Core Web Vitals 모니터링을 위한 AI 에이전트: MCP를 통한 field data

AI 코딩 에이전트는 이제 MCP 서버를 통해 웹 성능 데이터에 연결할 수 있습니다. 자동화된 루프에서 감사를 실행하고, 병목 구간을 추적하며, 수정 코드를 생성합니다. 이 작업에 쓰이는 MCP 서버는 세 가지입니다. Chrome DevTools, Lighthouse, Real User Monitoring입니다. 수정 사항이 사용자에게 실제로 도움이 될지, 아니면 Google이 무시하는 합성 점수만 올리는 데 그칠지는 데이터 소스가 결정합니다.

2026년 3월 Arjen Karel 최종 검토

현재 AI 에이전트가 Core Web Vitals로 할 수 있는 일

Model Context Protocol(MCP)은 AI 도구가 외부 데이터 소스에 연결하는 방식을 표준화합니다. Core Web Vitals 작업에서는 세 가지 유형의 서버가 중요합니다.

Chrome DevTools MCP는 에이전트가 Chrome의 디버깅 영역을 직접 제어할 수 있게 해줍니다. Google은 2025년 말에 이를 퍼블릭 프리뷰로 공개했습니다. 성능 트레이스를 실행하고, LCP 세부 단계를 분석하며, render blocking 리소스를 식별하고, 원시 트레이스 데이터를 에이전트가 파싱할 수 있는 간결한 요약본으로 압축합니다.

Lighthouse MCP 서버는 에이전트가 프로그래밍 방식으로 전체 감사를 실행할 수 있게 합니다. GitHub에 여러 구현체가 공개되어 있습니다. 많은 페이지를 대량으로 감사할 때 유용합니다. 결과는 lab data입니다. 가상 기기와 가상 네트워크 환경에서 실행하는 합성 테스트입니다.

RUM MCP 서버는 실제 방문자에게서 수집한 Real User Monitoring 데이터에 에이전트를 연결합니다. 현재 CoreDash는 MCP 서버가 내장된 유일한 상용 RUM 플랫폼으로, 모든 MCP 호환 코딩 에이전트에 실시간 field data를 제공합니다.

세 서버가 지원하는 워크플로는 '측정-수정-재측정' 루프입니다. 에이전트가 병목 구간을 찾고, 수정 코드를 생성하여 적용한 뒤, 다시 테스트합니다. 에이전트가 어떤 데이터를 사용하느냐에 따라 수정 사항이 실제 사용자에게 도움이 될지가 결정됩니다.

Lighthouse만 사용하는 에이전트의 문제점

Google은 검색 순위 산정에 Lighthouse 점수를 사용하지 않습니다. Google은 실제 Chrome 사용자를 대상으로 최근 28일 동안 수집한 CrUX field data를 사용합니다. Lighthouse를 실행하고, 코드를 수정하고, 다시 Lighthouse를 실행하는 에이전트의 루프는 검색 노출에 아무런 의미가 없습니다.

lab과 field의 격차는 분명합니다. 2025 Web Almanac에 따르면 모바일 웹사이트의 52%가 field data 기준 Core Web Vitals를 최소 하나 이상 통과하지 못합니다. 이 중 상당수는 Lighthouse에서 양호한 점수를 받습니다.

INP는 가장 큰 사각지대입니다. INP는 전체 사용자 세션에 걸쳐 실제 클릭, 탭, 키 입력에 사이트가 얼마나 빠르게 반응하는지 측정합니다. lab에는 이에 해당하는 지표가 없습니다. Lighthouse는 대체 지표로 Total Blocking Time을 사용하지만, TBT는 페이지 로딩 중 발생하는 스레드 차단 시간을 측정할 뿐입니다. 반면 INP는 예측할 수 없는 순간에 일어나는 실제 상호작용의 응답 시간을 측정합니다. TBT를 "해결했다"는 에이전트가 실제 INP까지 개선했는지는 전혀 보장할 수 없습니다.

A 에이전트가 작성한 33,596건의 pull request를 분석한 연구(Alam 외, 2026년 1월)에 따르면 AI가 생성한 수정 PR의 전체 merge 비율은 65%였습니다. 3분의 1 이상이 사람 리뷰어에게 반려됩니다. 성능 수정에는 lab data만으로는 파악할 수 없는 맥락이 필요합니다.

field data만이 제공할 수 있는 것

Real User Monitoring은 모든 기기에서 모든 방문자의 성능 데이터를 수집합니다. 에이전트가 Lighthouse 대신 RUM에 연결되면 세 가지가 달라집니다.

에이전트는 실제 사용자에게 어떤 페이지가 느린지 정확히 파악합니다. 4G 환경의 Moto G Power를 가상으로 설정한 합성 테스트에서 점수가 낮게 나온 페이지가 아닙니다. 실제 사용자는 광랜을 사용하는 독일의 iPhone 사용자일 수도 있고, 혼잡한 모바일 네트워크 환경인 인도네시아의 보급형 Android 사용자일 수도 있습니다. field data는 사용자가 실제로 겪는 경험을 그대로 반영합니다.

CoreDash는 에이전트에 요소 단위의 원인 분석을 제공합니다. 느린 LCP를 유발한 구체적인 요소, 느린 INP를 일으킨 JavaScript 파일(Long Animation Frames 데이터 활용), 위치가 이동한 DOM 노드를 정확히 짚어냅니다. 에이전트는 어림짐작 없이 지표에서 정확한 문제 코드까지 추적합니다.

수정 작업이 효과가 있었는지 검증할 수도 있습니다. 변경 사항을 배포한 후, 에이전트는 field data를 조회하여 실제 사용자 환경이 개선되었는지 확인합니다. 이 단계는 대부분의 AI 워크플로가 완전히 건너뛰는 과정입니다. 하지만 검색 순위에서 의미가 있는 단계는 이것뿐입니다.

전체 워크플로는 다음과 같습니다. field data에서 문제를 찾고, Chrome에서 원인을 추적하며, 코드를 수정하고, field data로 검증합니다. 조사는 에이전트가 담당합니다. 최종 배포는 직접 결정합니다.

다음 단계

CWV Superpowers는 이 전체 워크플로를 자동화하는 무료 Claude Code 스킬입니다. 설정은 2분이면 끝납니다. CoreDash field data에 연결하여 가장 심각한 병목 구간을 찾고, Chrome에서 근본 원인을 추적하며, 수정 코드를 생성합니다.

특정 지표별 가이드도 있습니다. LCP 진단 가이드에서는 에이전트가 느린 Largest Contentful Paint를 4단계로 추적하여 정확한 수정 코드를 도출하는 과정을 다룹니다. INP 진단 가이드에서는 AI 에이전트가 가장 다루기 어려워하는 지표를 다룹니다. lab 환경에서는 시뮬레이션할 수 없기 때문입니다.

이 진단의 핵심 개념은 비례적 추론입니다. 에이전트는 절대적인 임계값을 넘긴 단계가 아니라 전체 시간 중 가장 큰 비중을 차지하는 단계를 병목으로 판단합니다. 이 기준에 따라 실질적인 개선을 이끌어내는 수정 대상이 달라집니다.