🦸🏻#12: 갑자기 많은 관심을 받고 있는 'MCP', 한 번 알아봅시다.

들어가며

거대 언어모델, LLM. 그 자체로 ‘엄청나다’고 할 정도의 능력을 가지게 되었습니다. (‘똑똑하다’는 표현이 적확한지는 모르겠지만요, 가만히 생각해 보면 오해의 소지가 많은 표현이라는 생각이 들어서요.)

어쨌든, 이렇게 엄청난 능력을 가진 LLM도, 훈련할 때 사용한 학습 데이터의 범위를 넘어선 정보가 필요한 경우에는 어려움을 겪게 됩니다. 그런데, 한창 각광받는 AI 에이전트는, ‘적절한 시점’에 ‘적절한 맥락과 데이터’ - 파일, Knowledge Base, Tool 같은 것들이죠 - 에 접근을 할 수 있어야지만 진짜 유용하겠죠.

지금까지 LLM을 중심으로 한 AI 모델을 다양한 외부의 소스에 연결하는 작업은 보통 ‘지저분한 코드’를 작성해야 하기도 하고, 그 자체로 ‘임시 방편적’인 성격의 일이었다고 할 수 있습니다. 개발자들이 각각 데이터 소스나 API 스펙에 맞춰서 커스텀 코드를 작성하든 아니면 특수한 플러그인을 사용하거나 해야 했다는 겁니다. 결국, 이런 통합의 작업은 ‘취약’하고 ‘확장하기 어려운’ 구조를 만들어내게 됩니다.

MCP (Model Context Protocol)는 이걸 단순화해 보자는 취지에서 앤쓰로픽이 고안한 프로토콜입니다 - 즉, AI 어시스턴트와 외부의 데이터, 도구의 세계를 연결하고, 다양한 맥락의 소스를 연결하겠다는 ‘개방형 표준’입니다.

MCP 발표 자체는 2024년 11월이었고, 12월 초 튜링 포스트 코리아의 FOD#77에서도 주목해야 할 트렌드로 커버를 한 적이 있는데요:

그런데 지금 트렌드가 되어버린 MCP의 위상을 보면, 이상하리만큼 당시 시장의 반응은 사실 좀 시큰둥했어요. 지금 MCP는 화제성으로 보면 이미 Langchain은 추월했고, 주요 AI 플레이어들과 오픈소스 커뮤니티들이 MCP를 중심으로 모이는 모습입니다. 어쩌면, MCP가 에이전틱 AI 시스템을 구축하는데 있어서 변곡점을 만드는, 일종의 게임 체인저가 될 수 있을지도 모르겠어요.

오늘 에피소드에서는 MCP에 대해 딥다이브를 해 보려고 합니다 - 지금 왜 MCP가 핫한 토픽이 되었는지, MCP가 ‘더 잘 통합되는, 맥락을 인식하는 AI 시스템으로의 전환’을 어떻게 도와주는지, MCP의 에이전틱 워크플로우에서의 위치, 그리고 개발자/연구자/AI엔지니어/임원들이 알아야 할 숨겨진 세부 사항 등에 대해서 좀 알아보겠습니다. 그리고, 지금까지 소수의 개발자들이 시도해 보고 있는, MCP의 재미있는 사용 방법도 살펴볼까 합니다.

자, 그럼 시작해 볼까요?

오늘 에피소드는 아래와 같은 내용을 담고 있습니다:

• 왜, MCP는 작년 11월 발표 당시가 아니라 ‘지금’ 이렇게 큰 화제가 되고 있을까?

• MCP는 무엇이고, 어떤 방식으로 작동하는가?

  • 기술적인 관점에서 살펴보는 MCP

  • MCP, 어떻게 시작하는게 좋을까?

• MCP 이전에는 AI 시스템이 어떻게 ‘맥락’을 처리하고 ‘도구’를 사용했나?

• MCP, 그렇다면 ‘만능의 열쇠’일까?

• 에이전틱 워크플로우를 위한 ‘오케스트레이션’과 MCP의 역할

• MCP가 여는 새로운 가능성

• 맺으며

• 보너스: 참고자료

왜, MCP는 작년 11월 발표 당시가 아니라 ‘지금’ 이렇게 큰 화제가 되고 있을까?

위에서 잠깐 이야기했다시피, MCP는 앤쓰로픽이 2024년 11월 말 처음 오픈소스로 공개, 발표했습니다. 당시에 저희도 흥미로운 아이디어라고 생각해서 튜링 포스트 코리아에서 다루었지만, 그렇다고 많은 사람들이 주목하거나 진지하게 받아들인 건 아니었어요. 그러다가 2025년 초에 들어서 MCP가 AI 개발자 커뮤니티를 중심으로 부상하기 시작했는데요. 최근에 이런 관심을 받게 된 몇 가지 큰 이유가 있다고 생각합니다:

• 시스템으로서의 ‘연동 (Integration)’에 수반되는 문제를 해결
  ‘AI 에이전트’, ‘에이전틱 워크플로우’, 2023년~2024년에 유행하기 시작한 용어들이지만, 여전히 아킬레스건이 남아있었죠: 바로 이 에이전트들을 어떻게 실제 비즈니스 시스템과 데이터에 통합할 거냐하는 문제요. 처음에는, ‘통합’ 자체가 아니라 모델의 기능, 프롬프트 기법 같은 것들에 관심이 많이 쏠렸는데, MCP는 AI의 워크플로우에 ‘기존의 데이터 소스 - 파일 시스템, DB, API 등 - 를 연결하는 방법’ 자체를 정의하는 것으로 이 갭을 정면으로 다룹니다. 사람들이 이걸 이해하기 시작하면서, MCP는 실제 환경, 즉 Production에서 AI 에이전트를 돌리기 위해 채워야 하는, 퍼즐의 한 조각으로 인식되기 시작한 것이죠. (잠깐 여담이지만, 얼마 전에 있었던 HumanX 컨퍼런스에서 주로 논의된 내용 중의 하나이기도 합니다: 최근 몇 년간, 주로 특정한 작업에 전문화된 개별의 AI 모델을 구축하는데 집중해 왔다면, 점점 복잡성도 높아지고 실제 응용을 위한 요구사항이 커지면서, 통합된 시스템으로의 전환이 일어나고 있으니까요)

• MCP를 채택하는 커뮤니티의 급증
  하나의 ‘개념’에서 시작한 MCP는, 불과 몇 개월 만에 빠르게 성장하는 생태계로 발전했습니다. 초기에 MCP를 채택한 회사들로는 Block (Square), Apollo, Zed, Replit, Codeium, Sourcegraph 등이 있는데, 이 회사들은 자사의 플랫폼을 강화하는 측면에서 MCP를 통합하기 시작했죠. 2025년으로 넘어오면서 생태계가 폭발적으로 성장하기 시작했는데, 2025년 2월까지 1,000개 이상의 커뮤니티가 만든 MCP 서버 (커넥터)를 사용할 수 있게 되었고, 그저께 뉴스로는, AI + 블록체인 결합이 본격화되면서 FLock이 BASE 네트워크의 MCP와 연동한 Web3 AI 에이전트를 공개했는데, 이 에이전트로 지갑 관리, DeFi 자동 거래 등 온체인 업무를 할 수도 있다고 하는 등, 광범위한 커뮤니티의 MCP 채택이 이어지고 있습니다. AI 산업 자체가 ‘통합’, ‘맥락의 더 심화된 인식’ 등의 키워드로 이동하면서 MCP에 대한 공감대는 더 강해지고, 네트워크 효과를 거두지 않을까 생각합니다 - MCP를 통해서 사용할 수 있는 도구가 많을수록, 이 프로토콜을 채택하는 효과는 배가될 테니까요.

• 사실상 표준 (De Facto Standard)으로서의 모멘텀
  독점적인, 폐쇄적인 SDK나 일회성 프레임웍과는 달리, MCP는 모델의 종류에 상관도 없고, 개방적이고, 주요 AI 모델 개발사들의 지지를 받고 있습니다. 즉, 어떤 모델 (Claude, GPT-4, 오픈소스 LLM 등)이라도 MCP를 사용할 수 있고, 어떤 개발자든 회사든 누군가에게 허락받을 필요없이 MCP를 기반으로 한 연동 구조를 만들 수 있다는 의미죠. AI 개발자 커뮤니티에서는, 적어도 이 시점에서는, MCP가 AI 시스템을 외부 데이터와 연결하는 표준화 경쟁에서 승자가 될 가능성이 있는 유력한 후보라고 보고 있습니다 - USB, HTTP 등이 각자의 영역에서 보편적 표준이 된 것처럼요.

• 속도감있는 발전, 그리고 교육
  앤쓰로픽의 역할도 의미가 있습니다: 그냥 MCP를 출시하고 모른체하지 않았어요. 적극적으로 MCP를 개선하고 개발자들에 대한 교육도 열심히 했습니다. 최근의 AI 서밋에서, 앤쓰로픽의 Mahesh Murthy는 아주 유명해진 워크샵을 했는데, 이 워크샵 자체가 MCP가 더 널리 받아들여지고 채택되는데 큰 역할을 했습니다 (관련 링크는 글 마지막에 포함되어 있으니 참고하세요)

MCP가 ‘현재 시점’에서 AI를 외부 세계의 정보 소스, 도구들과 연동하는 표준 경쟁에서 승자로 인식되고 있는지 간략하게 정리하면 아래와 같습니다:

MCP는 무엇이고, 어떤 방식으로 작동하는가?

MCP는 AI 모델이 외부의 도구를 찾아서 연결하고, 사용하는 방법에 대한 명확한 규칙을 제시하는 틀입니다 - 그게 DB에 대한 Query든, 아니면 특정한 도구의 명령을 실행하는 거든 말이죠. 이렇게 모델이 학습 데이터로부터 배운 걸 넘어서 더 유연하게, 주변의 세계를 인식하거나 행동을 할 수 있게 됩니다.

기술적인 관점에서 살펴보는 MCP

읽어주셔서 감사합니다. 친구와 동료 분들에게도 뉴스레터 추천해 주세요!