AI 코딩 도구가 늘린 오픈소스 의존성, 보안 검토는 따라갈 수 있나

AI 코딩 도구의 공급망 위험은 코드 자체에만 있지 않다. 도구가 제안하거나 가져온 패키지·라이브러리·컨테이너 이미지도 기업이 구축하고 실행하는 소프트웨어의 일부가 된다. 이런 의존성이 보안팀의 출처·취약점 검토보다 빠르게 늘어나면, 악성 또는 침해된 구성요소가 검토망을 통과할 기회도 커진다. 17

승인 절차가 속도를 따라가지 못하는 이유

Chainguard의 최고정보보안책임자(CISO) 퀸시 카스트로는 거의 즉시 코드를 생성할 수 있는 환경에서 새 의존성을 요청하고 검토한 뒤 승인하는 기존의 사람 중심 절차가 병목이 된다고 지적한다. 보안 검토의 필요성이 사라진 것이 아니라, 의존성이 추가되는 속도에 기존 승인 방식이 맞지 않는다는 뜻이다. 17

‘97%’는 무엇을 말하나

Chainguard의 2026년 6월 조사에 따르면, 조사 대상 컨테이너 이미지에서 **관측된 취약점 사례의 97.0%**가 사용 상위 20개 프로젝트 밖에서 발생했다. 이는 전체 프로젝트의 97%에 취약점이 있다는 의미가 아니다. 널리 쓰이는 이미지만 우선 점검하면, 상대적으로 덜 알려진 프로젝트에 분포한 취약점 사례를 많이 놓칠 수 있다는 의미다.

덜 알려진 프로젝트만 위험한 것도 아니다. 공격자가 정상 프로젝트와 비슷해 보이는 악성 포크를 만들면 개발자나 AI 도구가 이를 선택할 수 있다. 반대로 2026년 3월에는 널리 쓰이는 취약점 검사 도구 Trivy의 GitHub Actions 배포 경로가 침해돼, 영향을 받은 자동화 작업에서 자격 증명이 탈취됐다. 익숙한 보안 도구라도 배포 경로가 손상되면 공격의 통로가 될 수 있음을 보여준다. 17

인디애나대 연구가 하려는 일

인디애나대 연구진은 미국 국립과학재단(NSF)의 118만 달러 지원을 받아 연구에 쓰이는 오픈소스 AI 도구와 모델의 보안 위험을 평가하고, 이용자가 더 안전한 선택을 식별하도록 도울 계획이다. 인디애나대의 Jetstream2는 NSF가 지원하는 연구용 클라우드 인프라다. 다만 공개된 프로젝트 설명만으로는 이 연구가 Jetstream2에서 모델을 어떤 방식으로 평가하거나 점수화할지 확인할 수 없다. 추천받은 대안에 위험이 전혀 없다는 보장으로 받아들여서도 안 된다. 612