기업의 정보 시스템에 대규모 언어 모델(Large Language Model, LLM)이 도입되면서, 단순한 자연어 질의응답을 넘어 실질적인 업무 자동화로의 전환이 빠르게 진행되고 있습니다.
이전까지는 문서를 벡터로 변환해 유사 문장을 검색하는 RAG(Retrieval-Augmented Generation) 기법과 Function Calling 기반의 외부 데이터 연동만으로 충분하다고 여겨졌습니다.
그러나 실제 자산관리나 재무 업무에서는 대화의 문맥, 시계열적 상태 변화, 기능 호출 결과의 일관적 통합이 동시에 필요하며, 이 모든 요소를 단일 방식으로 달성하기에는 RAG와 Function Calling만으로는 한계가 있습니다.
이러한 맥락에서 **Model Context Protocol(MCP)**이 중요한 대안으로 부상하고 있습니다.
본 문서에서는 MCP의 개념, RAG/Function Calling과의 차별점, 자산관리 시스템과의 통합 방안을 종합적으로 다룹니다.
AI 기반 업무 자동화에서 “문맥(Context)”은 단일 질문의 텍스트를 넘어, 다음 요소의 총체를 뜻합니다.
이 문맥이 적절히 유지되어야만, 동일한 사용자가 여러 차례 질문을 하더라도 일관성 있는 답변을 생성할 수 있습니다.
Model Context Protocol(MCP)이란 대규모 언어 모델이 문맥 데이터를 구조화·계층화·보존·갱신하며, 여러 데이터 소스 및 기능 호출 결과를 하나의 응답으로 통합하는 표준화된 프로토콜입니다.
수학적으로 다음과 같이 정의할 수 있습니다.
MCP = {C, U, F, S}
RAG는 질문에 대한 답변을 생성하기 전에 벡터 유사도 검색으로 관련 문서를 가져와 응답을 생성합니다.
이 방식은 다음과 같은 장점이 있습니다.
✅ 사전학습되지 않은 문서 기반의 최신 정보 응답
✅ 간단한 QA 시나리오 구현
그러나 기업의 자산관리 업무에 적용할 경우 다음과 같은 단점이 분명하게 나타납니다.
❌ 문맥의 연속성 부재
❌ 유사도 기반의 정보 왜곡
❌ 실시간 데이터 연결 미흡
이전 글에서 확인한 바와 같이 RAG는 통계 데이터에 대해 엄청난 환각 증상을 보입니다.
Function Calling은 AI가 외부 API를 호출해 실시간 데이터를 가져올 수 있도록 하는 강력한 기능입니다.
그러나 단독으로 활용하면 다음과 같은 제약이 생깁니다.
❌ 단일 함수 호출에 의존
❌ 문맥과 상태 저장 부재
❌ 토큰 최적화 체계 부족
이러한 제약으로 인해 Function Calling만으로는 지속적 질의응답, 상태 추적, 업무 히스토리 통합을 모두 달성하기 어렵습니다.
이전 글에서 확인한 바와 같이 RAG는 통계 데이터에 대해 엄청난 환각 증상을 보입니다.
단일 Function Calling 모델도 한계가 있습니다. 데이터가 많아질수록 사용자 질문에 정확한 API를 호출해야 하지만 이를 한번에 제대로 호출하기 어려우며, 기존의 문맥의 데이터로 인해 답변에 환각이 발생합니다,
MCP는 RAG와 Function Calling의 장점을 모두 포괄하면서도, 아래 기능을 제공합니다.
✅ 문맥 계층화(Context Layering)
✅ 기능 결과의 문맥 통합
✅ 세션 메모리 기반 상태 관리
✅ 선택적 보존과 요약
결과적으로 MCP는 자산관리 업무처럼 문맥과 시계열 상태, 실시간 데이터의 정확성이 모두 중요한 영역에서 가장 적합한 방식으로 평가됩니다.
문맥 계층화란 각 데이터의 역할을 분리해 모델이 혼동 없이 처리하도록 만드는 방식입니다.
예:
MCP는 이를 별도 계층으로 처리하여, 답변 일관성과 투명성을 보장합니다.
MCP는 Function Calling을 단일 호출로 한정하지 않고, 대화 목적에 따라 여러 API를 순차 호출하고, 결과를 문맥에 통합합니다.
User: "지난달 반납 자산과 감가상각 내역 알려줘."
MCP:
→ Call 1: /assets/returned?date=last_month
→ Call 2: /depreciation?date=last_month
Result:
"지난달 반납 자산 5대, 감가상각 총액 250만원."
GPT-4o는 최대 약 128k tokens의 문맥을 지원합니다.
하지만 장기 세션에서는 여전히 토큰이 포화될 수 있습니다.
MCP는 다음 방식으로 이를 최적화합니다.
아키텍처는 다음과 같습니다.
[User Input]
↓
[MCP Layer]
↓
[Function Dispatcher] ↔ [셀리즈 API]
↓
[Context Composer]
↓
[Model Inference]
↓
[Response Output]
Step 1. 사용자 질의
“이번 분기 감가상각 내역과 미사용 자산 알려줘.”
Step 2. MCP 처리
Step 3. 응답 생성
“이번 분기 감가상각 총액은 1억2천만원이며, 현재 미사용 자산은 12대입니다.”
MCP를 셀리즈 자산관리 시스템에 도입하면 다음과 같은 효과가 실현됩니다.
✅ 문맥 기반 정확한 응답
✅ 실시간 데이터와 대화 히스토리 통합
✅ 대화형 리포트 자동화
✅ RAG나 단일 Function Calling 대비 높은 신뢰도와 일관성
Model Context Protocol(MCP)은 RAG의 정보 왜곡과 Function Calling의 단일 호출 의존성을 극복하며, 문맥 유지·시계열 데이터·실시간 연동을 동시에 충족하는 유일한 접근 방식으로 평가됩니다.
셀리즈 자산관리 시스템은 MCP 통합을 통해 데이터 신뢰성, 업무 자동화, 사용자 경험을 획기적으로 향상시킬 수 있습니다.
향후 MCP는 멀티세션·다채널 환경에서 더 정교한 문맥 모델링으로 진화하며, 자산관리 뿐 아니라 회계, 구매, 감사 등 전사적 디지털 업무에 적용될 것입니다.
