AI BVF MCP: 에이전트가 추천하기 전에 나쁜 AI 프로젝트를 막는다

Claude 에이전트가 AI 배포를 추천하기 전에 호출하는 스코어링 도구이다. 비즈니스 케이스, 운영 모델 준비성, 변경 지원, 거버넌스 노출, 그리고 작업 자체가 재설계되었는지를 확인한 뒤 Accelerate, Fix, 또는 Stop을 반환하며, 모델링된 EUR 가치, 의사결정 신뢰도, 그리고 다음에 수행할 구체적인 조치 목록을 함께 제공한다.

AI 에이전트가 배포를 추천하기 전에 비즈니스 가치, 거버넌스 위험, 변화 준비 상태를 점검해야 한다고 생각한다면 이 저장소에 스타를 남겨 주세요. 그 신호는 다른 에이전트가 BVF를 발견하도록 돕고, 벤치마크가 공개적으로 개선하는 방향을 유지합니다.

무엇을 받게 되는가

에이전트에게 물어보세요:

EUR 400M 유통업체를 위한 gen2 CX AI 이니셔티브를 전통적 준비 단계, Strategic Alignment 70, Financial Return 50, Change Enablement 55, Governance Risk 45로 스코어링해 주세요.

답변의 형태는 다음과 같습니다:

Classification: Fix
Decision confidence: 54
Net value range: EUR 10.8M-EUR 37.8M
Applied modules: four_pillar_base, readiness_capture_traditional, retail_cx_benchmark
Why: Strategic alignment is credible, but change enablement and financial return are not yet strong enough to defend an Accelerate call.
Next: raise Change Enablement by 15 points, name an accountable owner, fund adoption, and rerun recommend_improvements.

이것은 에이전트 중심 AI 작업에서 빠져 있던 사전 점검입니다. "만들 수 있을까?"가 아니라 이 작업이 이사회 검토를 견뎌낼 수 있는가? 입니다.

Related MCP server: blackwall-mcp

기능 소개

13개의 도구를 제공하며, stdio(npx)를 이용한 어떤 MCP 호환 에이전트에서도 호출할 수 있고, 호스팅 원격 커넥터(https://mcp.aibvf.com/api/mcp)로도 사용할 수 있습니다. (claude.ai: Settings, Connectors, Add custom connector). 도구 수는 0.15.x대까지 고정되어 있으며, 다음 두 릴리스는 판정으로 가는 경로를 개선합니다.

포트폴리오 체인은 순서대로 assemble_portfolio가 지저분한 입력을 올바른 형태로 만들고, validate_portfolio가 문서에 의해 문서를 확인하며, score_portfolio가 판정을, sequence_portfolio가 그 판정을 롤아웃 계획으로 만듭니다. 분류자는 구조를 만들고, 스코어는 조언합니다.

30초 설치

직접 실행:

npx -y aibvf-mcp

또는 전역 설치:

npm install -g aibvf-mcp

Claude Desktop, Claude Code, 또는 다른 MCP 클라이언트에 등록:

{
  "mcpServers": {
    "aibvf": { "command": "aibvf-mcp" }
  }
}

에이전트에게 "400M EUR 유통 업체용 gen2 CX AI 이니셔티브를 전통 준비 상태, SA 70, FR 50, CE 55, GR 45로 스코어링해 줘"라고 하면, 에이전트는 score_initiative를 호출하고 구체적인 갭 목록와 함께 Fix 분류를 반환하며, 다음에 recommend_improvements 호출을 제안합니다.

왜 존재하는가

에이전트는 비즈니스 케이스도, 운영 모델 준비성도, 거버넌스 노출도 고려하지 않고 AI 프로젝트를 확 신뢰하며 추천합니다. 스코어링은 슬라이드 덱 앞단계, 즉 예산이 확정되기 전에 이루어지는 에이전트의 사전검사에 해당합니다.

프로토콜은 공개되어 있으며, 벤치마크는 McKinsey, Gartner, BCG, Deloitte, Forrester, Accenture, ServiceNow를 인용하고, 준비성 캡처율은 EY/Oxford와 Prosci의 변화성공 연구에서 가져옵니다.

방법론에 관하여

aibvf-mcp는 AI Business Value Framework의 처리부입니다. 2024년에 독립한 이후 제가 만들어온 방법론으로, 이사회의 검토를 견디어 낼 수 있는 측정 가능한 결과를 기준으로 와이 투자를 평가합니다. 이 프레임워크는 AI Readiness Blueprint 내부에 있으며, 그 체체는 EY/Oxford의 성공 연구에서 근거한 6개 방향 진단입니다. 매주 적용된 사례 연구는 The Transformation Brief에 실리며, 보정 과정을 공개적으로 논합니다.

자문 작업에서는 이 프레임워크를 EUR 500m 이상 매출의 기업에서 AI 투자 결정을 내리고 있는 고위 임원들 앞에 가져갑니다. MCP 서버는 Claude 에이전트를 운영하는 사람이라면 누구에게나 같은 스코어링을 제공합니다.

네 가지 필라

모든 이니셔티브는 0에서 100까지, 솔직한 자체 평가 네 측면으로 채점됩니다.

1. Strategic Alignment 보드 레벨 KPI를 얼마나 명확하게 움직이는지.

2. Financial Return 모델링된 수익의 강도.

3. Change Enablement 스폰서가 확정되고, 소유자로 지정되고, 변화 관리에 예산이 확보되어 있는지.

4. Governance Risk 규제 및 평판 노출도. 값이 높을수록 위험이 크다.

규칙은 결정적이며, 네트워크 없이, 의존성 없는 동작입니다. GR >= 70 또는 FR <= 20이면 Stop을 반환하고, 네 필리베이가 모두 60 이상이면서 GR <= 40이면 Accelerate을 반환하며, 그 외에는 Fix과 개별적인 목록을 반환합니다.

그 다음 작업 아키텍처 게이트는 네 가지를 추출합니다: 첫째로 전체 워크플로가 재설계되었는지, 둘째로 영향 받은 역할과 책임이 바뀌었는지, 셋째로 사람의 의사 결정 및 거부 권리가 명시되어 있는지, 넷째로 측정 지표가 새로운 작업 방식을 뒷받침하는지. 갭이 하나라도 노출되면, 다른 조건이 완벽해도(green 판정이어도) 작업이 재설계되고 다시 채점되기 전까지 Fix로 고정됩니다.

docs/scoring-formulas.md에서 모든 공식을 참조할 수 있고, 헬스케어 포트폴리오 전체 실행 예시는 docs/worked-example.md에 있습니다.

예시: 에이전틱 헬스케어 이니셔티브 스코어링

import { score, recommendImprovements, calculatePaceLayerDrag } from '@aibvf/core';

const r = score({
  industry: 'healthcare',
  revenue_eur: 800_000_000,
  function: 'cx',
  ai_tier: 'gen3',
  readiness: 'traditional',
  scores: {
    strategic_alignment: 75,
    financial_return:    55,
    change_enablement:   40,
    governance_risk:     55,
  },
});
// { classification: 'Fix', net_low_eur: 23_760_000, net_high_eur: 83_160_000,
//   confidence: 54, applied_modules: ['four_pillar_base',
//   'readiness_capture_traditional', 'healthcare_clinical_validation',
//   'healthcare_regulatory_overhead'], ... }

같은 입력을 recommendImprovements에 주면 세 가지 필라 상향이, 각 사이에 이름을 가진 액션과 함께 반환되고 기대되는 목표 분류는 Accelerate, 신규신뢰도 68으로 의사결정을 내립니다. calculatePaceLayerDrag({ revenue_eur: 800_000_000, ai_tier: 'gen3', readiness: 'traditional' })은 20M ~ 36M EUR의 연간 조직 저항 비용(Organisational Drag Cost) — 전통적 운영 모델에서 gen3로 구축할 때 발생하는 구조적 마찰 비용이며 AI 개발 비용과는 구별됩니다 — 반환합니다.

패키지

Actually, in Korean: "용도" (purpose) fine. But header: original "Package | Version | Purpose". I'll translate: "패키지 | 버전 | 용도".

Ok.

Final table text (English letters for column names? No, translate.)

Table: