논문 요약: 177,000 개의 MCP 도구를 통해 본 AI 에이전트의 활용 현황

제목: How are AI agents used? Evidence from 177,000 MCP tools
저자: Merlin Stein (UK AI Security Institute, University of Oxford)
발표일: 2026 년 3 월 (arXiv:2603.23802v1)

1. 연구 배경 및 문제 제기 (Problem)

최근 AI 는 단순한 콘텐츠 생성을 넘어 외부 환경을 인지하고 행동할 수 있는 자율형 AI 에이전트 (AI Agents) 로 진화하고 있습니다. 이러한 에이전트는 대규모 언어 모델 (LLM) 에 외부 도구 (Tools) 를 연결하여 기업 파일 시스템, API 기반 플랫폼, 웹사이트 등을 직접 조작할 수 있습니다.

그러나 현재 개발자, 연구자, 정부 기관은 다음과 같은 중요한 공백을 겪고 있습니다:

• 실제 활용도 부재: AI 에이전트가 현재 어떤 방식으로, 어떤 종류의 (중요한) 작업을 수행하고 있는지에 대한 대규모 실증적 데이터가 부족함.
• 리스크 이해의 한계: 에이전트가 외부 환경을 수정할 수 있는 능력 (Action Space) 이 확대됨에 따라 발생할 수 있는 새로운 보안, 오작동, 구조적 리스크를 파악하기 어려움.
• 기존 연구의 한계: 기존 연구는 주로 LLM 사용량이나 플랫폼 내 대화 데이터에 집중하여, 에이전트가 외부 도구 (Tool calls) 를 통해 실제로 수행하는 작업을 포괄적으로 분석하지 못함.

이 논문은 이러한 공백을 메우기 위해, 에이전트 도구 표준인 모델 컨텍스트 프로토콜 (Model Context Protocol, MCP) 서버의 공개 저장소를 모니터링하여 177,436 개의 에이전트 도구를 분석하고 그 활용 패턴과 리스크를 규명합니다.

2. 연구 방법론 (Methodology)

2.1 데이터 수집

• 대상: 2024 년 11 월부터 2026 년 2 월까지 GitHub 과 Smithery MCP 레지스트리에 공개된 MCP 서버.
• 규모: 총 19,388 개의 검증된 MCP 서버에서 177,436 개의 고유한 에이전트 도구를 식별.
• 사용량 지표: 실제 실행 횟수는 파악 불가능하므로, NPM(Node Package Manager) 과 PyPI(Python Package Index) 의 다운로드 횟수를 사용량 (Usage) 의 대리 지표 (Proxy) 로 활용. (총 3,854 개 서버, 42,498 개 도구에 대한 다운로드 데이터 분석).

2.2 분류 체계 및 분석 방법

연구팀은 도구의 특성을 5 가지 차원에서 분류하고 분석했습니다:

1. 직접적 영향 (Direct Impact):
   • 인지 (Perception): 데이터 접근 및 읽기.
   • 추론 (Reasoning): 데이터 또는 개념 분석.
   • 행동 (Action): 외부 환경 직접 수정 (파일 편집, 이메일 발송, 드론 조종 등).
2. 범용성 (Generality):
   • 제한된 환경 (Narrow-purpose): 특정 API 나 플랫폼에 국한된 도구.
   • 비제한적 환경 (General-purpose): 웹 브라우저 제어, 임의 코드 실행 등 개방형 환경 접근 도구.
3. 작업 도메인 (Task Domain): 미국 노동부의 O*NET 직업 분류 체계를 매핑하여 도구가 지원하는 업무 영역과 그 중요도 (Consequentiality) 를 평가.
4. 지리적 분포: 다운로드 IP 주소를 기반으로 한 지역별 사용 현황.
5. AI 공동 저술 (AI Co-authorship): MCP 서버가 AI 에이전트 (예: Claude Code, Copilot) 의 도움을 받아 생성되었는지 여부 확인 (커밋 히스토리, 설정 파일 등 분석).

2.3 기술적 접근

• LLM 기반 자동 분류: Claude Sonnet 4.5 를 사용하여 도구 설명서 (README) 를 분석하고 O*NET 작업, 직접적 영향, 범용성 등을 자동 분류.
• 인간 검증: 14 명의 전문가가 표본을 검증하여 분류 정확도 확인 (직접적 영향 분류 81% 일치, O*NET 작업 분류 78% 일치).
• 통계적 분석: 시계열 데이터에 가중 최소제곱법 (WLS) 회귀 분석을 적용하여 트렌드 변화 (예: 행동 도구 증가율) 를 측정.

3. 주요 기여 (Key Contributions)

1. 최대 규모의 에이전트 도구 데이터셋: 177,000 개 이상의 공개 MCP 도구를 체계적으로 분류한 최초의 대규모 데이터셋 구축.
2. 에이전트 '행동 공간 (Action Space)'의 정량적 측정: 에이전트가 단순히 정보를 얻는 것을 넘어, 얼마나 적극적으로 환경을 수정하는지, 그리고 그 범위가 어떻게 확장되는지를 시계열로 추적.
3. 초기 리스크 모니터링 방법론 제시: 에이전트 배포의 규모와 중요도 (High-stakes) 를 예측하기 위해 공개 도구 생태계를 모니터링하는 프레임워크 제안. 특히 금융 거래와 같은 고위험 영역에서의 에이전트 활동을 조기에 감지하는 사례를 제시.

4. 주요 결과 (Key Results)

4.1 작업 도메인: 소프트웨어 개발의 압도적 우세

• 소프트웨어 개발 중심: 전체 도구의 67% 가 소프트웨어 개발 및 IT 관련 도구이며, 다운로드 횟수의 90% 를 차지함.
• 금융 및 비즈니스: 18% 가 금융 및 비즈니스 관리 도구이나, 다운로드 비중은 5% 에 불과.
• 중요도 (Stakes): 대부분의 행동 (Action) 도구는 중간 중요도 (Medium-stakes, 예: 파일 편집) 업무에 집중되어 있으나, 금융 거래 (Financial transactions) 와 같은 고위험 (High-stakes) 영역에서의 도구 성장이 두드러짐.

4.2 지리적 분포: 미국 중심

• 미국 집중: 전 세계 다운로드의 약 50% 가 미국에서 발생.
• 기타 지역: 서유럽 (20%), 중국 (5%), 싱가포르 (~5%) 순. 이는 PyPI 의 서구 중심 사용자 기반을 반영할 수 있으나, 현재 에이전트 생태계가 미국에 편중되어 있음을 시사.

4.3 기능적 전환: 인지에서 행동으로 (Perception to Action)

• 행동 도구 급증: 16 개월 기간 동안 행동 도구 (Action tools) 의 사용 비중이 27% (2024 년 11 월) 에서 65% (2026 년 2 월) 로 급격히 증가.
• 범용 도구 확대: 비제한적 환경 (웹 브라우저, 컴퓨터 제어 등) 을 접근하는 범용 도구 (General-purpose tools) 의 비중이 41% 에서 50% 로 증가. 이는 에이전트가 특정 API 가 아닌 개방형 환경에서 직접 행동할 가능성이 커지고 있음을 의미.

4.4 AI 에 의한 도구 생성 (AI Co-authorship)

• AI 생성 도구 증가: 전체 MCP 서버의 28% (도구 기준 36%) 에서 AI 도구의 도움을 받은 흔적이 발견됨.
• 가속화: 2025 년 1 월에는 신규 서버의 6% 만이 AI 도움을 받았으나, 2026 년 2 월에는 62% 로 급증.
• 주요 도구: Claude Code 가 AI 공동 저술 서버의 69% 를 차지하여 우세함. 이는 에이전트가 스스로 도구를 만들어 행동 공간을 확장할 수 있는 '자기 진화' 단계로 진입하고 있음을 시사.

5. 의의 및 시사점 (Significance)

5.1 리스크 관리 및 규제

• 공격 표면 확대: 에이전트가 비제한적 환경 (웹, OS) 에서 행동을 수행할 수 있게 되면서, 프롬프트 인젝션 (Prompt Injection) 등 악성 공격에 노출될 가능성이 크게 증가함.
• 실수 및 오정렬의 파급력: 에이전트가 금융 거래나 데이터 삭제 등 되돌릴 수 없는 (Irreversible) 행동을 수행할 수 있게 되어, 모델의 오작동이 실제 경제적/사회적 피해로 직결될 수 있음.
• 규제 대응: 정부와 규제 기관은 모델 출력 (Output) 만을 감시하는 것을 넘어, 도구 레이어 (Tool Layer) 를 모니터링하여 에이전트 배포의 초기 신호를 포착하고 리스크를 선제적으로 관리해야 함.

5.2 구조적 리스크

• 동조적 실패 (Correlated Failures): 동일한 LLM 기반 에이전트들이 전 세계적으로 동시에 고위험 도구 (예: 금융 출금) 를 사용할 경우, 시스템적 위기 (예: 에이전트 은행 도주) 를 초래할 수 있음.
• 노동 시장 영향: 소프트웨어 개발 등 특정 분야에서 에이전트 도구의 광범위한 사용은 해당 분야의 노동 시장 구조 변화를 예고함.

5.3 결론

이 연구는 AI 에이전트가 단순한 '도움말'을 넘어 '행동자 (Actor)'로 진화하고 있으며, 그 행동 공간이 소프트웨어 개발을 넘어 금융 등 고위험 영역으로 빠르게 확장되고 있음을 실증적으로 증명합니다. 특히 AI 가 스스로 도구를 생성하는 시나리오가 현실화됨에 따라, 지속적인 도구 생태계 모니터링은 AI 안전과 거버넌스를 위해 필수적입니다.