AI 자동화를 처음 시작하면 가장 먼저 도구부터 찾게 된다.
어떤 AI를 사용할지, Make를 연결할지, Google Sheets를 사용할지부터 알아보게 된다.
나도 처음에는 비슷했다.
그런데 실제로 AI와 Make를 연결해서 여러 자동화를 만들어보면서 알게 된 것은 도구를 고르는 것보다 먼저 정해야 할 것들이 있다는 사실이었다.
업무의 목적이 명확하지 않은 상태에서 모듈부터 연결하면 나중에 구조를 다시 뜯어고쳐야 하는 경우가 생긴다.
특히 AI가 들어가는 자동화는 단순한 반복 작업과 달리 결과가 항상 똑같다고 보장하기 어렵기 때문에 입력과 출력, 검수 방법까지 미리 생각해두는 것이 중요했다.
이번 글에서는 직접 자동화를 만들면서 중요하다고 느낀 10가지를 정리해보려고 한다.
1. 자동화의 목적을 먼저 정한다
가장 먼저 정해야 하는 것은 “무엇을 자동화할 것인가?”보다 “왜 자동화하려는가?”이다.
예를 들어 블로그 작업을 자동화한다고 해보자.
단순히 “블로그를 자동으로 만들어보자”라고 시작하면 범위가 너무 넓다.
자료 수집부터 글 작성, 이미지 제작, 발행까지 모두 포함될 수 있기 때문이다.
반면
“반복적인 자료 정리 시간을 줄인다.”
처럼 목적을 구체적으로 정하면 자동화 범위를 정하기 쉬워진다.
자동화가 끝난 뒤 무엇이 개선되어야 하는지도 함께 정해야 한다.
시간을 줄이는 것인지, 반복 입력을 줄이는 것인지, 실수를 줄이는 것인지에 따라 설계가 달라진다.
2. 업무를 작은 단계로 나눈다
두 번째는 업무를 한 덩어리로 보지 않는 것이다.
블로그 글 하나를 만드는 과정만 해도
주제 선정
→ 자료 수집
→ 자료 정리
→ 제목 작성
→ 본문 작성
→ 검수
→ 이미지 제작
→ 발행
처럼 여러 단계로 나눌 수 있다.
이 과정을 한 번에 자동화하려고 하면 문제가 발생했을 때 어디가 잘못됐는지 찾기 어렵다.
그래서 처음에는 업무를 작은 단계로 쪼개는 것이 좋다.
작은 단위로 나누면 어떤 부분만 자동화할 것인지도 자연스럽게 결정할 수 있다.
3. 입력값을 정확하게 정한다
자동화가 시작되는 데이터가 무엇인지 정해야 한다.
예를 들어 Google Sheets의 한 행이 새로운 작업을 의미한다면 어떤 열에 어떤 정보가 들어가는지 미리 정해야 한다.
| 입력 항목 | 예시 |
|---|---|
| 주제 | AI 업무 자동화 |
| 대상 | 자동화를 처음 시작하는 사람 |
| 핵심 키워드 | AI, 자동화, Make |
| 콘텐츠 목적 | 실제 적용 방법 설명 |
| 상태 | 작성 대기 |
입력값이 매번 다른 형식으로 들어오면 이후 단계에서 문제가 발생하기 쉽다.
AI에게 좋은 결과를 요구하기 전에 AI가 어떤 데이터를 받는지부터 정리하는 것이 중요했다.
4. 최종 출력물을 먼저 정한다
입력값과 함께 출력값도 미리 정해야 한다.
이 부분은 실제 자동화를 만들면서 특히 중요하게 느꼈다.
AI가 결과를 잘 만들어도 다음 단계에서 사용할 수 없는 형태라면 자동화가 멈출 수 있기 때문이다.
예를 들어 최종적으로 필요한 것이
- 제목
- 키워드
- 요약
- 본문
이라면 처음부터 이 구조를 정해두는 것이 좋다.
“좋은 글을 만들어줘”라는 요청과 “제목·키워드·요약·본문을 각각 구분해 출력해줘”라는 요청은 사람이 보기에는 비슷하지만 자동화에서는 큰 차이가 있다.
5. 어디까지 AI에게 맡길지 정한다
AI가 할 수 있다고 해서 모든 업무를 AI에게 맡길 필요는 없다.
오히려 역할을 명확하게 나누는 것이 관리하기 쉽다.
예를 들어
자료 정리 → AI
반복적인 데이터 이동 → Make
최종 방향 결정 → 사람
외부 공개 → 사람 승인
처럼 나눌 수 있다.
특히 중요한 판단이나 외부에 직접 영향을 주는 작업은 사람이 확인하는 구조를 남겨두는 것이 좋다.
자동화의 목표는 사람이 아무것도 하지 않는 것이 아니라 사람이 반복 작업에서 벗어나 중요한 판단에 집중하도록 만드는 것이기 때문이다.
6. 사람이 확인해야 하는 지점을 정한다
자동화를 만들기 전에 “어디에서 사람이 개입할 것인가?”를 정해두면 좋다.
예를 들어 블로그 콘텐츠라면 AI가 초안을 작성한 뒤 사람이 검수하고 발행하는 구조를 만들 수 있다.
반면 단순한 데이터 분류라면 일정한 조건을 충족하는 경우 자동으로 다음 단계로 넘길 수도 있다.
중요한 것은 자동화가 진행된 뒤 사람이 우연히 발견하는 것이 아니라 처음부터 검수 지점을 설계하는 것이다.
나는 다음과 같은 기준을 생각해볼 수 있다고 본다.
| 작업 | 사람 개입 |
|---|---|
| 자료 수집 | 필요에 따라 |
| 내용 정리 | 선택적 검수 |
| 초안 작성 | 검수 권장 |
| 내부 데이터 수정 | 상황에 따라 |
| 외부 공개 | 승인 권장 |
| 메시지 발송 | 승인 권장 |
| 삭제·결제 | 별도 승인 |
7. 실패했을 때 어떻게 할지 정한다
자동화가 정상적으로 작동할 때만 생각하면 안 된다.
오히려 문제가 발생했을 때 어떤 일이 일어나는지 미리 정해야 한다.
예를 들어 AI가 결과를 만들지 못하면 다음 단계로 넘어갈 것인지, 작업을 중단할 것인지 정해야 한다.
데이터가 비어 있다면 자동으로 실행할 것인지도 결정해야 한다.
그리고 오류가 발생했을 때 어디에서 문제가 생겼는지 확인할 수 있어야 한다.
직접 Make를 사용하면서 느낀 것도 이 부분이었다.
처음부터 완벽하게 오류를 막는 것보다 문제가 발생했을 때 어느 단계에서 실패했는지 확인하기 쉬운 구조를 만드는 것이 현실적이었다.
8. 테스트 방법을 먼저 정한다
처음부터 여러 데이터를 넣고 전체 자동화를 실행하는 것은 피하는 편이 좋다.
먼저 한 건을 테스트한다.
결과가 정상인지 확인한다.
문제가 없으면 데이터를 조금 늘린다.
그리고 마지막에 전체 실행으로 넘어간다.
특히 AI나 검색 기능을 사용하는 자동화는 실행할 때 사용량이나 비용이 발생할 수 있기 때문에 작은 테스트가 더 중요하다.
내가 자동화를 만들면서도 전체 실행 전에 작은 데이터로 먼저 확인하는 방식을 사용하게 된 이유다.
9. 비용을 계산한다
자동화가 편리하더라도 비용이 너무 많이 발생한다면 실제 업무에서는 효율적이지 않을 수 있다.
비용은 AI 사용료만 생각해서는 안 된다.
필요하다면 자동화 플랫폼, 검색 서비스, 저장 공간 등도 함께 계산해야 한다.
기본적으로 다음과 같이 생각할 수 있다.
월간 자동화 비용 = AI 비용 + 자동화 플랫폼 비용 + 기타 서비스 비용
그리고 시간도 함께 계산해야 한다.
자동화로 절약되는 시간의 가치가 월간 비용보다 충분히 큰지 확인해야 실제로 도움이 되는 자동화인지 판단할 수 있다.
10. 자동화가 끝난 뒤 무엇을 측정할지 정한다
마지막으로 가장 중요한 것이 있다.
자동화가 완성됐다는 것만 확인해서는 안 된다.
실제로 좋아졌는지를 측정해야 한다.
예를 들어 다음과 같은 항목을 기록할 수 있다.
| 평가 항목 | 확인 방법 |
|---|---|
| 처리시간 | 자동화 전후 비교 |
| 오류 | 오류 발생 횟수 |
| 검수시간 | 사람이 확인하는 데 걸린 시간 |
| 비용 | 월간 서비스 사용비 |
| 성공률 | 정상 처리된 작업 비율 |
| 사람 개입 | 사람이 수정·승인한 횟수 |
처음부터 이런 항목을 정해놓으면 자동화를 만든 뒤 결과를 객관적으로 비교하기 쉬워진다.
처음부터 만들면 생기는 가장 흔한 실수
지금까지 직접 자동화를 만들어보면서 느낀 가장 큰 실수는 처음부터 너무 크게 만들려고 하는 것이었다.
“주제 선정부터 발행까지 전부 자동으로 만들어보자.”
라고 시작하면 멋있어 보인다.
하지만 실제로는 중간에 문제가 생겼을 때 어디에서 잘못됐는지 찾기가 어렵다.
그래서 지금은 가능한 한 작은 단위부터 시작한다.
예를 들어
Google Sheets 입력
→ AI 처리
→ 결과 확인
까지만 먼저 테스트한다.
정상적으로 작동하면 다음 단계에 저장 기능을 추가한다.
그다음 검수 단계를 넣는다.
마지막에 필요한 경우 발행까지 연결한다.
이렇게 하면 자동화가 조금씩 커지기 때문에 문제가 발생해도 원인을 찾기 쉽다.
자동화 설계 전에 사용할 수 있는 10가지 질문
지금까지의 내용을 실제 작업에 적용하기 쉽게 정리하면 다음 질문으로 압축할 수 있다.
- 왜 이 업무를 자동화하려고 하는가?
- 업무를 어떤 단계로 나눌 수 있는가?
- 시작 데이터는 정확히 무엇인가?
- 최종 결과는 어떤 형태여야 하는가?
- AI에게 어떤 역할을 맡길 것인가?
- Make나 다른 자동화 도구는 어떤 역할을 맡을 것인가?
- 사람이 반드시 확인해야 하는 단계는 어디인가?
- 오류가 발생하면 어떻게 처리할 것인가?
- 자동화에 들어가는 비용은 얼마인가?
- 자동화 후 무엇을 측정할 것인가?
이 질문에 답한 뒤 도구를 연결하면 처음부터 무작정 만드는 것보다 훨씬 구조적으로 접근할 수 있다.
자동화는 도구를 연결하는 작업이 아니었다
처음에는 AI와 Make를 사용하는 방법을 많이 알아야 자동화를 잘 만들 수 있다고 생각했다.
물론 도구를 이해하는 것도 중요하다.
하지만 직접 만들어보니 그보다 먼저 필요한 것은 업무를 어떻게 나눌 것인지 결정하는 일이었다.
어떤 데이터가 들어오고,
AI가 무엇을 처리하고,
자동화 도구가 무엇을 연결하고,
사람이 어디에서 확인하고,
문제가 생기면 어떻게 복구할 것인지 정해야 한다.
이 구조가 먼저 정해져야 도구를 선택하는 것도 쉬워진다.
결국 AI 자동화는 AI에게 모든 일을 맡기는 과정이 아니라 사람·AI·자동화 도구가 각각 어떤 역할을 맡을지 설계하는 과정에 더 가깝다.
지금까지 원킹에서 직접 자동화를 만들어보면서 나 역시 이 과정을 조금씩 배우고 있다.
처음부터 완벽한 자동화를 만드는 것보다 작은 업무 하나를 선택하고, 직접 실행하고, 실패한 부분을 확인하고, 다시 수정하는 과정이 훨씬 현실적이었다.
앞으로도 새로운 자동화를 만들 때는 단순히 “무엇을 자동화했다”는 결과만 기록하지 않고, 왜 그렇게 설계했는지와 실제 사용하면서 어떤 문제가 생겼는지까지 함께 기록해보려고 한다.
AI 자동화를 시작한다면 가장 먼저 도구를 찾기보다 무엇을 해결하려는지부터 정하는 것.
지금까지 직접 만들어본 경험을 기준으로 하면 이것이 가장 먼저 정해야 할 부분이었다.