【도식】MCP(Model Context Protocol)의 전체 구조와 본질: AI의 거짓말이 사라지고 지금 최대 블루오션인 이유

AI 에이전트나 LLM을 실무에 도입할 때 현재 가장 주목받는 표준 규격이 MCP (Model Context Protocol) 입니다.

하지만 'Function Calling이나 RAG와 무엇이 다른지?', '시스템 전체에서 어떻게 위치시켜야 하는지?'가 모호하게 설명되는 경우가 적지 않습니다.

본 기사에서는 일본 국내의 155종류, 1,016만 건에 달하는 공공 데이터를 클렌징하여 MCP 서버(japan-data-mcp)로 구축 및 공개한 지견을 바탕으로, MCP의 아키텍처적 본질, 환각(Hallucination)이 사라지는 구조적 이유, 3가지 디자인 패턴, 그리고 개발자가 지금 노려야 할 영역을 체계적으로 정리합니다.

한마디로 정의하면, MCP란 'AI(두뇌)에게 외부 도구나 데이터 창고를 '찰칵' 끼워 넣기 위한 세계 공통의 연결 규격 (USB Type-C 단자)' 입니다.

기존 AI 개발에서는 LLM과 외부 데이터 소스(DB, 로컬 파일, SaaS API)를 연결할 때 클라이언트나 모델마다 개별적인 구현이 필요했습니다. MCP는 이 연결 인터페이스를 표준화하여, 한 번 만든 도구군(MCP 서버)을 Claude Desktop, Cursor, Cline 또는 자체 제작 애플리케이션 등 모든 호스트에 플러그인 가능하게 합니다.

이를 통해 LLM은 '사전 학습된 기억만으로 대답하는 상태'에서 벗어나, 결정론적인 도구와 정확한 데이터 스토어를 자율적으로 조작하여 업무를 수행하는 시스템이 됩니다.

실무 수준의 AI 시스템은 다음 5가지 컴포넌트의 분업으로 이루어집니다. 이를 인간 사회의 '회사 조직'에 비유하면, 각자의 책임이 명확해집니다.

기업의 AI 도입에서 최대 장애물인 '환각(Hallucination, 사실무근의 수치나 정보 생성)'은 모델 성능 부족이 아니라 '맨몸으로 대답하게 만드는 아키텍처적 결함' 이 원인입니다.

눈앞에 교과서도 계산기도 없이 강단에 서 있는 선생님과 같습니다. 세세한 통계나 사실을 질문받으면, 기억하기 모호한 가중치 파라미터(확률적인 다음 단어 예측)로부터 그럴듯한 숫자를 지어냅니다.

눈앞에 정확한 장부(2)를 두고, 검색/집계 도구(3: MCP)를 갖추게 하고, 임의 추측을 금지(4)하여 작동시킵니다.

[사용자 질문]
↓
[5. 창구 (Claude / Cursor)] + [4. 지시서 (추측 금지・도구 필수)]
...

이처럼 LLM의 역할을 '기억의 서랍'에서 '쿼리 구성과 결과 읽어주기'로 한정하기 때문에, 사실 관계의 거짓말이 물리적으로 발생하지 않게 됩니다.

MCP 서버는 뒤에 가진 리소스의 성질에 따라 다음 3가지 타입으로 분류할 수 있습니다. 반드시 처음부터 대규모 데이터가 필요한 것은 아닙니다.

개요: 뒤에 클렌징된 대규모 데이터베이스를 품고, AI에게 정확한 사실을 꺼내게 하는 타입 (예: japan-data-mcp)

• 특징: 데이터 수집・정규화의 비용이 높기 때문에, 타사가 모방하기 어려운 견고한 비즈니스 기반이 됩니다.

⚠️ [IMG:N] 형식 토큰은 이미지 placeholder 입니다. 번역하지 말고 원래 위치에 그대로 유지하세요.

• 개요: 초기 상태에서는 비어 있는 파일(Markdown 또는 경량 DB)을 하나 배치하고, 대화나 작업 진행에 따라 AI 스스로가 파일에 기억 및 설정을 추가/업데이트해 나가는 타입.

• 특징: 초기 데이터 제로에서 개발할 수 있으며, 사용할수록 사용자에게 최적화되므로 개인용 동반 AI나 장편 창작 지원(소설・TRPG)에 적합합니다.

• 개요: 상태나 데이터를 가지지 않고, OS 조작, 브라우저 제어, 스마트폰 조작, 이메일 전송, Slack 알림 등 '외부 환경을 움직이는 사지'에 특화된 타입.

• 특징: 워크플로우 자동화(RPA의 AI 버전)로서 즉각적인 효과가 있습니다.

엔지니어와 소규모 팀이 지금 리소스를 투입한다면, LLM 래퍼 앱이 아니라 "2. 기억 (클린 데이터)" × "3. 사지 (MCP)" 영역이 압도적으로 유리합니다.

• 거대 테크 기업과의 소모전을 피할 수 있다

'1. 두뇌' 개발 경쟁은 수천억 엔 규모의 자본 싸움입니다. 반면, MCP는 어떤 LLM에도 연결할 수 있는 '곡괭이'이기 때문에, 앞으로 어느 모델이 패권을 잡더라도 자산 가치가 떨어지지 않습니다.

• 대기업이 손대지 않는 '진흙탕 데이터 클렌징'이 진입 장벽이 된다

일본의 관공서・지자체 오픈 데이터는 복잡한 셀 병합, 일본 연호(레이와・헤이세이・쇼와) 혼재, Shift_JIS (CP932) 문자 깨짐, 표기 불일치가 상시화되어 있습니다. Google이나 Anthropic이 이것들을 개별적으로 청소하여 13자리 법인 번호나 5자리 JIS 지자체 코드로 이름 매칭(名寄せ)해 주는 일은 없습니다. 이 '진흙탕'을 자동화한 파이프라인을 장악하는 것이 곧 독점적인 가치가 됩니다.

• BtoB의 '업무 시간 단축 (경비 예산)'에 직결된다

직원이 며칠에 걸쳐 진행했던 시장 조사, 입찰 건 리서치, 영업 리스트 작성 등을 수십 초로 단축할 수 있기 때문에, 개인적인 오락이 아니라 법인의 정규 경비로서 도입됩니다.

현재 제1탄의 기반으로, 국내 155종류・1,016만 건의 공적 데이터를 정규화한 japan-data-mcp을 공개하고 있습니다.

• 수록 데이터 범위 예시:
• 디지털청 GEPS 전 부처 낙찰 실적 (2020년~2026년・국가 공개 전 기간 100% 망라)
• 국토교통성 전국 지가 공시 아카이브 (1983년~2026년・과거 44년간)
• 전국 1,741 시군구의 인구・소득・재정 통계, 전국 현존 법인・의료기관・인프라 대장 (13자리 법인 번호・5자리 지자체 코드 완비)

예를 들어 claude_desktop_config.json에 몇 줄만 추가하는 것만으로도, 손안의 AI가 1,016만 건의 대장을 가진 전문 분석가가 됩니다.

{
"mcpServers": {
"japan-data": {
...

그리고 이 '5가지 역할 분담' 아키텍처를 응용하여, 다음은 아래 3개 영역으로 개발을 확장해 나갈 예정입니다.

• 업무 액션형 MCP로의 확장 (데이터 제공형 × 액션형)
  공공기관 신규 입찰 건 자동 감지・알림부터, 과거 7년간 낙찰 상가 데이터를 참조한 '기획서・견적서 초안 자동 생성'까지 일관되게 끝내는 시스템.
• Pixel 화면상의 완전 오프라인 동반 AI (상태 기록・메모리형)
  스마트폰(Pixel 등)의 로컬 LLM(Gemma 등)에, 로컬 Markdown 파일군을 관리하는 MCP를 연결. 일상 대화로 AI 스스로가 기억을 추가하며, 통신비 0원・완전 오프라인으로 자신과 함께 성장하는 개인용 AI.
• 설정 파탄 제로의 '소설가・TRPG용 MCP' (상태 기록・메모리형)
  캐릭터 상태, 세계관 규칙, 시계열 이벤트 대장 등을 MCP로 엄격하게 읽고 쓰게 하여, 장편 집필이나 TRPG 세션에서 설정이나 복선 모순을 물리적으로 방지하는 창작 엔진.

**MCP는 AI에 외부의 '대장'과 '도구'를 연결하는 USB Type-C 규격이다.****5가지 역할 분담(두뇌・기억・사지・지시서・창구)을 갖춤으로써, 환각 현상은 구조적으로 사라진다.**거대 데이터(데이터 제공형)뿐만 아니라, 빈 파일에서 자라나는 '메모리형'이나 '액션형'에도 광활한 블루오션이 있다.

꼭 여러분도 주변의 데이터나 로컬 파일을 MCP화하여 AI에 연결해 보는 경험을 시도해 보세요.