AI 에이전트 vs MCP? 각각을 언제 사용해야 할까? (그리고 둘 다 필요할 때)

AI 에이전트는 특정 목표를 달성하기 위해 스스로 행동과 도구 호출을 결정하는 소프트웨어이며, Model Context Protocol(MCP)은 AI 애플리케이션이 외부 도구 및 데이터에 연결하는 방식을 위한 개방형 표준입니다. 따라서 MCP를 통해 AI 에이전트는 앱과 상호작용하고 데이터베이스를 조회하여 작업을 완료할 수 있습니다.

이 글에서는 에이전트와 MCP가 무엇인지, 서로 어떻게 다른지, 그리고 어떻게 작동하는지를 설명합니다. 또한 각각을 언제 사용해야 하는지, 그리고 에이전트와 MCP를 함께 사용할 때는 언제인지도 알아볼 수 있습니다.

AI 에이전트는 문제를 해결하기 위해 무엇을 할지 결정하는 독립적인 주체이고, MCP는 AI 도구가 다른 앱과 함께 데이터에 접근하고 작업을 수행하는 데 사용하는 연결 방식입니다.

차원	AI 에이전트	MCP
정의	대규모 언어 모델(LLM), 도구를 사용하고 루프 안에서 동작하며 목표를 달성하는 소프트웨어	AI 애플리케이션을 도구 및 데이터에 연결하는 개방형 프로토콜
역할	다음 행동을 결정하고 다음 단계를 실행하는 주체	도구, 리소스, 프롬프트를 노출하는 연결
결정하나요?	예, 보유한 권한 내에서	아니요. 요청과 결과를 전달합니다
실행 위치	AI 애플리케이션 내부	별도의 도구 서버와의 클라이언트-서버 연결로

AI 에이전트는 작업을 완료하기 위해 어떤 행동 경로가 최선인지 독립적으로 선택하는 소프트웨어 시스템입니다.

예를 들어, 리서치에 사용할 때 AI 에이전트는 연구 질문을 분석하고, 이를 하위 질문으로 나눈 다음, 각각을 여러 출처에서 관련 정보를 찾는 하위 에이전트에 할당하고, "보고"합니다.

주 에이전트는 발견한 내용을 분석하고, 리서치 전략을 조정하며, 더 많은 에이전트를 배치해 빈틈을 메우고, 결과를 보고서로 종합합니다. 시간이 지나면서 하위 작업을 가장 효율적으로 수행하는 방법도 학습합니다.

AI 에이전트는 세 가지 구성 요소에 의존합니다:

추론 코어: 입력을 해석하고, 계획을 세우며, 무엇을 할지 결정하는 LLM
도구 통합: 외부 시스템과의 연결. 예를 들어, 정보를 액세스하고 작업을 수행하게 해주는 데이터베이스나 API입니다.
메모리: 섹션 전반에서 사용되는 단기 세션 컨텍스트와 장기 저장 지식

에이전트는 미리 정해진 가드레일 안에서 작동하지만(예: 3년보다 오래된 출처나 2차 집계 통계를 사용하지 않음), 작업을 어떻게 완료할지는 스스로 결정합니다.

목표를 달성하는 방법을 스스로 선택할 수 있다는 점이 AI 에이전트를 AI 워크플로우와 구분합니다. 후자는 미리 정의된 결정론적 경로를 따르며, 이는 추론과 의사 결정이 필요하지 않은 구조화된 반복 작업에 적합합니다.

MCP는 Model Context Protocol의 약자이며, Perplexity와 같은 AI 애플리케이션이 외부 도구 및 데이터 소스에 연결할 수 있게 해주는 안전하고 표준화된 방식입니다.

예를 들어, 제 개인 AI 어시스턴트는 MCP를 사용해 Notion에 연결하는데, 그곳에 모든 고객 프로젝트 정보, Google Calendar, 그리고 시간 추적에 사용하는 Clockify를 보관합니다.

덕분에 특정 월에 제가 어떤 일을 해야 하는지, 그리고 과거에 비슷한 작업이 얼마나 걸렸는지를 파악할 수 있어, 제 캘린더에 충분한 시간을 확보하고 추가 작업을 맡을 수 있는지 판단할 수 있습니다.

MCP는 공유 프로토콜이므로, 개발자가 맞춤형 연결을 코딩하지 않아도 양쪽이 MCP를 지원하는 한 어떤 AI 도구든 어떤 앱이든 접근할 수 있습니다. REST API도 마찬가지입니다.

기술적으로 MCP는 세 가지 요소로 구성됩니다:

MCP 호스트: Perplexity 등 클라이언트를 조정하고 관리하는 AI 애플리케이션
MCP 클라이언트: 호스트 내부에서 MCP 서버와의 연결을 지원하고 정보를 MCP 호스트에 전달하는 "브로커"
MCP 서버: 데이터베이스나 SaaS 앱 같은 리소스의 전면부로, MCP 클라이언트가 해당 기능(Notion, Google Calendar, Clockify 등)에 접근할 수 있게 합니다.

AI 에이전트와 MCP 중 무엇을 선택할지는 결국 한 가지 질문으로 귀결됩니다. 복잡한 작업을 완료하는 데 도움이 필요한가요, 아니면 AI 도구를 외부 리소스에 연결하고 싶나요?

하지만 모든 작업에 에이전틱 AI가 필요한 것은 아니며, 필요한 경우에도 MCP가 함께 필요할 때가 많습니다.

각각을 언제 사용하고, 언제 함께 사용하며, 언제 다른 옵션을 사용해야 하는지 더 세부적으로 살펴보겠습니다:

정확한 단계를 예측할 수 없고 각 단계에 판단과 의사 결정이 필요한 복잡한 작업에는 AI 에이전트를 사용하세요.
고정된 단계로 이루어진 일상적인 작업은 직접 도구 호출을 사용하는 워크플로우로 완료하세요.
개발자라면, 앱을 기존 및 미래의 AI 도구와 호환되게 만들고 싶을 때 MCP를 사용하세요.
최종 사용자라면, 다른 앱과 리소스에 연결해 AI 어시스턴트의 기능을 확장하고 싶을 때 MCP를 사용하세요.
자율성과 서드파티 도구 및 데이터 소스에 대한 접근이 필요한 복잡하고 고유한 작업을 해결하고 싶다면 AI 에이전트와 MCP를 함께 사용하세요.

의사 결정 다이어그램: 고정적이고 예측 가능한 단계에는 워크플로우가 적합하고, 개방형의 다단계 목표에는 에이전트가 적합하며, 외부 도구나 데이터에 대한 접근에는 MCP가 적합하고, 복잡한 목표에 외부 시스템까지 더해지면 에이전트와 MCP가 함께 필요합니다.

상황	가장 적합한 선택
개방형 다단계 목표	에이전트
고정적이고 예측 가능한 단계	직접 도구 호출(API를 통해)을 사용하는 사전 정의된 워크플로우
앱이나 리소스에 연결하는 AI 애플리케이션이 많이 필요함	MCP
AI 어시스턴트에 다른 도구나 리소스에 대한 접근 권한을 부여하고 싶음	MCP
여러 외부 시스템에 대한 접근이 필요한 복잡한 다단계 작업	에이전트와 MCP

AI 에이전트가 무엇을 할지 결정하고, MCP가 각 요청을 관련 앱으로 전달합니다.

작은 온라인 상점의 운영자라고 상상해 보세요. 지난달 매출이 왜 떨어졌는지 알아보고 싶어서 AI 어시스턴트에게 조사를 요청합니다. AI 어시스턴트는 필요한 정보를 얻기 위해 MCP를 사용하는 에이전트를 배치합니다:

에이전트: 지난달 매출과 그 이전 달의 매출을 비교하기로 결정합니다.
MCP: 두 달의 상품별 매출을 이커머스 플랫폼에 요청합니다.
에이전트: 한 상품이 하락의 대부분을 차지한다는 사실을 보고, 해당 상품의 재고와 광고를 확인하기로 결정합니다.
MCP: 상품의 재고 수준을 쇼핑몰 플랫폼에, 광고 실적을 광고 플랫폼에 요청합니다.
에이전트: 재고는 정상적이었지만 광고가 한 달 중간에 중단된 것을 확인하고, 그 이유를 알아내기로 결정합니다.
MCP: 광고 플랫폼에 캠페인 기록을 요청하고, 해당 캠페인이 월 예산 한도에 도달했음을 확인합니다.
에이전트: 가능한 원인을 보고하고, 한도를 높이거나 예산을 이동할 것을 제안한 뒤, 결정은 운영자에게 맡깁니다.

각 단계는 이전 단계의 발견에 따라 달라지므로, 미리 예측할 수 없습니다. 에이전트는 MCP를 통해 얻은 데이터를 분석하고 이를 다음 행동을 계획하는 데 사용합니다.

MCP를 통해 자율형 AI 에이전트를 다른 도구와 앱에 연결하면 여러 위험에 노출됩니다. 일반적인 우려는 AI 에이전트가 필요한 것보다 더 많은 접근 권한을 갖게 되는 것과, 서드파티가 간접 프롬프트 주입이나 과도한 에이전시를 통해 MCP 연결을 탈취하는 데 있습니다.

대부분의 경우 해결책은 에이전트가 접근할 수 있는 정보를 수동으로 통제하고, 그 활동을 모니터링하며, 신뢰할 수 있는 출처의 커넥터만 사용하는 것입니다.

위험	작동 방식	가드레일
간접 프롬프트 주입	AI가 읽는 콘텐츠 안에 숨겨진 지시문으로, 예를 들어 웹 페이지, 이메일 또는 파일에 포함됩니다. 마치 소유자가 보낸 것처럼 AI에게 무언가를 하라고 지시합니다.	외부 콘텐츠는 신뢰할 수 없는 것으로 간주하고, 영향이 큰 작업은 수동으로 승인하세요.
도구 오염 및 "러그 풀"	커넥터 자체 설명 안에 숨겨진 지시문으로, AI는 읽을 수 있지만 사람은 볼 수 없습니다. "러그 풀"에서는 사용자가 승인한 뒤 커넥터가 설명을 변경합니다.	직접 개인적으로 승인한 커넥터만 사용하고, 이후 다시 확인하세요.
과도한 에이전시	AI가 작업에 필요한 것보다 더 많은 접근 권한을 가지고 있습니다.	각 연결에는 해당 작업에 필요한 접근 권한만 부여하세요.
가짜 커넥터	누군가 악성 코드를 포함한 공식 MCP 커넥터의 가짜 복사본을 게시합니다.	신뢰할 수 있는 출처에서만 커넥터를 설치하세요.

Perplexity는 양방향으로 에이전트와 MCP를 사용합니다. Computer 같은 자사의 에이전트는 MCP를 사용해 외부 앱에 연결하고, 다른 AI 어시스턴트도 MCP를 통해 Perplexity에 연결하여 리서치를 수행할 수 있습니다.

Perplexity Computer은 MCP를 사용해 서드파티 서비스에 연결하는 범용 AI 에이전트입니다. 웹을 검색하고 탐색할 수 있으며, 코드를 작성하고 실행하고, 문서를 만들고, 이메일을 읽고 보내고, Jira, Slack, Notion 같은 도구에서 작업을 관리하는 등 다양한 일을 할 수 있습니다.

연결은 반대 방향으로도 작동합니다. Claude, ChatGPT, Cursor 같은 MCP를 지원하는 AI 어시스턴트는 Perplexity의 MCP 서버를 사용해 웹 검색을 실행하고 제목, URL, 스니펫이 포함된 결과를 가져오거나, Computer에 다단계 작업을 할당해 완료하게 할 수 있습니다.

아니요. AI 에이전트와 MCP는 같지 않으며, 각각 다른 문제를 해결합니다. AI 에이전트는 사용자의 작업을 자율적으로 완료하는 소프트웨어 도구이고, MCP는 AI 도구가 다른 앱에 접근할 수 있게 해주는 표준화된 방식입니다.

AI 에이전트와 MCP는 종종 함께 작동합니다. AI 에이전트는 MCP를 사용해 다른 소프트웨어 애플리케이션의 데이터에 접근하여 할당된 목표를 달성할 수 있습니다.

MCP(Model Context Protocol)는 AI 도구를 외부 앱 및 데이터에 연결하는 반면, 에이전트 스킬은 AI 에이전트에게 전문화된 작업을 수행하는 방법과 가드레일을 알려 주는 재사용 가능한 지침, 스크립트, 리소스입니다.

아니요. MCP와 API는 같지 않습니다. API는 개발자가 미리 구축한 규칙을 사용해 한 소프트웨어가 다른 소프트웨어를 호출하게 하지만, MCP는 AI 에이전트가 사용 가능한 기능을 파악하고, 개발자가 연결을 미리 코딩하지 않아도 어떤 기능을 호출할지 결정하게 합니다.

다만 MCP 서버는 도구와 연결하기 위해 API를 사용하는 경우가 많습니다.

MCP(Model Context Protocol)는 AI 에이전트를 도구와 데이터에 연결하고, A2A(Agent2Agent)는 AI 에이전트끼리 연결합니다. 팀은 둘 다 사용할 수 있으며, MCP는 도구 통합을, A2A는 에이전트 간 협업을 담당합니다.

RAG(retrieval-augmented generation)는 AI 도구가 외부 지식 소스의 신뢰할 수 있는 정보에 근거해 답변을 생성하는 데 사용하는 시스템이고, MCP는 AI 애플리케이션을 외부 데이터와 도구에 연결하는 표준입니다. 따라서 RAG는 MCP를 사용해 지식 베이스에 접근할 수 있습니다.

네, 이미 이를 지원하는 서비스에 MCP 호환 AI 도구를 연결하면 코드를 작성하지 않고도 MCP를 사용할 수 있습니다. 예를 들어, Perplexity 사용자는 MCP를 사용해 Gmail, ClickUp, Figma 같은 인기 앱에 연결할 수 있습니다.

AI 에이전트는 MCP와 어떻게 다를까요? 주요 차이점.

AI 에이전트란 무엇이며 어떻게 작동하나요?

MCP란 무엇이며 어떻게 작동하나요?

에이전트, MCP 또는 둘 다를 언제 사용해야 하는지. 그리고 언제 둘 다 필요하지 않은지.

AI 에이전트와 MCP는 어떻게 함께 작동하나요?

에이전트와 MCP의 위험 및 가드레일

Perplexity 에이전트와 MCP 사용하기

자주 묻는 질문

AI 에이전트와 MCP는 같은가요?

MCP와 에이전트 스킬의 차이점은 무엇인가요?

MCP는 API와 같은가요?

MCP는 A2A와 어떻게 다른가요?

MCP는 RAG와 어떻게 다른가요?

개발자가 아니어도 MCP를 사용할 수 있나요?