AI를 활용하다 보면 한 번쯤은 MCP(Model Context Protocol)라는 용어를 들어보셨을 겁니다. 하지만 아직도 MCP가 너무 기술적으로 느껴지거나, 프롬프트·스킬·API와 무엇이 다른지 헷갈리는 분들도 많습니다.
쉽게 설명해보겠습니다. 평소 사용하는 AI에게 갑자기 외부 툴을 이용해 자료를 조회하거나, 특정 시스템의 데이터를 기반으로 결과를 만들어 달라고 요청하면 대부분 "할 수 없다"는 답을 받게 됩니다. AI가 그 데이터나 도구에 접근할 방법이 없기 때문입니다.
MCP(Model Context Protocol)는 바로 이 문제를 해결하기 위해 등장한 표준 연결 규격입니다. AI가 다양한 외부 서비스와 도구에 일관된 방식으로 연결되고, 필요한 데이터를 가져와 작업을 수행할 수 있도록 해주는 공통 인터페이스라고 이해하면 됩니다.
1. AI가 혼자 일할 수 없는 이유 — MCP 이전의 세계
AI가 외부 데이터에 접근하지 못한다는 것은 실제 업무에서 더 분명하게 드러납니다.
예를 들어 AI에게 "지난 분기 주요 고객 이탈 이유가 뭐야?"라고 질문해 보겠습니다. AI는 고객 이탈의 일반적인 원인을 설명해 줄 수는 있지만, 우리 회사의 CRM이나 데이터베이스에 접근할 수 없다면 실제 데이터를 근거로 답을 내놓지는 못합니다. 결국 그럴듯한 일반론에 머물 수밖에 없는 것이죠.
LLM 모델은 기본적으로 고립된 상태로 작동합니다. 텍스트를 받아 텍스트를 돌려주도록 설계되어 있을 뿐, 외부 소스에 저절로 접근하지 못합니다. 웹 검색을 하는 것조차 웹 검색을 가능하게 해주는 API와 연동이 되어 값을 불러오는 것입니다. 아예 외부 툴과 연결하려면 개발팀이 매번 API를 개발하거나 맞춤 코드를 짜서 연결 통로를 만들어야 했습니다. 서비스가 바뀌면 코드도 다시 짜야 하고, 툴을 하나 더 추가하면 또 하나의 새 연결 코드가 필요합니다.
2. MCP란 무엇인가 — AI와 도구를 잇는 표준 연결 규격
2024년 Anthropic이 공개한 MCP(Model Context Protocol)는 AI 모델이 외부 도구·데이터·서비스와 표준화된 방식으로 연결되도록 하는 공개 표준입니다. 개발자가 데이터 소스와 AI툴 사이에 안전한 양뱡향 연결을 만들 수 있게 하는 목적으로 만들어졌습니다. 오픈소스로 공개되어 누구나 적용할 수 있습니다.
비유를 들면 이렇습니다. 노트북에 USB 포트가 없던 시절, 마우스·키보드·헤드셋·저장 장치를 각각 다른 방식으로 연결해야 했지만, USB가 등장한 뒤 하나의 규격으로 수백 가지 기기를 꽂을 수 있게 됐습니다. MCP는 AI와 외부 도구 사이에서 그 역할을 합니다.
MCP가 있으면 AI는 하나의 방식으로 다양한 도구에 연결됩니다. 슬랙이든, 구글 드라이브든, 사내 데이터베이스든, MCP를 지원하는 서비스라면 AI가 같은 방식으로 데이터를 가져오고 행동합니다. 개발팀이 매번 새 연결 코드를 짜는 대신, 한 번 구조를 갖추고 나면 연결 가능한 서비스의 범위가 넓어집니다.
여기서 양방향으로 사용 한 점도 놓치기 쉽습니다. 우리 회사 시스템이 MCP를 지원하면, 직원들이 이미 쓰고 있는 AI 툴(Claude를 포함한 각종 코딩 에이전트 등)가 우리 데이터에 바로 꽂힙니다. 반대로 우리가 쓰는 AI 플랫폼에 외부 서비스의 MCP를 꽂을 수도 있습니다.
실제로 Agentic Engine의 MCP 지원을 안내했을 때 고객분들이 가장 먼저 보인 반응은 "그럼 우리가 쓰는 AI에서 바로 조회가 되네요?"였습니다. 새 도구를 배우는 게 아니라, 이미 쓰는 툴이 더 많은 것에 닿게 되는 것 — 이것이 MCP가 실무에 다가오는 방식입니다.
3. 지금 바로 활용할 수 있는 MCP 서버 — 실무자를 위한 도구 안내
MCP는 표준 규격이며, 이를 서비스와 연결하는 'MCP 서버'는 이미 다수 공개되어 있습니다. 각 서버는 특정 서비스와 AI를 연결하는 역할을 합니다. 2026년 현재 대표적으로 많이 사용되고 있는 MCP들을 살펴보겠습니다.
슬랙(Slack) MCP — 팀 커뮤니케이션이 슬랙으로 진행되고 있는 조직이라면 이미 사용하고 있을 확률이 높은 대표적인 MCP입니다. AI가 슬랙 채널의 메시지, 스레드, 파일에 접근해 내용을 요약하거나 특정 맥락을 추적합니다. "지난 2주 동안 고객 불만 관련 채널에서 가장 많이 언급된 이슈가 무엇인가"라는 질문에, AI가 슬랙 데이터를 직접 참조해 답합니다. 주간 회의 준비나 고객 VOC 취합에 반복 투입되는 시간이 줄어듭니다.
구글 드라이브(Google Drive) MCP — 문서와 스프레드시트가 구글 드라이브에 저장되어 있는 조직에서 활용도가 높습니다. AI가 드라이브 내 문서를 검색·요약·비교합니다. 기획 문서 초안 작성 시 과거 유사 프로젝트 자료를 참고하거나, 여러 스프레드시트의 데이터를 종합해 분석 결과를 제시하는 방식으로 씁니다.
노션(Notion) MCP — 프로젝트 관리나 지식 베이스를 노션으로 운영하는 팀에서 효과적입니다. "현재 진행 중인 프로젝트 중 마감이 이번 주인 항목은 무엇인가"처럼, 노션에 흩어진 정보를 AI가 취합해 즉각 답합니다. PM이 여러 프로젝트를 추적하는 데 드는 반복 조회 시간을 줄입니다.
깃허브(GitHub) MCP — 개발팀, PM이나 의사결정자에게 유용합니다. AI가 이슈, 풀 리퀘스트(PR), 코드 변경 이력에 접근해 개발 중인 코드를 직접 커밋·머지·배포가 가능하며, 현황을 요약하거나 특정 버그의 처리 흐름을 추적합니다. 또한 개발 데이터 및 히스토리를 비개발자가 이해하는 언어로 정리해줄 수도 있습니다.
웹 검색 MCP — AI가 학습 시점 이후의 정보에 접근하지 못하는 한계를 보완합니다. 최신 시장 동향, 경쟁사 공지, 규제 변화를 반영한 답변이 가능해집니다.
이 도구들의 공통점은 AI가 데이터를 직접 참조한다는 것입니다. 사용자가 데이터를 복사해서 붙여넣는 대신, AI가 연결된 서비스에서 필요한 정보를 가져옵니다. 어떤 MCP 서버를 먼저 도입할지는 반복 소요가 가장 큰 작업이 어디에 집중되어 있는지를 기준으로 판단하는 것이 실용적입니다.
4. MCP, 어떻게 시작하나 — 설치라는 단어에 겁먹지 않아도 되는 이유
"MCP 서버를 설치한다"는 말을 들으면 막연하게 개발 지식이 필요할 것 같지만, 쓰는 방식은 생각보다 단순합니다. 핵심 개념 하나만 잡으면 됩니다. MCP는 서비스 쪽이 아니라 AI 쪽에 등록합니다. 스마트폰에 앱을 설치하듯, 내가 쓰는 AI(Claude, ChatGPT 등)에 "이 도구를 써도 된다"고 알려주는 작업입니다.
연결 방식은 두 가지로 구분됩니다.
원격 방식 — 주소 한 줄 붙여넣기. 서비스가 제공하는 MCP 주소(URL)를 AI 설정 화면에 붙여넣으면 끝입니다. 아무것도 설치하지 않습니다. Claude 웹을 예로 들면 이렇게 진행됩니다.
- 설정에서 '커넥터' 메뉴로 이동합니다
- '커스텀 커넥터 추가'를 누릅니다
- 이름과 MCP 서버 주소를 입력하고 추가를 누릅니다
- 새 채팅에서 관련 질문을 던져 봅니다 — AI가 방금 연결한 도구를 호출해 답하면 성공입니다
저희가 고객사에 ThinkingAI 문서 MCP를 안내할 때 쓰는 절차가 정확히 이 네 단계입니다. 처음 해보는 분 기준으로 3분이면 끝납니다.
로컬 방식 — 프로그램을 내 컴퓨터에서 실행. 개발 도구(Claude Code, Cursor 등)에서 주로 쓰는 방식으로, 설정 파일에 실행 명령을 등록합니다. 명령어 한 줄 수준이지만 터미널이 낯설다면 개발팀에 부탁하는 편이 빠릅니다. 비개발자라면 원격 방식을 지원하는 서비스부터 시작하면 됩니다.
시작하기 전에 확인할 것이 하나 있습니다. 회사 데이터가 담긴 서비스를 연결할 때는 그 MCP가 어떤 데이터에 접근하는지, 조회만 하는지 수정도 하는지를 먼저 확인해야 합니다. 개인 계정으로 이것저것 연결해 보는 것과 회사 데이터를 연결하는 것은 엄연히 다른 문제이기 때문입니다. 해당 MCP의 권한 요청이 어느정도 수준인지 판단이 어렵다면, 보안팀 담당자나 관리자에게 한 번 묻고 진행하는 것이 안전합니다.
5. 직무별 활용 MCP 추천
MCP 서버는 이미 수백 개가 공개되어 있습니다. 전부 검토할 필요는 없습니다. 자신의 업무가 어디에 몰려 있는지에 따라 첫연결을 고르면 됩니다. 공통점은 하나입니다. MCP는 이미 쓰는 AI와 이미 쓰는 서비스 사이에 다리를 놓을 뿐입니다.
마케터라면 — 콘텐츠를 풍성하게 하는 MCP
마케터의 병목은 의외로 분석보다 제작에서 자주 발생합니다. 배너 하나, 랜딩페이지 하나를 만들 때마다 디자이너와 개발자의 일정을 기다려야 합니다. 피그마 MCP를 연결하면 AI가 피그마 시안, 톤앤매너 가이드라인의 구조·색상·문구를 직접 읽습니다. 디자이너가 잡아둔 시안을 AI가 그대로 랜딩페이지 코드로 구현하거나, 기존 시안의 레이아웃을 참고해 새 캠페인 소재의 변형안을 만드는 식입니다. 마케팅팀은 디자이너 리소스 없이 캠페인 페이지 프레임워크를 제작할 때 쉽게 사용할 수 있습니다.
연결도 간단합니다 — 피그마의 개발 모드에서 MCP 서버를 켜고, 쓰는 AI에 등록하면 끝입니다.
함께 검토할 것 ① Ahrefs MCP. 콘텐츠를 만드는 것만큼이나 '무엇을 만들지' 정하는 데 시간을 쓰는 마케터에게 맞습니다. AI와 대화하면서 키워드 검색량과 경쟁 강도를 확인하고, 경쟁사가 상위 노출된 키워드 중 우리가 놓친 것(콘텐츠 갭)을 찾아내고, 백링크(외부에서 우리 사이트로 연결된 링크) 현황까지 한 번에 정리합니다. "이번 분기 블로그 주제를 뭘로 잡지"처럼 SEO 리서치가 기획의 출발점이 되는 업무일수록 체감이 큽니다.
함께 검토할 것 ② 캔바(Canva) MCP. 피그마가 디자이너와 협업하는 조직용이라면, 캔바 MCP는 마케터가 직접 소재를 만드는 조직에 맞습니다. AI와 대화하면서 소재 초안을 생성하고, 채널별 규격으로 변형하는 작업까지 이어집니다. SNS 캠페인처럼 소재 가짓수가 많거나 배리에이션이 들어가는 업무일수록 체감이 큽니다.
PM·PO라면 — 데이터 병목을 없애는 MCP
PM의 반복 업무는 데이터 조회입니다. "어떤 기능에서 이탈이 집중되는가"를 확인하려고 데이터팀에 요청을 넣고 며칠을 기다리는 일이 스프린트마다 반복됩니다. 행동 데이터 플랫폼의 MCP를 연결하면 이 대기가 사라집니다. "신규 유저의 7일 리텐션 분석해줘", "결제 퍼널에서 이탈이 가장 큰 단계 보여줘" 같은 질문을 자연어로 던지면, AI가 리텐션·퍼널·코호트 분석을 직접 실행해 돌려줍니다.
ThinkingAI의 MCP는 원본 데이터베이스에 즉석 쿼리를 던지는 것이 아니라, 검증된 분석 모델을 호출합니다. 같은 질문에 오늘과 내일 다른 숫자가 나오는 일이 없고, 질문한 PM의 데이터 권한 안에서만 조회가 이뤄집니다.
함께 검토할 것 ① 아틀라시안(Atlassian) MCP. 지라(Jira)와 컨플루언스(Confluence)를 함께 쓰는 조직을 위한 공식 MCP입니다. "이번 스프린트에서 이월된 이슈와 그 사유를 정리해줘"라고 물으면 AI가 지라 티켓과 컨플루언스 문서를 함께 참조해 답합니다. 스프린트 회고 준비가 회의 전 5분 만에 끝납니다. 앞서 소개한 ThinkingAI MCP와 함께 연결하면 "이 이슈가 실제 유저 행동에 어떤 영향을 줬는가"까지 한 대화에서 확인됩니다.
함께 검토할 것 ② 노션(Notion) MCP. 제품 스펙, 로드맵, 회의록이 노션에 쌓이는 팀이라면 검토할 가치가 있습니다. 노션의 공식 MCP는 워크스페이스 전체를 의미 기반으로 검색하기 때문에, "이 기능의 기획 배경이 정리된 문서 찾아줘"처럼 제목을 기억하지 못해도 찾아냅니다. 과거 결정의 맥락을 되짚는 데 드는 시간이 줄어듭니다.
의사결정자라면 — 우리 팀의 플로우를 이해하는 MCP
의사결정자에게 필요한 것은 새로운 툴이 아니라 비즈니스 맥락입니다. 조직의 논의는 슬랙에 쌓이지만, 그걸 다 모두 읽을 시간은 없습니다. 슬랙 MCP를 연결하면 "지난주 A 프로젝트 채널에서 나온 주요 결정과 미해결 리스크를 요약해줘"라고 묻는 것으로 회의 준비가 끝납니다. 고객 불만 채널의 이슈 빈도, 특정 의사결정이 내려진 경위 추적도 같은 방식으로 가능합니다.
함께 검토할 것 ① 허브스팟(HubSpot) MCP. 영업 파이프라인이 CRM에 있다면, "이번 분기 진행 중인 딜 현황과 지연되고 있는 건 요약해줘"라는 질문으로 주간 파이프라인 리뷰를 대체할 수 있습니다. 허브스팟의 공식 MCP는 딜 파이프라인, 고객사 정보, 티켓 상태를 조회합니다. 담당자에게 현황 보고를 요청하고 기다리는 대신, 회의 직전에 직접 확인하는 방식이 됩니다.
함께 검토할 것 ② 구글 워크스페이스(지메일·캘린더) MCP. "오늘 회의 일정과 각 회의에서 확인해야 할 메일 스레드를 정리해줘" — 매일 반복되는 일정·메일 정리에서 시간을 돌려주기 때문에, 의사결정자가 MCP의 효용을 가장 빨리 체감하는 연결할 수 있습니다.
6. MCP를 둘러싼 현실 — 기업들이 실제로 묻는 네 가지 질문
MCP는 연결 방식을 정한 규격입니다. 새로운 AI 모델이 아니고, 보안 시스템도 아닙니다. MCP를 붙이면 AI가 데이터에 닿는다는 뜻이지, 그 연결이 안전하고 정확하다는 뜻은 아닙니다. 저희 ThinkingAI가 기업들과 AI 도입 논의를 진행하며 받은 질문을 분석해봤습니다. MCP로 AI를 연결한다는 것 자체에 반대한 기업은 없었습니다. 대신 주로 아래와 같은 질문을 남기셨습니다.
첫째, 같은 질문에 같은 답이 나오나요?
MCP 연결이 "원본 데이터베이스에 매번 즉석 쿼리를 만들어 던지는 구조"라면, 오늘의 리텐션과 내일의 리텐션이 다른 숫자로 나올 수 있습니다. AI가 매번 쿼리를 새로 생성하기 때문입니다. 재무 보고나 법정 공시처럼 근거를 남기고 재현해야 하는 숫자에는 치명적입니다. 그렇기에 "MCP 지원"이라도 검증된 지표 정의를 부르는 연결과 원본 테이블에 즉석 쿼리를 던지는 연결은 전혀 다른 결과를 돌려줍니다. MCP가 무엇을 부르느냐가 연결 여부보다 중요합니다.
둘째, AI가 못 볼 데이터까지 보게 되지 않을까요?
급하게 MCP 연결은 넓은 권한의 접속 키 하나로 도는 경우가 많습니다. 그러면 질문한 사람은 원래 볼 수 없는 데이터까지 AI가 대신 꺼내다 주는 상황이 생깁니다. 질문자의 기존 데이터 권한을 AI가 그대로 물려받는 구조인지 확인하는 것이 MCP 도입의 핵심 검토 사항입니다.
셋째, 호출 비용을 통제할 수 있나요?
가장 많은 분들이 궁금해 하신 질문입니다. "직원 한 명이 AI와 대화하다가 하루에 수백만원을 쓸 수도 있는 것 아닌가?"는 우려입니다. 실제로 MCP로 연결 범위가 넓어질수록 AI의 호출량도 늘어납니다.
사용자별·프로젝트별 사용량을 추적하고 상한을 거는 장치가 없으면, 연결의 편리함이 통제 불능의 비용으로 돌아옵니다.
넷째, 누가 유지보수하나요?
MCP 연결은 한 번 붙이고 끝나지 않습니다. 연결된 시스템이 바뀌면 따라 바뀌어야 하고, 데이터 정의가 갱신되면 반영되어야 합니다. 개발 리소스가 없는 팀이 직접 구축한 연결은 첫 달에는 잘 돌다가 분기가 지나면 조용히 낡아갑니다.
비개발자 의사결정자에게 이 지점이 판단 기준이 됩니다. "MCP를 지원합니다"라는 말은 출발선이지 완성이 아닙니다. 그 연결이 검증된 데이터 정의를 부르는지, 질문자의 권한을 상속하는지, 사용량이 추적되는지, 유지보수를 누가 책임지는지 — "MCP를 씁니다"보다 "MCP 위에 무엇을 갖추고 있습니까"가 더 중요한 질문입니다.
7. 안전한 MCP 활용을 위한 Agentic Engine의 기능
MCP를 활용하는 AI 플랫폼이 데이터 권한 구조와 실행 안전장치를 어떻게 구현하는지가 안전한 MCP 활용의 핵심입니다.
같은 질문에 같은 답이 나와야 할 때 — 검증된 지표 정의 위에서 답합니다
MCP가 원본 데이터베이스에 즉석 쿼리를 매번 새로 만들어 던지는 구조라면, 같은 질문에도 오늘과 내일 숫자가 달라질 수 있어요. AI가 그날그날 조금씩 다른 SQL을 생성하기 때문입니다.
Agentic Engine의 MCP는 고객이 플랫폼 안에서 이미 정의해 둔 지표·이벤트 택소노미·가상 속성·코호트를 기반으로 답합니다. AI가 즉흥적으로 쿼리를 만드는 게 아니라, 조직이 합의한 정의로 호출하는 방식이에요. 재무 보고, 캠페인 성과 공유, 임원 보고처럼 근거를 남기고 재현해야 하는 숫자에서 이 차이가 결정적입니다.
AI가 봐서는 안 되는 데이터가 있을 때 — 권한을 새로 만들지 않고, 상속합니다
Agentic Engine은 AI를 위한 권한을 따로 만들지 않습니다. Agentic Engine 안에서 AI가 MCP로 데이터를 조회할 때, 그 범위는 질문한 사람이 분석 플랫폼에서 이미 부여받은 데이터 권한과 역할을 그대로 따릅니다.
마케터가 물으면 마케터가 볼 수 있는 범위까지만, 관리자가 물으면 관리자 범위까지만 조회됩니다. 팀이 이미 합의해 둔 권한 정책이 그대로 AI의 한계선이 되기 때문에, MCP를 연결한다고 해서 보안 검토를 처음부터 다시 시작할 필요가 없습니다.
AI 호출이 어디서 얼마나 일어나는지 알고 싶을 때 — 사용량을 추적합니다
Agentic Engine은 토큰 소비량, 요청 수, MCP 호출 수를 사용자별·프로젝트별로 추적합니다. 관리자는 멤버별로 에이전트 사용을 켜고 끌 수 있고, 스크립트 실행은 격리된 샌드박스 환경에서 이뤄집니다. AI의 접근 범위가 넓어져도, 그 사용이 가시화된 범위 안에서 이뤄집니다.
연결을 누가 유지보수하나 싶을 때 - 자동으로 검증합니다
Agentic Engine은 분석 플랫폼·데이터 개발 등 핵심 MCP를 시스템 차원에서 기본 제공하고 관리합니다. 이 MCP는 원본 테이블이 아니라 플랫폼 안에서 관리되는 지표·이벤트 정의를 호출하기 때문에, 정의가 갱신되면 AI의 답도 갱신된 정의를 따릅니다.
외부 MCP를 추가로 붙일 때도 저장 시점에 연결 상태를 자동 검증하며, 회사 차원에서의 MCP는 관리자만 등록할 수 있어 아무 연결이나 팀에 퍼지지 않습니다.
Agentic Engine이 제공하는 것은 MCP 연결 그 자체가 아니라, 그 연결이 정확하고, 안전하고, 가시화된 상태로 작동하기 위한 구조입니다. "MCP를 지원합니다"와 "MCP를 운영합니다"의 차이가 여기에 있습니다.
