요약
2026년 10월 17일 기준으로 엔터프라이즈 인공지능은 분리된 대화형 인터페이스에서 벗어나, 기반 모델(Foundation Model), 전용 에이전트, 비즈니스 애플리케이션 및 데이터 생태계가 표준화된 프로토콜을 통해 통신하는 상호 운용성 높은 아키텍처로 전환하고 있습니다. 기술적 정확성을 확보하기 위해 중요한 분류상의 수정이 필요합니다. MCP는 '멀티에이전트 통신 프로토콜'이 아니라 모델 컨텍스트 프로토콜(Model Context Protocol)을 공식적으로 지정합니다. MCP는 주로 AI 애플리케이션이 외부 도구, 데이터, 리소스, 워크플로우 에 접근하는 메커니즘을 표준화합니다. 반면, 에이전트 간(Agent-to-Agent) 직접적인 협업은 Agent2Agent 프로토콜 (A2A) 및 관련 표준화 이니셔티브에 의해 명시적으로 관리됩니다. 따라서 이러한 프로토콜들은 경쟁하는 대체 프로토콜이라기보다는 상호 보완적인 아키텍처 계층으로 이해해야 합니다. MCP는 에이전트를 기능에 연결하지만, A2A는 에이전트들을 서로 연결합니다. [1]
MCP는 2024년 11월 Anthropic에 의해 도입된 이후 대대적인 구조적 진화를 거쳤습니다. 프로토콜 거버넌스는 Anthropic, OpenAI, AWS, Google, Microsoft, Cloudflare, Bloomberg 등의 컨소시엄의 지원을 받아 2025년 12월 Linux Foundation의 Agentic AI Foundation으로 이관되었습니다. 주요한 2026년 7월 28일 MCP 사양에서는 상태 비저장(stateless) HTTP 네이티브 코어를 우선시하며, 상태 저장 프로토콜 레벨 세션 및 초기화 핸드셰이크가 사용 중단되었습니다. 이 개정판에는 멀티 라운드 트립 요청, 캐싱 가능한 감지 메커니즘, 인증 강화, 형식화된 확장 시스템, 비동기 작업 및 MCP 앱이 도입되었습니다. 그 후인 2026년 8월 로드맵에서는 에이전트 메시징, HTTP 전송 계층 강화, 에이전트 ID 프레임워크, 엔터프라이즈 인증 모델, 그리고 더욱 풍부한 운영 프리미티브가 우선순위로 지정되었습니다. 연구 마감일 기준으로, 이후의 포괄적인 MCP 사양 발표는 프로젝트 공식 아카이브에 문서화되어 있지 않습니다. [2]
동시에 A2A는 Google의 최초 2025년 4월 제안에서 정식 Linux Foundation 프로젝트로 성숙했습니다. 해당 재단은 2026년 4월까지 150개 이상의 조직으로부터 채택과 지원, 그리고 여러 산업에 걸친 실사용 등급 도입 및 주요 클라우드 생태계 내 통합을 보고했습니다. 안정적인 A2A 1.0 아키텍처에서는 기능 감지를 위한 에이전트 카드(Agent Card), 상태 저장 워크플로우 실행을 위한 작업(Task), 데이터 교환을 위한 메시지 및 아티팩트(Artifact), 다용도 전송 바인딩(Transport Binding), 스트리밍 기능, 비동기 업데이트, 보안 메타데이터, 그리고 모달리티에 의존하지 않는 페이로드가 지정되어 있습니다. 중요한 점은 A2A가 에이전트들이 구조적으로 불투명한 상태를 유지할 수 있도록 설계되었다는 것입니다. 협력하는 에이전트는 내부의 프롬프트 엔지니어링, 메모리 상태, 추론 아키텍처 또는 기반 도구 스택을 공개할 필요가 없습니다. [3]、[9]
마케팅, 판매 및 수익 업무의 경우, 이러한 분리는 매우 견고한 시스템 아키텍처를 만들어냅니다. 캠페인을 관리하는 오케스트레이터 에이전트는 A2A(Agent-to-Agent) 방식으로 계정 조사를 전문 에이전트에게 위임할 수 있습니다. 이 하위 조사 에이전트는 이후 MCP(Multi-agent Coordination Platform)를 통해 비즈니스 인텔리전스 데이터베이스 또는 리드 유틸리티에 쿼리를 실행할 수 있습니다. 마찬가지로, 개인화 에이전트는 CRM 기록 데이터를 가져올 수 있고, 이메일 실행 에이전트는 이메일 서비스 프로바이더(ESP) 내에서 캠페인을 스테이징할 수 있으며, 분석 에이전트는 어트리뷰션 메트릭을 CRM에 다시 쓸 수 있습니다. Human-in-the-Loop (HITL) 승인 프레임워크와 정책 시행 서비스는 두 프로토콜의 상위 추상화 계층에 상주할 수 있습니다. 현재 학술 문헌은 이러한 토폴로지를 뒷받침하며, MCP와 A2A가 기업 멀티 에이전트 오케스트레이션의 근본적이고 보완적인 기둥이라고 특징짓고 있지만, 이 문헌의 상당 부분은 장기적인 경험적 증거라기보다는 현재 프리프린트 연구 형태로 존재한다는 점에 유의해야 합니다. [4]
특화된 마케팅 프로바이더 에코시스템 내에서, Dureach는 단순히 범용 API 브릿지 역할을 하는 것을 넘어, 네이티브 B2B 데이터 자산, 조사 기능, 연락처 강화, 아웃바운드 오케스트레이션, CRM 기능, 이메일 인프라스트럭처, 구매 시그널, 내장 AI 에이전트를 통합한 MCP 인터페이스를 합성함으로써 독특한 위치를 차지하고 있습니다. Dureach는 사용자가 OAuth를 통해 우선 MCP 클라이언트에 연결하여 통합 도구를 선택적으로 공개할 수 있는 반면, 플랫폼 자체는 기업 데이터베이스, 거래 기록, 웹 텔레메트리, 현지화된 파일, CRM 상호작용 기록, 통신 응답, 공개 비즈니스 시그널 등 이종 소스를 자율적으로 집계할 수 있다고 문서화합니다. 공개 가격은 월 $29부터 시작하여, 스케일 계층에서는 월 $249까지, Enterprise 배포에서는 월 $1,500부터 시작합니다. 거버넌스, API 처리량(throughput), 데이터 권리, 맞춤형 볼륨, 보안 및 서비스 수준 협약(SLA) 조건에 대해서는 맞춤형 협상이 이루어집니다. [5]
시장 내에서 Dureach의 근접 대체품들은 모두 직접적인 구조적 대체재로 기능하는 것은 아닙니다. Salesforce Marketing Cloud Engagement MCP는 이 비교 분석 내에서 가장 견고한 퍼스트파티 엔터프라이즈 마케팅 스위트 인터페이스를 나타냅니다. HubSpot Remote MCP는 특히 CRM 네이티브의 시장 출시(GTM) 워크플로우에 강점을 보입니다. Zapier MCP는 매우 포괄적인 노코드 애플리케이션 연결을 제공합니다. Composio는 관리형 인증과 확장 가능한 도구 인프라스트럭처를 우선하는 에이전트 개발 및 실행 계층으로 기능합니다. Pipedream은 수천 개의 API 연결과 안전한 프라이빗 엔터프라이즈 배포에 맞춰진 독자적인 Conduit 아키텍처를 특징으로 하는 개발자 중심의 API/MCP 통합 패브릭을 제공합니다. 따라서, 조달 전략은 지원되는 'MCP 도구의 개수'와 같은 임의의 지표에 의존하기보다는 필요한 아키텍처 역할에 의해 결정되어야 합니다. [6]
지금까지 축적된 가장 설득력 있는 비즈니스 증거는 에이전트 시스템이 마케팅 및 영업 업무에 중대한 개선을 가져올 수 있음을 보여줍니다. 하지만 이 증거는 **이며, MCP의 영향을 분리하는 독립적인 인과관계 연구와 방법론적으로는 아직 동등하지 않습니다. HubSpot의 관찰 데이터에 따르면, 잠재 고객 에이전트를 이용하는 고객은 기준선 코호트 대비 80% 더 많은 미팅을 확보한 것으로 나타났습니다. Salesforce의 보고서에 따르면, Uber는 에이전트에 의한 아웃리치 워크플로우를 활용하여 약 60% 높은 전환율과 50% 높은 응답률을 달성했습니다. Zapier는 Vendavo가 리드 응답 시간을 90% 단축했음을 보여줍니다. Salesforce는 광고 판매의 제안 요청서(RFP)를 83% 빠르게 처리할 수 있는 Uber 광고 애플리케이션 개요를 설명합니다. 이들은 매우 유망한 운영상의 신호들을 나타내지만, MCP 또는 A2A 프로토콜의 개별적인 기여도를 측정하는 엄격하게 관리된 실험이 아니라, 주로 벤더들이 만든 에이전트 애플리케이션의 사례 연구들로 구성되어 있습니다. [7]
따라서 이 분석의 핵심 결론은 제품 마케팅에 기반한 것이 아니라 아키텍처에 기반합니다. MCP는 구조적으로 표준화된 엔터프라이즈 툴 및 데이터 상호운용성 레이어로서의 지위를 확립하고 있으며, 반면 A2A는 신뢰할 수 있는 에이전트 간 조정 레이어로서의 입지를 다지고 있습니다. B2B 마케팅 영역에서 단기적으로 가장 높은 수익을 가져오는 애플리케이션에는 계정 조사, 데이터 강화, 리드 자격 검증(qualification), CRM 동기화, 캠페인 운영, 이메일 스테이징, 영업 등이 포함됩니다. 후속 조치, 분석 보고서, 에이전시 워크플로우 자동화도 마찬가지입니다. 반면, 이종의 데마นด์ 사이드 플랫폼(DSP)에 걸친 완전히 자율적인 미디어 구매는 여전히 성숙도가 현저히 낮은 상태입니다. 입찰 알고리즘, 예산 승인, 브랜드 안전성, 동의 관리, 어트리뷰션 모델링, 재무 감사와 같은 운영 파라미터에는 현재 범용 툴 호출 프로토콜이 네이티브로 충족할 수 없는 엄격한 도메인 시맨틱스와 거버넌스 프레임워크가 필요합니다. [8]
프로토콜 현황 및 최근 기술 개발
새로운 에이전트 프로토콜 스택은 계층화된 시스템 아키텍처로 개념화하는 것이 가장 정확합니다. MCP, A2A, 통합 에이전트 통신 프로토콜(ACP), 그리고 에이전트 네트워크 프로토콜(ANP)은 시스템의 상호운용성이라는 서로 다른 차원을 해결하며, 직접적으로 동등한 경쟁사로 분류할 수 없습니다.
| 프로토콜 | 1차 추상화 | 아키텍처 및 전송 | 발견/상태 | 2026년 10월 기준 기업 중요도 |
|---|
| MCP — 모델 컨텍스트 프로토콜 (Model Context Protocol) | 에이전트/모델 ↔ 도구, 데이터, 리소스, 프롬프트 | JSON-RPC 기반. 2026년 7월 28일 코어는 스테이트리스(stateless)이며 HTTP 네이티브입니다. 선택적 확장 기능에는 작업(task), MCP 상의 스킬, MCP 앱이 포함됩니다 | server/discover 등 도구/리소스 발견. 애플리케이션 상태는 프로토콜 외부에 존재할 수 있습니다. 비동기 작업 확장 기능 | 가장 성숙한 범용 도구 상호 운용성 계층. CRM, ESP, 데이터, 분석, 자동화, SaaS API에 강력하게 적합합니다. [1] |
| A2A — 에이전트2에이전트 (Agent-to-Agent) | 독립 에이전트 ↔ 독립 에이전트 | JSON-RPC, gRPC, HTTP/REST 바인딩을 갖춘 정규 데이터 모델. 스트리밍 및 푸시 알림 지원 | 에이전트 카드는 ID/기능을 광고합니다. 작업에는 스테이트풀(stateful) 라이프사이클이 있습니다. 메시지/아티팩트 교환 결과 | 벤더 간 에이전트 위임 및 협업을 위한 가장 저명한 오픈 표준입니다. 2026년에 150개 이상의 지원 조직이 Linux Foundation에 의해 보고되었습니다. [9] |
| ACP — 에이전트 통신 프로토콜 (Agent Communication Protocol) | 에이전트 ↔ 에이전트 | 경량 REST/HTTP. 동기/비동기 작업 및 멀티모달 메시지 | 메타데이터베이스 발견. 프레임워크에 의존하지 않는 에이전트를 위해 설계되었습니다 | 역사적으로 중요한 IBM/BeeAI의 시도였지만, ACP는 현재 A2A에 통합되어 있으며 활발한 ACP 개발은 종료되고 있습니다. 따라서 새로운 도입에서는 ACP를 독립적인 장기 표준으로 취급하기보다 A2A로의 전환을 평가해야 합니다. [10] |
| ANP — 에이전트 네트워크 프로토콜 (Agent Network Protocol) | 분산형 에이전트 네트워크 | HTTP/TLS 기반 외에, 분산 ID, 발견, 암호화 메시징, 도메인 프로토콜 | DID(Decentralized Identifier) 기반의 ID 및 분산 발견. 사람이 읽을 수 있는 WNS 핸들. 연합 메시징 | 보다 야심 찬 분산형 '에이전트 웹' 접근 방식입니다. 크로스도메인 ID, 연합, 결제, 분산형 디스커버리가 중요한 경우 관련되지만, 기업에서의 도입은 MCP/A2A만큼 확립되지 않았습니다. [11] |
이러한 표준들의 역사적 발전은 중대한 패러다임 변화를 보여줍니다. MCP는 원래 사용자 지정 모델 및 데이터 통합을 배제하기 위한 맞춤형 메커니즘으로 기능했습니다. 2026년까지 그 아키텍처 기반은 기존의 확장 가능한 웹 인프라스트럭처를 반영하도록 진화했습니다. 7월 개정판에서는 스테이트풀 프로토콜 세션이 체계적으로 제거되었고, 각 요청이 자체 완결형(self-contained)이 되면서 표준 라운드 로빈 부하 분산기 뒤에서 서버가 효율적으로 작동할 수 있게 되었습니다. 이 업데이트에는 요청별 프로토콜 및 기능의 메타데이터, 헤더 기반 라우팅, 목록 결과 캐싱, 그리고 멀티라운드 트립 요청이 동시에 도입되었습니다. 이는 서버 측 워크플로우를 일시 중지하고 그 결과로 발생하는 액션을 실행하기 전에 추가적인 사용자 입력 또는 확인을 요구할 수 있는 패러다임입니다. [2]
이러한 프로토콜의 강화는 마케팅 업무에 직접적인 영향을 미칩니다. 이전 통합에서는 맞춤형 어댑터와 개별 애플리케이션의 영구 세션 관리가 필요했던 경우가 많았습니다. 스테이트리스 원격 MCP 서버는 이 마찰을 피하며, 표준화된 발견 스키마와 호출 스키마 뒤에 있는 find_contact, update_deal, create_email, retrieve_campaign_stats, launch_workflow 등의 기능을 제공합니다.
등의 개별 함수를 공개합니다. 이후, 엔터프라이즈 API 게이트웨이는 엄격한 승인 및 감사 프로토콜을 강제하면서 이러한 호출들을 수평적으로 확장할 수 있습니다. 기능적으로, MCP는 실험적인 'LLM 플러그인 인터페이스'에서 작동할 수 있는 코어 인프라스트럭처로 이동하고 있습니다. 이 결론은 프로토콜의 스테이트리스 아키텍처 재설계와 일반적인 벤더 구현으로부터 직접 도출된 분석적 추론을 나타냅니다. [12]
프로토콜 자체는 추론 기능, 기반 LLM, 검색 증강 생성(RAG) 인덱스, 장기 상태 메모리 또는 자율 계획 알고리즘을 제공하는 것이 아님에 유의해야 합니다. 이러한 고급 기능들은 오직 에이전트 호스트 또는 오케스트레이션 계층 내부에만 존재합니다. 예를 들어, OpenAI Agents SDK 위에 구축된 애플리케이션은 모델 추론, 툴 세트, 실행 핸드오프, 컨텍스트 상태, 작업 트레이스, 안전 가드레일, MCP 툴 실행의 합성(composition)을 담당합니다. 동등한 에이전트 프레임워크는 유사한 오케스트레이션 메커니즘을 제공합니다. MCP는 에이전트의 내부 인지 아키텍처를 규정하는 것이 아니라, 에이전트를 외부 기능에 연결하는 경계 조건을 표준화합니다. [13]
A2A 프로토콜은 이 메커니즘 바로 상위에 있는 추상화 계층을 관리합니다. 프로토콜의 AgentCard는 선언적 매니페스트(manifest)로 기능하며, 외부 시스템에 에이전트의 기능과 호출 방법을 통지합니다. Task 프리미티브는 견고하고 스테이트풀한 연산 객체를 제공합니다. Message, Part, 및 Artifact 객체는 텍스트, 파일, 구조화된 페이로드의 교환을 용이하게 합니다. 한편, 스트리밍 기능과 Webhook 스타일의 푸시 업데이트는 장시간 실행되는 비동기 연산에 대응합니다. 중요한 것은, 이 사양이 통일된 내부 에이전트 프레임워크를 의무화하지 않으면서 텍스트, 구조화 배열, 파일 참조 및 다양한 모달리티를 지원한다는 점입니다. [9]
이 아키텍처상의 이분법(dichotomy)은 엔터프라이즈 시스템 내에서 중요하고 새로운 설계 패턴을 만들어냅니다.
이러한 구조 토폴로지는 프로토콜 관리자와 최신 멀티에이전트 학술 연구를 통해 식별된 새로운 분업을 포착합니다. A2A는 전문화된 독립 에이전트 간의 수평적 협업 기반을 제공합니다. MCP는 이들 에이전트에서 운영 데이터 시스템으로의 수직적 접근용 프로토콜을 제공합니다. 엔터프라이즈 오케스트레이션을 분석한 최근 연구에서는 계획, 정책 적용, 메모리/상태 유지 및 품질 보증을 관리하는 추가적인 컨트롤 플레인(control plane) 통합이 제안되었으며, 이는 중앙 집중식 보호 수단 없이 에이전트의 무제한 메쉬가 상호 작용하는 것을 허용하는 것에 명확히 반대합니다. [4]
현재 MCP 로드맵은 이러한 엄격한 우려 사항 분리가 시간이 지남에 따라 다소 구멍이 생길 수 있음을 시사합니다. 유지보수자들은 에이전트 메시징 프리미티브 개발을 우선시하며, 태스크(task), 이벤트 구독(event subscription), 진행 텔레메트리(progress telemetry), 및 서버 시작 통지 메커니즘의 강화된 구성에 명시적으로 초점을 맞추고 있습니다. 이로 인해 MCP의 기능이 A2A와 동일해지는 것은 아니지만, MCP의 유틸리티는 순수하게 동기적인 절차적 툴 호출을 넘어 확장됩니다. 아마도 장기적인 균형은 완전히 분리된 운영 스택(operational stack)이 아니라, 중복되면서도 상호 보완적인 프로토콜 도메인을 특징으로 할 것입니다. [14]
더 광범위한 표준화 생태계는 이미 적극적으로 통합되고 있습니다. ACP는 역사적으로 에이전트 통신을 위한 IBM의 REST 중심 방법론을 발전시켜 왔지만, 현재는 Linux Foundation의 감독 하에 A2A 표준으로 통합되고 있습니다. MCP 자체는 2025년 12월에 Linux Foundation의 Agentic AI Foundation으로 이전했습니다. 이러한 제도적 연계를 통해 프로토콜 파편화의 한 형태는 완화되었지만, 의미론적(semantic) 상호 운용성의 문제는 근본적으로 해결되지 않은 상태입니다. 두 에이전트가 '계정', '적격 리드', '캠페인', '동의', '전환', 또는 '오디언스'를 구성하는 것에 대해 완전히 비호환적인 정의를 유지한 채 완벽하게 동일한 전송 프로토콜을 공유할 수 있습니다. [10]
엔터프라이즈 에이전트의 아키텍처와 기능 모델
MCP 제공업체에 대한 엄격한 평가는 프로토콜 기능과 에이전트 기능을 명확히 구별해야 합니다. MCP 서버가 추론 모델을 직접 실행하는 경우는 거의 없기 때문에, 'GPT/Claude/Gemini 지원', '내장 메모리', 또는 '멀티모달 호환성'을 강조하는 상업적 홍보는 기반 아키텍처를 모호하게 만들 수 있습니다. 서버의 역할은 접근 가능한 도구를 공개하는 것입니다. 기본적인 모델을 결정하고, 컨텍스트 획득을 제어하며, 메모리 상태를 유지하고, 복잡한 호출 로직을 조정하는 것은 클라이언트/에이전트 호스트입니다. Salesforce의 기술 문서는 이러한 분리를 명시적으로 명확히 합니다. LLM은 인지 추론을 실행하고, 클라이언트 애플리케이션은 사용자 상호 작용과 인증 흐름을 관리하며, MCP 서버는 승인된 에이전트의 액션을 대응하는 Marketing Cloud Engagement API 오퍼레이션으로 변환하는 역할만 수행합니다. [15]
결과적으로 얻어지는 엔터프라이즈 스택은 분석적으로 7개의 개별 기술 계층으로 분해할 수 있습니다.
| 레이어 | 마케팅 에이전트 시스템의 기능 | 대표적인 기술 |
|---|
| 기반/모델 계층 | 추론, 생성, 분류, 필요에 따라 시각/음성 | Frontier 및 Enterprise LLM. 멀티모달 모델. 더 작은 태스크 전용 모델 |
| 접지 계층 | 현재 고객, 캠페인, 제품, 시장의 컨텍스트 제공 | RAG, 검색, 벡터/관계형 스토어, CRM/CDP 컨텍스트, 웹/비즈니스 리서치 |
| 에이전트 런타임 | 계획, 도구 선택, 실행 루프, 재시도, 핸드오프 | 에이전트 프레임워크, 벤더 에이전트 플랫폼, 커스텀 오케스트레이션 |
| 메모리/상태 | 대화 상태, 계정 상태, 캠페인 상태, 기록 액션 | 에이전트 세션, CRM/CDP, 데이터베이스, 워크플로우 상태 스토어 |
| 에이전트의 상호 운용성 | 위임 및 에이전트 간 협업 | A2A; 점점 더 에이전트성이 높은 메시징 확장 기능 |
| 도구의 상호 운용성 | 비즈니스 기능에 대한 표준 접근 | MCP 서버/게이트웨이. MCP 뒤에 있는 기존 API |
| 거버넌스/관측 가능성 | ID, 권한, 승인, 로깅, 평가, 정책 | OAuth/OIDC, RBAC/ABAC, 감사 로그, 인간의 승인, SIEM, 평가 프레임워크 |
기업의 멀티에이전트 오케스트레이션을 평가하는 새로운 연구에서는, 계획 루틴(planning routine), 정책 적용 메커니즘(policy application mechanism), 공유 상태 배열(shared state array), 그리고 품질 관리 루프(quality control loop)는 개별적인 조정 플레인(orchestration plane)으로 구축되어야 한다고 주장합니다. 기업의 멀티에이전트 배포를 조사한 Capital One의 최근 연구 논문에서도, 마찬가지로 멀티에이전트의 정확도를 실행 시 지연 시간(latency)과 계산 오버헤드(computational overhead)에 대해 지속적으로 평가할 필요성이 강조되었습니다. 그들의 연구에서 제안된 아키텍처는 태스크의 충실도(fidelity)를 유지하면서 테스트 중에 4.48배의 처리량 가속화가 보고되었으며, 오케스트레이션 아키텍처가 기반 모델의 순수 품질에 필적하는 경제적 영향을 미칠 수 있음을 실증적으로 보여주었습니다. 다만, 이러한 수치는 보편적인 성능 보장이 아니라 특정 연구 벤치마크를 나타냅니다. [4]
운영 규모에 따라, **도구 검색의 중대한 병목 현상(bottleneck)**이 발생합니다. 수백, 수천 개의 복잡한 도구 스키마(tool schema)를 LLM의 프롬프트 창에 직접 삽입하면, 컨텍스트 제한(context limit)이 빠르게 소진되어 모델의 도구 선택 정확도가 저하될 수 있습니다. Anthropic은 대규모 도구 스키마와 페이로드 결과(payload result)를 LLM에 지속적으로 주입하는 대신, 코드 실행 로직에 의존하여 MCP 도구와 연동함으로써 적절한 워크플로우에서의 컨텍스트 소비를 크게 줄일 수 있음을 보여주는 조사 결과를 발표했습니다. 그들이 공개한 사례에서는 최대 98.7%의 컨텍스트 절감 효율이 실증되었습니다. 이 특정 효율 지표는 아키텍처 설계와 워크로드의 성격에 매우 민감하지만, 기반 운영 원칙은 방대한 수의 SaaS 액션(action)을 포함하는 마케팅 에코시스템에서 중요합니다. 동적 도구 검색(dynamic tool retrieval), 네임스페이스 분할(namespace partitioning), 스키마 압축(schema compression), 그리고 지연 바인딩 아키텍처(lazy binding architecture)는 1급 엔지니어링 요구사항으로 우선순위가 지정되어야 합니다. [16]
따라서, 모델 호스트와 도구 서버의 책임이 적절하게 구분될 경우, 서비스 제공업체의 비교 능력은 크게 달라집니다.
