첫 번째 성공적인 AI 데이터베이스 쿼리는 이정표가 아닙니다. 그것은 함정입니다. 왜냐하면 데모 질문은 항상 무해하기 때문입니다:上个月의 매출은 얼마입니까? (What was revenue last month?) 그런 다음 커넥터가 퍼집니다. 더 많은 사람들이 그것을 사용합니다. 더 많은 클라이언트가 연결됩니다. 더 많은 테이블이 접근 가능해집니다. 갑자기, 여러분이 편의 계층으로 간주했던 것이 자연어와 생산 데이터 사이에 자리 잡고 있습니다. 그것은 이제 단축기가 아닙니다. 그것은 제어 평면입니다 (control plane).

중요한 5 가지 경계 (The five boundaries that matter)
Claude, ChatGPT, Cursor 또는 내부 에이전트를 라이브 데이터에 연결하기 전에 팀은 명확하게 다음 5 가지를 정의해야 합니다:

1. Identity(정체성) — 누가 질문을 하는지, 어떤 클라이언트를 통해, 그리고 어떤 워크스페이스 하에서인가?
2. Scope(범위) — 어떤 스키마, 뷰, 열, 및 도구가 허용 범위 내에 있는가?
3. Schema context(스키마 컨텍스트) — 데이터는 비즈니스 용어에서 실제로 무엇을 의미하는가?
4. Execution limits(실행 제한) — 얼마나 쿼리할 수 있고, 반환할 수 있으며, 시도할 수 있는가?
5. Auditability(감사 가능성) — 답변이 중요한 때 나중에 검토할 수 있는 것이 무엇인가?

그 경계가 모호하면 커넥터는 자격 증명에 얇은 래퍼가 됩니다. 이는 로컬에서는 괜찮을 수 있습니다. 그러나 생산 팀이 비즈니스 데이터를 AI 에 노출하는 방식으로는 적절하지 않습니다.

MCP 는 도움을 주지만, 그것은 아키텍처를 대체하지 않습니다 (MCP helps, but it does not replace architecture).
MCP 는 AI 클라이언트에 유용한 도구 레이어를 제공합니다. 그러나 MCP 데이터베이스 서버는 여전히 실제 제품 결정을 필요로 합니다: 읽기 전용 기본값, 승인된 뷰, 결과 제한, 도구 설명, 차단된 작업, 및 로그입니다.
목표는 단순히 "모델이 데이터베이스를 쿼리하도록 허용"하는 것이 아닙니다. 목표는: 조직이 모델이 무엇을 할 수 있는지를 정확히 이해하게 하는 것입니다.

우리는 여기에 전체 체크리스트를 작성했습니다:
AI database connector architecture: the five boundaries teams should define first (AI 데이터베이스 커넥터 아키텍처: 팀이 먼저 정의해야 할 5 가지 경계)

이 레이어를 구축하고 있다면, Conexor 는 MCP 호환 클라이언트인 Claude, ChatGPT, Cursor, n8n, 및 Continue 와 같은 데이터베이스 및 API 를 연결합니다.
커넥터는 위험이 집중되는 곳입니다. 그것을 인프라처럼 다뤄야 합니다.