AI 자동화를 찾아보다 보면 Make와 AI 에이전트를 함께 사용하는 사례를 자주 볼 수 있다.
처음에는 둘이 비슷한 역할을 하는 것처럼 느껴졌다.
Make도 여러 서비스를 연결하고 AI도 작업을 처리할 수 있기 때문이다.
그런데 실제로 AI와 Make를 이용해 자동화를 만들어보면서 둘의 역할을 나눠서 생각할 필요가 있다는 것을 알게 됐다.
Make는 정해진 작업을 연결하고 실행하는 데 강하고, AI는 주어진 정보를 해석하거나 내용을 만들어내는 데 활용할 수 있다.
둘을 무조건 하나로 묶어 생각하기보다 각각 잘하는 일을 나누면 자동화 구조를 이해하기가 훨씬 쉬워진다.
이번 글에서는 블로그 콘텐츠 제작이라는 하나의 업무를 예로 들어 AI 에이전트와 Make의 역할을 어떻게 나눌 수 있는지 정리해보려고 한다.
Make는 무엇을 담당할까?
Make를 처음 사용할 때 가장 이해하기 쉬운 부분은 작업과 작업을 연결하는 역할이다.
예를 들어 Google Sheets에 새로운 데이터가 들어오면 다음 단계로 전달하고, AI를 통해 내용을 처리한 다음 다시 Google Sheets에 결과를 저장하는 구조를 만들 수 있다.
간단하게 표현하면 다음과 같다.
Google Sheets
↓
AI
↓
결과 정리
↓
Google Sheets
이 과정에서 Make는 각각의 서비스를 연결하고 데이터가 다음 단계로 이동하도록 구성하는 역할을 한다.
즉, “이 일이 발생하면 다음에는 이것을 실행한다”라는 흐름을 만드는 데 활용할 수 있다.
그렇다면 AI 에이전트는 무엇을 할까?
AI 에이전트는 단순히 정해진 문장을 출력하는 것보다 입력된 상황을 해석하고 필요한 작업을 선택하는 구조로 생각할 수 있다.
예를 들어 블로그 콘텐츠를 만드는 상황을 생각해보자.
사용자가
“이번 주에 관심을 가질 만한 AI 업무 자동화 주제를 찾아서 정리해줘.”
라고 요청했다고 하자.
이때 AI는 단순히 미리 정해진 문장을 출력하는 것이 아니라 필요한 정보를 찾고, 내용을 비교하고, 어떤 정보를 사용할지 판단하는 과정이 필요할 수 있다.
외부 검색이나 문서, 데이터베이스 등의 도구와 연결되어 있다면 필요한 정보를 가져온 뒤 결과를 정리하는 구조도 만들 수 있다.
여기에서 중요한 것은 AI가 모든 것을 직접 처리한다는 의미가 아니라는 점이다.
AI가 판단해야 하는 부분과 실제 작업을 실행하는 도구의 역할을 나눌 수 있다.
둘을 함께 사용하면 어떤 구조가 될까?
블로그 자동화를 예로 들어보자.
목표는 다음과 같다고 가정한다.
“새로운 AI 관련 주제를 찾아서 자료를 정리하고 블로그 초안을 만든다.”
이를 단순한 자동화로 만들면 다음과 같은 구조가 될 수 있다.
Google Sheets
↓
Make
↓
AI
↓
결과 저장
하지만 AI 에이전트를 활용하는 구조에서는 조금 다르게 생각할 수 있다.
사람이 목표 입력
↓
AI가 필요한 작업 판단
↓
검색 또는 자료 확인
↓
AI가 자료 분석
↓
Make가 결과 전달
↓
Google Sheets 또는 문서 저장
↓
사람 검수
이렇게 역할을 나눌 수 있다.
AI가 모든 것을 처리하는 것이 아니라 AI는 판단과 내용 처리에 집중하고 Make는 서비스 연결과 데이터 전달을 담당하는 것이다.
실제 블로그 작업에 적용해본다면
내가 현재 운영하고 있는 원킹 사이트를 예로 들면 다음과 같은 구조를 생각할 수 있다.
1단계. 사람이 목표를 정한다
먼저 사람이 이번 글에서 무엇을 다룰지 정한다.
예를 들어
“AI 자동화에서 실제로 발생하는 오류를 다루자.”
와 같이 방향을 정한다.
이 단계까지 AI에게 완전히 맡길 필요는 없다.
사이트의 방향이나 독자가 필요한 내용은 운영자가 판단하는 것이기 때문이다.
2단계. AI가 자료를 정리한다
주제가 정해지면 AI에게 필요한 자료를 정리하도록 할 수 있다.
필요하다면 검색 도구나 기존 문서 등을 활용할 수도 있다.
이 과정에서 AI가 하는 일은 단순히 문장을 생성하는 것이 아니라 여러 정보를 읽고 필요한 내용을 추려내는 것이다.
3단계. Make가 데이터를 전달한다
자료가 정리되면 Make를 이용해 다음 단계로 전달할 수 있다.
예를 들어
자료 수집
→ AI 정리
→ Google Sheets 저장
과 같은 흐름이다.
이때 Make는 AI의 판단을 대신하는 것이 아니라 각 단계 사이에서 데이터를 전달하는 역할을 맡는다.
4단계. AI가 초안을 만든다
정리된 자료를 바탕으로 AI가 제목이나 목차, 초안을 만들 수 있다.
이 과정에서도 이전에 확인했던 것처럼 결과 형식을 미리 정하는 것이 중요하다.
예를 들어
제목
핵심 키워드
요약
본문
등으로 나눠놓으면 다음 단계에서 데이터를 활용하기가 쉬워진다.
5단계. 사람이 최종 검수한다
마지막에는 사람이 결과를 확인한다.
사실관계가 맞는지, 기존 글과 중복되는지, 실제 경험과 일치하는지, 사이트의 방향과 맞는지 등을 확인한다.
이렇게 하면 AI와 Make가 반복적인 작업을 담당하면서도 중요한 판단은 사람이 맡을 수 있다.
AI에게 Make의 역할까지 모두 맡기면 안 될까?
가능한 작업도 있겠지만, 직접 자동화를 만들어보면서 느낀 것은 역할을 명확하게 나누는 것이 오히려 관리하기 쉽다는 점이었다.
AI에게 자동화 전체를 설명하도록 하면 상당히 그럴듯한 구조를 제안할 수 있다.
하지만 실제 Make 화면에서는 모듈 연결 방식이나 데이터 매핑이 예상과 다르게 작동할 수 있다.
실제로 자동화를 구성하면서 AI의 설명과 실제 화면을 비교하고 작은 테스트를 반복해야 했던 경험이 있었다.
그래서 지금은 AI에게 설계를 도움받더라도 실제 연결과 테스트는 단계별로 확인하는 편이다.
AI가 알려준 방법
→ 실제 Make 화면 확인
→ 한 건 테스트
→ 결과 확인
→ 다음 단계 연결
이 과정을 거치면 문제가 발생했을 때 원인을 찾기가 훨씬 쉽다.
Make와 AI 에이전트의 역할을 표로 정리해보면
| 구분 | AI 에이전트 | Make |
|---|---|---|
| 주요 역할 | 판단·해석·생성 | 서비스 연결·데이터 전달 |
| 자료 이해 | 강점 | 직접적인 역할은 제한적 |
| 콘텐츠 생성 | 가능 | AI와 연결해 처리 |
| 여러 서비스 연결 | 도구와 연결해 가능 | 주요 기능 |
| 정해진 반복 작업 | 가능하지만 과할 수 있음 | 적합 |
| 상황에 따른 판단 | 활용 가치가 큼 | 기본적으로 정해진 흐름에 적합 |
| 결과 검수 | 보조 가능 | 별도 검수 단계 구성 |
| 외부 서비스 연결 | 도구를 통해 가능 | 다양한 서비스 연결에 활용 |
물론 실제 시스템에서는 두 역할이 완전히 분리되는 것은 아니다.
AI가 Make를 통해 외부 서비스를 사용하거나, Make 안에서 AI 모듈을 호출하는 등 여러 방식으로 조합할 수 있다.
중요한 것은 특정 도구가 무엇을 할 수 있는지보다 각 단계에서 어떤 역할을 맡길 것인지를 먼저 정하는 것이다.
모든 업무에 AI 에이전트를 붙일 필요는 없다
이 부분은 직접 자동화를 만들어보면서 특히 중요하게 느꼈다.
단순한 작업이라면 굳이 복잡한 AI 에이전트 구조를 만들 필요가 없다.
예를 들어
“매일 오후 6시에 특정 데이터를 가져와 Google Sheets에 기록한다.”
처럼 과정이 항상 동일하다면 정해진 자동화 흐름만으로도 충분할 수 있다.
반대로
“새로운 자료를 찾아보고 여러 내용을 비교한 뒤 상황에 맞는 결과를 만들어줘.”
처럼 입력과 결과가 매번 달라지고 판단이 필요한 업무라면 AI를 활용할 이유가 커진다.
결국 가장 복잡한 구조를 만드는 것이 목표가 아니다.
가장 단순하면서도 실제 업무에 맞는 구조를 만드는 것이 중요하다.
내가 생각하는 현실적인 조합
현재까지 직접 사용해본 경험을 기준으로 하면 이런 구조가 가장 이해하기 쉽다.
사람
목표와 기준 결정
↓
AI
정보 해석·정리·생성
↓
Make
데이터 전달·서비스 연결
↓
AI
필요한 결과 생성
↓
사람
검수·최종 결정
이 구조에서는 각각의 역할이 비교적 명확하다.
사람은 방향을 정하고,
AI는 생각하고 정리하는 작업을 돕고,
Make는 여러 서비스 사이에서 실제 흐름을 연결한다.
자동화는 도구보다 역할 설계가 먼저였다
AI와 Make를 함께 사용하면서 가장 크게 느낀 것은 특정 도구를 많이 아는 것보다 업무를 작은 단계로 나누는 것이 먼저라는 점이었다.
어떤 단계에서 판단이 필요한지,
어떤 단계는 단순 반복인지,
어떤 데이터가 다음 단계로 넘어가야 하는지,
어디에서 사람이 확인해야 하는지를 먼저 정해야 한다.
그다음에야 AI나 Make 같은 도구를 선택하는 것이 훨씬 자연스럽다.
예를 들어 단순한 데이터 이동에 AI를 사용하면 오히려 구조가 복잡해질 수 있다.
반대로 사람이 일일이 판단해야 하는 작업에 정해진 규칙만 적용하면 자동화의 활용 범위가 제한될 수 있다.
결국 도구를 선택하는 것보다 업무의 성격을 먼저 파악하는 것이 중요했다.
직접 만들어보면서 알게 된 것
처음에는 AI 에이전트와 Make를 경쟁하는 도구처럼 생각했다.
하지만 실제로 사용해보니 둘을 경쟁 관계로 볼 필요는 없었다.
AI가 잘하는 일과 자동화 도구가 잘하는 일이 다르기 때문이다.
AI는 복잡한 정보를 읽고 정리하거나 결과를 만드는 데 활용할 수 있고, Make는 여러 서비스를 연결하고 반복적인 흐름을 실행하는 데 활용할 수 있다.
여기에 사람이 최종 판단을 맡으면 세 가지 역할이 서로 보완될 수 있다.
결국 AI 자동화의 핵심은 “AI가 모든 것을 대신하는 것”이 아니라
사람의 판단 + AI의 처리 능력 + 자동화 도구의 연결 능력
을 하나의 흐름으로 만드는 데 있다고 생각한다.
앞으로 원킹에서는 새로운 자동화를 만들 때도 어떤 도구를 사용했는지만 기록하지 않고, 왜 그 도구를 선택했는지, 어떤 역할을 맡겼는지, 실제로 어디에서 문제가 발생했는지까지 함께 기록해보려고 한다.
그래야 AI 자동화를 처음 시작하는 사람도 단순히 도구 이름을 따라 하는 것이 아니라 자신의 업무에 맞는 구조를 직접 설계할 수 있기 때문이다.