SaaS의 다음 전쟁은 MCP 너머에서 시작된다

Model Context Protocol은 AI가 기업용 소프트웨어에 연결할 수 있는 공통 방식을 제공한다. Carta의 최고제품책임자 Vrushali Paunikar는 더 큰 과제는 연결이 이뤄진 뒤 어떤 일이 일어날지, 그리고 업무 중 어느 정도를 언어 모델에 맡겨야 할지 결정하는 것이라고 말한다.

지난 1년 사이 Model Context Protocol은 비교적 잘 알려지지 않았던 기술 표준에서 기업용 AI 분야의 가장 중요한 구상 중 하나로 떠올랐다.

MCP는 AI 애플리케이션이 외부 소프트웨어에 연결하고, 데이터에 접근하고, 작업을 수행할 수 있도록 표준화된 방식을 제공한다. 모든 소프트웨어 회사가 모든 AI 모델에 맞춰 개별 인터페이스를 만드는 대신, MCP가 공통 언어 역할을 한다.

MCP를 벽에 있는 전기 콘센트라고 생각해 보자. 어떤 기기든 꽂아 전원을 공급받을 수 있게 해 주는 공통 표준이다. 개방형이고 어디서나 작동한다는 점은 훌륭하지만, 콘센트만으로는 아무것도 할 수 없다. 여전히 전기 제품이 필요하다.

언젠가 우리는 지금의 MCP 열풍을 API의 부상과 거의 같은 시각으로 돌아보게 될 것이라고 생각한다. API는 소프트웨어 개발의 토대가 되었고 소프트웨어를 만드는 방식을 바꿨다. 하지만 시간이 흐르면서 연결성은 제품 자체가 아니라 당연히 갖춰야 할 기반 시설이 되었다.

현재 SaaS 업계의 많은 기업은 AI 연결성을 마치 완성된 제품인 것처럼 다루고 있다. MCP 서버를 구축하고, 적절한 도구와 데이터를 공개한 다음, 나머지는 모델이 알아서 하도록 맡기는 식이다.

일부 사용 사례에서는 그것으로 충분하다. 하지만 많은 기업 업무 흐름, 특히 금융 분야에서는 그렇지 않다.

MCP가 연결 계층을 장악하고 있다

표준화는 이미 AI 애플리케이션이 소프트웨어와 상호작용하는 방식을 바꾸고 있다. 점점 더 많은 주요 AI 플랫폼이 MCP를 지원하면서, 사용자는 자신이 선호하는 AI 인터페이스가 무엇이든 동일한 기반 시스템을 활용할 수 있게 되었다.

하지만 상호운용성은 접근성 문제를 해결할 뿐, 모델에게 업무를 어떻게 수행해야 하는지는 알려주지 않는다.

나는 사모시장 투자자와 금융팀이 사용하는 소프트웨어를 생각하는 데 많은 시간을 보내는데, 이 분야에서는 이러한 차이가 특히 분명하게 드러난다.

예를 들어 AI 시스템에 사모펀드의 성과 및 포트폴리오 데이터에 접근할 수 있도록 해도, 겉보기에는 간단한 질문에 답하는 방법이 여러 가지일 수 있다.

적절한 계산을 사용하는 방법이 있을 수 있다. 다른 방법은 지름길을 택할 수도 있다. 또 다른 방법은 사용자가 무엇을 요청하는지 잘못 이해할 수도 있다.

그러면 사용자는 분석가이자 프롬프트 엔지니어이자 품질 관리자가 되어야 한다. 약속했던 마찰 없는 경험과는 거리가 멀다.

제품에는 여전히 판단이 필요하다

기술 스택의 다음 계층이 흥미로워지는 지점이 바로 여기다. MCP가 연결 계층이라면, 플러그인과 스킬은 그 위에 자리해 특정 작업을 완료하는 데 그 연결을 어떻게 활용해야 하는지 에이전트에 알려준다.

모델에 데이터와 기능을 단순히 공개하는 대신, 그 주변에 지침, 업무 흐름, 결정론적 계산 및 인터페이스를 하나로 묶어 제공할 수 있다.

때로는 정해진 작업 순서를 따르는 것일 수 있다. 때로는 대규모 언어 모델에 답을 추론하게 하는 대신 결정론적 계산이나 스크립트를 실행하는 것일 수 있다. 다른 경우에는 해당 업무 흐름에 맞춰 특별히 설계된 스프레드시트, 보고서 또는 소규모 애플리케이션이 최종 결과물일 수 있다.

전문성은 전적으로 모델에 맡겨지는 것이 아니라 제품에 담긴다.

이러한 조합이 효과적이라는 증거가 있다. Google은 최근 시험했다 MCP를 통해 기술 문서에 접근할 수 있는 AI 코딩 에이전트를 시험한 뒤, 그 정보의 활용법을 설명하는 추가적인 작업별 지침을 제공했다. 연결 기능과 지침을 결합한 결과 Google의 평가에서 96.3%의 통과율을 기록했으며, 일반적인 프롬프트 방식보다 정답 하나당 토큰을 63% 적게 사용했다.

SaaS 기업의 경우 이는 차별화 요소가 자리하는 곳을 바꾼다. 모든 애플리케이션이 동일한 개방형 표준을 통해 데이터를 공개할 수 있다면, 접근성 자체의 차별성은 줄어든다. 그 접근성을 신뢰할 수 있는 결과로 전환하는 방법을 아는 것이 더 중요해진다.

모든 작업을 모델에 맡겨서는 안 된다

대규모 언어 모델은 확률적 시스템이다. 글쓰기, 탐색, 추론에 유용한 유연성은 정확성과 재현성이 중요한 업무 흐름에서는 오히려 매력이 떨어진다. 금융은 좋은 예다. 같은 계산에서 매번 같은 답이 나오기를 기대한다면, 결과가 달라지는 것은 곧 문제로 이어진다.

금융 소프트웨어는 수십 년 동안 정반대 방향으로 발전해 왔다. 일관성이 중요한 이유로 감사 추적, 권한 관리, 표준화된 계산 및 반복 가능한 프로세스가 마련되어 있다.

AI가 이러한 교훈을 외면해서는 안 된다. 가장 뛰어난 기업용 AI 제품은 모델이 추론하도록 할 때와 그 범위를 제한할 때를 알 것이다. 판단과 해석이 유용할 때는 확률적 시스템이 적합하다. 정밀성과 재현성이 필요할 때는 결정론적 도구가 더 적합하다.

잘못된 답변을 내놓았을 때 치러야 할 대가가 큰 곳이라면 어디든 같은 원칙이 적용된다.

SaaS 차별화의 다음 단계

MCP 위에 구축되는 계층은 아직 MCP 자체보다 훨씬 덜 정립된 상태다.

플러그인과 스킬을 둘러싼 다양한 접근 방식이 등장했지만, 이를 하나의 생태계에 가두기보다 AI 플랫폼 간에 더 쉽게 이식할 수 있도록 하려는 노력도 이미 진행 중이다.

모든 표준이 정착하기 전에 SaaS 기업들은 여전히 선택을 내려야 한다. 언제나 그래 왔다.

대안은 인터페이스를 공개하고 고객이 직접 경험을 구성하도록 맡기는 것이다.

AI도 같은 경로를 따를 수 있다. 에이전트를 기업용 소프트웨어에 연결하는 일은 매달 더 쉬워지고 있다. 앞으로 경쟁 우위는 그다음 단계, 즉 에이전트가 접근 권한을 신뢰할 수 있는 결과로 전환하는 방법을 알려 주는 워크플로, 제어 기능, 도메인 전문성에서 점점 더 많이 나올 것이다.