먼저 봐야 할 핵심은 AI가 맡을 판단입니다
Make AI 자동화를 시작할 때 가장 흔한 실수는 앱부터 연결하는 것입니다. Gmail, Slack, Notion, Google Sheets를 붙이면 자동화가 된 것처럼 보이지만, 실제로 성과를 가르는 것은 “AI가 어떤 판단을 맡을지”입니다. 단순 복사, 저장, 알림은 일반 Make 시나리오로도 충분합니다. 반대로 분류, 요약, 우선순위 판단, 예외 처리처럼 규칙이 자주 흔들리는 일은 AI를 넣을 만합니다.
Make는 AI Agents를 Make 캔버스 안에서 직접 만들고, 에이전트가 어떤 결정을 내리고 어떤 도구를 쓰는지 볼 수 있다고 설명합니다. 그래서 Make AI 자동화는 챗봇을 붙이는 일이 아니라, 기존 자동화 흐름 안에 판단 레이어를 넣는 작업에 가깝습니다.
Make AI 자동화는 왜 시나리오부터 나누어야 할까
처음에는 하나의 큰 시나리오에 모든 것을 넣고 싶어집니다. 문의 수집, 내용 요약, 고객 분류, 담당자 배정, 답변 초안 작성, Slack 알림까지 한 번에 묶는 방식입니다. 하지만 이렇게 만들면 어디서 실패했는지 찾기 어렵습니다. AI가 잘못 판단한 것인지, 앱 연결이 실패한 것인지, 데이터 입력이 부정확한 것인지 분리되지 않습니다.
Make 도움말은 AI agent가 LLM, system prompt, context, tools, reasoning으로 구성된다고 설명합니다. 이 구조를 자동화 설계에 그대로 적용하면 됩니다. 먼저 목적을 정하고, 다음으로 입력 데이터를 정하고, 그다음 AI가 사용할 도구를 작게 나눕니다. 마지막으로 사람이 검토해야 하는 예외를 따로 빼야 합니다.
시작 전 설계표는 여기서 먼저 잡습니다
| 설계 항목 | 먼저 정할 것 | Make에서 연결되는 부분 |
|---|---|---|
| 목표 | 자동화가 줄일 업무 시간 또는 반복 작업 | 시나리오 전체 목적 |
| 입력 | 이메일, 폼, 스프레드시트, 웹훅 데이터 | 트리거 모듈 |
| 판단 | 분류, 요약, 우선순위, 답변 초안 | AI Agent 또는 OpenAI 모듈 |
| 실행 | 등록, 전송, 업데이트, 알림 | 앱 모듈 또는 시나리오 도구 |
| 예외 | 낮은 신뢰도, 누락 데이터, 민감 정보 | 라우터, 필터, 승인 단계 |
| 기록 | 입력값, AI 결과, 수정 내역 | Sheet, DB, Notion, 로그 |
이 표를 채우기 전에는 Make AI 자동화를 만들지 않는 편이 낫습니다. 자동화가 작동하더라도 나중에 유지보수가 어려워질 가능성이 큽니다.
AI Agent와 OpenAI 모듈은 뭐가 다를까
Make에는 AI Agents와 OpenAI 모듈을 모두 활용할 수 있습니다. OpenAI 모듈은 특정 입력에 대해 요약, 분류, 초안 작성처럼 한 번의 AI 처리를 넣을 때 적합합니다. 예를 들어 문의 내용을 세 줄로 요약하거나, 리뷰를 긍정·부정으로 나누거나, 회의록에서 액션 아이템을 추출하는 일입니다.
AI Agent는 더 넓은 판단이 필요할 때 어울립니다. 에이전트가 여러 도구 중 무엇을 쓸지 고르고, 상황에 따라 시나리오를 실행하고, 테스트 화면에서 어떤 도구를 사용했는지 확인해야 하는 경우입니다. Make AI 자동화에서 AI Agent는 “한 번 답변하는 모듈”보다 “업무 흐름을 조율하는 판단자”에 가깝습니다.
시나리오 도구는 왜 입력과 출력이 중요할까
Make 도움말은 시나리오를 AI agent의 도구로 쓸 때 이름, 설명, 입력과 출력을 정의해야 한다고 안내합니다. 이 부분을 대충 만들면 에이전트가 도구를 잘못 고르거나, 필요한 데이터를 넘기지 못하거나, 결과를 해석하지 못합니다. 시나리오 도구는 사람이 알아보는 이름보다 AI가 오해하지 않는 설명이 중요합니다.
예를 들어 “고객 처리”라는 도구명보다 “신규 B2B 문의를 CRM에 등록하고 Slack 담당 채널에 알리는 도구”가 낫습니다. 입력도 “text” 하나로 뭉치지 말고 company_name, email, inquiry_type, urgency처럼 나누세요. 출력은 created_deal_id, assigned_owner, notification_status처럼 다음 단계가 쓸 수 있는 형태가 좋습니다.
바로 적용할 순서는 이렇게 갑니다
- 먼저 반복 업무 하나를 고릅니다.
- 그 업무에서 사람이 판단하는 지점을 표시합니다.
- 판단이 규칙형인지, AI형인지 나눕니다.
- AI가 참고할 context 문서를 정리합니다.
- 실행 도구를 모듈 또는 시나리오로 작게 나눕니다.
- 실패 조건과 사람 승인 조건을 라우터로 분리합니다.
- 테스트 & 트레이닝 화면에서 도구 사용 내역을 확인합니다.
이 순서를 지키면 Make AI 자동화가 훨씬 안정적입니다. 특히 처음부터 고객 응대 전체를 맡기기보다 “문의 요약”, “긴급도 분류”, “담당자 추천”처럼 작은 판단부터 시작하는 편이 좋습니다.
Context는 많이 넣는 것보다 정리가 먼저입니다
AI Agent configuration 문서는 context에 내부 지식 문서나 참조 표를 올릴 수 있다고 설명합니다. 지원 파일 형식과 크기, 개수 제한도 있습니다. 그래서 문서를 많이 넣는 것보다 잘게 정리하는 것이 중요합니다. 오래된 정책, 중복 문서, 서로 다른 가격표가 섞이면 에이전트 답변이 흔들릴 수 있습니다.
Make AI 자동화에 넣을 context는 세 종류로 나누세요. 첫째, 항상 지켜야 하는 정책입니다. 둘째, 업무 판단에 필요한 기준표입니다. 셋째, 답변 톤과 금지 표현입니다. 이 세 가지를 분리하면 나중에 수정하기도 쉽고, 에이전트가 무엇을 근거로 판단했는지도 확인하기 쉽습니다.
비용은 왜 실행 횟수와 토큰에서 갈릴까
OpenAI modules 문서는 실행 후 입력과 출력 토큰 사용량을 확인할 수 있고, 모델별로 Make credit 사용량이 달라진다고 설명합니다. Make AI 자동화에서 비용이 갑자기 늘어나는 이유는 대부분 실행 횟수와 불필요하게 긴 입력입니다. 이메일 원문 전체, 첨부 본문 전체, 이전 대화 전체를 매번 넣으면 비용이 빠르게 커집니다.
비용을 줄이려면 먼저 입력을 잘라야 합니다. AI에 보내기 전에 필요한 필드만 추출하고, 긴 문서는 요약 단계와 판단 단계를 분리하세요. 또 모든 문의에 AI를 쓰지 말고, 명확한 규칙으로 처리되는 건 필터에서 끝내는 편이 좋습니다.
자주 묻는 질문, 여기서 많이 막힙니다
Make AI 자동화는 AI Agent부터 만들면 되나요?
처음부터 AI Agent를 만들 필요는 없습니다. 단순 요약, 분류, 초안 작성은 OpenAI 모듈 하나로도 충분할 수 있습니다. 여러 도구를 고르고 상황별 판단을 해야 할 때 AI Agent를 쓰는 편이 자연스럽습니다.
기존 Make 시나리오와 뭐가 다른가요?
기존 시나리오는 정해진 규칙대로 움직이는 자동화에 강합니다. AI Agent는 애매한 요청을 해석하고, 도구를 고르고, 판단을 조정해야 하는 상황에 적합합니다. 다만 중요한 업무에는 테스트와 승인 단계를 남겨야 합니다.
운영 중 가장 먼저 봐야 할 지표는 무엇인가요?
실행 성공률, 예외 발생률, 사람이 수정한 비율, AI 호출 비용을 먼저 보세요. 답변 품질만 보면 자동화가 실제로 시간을 줄였는지 알기 어렵습니다. Make AI 자동화는 품질과 비용을 같이 봐야 오래 갑니다.
결국 Make AI 자동화는 작게 쪼개야 성공합니다
Make AI 자동화의 핵심은 AI에게 모든 것을 맡기는 것이 아닙니다. 규칙으로 처리할 일은 시나리오가 맡고, 판단이 필요한 일만 AI가 맡게 나누는 것입니다. 그리고 AI가 쓴 도구, 입력, 출력, 예외를 사람이 볼 수 있게 남겨야 합니다.
처음 만들 자동화는 작을수록 좋습니다. 문의 요약 하나, 리드 분류 하나, 회의록 액션 아이템 추출 하나부터 시작하세요. 작은 자동화가 안정적으로 돌아가면 그때 AI Agent와 시나리오 도구를 연결해 더 큰 흐름으로 확장하면 됩니다.
