 커진다. 사이버 공격자는 성공한 한 건만 있으면 피해를 만들 수 있지만, 방어자는 수백 개 자산과 수천 개 계정의 상태를 계속 확인해야 한다.
AI가 공격 계획을 90% 수준으로 만들어낸다는 실험 결과는 '한 번의 완벽한 자동 공격'보다 '반복 가능한 공격 보조'라는 면에서 더 현실적이다. 시민 입장에서는 전기요금 고지서나 수도요금, 병원 대기 시간으로 그 비용을 접할 가능성이 크다.
보안 투자가 늦어지면 사고 뒤 복구 비용과 보험료, 서비스 중단 보상, 설비 교체 비용이 가격 체계에 반영될 수 있다. 정책 당국이 이를 안전 규제의 비용으로만 볼수록 실제 부담은 소비자에게 더 늦고 더 비싸게 돌아온다. 기업과 공공기관의 준비도 추상 구호를 넘어야 한다.
운영 기술 자산 목록을 실제 현장 기준으로 갱신해야 한다. AI가 활용할 만한 내부 도면과 취약점 정보의 접근 권한을 좁혀야 한다. 공격 계획 생성형 도구를 방어 훈련에도 활용해 현장 운전 절차와 충돌하는 지점을 찾아야 한다.
협력업체 원격 접속과 임시 계정의 만료 정책을 정기적으로 감사해야 한다. 이 네 가지는 새 보안 장비 구매보다 덜 화려하지만, 프리노스 보고서가 확인한 공격 조건을 줄이는 직접 조치다.
앞으로 2년은 모델 성능 경쟁보다 제도와 현장 운영의 속도 싸움이 될 가능성이 크다. 정부는 중요 인프라 운영자의 보안 성숙도를 단순 체크리스트로 확인하는 데 그치지 말고, 실제 공격 계획에 가까운 훈련을 요구해야 한다.
민간 기업은 AI를 금지하거나 허용하는 선언보다, 어떤 데이터가 모델에 들어가면 공격 계획으로 바뀔 수 있는지를 먼저 분류해야 한다. 물과 전기, 교통이 끊기지 않는 일상은 이제 네트워크 안전과 같은 문장 안에 놓였다.
※ 이 기사는 인더스트리얼 사이버(Industrial Cyber)의 2026년 10월 보도(프리노스 'OT 보안의 AI 현황' 보고서 관련)와 가디언(The Guardian)의 2026년 10월 AI 기반 해킹 경고 보도를 참조하여 작성하였습니다.
광고
원본 자료에 없는 국내 특정 기관의 사고 사례나 피해 규모는 공식 확인되지 않아 기사에 포함하지 않았다. 한국 사회 영향 분석은 중요 인프라의 일반적 운영 구조와 원본 보고서의 실험 조건을 바탕으로 한 편집부 자체 분석이다.
FAQ
Q. 일반 시민이 AI 기반 운영 기술 공격을 직접 체감할 가능성이 있나
A. 현재 프리노스 보고서는 실제 사고가 아니라 500개 이상의 모의 시나리오 평가 결과를 다뤘다. 운영 기술(OT)은 전력, 수도, 교통, 의료 설비와 연결돼 있어 공격이 현실화하면 시민은 서비스 지연이나 중단 형태로 영향을 받을 수 있다. 개인이 직접 방어 장비를 설치할 사안은 아니지만, 공공요금과 서비스 안정성 논의에서 보안 투자를 필수 비용으로 보는 인식이 필요하다. 보안 사고 이후 복구 비용은 결국 요금 인상이나 서비스 품질 저하로 소비자에게 전가될 수 있기 때문이다.
Q. AI가 혼자 산업시설을 공격한다는 뜻인가
A. 프리노스 보고서는 그런 단정을 내리지 않았다. 테스트 결과 일부 모델은 실행 가능한 공격 계획을 90% 이상의 비율로 생성했지만, 반복 성능은 불안정했고 표적 정보와 인간 감독에 의존했다. 위험의 핵심은 완전 자율 공격보다 공격 준비 과정의 속도와 규모가 커질 수 있다는 점이다. 방어자는 내부 자료 유출과 자산 정보 노출을 줄이는 방식으로 AI가 활용할 수 있는 입력 재료를 차단하는 데 우선 집중해야 한다.
Q. 한국의 공공기관과 기업은 무엇부터 준비해야 하나
A. 우선 운영 기술 자산 목록과 네트워크 연결 상태를 실제 현장 기준으로 다시 확인해야 한다. 원격 유지보수 계정, 협력업체 접근 권한, 오래된 장비의 패치 가능 여부를 별도로 관리하고 정기 감사 체계를 갖춰야 한다. 이후에는 AI가 만든 공격 계획을 가정한 모의 훈련을 통해 사고 대응 절차가 현장 운전과 충돌하지 않는지 검증해야 한다. 2년이라는 시간은 새 제도를 처음부터 설계하기에는 빠듯하지만, 기본 통제 체계를 점검하고 취약점 우선순위를 다시 세우기에는 아직 남아 있는 기간이다.
▶ 법률 고민이 있다면 → 김연순법률노트 무료상담 바로가기
){kind=small}
){kind=small}
){kind=small}
){kind=small}
