저는 개발자들이 재무부 금리 PDF를 단순히 입력하고 LLM에게 '잘 해봐'라고 말하며 '금융 AI 에이전트(Financial AI Agents)'를 만들려고 하는 것을 보았습니다.

그것은 매번 실패합니다.

문제는 모델의 추론 능력에 있는 것이 아니라, LLM이 토큰을 처리하는 근본적인 방식에 있습니다. Claude나 GPT에게 국채(Treasury Bill) 금리에 대한 반정형 텍스트를 기반으로 이자 발생액을 계산하라고 요청할 때, 당신은 수학을 수행하는 것이 아니라 패턴 매칭을 수행하고 있는 것입니다. 컨텍스트 창이 복잡해지거나 소수점이 복잡해지는 순간, 환각(hallucination)이 시작됩니다. 28 U.S.C. § 1961과 관련된 법적 맥락에서 '대략적으로(approximately)'는 법적으로 쓸모가 없습니다.

당신에게 필요한 것은 더 나은 프롬프트가 아닙니다. 수학을 LLM의 추론 엔진에서 분리하여 전문적이고 검증 가능한 도구로 옮기는 결정론적 실행 계층(deterministic execution layer)이 필요합니다.

사후 판결 이자(Post-Judgment Interest)의 문제점

미국 연방 사후 판결 이자를 계산하는 것은 단순히 금리에 시간을 곱하는 것 이상의 문제입니다. 이는 주간 국채 금리 사용을 의무화하는 28 U.S.C. § 1961에 의해 엄격하게 규정됩니다. 이는 LLM이 텍스트만으로는 신뢰성 있게 관리할 수 없는 높은 수준의 변동성과 세밀한 복잡성을 도입합니다.

만약 법률 감사나 합의 계산을 지원하는 에이전트를 구축하고 있다면, 당신의 에이전트는 다음 세 가지 별개의 논리적 단계에 접근해야 합니다:

1. 데이터 검색(Data Retrieval): 특정 주간의 정확한 연간 금리를 찾는 것.
2. 계산(Computation): 금리가 기간 중간에 변경될 수 있는 여러 날짜 범위에 걸쳐 해당 금리를 적용하는 것.
3. 비교 분석(Comparative Analysis): 다양한 지급 기한이 총 부채액에 어떻게 영향을 미치는지 평가하는 것.

만약 이 과정을 프롬프트를 통해 처리하려고 한다면, 당신의 에이전트는 본질적으로 캐시된 지식에 기반하여 추측하고 있는 것입니다. 만약 MCP(Model Context Protocol) 서버를 사용한다면, 에이전트는 코드를 실행하고 있는 것입니다.

도구화: 추론에서 실행으로 이동하기

도구화: 추론에서 실행으로 이동하기

최근 저는 미국 판결 후 이자 계산기(US Post-Judgment Interest Calculator)를 자동화된 법률 문서 검토 워크플로우에 통합했습니다. 여기서는 MCP 서버 내의 도구들이 실제 프로덕션 체인에서 실제로 어떻게 작동하는지 설명합니다.

1. 진실의 원천: rate_lookup

에이전트는 2024년 2월 15일의 국채 금리가 얼마였는지 기억할 것이라고 신뢰할 수 없습니다. rate_lookup을 사용함으로써, 에이전트는 지시된 질의(directed query)를 수행합니다. 이 도구는 참조 날짜를 제공하면 해당 특정 주 동안 유효했던 정확한 연간 이자율을 받습니다. 이는 LLM이 몇 달 전일 수 있는 훈련 데이터에 의존하는 '오래된 컨텍스트(stale context)' 문제를 제거해 줍니다.

2. 엔진: interest_accrual_calc

에이전트가 금리를 확보했다면, 실제 부담액을 계산해야 합니다. interest_accrual_calc는 판결 금액과 기간을 받아 총 누적 이자와 업데이트된 잔액을 모두 반환합니다. 바로 여기서 우리는 원시 데이터와 실행 가능한 재무 업데이트 사이의 간극을 메웁니다. 일수 계산(day-counts) 및 금리 전환 처리는 프롬프트가 아닌 서버에서 처리됩니다.

3. 의사결정 계층: interest_scenario_comparison

이 부분이 대부분의 개발자들이 MCP의 핵심 포인트를 놓치는 곳입니다. 에이전트는 단순히 무슨 일이 일어났는지 알려주는 것을 넘어, 다음에 무엇을 할지 결정하는 데 도움을 주어야 합니다. interest_scenario_comparison을 사용함으로써, 에이전트는 두 가지 다른 납부 날짜(예: 오늘 납부 vs. 3개월 후 납부)를 평가하고 이자 비용의 정확한 차이를 출력할 수 있습니다. 이는 단순 정보 검색에서 실제 재무 전략 지원으로 나아가는 더 높은 수준의 주체성(agency)을 가능하게 합니다.

왜 이것이 Python 스크립트가 아닌 MCP에 속해야 하는가

MCP 패턴은 해당 로직을 표준 프로토콜로 감싸서, 규격에 맞는 모든 클라이언트가 사용자 지정 연결 작업(custom plumbing) 없이 즉시 이해하고 사용할 수 있게 합니다. 제가 Vinkius 서버를 사용할 때, 마찰이 사라집니다. 연결 토큰을 가져와 환경에 붙여넣기만 하면, 갑자기 Claude에게 손이 생기는 것과 같습니다. 단순히 코드를 가지고 있는 것이 아니라, 인터페이스를 가지고 있는 것이 중요합니다.

엔지니어링의 현실

이러한 유형의 도구를 구축할 때, 표준 '유틸리티' MCP에서는 찾아볼 수 없는 정밀성에 대한 집착이 있습니다. 금융/법률 분야에서 만약 도구가 실수로 부동소수점(float)을 반환해야 할 때 4자리 정수(integer)를 반환하거나, 주간 요율 변경을 반영하지 못한다면, 전체 에이전트 워크플로우가 책임(liability) 문제가 됩니다.

제가 Vinkius에서 작업하는 모든 서버는 우리가 단순히 '데이터'를 제공하는 것이 아니라, 프로덕션 레벨의 실행 환경을 제공하도록 MCPFusion을 사용하여 구축됩니다. AI 에이전트에게 금융 매개변수에 대한 접근 권한을 부여할 때는 도구의 출력에 확실성이 필요합니다.

Claude나 Cursor로 법률 또는 금융 워크플로우 자동화 실험을 하고 있다면, 그들에게 수학을 가르치려고 시도하는 것을 멈추세요. 대신 그것을 실행할 수 있는 도구를 제공하기 시작하세요.

MCP는 AI 에이전트의 음악입니다. 저희가 카탈로그를 만들었습니다. Vinkius MCP Catalog에서 확인해 보세요.