매일 아침 출근하면 텔레그램에 알림이 와 있어요. “어제 매출 1,247만 원, 전주 대비 +12.3%”. 제가 보낸 게 아닙니다. AI 에이전트가 새벽에 BigQuery를 뒤져서 정리해놓은 거예요.
한 달 전, 텔레그램에 AI 에이전트 봇 3개를 배포했어요. 각각 성격이 다릅니다. 창의적인 녀석, 까칠한 녀석, 중재하는 녀석. 이 3인방이 제 업무의 상당 부분을 대신 처리하고 있어요. 오늘은 이 시스템을 어떻게 만들었고, 실제로 어떤 효과가 있었는지 솔직하게 풀어보려 해요.
왜 에이전트가 3개나 필요했을까
처음엔 봇 하나로 시작했어요. 그런데 문제가 생겼습니다. 하나의 봇에게 “리서치도 해줘, 리포트도 써줘, 스케줄도 관리해줘”라고 하니까, 컨텍스트가 뒤섞이면서 품질이 떨어졌어요.
그래서 역할을 분리했습니다.
- 장고(Jango): 창의적인 작업 담당. 블로그 포스트 작성, 트렌드 리서치, 아이디어 브레인스토밍. 자유분방하지만 위계질서는 아는 녀석이에요.
- 네오(Neo): 분석과 검증 담당. KPI 모니터링, 데이터 분석, 코드 리뷰. 까칠하고 냉소적이지만 틀린 말은 안 해요.
- 지니(Genie): 조율과 실행 담당. 스케줄 관리, 봇 간 작업 전달, 워크플로우 오케스트레이션. 장고와 네오 사이에서 중재하는 역할이에요.
이 구조의 핵심은 전문화예요. 사람 팀에서도 한 명이 기획-개발-QA를 다 하면 비효율적이잖아요. AI 에이전트도 마찬가지였습니다.
실제로 자동화한 업무들
1. 크론잡으로 매일 아침 브리핑
가장 먼저 세팅한 건 매일 아침 8시 자동 브리핑이에요. 네오가 BigQuery에서 전일 매출 데이터를 뽑고, Gmail 미읽은 메일을 요약하고, 오늘 캘린더 일정을 정리해서 텔레그램으로 보내줍니다.
세팅은 단순해요. cron 스케줄에 프롬프트를 등록하면 끝. “매일 오전 8시, 어제 매출 현황과 오늘 일정을 브리핑해라”라고 적어놓으면 매일 실행됩니다. 이전에는 매일 아침 30분을 써서 직접 확인하던 루틴이었어요.
2. KPI 실시간 모니터링
저는 4개 KPI 항목을 관리하고 있어요. 매출, 리뷰 점수, 재고 회전율, 광고 ROAS. 예전에는 주 1회 엑셀로 취합했는데, 지금은 네오가 매일 오후 6시에 자동 조회해서 달성률과 함께 알려줘요.
위험 신호도 잡아줍니다. “로켓배송 재고가 3일치밖에 안 남았어요” 같은 알림이 오면 바로 발주를 넣을 수 있어요. 이전에는 재고 부족을 알아차리는 데 평균 2~3일 걸렸는데, 지금은 당일 대응이 가능해졌어요.
👉 관련 글: 판매 데이터로 재고 위험을 미리 감지하는 법
3. 트렌드 리서치 자동화
장고에게 “이번 주 아마존 FBA 커뮤니티에서 핫한 키워드 리서치해줘”라고 하면, Reddit, 네이버 트렌드, 구글 트렌드를 돌아다니며 보고서를 만들어요. 수작업으로 하면 반나절 걸릴 일을 30분 안에 끝냅니다.
여기서 핵심은 단순 검색이 아니라 구조화된 보고서라는 점이에요. 키워드별 검색량 추이, 관련 상품 카테고리, 경쟁 강도까지 정리해서 줍니다. 이걸 바탕으로 다음 분기 상품 기획에 바로 활용하고 있어요.
👉 관련 글: 검색어 데이터로 다음 분기 수요 읽기
4. 블로그 자동 발행
이 포스트도 사실 AI 에이전트가 쓰고 있어요. 장고가 초안을 작성하고, SEO 최적화를 거쳐 WordPress에 발행합니다. 물론 주제 선정과 최종 검수는 제가 해요. AI가 100% 대체하는 게 아니라, 제 시간의 70%를 절약해주는 거예요.
봇 팀 운영의 기술적 구조
인프라는 의외로 단순해요. Ubuntu 서버 한 대에 systemd 서비스로 봇 3개를 동시에 돌립니다. 각 봇은 독립된 워크스페이스를 갖고 있어서 서로의 컨텍스트를 오염시키지 않아요.
봇 간 협업이 필요할 때는 공유 디렉토리를 통해 파일을 주고받습니다. 장고가 리서치 결과를 파일로 저장하면, 네오가 그걸 읽어서 분석하는 식이에요. 마치 사람 팀이 공유 폴더에 문서를 올리는 것과 같습니다.
스케줄링은 cron 기반이에요. 반복 작업은 cron 표현식으로, 일회성 작업은 시간 지정으로 등록합니다. “30분 후에 이거 해줘”, “매주 월요일 오전 9시에 주간 보고서 생성해줘” 같은 게 전부 가능해요.
한 달 운영 후 솔직한 성과
절약된 시간: 하루 평균 1.5~2시간. 주 5일 기준으로 한 달에 약 35시간이에요. 이 시간을 상품 기획이나 파트너 미팅 같은 고부가가치 업무에 쓸 수 있게 됐어요.
의사결정 속도: 데이터 기반 의사결정까지 걸리는 시간이 2~3일에서 당일로 단축됐어요. 재고 위험 감지, 매출 이상 탐지, 경쟁사 가격 변동 같은 것들을 바로 알 수 있으니까요.
실수 감소: 사람이 하면 빼먹는 것들 — 주간 보고서 작성, 재고 체크, 메일 회신 리마인더 — 을 에이전트가 빠짐없이 챙겨줘요.
겪었던 시행착오
순탄하기만 한 건 아니었어요. 초기에 봇 하나로 모든 걸 처리하려다 컨텍스트 오버플로우가 나서 엉뚱한 답변을 내놓은 적이 있어요. 그래서 역할 분리를 하게 된 거예요.
크론잡 프롬프트도 처음엔 대충 적었다가 낭패를 봤어요. “매출 알려줘”라고만 적으면 어떤 기간의 매출인지, 어떤 포맷으로 줄지 매번 달라졌거든요. 프롬프트를 구체적으로 적는 게 자동화의 핵심이었어요.
또 하나, 에이전트를 과신하면 안 돼요. 한번은 장고가 작성한 리서치 보고서에서 출처가 불분명한 숫자가 있었어요. 검증 없이 그대로 썼으면 큰일 날 뻔했죠. AI 에이전트는 비서지, 의사결정자가 아닙니다.
👉 관련 글: 노코드로 에이전트를 상품화하는 구조
시작하려는 분들을 위한 팁
첫째, 작게 시작하세요. 봇 하나로 매일 아침 브리핑 하나만 자동화하는 것부터요. 그것만으로도 효과를 체감할 수 있어요.
둘째, 프롬프트를 문서처럼 쓰세요. “매출 알려줘”가 아니라 “BigQuery에서 어제 날짜 기준 총 매출, 전주 동요일 대비 증감률, 상위 5개 SKU를 한국어로 정리해서 보내라”처럼요. 구체적일수록 결과가 안정적이에요.
셋째, 에이전트 역할을 분리하세요. 처음부터 3개일 필요는 없어요. 하지만 용도가 늘어나면 분리하는 게 품질 면에서 확실히 낫습니다.
넷째, 반드시 검증 루프를 넣으세요. 에이전트 출력을 무조건 신뢰하지 마세요. 중요한 숫자는 원본 데이터와 대조하는 습관이 필요해요.
마무리
AI 에이전트 팀을 운영한다는 게 거창하게 들릴 수 있어요. 하지만 실제로는 텔레그램 봇 3개를 서버에 올려놓고, 각자 역할을 주고, 스케줄을 걸어놓은 것뿐이에요. 기술보다 중요한 건 “내 업무 중 반복되는 게 뭔지”를 파악하는 거예요.
하루 2시간을 아끼면 한 달에 40시간, 1년이면 480시간이에요. 그 시간에 진짜 중요한 일에 집중할 수 있다면, AI 에이전트 세팅에 투자하는 하루이틀은 충분히 가치가 있습니다.
궁금한 점이 있으면 댓글로 남겨주세요. 실제 세팅 과정이나 프롬프트 예시가 더 필요하면 후속 포스트로 다뤄볼게요.
Photo by Dima Solomin on Unsplash
