Google Cloud 관리형 MCP 서버 50개 GA, Spanner·BigQuery로 보는 클라우드 에이전트 통합 방식

MCP가 표준 통신 규격이 되어야 했던 이유

에이전트가 BigQuery에 쿼리를 실행하려면 지금까지는 개발자가 API 래퍼를 짜고, 인증을 구성하고, 오류 처리를 직접 구현해야 했다. Google Cloud Next '26에서 공개된 관리형 MCP(Model Context Protocol) 서버는 이 과정을 통째로 없앤다. Spanner, AlloyDB, BigQuery, Cloud Storage, Cloud SQL, Bigtable, Firestore 등 GCP 핵심 서비스가 표준화된 인터페이스로 노출되고, 서버 호스팅·보안·스케일링은 Google이 전담한다. 개발자는 에이전트 로직 구현에만 집중하면 된다.

MCP는 AI 에이전트와 외부 도구·데이터 소스 사이의 표준 통신 프로토콜이다. HTTP가 웹 클라이언트-서버 통신을 표준화한 것처럼, MCP는 LLM 에이전트와 도구 제공자 사이의 인터페이스를 표준화한다. Google의 관리형 버전이 갖는 차별점은 세 가지다. 인프라 운영이 자동화되고, Google Cloud IAM과 네이티브로 통합돼 별도 자격증명 관리가 필요 없으며, 모든 MCP 도구 호출이 Cloud Audit Logs에 자동 기록돼 컴플라이언스 요구사항을 충족한다.

GA와 프리뷰로 나뉜 서비스 현황

Cloud Next '26 발표 기준으로 서비스별 상태는 갈린다.

GA(정식 출시): BigQuery(SQL 쿼리 실행·데이터셋 탐색·스키마 조회), Cloud Storage(파일 읽기·쓰기·버킷 탐색), AlloyDB(PostgreSQL 호환 관계형 데이터 접근), Cloud SQL(MySQL·PostgreSQL·SQL Server 접근).

프리뷰: Spanner(분산 관계형 데이터베이스, Spanner Graph 포함), Bigtable(대규모 NoSQL), Firestore(문서형 데이터베이스), Memorystore(인메모리 캐시), Database Migration Service, Datastream(변경 데이터 캡처), Database Center(통합 데이터베이스 관리).

Spanner MCP: SQL·그래프·벡터를 한 인스턴스에서

Spanner는 전 세계 일관성(global consistency)과 높은 가용성을 특징으로 하는 Google의 분산 관계형 데이터베이스다. Spanner MCP 서버는 단순 SQL 쿼리를 넘어 Spanner Graph와도 통합된다.

⤢✕

Spanner의 멀티모델 통합은 에이전트에게 특히 강력한 도구가 된다. 단일 인스턴스에서 표준 SQL로 관계형 데이터를 조회하고, GQL(Graph Query Language)로 복잡한 관계 네트워크를 탐색하고, 벡터 임베딩으로 의미론적 검색을 수행할 수 있다. "이 고객과 관련된 제품 그래프를 탐색하고, 유사 고객의 구매 패턴을 벡터 검색으로 찾아라"처럼 세 가지 데이터 모델을 넘나드는 복합 쿼리를 단일 도구 호출로 처리하는 게 가능해진다.

BigQuery MCP로 자율 데이터 분석 붙이기

BigQuery MCP 서버는 대규모 분석 워크로드를 에이전트가 자율적으로 처리하도록 설계됐다. 활용 패턴은 세 갈래다.

에이전트가 데이터셋 스키마를 자동으로 탐색하고, 사용자의 자연어 질의를 SQL로 변환해 실행한 뒤, 결과를 해석해 인사이트를 내놓는 자율 데이터 분석. BigQuery MCP와 Managed Service for Apache Kafka(또는 Pub/Sub) MCP를 연계해, 데이터 이상 감지 즉시 알림을 발행하는 파이프라인을 자율 구성하는 실시간 알림 연계. 그리고 Managed Service for Apache Spark와 통합해 ETL 파이프라인 자동화·배치 분석 작업 스케줄링을 에이전트가 트리거하는 대용량 처리 연동이다.

관리형 MCP 서버의 내부 구성

⤢✕

각 MCP 서버는 에이전트가 호출할 수 있는 도구 목록을 JSON Schema로 노출하는 도구 스펙 정의를 갖는다. 에이전트는 Google IAM 서비스 계정 또는 워크로드 아이덴티티 페더레이션을 통해 인증되므로 개발자가 별도의 API 키를 관리할 필요가 없다는 점이 인증 위임의 핵심이다. 관리형 MCP 서버는 GCP 서비스별 API 할당량을 자동 추적하고 요청이 한도에 근접하면 속도를 자동 조절하는 속도 제한과 할당량 관리를 수행하며, 모든 MCP 도구 호출을 Cloud Audit Logs에 기록해 누가·언제·어떤 에이전트가·어떤 데이터에 접근했는지 추적 가능하게 하는 감사 추적을 기본 제공한다.

GCP·AWS Bedrock·Azure AI의 서로 다른 선택

클라우드 제공자별 MCP 서버 전략은 접근 방식에서 갈린다.

Google Cloud는 완전 관리형 서버 모델을 택했다. 50개 이상의 서비스를 직접 호스팅·운영하며, IAM 네이티브 통합과 Cloud Audit Logs 자동 연계가 강점이다. Spanner Graph의 멀티모델 지원이 복잡한 데이터 관계 탐색에 차별화된 가치를 제공한다.

AWS Bedrock은 에이전트 도구 통합에 Bedrock Agent의 액션 그룹(Action Groups)과 커넥터 모델을 쓴다. MCP 프로토콜을 직접 지원하기보다 Bedrock 독자적인 에이전트 프레임워크를 중심으로 AWS 서비스 통합을 구현한다. S3·DynamoDB·RDS 등 AWS 네이티브 서비스에 대한 깊은 통합이 강점이다.

Azure AI는 Azure AI Foundry를 중심으로 도구 생태계를 구축했다. MCP 지원을 포함하되 Azure API Management와의 통합, Microsoft 365 서비스와의 연계가 특히 강하고 Copilot Studio를 통한 로코드 에이전트 구성도 지원한다.

세 플랫폼 모두 에이전트-서비스 통합에 투자하고 있으나, MCP 표준 자체를 클라우드 인프라 수준에서 지원한다는 점에서 Google의 전략이 표준 생태계 확산에 가장 직접적으로 기여한다고 볼 수 있다.