🦈 MCP의 부상이 실제로 보여주는 것: 두 생태계 이야기

누가 다르게 말하든 신경 쓰지 마세요. 기술에는 별도의 "인프라 단계"라는 것은 존재하지 않습니다. 기술 업계는 깔끔한 서사를 좋아합니다. 먼저 인프라가 오고, 그 다음 애플리케이션이 따른다는 식이죠. 이는 깔끔하고 선형적이지만 완전히 틀렸습니다. 에이전트의 기능을 채팅 이상으로 확장하기 위한 모델 컨텍스트 프로토콜(MCP) 생태계에 대한 저희의 연구는 실제로 일어나고 있는 일에 대한 새로운 증거를 제공합니다. 즉, 인프라와 애플리케이션은 동시에 진화하며, 각자가 서로를 지속적으로 발전시킨다는 것입니다.

비즈니스 역사상 가장 성공적인 "애플리케이션" 중 하나라고 할 수 있는 코카콜라를 생각해 보세요. 음료 자체를 만드는 데는 많은 인프라가 필요하지 않습니다. 하지만 산업용 냉장 기술, 병 제조 기술, 현대 운송 네트워크의 발전 없이는 코카콜라가 오늘날과 같은 세계적인 현상이 될 수 없었을 것입니다. 한편, 코카콜라의 엄청난 성공은 바로 그 인프라 기술의 발전을 이끌었습니다.

MCP 이야기로 돌아가서, 앤트로픽(Anthropic)이 2024년 11월에 MCP를 처음 출시한 이후 그 추진력은 부인할 수 없게 되었습니다. 이제 OpenAI도 이를 지원합니다. 아마존과 마이크로소프트도 마찬가지입니다. 구글은 에이전트2에이전트(A2A) 프로토콜을 발표했고, 시스코는 에이전트 커넥트 프로토콜(ACP)을 발표했는데, 둘 다 적어도 현재로서는 MCP에 "보완적"인 위치에 있습니다. MCP 서버 저장소의 GitHub 스타 수는 25,000개를 넘어섰고, 아름답게 가속하는 곡선을 보여주고 있습니다 (위 차트 참조).

하지만 이러한 헤드라인 숫자 이면을 살펴보면 무엇이 구축되고 사용되고 있는지 이해하는 데 도움이 됩니다. 저희는 MCP 서버 디렉토리와 패키지 저장소 전반의 데이터를 분석하여 생태계 진화의 현재 위치와 이것이 창업자들에게 어떤 기회를 창출하는지 밝혀냈습니다.

인프라-애플리케이션 상호작용

인프라와 애플리케이션 간의 관계를 이해하는 것은 MCP 생태계를 이해하는 데 중요합니다. 오래전인 2018년에 유니언 스퀘어 벤처스(Union Square Ventures)는 "인프라 단계의 신화(The Myth of the Infrastructure Phase)"에 대해 썼고, 인프라와 애플리케이션이 어떻게 함께 진화하는지를 설명했습니다:

새로운 애플리케이션은 더 정교한 인프라에 대한 수요를 창출하는 반면, 인프라의 발전은 완전히 새로운 범주의 애플리케이션을 가능하게 합니다. 이는 순차적인 프로세스가 아니라 각 측면이 다른 측면을 형성하는 지속적인 상호작용입니다.

우리는 MCP에서 이러한 패턴이 실시간으로 펼쳐지는 것을 보고 있습니다. Arcade.dev를 예로 들어보겠습니다. 이 회사의 창업자들은 유명하게도 AI SRE(사이트 신뢰성 엔지니어)를 구축하고 싶어 했습니다. 그들은 안전한 도구 호출 기능의 부족으로 비전을 실현하기 어렵다는 것을 금방 깨닫고, 대신 그 인프라를 구축하는 것으로 방향을 틀었습니다. 이는 특별한 이야기가 아닙니다. 기술 역사 전반에 걸쳐 애플리케이션 요구는 인프라 개발을 주도하고, 새로운 인프라는 이전에는 불가능했던 애플리케이션을 가능하게 합니다.

MCP가 해결하는 문제

데이터를 검토하기 전에 MCP가 왜 존재하며 어떤 문제를 해결하는지 이해하는 것이 중요합니다. 대부분의 야심 찬 사용 사례에서 AI 에이전트는 단순히 채팅하는 것 이상을 필요로 합니다. 즉, 외부 서비스와 상호 작용하여 실시간 정보에 액세스하고, 데이터를 조작하며, 사용자를 대신하여 작업을 수행해야 합니다. 이러한 기능은 대화형 AI를 진정으로 유용한 에이전트로 변환시키는 요소입니다.

전통적으로 API는 서비스가 서로 상호 작용하는 표준 방법이었습니다. 그러나 AI 에이전트의 경우 기존 API는 상당한 어려움을 야기합니다. 정확한 매개변수 형식 지정, 엄격한 오류 처리 프로토콜, 정확한 응답 구문 분석이 필요합니다. API의 구조화되고 결정적인 특성은 AI 모델이 작동하는 방식과 근본적으로 충돌합니다.

Toolformer 및 Gorilla와 같은 초기 연구 프로젝트는 대규모 언어 모델이 API와 상호 작용하는 방법을 학습할 수 있음을 보여주었지만 근본적인 불일치를 드러냈습니다. 즉, AI 모델의 확률적 특성은 기존 API의 결정적 요구 사항에 잘 맞지 않습니다.

기존 API는 정확한 매개변수 형식 지정, 오류 처리 및 응답 구문 분석이 필요합니다. 확률적 출력을 가진 AI 모델은 매개변수를 환각(hallucinate)하거나, 응답 형식을 잘못 이해하거나, 오류를 제대로 처리하지 못하는 경우가 많습니다. 이로 인해 AI 에이전트가 도구를 안정적으로 사용하는 것이 대규모로는 거의 불가능했습니다.

MCP는 AI 모델이 사용 가능한 도구를 발견하고, 올바르게 사용하는 방법을 이해하며, 다른 도구 간에 전환하는 동안 대화 컨텍스트를 유지하는 표준화된 방법을 제공함으로써 이 문제를 해결합니다. 이는 에이전트-도구 상호 작용에 결정성과 구조를 부여하여 각 새 도구에 대한 사용자 지정 코드 없이 안정적인 통합을 가능하게 합니다.

이것이 실제로 어떤 차이를 만드는지 이해하려면 사용자가 AI 비서에게 "내 Figma 디자인에 빨간색 버튼을 추가해 줘"라고 요청할 때 어떤 일이 발생하는지 생각해 보세요.

• MCP 없이: AI는 Figma의 API를 호출하는 코드를 생성하려고 시도할 수 있지만, 매개변수를 환각하거나("setColor('crimson')" 대신 실제 메서드는 "setFillColor('#FF0000')"), 인증 단계를 놓치거나, 응답을 올바르게 처리하지 못할 수 있습니다. 결과는? 좌절한 사용자와 깨진 워크플로우입니다.
• MCP 사용: Cursor가 Figma의 MCP 서버에 연결하면 AI는 사용 가능한 메서드, 필요한 매개변수, 요청 형식을 올바르게 지정하는 방법을 정확히 알게 됩니다. Figma MCP 서버는 Cursor에게 "빨간색 버튼을 추가하는 정확한 방법은 다음과 같습니다"라고 알려주고 작업은 일관되게 성공합니다. 사용자는 기본 기술 세부 정보를 이해할 필요 없이 요청한 것을 얻습니다. 이러한 결정적 상호 작용 때문에 MCP가 많은 기대를 모으고 있습니다. 예측 불가능한 AI 실험을 안정적인 생산 도구로 전환하기 때문입니다.

이는 단순한 편의성이 아니라 AI 에이전트를 실제 시나리오에서 실용적으로 사용할 수 있게 만드는 근본적인 변화입니다. 이것이 스택 전반에 걸쳐 이에 대한 기대가 큰 이유입니다.

MCP의 현재 위치: 데이터

원시 데이터를 보면 MCP의 폭발적인 성장은 주로 새로운 서버 및 개발 도구의 생성, 즉 생태계의 "공급 측면"에 의해 주도된다는 것이 분명합니다. 이는 개발자가 AI 에이전트가 사용할 수 있도록 제공하는 빌딩 블록입니다: 검색 도구, API 커넥터, 데이터 액세스 계층 등.

사용 가능한 MCP 서버 수가 빠르게 증가하고 있습니다. 공식 MCP 타입스크립트 SDK는 빠르게 성장하고 있으며 npm에서 주간 약 70만 건의 다운로드를 보여주고 있습니다. Smithery의 MCP 검색 플랫폼은 3월 한 달 동안 서버 생성이 3배 폭발적으로 증가했습니다.

하지만 실제 사용량은 여전히 매우 집중되어 있습니다. Smithery의 2,500개 이상의 MCP 서버 중 50,000개 이상의 설치를 넘어선 것은 8개뿐입니다. 분포는 고전적인 멱법칙(power law)을 따릅니다.

흥미롭게도 "웹 검색"이 가장 많은 서버 수를 보유하고 있지만, "파일 검색" 및 "코드/개발" 서버는 서버당 평균 설치 수가 훨씬 높습니다(각각 3,096 및 3,239). 이는 초기 사용자가 대중 시장 경험이 아닌 실용적인 유틸리티를 찾는 기술 빌더임을 시사합니다. 의미 있는 사용량을 보이는 카테고리는 뚜렷하게 기술적이고 개발자 중심적인 생태계를 드러냅니다.

• 웹 검색(529개 서버)과 코드/개발 도구(323개 서버)가 원시 서버 수에서 선두를 달리고 있으며, 가장 많이 설치된 서버는 다음과 같습니다:
  • 인기 있는 웹 검색 옵션에는 웹 및 로컬 검색을 모두 통합하는 Brave Search와 웹 쿼리에 Sonar Pro 모델을 사용하는 Perplexity Search가 있습니다.
  • 가장 많이 설치된 코드/개발 도구 서버는 구조화된 사고 프로세스(Sequential Thinking 및 Think Tool)를 통해 동적이고 성찰적인 문제 해결을 가능하게 합니다.
• 파일 검색 도구는 두 번째로 높은 평균 설치 수(3,096)와 5만 개 이상의 설치 수를 가진 3개의 서버로 사용 집중도가 높으며, 특히 주목할 만한 것은 다음과 같습니다:
  • Desktop Commander 서버는 Smithery 플랫폼에서 두 번째로 많이 설치된 서버입니다. 이 서버는 터미널 명령을 실행하고 차이 편집 기능으로 파일을 관리하는 데 사용됩니다.
• 통신 도구는 57개로 세 번째로 적은 서버 수를 가지고 있지만, 평균 설치 수는 1,165개로 이례적으로 높습니다. 이 카테고리의 상위 서버는 모두 구글 스위트와 함께 작동합니다:
  • VeyraX 서버는 가장 많이 설치된 통신 서버로, 70개 이상의 도구, 특히 Gmail과 함께 작동합니다. 통신 카테고리의 다른 상위 서버는 Gmail 관리를 지원하는 데 중점을 두며, 4개는 이름에 "google workspace"를 포함합니다.

또한 데스크톱 호스트와 직접 사용할 수 있는 npm의 MCP 서버 패키지 다운로드 활동을 추적해 왔습니다. npm 생태계에서 53개의 MCP SDK 패키지와 751개의 MCP 서버 패키지를 발견했습니다. SDK 다운로드는 서버 다운로드보다 훨씬 빠르게 증가하고 있으며, 이는 공급 주도적인 역학을 나타냅니다. 개발자들은 아직 구체화되지 않은 사용 사례를 준비하고 있습니다.

"AI/도구" 카테고리는 156개의 서버가 게시되었고 각각 평균 10,000개 이상의 인상적인 설치 수를 기록하며 원시 볼륨에서 선두를 달리고 있습니다. 그러나 서버당 견인력 측면에서는 일부 소규모 카테고리가 자신의 체급을 훨씬 뛰어넘는 성과를 보이고 있습니다. "파일 검색"에는 13개의 서버만 있지만 평균 20,000개의 설치 수를 기록하며, 이러한 도구는 에이전트 워크플로우에 실질적인 가치를 제공하고 있습니다. 마찬가지로 "CLI 명령" 패키지는 조용히 다운로드 수를 지배합니다. 39개만 존재하지만 평균 설치 수는 더 인기 있는 카테고리의 설치 수를 초과합니다.

npm 주간 다운로드 데이터는 흥미로운 카테고리별 추세도 보여줍니다. "CLI 명령"은 총 131,000건의 다운로드로 선두를 달리고 있으며(Smithery-CLI - 해당 플랫폼에서 패키지를 설치하는 데 사용됨 - 가 대부분을 차지함), "AI/도구"와 "웹 검색"이 각각 87,000건과 84,000건의 다운로드로 뒤따르지만, "AI/도구"는 정체 상태를 보이는 반면 "웹 검색"은 꾸준한 성장을 유지하고 있습니다.

전반적으로 설치 데이터는 매우 기술적이며 아직 실험 단계에 있는 개발자 기반을 반영합니다. 우리는 개발자들이 매우 낮은 수준에서 작업하는 것을 보고 있으며, 이는 성숙하고 상상력이 풍부한 애플리케이션에서 기대할 수 있는 더 추상화된 사용 패턴보다는 매우 초기 실험을 나타냅니다. 오늘날의 수요는 검색 도구 및 명령줄 유틸리티와 같은 기본적인 빌딩 블록에 집중되어 있으며, 이는 향후 더 정교한 워크플로우의 기초를 형성하는 기본 기능입니다.

패턴의 출현: 공급과 수요가 만나는 지점

데이터가 보여주는 공급과 수요 간의 불일치와 비일관성을 이해해 봅시다:

• 애플리케이션이 인프라 우선순위를 주도하고 있습니다: 오늘날의 수요는 주로 데스크톱 애플리케이션과 단일 사용자 시나리오에 대한 것입니다. 코드 중심의 AI 비서인 Cursor는 MCP 수요의 주요 원천으로 부상했으며, 이는 가장 많은 견인력을 보이는 개발자 중심 도구와 일치합니다. 사용자가 애플리케이션에서 기능을 요청함에 따라 새로운 유형의 인프라에 대한 수요가 창출됩니다. 예를 들어 ChatGPT 및/또는 Operator가 MCP 지원을 도입하면 새로운 다중 사용자 에이전트 앱 세트를 위한 강력한 기반을 제공할 수 있습니다.
• 인프라 집중이 새로운 애플리케이션을 가능하게 하고 있습니다: 추론 도구(예: Smithery의 "Sequential Thinking") 및 웹/UI 자동화에서 볼 수 있는 견인력은 인프라가 더 정교한 에이전트 애플리케이션을 가능하게 할 기능 중심으로 통합되고 있음을 시사합니다. Smithery의 Sequential Thinking 서버의 인기는 우연이 아닙니다. 이는 앞서 설명한 근본적인 문제를 해결합니다. AI 모델이 확률적으로 API 사용 패턴을 학습하기를 기대하는 대신(Toolformer가 시도했던 것처럼), 구조화된 추론을 도구에 직접 인코딩하여 상호 작용을 더 결정적이고 안정적으로 만듭니다. 이 패턴은 미래의 성공적인 도구가 AI 모델이 스스로 알아내도록 의존하는 대신 유사하게 지식과 구조를 인코딩할 것임을 시사합니다.

이것은 "인프라 단계" 대 "애플리케이션 단계"의 이야기가 아니라, 유니언 스퀘어 벤처스가 2018년에 설명했던 것처럼 둘 사이의 지속적인 상호작용에 관한 것입니다. MCP 서버의 공급은 초기 애플리케이션 요구에 부응하는 동시에 애플리케이션 개발자를 위한 새로운 가능성을 창출하고 있습니다.

스택 전반의 창업자를 위한 기회

우리의 연구를 바탕으로, 우리는 이 상호작용의 양측 모두에서 뚜렷한 기회를 봅니다:

인프라 및 도구 제공업체를 위한 기회

에이전트가 활용할 수 있는 도구와 서비스를 구축하거나 향상시키는 경우, 데이터는 세 가지 명확한 필수 사항을 지적합니다:

1. MCP를 시작하되, 모든 계란을 한 바구니에 담지 마십시오. 우리가 보았듯이, AI 에이전트라는 새로운 폼 팩터는 안정적으로 작동하기 위해 기존 API 이상의 것을 요구합니다. MCP에 대한 기대감은 확률적 AI 모델과 결정적 API 요구 사항 간의 근본적인 불일치를 해결하기 때문에 발생합니다. MCP 서버는 개발자가 다른 것을 통합하는 대신 귀하의 서비스와 안정적으로 통합하는 데 도움이 되는 좋은 답입니다. 그러나 이러한 프로토콜의 미래는 아직 쓰여지지 않았습니다. 한 인프라 제공업체가 솔직하게 말했듯이, 오늘날 개발자들은 '성숙도에 도달하지 못한 미개발 프레임워크에 갇혀 있습니다.' MCP로 구축하는 것을 고려하되 표준이 발전함에 따라 적응할 수 있는 유연성을 유지하십시오."
2. 개발을 방해하는 격차에 주목하십시오. 몇 가지 주요 문제가 광범위한 MCP 채택을 저해합니다. 보안 및 거버넌스가 목록의 최상위에 있으며, 특히 강력한 권한, 감사 가능성 및 위험 통제를 요구하는 엔터프라이즈 사용 사례의 경우 더욱 그렇습니다. 검색 및 인증(AuthN/AuthZ)도 마찰을 일으키며, 단편화된 환경으로 인해 다중 서비스 워크플로우가 필요 이상으로 어려워집니다. 신뢰도 문제입니다. 수천 개의 MCP 서버가 라이브 상태이므로 개발자와 에이전트는 신뢰할 수 있는 도구를 식별하고 악의적인 행위자를 걸러내는 더 나은 방법이 필요합니다. 그리고 악의적인 행위자를 제외하고, 가드레일이 없다는 것은 (예를 들어) IDE가 해서는 안 될 때 중요한 파일을 삭제하려고 시도할 수 있음을 의미합니다. 구성 및 협업은 오늘날 환경의 또 다른 격차입니다. 가장 강력한 에이전트 애플리케이션에는 실행 중에 LLM이나 다른 서비스를 호출하는 것을 포함하여 다른 도구를 활용할 수 있는 도구가 필요합니다. 현재 MCP 사양은 이러한 수준의 구성을 쉽게 지원하지 않으므로 개발자가 MCP에서 구축할 수 있는 정교함이 제한됩니다. 창업자들은 MCP 확장에 기여하거나, Google A2A 또는 Cisco ACP의 일부 기능을 수용하거나, 자체 솔루션을 구축하여 이러한 격차를 해결할 수 있습니다. 이러한 격차를 해결하기 위한 올바른 공식을 찾는 사람들은 제품을 개선할 뿐만 아니라 전체 생태계를 발전시킬 것입니다.
3. 실제 에이전트 개발 요구에 대응하십시오. 가장 성공적인 인프라 제공업체는 사용자가 실제로 구축하려는 에이전트를 면밀히 관찰한 다음, 그들이 겪는 특정 문제점을 해결하기 위해 제품을 발전시키는 업체가 될 것입니다. 어떤 특정 기능보다도 이러한 대응력이 어떤 인프라 제공업체가 번창할지를 결정할 것입니다.

에이전트 개발자를 위한 기회

여기서의 기회는 변혁적입니다. AI 에이전트는 완전히 새로운 형태의 애플리케이션을 나타내며, 소프트웨어의 전체 세계가 쟁탈 대상입니다. 모바일이 새로운 폼 팩터를 위해 모든 애플리케이션을 재구축할 기회를 창출했듯이, 에이전트는 훨씬 더 큰 규모에서 유사한 기회를 창출합니다.

우리의 연구에서 문서화된 MCP 공급 러시는 이전보다 더 강력한 도구를 만들어냈습니다. 문제는 어떤 도구가 존재하는지가 아니라, 이 확장되는 툴킷을 활용하여 이전에는 비실용적이거나 불가능했던 것을 이제 무엇을 달성할 수 있는지입니다.

우리의 데이터는 오늘날 제한적인 채택에도 불구하고 추론, 웹 상호 작용, 데이터 액세스 및 통신을 위한 도구가 빠르게 성숙하고 있음을 보여줍니다. 이는 에이전트 개발자가 핵심 기능을 처음부터 구축하는 대신 구성 및 오케스트레이션을 통해 가치를 제공하는 데 집중할 수 있음을 의미합니다.

데이터는 생산성 도구, 분석 기능, 상거래 솔루션 및 여행 서비스를 포함하여 기회를 나타낼 수 있는 여러 서비스 부족 카테고리를 제안합니다. 그러나 카테고리를 쫓는 것보다 더 넓은 메시지는 MCP 및 에이전트 스택의 확장된 기능으로 새롭게 해결하기 실용적이 된, 당신이 열정적인 고객 문제를 찾는 것입니다.

MCP는 인증, 검색 및 보안과 관련하여 위에서 언급한 것과 같은 상당한 제한 사항이 있는 아직 초기 기술입니다. 그러나 채팅을 훨씬 뛰어넘어 기능을 확장하는 에이전트를 향한 명백한 추세를 강조합니다. 따라서 앱 개발자는 사용 가능해지고 있는 인프라로 인해 처음으로 가능하거나 실용적이 된 것이 무엇인지 고려해야 합니다. 기술적 열정이 정말로 중요한 것, 즉 고객을 행복하게 만들고 실제 문제를 해결하는 에이전트를 생산 환경에 도입하도록 돕는 것을 가리지 않도록 하십시오.

미래를 향하여: 사이클 가속화

MCP 생태계는 익숙한 패턴을 따르지만 결정적인 차이점이 있습니다. AI 발전의 압축된 타임라인은 인프라-애플리케이션 상호작용이 이전보다 훨씬 빠르게 발생하고 있음을 의미합니다.

확실히, MCP 주변의 놀라운 초기 흥분에도 불구하고 MCP에 무슨 일이든 일어날 수 있습니다. 역사는 OpenStack과 같이 큰 기대를 받으며 출시되었지만 추진력을 잃은 프로토콜의 예로 가득합니다. 그리고 Google A2A 및 Cisco ACP와 같은 MCP "보완재"는 미래에 완전한 대안으로 확장될 수 있습니다. 그러나 이러한 구체적인 사항은 에이전트 앱 개발자가 에이전트의 기능을 채팅 이상으로 확장하는 인프라에 대한 명확한 수요만큼 중요하지 않습니다. 이전에 다루기 어려웠지만 이제 해결 가능한 문제를 식별할 수 있는 창업자들이 차세대 정의 애플리케이션을 구축할 것입니다.

코카콜라를 기억하십니까? 차가운 음료의 대량 유통을 위해 산업용 냉장이 성숙하는 데 수십 년이 걸렸습니다. 코카콜라의 제품 혁신과 인프라 개발 간의 관계는 여러 세대에 걸쳐 전개되었습니다. AI 에이전트 세계에서는 유사한 상호작용 패턴을 보고 있지만, 수십 년이 아닌 몇 달 단위로 측정되는 타임라인에서입니다.

산업 인프라의 느린 진화나 모바일 앱의 수년간의 성숙(iOS 앱 스토어는 2008년에 출시되었지만 Uber와 Airbnb는 2010년에야 등장)과는 달리, 에이전트로 가능한 것의 변화를 매일 및 매주 목격하고 있습니다. 인프라를 구축하든 애플리케이션을 구축하든, 이 상호작용의 물결을 타기 위해 지금 자신을 포지셔닝하는 빌더들이 차세대 AI 기반 소프트웨어를 정의할 것입니다.

What MCP’s Rise Really Shows: A Tale of Two Ecosystems

MCP is reshaping AI agents by connecting them to real tools. Our deep dive reveals where the ecosystem stands—and where it’s headed.

MadronaCoral Garnick