스타트업 CTO는 AI를 어떻게 활용할까? | AI슬쩍 EP.03
채널: Claude Bloom 클로드 블룸 | 길이: 약 16분 | 시리즈: AI슬쩍 EP.03
SUMMARY
클라이원트 CTO 정구열이 Claude를 이용해 기존 SaaS API를 MCP 서버로 확장하는 과정을 실시간으로 시연한 영상이다. MCP와 API의 차이를 설명하며, 같은 코드베이스 내에서 MCP 서버를 분리된 컨테이너로 띄우는 아키텍처를 Claude가 직접 추천·구현하는 과정을 보여준다. AWS ECR·Docker를 활용한 배포, 경쟁사 분석 기능 추가 등 실무적인 AI 활용 사례가 담겨 있다.
IDEAS
- MCP 서버를 기존 API 코드베이스 안에서 별도 컨테이너로 운영하는 아키텍처
- Claude에게 아키텍처 판단을 위임하는 실무적 접근
- API는 SaaS 서비스용, MCP는 AI(LLM)가 사용하는 인터페이스라는 역할 분리
- 클로드 CLI를 통해 입찰 정보를 조회하는 MCP 도구 구현
- 자동 생성된 MCP 툴 코드를 개발자가 검토하는 협업 방식
- AWS ECR에 도커 이미지를 push하여 MCP 서버 배포
- 경쟁사 담당자 조회 기능을 추가 요청받아 MCP 툴로 확장
- LLM이 API 결과를 자체적으로 가공·해석하는 MCP의 핵심 특성
- 100% 이해하지 않아도 Claude가 추천한 구조를 검토 후 채택하는 실용 전략
- PyCharm + Claude 조합으로 MCP 서버 개발 환경 구성
INSIGHTS
- MCP는 단순 API 래퍼가 아니라, LLM이 맥락에 맞게 데이터를 해석·가공할 수 있는 인터페이스다. 같은 데이터를 받더라도 API는 raw 결과를 반환하고 MCP는 LLM이 사용자 의도에 맞게 재구성한다.
- CTO가 Claude에게 아키텍처 결정을 위임하는 장면은 “AI가 보조 도구”에서 “AI가 설계 파트너”로 이동하는 실무 변화를 보여준다.
- 스타트업에서 MCP화의 실용적 가치: 기존 SaaS API를 AI 에이전트가 직접 호출할 수 있도록 하면 별도 프론트엔드 없이 Claude CLI 하나로 서비스 접근이 가능해진다.
QUOTES
- “MCP는 기본적으로 LLM이 사용을 하는 거예요.”
- “아키텍처도 이제 제가 판단해서 하는 것보다 클로드한테 판단해 달라고 하는게 훨씬 더 잘한다고 저는 생각을 해 가지고”
- “100% 다 이해하고 하는 건 아니긴 합니다. 검토 그래도 하실 때 네.”
- “이거는 그래도 본다. 이거는 본다. 이거는 읽어봤다.”
- “API가 기존 서비스 사스 사용을 하고 있잖아요, 고객들이. 근데 그 서비스에 문제가 되면 안 되니까 이제 MCP 서버를 따로 띄워 가지고 단독적으로 운영이 되도록 추천을 하네요.”
REFERENCES
| 이름 | 유형 | 설명 |
|---|---|---|
| 정구열 | person | 클라이원트 CTO, 영상 출연자 |
| 클라이원트 | org | 입찰 정보 관련 SaaS 서비스 스타트업 |
| MCP-모델-컨텍스트-프로토콜 | concept | Model Context Protocol, AI 에이전트용 서버 표준 |
| [[wiki/entities/claude-code | Claude]] | tool |
| [[wiki/entities/docker | Docker]] | tool |
| AWS ECR | tool | Amazon Elastic Container Registry |
| PyCharm | tool | Python 통합 개발 환경 |
FACTS
- 클라이원트는 입찰 정보 조회 SaaS API를 보유한 스타트업이다.
- 같은 레포에서 API와 MCP 서버를 별도 컨테이너로 분리 운영하는 아키텍처를 Claude가 권장했다.
- MCP 서버는 AWS ECR + Docker로 배포된다.
- 경쟁사 분석(발주처 경쟁사 담당자 조회) 기능을 MCP 툴로 추가하는 요청이 있었다.