MCP가 수작업 AI 업무의 90%를 절약하는 이유 | 모델 컨텍스트 프로토콜 설명

Grace Leung 구독자 30,400명

요약

이 영상은 AI 챗봇과 진정한 AI 에이전트의 차이를 명확히 보여주는 MCP(Model Context Protocol)를 소개한다. MCP는 외부 도구와의 통신에 범용 언어를 제공해 수작업 번역과 통합 노력을 90% 이상 줄인다. 이를 통해 ChatGPT, Claude, Gemini 등 다양한 LLM을 모델 교체 없이 손쉽게 연결할 수 있으며, 네이티브·공식·커뮤니티·커스텀 방식으로 유연하게 확장할 수 있다. 실제 데모를 바탕으로 MCP 서버 설치부터 맞춤형 워크플로우 구성까지 단계별 가이드를 제공한다.

주요 키워드

MCP Model Context Protocol LLM API MCP server MCP client Model agnostic Deep Research Native integration n8n

하이라이트

🔑 MCP는 AI와 외부 도구 간의 '범용 번역기' 역할을 해 수작업 통합을 대폭 줄인다.
🚀 모델 독립적인 구조 덕분에 ChatGPT, Claude, Gemini 등 다양한 LLM을 자유롭게 교체할 수 있다.
⚡️ 네이티브 연결, 공식 서버, 커뮤니티 서버, 커스텀 서버 등 4가지 방식으로 유연하게 도구를 통합할 수 있다.
🌟 공식 MCP 서버는 보안과 안정성이 높아 노션, 허브스팟 등 주요 서비스와 안전하게 연동할 때 유리하다.
📌 Claude가 MCP 지원에서 가장 강력하며, ChatGPT는 현재 ‘Deep Research’ 모드에서만 제한적으로 활용할 수 있다.
🔧 n8n 같은 노코드 플랫폼을 이용하면 개발자 없이도 맞춤형 MCP 서버를 쉽게 구축할 수 있다.
🎯 적절한 도구 수(최대 5개)를 제한해 에이전트의 혼란을 줄이고 효율을 극대화하는 것이 좋다.

용어 설명

MCP(Model Context Protocol)

LLM(대형 언어 모델)에 외부 도구와 시스템의 컨텍스트(문맥)를 표준화된 방식으로 제공하는 오픈소스 프로토콜

LLM(Language Model)

대규모 데이터로 학습된 언어 모델로, 텍스트 생성·분석·요약 등 다양한 언어 작업을 수행한다

API(Application Programming Interface)

서로 다른 소프트웨어가 통신할 수 있게 해 주는 인터페이스(연결 규약)

Model agnostic(모델 독립성)

특정 AI 모델에 종속되지 않고, 지원되는 모든 모델로 교체해도 별도 통합 작업이 필요 없는 특성

Deep Research 모드

ChatGPT에서 외부 도구 데이터를 읽고 분석만 할 수 있는 심층 분석 모드

강력한 AI 에이전트는 단순 대화뿐 아니라 캘린더·데이터베이스·이메일 같은 외부 도구에 즉시 접근해 작업을 수행한다. MCP는 이 모든 과정을 확장 가능하게 만드는 핵심 기술로, 이번 영상의 주제가 된다.

[00:00] 강력한 AI 에이전트와 단순 챗봇의 차이점은 외부 도구 접근 능력에 있으며, 진정한 AI 에이전트는 캘린더, 데이터베이스, 이메일 등 비즈니스 도구에 연결해 즉석에서 작업을 수행할 수 있습니다. 이를 가능하게 하는 기술이 MCP(모델 컨텍스트 프로토콜)입니다.

MCP는 애플리케이션이 LLM에 컨텍스트를 제공하는 방식을 표준화한 오픈소스 프로토콜이다. 기존에는 도구마다 별도의 API 학습이 필요했지만, MCP 도입으로 AI는 하나의 공통 언어만 학습하면 된다.

[00:40] MCP는 애플리케이션이 LLM에 컨텍스트를 제공하는 방식을 표준화하는 오픈소스 프로토콜입니다. MCP 이전에는 AI를 비즈니스 도구에 연결하는 것이 서로 다른 언어를 사용하는 팀을 이끄는 것과 같았으며, 각 도구마다 개별적인 맞춤형 통합이 필요했습니다.

[01:22] 전통적인 API 방식은 작동하지만 AI가 빠르게 변화하면서 확장성이 부족한 문제가 있습니다. MCP는 AI를 위한 범용 번역기 역할을 하여, AI가 여러 언어 대신 MCP 하나만 배우면 되도록 합니다. 이로써 AI 애플리케이션이 모델에 구애받지 않게 되어 통합을 재구축할 필요 없이 모델을 교체할 수 있습니다.

MCP를 통해 Salesforce·Slack 등 서비스 제공자 모두 같은 언어로 통신하므로 커스텀 통합 노력이 크게 줄어든다. 또한 MCP를 지원하는 한 모델 교체 시에도 다시 구축할 필요 없이 손쉽게 전환할 수 있다.

[02:26] MCP 아키텍처는 두 가지 주요 구성 요소로 이해할 수 있습니다: 비즈니스 도구와 데이터베이스 같은 기능을 제공하는 MCP 서버와, Claude나 ChatGPT 같은 AI 애플리케이션인 MCP 클라이언트입니다. MCP는 이들 사이의 범용 번역기 역할을 하며, 서버는 클라우드나 로컬에서 실행될 수 있습니다.

MCP 서버는 노션·허브스팟·데이터베이스 등 도구 역할을, MCP 클라이언트는 ChatGPT·Claude 같은 AI 애플리케이션 역할을 맡는다. 이들 사이를 MCP 프로토콜이 '범용 번역기'로 연결한다.

[03:03] 원격 MCP 서버가 점점 인기를 얻고 있으며, AI 기업들의 광범위한 채택으로 설정이 간단해졌습니다. 반면 로컬 서버는 더 안전하지만 기술적 설정이 필요합니다.

1) 네이티브 통합: ChatGPT·Claude의 빌트인 MCP 커넥터, 2) 공식 MCP 서버: 제공사에서 관리, 3) 커뮤니티 서버: 개별 개발자 운영, 4) 커스텀 서버: n8n·Python·JS SDK 활용. 목적에 따라 적절한 방식을 선택한다.

[03:19] AI 시스템을 MCP 서버에 연결하는 네 가지 방법이 있습니다. 첫 번째는 ChatGPT, Claude 같은 AI 앱의 네이티브 통합으로, 가장 안전하고 기술적 설정이 불필요하지만 제한사항이 있습니다.

[03:47] 두 번째는 Notion, Hubspot 같은 서비스 제공업체의 공식 MCP 서버로, 최대 신뢰성과 보안을 제공합니다. 공식 MCP GitHub에서 전체 목록을 확인할 수 있습니다.

[04:09] 세 번째는 Airtable 같은 전문 도구를 위한 커뮤니티 제작 서버입니다. 개인이 유지 관리하므로 데이터 유출, 프롬프트 인젝션 등의 보안 위험이 있어 신중히 사용해야 합니다.

[04:34] symmetry, cp market, awesome MCP servers 같은 MCP 마켓플레이스에서 다양한 서버를 탐색할 수 있습니다. 네 번째는 노코드 플랫폼이나 Python/JavaScript SDK로 직접 구축하는 커스텀 서버입니다.

[04:58] 추천 접근법은 네이티브 통합부터 시작해 공식 서버로 진행하고, 필요시에만 커뮤니티나 커스텀 솔루션을 사용하며, 보안을 위해 최소 권한만 부여하는 것입니다.

[05:11] MCP 클라이언트는 우리가 이미 사용하는 AI 애플리케이션들입니다. ChatGPT, Gemini, Claude, Windsurf, Cursor 등이 MCP를 지원하며, Claude가 최고의 지원을 제공합니다.

ChatGPT·Gemini·Claude·Cursor·Windsurf 등 주요 AI 애플리케이션이 MCP를 지원한다. Claude가 가장 폭넓게 기능을 제공하며, ChatGPT는 현재 Deep Research 모드에서 읽기 전용으로 제한된다.

[05:32] ChatGPT의 MCP 커넥터는 현재 채팅 검색이나 심층 연구 모드에서만 작동하며, 데이터 읽기와 분석만 가능하고 생성/편집/전송은 불가능합니다. Gemini는 SDK 내 API를 통해서만 MCP를 지원합니다.

[05:49] 하지만 실망할 필요 없습니다. AI 기업들이 계속해서 MCP 지원을 확대하고 있으며, 더 나은 기능들이 시간이 지나면서 추가될 것입니다.

[06:01] AI 워크플로우 확장을 위한 가장 쉽고 안전한 방법으로 공식 통합 방식을 소개합니다.

ChatGPT 설정의 'Connectors' 메뉴에서 Gmail·캘린더·허브스팟 등 MCP 커넥터를 클릭해 연동할 수 있다. 다만 현재는 'Deep Research' 모드에서만 데이터 조회가 가능하며, 이메일 전송 등 작업은 지원하지 않는다.

[06:09] ChatGPT에서 Gmail, 캘린더, Hubspot 등의 MCP 커넥터를 설정하고 연결하는 방법을 설명합니다.

[06:25] 현재 ChatGPT의 MCP 연결은 딥 리서치 기능으로 제한되어 있어 데이터 검색만 가능하고 이메일 전송 등의 작업은 불가능합니다.

[06:50] 딥 리서치 기능을 통해 AI 관련 뉴스레터를 검색하는 실제 예시를 보여주며, 큰 지식 베이스를 가진 조직에서의 활용 가능성을 설명합니다.

[07:33] 네이티브 MCP 통합이 없는 경우 공식 MCP 서버나 커뮤니티 서버를 로컬에 설치하는 방법을 소개하며, 보안상 공식 서버 사용을 권장합니다.

GitHub의 공식 MCP 서버 저장소를 참고해 노션 통합 토큰을 생성하고, Claude 데스크톱의 개발자 설정에서 JSON config를 편집해 연결한다. 설치 후 재시작하면 도구 목록에 노션이 나타난다.

[07:54] 공식 MCP GitHub 페이지에서 원하는 도구를 찾는 방법을 설명하며, 현재 이 방법은 Claude 데스크톱에서만 작동한다고 안내합니다.

[08:06] Notion MCP 서버를 예시로 들어 통합 설정 과정을 단계별로 설명합니다. 서비스 토큰 생성과 LLM 설정 추가 과정을 포함합니다.

[08:21] Notion에서 새 통합을 생성하고 필요한 권한을 부여하는 과정을 보여줍니다. 보안을 위해 필요한 기능만 권한을 부여할 것을 권장합니다.

[08:45] 특정 페이지에 대한 액세스 권한을 설정하고 토큰을 생성하는 마지막 단계를 완료합니다. 이 토큰은 LLM과 MCP 서버 연결에 사용됩니다.

[09:07] Claude 데스크톱에서 MCP 서버 설정을 구성하는 방법을 설명합니다. 개발자 설정에서 설정 파일을 편집하고 API 키를 교체하며, NPX 명령어 실행을 위해 Node.js 설치가 필요합니다.

[09:39] 설정 완료 후 Claude를 재시작하면 Notion 도구가 나타나며, 오류 발생시 AI를 통해 설정 파일을 수정할 수 있습니다.

MCP로 연결된 노션 브랜드 킷 페이지의 스타일 가이드·타깃 정보를 Claude에 제공해, 브랜드 톤에 맞춘 소셜 미디어 브리핑을 자동 생성한다. 외부 지식을 즉시 활용하는 에이전트 행동의 예시다.

[09:54] 실제 사용 예시로 제품 출시용 소셜 미디어 브리프 작성을 보여줍니다. Notion의 브랜드 키트 정보를 활용하여 브랜드 보이스와 타겟 페르소나에 맞는 콘텐츠를 생성합니다.

[10:41] 외부 데이터와 도구를 LLM에 통합하여 에이전트 동작을 활성화하고, 필요한 기능만 선별적으로 접근 권한을 부여할 수 있다고 설명합니다.

[11:01] 공식 MCP 서버가 없는 경우 n8n 노코드 플랫폼을 이용한 커스텀 MCP 서버 구축 방법을 소개합니다. 새 워크플로우 생성 후 MCP 서버 트리거를 추가합니다.

n8n에서 MCP 서버 트리거를 추가하고, Asana·Airtable·GA4 등 원하는 도구 연결을 설정한다. 노코드 환경에서도 서비스 계정 인증·파라미터 설정만으로 맞춤형 MCP 서버를 운영할 수 있다.

[11:24] n8n에서 제공하는 다양한 서비스 통합을 활용하여 Google Analytics를 예시로 MCP 서버에 도구를 추가하는 과정을 설명합니다. 서비스 계정 연결 설정과 접근 권한 구성이 필요합니다.

[12:04] MCP 서버 설정을 완료하고 필요한 메트릭을 선택하여 Google Analytics 데이터에 접근할 수 있도록 구성합니다.

[12:10] 커스텀 MCP 서버가 GA4 리포트 기능에 연결되었으며, 구글 시트 등 추가 도구와 기능을 언제든 확장할 수 있습니다.

[12:23] 워크플로우를 활성화하고 MCP 서버의 프로덕션 URL을 복사하여 LLM에 추가할 준비를 합니다.

[12:39] Claude가 커스텀 통합을 지원하면서 로컬 환경 없이도 웹앱에서 직접 원격 MCP 서버를 추가할 수 있게 되었습니다.

[13:00] n8n MCP 서버를 Claude에 간단히 추가하고, ChatGPT의 경우 상위 요금제에서만 제한적으로 지원된다는 점을 설명합니다.

[13:25] Claude를 통해 Google Analytics 데이터를 가져와 대시보드를 생성하는 실제 데모를 진행하며, 지정된 브랜드 톤과 메트릭으로 결과물이 완성됩니다.

[13:45] 원격 MCP 서버를 직접 호출하여 데이터 검색과 인사이트 생성이 가능해졌으며, 한 서버당 도구를 5개 이하로 제한하라는 실용적인 조언을 제공합니다.

도구는 최대 5개로 제한해 에이전트의 혼선을 방지하고 효율을 높인다. 올바른 외부 도구 연결로 AI 워크플로우를 10배 강력하게 확장할 수 있으며, 조직 내 진정한 AI 에이전트 구축의 기반이 마련된다.

[14:01] MCP가 AI 워크플로우와 에이전트를 10배 더 강력하게 만들어 조직의 진정한 에이전트 AI 구축 기반을 마련한다고 강조합니다.

[00:00] 강력한 AI 에이전트 워크플로우와 단순한 AI 챗봇을 구분하는 진정한 차이점이 무엇인지 아시나요?

[00:03] 바로 외부 도구에 접근하고 사용할 수 있는 능력입니다.

[00:09] 오늘날 대부분의 LLM은 대화를 주고받는 것으로 제한되어 있지만, 진정한 AI 에이전트는

[00:14] 당신의 캘린더, 데이터베이스, 이메일, 비즈니스에서 사용하는 모든 서비스나 도구에 연결하여

[00:19] 즉석에서 작업을 수행할 수 있습니다. 그리고 이를 가능하게 하면서

[00:23] 동시에 확장 가능하게 만드는 기술이 바로 MCP, 모델 컨텍스트 프로토콜입니다.

[00:28] 이 영상에서는 MCP에 대해 알아야 할 모든 것을

[00:31] 실제 데모와 함께 설명해드리겠습니다.

[00:34] MCP가 강력한 AI 워크플로우나 AI 에이전트를 구축하는 데

[00:38] 왜 중요한 요소인지 알게 될 것입니다.

[00:40] 시작해봅시다.

[00:40] MCP가 무엇일까요?

[00:42] 정의에 따르면, MCP는 애플리케이션이 LLM에 컨텍스트를 제공하는 방식을

[00:46] 표준화하는 오픈소스 프로토콜입니다.

[00:48] 이것을 설명해드리겠습니다.

[00:50] MCP 이전에는 AI를 비즈니스 도구나 시스템에 연결하는 것이

[00:53] 마치 모두가 서로 다른 언어를 사용하는 팀을 이끌려고 하는 것과 같았습니다.

[00:57] AI가 세일즈포스에서 데이터를 가져와야 한다고 상상해보세요.

[01:00] 세일즈포스 언어를 배워야 하고, 회사 구글 애널리틱스를 이해하려면

[01:04] AI가 완전히 다른 언어를 배워야 합니다.

[01:08] 각 연결은 맞춤형 일회성 번역 프로젝트와 같습니다.

[01:12] 당신이나 팀이 개별 번역가 역할을 해야 합니다.

[01:15] AI에게 각 도구와 소통하는 방법을 하나씩 가르쳐야 합니다.

[01:19] 이것이 우리가 전통적인 API 방식이라고 부르는 것입니다.

[01:22] 물론 이 방식은 100% 작동하지만, 가장 큰 문제는 AI가 빠르게 변화하기 때문에

[01:28] 이 방식은 확장성이 부족하다는 것입니다.

[01:31] AI 모델이 바뀌거나 새로운 AI 모델이 출시될 때마다,

[01:35] 10개의 다른 도구를 사용한다면 10개의 별도 대화를 관리해야 한다고 상상해보세요.

[01:39] 그래서 우리가 MCP라는 해결책을 가지게 된 것입니다. 이것을

[01:43] AI를 위한 범용 번역기라고 생각해보세요.

[01:45] AI가 10개의 다른 언어를 배우는 대신, 단 하나의 언어만

[01:48] 배우면 됩니다. 바로 MCP 언어입니다.

[01:51] 그리고 세일즈포스, 슬랙 같은 서비스 제공업체들이

[01:52] MCP를 채택하면, 모두가 같은 표준 언어를 사용하게 되어

[01:57] 맞춤형 통합 작업을 크게 줄일 수 있습니다.

[01:59] 더 좋은 점은 AI 애플리케이션이 이제 모델에 구애받지 않게 된다는 것입니다.

[02:04] 즉, ChatGPT, Gemini, Claude에서 MCP를 지원하는 모든 미래 모델로

[02:10] 언제든지 AI 모델을 교체할 수 있으며, 통합을 처음부터 다시 구축할 필요가 없습니다.

[02:15] 이것이 바로 MCP가 AI 에이전트나 AI 워크플로우를 위한

[02:18] 핵심 인프라인 이유입니다.

[02:20] AI를 단순한 챗봇에서 확장 가능한 비즈니스 시스템으로

[02:24] 발전시키는 기술입니다.

[02:26] 이제 MCP가 실제로 어떻게 작동하는지 빠르게 이해해봅시다.

[02:29] 아키텍처를 이해하는 간단한 방법은 두 가지 주요 구성 요소가

[02:32] 있다는 것입니다.

[02:33] MCP 서버와 호스트를 가진 MCP 클라이언트입니다.

[02:36] 이렇게 생각해보세요.

[02:37] MCP 서버가 있습니다.

[02:38] 이들은 비즈니스 도구, 데이터베이스 같은 기능을 제공하는

[02:42] 비즈니스 도구들이고, 그다음 MCP 클라이언트가 있습니다.

[02:45] 이들은 Claude나 ChatGPT 같은 이러한 도구를 사용하는 AI 애플리케이션입니다.

[02:49] 클라이언트가 '이 회사 데이터를 가져와야 해'라고 말하면,

[02:53] 서버가 응답하여 데이터를 반환합니다.

[02:55] 그리고 MCP는 이들 사이의 범용 번역기 역할을 합니다.

[02:59] MCP 서버는 클라우드에서 원격으로 실행되거나 컴퓨터에서 로컬로 실행될 수 있습니다.

[03:03] 그리고 원격 MCP 서버가 점점 더 인기를 얻고 있다고 말할 수 있습니다. MCP가 이제 널리

[03:08] AI 기업들에 의해 채택되고 지원되고 있기 때문입니다.

[03:11] 설정이 더 간단합니다.

[03:12] 링크만 붙여넣으면 바로 사용할 수 있어요.

[03:14] 반면 로컬 MCP 서버는 더 안전하지만, 더 많은 기술적 설정이 필요합니다.

[03:18] 일반적으로 AI 시스템을 MCP 서버에 연결하는 방법은 네 가지가 있습니다.

[03:22] 여러분의 필요에 맞는 올바른 접근법을 선택하는 방법을 알려드리겠습니다.

[03:25] 첫 번째는 네이티브 통합으로, 가장 위험도가 낮은 옵션입니다.

[03:28] ChatGPT, Claude 같은 인기 있는 AI 앱들이 이제 Gmail, 캘린더, Google Drive 같은 도구들에 대한

[03:33] 내장 MCP 커넥터를 제공합니다. 신뢰성이 필요하고

[03:38] 기술적 설정 없이 사용하고 싶을 때 선택하세요. 하지만 현재로서는

[03:42] 몇 가지 제한사항이 있는데, 곧 설명드리겠습니다.

[03:44] 두 번째는 Notion, Hubspot, Perplexity 같은

[03:47] 서비스 제공업체의 공식 MCP 서버입니다.

[03:50] 더 많은 기업들이 로컬 또는 원격 설치를 위한

[03:53] 자체 MCP 서버를 구축하고 있습니다.

[03:55] 네이티브 통합이 사용할 수 없거나

[03:58] 원하는 기능을 수행할 수 없고, 최대한의 신뢰성과 보안을 원할 때 선택하세요.

[04:02] 공식 MCP GitHub 페이지에서 전체 목록을 확인할 수 있습니다.

[04:05] 세 번째는 현재 공식 MCP 서버가 없는

[04:09] Airtable 같은 전문 도구를 위한 커뮤니티 제작 MCP 서버입니다.

[04:13] 기본적으로 이들은 커뮤니티의 개인들이 유지 관리하는 서버입니다.

[04:16] 잠재적인 데이터 유출, 프롬프트 인젝션 같은

[04:20] 보안 위험을 감수해야 합니다.

[04:23] 공식 옵션으로 커버되지 않는 기능이 필요할 때만 선택하되,

[04:26] 더 높은 위험과 적은 지원이 있다는 점을 이해하고 사용하세요.

[04:31] 여러분의 필요에 맞는 다양한 MCP 서버를 탐색할 수 있는

[04:34] 다양한 MCP 마켓플레이스나 레지스트리가 있습니다. symmetry, cp, market cp, awesome MCP

[04:40] servers 등이 있으며, 모든 링크를 아래에 첨부하겠습니다.

[04:42] 네 번째는 노코드 플랫폼을 사용해 직접 구축하는 커스텀 MCP 서버입니다.

[04:46] 개발자라면 Python SDK나

[04:49] JavaScript SDK를 사용해서도 만들 수 있습니다.

[04:52] 고유한 비즈니스 요구사항이나 전용

[04:55] 시스템에 커스텀 통합이 필요할 때 선택하세요.

[04:58] 제가 추천하는 것은 항상 네이티브 통합부터 시작한 다음, 공식 서버를 사용하는 것입니다.

[05:03] 필요할 때만 커뮤니티나 커스텀 솔루션으로 이동하고,

[05:06] 보안상의 이유로 항상 최소한의 필요한 권한만 부여하세요.

[05:11] 이제 MCP 서버 외에도 MCP 클라이언트가 있습니다.

[05:14] 이들은 단순히 여러분이 오늘날 이미 사용하고 있는 AI 애플리케이션들입니다.

[05:17] 좋은 소식은 ChatGPT, Gemini, Claude, Windsurf,

[05:22] Cursor 같은 대부분의 인기 있는 AI들이 MCP를 지원하며, Claude가 여전히 최고의 MCP 지원을 제공한다는 것입니다.

[05:28] ChatGPT는 다양한 도구에 연결할 수 있는 MCP 커넥터를 추가했습니다.

[05:32] 현재 이것은 채팅 검색이나 심층 연구 모드에서만 작동합니다.

[05:35] 즉, ChatGPT는 여러분의 도구에서 데이터를 읽고 분석할 수 있지만,

[05:39] 생성, 편집, 전송은 할 수 없습니다.

[05:42] Gemini의 경우, 현재 MCP 지원은 SDK 내에서

[05:46] Google의 Gemini API를 사용해서만 가능합니다.

[05:49] 하지만 실망하지 마세요.

[05:50] 상황은 계속 변화할 것이라고 믿습니다.

[05:52] 이런 AI 기업들이 MCP에 더 많은 지원을 추가하고 있습니다.

[05:55] 시간 문제일 뿐입니다.

[05:56] 이제 도구나 데이터를 위한 MCP 서버를 실제로 설치하는 방법을 보여드리겠습니다.

[06:01] 액세스를 통해 AI 워크플로우나 AI 에이전트의 기능을 확장할 수 있습니다.

[06:05] 가장 쉽고 안전한 옵션부터 시작해보겠습니다.

[06:08] 공식 통합 방식입니다.

[06:09] ChatGPT에서는 설정, 커넥터로 가면

[06:13] Gmail, 캘린더, Hubspot 같은 사용 가능한 MCP 커넥터 목록을 볼 수 있습니다.

[06:18] 원하는 앱을 클릭하고 MCP 연결을 설정하면 됩니다.

[06:21] 예를 들어, ChatGPT를 Gmail에 연결할 수 있지만, 앞서 말했듯이

[06:25] Claude와 달리 현재는 기능이 딥 리서치로만 제한되어 있습니다.

[06:29] 즉, ChatGPT가 Gmail에서 데이터를 가져올 수만 있고

[06:33] 이메일 전송이나 초안 작성 같은 작업은 할 수 없습니다.

[06:37] 연결이 완료되면 도구 목록에 나타나지 않고

[06:40] 먼저 딥 리서치 기능을 선택해야 합니다

[06:44] 그다음 Gmail 소스를 활성화해야 합니다.

[06:46] 즉, 각 프롬프트가 딥 리서치 요청으로 처리되어

[06:49] 할당량을 사용하게 됩니다.

[06:50] ChatGPT에게 관련 데이터를 가져와서

[06:54] 딥 리서치 보고서를 생성하도록 요청할 수 있습니다.

[06:55] 이 경우, 지난 6개월 동안 받은

[06:59] AI 관련 뉴스레터를 모두 가져오라고 요청하겠습니다.

[07:01] 조직에 큰 지식 베이스가 있다면 상상해보세요.

[07:05] ChatGPT를 여러분의 데이터에 연결된 딥 리서치 에이전트로 바꾸는 것은 매우 강력합니다.

[07:14] 이것이 바로 에이전트를 강력하게 만드는 요소입니다.

[07:15] 이 경우에는 제가 받은 정확한 이메일에도 링크를 제공합니다.

[07:19] 하지만 다시 말씀드리면, 현재 대부분의 ChatGPT 플랜에서 이러한 커넥터들은

[07:23] 주로 딥 리서치 기능만 지원합니다.

[07:24] 정말 큰 저장소가 있을 때만 사용해서 그 파워를 최대한 활용하세요.

[07:33] 이러한 네이티브 MCP 통합이 제공되지 않는 경우에는

[07:39] 공식 MCP 서버나 커뮤니티에서 만든 서버를 사용하여 로컬에 설치할 수 있습니다.

[07:44] 보안상의 이유로 항상 공식 MCP 서버 사용을 권장합니다.

[07:48] 원래 서비스 제공업체에서 더 잘 관리되고 있습니다.

[07:51] 공식 MCP GitHub 페이지에 와 있습니다.

[07:54] 원하는 도구가 목록에 있는지 확인해보세요. 하지만 이 방법은

[07:58] 현재 Claude 데스크톱에서만 작동합니다.

[08:01] 예를 들어, Notion에는 공식 MCP 서버가 있고

[08:04] LLM이 Notion을 호출할 수 있게 하고 싶습니다.

[08:06] 그러면 이 저장소의 지침에 따라 하면 됩니다.

[08:10] MCP 서버마다 지침이 다를 수 있지만

[08:14] 대부분 비슷하며, 보통 서비스 토큰을 생성하고

[08:18] LLM에 MCP 설정을 추가하는 과정을 포함합니다.

[08:21] 먼저 Notion에서 통합을 생성하고 새 통합을 설정합니다

[08:25] 이름을 지정한 다음 통합 설정을 구성할 수 있습니다.

[08:29] 여기서 필요한 권한을 부여할 수 있습니다.

[08:31] 제 팁은 필요한 기능만 부여하는 것입니다.

[08:35] 데모 목적으로 기본값을 유지하고 액세스로도 이동하겠습니다.

[08:39] 여기서 이 MCP 서버 연결이

[08:43] 액세스할 수 있는 페이지를 지정할 수 있습니다.

[08:45] 내부 브랜드 키트 가이드라인에만 액세스하도록 설정해보겠습니다.

[08:50] 물론 여러 개를 선택할 수도 있습니다.

[08:52] 여기가 토큰입니다.

[08:53] 이것들은 LLM에서 이 MCP 서버와의 연결을 설정하는 데 사용됩니다.

[08:59] 복사해서 나중에 사용하겠습니다.

[09:01] 지침에 따라 다음 단계는 구성 파일에

[09:05] MCP 설정을 추가하는 것입니다.

[09:07] Claude 데스크톱에서 설정으로 가서 개발자 탭으로 이동하세요.

[09:10] 설치된 도구가 없다면 빈 화면이 보일 텐데, Edit config를 클릭하세요.

[09:15] 그러면 설정 파일이 열리고 아무 에디터나 사용해서 열어주세요.

[09:19] 그리고 지침에 따라 이 설정을 붙여넣고, 방금 생성한 API 키로 매개변수를 교체하세요.

[09:24] 방금 생성한 API 키로 매개변수를 교체하세요.

[09:26] 이 방법은 NPX 명령어를 사용하므로 주의하세요.

[09:30] PC든 MAC 사용자든 상관없이 이 명령어를 실행하려면 먼저 Node.js 패키지를 설치해야 합니다.

[09:34] 이 명령어를 실행하기 위해서는 먼저 패키지를 설치해야 하며, 링크를 아래에 걸어드리겠습니다.

[09:38] 그다음 저장을 클릭하세요.

[09:39] 이제 Claude 애플리케이션을 종료하고 다시 시작하세요.

[09:43] 모든 설정이 올바르게 되었다면 이제 여기서

[09:46] Notion 도구가 나타나는 것을 볼 수 있어야 합니다.

[09:48] 만약 안 된다면, 보통 설정 파일에 구문 오류가 있기 때문이니

[09:52] AI에게 수정해달라고 요청하면 됩니다.

[09:54] 제품 출시를 위한 소셜 미디어 브리프를 준비한다고 가정해봅시다.

[09:57] 그리고 이것이 방금 MCP 접근 권한을 부여한 Notion 페이지입니다.

[10:01] 브랜드 스타일 가이드, 타겟 고객 세부사항 등이 있는 브랜드 키트입니다.

[10:05] 이는 팀 전체가 공유하는 지식 허브 같은 것입니다.

[10:08] 그리고 Claude에서 이 프롬프트를 사용해서

[10:11] 우리 브랜드 보이스와 타겟 페르소나 정보를 따라서 브리프를 생성해달라고 요청할 수 있습니다.

[10:15] 매우 중요한 것은 사용자 정의 지침을 설정하지 않았거나 프로젝트를 사용하지 않는다면

[10:19] 프롬프트에서 어떤 도구를 사용해야 하는지 명시해야 합니다.

[10:23] 그렇지 않으면 인식하지 못할 수 있습니다.

[10:24] 그러면 연결 허가를 요청하는 메시지가 나타나고

[10:27] 바로 브리프를 생성해줄 것입니다.

[10:30] 가장 좋은 점은 브랜드 보이스, 브랜드 컬러 팔레트 같은

[10:34] Notion에 저장된 모든 공유 정보를 가져와서 생성된 응답이

[10:39] 여러분의 브랜드와 훨씬 더 관련성이 높아진다는 것입니다.

[10:41] 그래서 어떤 외부 데이터나 도구가 워크플로우에 도움이 될지 생각해보고

[10:44] 같은 방법을 따라서 LLM에 추가할 수 있습니다.

[10:49] 그리고 이것이 에이전트 동작을 활성화하는 방법입니다.

[10:52] 그리고 언제든지 자산을 검토하고 에이전트가 접근하지

[10:56] 않았으면 하는 기능들은 끄고 정말 필요한 것들만 남겨둘 수 있습니다.

[11:01] 좋습니다.

[11:01] 공식적인 네이티브 통합이 없거나 원하는 도구에 대해

[11:05] 사용 가능한 MCP 서버가 없는 경우, 사용자 정의 MCP 서버 구축을 고려할 수 있습니다.

[11:09] 물론 저처럼 비개발자라면 n8n이 첫 번째 선택지인데, 노코드 플랫폼이기 때문입니다.

[11:14] 노코드 플랫폼입니다.

[11:15] n8n에서 새 워크플로우를 생성하고 MCP 서버 트리거를 추가하되

[11:20] 아직 설정을 변경하지는 마세요.

[11:22] 그리고 캔버스로 돌아가세요.

[11:24] 이제 이 MCP 서버에 도구를 추가할 수 있는데, n8n은 이미

[11:28] Asana, Airtable, Google Ads, Google Analytics 같은

[11:33] 다양한 인기 서비스나 데이터 소스에 대한 통합을 제공합니다.

[11:35] 이 데모에서는 Google Analytics를 선택해보겠습니다.

[11:38] 이 MCP 서버에 연결하는 어떤 도구든 먼저 서비스 계정과

[11:42] 연결을 설정해야 합니다.

[11:44] 이 경우에는 제 GA 계정 연결이고, 그다음 매개변수 세부사항을 선택해서

[11:48] 이 MCP 서버가 어떤 접근 권한을 갖게 될지 설정할 수 있으며, 각각의

[11:53] 도구마다 다른 설정이 있습니다.

[11:55] 이 경우에는 GA 계정, 속성, 기본 날짜 범위 같은 것들이 있고

[12:00] 지표, 차원 등이 있으며 가져올 수 있는 다양한 지표들이 많이 있습니다.

[12:04] 필요한 메트릭만 선택하시면 이 서버가 해당 데이터에 접근할 수 있습니다.

[12:08] 설정이 끝나면 다음 단계로 넘어갈 준비가 완료됩니다.

[12:10] 이제 커스텀 MCP 서버가 GA4 리포트 가져오기 기능에 연결된 것을 확인할 수 있습니다.

[12:15] 구글 시트 데이터 조회나 업데이트 같은 도구, 연결, 기능을 언제든 추가할 수 있습니다.

[12:19] 이것이 작동하려면 먼저 이 워크플로우를 활성화하고 MCP 서버를 클릭해야 합니다.

[12:23] MCP URL 하단에 프로덕션 URL이 있는데, 이것이 원격 MCP 서버 URL입니다.

[12:27] LLM에 추가할 예정이니 복사해 두세요.

[12:28] 좋은 소식은 Claude가 커스텀 통합 지원을 발표했다는 것입니다.

[12:33] 더 이상 원격 MCP 서버에 접근하기 위해 로컬에서 Claude를 사용할 필요가 없습니다.

[12:36] Claude 웹앱에서 커스텀 통합을 추가할 수 있습니다.

[12:39] Claude 웹앱에서 여기를 클릭하면 커스텀 통합을 추가할 수 있습니다.

[12:45] 기존 통합 목록을 볼 수 있으니 '통합 추가'를 클릭하세요.

[12:50] 여기서 원격 MCP 서버 URL을 추가할 수 있습니다.

[12:55] n8n MCP 서버로 이름을 지정하고 URL을 붙여넣으세요.

[12:58] MCP 서버가 여기에 추가됩니다. 매우 간단합니다.

[13:00] 이제 Claude에서 직접 커스텀 MCP 서버를 호출하여 도구에 접근할 수 있습니다.

[13:04] ChatGPT도 비슷한 커스텀 MCP 서버 추가 기능이 있지만,

[13:09] 현재는 Pro 플랜이나 Teams 플랜 같은 상위 요금제에서만 가능합니다.

[13:10] 그리고 심층 연구나 파일 검색을 수행하는 커스텀 MCP 서버만 지원합니다.

[13:14] 이제 Claude에게 Google Analytics 데이터를 가져와서 대시보드를 생성하도록 요청해보겠습니다.

[13:19] 프로젝트 내부에서 프롬프트를 실행하지 않으므로 이 도구를 사용하라고 Claude에게 알려주세요.

[13:23] 방금 추가한 n8n MCP 서버에 접근하라는 프롬프트가 표시됩니다.

[13:25] 잠시 후 지정된 브랜드 톤, 차트, 메트릭으로 대시보드가 준비됩니다.

[13:30] 이것은 게임 체인저입니다.

[13:32] 이제 이 원격 MCP 서버를 직접 호출하여 데이터를 가져오고,

[13:37] 워크플로우 내에서 빠른 인사이트나 대시보드를 생성하거나,

[13:42] 에이전트가 이를 수행하도록 하여 서비스 계정을 오가는 번거로움을 없앨 수 있습니다.

[13:45] 보너스 팁은 한 MCP 서버에 너무 많은 다른 유형의 도구를 연결하지 마세요.

[13:50] 5개 이하로 제한하는 것이 좋습니다. 도구가 많으면 에이전트가 혼란스러워하고

[13:55] 프로세스 효율성이 떨어질 수 있습니다.

[13:57] 확장 가능한 기술로 적절한 도구에 접근할 수 있다면

[14:01] MCP가 AI 워크플로우나 AI 에이전트를 10배 더 강력하게 만들 수 있는 이유를 알 수 있습니다.

[14:06] 이것은 조직에서 진정한 에이전트 AI를 구축하기 위한

[14:09] 기반을 마련하는 데 도움이 될 것입니다.

[14:11] 비즈니스나 마케팅에서 AI를 더 전략적으로 사용하는 방법에 대한 영감을 얻으려면

[14:15] 제 커뮤니티에 참여하세요.

[14:17] 제 채널에서 공유하는 검증된 모든 프롬프트와

[14:20] 기타 특별 콘텐츠에 접근할 수 있습니다.

[14:22] 참여 링크는 설명란에서 찾을 수 있습니다.

[14:24] 가기 전에 Claude + MCP에 관한 이 영상을 꼭 시청하세요.

[14:28] MCP를 사용해서 오늘 바로 구축할 수 있는 더 많은 AI 에이전트 아이디어를 얻을 수 있습니다.

[14:32] 다음에 뵙겠습니다.