딜랩스 자체 실험서 막차 답변 19%가 MCP 연결 뒤 100%로

딜랩스가 2026년 11월 4일 여행 데이터 MCP 서버를 공개했으며, 서울 지하철 막차를 묻는 회사 자체 실험에서 웹 검색만 쓴 모델들의 정답률이 19~79%였던 데 비해 서버 연결 뒤에는 세 모델 모두 100%를 기록했다고 IT조선이 보도했다. 서버에는 아시아 7개 도시의 지하철역 약 2,200곳과 출구 약 4,500곳의 정보가 포함된다. 이 결과는 여행 AI가 현지 교통 자료를 직접 조회할 때 막차 답변이 어떻게 달라지는지를 보여준다.

서울 주요 8개 역과 부산 지하철 전 역의 막차 시각, 장소 정보 약 1,000건을 제공한다는 파이낸셜뉴스 보도에 따르면, 딜랩스는 서울 주요 7개 역에 관한 영어 질문 50개를 모델마다 세 차례씩 물어 모델별 150회, 전체 450회 응답을 측정했으며 조영재 대표는 “AI가 막차 시각 등에서 오답을 내는 것은 최신 현지 데이터 접근 환경이 부재했기 때문”이라고 말했다. 일반 이용자의 질문에 출처를 밝히며 답하는 용도는 무료로 안내됐지만, 모델 학습과 데이터 대량 수집에는 별도 라이선스가 필요하다. 여행 챗봇이나 일정 생성 서비스에는 제공되는 도시와 데이터 종류, 사용 방식이 각각 중요한 경계가 된다.

막차와 역 출구를 AI 답변에 연결하는 방식

MCP는 AI 서비스가 외부 데이터와 도구를 호출하는 데 쓰는 연결 규격이다. 딜랩스의 공식 서비스 안내에는 장소 검색, 팝업 탐색, 역 출구 조회, 이동 경로를 다루는 도구가 소개돼 있다. 서버 응답에는 사실의 원래 출처와 확인 날짜, 이용 조건이 함께 표시된다. 막차나 영업시간처럼 달라질 수 있는 정보에서는 답변의 내용과 더불어 확인 시점도 이용자가 알아야 할 정보다.

역 출구 정보와 막차 시각은 여행자의 서로 다른 질문에 쓰인다. 출구 조회는 목적지까지 걸어갈 경로를 정하는 데 도움이 되고, 막차 조회는 정해진 운행일과 방향에 맞는 마지막 열차를 찾는 데 쓰인다. AI가 이 정보를 질문에 맞춰 가져오려면 단순히 역 이름을 찾는 데서 그치지 않고, 요청한 항목이 서버에 있는지와 반환된 기록의 출처가 무엇인지 함께 다뤄야 한다.

도시별 역과 출구를 조회할 수 있는 범위가 모든 도시의 막차 시각 제공 범위와 같지는 않다. 막차 시각표가 구체적으로 제시된 지역은 서울의 주요 역과 부산 지하철이다. 따라서 도쿄나 홍콩의 역 출구를 찾을 수 있다는 사실만으로 그곳의 막차 답변도 같은 자료에서 나온다고 해석해서는 안 된다. 여행 서비스가 여러 도시의 질문을 함께 처리한다면, 응답에 실제로 포함된 데이터 종류를 도시별로 구별해야 한다.

서버가 돌려주는 확인 날짜는 시각표 자체의 운행일과도 구분된다. 전자는 자료를 확인한 때이고, 후자는 이용자가 열차를 타려는 날이다. 두 날짜를 혼동하면 오래전에 확인한 평일 시각을 현재의 휴일 질문에 그대로 적용할 수 있다. 출처와 확인일을 응답에 붙이는 방식은 이런 차이를 답변 안에서 드러낼 수 있게 한다.

자체 실험에서 정답을 가른 조건

딜랩스가 비교한 것은 같은 종류의 막차 질문에 대해 AI가 웹 검색을 쓰는 구성과 회사 서버를 연결한 구성이다. 서울 실험에서는 역뿐 아니라 평일, 토요일, 공휴일에 관한 질문을 섞었고, 질문에 지정된 방향의 마지막 열차 출발 시각을 분 단위까지 맞혀야 정답으로 판정했다. 막차는 같은 역이라도 운행일과 방향에 따라 달라지므로, 역 이름만 맞힌 답이나 대략적인 시간대는 이 기준을 통과하지 못한다.

웹 검색만 쓴 구성에서는 모델이 신뢰할 만한 시각을 찾지 못해 답변을 거부하거나, 시각을 제시하고도 틀리는 일이 있었다. 서버를 연결한 구성에서는 시험에 쓰인 질문의 답을 모두 맞혔다. 이용자 입장에서는 답변 거부와 잘못된 막차 시각 안내가 서로 다른 문제다. 전자는 여행 계획을 마무리하지 못하게 하고, 후자는 실제 이동 가능성을 잘못 판단하게 할 수 있다.

이 실험은 딜랩스가 질문과 채점 기준을 정해 진행했다. 정답 기준과 서버의 막차 데이터도 같은 공식 시각표를 바탕으로 했으므로, 결과는 공식 자료를 직접 조회할 수 있게 했을 때 생긴 차이로 읽는 것이 정확하다. 서로 독립적인 데이터 제공업체의 정확도를 겨룬 시험이나 모든 여행 질문에서 같은 성적을 보장하는 결과는 아니다. 실험에 없던 역이나 이후 바뀐 시각표에는 별도의 확인이 필요하다.

부산에서도 막차 질문을 이용한 비교가 이뤄졌지만, 웹에서 영문 시각표를 찾기 쉬운 조건은 서울과 달랐다. 따라서 웹 검색 구성의 성적을 도시를 가리지 않는 단일한 기준으로 일반화하기 어렵다. 같은 모델이라도 질문 언어, 공개 자료의 접근성, 운행일의 표현에 따라 필요한 근거를 찾는 과정이 달라진다. 이 점은 연결 효과를 여행 서비스의 실제 질문 범위에 맞춰 해석해야 하는 이유다.

여행 챗봇과 일정 콘텐츠에 들어갈 데이터

여행 챗봇에는 막차와 역 출구를 묻는 질문이 직접적인 사용처다. 예를 들어 늦은 저녁 방문지에서 지하철역으로 돌아가는 길을 묻는 상황이라면, 출구와 이동 경로를 찾은 뒤 해당 지역에 막차 자료가 있을 때 시각을 답변에 반영할 수 있다. 이는 공개된 도구를 조합한 가능한 활용 방식이며, 특정 여행 서비스가 이런 기능을 이미 출시했다는 뜻은 아니다.

일정 생성에서는 장소 정보와 교통 정보가 만나는 지점이 중요하다. 방문할 곳의 목록만 보여 주는 일정과, 어느 역의 출구를 이용해 어떻게 걸어갈지까지 설명하는 일정은 이용자에게 주는 정보가 다르다. 밤에 끝나는 계획이라면 막차 자료가 제공되는 지역에서 귀가 가능성을 판단할 입력값도 얻을 수 있다. 다만 행사 종료 시간, 도보 이동 시간, 환승 가능 여부까지 자동으로 해결됐다는 의미는 아니다.

여행 콘텐츠를 만드는 사람에게는 출처와 확인 날짜가 검수 단서가 된다. 오래된 역 출구 안내나 막차 문구를 새 콘텐츠에 옮길 때는 문장 자체가 그럴듯해 보여도 자료를 확인한 시점이 다를 수 있다. 기록에 붙은 날짜를 보면 어떤 안내를 다시 확인해야 할지 좁힐 수 있고, 원래 출처가 표시돼 있으면 변경된 시각표와 대조할 경로도 남는다. 이런 정보는 답변을 그대로 게시해도 된다는 보증보다 검수할 근거에 가깝다.

팝업 탐색 도구 역시 여행 일정과 연결될 수 있다. 한정 기간 운영하는 장소를 방문 후보에 넣을 때는 위치와 운영 기간이 함께 맞아야 계획이 성립한다. 경로 도구가 이동 방향을 제시하더라도 방문지의 운영 조건이 달라지면 일정의 유효성은 바뀐다. 교통과 장소 기록을 한 답변 안에서 다룰 수 있다는 점이 유용하지만, 서로 다른 기록의 확인 날짜까지 살피는 일은 여전히 남는다.

무료 응답과 별도 라이선스의 경계

공개된 이용 조건은 데이터에 접근할 수 있는지보다 데이터를 어떤 목적으로 쓰는지에 따라 갈린다. AI 서비스가 일반 이용자의 개별 질문에 답하면서 필요한 기록을 호출하고 출처를 밝히는 방식은 별도 회원가입 없이 무료로 안내됐다. 반면 AI 모델을 학습시키거나 데이터를 대량으로 모으려면 별도 라이선스가 필요하다. 공개 연결 주소가 있다는 사실만으로 전체 자료를 복제해 자체 데이터베이스로 옮길 권리가 생기는 것은 아니다.

• 무료 응답 이용: 이용자의 질문에 필요한 기록을 조회하고 답변에 출처를 표시하는 방식.
• 별도 라이선스 대상: 모델 학습에 기록을 쓰거나 데이터를 대량으로 수집하는 방식.

이 경계는 같은 여행 서비스 안에서도 작업에 따라 달라질 수 있다. 챗봇이 질문을 받을 때 필요한 역 정보를 조회하는 일과, 전체 교통·장소 자료를 미리 쌓아 별도의 검색 자산으로 만드는 일은 사용 목적이 다르다. 콘텐츠 검수에서도 개별 안내의 출처를 확인하는 작업과 자료 전체를 정기적으로 수집해 재사용하는 작업을 같게 볼 수 없다. 별도 라이선스의 구체적인 가격과 계약 조건은 공개 보도에 제시되지 않았다.

서비스 운영자에게 당장 생기는 선택지는 현지 자료를 답변에 연결할 수 있다는 점이다. 그 효과는 회사 자체 시험에서 선명하게 나타났지만, 실제 여행자의 질문에 쓸 수 있는지는 해당 도시와 역, 운행일의 자료가 있는지에 달려 있다. 특히 막차처럼 변경 가능성이 있는 답변은 기록에 표시된 출처와 확인 날짜가 이용자에게 전달될 때 비로소 판단할 단서를 갖춘다.

함께 읽기:

• MCP 서버를 연결해도 권한 경계는 안 생긴다…최소 권한 점검법
• Anthropic MHS 공개, 실험실 장비 연결이 몇 달에서 몇 시간으로
• AI가 설계하고 로봇이 실험한다…KAIST SHARE Hub의 약속