{"allow_comments":false,"category":"AI 동향","content":{"author":{"title":"YOON DATA","url":"https://yoondata.com/about"},"body":"## 핵심 요약\n조사 기준 시각: 한국시간 2026-09-20 12:37:28 KST (Asia/Seoul, UTC+09:00) / 미국 동부 2026-09-19 23:37:28 EDT (America/New_York, UTC-04:00) / 미국 서부 2026-09-19 20:37:28 PDT (America/Los_Angeles, UTC-07:00) / UTC 2026-09-20 03:37:28.\n[확인] 지정 발행 폴더의 직전 브리핑은 gpt_20260920_113419_001.docx이며 Qwen3.8-LiveTranslate와 Pika creative platform을 다뤘다. 이번 실행에서는 9월 19일 밤 미국 현지 공개 웹을 다시 검색했으나 직전 실행 이후 새로 발표된 대형 frontier model/API 중 1차 출처와 독립 검증을 동시에 충족하는 사건을 확인하지 못했다. 따라서 과거 발표를 재탕해 채우지 않고, 발행 폴더에서 아직 독립 핵심사건으로 다루지 않은 Google의 9월 18일 agentic SDLC security 실배치를 누락 보강으로 채택했다.\n[확인] Google AI and Infrastructure 팀은 9월 18일 수억 줄 규모의 인프라 코드에서 모든 code change를 presubmit 단계에서 AI agent로 검사하고, 월 수백 건의 취약점이 codebase나 production에 들어가기 전에 차단된다고 공개했다. 이는 단발성 AI bug-finder demo가 아니라 실제 SDLC gate에 들어간 운영시스템이라는 점이 핵심이다.\n[확인] 이 시스템은 open-source Mantis의 multi-agent review pattern을 내부환경에 맞게 확장하고, live codebase metadata와 dependency call graph를 이용한 localized threat model을 넣는다. Google은 일부 경우 false-positive rate가 3%까지 내려갔고, specialized triage agent는 AST parsing·call-graph traversal·pre-indexed domain safety rules로 vulnerable path의 attacker reachability를 검증해 92% 초과 precision을 1분 미만에 달성한다고 설명한다.\n[확인] 발견 뒤에는 자동 bug-fix agent가 scan result와 proof를 받아 내부 coding standard에 맞는 patch를 생성하고, 원래 change request에 human review 대상으로 제출한다. nightly post-submit scan이 두 번째 방어층으로 동작한다. 즉 `scan -> structural proof -> reproduce/evidence -> patch -> human review`가 하나의 폐쇄루프로 묶였다.\n[추론] 숨은 변화는 보안 AI의 핵심자산이 model benchmark가 아니라 `code context + living threat model + deterministic verifier + evidence artifact + remediation feedback`으로 이동하는 것이다. 확률적 agent의 약점을 AST/call graph 같은 구조적 검증기로 보완하면서 신뢰가능한 실행권한을 단계적으로 넓힌다.\n[반대근거] 월 수백 건, false-positive 3%, triage precision 92%+는 Google 내부 운영수치로 공개 independent benchmark가 아니다. GitHub의 google/mantis README도 Mantis를 demonstration/reference toolkit으로 규정하고 production·sensitive network에서 쓰지 말며 모든 findings를 security expert가 수동 검증해야 한다고 경고한다. 따라서 `Google이 완전자율 보안을 달성했다`고 해석하지 않는다.\n## 핵심 사건 종합표\n| 순위 | 분류 | 핵심 사건 | 최초 출처 | 연관 출처 체인 | 발생 시각과 미국 현지 날짜 | 핵심 사실 | 후속 전개 | 왜 중요한가 | 숨은 의미·비하인드 해석 | 담당자·관련 인물 | 수혜자 | 불리한 측 | 기술·사업 영향 | 다음 신호 | 신뢰도 | 검증 상태 | 원문 링크 |\n| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |\n| 1 | Agentic Security·Secure SDLC·Code Agents | Google이 Mantis 기반 AI agents를 모든 인프라 코드 변경의 presubmit 보안 게이트에 배치하고 scan-to-patch loop를 운영 | Google Cloud 2026-09-18 `Changing the game: Using agentic AI to secure infrastructure code` | 6/29 autonomous SDLC architecture 공개 -> Mantis multi-agent framework·self-healing fuzz·patch pipeline -> 8/18 Mandiant AVDH 실전 source-code review 성과 -> 9/18 Google AI & Infrastructure가 every-change presubmit scan·3% FP 일부 사례·92%+ triage precision·patch agent 운영 공개 -> open-source Mantis reference harness로 외부 확산 | 공식 발표 2026-09-18, 시각 미공개; 조사 2026-09-19 23:37 EDT / 20:37 PDT | 수억 줄 코드의 every-change scanning, 월 수백 vulnerabilities 차단 주장. localized threat model+dependency graph, AST/call-graph verifier, <1분 triage, nightly second layer, human-reviewed patch agent | Google Cloud CISO architecture·Mandiant AVDH·AI Threat Defense와 연결되어 secure SDLC productization 방향을 강화 | AI coding 속도가 올라갈수록 review를 사람에게만 맡길 수 없으며, 보안도 commit path 안에서 machine-speed로 작동해야 함 | [추론] 보안 control plane의 moat가 모델에서 context/evidence/verification loop로 이동. open-source Mantis는 reference architecture 표준화와 Google Cloud/Gemini 보안 stack funnel 역할 가능 | Andrés Lagar-Cavilla, Parthasarathy Ranganathan, Chris Betz, Ruchi Shah, Stella Voutsina, Yulong Zhang, Nick Galloway, Mandiant | 대규모 개발조직, DevSecOps, AI coding-agent 사용자, 보안플랫폼·sandbox·code graph 공급자 | one-off scanner, context 없는 LLM code review, 수동 threat-model·triage 중심 프로세스 | security gate가 PR 이후 audit에서 presubmit executable policy로 이동; deterministic verifier와 agent를 결합한 evidence-first architecture | 외부 independent benchmark, Mantis adoption, false-positive/patch acceptance 공개, CodeMender/AI Threat Defense 통합, production auto-merge 권한 확대 여부 | 높음 | Google 1차자료·GitHub source·Mandiant 실전자료 확인. 핵심 성능수치는 Google-reported이며 외부 재현 미확인 | [Google presubmit agents](https://cloud.google.com/blog/topics/systems/using-ai-agents-to-secure-google-infrastructure/) / [Google Cloud CISO](https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-how-google-cloud-security-uses-ai-internally) / [Mantis GitHub](https://github.com/google/mantis) / [Mandiant AVDH](https://cloud.google.com/blog/topics/threat-intelligence/staying-ahead-of-adversarial-ai-through-agentic-source-code-review) |\n## 1. Google Mantis 기반 agentic SDLC security - 보안이 presubmit 실행 게이트가 된다 — 연관 추적\n### ① 최초 신호\n[확인] 2026년 6월 29일 Google Cloud CISO Chris Betz와 Security Engineering의 Ruchi Shah는 AI가 vulnerability exploitation의 경제성을 바꿔 전통적인 patch window를 사실상 지우고 있다고 진단하면서 `autonomous SDLC security` 구조를 공개했다. 제품설계를 200개 이상의 security requirements와 대조하는 agent, Mantis code scanning, self-healing fuzzing, unified patching, post-launch posture management까지 SDLC 전 구간에 agent를 배치한다고 설명했다. [Google Cloud CISO - How Google Cloud Security uses AI internally](https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-how-google-cloud-security-uses-ai-internally)\n[확인] 이때 Google은 naive decentralized LLM scanning이 hallucination 때문에 true-positive rate가 7% 미만으로 떨어질 수 있다고 밝히며, 단일 agent가 아니라 Strategist, Research, Deduplicator, Reviewer, Critic, sandbox reproduction을 조합한 Mantis orchestration을 제시했다. Hierarchical security summary tree는 대형 repository의 token overhead를 85% 이상 줄인다고 회사가 설명했다.\n### ② 공식 확인\n[확인] 9월 18일 Google AI and Infrastructure는 이 아이디어가 실제 인프라 코드의 presubmit gate에 들어갔다고 공개했다. 모든 code change를 real-time으로 스캔하며 대상은 `hundreds of millions of lines of code`라고 적었다. Google은 이 운영으로 매월 수백 건의 취약점이 codebase 또는 production에 들어가기 전에 차단된다고 밝혔다. [Google - Using AI agents to secure infrastructure code](https://cloud.google.com/blog/topics/systems/using-ai-agents-to-secure-google-infrastructure/)\n[확인] presubmit 단위로 scan을 쪼갠 이유도 공개됐다. 전체 repository one-off scan보다 한 변경의 context가 작아 AI가 판단해야 할 범위가 줄고, developer workflow의 readability/rule checker처럼 지속적인 gate로 삽입할 수 있다는 설명이다.\n### ③ 후속 기사와 반응\n[확인] 독립 기술매체는 Google의 내부배치와 Mantis open-source 공개를 함께 다루면서, 월 수백 vulnerability와 precision 수치는 Google 자체 운영수치라는 한계를 지적했다. Mantis 공개버전도 production-ready commercial product가 아니라 reference/demo harness라는 점을 구분해야 한다. [AI Stack Current - Google Mantis agentic vulnerability scanning](https://www.aistackcurrent.com/news/google-mantis-ai-vulnerability-scanning-agents/)\n[확인] 9월 초 공개 Mantis를 분석한 GIGAZINE 역시 multi-agent workflow와 hierarchical summarization을 소개하면서, AI security scanning이 context grounding 없이는 높은 false-positive 문제를 보인다는 Google 측 설명을 함께 전했다. [GIGAZINE - Google Mantis open source](https://gigazine.net/gsc_news/en/20260903-google-mantis-open-source/)\n### ④ 담당자·연구자·개발자 발언\n[확인] 9월 18일 글의 저자는 Google Distinguished Engineer Andrés Lagar-Cavilla와 VP/Engineering Fellow Parthasarathy Ranganathan이다. 글은 이 delivery에 Stella Voutsina, Mantis Senior Staff Security Engineer Yulong Zhang, Mantis Staff Security Engineer Nick Galloway가 핵심 역할을 했다고 별도 명시한다.\n[확인] CISO 관점에서는 Chris Betz와 Ruchi Shah가 `human-dependent checklist -> proactive multi-agent orchestration` 전환을 강조한다. 공통 메시지는 model 자체보다 orchestration, context, sandbox, verifier, reflection이 실제 운영성능을 만든다는 것이다.\n### ⑤ SNS·YouTube·GitHub 등에서 드러난 추가 단서\n[확인] GitHub `google/mantis`의 현재 README는 Mantis를 skills와 ADK reference harness로 구성된 portable security toolkit이라고 정의한다. pipeline은 history review, semantic indexing, threat modeling, research, dedupe, review/critic, isolated reproduction, exploit-chain analysis, patch, adversarial re-attack, severity calibration, reflection, reporting, `/mantis-advise`까지 이어진다. [google/mantis](https://github.com/google/mantis)\n[확인] canonical agent guide는 Mantis가 Gemini CLI, Antigravity CLI, Google ADK 등과 결합될 수 있고, source code 외에도 Hardware/RTL, IaC, ML pipeline, compiled firmware로 확장 가능하다고 설명한다. pipeline은 snapshot pinning과 stage별 state contract를 두며 patch 단계에서 별도 re-attacker를 사용한다. [Mantis agent reference](https://github.com/google/mantis/blob/main/README_AGENTS.md)\n[확인] `/mantis-advise`는 이전 threat model, verified patch, false positive, learned invariant를 knowledge store에 축적해 향후 coding agent가 같은 실수를 반복하지 않게 하는 remediation/learning layer다. [Mantis advise skill](https://github.com/google/mantis/blob/main/mantis-advise/SKILL.md)\n### ⑥ 실제 제품·기술·정책 변화\n[확인] 9월 18일 Google 내부 presubmit system은 Mantis의 generalized workflow를 production context에 맞게 좁혀 사용한다. 핵심은 localized threat model이다. static document 대신 live codebase metadata와 dependency call graph를 이용해 각 변경의 reachable attack surface를 구성한다. Google은 이 방식이 일부 case에서 false-positive를 3%까지 낮췄다고 밝혔다.\n[확인] validation은 2단계다. 먼저 lightweight scan을 돌리고, specialized triage agent가 AST parsing, call-graph traversal, pre-indexed domain safety rules로 취약경로가 실제 attacker에게 reachable한지 programmatically 검증한다. Google은 triage precision 92% 초과, 처리시간 1분 미만을 주장한다.\n[확인] presubmit 뒤 nightly integration scan이 cross-change vulnerability를 다시 확인한다. 마지막으로 bug-fix agent가 finding과 proof를 받아 patch를 만들고 원 change request에 human review 대상으로 제출한다. 자동 발견이 remediation backlog만 키우지 않도록 detection과 fixing을 같은 loop에 둔 것이다.\n[확인] Mandiant는 별도의 Agentic Vulnerability Discovery Harness(AVDH)를 10개월간 사용했으며, stolen corporate repository incident에서 이틀 만에 100건 이상의 true-positive critical vulnerabilities를 찾았다고 8월 18일 공개했다. 이 자료는 Google 계열 내 agentic source-code review가 internal infra뿐 아니라 incident response/red team에도 확장되는 신호다. [Mandiant - Agentic Source Code Review](https://cloud.google.com/blog/topics/threat-intelligence/staying-ahead-of-adversarial-ai-through-agentic-source-code-review)\n### ⑦ 숨은 의미와 비하인드\n[추론] 이 architecture의 핵심은 `LLM scanner`가 아니라 `stochastic discovery + deterministic structural proof + isolated reproduction + patch re-attack + human acceptance`다. 모델의 불확실성을 없애려 하기보다, 불확실한 제안을 다음 verifier가 증명하거나 탈락시키는 control system으로 바꾼다.\n[추론] localized threat model은 문서가 아니라 execution context가 된다. code graph·dependency·history·security rule이 실시간으로 갱신되면 threat model 자체가 agent의 runtime state이자 precision moat가 된다. 동일한 frontier model을 써도 context graph 품질에 따라 실전 성능이 크게 갈릴 수 있다.\n[추론] open-source Mantis는 Google 내부 system 전체를 공개한 것이 아니다. Google CISO 글도 open-source는 core skills를 `fundamental concept`로 보여주는 것이고 더 full-fledged한 내부버전이 별도로 운영된다고 명시한다. 따라서 open source는 community 표준화·developer funnel 역할을 하고, production-grade context/index/sandbox/cloud integration은 별도 가치층으로 남을 가능성이 높다.\n[추론] 보안 제품 구매기준도 scanner accuracy 하나에서 `finding -> proof -> patch -> regression -> audit evidence`의 end-to-end closure rate로 이동할 수 있다. 실제 고객가치는 발견건수보다 mean-time-to-validated-fix를 얼마나 줄이는가에 있다.\n### ⑧ 반대 근거와 과장 가능성\n[확인] Google이 제시한 3% false-positive, 92%+ precision, 월 수백 vulnerability 방지는 내부 측정치다. 공개 benchmark dataset, denominator, confidence interval, external auditor가 공개되지 않았으므로 일반조직에서도 동일한 수치를 재현한다고 볼 수 없다.\n[확인] Mantis GitHub README는 generated code가 unstable하거나 unexpected action을 할 수 있어 production system·sensitive data·internal network와 분리된 restricted environment에서만 실행하라고 경고한다. 모든 finding은 보안전문가가 수동 검증해야 하며 successful reproducer가 모든 context에서 exploitability를 보장하지 않는다고 적는다.\n[확인] 공개 Mantis는 Google이 공식 지원하는 production product가 아니며 demonstration purpose라고 명시돼 있다. 따라서 GitHub repo를 설치하면 Google 내부 presubmit system과 같은 결과가 나온다고 해석하면 안 된다.\n[확인] `autonomous remediation`도 production auto-merge를 의미하지 않는다. 공개된 내부흐름에서 fix agent는 patch를 제출하고 최종 merge 전에 human review가 남는다.\n### ⑨ 향후 예상되는 다음 행동과 확인해야 할 신호\n첫째 Google이 presubmit system의 patch acceptance rate, false-negative estimate, rollback/regression rate, mean-time-to-fix를 공개하는지 확인해야 한다.\n둘째 Mantis의 open-source release cadence, external contributors, 실제 기업 adoption, non-Google model/harness에서의 independent benchmark가 나오는지 봐야 한다.\n셋째 Mantis/CodeMender/Mandiant AVDH/AI Threat Defense가 제품적으로 어느 지점에서 연결되는지, 고객이 동일한 scan-to-patch loop를 managed service로 구매할 수 있게 되는지 확인해야 한다.\n넷째 human review가 유지되는 범위와 low-risk patch에 자동 merge 또는 policy-based approval이 허용되는지가 agent autonomy 확대의 핵심 신호다.\n다섯째 threat model·code graph·reproducer·patch 결과가 감사 가능한 signed evidence로 남는지, 그리고 agent가 생성한 finding/patch의 provenance schema가 표준화되는지 추적해야 한다.\n## ① 오늘의 핵심 흐름\n이번 회차의 핵심은 AI security가 `취약점 찾는 챗봇`에서 `개발 파이프라인의 상시 실행 게이트`로 바뀌는 것이다. Google은 commit마다 agent를 호출하고, 빠른 scan을 deterministic structural verifier가 확인한 뒤 nightly second layer와 patch agent로 닫는 multi-stage control loop를 운영한다.\n[추론] AI가 코드를 더 빨리 생성할수록 security review도 동일한 속도로 code path 안에 들어가야 한다. 사람이 모든 finding을 처음부터 찾는 역할에서 `policy 설계·high-risk adjudication·최종 승인` 역할로 이동하는 패턴이다.\n## ② 새로운 출시·업데이트\n직전 브리핑 이후 미국 현지 공개 웹에서 1차 출처·독립검증을 모두 충족하는 대형 신규 frontier model/API release는 확인하지 못했다. 따라서 이전 모델발표를 재탕하지 않았다.\n이번 문서는 기존 발행폴더에서 빠져 있던 9월 18일 Google agentic presubmit security deployment를 누락 보강한 것이다. 새로운 사실은 단순 Mantis 공개가 아니라 실제 Google infrastructure SDLC에 every-change scanning, structural triage, nightly scan, patch-agent loop가 운영된다는 구체적 deployment evidence다.\n## ③ 핵심기술·연구\n기술핵심은 context와 verifier다. localized threat model, dependency call graph, AST, domain rule, sandboxed reproduction이 LLM의 자유로운 추론을 제약하고 실제 attacker-reachable path만 남긴다.\n[추론] future agent security architecture는 `Planner/Scanner -> Structural Verifier -> Reproducer -> Patch Author -> Independent Re-attacker -> Test/Regression -> Human/Policy Gate`처럼 서로 다른 권한과 context를 가진 agent를 분리하는 방향이 강해질 가능성이 높다.\n## ④ 기업·담당자·조직 신호\nGoogle AI & Infrastructure, Google Cloud Security, Mandiant가 서로 다른 use case에서 유사한 agentic security pattern을 공개하고 있다. 이는 단일 연구팀 experiment보다 조직 전체의 security operating model이 바뀌는 신호다.\n[추론] 내부 tool에서 출발한 pattern을 open-source Mantis, AI Threat Defense, Mandiant service로 확장하면 Google은 `모델 + cloud + code context + threat intelligence + remediation`을 수직통합할 수 있다.\n## ⑤ SNS·YouTube에서 포착된 신호\nGoogle Cloud는 CISO 글에서 CodeMender demo video와 AI security podcast를 연결하고, Mantis GitHub는 agent skills를 직접 설치·실행할 수 있는 공개 reference harness를 제공한다. 이번 사건의 증거가치는 SNS 반응보다 Google Cloud 공식문서와 GitHub source가 더 높아 이를 우선했다.\n공개 social repost는 내부 수치의 독립 검증으로 세지 않았다. GitHub README의 안전경고와 production disclaimer를 오히려 중요한 반대증거로 포함했다.\n## ⑥ 약한 신호와 향후 조짐\n[추론] 첫째 vulnerability scanner 시장은 static finding list보다 evidence-producing agent workflow로 이동할 수 있다.\n[추론] 둘째 agent가 생성한 code가 늘수록 별도 security agent가 같은 commit path에 붙는 `agent checks agent` 패턴이 기본이 될 수 있다.\n[추론] 셋째 threat model이 PDF/문서가 아니라 code graph와 policy catalog에서 자동 갱신되는 machine-readable runtime artifact로 바뀔 가능성이 높다.\n[추론] 넷째 보안팀의 KPI도 findings count보다 verified exploitability, patch acceptance, time-to-fix, recurrence reduction, false-positive cost로 이동할 수 있다.\n## ⑦ 과장·루머·주의 항목\nGoogle의 월 수백 건 차단·3% false-positive·92%+ precision을 외부 독립 benchmark처럼 인용하면 안 된다. 모두 Google이 공개한 내부 운영수치다.\nMantis를 Google 내부 production system 그 자체로 보면 안 된다. 공개 repo는 reference/demo toolkit이며 내부버전은 더 확장돼 있다고 Google이 명시한다.\n자동 patch 생성과 완전자율 배포를 혼동하지 않는다. 공개 flow는 human review를 유지한다.\nagent가 vulnerability를 reproduce한다고 해서 모든 환경에서 exploitable하다는 뜻이 아니다. Mantis README 자체가 이 한계를 경고한다.\n## ⑧ 사용자가 반드시 알아야 할 것\n실제 agentic security system을 설계한다면 `finding` 한 테이블로 끝내지 말고 evidence chain을 분리하는 것이 중요하다.\n[추론] 최소 데이터 모델은 `code_snapshot`, `change_id`, `threat_model_version`, `scanner_agent/version`, `finding`, `reachable_path_proof`, `triage_verdict`, `reproducer_artifact`, `sandbox_result`, `patch_candidate`, `re_attack_result`, `test_result`, `human_decision`, `deployment_state`, `recurrence_link`로 나누는 편이 좋다.\n[추론] 핵심 운영규칙은 `AI가 발견 -> 다른 verifier가 검증 -> isolated sandbox가 증명 -> 별도 patcher가 수정 -> 독립 re-attacker가 우회 확인 -> policy/human gate가 승인`이다. 하나의 agent에게 발견·증명·수정·승인을 모두 주는 구조보다 failure isolation과 auditability가 높다.\n## ⑨ 누락 가능성과 탐색 한계\n이번 조사는 Google AI & Infrastructure의 9월 18일 공식 발표, 6월 29일 Google Cloud CISO architecture, Google의 public `google/mantis` repository와 agent guide, 8월 18일 Mandiant AVDH 실전자료, Google AI Threat Defense 관련 공개자료, 독립 기술보도를 연결해 확인했다.\nGoogle 내부 scanner의 전체 code, 실제 finding corpus, false-negative rate, vulnerability severity distribution, patch acceptance rate, cost per scan, 모델별 routing, production rollback statistics는 공개되지 않았다.\nGitHub 공개 Mantis와 Google 내부 full-fledged system 사이의 정확한 code overlap도 공개되지 않았다. 공개되지 않은 내부 architecture나 고객데이터를 아는 것처럼 쓰지 않았다.\n## 참고 자료와 작성 정보\n조사·작성 기준 시각: 2026-09-20 12:37:28 KST / 2026-09-19 23:37:28 EDT / 2026-09-19 20:37:28 PDT / 2026-09-20 03:37:28 UTC.\n주요 직접출처: [Google - Using AI agents to secure infrastructure code](https://cloud.google.com/blog/topics/systems/using-ai-agents-to-secure-google-infrastructure/); [Google Cloud CISO - How Google Cloud Security uses AI internally](https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-how-google-cloud-security-uses-ai-internally); [google/mantis GitHub](https://github.com/google/mantis); [Mantis agent reference](https://github.com/google/mantis/blob/main/README_AGENTS.md); [Mantis advise skill](https://github.com/google/mantis/blob/main/mantis-advise/SKILL.md); [Mandiant - Agentic Source Code Review](https://cloud.google.com/blog/topics/threat-intelligence/staying-ahead-of-adversarial-ai-through-agentic-source-code-review); [Google AI Threat Defense](https://cloud.google.com/blog/products/identity-security/introducing-google-ai-threat-defense); [AI Stack Current](https://www.aistackcurrent.com/news/google-mantis-ai-vulnerability-scanning-agents/); [GIGAZINE Mantis analysis](https://gigazine.net/gsc_news/en/20260903-google-mantis-open-source/).\n이 브리핑은 AI의 도움으로 공개 자료를 조사·정리했습니다. 확인된 사실과 추론, 미확인 내용을 구분해 표시했습니다.","body_format":"text/markdown","body_text":"핵심 요약 조사 기준 시각: 한국시간 2026-09-20 12:37:28 KST (Asia/Seoul, UTC+09:00) / 미국 동부 2026-09-19 23:37:28 EDT (America/New_York, UTC-04:00) / 미국 서부 2026-09-19 20:37:28 PDT (America/Los_Angeles, UTC-07:00) / UTC 2026-09-20 03:37:28. [확인] 지정 발행 폴더의 직전 브리핑은 gpt_20260920_113419_001.docx이며 Qwen3.8-LiveTranslate와 Pika creative platform을 다뤘다. 이번 실행에서는 9월 19일 밤 미국 현지 공개 웹을 다시 검색했으나 직전 실행 이후 새로 발표된 대형 frontier model/API 중 1차 출처와 독립 검증을 동시에 충족하는 사건을 확인하지 못했다. 따라서 과거 발표를 재탕해 채우지 않고, 발행 폴더에서 아직 독립 핵심사건으로 다루지 않은 Google의 9월 18일 agentic SDLC security 실배치를 누락 보강으로 채택했다. [확인] Google AI and Infrastructure 팀은 9월 18일 수억 줄 규모의 인프라 코드에서 모든 code change를 presubmit 단계에서 AI agent로 검사하고, 월 수백 건의 취약점이 codebase나 production에 들어가기 전에 차단된다고 공개했다. 이는 단발성 AI bug-finder demo가 아니라 실제 SDLC gate에 들어간 운영시스템이라는 점이 핵심이다. [확인] 이 시스템은 open-source Mantis의 multi-agent review pattern을 내부환경에 맞게 확장하고, live codebase metadata와 dependency call graph를 이용한 localized threat model을 넣는다. Google은 일부 경우 false-positive rate가 3%까지 내려갔고, specialized triage agent는 AST parsing·call-graph traversal·pre-indexed domain safety rules로 vulnerable path의 attacker reachability를 검증해 92% 초과 precision을 1분 미만에 달성한다고 설명한다. [확인] 발견 뒤에는 자동 bug-fix agent가 scan result와 proof를 받아 내부 coding standard에 맞는 patch를 생성하고, 원래 change request에 human review 대상으로 제출한다. nightly post-submit scan이 두 번째 방어층으로 동작한다. 즉 scan -> structural proof -> reproduce/evidence -> patch -> human review가 하나의 폐쇄루프로 묶였다. [추론] 숨은 변화는 보안 AI의 핵심자산이 model benchmark가 아니라 code context + living threat model + deterministic verifier + evidence artifact + remediation feedback으로 이동하는 것이다. 확률적 agent의 약점을 AST/call graph 같은 구조적 검증기로 보완하면서 신뢰가능한 실행권한을 단계적으로 넓힌다. [반대근거] 월 수백 건, false-positive 3%, triage precision 92%+는 Google 내부 운영수치로 공개 independent benchmark가 아니다. GitHub의 google/mantis README도 Mantis를 demonstration/reference toolkit으로 규정하고 production·sensitive network에서 쓰지 말며 모든 findings를 security expert가 수동 검증해야 한다고 경고한다. 따라서 Google이 완전자율 보안을 달성했다고 해석하지 않는다. 핵심 사건 종합표 | 순위 | 분류 | 핵심 사건 | 최초 출처 | 연관 출처 체인 | 발생 시각과 미국 현지 날짜 | 핵심 사실 | 후속 전개 | 왜 중요한가 | 숨은 의미·비하인드 해석 | 담당자·관련 인물 | 수혜자 | 불리한 측 | 기술·사업 영향 | 다음 신호 | 신뢰도 | 검증 상태 | 원문 링크 | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | 1 | Agentic Security·Secure SDLC·Code Agents | Google이 Mantis 기반 AI agents를 모든 인프라 코드 변경의 presubmit 보안 게이트에 배치하고 scan-to-patch loop를 운영 | Google Cloud 2026-09-18 Changing the game: Using agentic AI to secure infrastructure code | 6/29 autonomous SDLC architecture 공개 -> Mantis multi-agent framework·self-healing fuzz·patch pipeline -> 8/18 Mandiant AVDH 실전 source-code review 성과 -> 9/18 Google AI & Infrastructure가 every-change presubmit scan·3% FP 일부 사례·92%+ triage precision·patch agent 운영 공개 -> open-source Mantis reference harness로 외부 확산 | 공식 발표 2026-09-18, 시각 미공개; 조사 2026-09-19 23:37 EDT / 20:37 PDT | 수억 줄 코드의 every-change scanning, 월 수백 vulnerabilities 차단 주장. localized threat model+dependency graph, AST/call-graph verifier, <1분 triage, nightly second layer, human-reviewed patch agent | Google Cloud CISO architecture·Mandiant AVDH·AI Threat Defense와 연결되어 secure SDLC productization 방향을 강화 | AI coding 속도가 올라갈수록 review를 사람에게만 맡길 수 없으며, 보안도 commit path 안에서 machine-speed로 작동해야 함 | [추론] 보안 control plane의 moat가 모델에서 context/evidence/verification loop로 이동. open-source Mantis는 reference architecture 표준화와 Google Cloud/Gemini 보안 stack funnel 역할 가능 | Andrés Lagar-Cavilla, Parthasarathy Ranganathan, Chris Betz, Ruchi Shah, Stella Voutsina, Yulong Zhang, Nick Galloway, Mandiant | 대규모 개발조직, DevSecOps, AI coding-agent 사용자, 보안플랫폼·sandbox·code graph 공급자 | one-off scanner, context 없는 LLM code review, 수동 threat-model·triage 중심 프로세스 | security gate가 PR 이후 audit에서 presubmit executable policy로 이동; deterministic verifier와 agent를 결합한 evidence-first architecture | 외부 independent benchmark, Mantis adoption, false-positive/patch acceptance 공개, CodeMender/AI Threat Defense 통합, production auto-merge 권한 확대 여부 | 높음 | Google 1차자료·GitHub source·Mandiant 실전자료 확인. 핵심 성능수치는 Google-reported이며 외부 재현 미확인 | Google presubmit agents / Google Cloud CISO / Mantis GitHub / Mandiant AVDH | 1. Google Mantis 기반 agentic SDLC security - 보안이 presubmit 실행 게이트가 된다 — 연관 추적 ① 최초 신호 [확인] 2026년 6월 29일 Google Cloud CISO Chris Betz와 Security Engineering의 Ruchi Shah는 AI가 vulnerability exploitation의 경제성을 바꿔 전통적인 patch window를 사실상 지우고 있다고 진단하면서 autonomous SDLC security 구조를 공개했다. 제품설계를 200개 이상의 security requirements와 대조하는 agent, Mantis code scanning, self-healing fuzzing, unified patching, post-launch posture management까지 SDLC 전 구간에 agent를 배치한다고 설명했다. Google Cloud CISO - How Google Cloud Security uses AI internally [확인] 이때 Google은 naive decentralized LLM scanning이 hallucination 때문에 true-positive rate가 7% 미만으로 떨어질 수 있다고 밝히며, 단일 agent가 아니라 Strategist, Research, Deduplicator, Reviewer, Critic, sandbox reproduction을 조합한 Mantis orchestration을 제시했다. Hierarchical security summary tree는 대형 repository의 token overhead를 85% 이상 줄인다고 회사가 설명했다. ② 공식 확인 [확인] 9월 18일 Google AI and Infrastructure는 이 아이디어가 실제 인프라 코드의 presubmit gate에 들어갔다고 공개했다. 모든 code change를 real-time으로 스캔하며 대상은 hundreds of millions of lines of code라고 적었다. Google은 이 운영으로 매월 수백 건의 취약점이 codebase 또는 production에 들어가기 전에 차단된다고 밝혔다. Google - Using AI agents to secure infrastructure code [확인] presubmit 단위로 scan을 쪼갠 이유도 공개됐다. 전체 repository one-off scan보다 한 변경의 context가 작아 AI가 판단해야 할 범위가 줄고, developer workflow의 readability/rule checker처럼 지속적인 gate로 삽입할 수 있다는 설명이다. ③ 후속 기사와 반응 [확인] 독립 기술매체는 Google의 내부배치와 Mantis open-source 공개를 함께 다루면서, 월 수백 vulnerability와 precision 수치는 Google 자체 운영수치라는 한계를 지적했다. Mantis 공개버전도 production-ready commercial product가 아니라 reference/demo harness라는 점을 구분해야 한다. AI Stack Current - Google Mantis agentic vulnerability scanning [확인] 9월 초 공개 Mantis를 분석한 GIGAZINE 역시 multi-agent workflow와 hierarchical summarization을 소개하면서, AI security scanning이 context grounding 없이는 높은 false-positive 문제를 보인다는 Google 측 설명을 함께 전했다. GIGAZINE - Google Mantis open source ④ 담당자·연구자·개발자 발언 [확인] 9월 18일 글의 저자는 Google Distinguished Engineer Andrés Lagar-Cavilla와 VP/Engineering Fellow Parthasarathy Ranganathan이다. 글은 이 delivery에 Stella Voutsina, Mantis Senior Staff Security Engineer Yulong Zhang, Mantis Staff Security Engineer Nick Galloway가 핵심 역할을 했다고 별도 명시한다. [확인] CISO 관점에서는 Chris Betz와 Ruchi Shah가 human-dependent checklist -> proactive multi-agent orchestration 전환을 강조한다. 공통 메시지는 model 자체보다 orchestration, context, sandbox, verifier, reflection이 실제 운영성능을 만든다는 것이다. ⑤ SNS·YouTube·GitHub 등에서 드러난 추가 단서 [확인] GitHub google/mantis의 현재 README는 Mantis를 skills와 ADK reference harness로 구성된 portable security toolkit이라고 정의한다. pipeline은 history review, semantic indexing, threat modeling, research, dedupe, review/critic, isolated reproduction, exploit-chain analysis, patch, adversarial re-attack, severity calibration, reflection, reporting, /mantis-advise까지 이어진다. google/mantis [확인] canonical agent guide는 Mantis가 Gemini CLI, Antigravity CLI, Google ADK 등과 결합될 수 있고, source code 외에도 Hardware/RTL, IaC, ML pipeline, compiled firmware로 확장 가능하다고 설명한다. pipeline은 snapshot pinning과 stage별 state contract를 두며 patch 단계에서 별도 re-attacker를 사용한다. Mantis agent reference [확인] /mantis-advise는 이전 threat model, verified patch, false positive, learned invariant를 knowledge store에 축적해 향후 coding agent가 같은 실수를 반복하지 않게 하는 remediation/learning layer다. Mantis advise skill ⑥ 실제 제품·기술·정책 변화 [확인] 9월 18일 Google 내부 presubmit system은 Mantis의 generalized workflow를 production context에 맞게 좁혀 사용한다. 핵심은 localized threat model이다. static document 대신 live codebase metadata와 dependency call graph를 이용해 각 변경의 reachable attack surface를 구성한다. Google은 이 방식이 일부 case에서 false-positive를 3%까지 낮췄다고 밝혔다. [확인] validation은 2단계다. 먼저 lightweight scan을 돌리고, specialized triage agent가 AST parsing, call-graph traversal, pre-indexed domain safety rules로 취약경로가 실제 attacker에게 reachable한지 programmatically 검증한다. Google은 triage precision 92% 초과, 처리시간 1분 미만을 주장한다. [확인] presubmit 뒤 nightly integration scan이 cross-change vulnerability를 다시 확인한다. 마지막으로 bug-fix agent가 finding과 proof를 받아 patch를 만들고 원 change request에 human review 대상으로 제출한다. 자동 발견이 remediation backlog만 키우지 않도록 detection과 fixing을 같은 loop에 둔 것이다. [확인] Mandiant는 별도의 Agentic Vulnerability Discovery Harness(AVDH)를 10개월간 사용했으며, stolen corporate repository incident에서 이틀 만에 100건 이상의 true-positive critical vulnerabilities를 찾았다고 8월 18일 공개했다. 이 자료는 Google 계열 내 agentic source-code review가 internal infra뿐 아니라 incident response/red team에도 확장되는 신호다. Mandiant - Agentic Source Code Review ⑦ 숨은 의미와 비하인드 [추론] 이 architecture의 핵심은 LLM scanner가 아니라 stochastic discovery + deterministic structural proof + isolated reproduction + patch re-attack + human acceptance다. 모델의 불확실성을 없애려 하기보다, 불확실한 제안을 다음 verifier가 증명하거나 탈락시키는 control system으로 바꾼다. [추론] localized threat model은 문서가 아니라 execution context가 된다. code graph·dependency·history·security rule이 실시간으로 갱신되면 threat model 자체가 agent의 runtime state이자 precision moat가 된다. 동일한 frontier model을 써도 context graph 품질에 따라 실전 성능이 크게 갈릴 수 있다. [추론] open-source Mantis는 Google 내부 system 전체를 공개한 것이 아니다. Google CISO 글도 open-source는 core skills를 fundamental concept로 보여주는 것이고 더 full-fledged한 내부버전이 별도로 운영된다고 명시한다. 따라서 open source는 community 표준화·developer funnel 역할을 하고, production-grade context/index/sandbox/cloud integration은 별도 가치층으로 남을 가능성이 높다. [추론] 보안 제품 구매기준도 scanner accuracy 하나에서 finding -> proof -> patch -> regression -> audit evidence의 end-to-end closure rate로 이동할 수 있다. 실제 고객가치는 발견건수보다 mean-time-to-validated-fix를 얼마나 줄이는가에 있다. ⑧ 반대 근거와 과장 가능성 [확인] Google이 제시한 3% false-positive, 92%+ precision, 월 수백 vulnerability 방지는 내부 측정치다. 공개 benchmark dataset, denominator, confidence interval, external auditor가 공개되지 않았으므로 일반조직에서도 동일한 수치를 재현한다고 볼 수 없다. [확인] Mantis GitHub README는 generated code가 unstable하거나 unexpected action을 할 수 있어 production system·sensitive data·internal network와 분리된 restricted environment에서만 실행하라고 경고한다. 모든 finding은 보안전문가가 수동 검증해야 하며 successful reproducer가 모든 context에서 exploitability를 보장하지 않는다고 적는다. [확인] 공개 Mantis는 Google이 공식 지원하는 production product가 아니며 demonstration purpose라고 명시돼 있다. 따라서 GitHub repo를 설치하면 Google 내부 presubmit system과 같은 결과가 나온다고 해석하면 안 된다. [확인] autonomous remediation도 production auto-merge를 의미하지 않는다. 공개된 내부흐름에서 fix agent는 patch를 제출하고 최종 merge 전에 human review가 남는다. ⑨ 향후 예상되는 다음 행동과 확인해야 할 신호 첫째 Google이 presubmit system의 patch acceptance rate, false-negative estimate, rollback/regression rate, mean-time-to-fix를 공개하는지 확인해야 한다. 둘째 Mantis의 open-source release cadence, external contributors, 실제 기업 adoption, non-Google model/harness에서의 independent benchmark가 나오는지 봐야 한다. 셋째 Mantis/CodeMender/Mandiant AVDH/AI Threat Defense가 제품적으로 어느 지점에서 연결되는지, 고객이 동일한 scan-to-patch loop를 managed service로 구매할 수 있게 되는지 확인해야 한다. 넷째 human review가 유지되는 범위와 low-risk patch에 자동 merge 또는 policy-based approval이 허용되는지가 agent autonomy 확대의 핵심 신호다. 다섯째 threat model·code graph·reproducer·patch 결과가 감사 가능한 signed evidence로 남는지, 그리고 agent가 생성한 finding/patch의 provenance schema가 표준화되는지 추적해야 한다. ① 오늘의 핵심 흐름 이번 회차의 핵심은 AI security가 취약점 찾는 챗봇에서 개발 파이프라인의 상시 실행 게이트로 바뀌는 것이다. Google은 commit마다 agent를 호출하고, 빠른 scan을 deterministic structural verifier가 확인한 뒤 nightly second layer와 patch agent로 닫는 multi-stage control loop를 운영한다. [추론] AI가 코드를 더 빨리 생성할수록 security review도 동일한 속도로 code path 안에 들어가야 한다. 사람이 모든 finding을 처음부터 찾는 역할에서 policy 설계·high-risk adjudication·최종 승인 역할로 이동하는 패턴이다. ② 새로운 출시·업데이트 직전 브리핑 이후 미국 현지 공개 웹에서 1차 출처·독립검증을 모두 충족하는 대형 신규 frontier model/API release는 확인하지 못했다. 따라서 이전 모델발표를 재탕하지 않았다. 이번 문서는 기존 발행폴더에서 빠져 있던 9월 18일 Google agentic presubmit security deployment를 누락 보강한 것이다. 새로운 사실은 단순 Mantis 공개가 아니라 실제 Google infrastructure SDLC에 every-change scanning, structural triage, nightly scan, patch-agent loop가 운영된다는 구체적 deployment evidence다. ③ 핵심기술·연구 기술핵심은 context와 verifier다. localized threat model, dependency call graph, AST, domain rule, sandboxed reproduction이 LLM의 자유로운 추론을 제약하고 실제 attacker-reachable path만 남긴다. [추론] future agent security architecture는 Planner/Scanner -> Structural Verifier -> Reproducer -> Patch Author -> Independent Re-attacker -> Test/Regression -> Human/Policy Gate처럼 서로 다른 권한과 context를 가진 agent를 분리하는 방향이 강해질 가능성이 높다. ④ 기업·담당자·조직 신호 Google AI & Infrastructure, Google Cloud Security, Mandiant가 서로 다른 use case에서 유사한 agentic security pattern을 공개하고 있다. 이는 단일 연구팀 experiment보다 조직 전체의 security operating model이 바뀌는 신호다. [추론] 내부 tool에서 출발한 pattern을 open-source Mantis, AI Threat Defense, Mandiant service로 확장하면 Google은 모델 + cloud + code context + threat intelligence + remediation을 수직통합할 수 있다. ⑤ SNS·YouTube에서 포착된 신호 Google Cloud는 CISO 글에서 CodeMender demo video와 AI security podcast를 연결하고, Mantis GitHub는 agent skills를 직접 설치·실행할 수 있는 공개 reference harness를 제공한다. 이번 사건의 증거가치는 SNS 반응보다 Google Cloud 공식문서와 GitHub source가 더 높아 이를 우선했다. 공개 social repost는 내부 수치의 독립 검증으로 세지 않았다. GitHub README의 안전경고와 production disclaimer를 오히려 중요한 반대증거로 포함했다. ⑥ 약한 신호와 향후 조짐 [추론] 첫째 vulnerability scanner 시장은 static finding list보다 evidence-producing agent workflow로 이동할 수 있다. [추론] 둘째 agent가 생성한 code가 늘수록 별도 security agent가 같은 commit path에 붙는 agent checks agent 패턴이 기본이 될 수 있다. [추론] 셋째 threat model이 PDF/문서가 아니라 code graph와 policy catalog에서 자동 갱신되는 machine-readable runtime artifact로 바뀔 가능성이 높다. [추론] 넷째 보안팀의 KPI도 findings count보다 verified exploitability, patch acceptance, time-to-fix, recurrence reduction, false-positive cost로 이동할 수 있다. ⑦ 과장·루머·주의 항목 Google의 월 수백 건 차단·3% false-positive·92%+ precision을 외부 독립 benchmark처럼 인용하면 안 된다. 모두 Google이 공개한 내부 운영수치다. Mantis를 Google 내부 production system 그 자체로 보면 안 된다. 공개 repo는 reference/demo toolkit이며 내부버전은 더 확장돼 있다고 Google이 명시한다. 자동 patch 생성과 완전자율 배포를 혼동하지 않는다. 공개 flow는 human review를 유지한다. agent가 vulnerability를 reproduce한다고 해서 모든 환경에서 exploitable하다는 뜻이 아니다. Mantis README 자체가 이 한계를 경고한다. ⑧ 사용자가 반드시 알아야 할 것 실제 agentic security system을 설계한다면 finding 한 테이블로 끝내지 말고 evidence chain을 분리하는 것이 중요하다. [추론] 최소 데이터 모델은 code_snapshot, change_id, threat_model_version, scanner_agent/version, finding, reachable_path_proof, triage_verdict, reproducer_artifact, sandbox_result, patch_candidate, re_attack_result, test_result, human_decision, deployment_state, recurrence_link로 나누는 편이 좋다. [추론] 핵심 운영규칙은 AI가 발견 -> 다른 verifier가 검증 -> isolated sandbox가 증명 -> 별도 patcher가 수정 -> 독립 re-attacker가 우회 확인 -> policy/human gate가 승인이다. 하나의 agent에게 발견·증명·수정·승인을 모두 주는 구조보다 failure isolation과 auditability가 높다. ⑨ 누락 가능성과 탐색 한계 이번 조사는 Google AI & Infrastructure의 9월 18일 공식 발표, 6월 29일 Google Cloud CISO architecture, Google의 public google/mantis repository와 agent guide, 8월 18일 Mandiant AVDH 실전자료, Google AI Threat Defense 관련 공개자료, 독립 기술보도를 연결해 확인했다. Google 내부 scanner의 전체 code, 실제 finding corpus, false-negative rate, vulnerability severity distribution, patch acceptance rate, cost per scan, 모델별 routing, production rollback statistics는 공개되지 않았다. GitHub 공개 Mantis와 Google 내부 full-fledged system 사이의 정확한 code overlap도 공개되지 않았다. 공개되지 않은 내부 architecture나 고객데이터를 아는 것처럼 쓰지 않았다. 참고 자료와 작성 정보 조사·작성 기준 시각: 2026-09-20 12:37:28 KST / 2026-09-19 23:37:28 EDT / 2026-09-19 20:37:28 PDT / 2026-09-20 03:37:28 UTC. 주요 직접출처: Google - Using AI agents to secure infrastructure code ; Google Cloud CISO - How Google Cloud Security uses AI internally ; google/mantis GitHub ; Mantis agent reference ; Mantis advise skill ; Mandiant - Agentic Source Code Review ; Google AI Threat Defense ; AI Stack Current ; GIGAZINE Mantis analysis . 이 브리핑은 AI의 도움으로 공개 자료를 조사·정리했습니다. 확인된 사실과 추론, 미확인 내용을 구분해 표시했습니다.","canonical_url":"https://yoondata.com/posts/ai-briefing-20260920-123728-001","category":"AI 동향","description":"이번 증분은 기존 발행물에서 빠져 있던 Google의 agentic SDLC security 배치를 추적한다. Google은 수억 줄 규모 인프라 코드의 모든 변경을 presubmit AI agent로 검사해 월 수백 건의 취약점 유입을 막는다고 공개했다. Mantis 기반 localized threat model, AST·call-graph triage, proof 생성, human-reviewed patch agent까지 연결되면서 AI 보안의 경쟁단위가 단일 모델에서 evidence-producing multi-agent control plane으로 이동한다.","id":151,"image":null,"language":"ko-KR","modified_at":"2026-09-20T09:03:40Z","published_at":"2026-09-20T09:03:40Z","related_content":[{"title":"미국 2026년 9월 20일 AI 브리핑: Snap SPECS Intelligence가 개인 컨텍스트를 선점하고, Agentforce·AWS·NVIDIA로 AR 실행면까지 확장","url":"https://yoondata.com/posts/ai-briefing-20260920-133619-001"},{"title":"미국 2026년 9월 19일 AI 브리핑: Qwen은 실시간 통역을 단일 멀티모달 스트림으로, Pika는 멀티모델 창작 운영체계로 이동","url":"https://yoondata.com/posts/ai-briefing-20260920-113419-001"},{"title":"미국 2026년 9월 19일 AI 브리핑: Faraday Future 후속 공시가 즉시 판매·배송, 약 30% 로보틱스 마진 단서, RoboShare 렌털 확장을 공식화","url":"https://yoondata.com/posts/ai-briefing-20260920-103722-001"}],"schema_version":1,"sources":[{"title":"Google presubmit agents","url":"https://cloud.google.com/blog/topics/systems/using-ai-agents-to-secure-google-infrastructure/"},{"title":"Google Cloud CISO","url":"https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-how-google-cloud-security-uses-ai-internally"},{"title":"Mantis GitHub","url":"https://github.com/google/mantis"},{"title":"Mandiant AVDH","url":"https://cloud.google.com/blog/topics/threat-intelligence/staying-ahead-of-adversarial-ai-through-agentic-source-code-review"},{"title":"AI Stack Current - Google Mantis agentic vulnerability scanning","url":"https://www.aistackcurrent.com/news/google-mantis-ai-vulnerability-scanning-agents/"},{"title":"GIGAZINE - Google Mantis open source","url":"https://gigazine.net/gsc_news/en/20260903-google-mantis-open-source/"},{"title":"Mantis agent reference","url":"https://github.com/google/mantis/blob/main/README_AGENTS.md"},{"title":"Mantis advise skill","url":"https://github.com/google/mantis/blob/main/mantis-advise/SKILL.md"},{"title":"Google AI Threat Defense","url":"https://cloud.google.com/blog/products/identity-security/introducing-google-ai-threat-defense"}],"summary":"이번 증분은 기존 발행물에서 빠져 있던 Google의 agentic SDLC security 배치를 추적한다. Google은 수억 줄 규모 인프라 코드의 모든 변경을 presubmit AI agent로 검사해 월 수백 건의 취약점 유입을 막는다고 공개했다. Mantis 기반 localized threat model, AST·call-graph triage, proof 생성, human-reviewed patch agent까지 연결되면서 AI 보안의 경쟁단위가 단일 모델에서 evidence-producing multi-agent control plane으로 이동한다.","tags":["AI Agents","AI Security","AI 동향","Agentic Security","Autonomous Remediation","Code Review","CodeMender","Google","Google Cloud","Human in the Loop","Mandiant","Mantis","Secure SDLC","Software Supply Chain","Threat Modeling","Vulnerability Scanning","미국 AI","생성형 AI"],"title":"미국 2026년 9월 19일 AI 브리핑: Google은 Mantis를 코드 제출 게이트에 넣어 탐지-증명-패치의 보안 폐쇄루프를 구축"},"content_md":"## 핵심 요약\n조사 기준 시각: 한국시간 2026-09-20 12:37:28 KST (Asia/Seoul, UTC+09:00) / 미국 동부 2026-09-19 23:37:28 EDT (America/New_York, UTC-04:00) / 미국 서부 2026-09-19 20:37:28 PDT (America/Los_Angeles, UTC-07:00) / UTC 2026-09-20 03:37:28.\n[확인] 지정 발행 폴더의 직전 브리핑은 gpt_20260920_113419_001.docx이며 Qwen3.8-LiveTranslate와 Pika creative platform을 다뤘다. 이번 실행에서는 9월 19일 밤 미국 현지 공개 웹을 다시 검색했으나 직전 실행 이후 새로 발표된 대형 frontier model/API 중 1차 출처와 독립 검증을 동시에 충족하는 사건을 확인하지 못했다. 따라서 과거 발표를 재탕해 채우지 않고, 발행 폴더에서 아직 독립 핵심사건으로 다루지 않은 Google의 9월 18일 agentic SDLC security 실배치를 누락 보강으로 채택했다.\n[확인] Google AI and Infrastructure 팀은 9월 18일 수억 줄 규모의 인프라 코드에서 모든 code change를 presubmit 단계에서 AI agent로 검사하고, 월 수백 건의 취약점이 codebase나 production에 들어가기 전에 차단된다고 공개했다. 이는 단발성 AI bug-finder demo가 아니라 실제 SDLC gate에 들어간 운영시스템이라는 점이 핵심이다.\n[확인] 이 시스템은 open-source Mantis의 multi-agent review pattern을 내부환경에 맞게 확장하고, live codebase metadata와 dependency call graph를 이용한 localized threat model을 넣는다. Google은 일부 경우 false-positive rate가 3%까지 내려갔고, specialized triage agent는 AST parsing·call-graph traversal·pre-indexed domain safety rules로 vulnerable path의 attacker reachability를 검증해 92% 초과 precision을 1분 미만에 달성한다고 설명한다.\n[확인] 발견 뒤에는 자동 bug-fix agent가 scan result와 proof를 받아 내부 coding standard에 맞는 patch를 생성하고, 원래 change request에 human review 대상으로 제출한다. nightly post-submit scan이 두 번째 방어층으로 동작한다. 즉 `scan -> structural proof -> reproduce/evidence -> patch -> human review`가 하나의 폐쇄루프로 묶였다.\n[추론] 숨은 변화는 보안 AI의 핵심자산이 model benchmark가 아니라 `code context + living threat model + deterministic verifier + evidence artifact + remediation feedback`으로 이동하는 것이다. 확률적 agent의 약점을 AST/call graph 같은 구조적 검증기로 보완하면서 신뢰가능한 실행권한을 단계적으로 넓힌다.\n[반대근거] 월 수백 건, false-positive 3%, triage precision 92%+는 Google 내부 운영수치로 공개 independent benchmark가 아니다. GitHub의 google/mantis README도 Mantis를 demonstration/reference toolkit으로 규정하고 production·sensitive network에서 쓰지 말며 모든 findings를 security expert가 수동 검증해야 한다고 경고한다. 따라서 `Google이 완전자율 보안을 달성했다`고 해석하지 않는다.\n## 핵심 사건 종합표\n| 순위 | 분류 | 핵심 사건 | 최초 출처 | 연관 출처 체인 | 발생 시각과 미국 현지 날짜 | 핵심 사실 | 후속 전개 | 왜 중요한가 | 숨은 의미·비하인드 해석 | 담당자·관련 인물 | 수혜자 | 불리한 측 | 기술·사업 영향 | 다음 신호 | 신뢰도 | 검증 상태 | 원문 링크 |\n| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |\n| 1 | Agentic Security·Secure SDLC·Code Agents | Google이 Mantis 기반 AI agents를 모든 인프라 코드 변경의 presubmit 보안 게이트에 배치하고 scan-to-patch loop를 운영 | Google Cloud 2026-09-18 `Changing the game: Using agentic AI to secure infrastructure code` | 6/29 autonomous SDLC architecture 공개 -> Mantis multi-agent framework·self-healing fuzz·patch pipeline -> 8/18 Mandiant AVDH 실전 source-code review 성과 -> 9/18 Google AI & Infrastructure가 every-change presubmit scan·3% FP 일부 사례·92%+ triage precision·patch agent 운영 공개 -> open-source Mantis reference harness로 외부 확산 | 공식 발표 2026-09-18, 시각 미공개; 조사 2026-09-19 23:37 EDT / 20:37 PDT | 수억 줄 코드의 every-change scanning, 월 수백 vulnerabilities 차단 주장. localized threat model+dependency graph, AST/call-graph verifier, <1분 triage, nightly second layer, human-reviewed patch agent | Google Cloud CISO architecture·Mandiant AVDH·AI Threat Defense와 연결되어 secure SDLC productization 방향을 강화 | AI coding 속도가 올라갈수록 review를 사람에게만 맡길 수 없으며, 보안도 commit path 안에서 machine-speed로 작동해야 함 | [추론] 보안 control plane의 moat가 모델에서 context/evidence/verification loop로 이동. open-source Mantis는 reference architecture 표준화와 Google Cloud/Gemini 보안 stack funnel 역할 가능 | Andrés Lagar-Cavilla, Parthasarathy Ranganathan, Chris Betz, Ruchi Shah, Stella Voutsina, Yulong Zhang, Nick Galloway, Mandiant | 대규모 개발조직, DevSecOps, AI coding-agent 사용자, 보안플랫폼·sandbox·code graph 공급자 | one-off scanner, context 없는 LLM code review, 수동 threat-model·triage 중심 프로세스 | security gate가 PR 이후 audit에서 presubmit executable policy로 이동; deterministic verifier와 agent를 결합한 evidence-first architecture | 외부 independent benchmark, Mantis adoption, false-positive/patch acceptance 공개, CodeMender/AI Threat Defense 통합, production auto-merge 권한 확대 여부 | 높음 | Google 1차자료·GitHub source·Mandiant 실전자료 확인. 핵심 성능수치는 Google-reported이며 외부 재현 미확인 | [Google presubmit agents](https://cloud.google.com/blog/topics/systems/using-ai-agents-to-secure-google-infrastructure/) / [Google Cloud CISO](https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-how-google-cloud-security-uses-ai-internally) / [Mantis GitHub](https://github.com/google/mantis) / [Mandiant AVDH](https://cloud.google.com/blog/topics/threat-intelligence/staying-ahead-of-adversarial-ai-through-agentic-source-code-review) |\n## 1. Google Mantis 기반 agentic SDLC security - 보안이 presubmit 실행 게이트가 된다 — 연관 추적\n### ① 최초 신호\n[확인] 2026년 6월 29일 Google Cloud CISO Chris Betz와 Security Engineering의 Ruchi Shah는 AI가 vulnerability exploitation의 경제성을 바꿔 전통적인 patch window를 사실상 지우고 있다고 진단하면서 `autonomous SDLC security` 구조를 공개했다. 제품설계를 200개 이상의 security requirements와 대조하는 agent, Mantis code scanning, self-healing fuzzing, unified patching, post-launch posture management까지 SDLC 전 구간에 agent를 배치한다고 설명했다. [Google Cloud CISO - How Google Cloud Security uses AI internally](https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-how-google-cloud-security-uses-ai-internally)\n[확인] 이때 Google은 naive decentralized LLM scanning이 hallucination 때문에 true-positive rate가 7% 미만으로 떨어질 수 있다고 밝히며, 단일 agent가 아니라 Strategist, Research, Deduplicator, Reviewer, Critic, sandbox reproduction을 조합한 Mantis orchestration을 제시했다. Hierarchical security summary tree는 대형 repository의 token overhead를 85% 이상 줄인다고 회사가 설명했다.\n### ② 공식 확인\n[확인] 9월 18일 Google AI and Infrastructure는 이 아이디어가 실제 인프라 코드의 presubmit gate에 들어갔다고 공개했다. 모든 code change를 real-time으로 스캔하며 대상은 `hundreds of millions of lines of code`라고 적었다. Google은 이 운영으로 매월 수백 건의 취약점이 codebase 또는 production에 들어가기 전에 차단된다고 밝혔다. [Google - Using AI agents to secure infrastructure code](https://cloud.google.com/blog/topics/systems/using-ai-agents-to-secure-google-infrastructure/)\n[확인] presubmit 단위로 scan을 쪼갠 이유도 공개됐다. 전체 repository one-off scan보다 한 변경의 context가 작아 AI가 판단해야 할 범위가 줄고, developer workflow의 readability/rule checker처럼 지속적인 gate로 삽입할 수 있다는 설명이다.\n### ③ 후속 기사와 반응\n[확인] 독립 기술매체는 Google의 내부배치와 Mantis open-source 공개를 함께 다루면서, 월 수백 vulnerability와 precision 수치는 Google 자체 운영수치라는 한계를 지적했다. Mantis 공개버전도 production-ready commercial product가 아니라 reference/demo harness라는 점을 구분해야 한다. [AI Stack Current - Google Mantis agentic vulnerability scanning](https://www.aistackcurrent.com/news/google-mantis-ai-vulnerability-scanning-agents/)\n[확인] 9월 초 공개 Mantis를 분석한 GIGAZINE 역시 multi-agent workflow와 hierarchical summarization을 소개하면서, AI security scanning이 context grounding 없이는 높은 false-positive 문제를 보인다는 Google 측 설명을 함께 전했다. [GIGAZINE - Google Mantis open source](https://gigazine.net/gsc_news/en/20260903-google-mantis-open-source/)\n### ④ 담당자·연구자·개발자 발언\n[확인] 9월 18일 글의 저자는 Google Distinguished Engineer Andrés Lagar-Cavilla와 VP/Engineering Fellow Parthasarathy Ranganathan이다. 글은 이 delivery에 Stella Voutsina, Mantis Senior Staff Security Engineer Yulong Zhang, Mantis Staff Security Engineer Nick Galloway가 핵심 역할을 했다고 별도 명시한다.\n[확인] CISO 관점에서는 Chris Betz와 Ruchi Shah가 `human-dependent checklist -> proactive multi-agent orchestration` 전환을 강조한다. 공통 메시지는 model 자체보다 orchestration, context, sandbox, verifier, reflection이 실제 운영성능을 만든다는 것이다.\n### ⑤ SNS·YouTube·GitHub 등에서 드러난 추가 단서\n[확인] GitHub `google/mantis`의 현재 README는 Mantis를 skills와 ADK reference harness로 구성된 portable security toolkit이라고 정의한다. pipeline은 history review, semantic indexing, threat modeling, research, dedupe, review/critic, isolated reproduction, exploit-chain analysis, patch, adversarial re-attack, severity calibration, reflection, reporting, `/mantis-advise`까지 이어진다. [google/mantis](https://github.com/google/mantis)\n[확인] canonical agent guide는 Mantis가 Gemini CLI, Antigravity CLI, Google ADK 등과 결합될 수 있고, source code 외에도 Hardware/RTL, IaC, ML pipeline, compiled firmware로 확장 가능하다고 설명한다. pipeline은 snapshot pinning과 stage별 state contract를 두며 patch 단계에서 별도 re-attacker를 사용한다. [Mantis agent reference](https://github.com/google/mantis/blob/main/README_AGENTS.md)\n[확인] `/mantis-advise`는 이전 threat model, verified patch, false positive, learned invariant를 knowledge store에 축적해 향후 coding agent가 같은 실수를 반복하지 않게 하는 remediation/learning layer다. [Mantis advise skill](https://github.com/google/mantis/blob/main/mantis-advise/SKILL.md)\n### ⑥ 실제 제품·기술·정책 변화\n[확인] 9월 18일 Google 내부 presubmit system은 Mantis의 generalized workflow를 production context에 맞게 좁혀 사용한다. 핵심은 localized threat model이다. static document 대신 live codebase metadata와 dependency call graph를 이용해 각 변경의 reachable attack surface를 구성한다. Google은 이 방식이 일부 case에서 false-positive를 3%까지 낮췄다고 밝혔다.\n[확인] validation은 2단계다. 먼저 lightweight scan을 돌리고, specialized triage agent가 AST parsing, call-graph traversal, pre-indexed domain safety rules로 취약경로가 실제 attacker에게 reachable한지 programmatically 검증한다. Google은 triage precision 92% 초과, 처리시간 1분 미만을 주장한다.\n[확인] presubmit 뒤 nightly integration scan이 cross-change vulnerability를 다시 확인한다. 마지막으로 bug-fix agent가 finding과 proof를 받아 patch를 만들고 원 change request에 human review 대상으로 제출한다. 자동 발견이 remediation backlog만 키우지 않도록 detection과 fixing을 같은 loop에 둔 것이다.\n[확인] Mandiant는 별도의 Agentic Vulnerability Discovery Harness(AVDH)를 10개월간 사용했으며, stolen corporate repository incident에서 이틀 만에 100건 이상의 true-positive critical vulnerabilities를 찾았다고 8월 18일 공개했다. 이 자료는 Google 계열 내 agentic source-code review가 internal infra뿐 아니라 incident response/red team에도 확장되는 신호다. [Mandiant - Agentic Source Code Review](https://cloud.google.com/blog/topics/threat-intelligence/staying-ahead-of-adversarial-ai-through-agentic-source-code-review)\n### ⑦ 숨은 의미와 비하인드\n[추론] 이 architecture의 핵심은 `LLM scanner`가 아니라 `stochastic discovery + deterministic structural proof + isolated reproduction + patch re-attack + human acceptance`다. 모델의 불확실성을 없애려 하기보다, 불확실한 제안을 다음 verifier가 증명하거나 탈락시키는 control system으로 바꾼다.\n[추론] localized threat model은 문서가 아니라 execution context가 된다. code graph·dependency·history·security rule이 실시간으로 갱신되면 threat model 자체가 agent의 runtime state이자 precision moat가 된다. 동일한 frontier model을 써도 context graph 품질에 따라 실전 성능이 크게 갈릴 수 있다.\n[추론] open-source Mantis는 Google 내부 system 전체를 공개한 것이 아니다. Google CISO 글도 open-source는 core skills를 `fundamental concept`로 보여주는 것이고 더 full-fledged한 내부버전이 별도로 운영된다고 명시한다. 따라서 open source는 community 표준화·developer funnel 역할을 하고, production-grade context/index/sandbox/cloud integration은 별도 가치층으로 남을 가능성이 높다.\n[추론] 보안 제품 구매기준도 scanner accuracy 하나에서 `finding -> proof -> patch -> regression -> audit evidence`의 end-to-end closure rate로 이동할 수 있다. 실제 고객가치는 발견건수보다 mean-time-to-validated-fix를 얼마나 줄이는가에 있다.\n### ⑧ 반대 근거와 과장 가능성\n[확인] Google이 제시한 3% false-positive, 92%+ precision, 월 수백 vulnerability 방지는 내부 측정치다. 공개 benchmark dataset, denominator, confidence interval, external auditor가 공개되지 않았으므로 일반조직에서도 동일한 수치를 재현한다고 볼 수 없다.\n[확인] Mantis GitHub README는 generated code가 unstable하거나 unexpected action을 할 수 있어 production system·sensitive data·internal network와 분리된 restricted environment에서만 실행하라고 경고한다. 모든 finding은 보안전문가가 수동 검증해야 하며 successful reproducer가 모든 context에서 exploitability를 보장하지 않는다고 적는다.\n[확인] 공개 Mantis는 Google이 공식 지원하는 production product가 아니며 demonstration purpose라고 명시돼 있다. 따라서 GitHub repo를 설치하면 Google 내부 presubmit system과 같은 결과가 나온다고 해석하면 안 된다.\n[확인] `autonomous remediation`도 production auto-merge를 의미하지 않는다. 공개된 내부흐름에서 fix agent는 patch를 제출하고 최종 merge 전에 human review가 남는다.\n### ⑨ 향후 예상되는 다음 행동과 확인해야 할 신호\n첫째 Google이 presubmit system의 patch acceptance rate, false-negative estimate, rollback/regression rate, mean-time-to-fix를 공개하는지 확인해야 한다.\n둘째 Mantis의 open-source release cadence, external contributors, 실제 기업 adoption, non-Google model/harness에서의 independent benchmark가 나오는지 봐야 한다.\n셋째 Mantis/CodeMender/Mandiant AVDH/AI Threat Defense가 제품적으로 어느 지점에서 연결되는지, 고객이 동일한 scan-to-patch loop를 managed service로 구매할 수 있게 되는지 확인해야 한다.\n넷째 human review가 유지되는 범위와 low-risk patch에 자동 merge 또는 policy-based approval이 허용되는지가 agent autonomy 확대의 핵심 신호다.\n다섯째 threat model·code graph·reproducer·patch 결과가 감사 가능한 signed evidence로 남는지, 그리고 agent가 생성한 finding/patch의 provenance schema가 표준화되는지 추적해야 한다.\n## ① 오늘의 핵심 흐름\n이번 회차의 핵심은 AI security가 `취약점 찾는 챗봇`에서 `개발 파이프라인의 상시 실행 게이트`로 바뀌는 것이다. Google은 commit마다 agent를 호출하고, 빠른 scan을 deterministic structural verifier가 확인한 뒤 nightly second layer와 patch agent로 닫는 multi-stage control loop를 운영한다.\n[추론] AI가 코드를 더 빨리 생성할수록 security review도 동일한 속도로 code path 안에 들어가야 한다. 사람이 모든 finding을 처음부터 찾는 역할에서 `policy 설계·high-risk adjudication·최종 승인` 역할로 이동하는 패턴이다.\n## ② 새로운 출시·업데이트\n직전 브리핑 이후 미국 현지 공개 웹에서 1차 출처·독립검증을 모두 충족하는 대형 신규 frontier model/API release는 확인하지 못했다. 따라서 이전 모델발표를 재탕하지 않았다.\n이번 문서는 기존 발행폴더에서 빠져 있던 9월 18일 Google agentic presubmit security deployment를 누락 보강한 것이다. 새로운 사실은 단순 Mantis 공개가 아니라 실제 Google infrastructure SDLC에 every-change scanning, structural triage, nightly scan, patch-agent loop가 운영된다는 구체적 deployment evidence다.\n## ③ 핵심기술·연구\n기술핵심은 context와 verifier다. localized threat model, dependency call graph, AST, domain rule, sandboxed reproduction이 LLM의 자유로운 추론을 제약하고 실제 attacker-reachable path만 남긴다.\n[추론] future agent security architecture는 `Planner/Scanner -> Structural Verifier -> Reproducer -> Patch Author -> Independent Re-attacker -> Test/Regression -> Human/Policy Gate`처럼 서로 다른 권한과 context를 가진 agent를 분리하는 방향이 강해질 가능성이 높다.\n## ④ 기업·담당자·조직 신호\nGoogle AI & Infrastructure, Google Cloud Security, Mandiant가 서로 다른 use case에서 유사한 agentic security pattern을 공개하고 있다. 이는 단일 연구팀 experiment보다 조직 전체의 security operating model이 바뀌는 신호다.\n[추론] 내부 tool에서 출발한 pattern을 open-source Mantis, AI Threat Defense, Mandiant service로 확장하면 Google은 `모델 + cloud + code context + threat intelligence + remediation`을 수직통합할 수 있다.\n## ⑤ SNS·YouTube에서 포착된 신호\nGoogle Cloud는 CISO 글에서 CodeMender demo video와 AI security podcast를 연결하고, Mantis GitHub는 agent skills를 직접 설치·실행할 수 있는 공개 reference harness를 제공한다. 이번 사건의 증거가치는 SNS 반응보다 Google Cloud 공식문서와 GitHub source가 더 높아 이를 우선했다.\n공개 social repost는 내부 수치의 독립 검증으로 세지 않았다. GitHub README의 안전경고와 production disclaimer를 오히려 중요한 반대증거로 포함했다.\n## ⑥ 약한 신호와 향후 조짐\n[추론] 첫째 vulnerability scanner 시장은 static finding list보다 evidence-producing agent workflow로 이동할 수 있다.\n[추론] 둘째 agent가 생성한 code가 늘수록 별도 security agent가 같은 commit path에 붙는 `agent checks agent` 패턴이 기본이 될 수 있다.\n[추론] 셋째 threat model이 PDF/문서가 아니라 code graph와 policy catalog에서 자동 갱신되는 machine-readable runtime artifact로 바뀔 가능성이 높다.\n[추론] 넷째 보안팀의 KPI도 findings count보다 verified exploitability, patch acceptance, time-to-fix, recurrence reduction, false-positive cost로 이동할 수 있다.\n## ⑦ 과장·루머·주의 항목\nGoogle의 월 수백 건 차단·3% false-positive·92%+ precision을 외부 독립 benchmark처럼 인용하면 안 된다. 모두 Google이 공개한 내부 운영수치다.\nMantis를 Google 내부 production system 그 자체로 보면 안 된다. 공개 repo는 reference/demo toolkit이며 내부버전은 더 확장돼 있다고 Google이 명시한다.\n자동 patch 생성과 완전자율 배포를 혼동하지 않는다. 공개 flow는 human review를 유지한다.\nagent가 vulnerability를 reproduce한다고 해서 모든 환경에서 exploitable하다는 뜻이 아니다. Mantis README 자체가 이 한계를 경고한다.\n## ⑧ 사용자가 반드시 알아야 할 것\n실제 agentic security system을 설계한다면 `finding` 한 테이블로 끝내지 말고 evidence chain을 분리하는 것이 중요하다.\n[추론] 최소 데이터 모델은 `code_snapshot`, `change_id`, `threat_model_version`, `scanner_agent/version`, `finding`, `reachable_path_proof`, `triage_verdict`, `reproducer_artifact`, `sandbox_result`, `patch_candidate`, `re_attack_result`, `test_result`, `human_decision`, `deployment_state`, `recurrence_link`로 나누는 편이 좋다.\n[추론] 핵심 운영규칙은 `AI가 발견 -> 다른 verifier가 검증 -> isolated sandbox가 증명 -> 별도 patcher가 수정 -> 독립 re-attacker가 우회 확인 -> policy/human gate가 승인`이다. 하나의 agent에게 발견·증명·수정·승인을 모두 주는 구조보다 failure isolation과 auditability가 높다.\n## ⑨ 누락 가능성과 탐색 한계\n이번 조사는 Google AI & Infrastructure의 9월 18일 공식 발표, 6월 29일 Google Cloud CISO architecture, Google의 public `google/mantis` repository와 agent guide, 8월 18일 Mandiant AVDH 실전자료, Google AI Threat Defense 관련 공개자료, 독립 기술보도를 연결해 확인했다.\nGoogle 내부 scanner의 전체 code, 실제 finding corpus, false-negative rate, vulnerability severity distribution, patch acceptance rate, cost per scan, 모델별 routing, production rollback statistics는 공개되지 않았다.\nGitHub 공개 Mantis와 Google 내부 full-fledged system 사이의 정확한 code overlap도 공개되지 않았다. 공개되지 않은 내부 architecture나 고객데이터를 아는 것처럼 쓰지 않았다.\n## 참고 자료와 작성 정보\n조사·작성 기준 시각: 2026-09-20 12:37:28 KST / 2026-09-19 23:37:28 EDT / 2026-09-19 20:37:28 PDT / 2026-09-20 03:37:28 UTC.\n주요 직접출처: [Google - Using AI agents to secure infrastructure code](https://cloud.google.com/blog/topics/systems/using-ai-agents-to-secure-google-infrastructure/); [Google Cloud CISO - How Google Cloud Security uses AI internally](https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-how-google-cloud-security-uses-ai-internally); [google/mantis GitHub](https://github.com/google/mantis); [Mantis agent reference](https://github.com/google/mantis/blob/main/README_AGENTS.md); [Mantis advise skill](https://github.com/google/mantis/blob/main/mantis-advise/SKILL.md); [Mandiant - Agentic Source Code Review](https://cloud.google.com/blog/topics/threat-intelligence/staying-ahead-of-adversarial-ai-through-agentic-source-code-review); [Google AI Threat Defense](https://cloud.google.com/blog/products/identity-security/introducing-google-ai-threat-defense); [AI Stack Current](https://www.aistackcurrent.com/news/google-mantis-ai-vulnerability-scanning-agents/); [GIGAZINE Mantis analysis](https://gigazine.net/gsc_news/en/20260903-google-mantis-open-source/).\n이 브리핑은 AI의 도움으로 공개 자료를 조사·정리했습니다. 확인된 사실과 추론, 미확인 내용을 구분해 표시했습니다.","created_at":"2026-09-20T09:03:40Z","id":151,"published_at":"2026-09-20T09:03:40Z","scheduled_at":null,"slug":"ai-briefing-20260920-123728-001","source_key":null,"status":"published","summary":"이번 증분은 기존 발행물에서 빠져 있던 Google의 agentic SDLC security 배치를 추적한다. Google은 수억 줄 규모 인프라 코드의 모든 변경을 presubmit AI agent로 검사해 월 수백 건의 취약점 유입을 막는다고 공개했다. Mantis 기반 localized threat model, AST·call-graph triage, proof 생성, human-reviewed patch agent까지 연결되면서 AI 보안의 경쟁단위가 단일 모델에서 evidence-producing multi-agent control plane으로 이동한다.","tags":["AI Agents","AI Security","AI 동향","Agentic Security","Autonomous Remediation","Code Review","CodeMender","Google","Google Cloud","Human in the Loop","Mandiant","Mantis","Secure SDLC","Software Supply Chain","Threat Modeling","Vulnerability Scanning","미국 AI","생성형 AI"],"thumbnail":"","title":"미국 2026년 9월 19일 AI 브리핑: Google은 Mantis를 코드 제출 게이트에 넣어 탐지-증명-패치의 보안 폐쇄루프를 구축","updated_at":"2026-09-20T09:03:40Z","version":2,"views":84}