MCP vs 에이전트 스킬 차이: AI 에이전트가 느리고 비싸지는 이유와 해법

핵심 메시지

• AI 에이전트의 병목은 모델 성능이 아니라 컨텍스트 윈도를 가득 채우는 도구와 정보다.
• MCP는 클라이언트-서버 구조의 개방형 표준으로, 어떤 AI 앱이든 어떤 도구·데이터든 하나의 규약으로 연결한다.
• MCP는 시작할 때 모든 서버의 도구 스키마를 한꺼번에 불러와 '컨텍스트 부패'를 일으킨다.
• 에이전트 스킬은 점진적 공개 방식으로 필요한 순간에만 본문을 불러와 컨텍스트를 깨끗하게 유지한다.
• MCP와 스킬은 경쟁 관계가 아니라 역할이 다르며, 실제 제품에서는 둘 다 필요하다.

쉽게 이해하기

발표자는 구글에서 Gemini Code Assist 출시를 이끌고 마이크로소프트에서 포춘 500대 기업의 AI 전환을 담당해 온 경험을 바탕으로, 많은 팀이 AI 에이전트에 노션·Gmail·슬랙·웹 검색 등 수많은 MCP 서버를 연결하고도 에이전트가 점점 느려지고 비싸지는 현상을 지적한다. 원인은 모델이 아니라 컨텍스트 윈도에 있다고 말한다.

모델 성능은 오히려 빠르게 좋아졌다. 대학원 수준 문제를 다루는 GPQA 벤치마크는 출시 초 약 30%에서 오늘날 100%에 가깝게, 실제 깃허브 이슈를 푸는 소프트웨어 엔지니어링 벤치마크는 같은 기간 약 20%에서 80%까지 올랐다. 즉 발목을 잡는 것은 모델이 아니라 도구와 컨텍스트다.

데이터 파이프라인 모니터링 예시처럼, 에이전트에 로그 접근·DB 쿼리·런북을 차례로 쥐여 주면 같은 모델이라도 '도와줄 수 없다'에서 '무엇이 왜 실패했고 어떻게 대응할지'까지 답하게 된다. 이것이 2024년 11월 등장한 MCP(Model Context Protocol)의 핵심 발상으로, 앱마다 도구를 따로 연동하던 n×m 난장판을 하나의 규약으로 정리했다.

문제는 MCP가 시작 시점에 연결된 모든 서버의 도구 스키마(이름·설명·매개변수·입출력)를 전부 불러온다는 점이다. 로깅 12개, DB 15개에 티켓팅·캘린더·웹 검색까지 더하면 매 요청마다 50~70개의 스키마가 컨텍스트에 쌓이는데, 실제로 필요한 건 몇 개뿐이고 나머지는 비용과 성능을 갉아먹는 '컨텍스트 부패'가 된다.

에이전트 스킬은 이를 해결한다. 스킬은 skill.md 한 파일을 담은 폴더로, 시작 시에는 약 100토큰짜리 front matter(메타데이터)만 읽고, 에이전트가 관련 있다고 판단할 때만 본문(최대 약 5,000토큰)과 참고 자료를 단계적으로 불러온다. 앤트로픽은 이를 '점진적 공개'라 부른다.

주요 인사이트

• MCP는 에이전트에게 '능력'(API 호출, DB 읽기, 메시지 전송)을 주는 도구 상자이고, 스킬은 '우리만의 일하는 방식'(절차·기준·출력 형식)을 담은 플레이북이다.
• 앤트로픽은 MCP를 'AI를 위한 USB-C', 즉 하나의 포트로 여러 주변기기를 연결하는 표준에 비유한다.
• 스킬에 새 항목을 추가해도 시작 시 늘어나는 비용은 약 20토큰의 메타데이터뿐이라, 통합을 늘려도 컨텍스트가 비례해서 더러워지지 않는다.
• 영업 리서치 에이전트나 신입 온보딩 에이전트처럼, 외부 시스템 접근은 MCP가 맡고 회사 고유의 단계별 워크플로는 스킬에 담는 식으로 결합한다.
• 스킬은 평이한 영어(자연어)로 작성되므로 엔지니어가 아닌 PM도 직접 워크플로를 정의할 수 있어, 에이전트 동작에 기여할 수 있는 사람의 범위가 넓어진다.

자주 묻는 질문

관련 AI 소식