AI기술

MCP란 무엇인가? AI를 세상과 연결하는 오픈 표준 프로토콜

마지막 업데이트: 2026-05-27

1. MCP 이전에 AI는 어떤 문제가 있었는가?

1.1. 유리병 속 두뇌

세상에서 가장 똑똑한 두뇌를 유리병에 넣었다고 상상해 봅시다. 모든 지식이 있습니다. 그런데 세상을 볼 수 없고, 세상에 손을 뻗을 수도 없습니다. 누군가 유리병에 메모를 붙여줘야만 읽을 수 있습니다.

이것이 2024년 말까지의 LLM 상태였습니다. Claude, GPT, Gemini 모두 "텍스트를 받으면 텍스트를 뱉는" 함수에 불과했습니다. 주가를 알고 싶으면 사람이 네이버 증권에서 복사해서 붙여넣어야 했습니다. GA4 데이터를 보고 싶으면 사람이 대시보드를 열어서 스크린샷을 찍어야 했습니다.

AI의 능력이 부족한 게 아닙니다. AI와 세상 사이의 연결이 없는 것입니다.

1.2. 단절이 만드는 실제 비용

매일 아침 Slack에 주가 요약을 보내는 AI 봇을 만든다고 해봅시다. 주가 데이터는 Yahoo Finance API, 뉴스는 Google News API, 전송은 Slack API. 이 3개를 연결하는 코드를 직접 짭니다.

다음 주에 같은 기능을 Teams에서도 쓰고 싶으면? 3개를 다시 짜야 합니다. Notion에도? 또 3개. 앱 3개면 9건의 커스텀 통합이 필요합니다.

이것이 N x M 문제입니다. AI 앱 N개, 데이터 소스 M개가 만나면 N x M개의 커스텀 커넥터가 필요합니다. 커스텀 통합 1건당 연 $3,000~8,000. 5개 앱에 50개 소스를 연결하면 250건, 연 $750K~2M입니다.

1.3. 이전 시도들은 왜 실패했는가

세 가지 시도가 있었습니다. 외부 연결에는 성공했지만, 전부 자기들 것에서만 동작하게 만든 것이 패인이었습니다.

ChatGPT Plugins (2023.03 출시, 2024.04 폐기). OpenAI가 만들었고, ChatGPT에서만 동작합니다. Claude에서 쓰고 싶으면? 안 됩니다. 개발자 입장에서 ChatGPT만을 위해 만들 이유가 부족했고, 채택률 저조로 폐기됐습니다.

OpenAI Function Calling (2023.06). LLM이 함수를 호출할 수 있게 해줬습니다. 하지만 OpenAI의 형식과 Anthropic의 형식과 Google의 형식이 전부 다릅니다. 같은 "이메일 보내기"인데 벤더마다 따로 구현해야 합니다.

LangChain Tools (2022). 프레임워크 안에서 LLM과 도구를 연결했습니다. 하지만 LangChain을 안 쓰는 앱에서는 의미가 없습니다.

공통 패인은 벤더 종속입니다. 한 번 만든 연결을 다른 데서 못 씁니다. 천하통일을 못한 것입니다.

2. MCP는 이 문제를 어떻게 해결했는가?

유리병을 깨는 대신, 신경 회로를 연결했습니다. 표준화된 방식으로.

2.1. MCP가 뭔데?

정식 이름은 Model Context Protocol. 2024년 11월 25일, Anthropic이 공식 발표했습니다. MIT 라이선스이므로 누구나 무료로 사용할 수 있습니다.

한 문장으로 정의하면 이렇습니다.

이전 시도들과 기능은 동일합니다. AI가 외부에 접근하는 것. 차이는 딱 하나. 오픈 표준이라는 것입니다.

Slack MCP 서버를 1개 만들면, Claude에서도, ChatGPT에서도, Cursor에서도 동일하게 동작합니다. 이전에는 각각 따로 만들어야 했습니다. N x M이 N+M이 됩니다.

영감은 LSP(Language Server Protocol)에서 왔습니다. 에디터마다 언어 지원을 따로 만들던 N x M 문제를 N+M으로 줄인 선례를, AI에 적용한 것입니다.

2.2. 구체적으로 어떻게 연결하는 건데?

AI 입장에서 MCP가 동작하는 과정을 시간순으로 따라가 봅시다. 6단계입니다.

Step 1. AI가 켜진다. MCP 서버들이 자기소개를 보낸다

Claude Code를 시작하면, 연결된 MCP 서버들이 자기소개를 보냅니다. "나는 get_us_stock_price 도구가 있어. 미국 주식 시세를 조회할 수 있어." "나는 get_top_pages 도구가 있어. 인기 페이지를 조회할 수 있어." AI는 이 목록을 전부 읽고 기억해 둡니다.

이것이 핵심입니다. AI가 나중에 적절한 도구를 고를 수 있는 이유는, 시작 시점에 모든 도구의 자기소개를 읽어뒀기 때문입니다.

Step 2. 사용자가 요청한다

"PLTR 주가 알려줘." 이 시점에서 사용자는 MCP의 존재를 모릅니다. 그냥 한국어로 말할 뿐입니다.

Step 3. AI가 판단한다

기억해둔 도구 목록을 훑습니다. "주가 조회... mcp-finance의 get_us_stock_price가 있었지." 어떤 MCP 서버의 어떤 도구를 쓸지 AI가 스스로 판단합니다. 사람이 "mcp-finance 써"라고 지시할 필요가 없습니다.

Step 4. AI가 요청을 만든다

도구의 사용설명서(inputSchema)를 읽습니다. "ticker라는 파라미터에 종목 코드를 넣으면 된다." MCP 규격에 맞는 텍스트 요청을 생성합니다.

MCP의 본질은 여기에 있습니다. AI가 이해할 수 있는 표준 텍스트 형식으로 요청을 만드는 규격입니다.

Step 5. MCP 서버가 실행한다

MCP 서버는 통역사입니다. AI의 MCP 언어를 외부 서비스의 API 언어로 번역합니다. MCP 서버 내부는 평범한 코드입니다. Yahoo Finance API를 호출해서 결과를 돌려주는, 개발자가 짜는 프로그램입니다. MCP가 해주는 것은 이 코드를 AI가 호출할 수 있게 포장하는 규격입니다.

Step 6. AI가 답한다

MCP 서버가 돌려준 결과를 읽고, 사용자에게 한국어로 전달합니다. "PLTR 현재가는 $214.50입니다."

2.3. 그래서 뭘 할 수 있는데?

단순한 조회부터, 자연어 번역, 여러 서비스의 연쇄 자동화까지. 복잡해질수록 MCP의 가치가 커집니다. 3단계로 나눠서 보겠습니다.

1단계. 단일 연결

AI가 하나의 외부 서비스에 접근합니다. "PLTR 주가 알려줘"라고 하면 mcp-finance가 Yahoo Finance에서 시세를 가져와 돌려줍니다. 서버 1개, 호출 1번. 유용하지만, 이 정도는 MCP 없이도 가능합니다.

2단계. 번역

AI가 사람의 언어를 기계의 언어로 바꿉니다. 여기서부터 "우와"가 시작됩니다.

"지난달 매출 Top 10 고객 보여줘"라고 하면, AI가 이 한국어를 SQL로 번역합니다. SELECT customer_name, SUM(amount)... PostgreSQL MCP 서버가 DB에서 실행하고, 결과 10행을 AI가 다시 한국어 표로 정리해서 전달합니다. 마케팅 팀장은 SQL이 뭔지 몰라도 됩니다.

"competitor.com에서 Pro 플랜 가격 확인해줘"라고 하면, AI가 Playwright MCP로 브라우저를 열고, HTML을 읽고, "Pricing 메뉴가 있네"라고 판단해서 클릭을 지시하고, 가격 페이지에서 "Pro 플랜 $49/월"을 추출합니다. AI가 사람처럼 브라우저를 조작하는 것입니다.

사람이 기계의 언어를 몰라도 기계를 다룰 수 있게 됩니다.

3단계. 연쇄

AI가 여러 서비스를 엮어서 복합 작업을 합니다. 서버 하나하나는 단순하지만, AI가 조합하면 복잡한 업무가 자동화됩니다. 이것이 MCP의 진짜 가치입니다.

"GitHub PR 확인하고 Slack에 요약 보내줘"라고 하면 이런 일이 벌어집니다. AI가 GitHub MCP로 오늘 머지된 PR 3건을 조회합니다. PR 내용을 읽고 요약을 작성합니다. 그리고 Slack MCP로 #dev 채널에 요약을 전송합니다. 두 서버는 서로 모릅니다. AI가 중간에서 결과를 읽고, 판단해서, 다음 서버를 호출합니다.

실전에서도 동일합니다. "검색 유입 키워드 분석하고, 가장 많이 들어오는 종목의 주가도 알려줘"라고 하면, AI가 mcp-analytics로 키워드를 조회합니다. "팔란티어 42클릭, 엔비디아 38클릭..." 결과를 보고, AI가 스스로 "팔란티어 = PLTR = 미국 주식, mcp-finance를 쓰자"라고 판단한 뒤 PLTR 주가를 조회합니다. AI가 analytics 결과를 보고 finance를 호출할지 결정한 것이 핵심입니다.

MCP 서버가 표준 규격이기 때문에 조합이 자유롭습니다. 레고 블록처럼 서버를 끼우면 AI가 알아서 엮어 씁니다.

2.4. 진짜 되긴 하는 거야?

Anthropic이 만들었는데 OpenAI가 채택했습니다. 이것이 "표준"이 된다는 것의 증거입니다.

채택 속도부터 보겠습니다. 서버 100개(2024.11)에서 17,000개(2026 Q1). 13개월에 170배. SDK 다운로드는 월 10만에서 9,700만으로, 970배 늘었습니다. 클라이언트는 300개를 넘었습니다.

숫자보다 중요한 것은 경쟁사 전원 채택입니다. OpenAI는 2025년 3월에 채택했습니다. Sam Altman이 직접 "People love MCP"라고 말하며 ChatGPT에 MCP를 탑재했습니다. Google은 2025년 5월 Google I/O에서 Gemini API MCP 네이티브 지원을 발표했습니다. Microsoft는 같은 달 Copilot Studio MCP 정식 출시와 Azure MCP 서버를 공개했습니다.

경쟁사가 만든 프로토콜을 쓴다는 것은 자존심 싸움을 접을 만큼 대세가 됐다는 뜻입니다.

왜 경쟁사가 채택할 수 있었을까요. Anthropic이 닫아두지 않았기 때문입니다.

닫아두면 ChatGPT Plugins와 같은 운명입니다. 개발자가 안 만들고, 생태계가 안 자라고, 죽습니다. 열어두면 파이가 커지고, 만든 사람이 홈그라운드 이점을 갖습니다. Google이 Android를 오픈소스로 풀어서 전 세계 스마트폰 72%를 차지한 것과 같은 전략입니다. 프로토콜은 공짜로 주고, 그 위에서 돌아가는 AI 모델로 돈을 법니다.

2025년 12월, Anthropic은 MCP를 Linux Foundation에 기증했습니다. Kubernetes가 Google에서 CNCF로 간 것과 같은 경로입니다. 더 이상 Anthropic 것이 아닙니다.

3. 실전에서는 어떤 벽에 부딪히는가?

공식 문서를 읽으면 쉬워 보입니다. 실전은 다릅니다.

3.1. 도구 폭발. 서버를 많이 연결할수록 AI가 바보가 됩니다

앞서 설명한 것처럼, Claude는 대화 시작 시 연결된 MCP 서버들의 도구 목록을 전부 읽어둡니다. 이 목록이 길어지면 문제가 생깁니다.

메뉴판이 200페이지면 주문을 못 하는 것과 같습니다. GitHub MCP 서버 하나가 도구 93개를 제공합니다. 이 93개의 자기소개만 약 55,000 토큰입니다. Claude의 컨텍스트 윈도우를 도구 설명이 잡아먹고, 실제 작업에 쓸 공간이 줄어듭니다.

Microsoft Research 결과에 따르면, 도구 20개를 초과하면 정확도가 최대 85% 하락합니다.

해결법은 세 가지입니다.

파라미터 플래트닝. 중첩된 JSON 구조를 평탄하게 펼칩니다. 이것만으로 47% 성능이 향상됩니다.

도구 프루닝. 93개 전부가 아니라 상황에 맞는 도구만 선별해서 노출합니다. 메뉴판을 200페이지에서 1페이지로 줄이는 것입니다.

설명 최적화. 도구 설명을 짧고 명확하게 다듬습니다. 스키마의 43%가 60~70% 줄일 수 있습니다.

해결법은 있지만, MCP를 쓰는 사람이 직접 해야 하는 엔지니어링입니다.

3.2. 보안. AI에게 손을 줬는데, 그 손을 악용할 방법도 열렸습니다

이미 실제 CVE가 나왔습니다. 도구 설명에 악성 지시를 숨기면 AI가 시스템 명령을 실행합니다.

방어 원칙은 네 가지입니다. 신뢰할 수 있는 서버만 연결(출처 검증). 자동 승인 하지 않기(human-in-the-loop 유지). 서버에 최소 권한 부여. 도구 호출 로그 기록.

MCP가 AI에게 "손"을 줬다면, 보안은 그 손에 "장갑"을 끼우는 것입니다. 아직 장갑 표준은 미완성입니다.

3.3. 미해결 과제. 방향은 보이지만 오늘 당장은 못 씁니다

2026 로드맵에 올라 있지만 스펙에 미반영된 과제가 세 가지 있습니다. 이것들이 풀려야 엔터프라이즈 표준이 완성됩니다.

상태 관리. MCP 서버는 이전 호출을 기억하지 못합니다. "아까 열었던 파일에서 3번째 함수 수정해줘"를 이해 못 합니다.

멀티테넌시. 하나의 서버를 여러 사용자가 공유할 때, A의 파일을 B가 접근하는 것을 막는 표준이 없습니다.

Discovery. 17,000개 서버 중 내 용도에 맞는 걸 어떻게 찾을까요. "search"라는 이름의 도구가 32개 서버에 존재합니다.

4. MCP는 어디로 가고 있는가?

이제 문제는 "쓸 것인가"가 아니라 "생태계가 어디로 가는가"입니다.

4.1. A2A. AI끼리 대화하는 프로토콜

MCP는 AI가 도구와 대화하는 규격입니다. 2025년 4월 Google이 발표한 A2A(Agent-to-Agent Protocol)는 AI끼리 대화하는 규격입니다. 150개 이상의 기관이 채택했습니다.

MCP가 세로 축(AI와 도구 사이)이라면, A2A는 가로 축(AI와 AI 사이)입니다. 경쟁이 아니라 레이어가 다릅니다. 하나의 에이전트가 MCP로 도구를 쓰고, A2A로 다른 에이전트에게 작업을 위임합니다. 둘 다 필요합니다.

4.2. $52B 에이전트 시장의 수도관

AI 에이전트 시장은 2025년 $7.84B에서 2030년 $52.62B로 성장합니다. CAGR 46.3%입니다.

MCP의 위치를 비유하면 이렇습니다. 건물이 아무리 멋져도 수도관이 없으면 물이 안 흐릅니다. 수도관 자체는 보이지 않지만 모든 건물에 필수입니다. MCP가 그 수도관입니다.

에이전트가 행동하려면 외부 시스템과 연결되어야 합니다. 그 연결의 표준이 MCP입니다. MCP 자체는 오픈소스라 직접 수익을 만들지 않습니다. 하지만 MCP 위에서 작동하는 에이전트 생태계가 $52B 시장입니다.

🔬RAG 완전 해설

MCP와 함께 AI 인프라의 양 축을 이루는 RAG의 구조와 실전을 파헤칩니다

→

🔬프롬프트 엔지니어링 완전 해설

AI의 성능을 극대화하는 프롬프트 설계의 핵심 원리와 실전 기법을 다룹니다

→

MCP의 본질

AI를 "생각만 하는 존재"에서 "세상과 상호작용하는 존재"로 바꾸는 표준. 그것이 MCP입니다.

이전 시도들은 같은 문제를 풀었지만 벤더 종속이라는 함정에 빠져 천하통일을 못 했습니다. MCP는 같은 문제를 오픈 표준으로 풀어서 성공했습니다. 한 번 만들면 어디서든 쓸 수 있다는 이 한 가지 차이가 서버 17,000개, 빅테크 전원 채택이라는 결과를 만들었습니다.

실전에서 도구 폭발, 보안, 상태 관리 같은 벽이 남아 있습니다. 하지만 $52B AI 에이전트 시장이 이 벽을 넘을 동기를 제공합니다. MCP는 그 시장의 수도관입니다. 보이지 않지만 없으면 물이 안 흐릅니다.

우리가 매일 쓰는 Claude Code가 MCP로 시세를 조회하고, 트래픽을 분석하고, 여러 서비스를 엮어 리포트를 만드는 것. 이것이 MCP가 이미 작동하고 있다는 가장 가까운 증거입니다.