공개 모델 및 플랫폼 제원

이번 발표의 핵심은 자체 개발한 보안 특화 소형 모델인 MAI-Cyber-1-Flash와 이를 통합 운영하는 멀티 에이전트 하네스 MDASH, 그리고 에이전틱 방어 플랫폼 Project Perception이다. MAI-Cyber-1-Flash는 보안 작업의 효율적 처리를 위해 설계된 컴팩트 모델로, MDASH 시스템 내에 임베딩되어 소프트웨어 취약점 탐지 및 수정을 수행한다.

공개 프리뷰가 8월 3일로 예정된 Project Perception은 역할이 분리된 세 가지 에이전트 팀으로 구성된다. 침투 경로를 탐색하는 '레드팀(Red team)', 리스크를 조사하고 분류하는 '블루팀(Blue team)', 그리고 방어 체계를 강화하고 수정하는 '그린팀(Green team)' 에이전트가 상호 협력하여 보안 루프를 완성한다.

운영 기반이 되는 데이터 규모는 일일 100조 개 이상의 보안 신호 처리량에 기반한다. 마이크로소프트는 160만 명의 고객사로부터 수집한 수십 년 치의 종단적(longitudinal) 사이버 보안 데이터셋을 모델 학습과 강화 학습 루프에 활용하고 있다고 밝혔다.

라우팅 구조와 벤치마크 검증

작동 구조의 중심에는 '하네스(Harness)'라 불리는 오케스트레이션 레이어가 있다. 이 하네스는 일종의 라우터 역할을 하며, 입력된 보안 쿼리의 난이도에 따라 처리 모델을 결정한다. 전체 보안 작업의 약 90%는 속도가 빠르고 비용이 낮은 MAI-Cyber-1-Flash가 처리하며, 해결이 까다로운 나머지 10%의 고난도 문제는 상위 모델인 OpenAI의 GPT-5.4로 에스컬레이션(Escalation)하는 구조다.

비용 최적화를 위해 상위 모델로 GPT-5.6 대신 GPT-5.4를 선택한 점이 특징이다. 마이크로소프트는 GPT-5.4가 비용 대비 성능이 매우 뛰어나며, 이를 통해 기존 GPT-5.4, 5.4 mini, 5.3 codex를 혼합 사용하던 MDASH 설정보다 운영 비용을 약 50% 낮췄다고 설명했다.

성능 측정 지표인 CyberGym(대규모 코드베이스 내 실제 취약점 추론 능력 측정)에서는 95.95%의 점수를 기록했다. 마이크로소프트 측은 이 결과가 Gemini, Mythos, GPT 등 프런티어 모델 기반 설정보다 10%포인트 이상 높은 수치라고 주장한다. 다만, 이 결과는 마이크로소프트의 자체 평가치이며, 단일 모델의 성능이 아니라 하네스와 모델이 결합된 '전체 시스템'의 성능을 측정한 결과라는 제약 조건이 있다.

인프라 제약과 도입 판단 기준

보안 AI 도입의 실질적인 병목은 모델의 크기가 아니라 칩셋(GPU) 수급과 그에 따른 토큰 비용이다. 마이크로소프트는 기업들이 무조건적인 최상위 모델 사용에서 벗어나, '충분히 성능이 나오면서 가장 저렴한 모델'을 지능적으로 배치하는 방향으로 선회하고 있다고 분석했다. 이는 칩 공급의 물리적 한계 내에서 더 많은 출력을 얻기 위한 전략적 선택이다.

사이버 보안은 방어자의 조치와 그 결과가 다시 모델의 학습 신호로 들어오는 실시간 강화 학습 루프의 성격을 띤다. 마이크로소프트는 단순한 모델 성능보다 '어떤 취약점이 공격되었고, 어떻게 차단되었는가'에 대한 실제 운영 데이터(Telemetry)를 확보한 것이 경쟁사 대비 우위를 점하는 핵심 해자(Moat)라고 정의했다.

보안 시스템 설계자는 이제 단일 프런티어 모델의 벤치마크 점수보다, 작업 난이도에 따라 소형 모델과 대형 모델을 분기 처리하는 라우팅 로직의 정밀도와 그로 인한 토큰 비용 절감률을 최우선 검토 지표로 삼아야 한다.