기술 공개 및 제원

이번에 공개된 핵심 도구는 오픈소스 AI 에이전트인 OpenClaw와 이를 위한 네트워크 보안 계층 CrabTrap이다. OpenClaw는 2024년 1월에 출시되었으며, 정적인 도구 세트에 의존하지 않고 스스로 코드베이스를 구축하고 유지 관리하는 '셀프 부트스트래핑(self-bootstrap)' 능력을 갖춘 것이 특징이다. Brex는 이를 통해 단순한 챗봇이 아니라 슬랙(Slack) 계정과 이메일 주소를 가지고 회의에 참여하는 '가상 직원(virtual employee)' 형태의 엔티티를 구현했다.

보안 접근 방식에서 가장 큰 변화는 경계 설정의 위치다. 기존의 Nvidia NemoClaw 같은 모델이 에이전트가 사용할 수 있는 도구의 종류를 제한해 보안을 확보했다면, Brex는 에이전트의 코드 실행 능력 자체는 유지하되 그 결과물이 외부로 나가는 통로를 제어하는 방식을 택했다. 이를 위해 구축한 CrabTrap은 컨테이너와 인터넷 사이의 모든 아웃바운드 HTTP 트래픽을 감시하는 오픈소스 HTTP 프록시로 작동한다.

네트워크 기반 보안 작동 방식

CrabTrap의 기본 전제는 '에이전트가 무엇이든 할 수 있으며, 이미 침해되었을 가능성이 있다'는 가정이다. 따라서 컨테이너 내부에서 실행되는 코드의 무결성을 검사하는 대신, 코드가 외부 세계로 보내거나 받으려는 데이터의 내용을 모니터링한다. 이때 각 네트워크 요청이 사전에 정의된 보안 정책에 부합하는지 판단하기 위해 LLM(대규모 언어 모델)을 판정관(Judge)으로 활용한다.

모든 요청을 LLM이 검사할 경우 수천 밀리초(ms)의 지연시간이 발생하므로, Brex는 트래픽을 두 갈래로 나누는 분기 시스템(bifurcated system)을 도입했다. 리크루팅 에이전트가 링크드인 프로필을 조회하는 것과 같은 저위험 루틴 작업은 정적 규칙(static rules)을 통해 즉시 통과시킨다. 반면 이메일 발송과 같은 고위험 작업만 LLM 판정관에게 전달하며, 이 구조를 통해 전체 요청 중 약 2%만이 LLM으로 인한 지연시간의 영향을 받도록 설계했다.

LLM 판정관은 별도의 복잡한 프롬프팅 없이도 HTTP 요청 패턴의 의미론적 이해를 통해 정책 위반 여부를 가려낸다. 이는 모델이 사전 학습 단계에서 방대한 양의 웹 페이지와 HTTP 요청 데이터를 학습했기 때문에 가능한 결과다. 만약 LLM이 승인되지 않은 외부 요청을 감지하면, 즉시 슬랙을 통해 인간 관리자에게 알림을 보낸다. 관리자는 슬랙에서 에이전트의 의도와 제안된 정책 변경 사항을 확인한 뒤 '예' 또는 '아니오'를 클릭해 규칙을 동적으로 업데이트하는 '휴먼-인-더-루프(human-in-the-loop)' 워크플로우를 수행한다.

실무 도입 영향 및 운영 모델

실제 적용 사례인 가상 리크루터 'Jim'은 OpenClaw를 기반으로 후보자 소싱, 지원자 점수 산정, 이메일 발송 업무를 수행한다. Jim이 정책 범위를 벗어난 행동을 시도할 때 CrabTrap이 이를 차단하고 관리자에게 에스컬레이션하는 구조는, 신입 사원이 업무 중 막히는 부분이 생기면 매니저에게 보고하는 기업의 기존 조직 운영 모델을 기술적으로 재현한 것이다.

Brex는 상용 보안 솔루션이 에이전트의 코드 실행 능력을 완전히 보존하면서 네트워크 수준의 제어를 제공하는 성숙도에 도달하지 않았다고 판단해 CrabTrap을 자체 개발했다. 이 과정에서 6개월 뒤 상용 제품에 의해 대체될 가능성이 70%에 달한다고 보았음에도 불구하고, 직접 구축을 통해 AI 도입 전략을 구체화하는 경험을 확보했다.

에이전트에게 코드 실행 권한을 부여해 생산성을 높이려는 개발자는 개별 API 호출이나 도구 사용 권한을 좁게 제한하는 방식보다, HTTP 프록시 계층에서 아웃바운드 트래픽의 의미를 분석하고 승인하는 네트워크 중심의 보안 아키텍처 도입을 검토해야 한다.