MCP 모르면 대체 얼마나 손해 보는 걸까?

13분

6시간 전

6.5K

AI FOMO 리포트 ② MCP 편

올봄, AI 시장을 강타한 키워드가 있습니다. 오늘의 주인공 “MCP”입니다.

무언가 단어의 생김새는 GPT하고 비스무리한데요. 프로토콜, 서버, 클라이언트처럼 또 눈에 익은 단어들과 붙어 다니지만, 그 개념은 손에 잘 안 잡힙니다. 그런데 또 여기저기 슬금슬금 “MCP로 생산성을 미친 듯 끌어올렸다”는 이야기가 돌고 있습니다. 혼자 밀려난 느낌도 듭니다.

그래서 알아봤습니다. 의미를 파헤치고, 사람들의 반응을 살피고, 직접 체험해 볼 겁니다. 특히 어디까지 이 친구와 가까워져야 할지, 선을 그어보려고 합니다. 그 끝에서 이 질문에 답해보겠습니다. MCP 모르면 대체 얼마나 손해 보는 걸까요?

아니, 그래서 MCP가 뭔데요

한 줄로 정리하면 이렇습니다.

AI 에이전트와 다양한 외부 시스템, 데이터 소스를 안전하고 일관되게 연결해 주는 개방형 프로토콜

어디서 나온 말이래요?

MCP는 앤트로픽(Antrophic)이란 회사가 만들었습니다. 이름이 생소한 사람도 있겠네요. 클로드(Claude)란 모델과 서비스를 만들어 제공하는 자타공인 ‘오픈AI의 진짜 라이벌’입니다. MCP 배포와 함께 앤트로픽이 내놓은 소개 글을 살펴보겠습니다. 짧은 문서의 서두입니다.

Today, we're open-sourcing the Model Context Protocol(MCP), a new standard for connecting AI assistants to the systems where data lives, including content repositories, business tools, and development environments. Its aim is to help frontier models produce better, more relevant responses.

오늘, 저희는 AI 어시스턴트를 콘텐츠 저장소, 비즈니스 도구, 개발 환경 등 데이터가 존재하는 시스템에 연결하는 새로운 표준인 모델 컨텍스트 프로토콜(MCP)을 오픈소스로 공개합니다. 이 프로토콜의 목표는 최첨단 모델이 더욱 효과적이고 관련성 높은 응답을 생성할 수 있도록 지원하는 것입니다.

As AI assistants gain mainstream adoption, the industry has invested heavily in model capabilities, achieving rapid advances in reasoning and quality. Yet even the most sophisticated models are constrained by their isolation from data—trapped behind information silos and legacy systems. Every new data source requires its own custom implementation, making truly connected systems difficult to scale.

AI 어시스턴트가 주류로 자리 잡으면서 업계는 모델 역량에 막대한 투자를 해왔고, 이를 통해 추론 및 품질 측면에서 빠른 발전을 이루었습니다. 하지만 아무리 정교한 모델이라 하더라도 데이터와의 고립으로 인해 정보 사일로와 레거시 시스템에 갇히게 되어 제약을 받습니다. 모든 새로운 데이터 소스는 자체적인 맞춤형 구현이 필요하기 때문에, 진정으로 연결된 시스템을 확장하기는 어렵습니다.

MCP addresses this challenge. It provides a universal, open standard for connecting AI systems with data sources, replacing fragmented integrations with a single protocol. The result is a simpler, more reliable way to give AI systems access to the data they need.

MCP는 이러한 과제를 해결합니다. AI 시스템과 데이터 소스를 연결하는 보편적이고 개방적인 표준을 제공하여 단편화된 통합을 단일 프로토콜로 대체합니다. 결과적으로 AI 시스템이 필요한 데이터에 액세스할 수 있는 더 간단하고 안정적인 방법을 제공합니다.

여기까지 글의 서론입니다. 기술의 목표, 배경, 구조를 설명하네요. 쉬운 우리말로 해설하면 이렇습니다.

첫 번째 단락: MCP 출시! 목표는 최첨단 모델이 더 좋은 응답을 만들도록 지원하는 것.
두 번째 단락: 아무리 정교한 모델도 내부 데이터와 시스템만으로는 한계. 그렇다고 직접 연결은 쉽지 않음.
세 번째 단락: MCP는 그 문제를 해결할 기술로, AI 시스템과 데이터 소스를 연결하는 표준 프로토콜.

모르겠는데요

우리에게 필요한 건 맥락(context)입니다. 핵심 요소들을 추가로 설명하면 이렇습니다.

AI 에이전트: 사람을 대신해 목표를 가장 잘 수행하는 방법으로 움직이는 시스템입니다. 목표를 세우고, 필요한 자원을 모으며, 할 일을 잘게 쪼개 계획하고, 이를 다시 평가하고, 수행하는 일을 합니다. 요즘은 주로 LLM이 ‘뇌’ 비슷한 역할을 합니다.
외부 시스템과 데이터 소스: AI 에이전트가 일을 하다 보면 여러 ‘도구’가 필요해집니다. 데이터일 수도 있고, 지메일, 엑셀, 노션 같은 소프트웨어일 수도 있습니다.
개방형 프로토콜: 프로토콜은 컴퓨터나 네트워크 장치들이 통신할 때 따르는 규칙이나 약속을 말합니다. 여기에 개방형이 붙으면, 말 그대로 ‘누구에게나 열린 규칙’이란 뜻이 되죠.

AI 시스템은 점점 알아서 하는 쪽으로 발전하고 있습니다. 다만 혼자 힘으로는 한계가 있어 외부의 데이터나 도구를 써야 할 일이 자주 생깁니다. 처음에는 하나하나 연결하려 했는데 너무 많은 힘이 들었고요. 그래서 이를 연결할 하나의 규칙을 만들기로 한 것입니다.

마치 “USB-C 포트와 같은” 규칙, 그것이 MCP입니다.

왜 유명해졌는데요?

규칙을 만들었다고 모두 따르면 세상일이 참 쉬울 겁니다. 하지만 호락호락하지 않겠죠. 그렇게 24년 11월에 나온 MCP는 처음엔 사람들의 주목을 끌지 못했습니다.

그러나 곧 ‘필요’가 사람들을 끌어모읍니다. 여기에는 이런 흐름이 작용합니다.

에이전트를 만드는 사람이 늘다 보니 ‘도구’의 필요성과 ‘연동’의 어려움을 모두 깨달음
이 어려움을 해결해 줄 좋은 기술을 찾는데, 마침 앤트로픽이 MCP를 열심히 영업하고 있음
안심하고 써도 괜찮은 데다 써 보니 훨씬 간편함: ‘보편적 기준’이 될 싹수가 있음
MCP를 우리 규칙으로 삼겠다는 개발자와 서비스가 점점 많아짐

그렇게 약간의 예열 기간을 거쳐 25년 봄부터 MCP는 AI 업계의 뜨거운 감자로 떠오릅니다.

그래서 사람들은 뭐라고 해요?

네! 제가 한 번 알아보겠습니다. 시작은 검색입니다.

구글에 검색해 봤습니다

‘MCP’로 검색했습니다.

연관 검색어

란, 나무위키, 서버란: 그 자체와 작동 방식에 대한 이해가 여전히 필요합니다.
피그마, --figma, -obsidian, 챗gpt: MCP는 도구를 연결하는 기술입니다. 그러니 그 도구들이 같이 나옵니다. 아무래도 가장 인기 많은 도구는 피그마(figma) 같습니다. 메모 앱 옵시디언(obsidian), 챗GPT도 있네요.

상위 노출 글도 읽어 봤습니다

앤트로픽이 제공한 MCP 공식 문서가 아무래도 제일 상단에 뜹니다. 아주 짧막한 설명이 가장 먼저 보이는데요. “AI 애플리케이션을 위한 USB-C 포트와 같다.”는 비유가 아주 유명합니다. 그 외 대부분 글은 방대한 MCP 개론서입니다. MCP가 무엇이고, 왜 중요하며, 어떻게 동작하는지 설명한 다음 실제 체험 방법까지 한 큐에 나옵니다.

AI에게도 물어봤습니다

내용이 많아 조금 지칩니다. AI한테 “모델 컨텍스트 프로토콜(MCP)” 딸깍했고, 비슷한 구조로 정보를 모았습니다. 클로드, 챗GPT, 제미나이, 퍼플렉시티에 물어봤습니다.

정의: AI 모델(또는 LLM)이 외부 도구, 시스템, 데이터와 안전한 방식으로 연결될 수 있는 개방형 프로토콜
목적: 별도 개발 없이 AI 모델을 외부 리소스에 접근시켜 정확한 최신 정보를 얻거나 데이터를 주고받도록 함
장점: 보안/권한 관리로 안전한 연결, 양뱡향 통신으로 복잡한 작업 지원, 쉬운 전환으로 인한 유연성과 확장성
구조: 클라이언트-서버 아키텍처를 따르며 JSON-RPC를 활용
활용 사례
AI 에이전트 구축: 에이전트 SDK로 복잡한 로직을 짜고 MCP로 데이터베이스/CRM 등과 안전하게 연결
AI 코딩 도구(Cursor, Replit): 실시간 코드 맥락 제공과 프로젝트 파일 접근 등
웹 서비스 연결: 웹 서비스의 실시간 데이터를 가져와 맥락을 이해하고 답변

아무래도 구조를 알아야겠습니다

큰 단위 개념은 어느 정도 잡혔습니다.

이제 MCP 트렌드가 어떻게 퍼지는지 알아보려고 하는데요. 그런데 어디서나 “MCP 서버”라는 단어가 함께 나오는 것이 눈에 띕니다. 이게 뭘까? 하고 보니 작동 방식을 알아야 한다고 합니다. 어쩔 수 없습니다. 쉽게 설명했다는 기술의 ‘구성 요소’와 한눈에 알아보는 ‘아키텍처’를 찾아봤습니다.

호스트(Host): 데이터를 필요로 하는 AI 애플리케이션
클라이언트(Client): 호스트 안에 들어 있으며 서버와 통신을 담당하는 중계자
서버(Server): 실제 기능을 구현해 특정 데이터 소스나 도구에 대한 접근 기능을 제공

전혀 모르겠습니다. 아무래도 직접 써봐야 알 수 있겠습니다.

까짓거 한 번 써봅시다, MCP

막막할 때는 공식 문서입니다. 앤트로픽이 준 세밀한 가이드를 그대로 체험해 보겠습니다.

클로드 데스크톱 사용자를 위한 MCP 활용 가이드

클로드로 갔습니다

우선 MCP 연결도 하고 요청도 할 무언가가 필요합니다. 아하, 그것이 클로드 데스크톱이군요.
다운로드 페이지에서 프로그램을 받았습니다. Mac 버전이었고요, 로그인해서 들어갔습니다. 반겨주네요.

우선 서버를 추가하라고 합니다

가장 먼저 할 일은 역시나 MCP 서버 추가라고 합니다. 우리가 써볼 건 파일 시스템(Filesystem) MCP 서버입니다.
공식 페이지에서 간단히 알아보니 파일 읽기/쓰기, 디렉터리 생성/나열/삭제, 파일/디렉터리 이동, 파일 검색 등을 지원한다고 합니다. 제 컴퓨터의 파일 사용 권한을 모조리 맡기게 생겼네요.
시키는 대로 구성 파일에 코드를 붙여 넣었습니다. 간단합니다. 일정 형식의 코드-무언가를 파일에 입력하는 것이 전부입니다. 터미널을 열어 node를 설치하고, 환경 변수를 채워 넣었습니다. 클로드를 껐다 켜면 끝입니다.

MCP 서버를 연결하니 할 수 있는 일들

새로 연 클로드에는 이런 메뉴가 새로 생겼습니다. MCP 서버를 연결했기 때문에 할 수 있는 일이라고 합니다.
내 컴퓨터에 있는 파일을 읽고, 들여다보고, 만들고, 뭐 그런 일들입니다.

“해 줘”

무언가 시켜보겠습니다. 어쨌든 LLM을 붙였으니 무언가 글쓰기를 함께 시키면 좋겠더라고요. 그래서 요즘IT 독자들에게 마음을 담은 편지를 써서 워드 파일로 만들어 달라고 했습니다.

파일이 잘 만들어져 있습니다. 열어서 내용을 보겠습니다.

어라? 그런데 워드 파일은 안 열립니다. 복구도 안 됩니다. 어쩔 수 없이 일반 문서로 봅니다.

기존에는 할 수 없던 ‘파일 생성’을 MCP 연결로 뚝딱 해치워 버렸군요. 편지 내용도 좋습니다.
더 재미있는 것은 그 일을 해내며 클로드가 보여준 과정입니다.

“요청”에 “응답”하라

이 일을 해내기 위해 클로드는 MCP 서버를 두 번 불렀습니다.

첫 번째 요청: “접근 가능한 디렉터리 확인”

두 번째 요청: “정해진 경로 내 파일 생성”

아하, 이제 조금 이해가 갑니다. 내 클로드(=Host)가 “요청”하면 파일 시스템 MCP 서버가 이를 처리하고 “응답”한다는 겁니다. 호스트의 요청 과정에는 클라이언트가 관여하겠군요.

연동한 MCP 서버를 늘릴수록 다양한 일이 가능하겠습니다. 이처럼 서버는 권한을 관리하고 작업을 처리하기 때문에 도구를 제공하는 쪽에서 제공해야 할 겁니다. 그래서 생태계의 ‘동의’가 필요했던 거고요.

후기: 생산성이 폭발했나요?

잘 모르겠습니다. 저는 일할 때 로컬 파일들을 거의 쓰지 않으니까요. 워드 파일도 잘 안 열렸고요.

다만 “AI 도구한테 시키면 알아서 서비스가 움직인다”는 개념은 분명 좋아 보입니다. 응용이 무한대로 가능하겠네요. 주로 쓰는 구글 워크스페이스, 노션, 슬랙 모두 MCP 서버를 제공하니 시도해 봐야겠습니다. 어디 쓸지는 아직 모르겠습니다. 몇 가지 자동화가 이뤄지면 좋겠습니다.

(정말로) 그래서 사람들이 뭐라고 해요?

이렇게 왜 MCP가 생산성과 붙어 다녔는지, 또 왜 유명해졌는지 이해했습니다.

그럼 이제 본격적으로 우리나라 사람들이 MCP를 어떻게 받아들이고 있는지를 좀 보겠습니다.

유튜브도 보고, SNS도 보고, 강의 사이트도 봤습니다

열려 있는 공간에서 MCP에 대한 이야기를 수집했습니다.

유튜브: MCP와 짝꿍처럼 돌아다니는 단어는 아무래도 ‘생산성’입니다. 모르면 손해라며, MCP ‘딸깍’이 생산성을 무지막지 끌어올려 준다고 하네요. 영상은 주로 짤막한 개념 설명과 함께 클로드로 손쉽게 설정하는 법까지 묶어 소개합니다. 클릭 한 번으로 MCP 서버를 붙이는 방법들도 보입니다.

SNS: MCP를 나름대로 어떻게 이해했는지 설명해 보려 애쓰는 사람들과 실제 쓰고 있는 사람들로 나뉘고 있습니다. 특히 실제 쓰고 있는 사람들의 말에 눈이 가는데요. 써보니 좋은 MCP 서버를 많이들 얘기합니다. 피그마 MCP 이야기가 많습니다. 직접 MCP 서버를 만들어 공유하는 모습도 보이네요.

강의 사이트: “AI 에이전트(또는 앱) 구축”에 MCP가 껴들어 가는 모양새입니다. 개인을 위한 생산성 확보로는 긴 시간 강의를 짜기 어렵기 때문일까요? “복잡한 일을 수행하는 에이전트”를 만들 때 MCP를 쓰는 법이 주로 나옵니다. 도구를 쥐여주면 아무래도 할 수 있는 일이 많아지니까요.

참고한 영상과 강의들

유튜브 요즘 난리난 MCP! 10분안에 정리해줌.
유튜브 MCP 설정, 이젠 클릭 한 번이면 끝?! Claude가 미쳤습니다!
강의 Build AI Agents with Model Context Protocol
강의 LangGraph를 활용한 AI Agent 개발 (feat. MCP)

업계 사람들은 뭐라고 그래요?

마찬가지로 두 가지 측면에서 MCP를 쓰고 있습니다. 하나는 생산성을 올리기 위한 MCP 활용, 하나는 도구 제공을 위한 MCP 서버 직접 구축&배포입니다.

MCP 활용의 중심에는 “어떤 서버가 유용한가?”가 있습니다. 일반적으로 커서, 클로드 코드 등에 연동해 코딩 작업을 쉽게 만들고자 MCP를 쓰는 중입니다. Figma, Playwright, Context7 등 서버가 중복해서 등장하네요. 개별 추천을 넘어 Smithery, MCP.so 처럼 MCP 커뮤니티도 활성화되고 있습니다.

한편 MCP 서버는 에이전트에 자사 서비스를 공급할 수 있는 현재 가장 유용한 방법입니다. 그렇게 국내에서는 토스 페이먼츠, 우아한형제들 등이 MCP 서버 구축기를 공유했네요. 둘 다 기업 단위 전략이 아닌 개발자 내부 조직에서 출발한 것이 인상적입니다.

눈에 띈 콘텐츠와 사이트

키워드 트렌드 현재 상황 정리

MCP는 AI 에이전트가 외부 도구/데이터에 접근할 표준 프로토콜로 확실히 자리 잡고 있습니다.
복잡한 일을 해낼 에이전트를 만들려면 MCP를 이해하고 활용해야 하겠습니다.
서비스 제공자도 MCP 서버를 구축해 공유하는 움직임이 보입니다.
생산성을 올리려면 유용한 MCP 서버를 찾아 자주 쓰는 AI 도구와 연결하면 좋습니다.
특히 AI 코딩 도구들이 MCP 서버 연결을 쉽게 지원하며 유용하게 쓰이고 있습니다.

그래서 MCP 지금 당장 알아야 해요? 아니에요?

지금 무슨 일을 하느냐(또는 할 거냐)에 따라 조금 갈리겠네요.

AI 에이전트 서비스를 만들려는 사람

지금의 AI 트렌드는 분명 에이전트 중심으로 흘러가고 있습니다. 그리고 MCP는 에이전트가 복잡한 일을 수행하게 해줄 핵심 기술 중의 하나고요. 그러니 AI 서비스와 함께 일하려는 기획자, 디자이너, 개발자 등은 모두 MCP를 알아야 할 것으로 보입니다.

그렇다고 MCP의 작동 구조와 구성을 속속들이 알아야 하냐? 하면 또 갈리겠네요. 기획단에서는 대략 MCP의 영향력과 쓰임새를 이해하면 좋지 않을까 싶습니다. 어떤 MCP 서버를 연결하면, 무슨 일을 할 수 있는지 아는 것으로 괜찮아 보입니다. 그것만으로도 괴리는 줄어들고, 상상의 범위는 넓혀줄 테니까요.

한편 개발자라면 MCP 서버의 구축과 호스트/클라이언트 구성 방식 등을 상세히 아는 것이 기본 스택으로 발전할지도 모르겠습니다. 그 자체가 프레임워크로 정립되지 않을까 싶지만, 어찌 되었든 이 구조를 미리 아는 것과 모르는 것은 차이를 만들 겁니다. 크게 어렵지는 않다고 합니다.

지금, 당장, 생산성 떨어지면 미치겠는 사람

대생산성의 시대니까요, 생산성이 경쟁력이라고 느끼는 이들이 많을 겁니다. 그렇게 작은 업무부터 넓게는 팀 단위까지 생산성을 올리기 위한 노력이 이어지고 있습니다. (언제는 안 그랬나 싶기도 하지만요)

그 중심에는 자동화가 있는데요. 특히 n8n, dify 같은 자동화 툴, AI 코딩 도구를 모든 일에 적극적으로 쓴다면 MCP를 다루는 것도 좋아 보입니다. 해당 도구들이 쉬운 MCP 연결을 적극 지원하고 있거든요. 아주 답답하게 만들던 문제를 풀어줄지도 모르겠네요.

마치며: MCP 모르면 AI 시대에 뒤쳐지는 걸까?

그럴 수도 있겠습니다.

다만 지금 당장 MCP 안 쓰니 ‘생산성’이 떨어져서 뒤쳐지는 건 아닙니다.

문제는 “AI 서비스의 발전 흐름이 어떻게 가고 있는지” 모를 때 발생합니다. 그러니까 MCP가 왜 등장했는지, 왜 사람들이 열광하는지 모를 때 말입니다. 특히 AI 제품과 가까이에서 일하는 사람이라면 에이전트와 도구, 연결의 가치를 알아두면 좋겠습니다.

물론 MCP가 API처럼 기본 중의 기본 기술로 발전할지는 조금 지켜봐야 할 겁니다. 이제 막 생태계가 만들어졌으니까요. 그래도 기술은 상상력을 열어 줍니다. 이렇게 상황이 빠르게 달라질 때는 또 그 상상력이 경쟁력이 되기도 하고요. AI로 만든 서비스가 어디까지 갈 수 있을지, 한 번 상상해 볼까요?