[2026-04-29 | D-Log] 흩어진 사내 정보를 한눈에, MCP가 바꾼 인사 관리의 미래

인사 담당자가 채용 현황을 파악하려고 여러 시스템을 오가며 엑셀 파일을 대조하던 시대는 갔다. Visier의 인력 데이터와 Amazon Quick의 기업 내부 지식을 하나로 묶자 질문 한 번에 즉각 분석 결과를 받아볼 수 있는 환경이 마련됐다.

조직 내 관리자들은 매주 인력 예산 준수 여부와 부서별 성과를 점검해야 했다. 다만 필요한 정보는 인사 시스템, 재무 데이터, 내부 정책 문서 등 여러 곳에 흩어져 있다. 관리자가 이를 수동으로 취합해 보고서로 정리하려면 매번 상당한 시간이 든다.

인사 담당자 Maya와 재무 관리자 David도 매주 열리는 리더십 회의를 준비하면서 같은 어려움을 겪었다. Maya는 조직 건강 상태를 진단하려고 고성과 인력 수와 이직 추세 데이터를 뒤졌다. David는 채용 인원이 예산 범위 안에 있는지 확인하려고 실시간 인력 분포 현황을 대조해야 했다.

문제를 풀기 위해 두 시스템을 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)이라는 표준 규격으로 연결했다. MCP는 서로 다른 소프트웨어가 데이터를 주고받게 돕는 만능 어댑터에 비유할 수 있다. Visier는 인력 데이터 분석 기능을 이 프로토콜로 외부에 노출하고, Amazon Quick은 이를 인식해 자사 AI 에이전트와 연동했다.

사용자가 질문을 던지면 Amazon Quick이 의도를 파악한 뒤 필요한 정보원을 결정한다. 인력 데이터가 필요하면 Visier의 AI 비서 Vee를 호출해 실시간 분석 결과를 받아온다. 기업 내부 정책이나 문서가 필요하면 자체 저장소인 Quick Spaces에서 관련 맥락을 함께 찾는다. 두 시스템에서 가져온 정보는 하나의 답변으로 묶여 사용자에게 전달된다.

여러 시스템을 오가며 수동으로 데이터를 맞춰보던 방식 대신, 이제는 단일 인터페이스에서 모든 작업이 끝난다. 사용자는 답변이 어떤 데이터에서 나왔는지 출처까지 바로 확인할 수 있다. 반복 업무는 자동화 흐름으로 묶어 매주 정해진 시간에 보고서가 자동으로 도착하도록 설정했다.

프로젝트를 진행하면서 데이터 보안과 권한 관리 문제를 풀어가는 과정이 중요했다. Visier는 MCP 서버를 통해 승인된 인력 데이터만 외부에 노출되도록 통제했다. Amazon Quick 역시 기존 조직 내부의 접근 제어 정책을 그대로 유지해 정보 유출을 막았다.

통합 환경이 자리 잡으면서 관리자들은 수 시간씩 걸리던 데이터 대조 작업을 단 몇 분 만에 끝낼 수 있게 됐다. 복잡한 스프레드시트 작업이나 대시보드 전환 없이도 실시간 인력 데이터와 기업 맥락이 반영된 의사결정이 가능해졌다.

참고 출처

• https://aws.amazon.com/blogs/machine-learning/building-workforce-ai-agents-with-visier-and-amazon-quick/

Building Workforce AI Agents with Visier and Amazon Quick | Amazon Web Services