AI 워크플로 자동화 실전: n8n + Agent 입문부터 고급 활용까지

매일 80100통의 이메일을 처리해야 했고, 대부분은 주문 상태, 환불 요청, 제품 사용법처럼 반복되는 문의였습니다. 이메일 한 통을 수동으로 처리하는 데 23분이 걸렸으니 하루에만 4시간 넘게 소요됐습니다.

이후 n8n으로 자동 문의 처리 프로세스를 만들었습니다. 이메일 수신 - AI 의도 분석 - 자동 분류 - 지식 베이스에서 답변 검색 - 답변 초안 생성 순서입니다. 전체 흐름을 완성하고 나니 사람은 검토하고 발송하기만 하면 됐고, 이메일 한 통의 처리 시간은 3분에서 30초로 줄었습니다. 이것이 AI 워크플로 자동화의 힘입니다. 이번 글에서는 n8n을 이용해 Agent 관점으로 자동화 프로세스를 만드는 방법과 Zapier, Make와의 차이를 살펴보겠습니다.

AI 워크플로 도구 종합 비교

먼저 시중에서 자주 쓰이는 도구 몇 가지를 살펴보며 선택 기준을 정리해 보겠습니다.

Zapier는 아마 가장 널리 알려진 자동화 플랫폼일 것입니다. 핵심 강점은 6,000개가 넘는 연동 서비스를 제공해 생각할 수 있는 거의 모든 서비스를 지원한다는 점입니다. 몇 번 클릭하는 것만으로 두 앱을 연결할 수 있습니다. 예를 들어 새 이메일이 오면 자동으로 Notion에 저장하거나, 새 주문이 들어오면 Slack 알림을 보낼 수 있습니다.

저도 한동안 사용해 봤습니다. 시작하기는 매우 쉽지만 AI 기능은 비교적 약했습니다. “AI Actions” 기능은 간단한 텍스트 처리 정도만 할 수 있고 실제 비즈니스 로직을 이해시키기는 어렵습니다. 가격도 문제입니다. 작업 수에 따라 요금이 부과되므로 자주 실행되는 워크플로가 있다면 청구액이 상당히 커질 수 있습니다.

Make(이전 이름은 Integromat)는 다른 방향을 택했습니다. 시각적 편집기가 아름답고 복잡한 분기와 반복을 지원해 순서도 같은 흐름을 그릴 수 있습니다. 문제는 학습 곡선이 지나치게 가파르다는 점입니다. 자동화 업무를 전문으로 하는 지인은 Make를 제대로 익히는 데 두 달이 걸렸다고 했습니다.

기술 직군이고 시간을 들여 공부할 의향이 있다면 Make의 유연성이 더 뛰어난 것은 사실입니다. 하지만 AI 워크플로를 빠르게 만들고 싶은 사람이라면 복잡한 화면 때문에 포기하게 될 수도 있습니다.

제가 최종적으로 선택한 도구는 n8n입니다. 오픈 소스, 자체 호스팅, AI Agent 기본 지원이라는 세 가지 특징이 제 요구에 정확히 맞았습니다.

n8n을 선택한 이유는 단순합니다. 민감한 고객 데이터가 있어 다른 회사의 클라우드에 두고 싶지 않았습니다. Docker 명령 하나면 바로 실행할 수 있습니다.

docker run -it --rm --name n8n -p 5678:5678 -v ~/.n8n:/home/node/.n8n n8nio/n8n

실행한 뒤 localhost:5678을 열면 시각적 편집기가 나타납니다. 화면은 Make보다 훨씬 단순하며 노드를 끌어다 놓고 선으로 연결해 프로세스를 만들 수 있어 초보자에게도 친숙합니다.

n8n AI Agent 핵심 기능 상세 설명

n8n의 AI 기능은 어디에서 비롯될까요? 기반에는 LangChain 프레임워크가 사용됩니다. 이전에 LangChain을 접해 봤다면 빠르게 익힐 수 있습니다.

Vultr - 고성능 NVMe 클라우드 서버, 전 세계 32개 노드, Docker 원클릭 배포

요금 보기 →광고

AI Agent 노드

이것이 n8n의 핵심 기능입니다. AI Agent 노드 하나는 입력 내용에 따라 해야 할 일을 스스로 판단하는 하나의 “지능형 두뇌”와 같습니다.

설정 화면에서는 세 가지를 선택해야 합니다.

1. 대규모 언어 모델: OpenAI, Anthropic(Claude), Google Gemini를 지원하며 로컬 모델도 연결할 수 있습니다
2. 메모리: Agent가 맥락을 기억하게 하며 Simple Window Memory와 벡터 데이터베이스 저장 방식을 지원합니다
3. 도구: HTTP 요청, 데이터베이스 조회, 이메일 발송처럼 Agent가 호출할 수 있는 기능입니다

저는 보통 Claude 3.5 Sonnet을 주력 모델로 사용합니다. 추론 능력이 GPT-4o보다 조금 더 안정적이기 때문입니다. 가격은 사실 큰 차이가 없으며 모두 token 단위로 요금이 부과됩니다.

도구 호출 메커니즘

두뇌만으로는 충분하지 않습니다. 직접 “행동”할 수 있어야 합니다. n8n에는 여러 도구 노드가 내장돼 있습니다.

• HTTP Request: 원하는 API 호출
• Database: MySQL, PostgreSQL 조회
• Code: JavaScript/Python 코드를 직접 작성해 실행

도구를 직접 정의할 수도 있습니다. 예를 들어 Agent가 회사 내부 지식 베이스를 조회하게 하려면 HTTP Request로 사내 API를 호출하면 됩니다.

도구 호출은 다음과 같이 작동합니다. Agent가 먼저 사용자 입력을 분석하고 필요한 도구를 판단한 뒤 실행합니다. 결과를 받아 다시 다음 단계를 결정합니다. 전체 과정은 자동이며 사용자는 도구만 올바르게 정의하면 됩니다.

Human-in-the-loop

이 기능 덕분에 큰 문제를 피한 적이 있습니다.

한 번은 고객 불만에 자동으로 답하는 워크플로를 만들었는데, AI가 화난 고객의 이메일을 “일반 문의”로 이해하고 표준 답변을 보내 버렸습니다. 고객은 더 화가 났습니다.

그 뒤 Human-in-the-loop 노드를 추가했습니다. AI가 먼저 초안을 만들고 제 이메일로 보내 확인을 요청한 다음, 제가 “승인”을 눌러야 실제로 발송되도록 바꿨습니다. 사람의 검토 단계가 하나 늘었지만 훨씬 안전해졌습니다.

자동 환불이나 데이터베이스 변경처럼 민감한 업무를 다룬다면 이 단계를 반드시 추가하는 것이 좋습니다.

멀티 Agent 협업

복잡한 작업은 Agent 하나만으로 해결하기 어려울 수 있습니다. n8n은 LangGraph를 기반으로 멀티 Agent 오케스트레이션을 지원합니다.

예를 들어 Agent 하나는 이메일 의도를 분석하고, 다른 Agent는 지식 베이스를 조회하며, 세 번째 Agent는 답변을 생성할 수 있습니다. 세 Agent가 각자 맡은 일을 수행한 뒤 결과를 합칩니다.

설정은 조금 복잡하지만 공식 템플릿 라이브러리에 참고할 만한 예제가 이미 있습니다. 먼저 단일 Agent부터 시작하고 익숙해진 뒤 멀티 Agent를 시도하는 것을 권합니다.

MCP 연동 — Claude로 n8n 직접 제어하기

제가 가장 흥미롭게 느낀 부분입니다.

MCP(Model Context Protocol)는 Anthropic이 공개한 프로토콜입니다. 간단히 말하면 AI 도구끼리 서로 “대화”할 수 있게 해 줍니다. Claude에 한 문장으로 지시하면 Claude가 n8n에 정의된 워크플로를 직접 호출할 수 있습니다.

KiloClaw - 기업용 매니지드 OpenClaw, AI Agent 오케스트레이션 및 스마트 라우팅

시작하기 →광고

설정 단계

n8n은 어느 버전부터 MCP Server 기능을 내장하고 있습니다. 설정 과정은 다음과 같습니다.

첫 번째 단계: Claude에 노출할 워크플로를 n8n에서 만듭니다. 각 워크플로는 하나의 “도구”로 볼 수 있습니다.

두 번째 단계: n8n 설정에서 MCP 관련 항목을 찾아 API Key를 생성합니다.

세 번째 단계: Claude Desktop 또는 Cursor의 설정 파일에 n8n MCP Server를 추가합니다.

{
  "mcpServers": {
    "n8n": {
      "command": "npx",
      "args": ["-y", "@n8n/mcp-server-n8n"],
      "env": {
        "N8N_API_URL": "http://localhost:5678",
        "N8N_API_KEY": "생성한 키"
      }
    }
  }
}

네 번째 단계: Claude Desktop을 다시 시작합니다. 이제 Claude에 “n8n의 이메일 처리 워크플로를 실행해 줘”라고 말하면 자동으로 호출합니다.

실제 사용 사례

저는 매일 아침 회사에 도착하면 가장 먼저 Claude에게 “데이터 집계” 워크플로를 실행해 달라고 합니다. 그러면 여러 데이터 소스에서 전날 데이터를 가져와 보고서로 정리한 뒤 제 이메일로 보냅니다.

이전에는 n8n 화면을 열고 해당 워크플로를 찾아 실행 버튼을 눌러야 했지만, 지금은 한 문장이면 됩니다.

또 다른 활용 사례는 디버깅입니다. 새 워크플로를 만들 때 Claude에게 노드 설정을 점검해 달라고 합니다. Claude는 워크플로 정의를 읽고 문제가 있을 만한 부분을 알려 줍니다. 제가 노드를 하나씩 확인하는 것보다 훨씬 빠릅니다.

실전 사례 — 지능형 고객 지원 문의 처리 자동화

개념 설명은 이쯤 하고 실제 사례를 살펴보겠습니다.

이 시스템은 이전에 한 전자상거래 고객사를 위해 만든 고객 지원 자동화 시스템입니다. 이 회사는 하루에 약 200통의 고객 문의 이메일을 받았고, 원래 상담원 3명이 수동으로 처리했으며 평균 응답 시간은 2시간이었습니다.

업무 프로세스 설계

먼저 처리 흐름을 명확하게 정리했습니다.

1. 이메일 수신 - 핵심 정보(주문 번호, 문의 유형) 추출
2. AI 의도 분석 - 유형 분류(배송/환불/제품 문의/불만)
3. 분류에 따라 해당 시스템 조회(배송 시스템/주문 시스템/지식 베이스)
4. 답변 초안 생성 - 담당자 검토 - 발송

여기서 주의할 점이 있습니다. 세 번째 단계에서는 분류 결과에 따라 서로 다른 분기를 거쳐야 합니다. 환불 문의는 주문 시스템, 배송 문의는 배송 API, 제품 문의는 지식 베이스를 조회합니다.

n8n 워크플로 설정

n8n에 다음과 같은 흐름을 만들었습니다.

Email Trigger -> AI Agent(의도 분석) -> Switch(분기 조건)
    |
    |-- 환불 분기 -> 주문 시스템 조회 -> 환불 처리 제안 생성
    |-- 배송 분기 -> 배송 API 조회 -> 배송 상태 답변 생성
    |-- 문의 분기 -> 지식 베이스 검색 -> 표준 답변 생성
    |-- 불만 분기 -> 담당자 개입(승인 프로세스 진행)
    |
병합 -> Human-in-the-loop(담당자 확인) -> 이메일 발송

AI Agent 노드의 Prompt는 다음과 같이 작성했습니다.

Alibaba Cloud - 개발자 클라우드 1순위, Lighthouse 서버 15% 할인

15% 할인 받기 →광고

당신은 고객 지원 이메일 분류 도우미입니다. 사용자 이메일을 분석해 다음 정보를 추출하세요.
1. 주문 번호(있는 경우)
2. 문의 유형: 환불/배송/문의/불만
3. 긴급도: 높음/중간/낮음
4. 감정: 분노/불만/중립

JSON 형식으로 출력하세요.

지식 베이스에는 자주 묻는 질문의 표준 답변을 저장한 간단한 Notion 데이터베이스를 사용했습니다. n8n에는 Notion 공식 연동 노드가 있어 손쉽게 조회할 수 있습니다.

성과 데이터

출시 한 달 뒤 통계를 확인했습니다.

• 평균 응답 시간: 2시간에서 5분으로 단축(응답 속도 96% 향상)
• 고객 지원 인력: 3명에서 1명으로 축소(나머지 2명은 복잡한 문제 처리 담당으로 전환)
• 고객 만족도: 78%에서 89%로 상승

물론 시행착오도 있었습니다. 예를 들어 AI가 비꼬는 말을 칭찬으로 이해해 전혀 맞지 않는 답변을 보내기도 했습니다. 이후 Prompt에 “반어적 표현을 주의해서 인식하세요”라는 문장을 추가하자 상황이 많이 나아졌습니다.

환불 처리에도 문제가 있었습니다. 처음에는 환불을 완전히 자동화했는데 허점을 악용하는 사람이 생겼습니다. 상품을 받지 못했다고 이메일을 보내면 AI가 자동으로 환불해 버렸습니다. 이후 검증 단계를 추가해 100위안이 넘는 환불은 반드시 사람이 검토하도록 했습니다.

정리

지금까지의 핵심을 정리해 보겠습니다.

AI 워크플로 도구를 고를 때는 이 간단한 기준을 기억하세요. 데이터가 민감하고 자체 호스팅을 원한다면 n8n, 빠르게 시작하고 비용이 중요하지 않다면 Zapier, 복잡한 로직이 필요하고 학습할 의향이 있다면 Make가 적합합니다.

n8n의 AI Agent 기능은 이미 충분히 성숙했으며 단순히 보여 주기 위한 기능이 아닙니다. LangChain 기반 구조, 다양한 모델 지원, 완성도 높은 도구 호출 메커니즘, Human-in-the-loop 안전장치는 실제 비즈니스에 모두 유용합니다.

MCP 연동은 매력을 더해 줍니다. Claude가 n8n 워크플로를 직접 호출할 수 있어 웹페이지를 열고 버튼을 누르는 과정을 생략할 수 있습니다. 설정은 조금 번거롭지만 한 번 마치면 사용 경험이 매우 좋습니다.

마지막으로 몇 가지 실천 사항을 제안합니다.

1. 먼저 실행해 보기: Docker 명령 하나로 n8n을 시작하고 30분 동안 화면을 익혀 보세요
2. 간단한 것부터 시작하기: 처음부터 멀티 Agent 협업을 만들지 말고 단일 Agent 프로세스부터 구성하세요
3. 템플릿 라이브러리 활용하기: n8n 공식 템플릿은 900개가 넘으며 바로 사용할 수 있는 것도 많습니다
4. 보안에 집중하기: 민감한 작업에는 반드시 Human-in-the-loop를 추가하세요

궁금한 점은 활발하게 운영되는 n8n Discord 커뮤니티에 질문해 보세요. 저도 계속 배우고 있으며 새로운 실전 경험이 생기면 다시 공유하겠습니다.