제조 AI의 다음 단계, MCP

Manufacturing AI · MCP

Tulip MCP 서버
— 제조 AI가 대시보드를 넘어 Agentic으로 가는 길

2026.05  ·  Ollama Gemma3 운영 경험에서 MCP까지

제조 현장의 AI 도입을 이야기하면 보통 처음 떠올리는 그림은 비슷하다. 먼저 데이터를 모아 대시보드를 구축하고, 그 위에 AI Agent를 얹는 흐름이다. 그러나 실제로 많은 기업이 대시보드까지는 만들어도 AI Agent로 이어지는 그 다음 단계에서 멈춘다. 나도 마찬가지였다.

사내에서 직접 대시보드를 구축하고 그 위에 Local LLM인 Ollama의 Gemma3를 접목해 일일 불량 분석까지는 자동화했지만, 거기서 더 나아가 Agentic AI로 확장하지 못한 채 멈춰 있었다. 그러다 Tulip의 MCP 서버 관련 영상을 우연히 접했고, 막혀 있던 부분이 어디였는지 정리할 수 있게 됐다.

아래에 Tulip이라는 회사 소개부터 MCP의 개념, 결함 분석 적용 사례, 그리고 내가 만든 시스템에 어떻게 접목할 수 있는지를 정리했다.

01 Tulip — MIT에서 나온 노코드 프론트라인 플랫폼

Tulip Interfaces는 MIT Media Lab에서 스핀오프된 회사로, 본사는 미국 매사추세츠주 Somerville에 있다. 독일과 헝가리에 추가 사무소를 두고 있으며, 복잡 제조업, 제약, 의료기기 등 규제 산업을 주력 시장으로 한다.

Tulip이 정의하는 자기 자신은 "Frontline Operations Platform"이다. 한국어로는 "프론트라인 운영 플랫폼" 정도로 번역된다. 핵심은 공장 현장의 작업자, 기계, 시스템을 노코드 앱으로 연결하는 것이다.

핵심 — 기존 MES/ERP가 무겁고 IT 부서를 거쳐야 했다면, Tulip은 현장 엔지니어가 직접 앱을 만들고 수정한다. 종이 작업 지시서를 디지털 가이드로, 단절된 기계 데이터를 실시간 대시보드로 바꾸는 것이 출발점이다.

• 노코드 앱 에디터 드래그 앤 드롭으로 작업 지시·품질 검사·생산 추적 앱을 만든다. 코딩 없이 현장 엔지니어가 직접 구성 가능하다.
• 엣지 연결 (Edge Connectivity) 기계, 센서, 카메라, 스마트 도구를 플러그앤플레이로 연결한다. 프로토콜 어댑터 라이브러리가 기본 제공된다.
• 컴퓨터 비전 / Tulip Vision 카메라 영상으로 시각적 품질 검사와 작업 정렬을 자동화한다. ML 모델을 노코드로 배포한다.
• 실시간 분석과 대시보드 OEE, 사이클 타임, 품질 지표를 실시간으로 모니터링한다. 별도 BI 도구 없이 플랫폼 내에서 처리된다.
• Tulip AI 와 MCP Server AI Composer, Frontline Copilot, AI Agents가 통합되어 있다. 그리고 이번 글의 주제인 MCP 서버를 통해 외부 LLM을 연동한다.

대표 고객으로는 Pratt Miller Engineering(방위), TICO Tractors(농기계), Protolabs, Sharp(제약 패키징), 그리고 NVIDIA와 협업한 Factory Playback 사례로 알려진 Terex가 있다. Terex의 경우 수율 3% 증가, 재작업 10% 감소가 보고되어 있다.

02 MCP — Anthropic이 만든 AI 통합 표준

MCP는 Model Context Protocol의 약자다. Anthropic이 제안하고 Google, Microsoft 등이 함께 채택한 오픈 표준 프로토콜이다. 한 줄로 정리하면 "LLM이 외부 시스템과 일관되고 구조화된 방식으로 상호작용하기 위한 규격"이다.

왜 표준이 필요한가? 그동안 LLM을 사내 시스템에 붙이려면 시스템마다 별도의 통합 코드를 작성해야 했다. ERP에 붙이려면 ERP용 어댑터, MES에 붙이려면 MES용 어댑터, Slack에 붙이려면 Slack용 어댑터를 각각 만들었다. MCP는 이 어댑터들의 인터페이스를 통일한다.

기존 통합 방식

시스템마다 커스텀 스크립트 작성. LLM이 직접 데이터를 가져오지 못하고, 사람이 미리 추출한 데이터를 프롬프트에 넣어줘야 함.

MCP 통합 방식

표준 프로토콜로 도구(Tool)를 정의. LLM이 필요할 때 스스로 도구를 호출해 데이터를 가져오고, 분석하고, 후속 행동까지 수행.

Tulip은 자사 플랫폼 위에 공식 MCP 서버를 출시했다. 이 서버는 Tulip의 테이블, 머신, 스테이션, 사용자 정보를 LLM이 사용할 수 있는 "도구"로 노출한다. AI 어시스턴트가 자연어 요청을 받으면 Tulip의 권한 체계를 통해 데이터를 읽거나 액션을 수행할 수 있다.

핵심 — MCP는 단순한 API가 아니다. API보다 더 풍부한 컨텍스트를 함께 전달하도록 설계되어 있다. LLM이 도구의 의도와 파라미터의 의미까지 이해하게 만드는 것이 MCP의 차별점이다.

03 결함 분석 — Before / After 비교

Tulip의 영상에서 시연하는 시나리오는 품질 관리자가 여러 라인에 걸친 불량 데이터를 분석하는 상황이다. 카테고리, 근본 원인 태그, 작업자 코멘트, 비용 영향까지 들여다봐야 하는 작업이다.

Before — 기존 방식

수많은 행을 수동으로 살펴본다. 분석 관점이 바뀔 때마다 별도의 SQL 쿼리나 대시보드를 새로 만든다. 시간이 오래 걸리고 즉답이 어렵다.

After — MCP 적용

자연어로 질문한다. AI가 MCP 도구를 호출해 데이터를 가져오고, 집계하고, 패턴을 찾아 요약 리포트를 즉시 반환한다.

실제로 LLM이 수행하는 흐름은 이렇다.

자연어 질의

→

MCP 도구 호출

→

데이터 조회·집계

→

분석 요약

Tulip MCP 서버가 LLM에 노출하는 도구는 크게 네 가지로 정리된다.

카테고리	제공 기능
Access	모든 Tulip 테이블 리스트 조회, 특정 테이블이나 개별 레코드 상세 조회
Manipulate	새 테이블 생성, 레코드 추가, 특정 필드 업데이트와 증가
Analyze	레코드 개수 집계, 합계·평균 등 집계 함수 실행
Relate	테이블 레코드 간 관계 생성·업데이트·연결·해제 (생산 주문 ↔ 부품 등)

핵심은 LLM이 관찰자에서 행위자로 바뀐다는 점이다. 데이터를 보고 분석만 하는 게 아니라, 분석 결과에 따라 다른 도구를 추가로 호출하거나 외부 시스템에 변경을 가할 수 있다. 이것이 Agentic AI의 출발점이다.

04 보안과 거버넌스 — API 권한 기반 통제

제조업, 특히 제약과 의료기기처럼 규제가 엄격한 산업에서 AI 도입의 가장 큰 우려는 보안이다. "AI가 데이터에 접근한다"는 말은 곧 "AI가 잘못된 행동을 할 수 있다"는 뜻이기 때문이다.

Tulip MCP는 이 문제를 별도의 권한 체계를 만들지 않고 기존 Tulip API 권한을 그대로 사용하는 방식으로 푼다. 사용자가 MCP 서버에 부여하는 API 토큰의 스코프가 곧 AI의 권한 한계가 된다.

• 읽기 전용 토큰 분석은 가능하지만 데이터 수정·삭제 불가. 잘못 요청해도 서버가 안전하게 오류 반환.
• 제한된 쓰기 토큰 특정 테이블만 수정 가능하도록 스코프 한정. 운영 데이터는 보호하면서 분석 결과만 기록 가능.
• 전체 권한 토큰 시스템 자동화용. 휴먼 인 더 루프(human-in-the-loop) 승인 단계와 함께 사용하는 것이 권장된다.

핵심 — AI는 강력하지만, 항상 사용자가 정의한 가드레일 안에서만 동작한다. 권한 통제가 플랫폼 레벨에서 강제되기 때문에 GxP 규제 환경에서도 도입 가능한 구조다.

05 확장 가능성 — 내가 만든 시스템에 MCP를 결합한다면

여기서부터가 이 글을 쓰게 된 진짜 이유다. 내가 만든 시스템의 구조부터 다시 보자.

불량 DB + 생산 DB + BOM

→

통합 DB

→

Ollama Gemma3 분석

→

메일 발송

매일 아침 8시 30분에 자동으로 동작한다. 전일 발생 불량을 LLM이 분석하고, 결과를 관계자에게 메일로 뿌린다. 잘 굴러가는 시스템이지만, 한 번 쓰고 끝이다. "왜?"라는 추가 질문에 답할 수 없다.

여기에 MCP를 도입하면 무엇이 바뀌는가?

항목	현재 (MCP 없음)	MCP 도입 후
data-access	SQL로 미리 추출 → 프롬프트 주입	LLM이 도구를 자율 호출하여 조회
analysis-scope	사전 정의 범위만 분석	LLM이 가설 세우고 추가 데이터 탐색
interaction	단방향 (Push 메일)	양방향 (실시간 질의응답)
llm-role	분석가	분석가 + 행위자 (Agent)
extension	새 시스템마다 통합 코드 작성	MCP 서버만 추가

가장 큰 변화는 분석 깊이다. 현재 시스템에서는 LLM이 "어제 A제품 외관 불량 12건, 오후 2시대 집중"까지만 답한다. 사전에 추출된 데이터 범위가 거기까지이기 때문이다.

MCP가 들어가면 LLM이 스스로 다음 단계로 파고든다.

1. 01 get_defects(date='어제') 호출 — 1차 데이터 확인
2. 02 "오후 2시대 집중되네. 작업자/설비 정보가 필요해" — 가설 수립
3. 03 get_production_log(time='14:00-15:00') 추가 호출
4. 04 get_equipment_history(equipment='X', days=7) — 일주일 패턴 확인
5. 05 get_bom(product='A') — 자재 로트까지 추적
6. 06 종합 분석 리포트 생성 — 사람 분석가의 RCA 패턴과 동일

이 흐름에서 LLM은 단순히 데이터를 받아 요약하는 게 아니다. 사람 분석가가 하던 가설 수립 → 데이터 검증 → 추가 탐색의 RCA(Root Cause Analysis) 사이클을 그대로 수행한다.

여기서 더 나아가면 외부 시스템 MCP들과 연동된다.

• ERP MCP 연동 의심 자재 로트 발견 시 ERP에서 입고 정보, 공급사 정보까지 자동 조회하여 리포트에 첨부.
• JIRA / Redmine MCP 연동 심각도 높은 불량은 자동으로 티켓 생성. 담당자 지정과 우선순위 부여까지 LLM이 처리.
• Slack / Teams MCP 연동 아침 메일 발송에 더해 해당 라인 채널에 즉시 알림. 관계자가 챗봇에게 추가 질문도 가능.
• BI MCP 연동 PowerBI나 Tableau의 분석 결과를 LLM 리포트에 통합. 단일 채널에서 종합 인사이트 제공.

핵심 — 매일 아침 8시 30분 메일은 그대로 유지하면서, 그 위에 양방향 질의응답과 자동 액션 레이어를 얹는다. 기존 시스템을 버릴 필요 없이 점진적으로 Agentic으로 진화시킬 수 있다.

한 가지 현실적 고려사항도 있다. 현재 사용 중인 Gemma3가 도구 호출(function calling)을 안정적으로 수행하는지 확인이 필요하다. 일반적으로 7B 이상 모델에서 도구 호출이 안정적이다. 작은 모델은 도구를 잘못 부르거나 인자를 빠뜨리는 경우가 있어, MCP 도입 시점에 모델 검증을 함께 해야 한다.

Summary

대시보드 + LLM 분석까지는 많이들 도달한다. 그러나 Agentic AI로 가려면 LLM에게 데이터를 떠먹여주는 방식이 아니라, LLM이 스스로 데이터를 탐색하고 행동하게 만들어야 한다. MCP는 그 전환을 가능하게 하는 표준 프로토콜이다. Tulip의 사례는 제조업 도메인에서 MCP가 어떻게 작동하는지 보여주는 좋은 레퍼런스다.

다음 글에서는 한 단계 더 내려가 보려 한다. 간단한 제조 데이터 대시보드를 직접 만들어보고, 그 위에 Ollama를 연동하여 자체 LLM 분석을 구현하는 과정을 단계별로 정리할 예정이다. 이번 글이 "왜 MCP가 필요한가"였다면, 다음 글은 "그 전 단계를 어떻게 만드는가"가 된다.

#Tulip #MCP #ModelContextProtocol #제조AI #AgenticAI #Ollama #Gemma3 #불량분석 #스마트팩토리 #노코드MES #Anthropic #LLM통합 #제조데이터 #AIAgent #프론트라인운영