이 글은 Sonatype 공식 블로그의 Why Traditional SCA Cannot Keep Up With AI-Generated Code를 에스코어가 공식 파트너로서 한국어로 번역한 콘텐츠입니다.
에스코어 인사이트
AI 코딩 도구가 개발 과정에서 패키지와 버전을 빠르게 선택하고 변경하면, 기존처럼 PR이나 빌드 단계에서 취약점을 확인하는 방식만으로는 검토 부담을 감당하기 어려워집니다. 특히 개발 속도가 빨라질수록 검토 이후의 수정 작업이 반복되어 전체 릴리스 시간은 줄지 않을 수 있습니다.
따라서 AI 도구와 개발자가 의존성을 선택하는 순간에 최신 취약점·악성코드·라이선스·유지보수 상태와 조직 정책을 함께 확인할 수 있도록 설계할 필요가 있습니다. 기존 SCA 스캔은 계속 유지하되, 의존성 도입 전 판단과 도입 후 지속적 관리에 각각 적합한 통제를 적용하는 것이 중요합니다.
Sonatype 원문 번역
AI 생성 코드의 속도를 기존 SCA 방식이 따라가기 어려운 이유
AI 코딩 도구는 몇 초 만에 코드를 생성하고 수정합니다. 그 과정에서 패키지와 버전을 선택하고, 프레임워크를 추가하거나, 애플리케이션이 기존 구성요소를 사용하는 방식을 변경하는 등 의존성에 관한 결정도 내릴 수 있습니다.
이러한 선택은 모두 소프트웨어 공급망의 일부가 되고 개발팀이 평가해야 할 항목을 늘립니다. 기존의 많은 소프트웨어 구성 분석(SCA) 절차에서는 풀 리퀘스트나 빌드가 스캔을 실행할 때, 이미 코드베이스에 반영된 선택을 평가합니다.
SCA는 소프트웨어를 구성하는 요소를 이해하고 관리하는 데 여전히 필수적입니다. 하지만 AI 지원 개발의 속도에 대응하려면 스캔에 더해, 개발자와 AI 도구가 의존성을 선택하는 시점에 최신 구성요소 인텔리전스와 정책 지침을 제공해야 합니다.
AI는 변경 작업마다 더 많은 의존성 선택을 만들어 냅니다
AI 생성 코드의 보안 문제를 이야기할 때는 흔히 코드에 취약점이 존재하는지에 초점을 맞춥니다. 그러나 그것은 전체 보안 문제의 일부일 뿐입니다. AI 코딩 도구는 패키지를 새로 도입하고, 버전을 선택하고, 기존 의존성을 변경할 수 있으며, 개발자가 각각의 선택을 검토하는 속도보다 빠르게 이러한 작업을 수행하기도 합니다.
전통적인 SCA 절차에서는 의존성을 선택한 후 분석이 시작됩니다. 개발자가 패키지를 추가하면 풀 리퀘스트나 빌드가 스캔을 실행하고, 팀이 검사 결과를 검토합니다. 구성요소의 변경이 사람들이 감당할 수 있는 속도로 발생한다면 이 방식이 효과적일 수 있습니다. 하지만 코딩 보조 도구와 에이전트가 변경 사항을 지속적으로 생성하고 하나의 작업에서 여러 의존성을 도입하기도 한다면 대응하기가 어려워집니다.
AI가 의존성을 선택하는 횟수가 늘수록 각각의 결정이 신뢰할 수 있는 최신 정보를 바탕으로 이루어지는지가 중요해집니다. 이런 맥락이 없다면 부적절한 패키지나 버전이 채택되어 이후의 위험, 검토, 수정 작업을 늘릴 수 있습니다.
AI의 추천에는 최신 정보가 필요합니다
모델이 학습을 통해 알고 있는 내용은 현재의 패키지 릴리스, 취약점, 라이선스 세부 사항, 프로젝트의 유지보수 상태를 반영하지 못할 수 있습니다.
이러한 정보가 없다면 모델은 다음과 같은 선택을 할 수 있습니다.
•
더 최신 버전이 있는데도 오래된 버전을 추천할 수 있습니다.
•
존재하지 않는 패키지나 버전을 추천할 수 있습니다.
•
조직 정책이나 라이선스 요구사항에 맞지 않는 구성요소를 선택할 수 있습니다.
개발자와 AI 도구는 이러한 선택을 평가하기 위해 최신 구성요소 인텔리전스가 필요합니다. AI 지원 개발 절차에 이런 맥락을 제공하는 방법은 안전한 개발을 위한 지침에서 설명하고 있습니다.
의존성 그래프는 코드 제안에서 개발자가 눈으로 확인한 패키지보다 훨씬 커질 수도 있습니다. 직접 의존성이 전이 의존성을 가져올 수 있고, 하나의 프로젝트가 여러 프로그래밍 언어나 생태계에 걸쳐 구성될 수도 있습니다.
최근 진행한 AI와 시프트 레프트 보안 분석에서는 의존성 트리에 오픈소스 구성요소 764개가 있는 Spring Framework 프로젝트와, 네 가지 언어에 걸쳐 의존성 2,543개를 포함한 에이전트 기반 개발 프로젝트를 비교했습니다. 두 사례가 모든 프로젝트를 대표하는 것은 아니지만, 검토해야 할 범위가 얼마나 빠르게 늘어날 수 있는지 보여줍니다.
스캔과 검토 방식이 병목이 될 수 있는 이유
스캔은 취약하거나 정책을 위반하는 구성요소를 찾아낼 수 있지만, 문제를 발견하는 것은 작업의 시작일 뿐입니다.
팀은 해당 결과가 실제 사용 방식에 적용되는지, 얼마나 긴급한지, 허용할 수 있는 대안이 있는지, 애플리케이션을 손상시키지 않고 어떻게 업데이트할 수 있는지 판단해야 합니다. 새로운 검사 결과마다 개별 조사가 필요하다면, 개발 절차가 빨라질수록 보안 검토 대기열은 길어질 수 있습니다.
주로 다음과 같은 문제가 나타납니다.
•
이미 선택을 마친 뒤 문제가 발견됩니다. 풀 리퀘스트나 CI 파이프라인의 스캔은 구성요소가 코드에 추가된 이후에 문제를 지적할 수 있습니다. 팀은 해당 구성요소를 제거하거나 교체해야 하며, 그 구성요소에 의존하는 코드를 다시 작성해야 할 수도 있습니다.
•
검사 결과는 검토 역량보다 빠르게 늘어납니다. 의존성 변경이 많아지면 경고도 많아질 수 있습니다. 긴급한 노출과 우선순위가 낮은 결과를 구분하지 못하면 중요한 대응 업무와 일상적인 분류 작업이 같은 자원을 놓고 경쟁하게 됩니다.
•
스캔 결과에 선택을 위한 맥락이 부족할 수 있습니다. 검사 결과는 구성요소에 위험이 있다는 사실을 알려주지만, 개발자가 적합한 대안을 선택하려면 버전, 유지보수, 라이선스, 조직 정책에 관한 최신 정보도 필요합니다.
•
수동 검토는 자동화된 변경의 규모를 따라가기 어렵습니다. 보조 도구와 에이전트가 여러 팀과 저장소에서 수많은 변경을 생성한다면 보안팀과 유지보수 담당자가 모든 의존성 선택을 하나씩 검토할 수는 없습니다.
•
늦은 수정은 재작업을 초래합니다. 구현이나 테스트가 끝난 뒤 의존성을 교체하려면 코드를 수정하고, 테스트를 다시 수행하며, 추가 검토까지 거쳐야 할 수 있습니다. 그 과정에서 AI가 초기 개발 단계에서 절약한 시간이 일부 사라질 수 있습니다.
이러한 부담은 코드 생성 속도가 빨라졌다고 해서 검토, 테스트, 보안, 릴리스까지 자동으로 빨라지는 것은 아니라는 AI 생산성 역설을 보여줍니다. 후속 단계가 늘어난 작업량을 처리하지 못하면 산출물이 많아질수록 대기 중인 작업도 많아질 수 있습니다.
구성요소 선택 시점에 더 가까이에서 지침을 제공해야 합니다
이러한 지침은 의존성이 애플리케이션에 포함되기 전에 다음과 같은 실질적인 질문에 답하도록 도와야 합니다.
•
해당 구성요소와 버전이 실제로 존재하며 유지보수되고 있습니까?
•
알려진 취약점이나 악성코드 관련 우려가 있습니까?
•
어떤 라이선스를 사용하며 조직의 라이선스 요구사항을 충족합니까?
•
해당 선택이 조직 정책에 부합합니까?
•
애플리케이션과 호환되면서 더 안전하거나 적합한 버전이 있습니까?
AI 도구는 개발 과정에서 활용할 수 있는 형태로 이 정보를 제공받아야 합니다. 그래야 추천 사항을 생성할 때 구성요소의 세부 정보를 확인할 수 있습니다.
그렇다고 개발자의 판단이 불필요해지는 것은 아닙니다. 팀은 여전히 정책을 설정하고 예외를 검토하며 의존성이 사용되는 방식을 이해해야 합니다. 목표는 개발자와 AI 도구가 신뢰할 수 있는 정보를 바탕으로 처음부터 더 나은 선택을 하고, 나중에 검토 대기열로 넘어가는 예방 가능한 문제를 줄이도록 돕는 데 있습니다.
스캔은 다층 방어의 일부로 유지해야 합니다
의존성을 선택하기 전의 지침과 이후 단계의 분석은 서로 다른 문제를 해결합니다. AI 지원 개발에는 소프트웨어 개발 생명주기(SDLC) 전체에 걸친 보호 장치가 필요합니다. 선택 시점에 제공하는 맥락은 위험하거나 정책을 준수하지 않는 일부 의존성이 코드베이스에 들어오는 것을 막을 수 있습니다.
자동화된 절차는 의존성을 업데이트하거나 개발자의 검토를 위한 변경 사항을 준비할 수도 있습니다. 기존 애플리케이션의 문제를 찾아내고, 새롭게 공개된 취약점을 드러내며, 구성요소의 위험이 바뀔 때 대응하도록 돕는 SCA 스캔 역시 계속 중요합니다.
최신 SCA는 스캔을 넘어 구성요소 선택 시점의 인텔리전스와 정책 지침, 의존성 업데이트와 문제 해결을 위한 자동화까지 지원할 수 있습니다.
실용적인 절차는 다음과 같습니다.
•
개발자와 AI 코딩 도구가 최신 구성요소 및 취약점 정보에 접근하도록 합니다.
•
사람이 직접 수행하는 개발과 AI 지원 개발에 조직 정책을 일관되게 적용합니다.
•
추천 사항에 문제가 있을 때 명확한 대안과 수정 지침을 제공합니다.
•
초기 통제에서 놓친 문제를 잡아내기 위해 코드와 빌드 스캔을 계속 수행합니다.
•
애플리케이션 의존성의 정확한 현황을 유지해 새로운 위험이 나타날 때 영향을 평가할 수 있도록 합니다.
이러한 접근은 모든 변경을 수동으로 승인하도록 강제하지 않으면서 보안 통제를 개발 과정에 가깝게 유지합니다. 동시에 어떤 단일 스캔이나 결정 시점도 구성요소의 생명주기 전반에서 발생하는 모든 위험을 포괄할 수 없음을 인정하는 방식입니다.
더 나은 의존성 선택으로 AI 개발 속도에 대응하기
AI는 소프트웨어 개발을 빠르게 만들 수 있지만 새로운 구성요소가 도입될 때마다 보안, 유지보수, 라이선스, 정책에 관한 질문은 여전히 남습니다. 이러한 질문에 스캔이나 검토 이후에만 답한다면 높아진 개발 속도는 오히려 더 많은 분류 작업과 재작업을 낳을 수 있습니다.
이 속도를 따라가려면 의존성 선택을 안내하고 지속적인 관리와 문제 해결을 지원하는, 단순 스캔 이상의 SCA가 필요합니다.
Sonatype Guide는 개발자와 AI 에이전트를 실시간 오픈소스 인텔리전스 및 정책 지침에 연결하는 AI SCA 플랫폼입니다. 신뢰할 수 있는 구성요소 선택, 의존성 업그레이드 자동화, 오픈소스 위험 관리, AI 기반 SDLC 전반의 소프트웨어 투명성 유지를 지원합니다.
Sonatype Guide 살펴보기에서 AI 지원 개발 초기에 더 나은 정보로 의존성을 선택하는 방법을 확인할 수 있습니다.
지원 솔루션: Nexus Repository · Repository Firewall · Lifecycle · Sonatype Guide

