Visier와 Amazon Quick를 통해 워크포스 AI 에이전트 구축

Visier Workforce AI 플랫폼과 Amazon Quick을 Model Context Protocol(MCP)로 연결하는 이번 통합은 최근 빠르게 확산되고 있는 에이전틱 워크스페이스 아키텍처의 전형적인 사례다. MCP는 Anthropic이 2024년 말 공개한 개방형 표준으로, LLM이 외부 데이터 소스나 도구와 안전하게 통신할 수 있도록 클라이언트-서버 구조를 정의한다. 이 구조에서 Visier는 조직의 인사 데이터, 직무 체계, 성과 지표 같은 워크포스 컨텍스트를 제공하는 MCP 서버 역할을 하고, Amazon Quick은 사용자가 자연어로 질의하고 응답을 받는 대화형 프론트엔드 역할을 한다. 핵심은 LLM이 단순히 사전 학습된 지식으로 답하는 것이 아니라, MCP 채널을 통해 실시간 워크포스 데이터를 조회하고 그 결과를 기반으로 추론한다는 점이다. 이를 통해 "우리 팀의 최근 이직률은?", "이 포지션의 적정 보상 범위는?" 같은 질문에 최신 조직 데이터로 답변할 수 있다.

개발자와 엔지니어 관점에서 이 통합이 의미하는 바는 상당히 크다. 기존에는 HR 데이터를 활용하려면 Visier API를 직접 호출하는 커스텀 커넥터를 구축하고, 인증, 스키마 매핑, 권한 제어 등을 각 애플리케이션마다 반복 구현해야 했다. MCP가 표준화되면서 동일한 서버를 Claude Desktop, Amazon Quick, 내부 에이전트 등 여러 클라이언트에서 재사용할 수 있게 되었고, 이는 통합 비용과 유지보수 부담을 크게 낮춘다. 특히 SaaS 벤더가 공식 MCP 서버를 제공하기 시작하면서 사내 플랫폼 팀은 "자체 LLM 래퍼"를 만드는 대신 표준 프로토콜 기반으로 도구 생태계를 조립하는 방향으로 전환할 수 있다. 또한 MCP는 도구 호출(tool use)뿐 아니라 리소스 참조, 프롬프트 템플릿 공유까지 포괄하므로, 권한 경계와 감사 로그를 프로토콜 레벨에서 일관되게 다룰 수 있다는 장점이 있다.

한국 개발자들이 특히 주목해야 할 부분은 MCP가 단순한 벤더 간 통합 기술이 아니라 사내 AI 에이전트 아키텍처의 사실상 표준으로 자리잡고 있다는 점이다. 당장 HR 시스템뿐 아니라 Jira, GitHub, Confluence, 사내 데이터 웨어하우스 같은 자산도 MCP 서버로 래핑해두면 향후 어떤 LLM 클라이언트와도 즉시 연결 가능하다. 실무에서 준비할 것은 세 가지다. 첫째, 기존 내부 API 중 에이전트가 접근할 만한 것을 식별하고 MCP 서버로 노출하는 파일럿을 시도해볼 것. 둘째, MCP 서버의 인증·권한 모델을 조직의 SSO 및 RBAC과 어떻게 연동할지 설계할 것. 셋째, 에이전트가 데이터에 접근한 기록을 감사할 수 있는 로깅 파이프라인을 미리 구축해두는 것이다. 에이전트가 조직 데이터에 직접 질의하는 시대에는 "어떤 도구를 쓰느냐"보다 "어떤 데이터를 어떤 조건으로 노출하느냐"가 훨씬 중요한 설계 포인트가 된다.