자동화 도구를 배우면 신입이 경력자를 이긴다는 말, 믿으시나요? 저는 make.com을 배우면서 이 말이 과장이 아니라는 걸 직접 확인했습니다. 간단한 챗봇부터 투자보고서 자동생성까지, 제가 몇 달간 만든 결과물만 10개가 넘습니다. 하지만 동시에 한 가지 불편한 진실도 깨달았습니다. AI API 비용이 생각보다 훨씬 많이 나온다는 점입니다.
Make.com으로 실제 만든 자동화 결과물과 작동 원리
저는 make.com을 공부하면서 다음과 같은 자동화 시스템을 직접 구축했습니다.
- 구글 설문지 응답 자동 분석 및 솔루션 보고서 생성
- 구글 폼 제출 시 이메일 자동 답변 발송
- 주간 업무 보고서 자동 작성 및 전송
- 최신 논문 요약 및 트렌드 메일 자동 발송
- 인스타그램 게시물 마케팅 콘텐츠 생성
- 투자 보고서 자동 생성 및 배포
여기서 make.com이란 여러 앱과 서비스를 코드 없이 연결해주는 노코드(No-code) 자동화 플랫폼을 의미합니다. 쉽게 말해 "A 앱에서 데이터를 받으면 B 앱으로 보내고, C 앱에서 처리한 뒤 D 앱으로 결과를 전송"하는 과정을 시각적으로 설계할 수 있는 도구입니다(출처: Make 공식 문서).
제가 실제로 구축한 시스템의 핵심 작동 방식은 이렇습니다. 먼저 Tally나 Google Forms 같은 웹폼에서 사용자 입력을 받습니다. 그 다음 AI API(OpenAI, Claude 등)를 호출해 입력 내용을 분석하고 답변을 생성합니다. 이때 JSON 형식으로 구조화된 데이터를 받아 Google Sheets에 저장하거나, 다시 다른 AI에게 넘겨 보고서 형식으로 가공합니다. 최종 결과물은 Google Docs, PPT, 또는 이메일로 자동 전송됩니다.
여기서 JSON이란 데이터를 주고받을 때 사용하는 표준 형식으로, 컴퓨터가 이해하기 쉬운 구조화된 텍스트 파일이라고 보시면 됩니다. 예를 들어 AI가 "이름: 홍길동, 나이: 30, 직업: 개발자"라는 정보를 JSON으로 내보내면, 이를 그대로 구글 시트의 각 열에 자동으로 입력할 수 있습니다.
실제로 제가 만든 "구글 폼 이메일 자동 답변" 시스템은 이렇게 작동합니다. 누군가 웹사이트 문의 폼을 작성하면, 해당 내용이 make.com으로 전송됩니다. 시스템은 자동으로 문의자의 웹사이트 URL을 Browse AI로 스크래핑하여 HTML 정보를 수집합니다. 그 다음 이 HTML 데이터를 OpenAI API에 넘겨 "이 사람의 비즈니스 상황에 맞춘 맞춤형 제안서"를 작성하게 합니다. 동시에 Google Calendar API를 호출해 상담 가능한 시간대를 확인하고, 최종적으로 Gmail API를 통해 개인화된 답변 메일과 미팅 초대를 자동 발송합니다.
이 모든 과정이 사람의 개입 없이 1분 안에 완료됩니다. 제가 직접 써본 결과, 이런 자동화 시스템은 특히 반복적인 고객 응대나 정기 보고서 작성 업무를 하는 직장인에게 엄청난 시간 절약을 제공합니다. 한 달에 100건의 문의를 처리한다면, 하나당 10분씩 절약해도 월 1,000분, 즉 16시간 이상을 아낄 수 있습니다(출처: 딜로이트 자동화 효과 보고서).
AI API 비용 현실과 자동화의 양날의 검
자동화를 배우면서 가장 충격적이었던 부분은 바로 AI API 비용 구조였습니다. 처음에는 "이거 완전 공짜로 쓸 수 있겠네"라고 생각했지만, 실전에서 돌려보니 상황이 달랐습니다.
O penAI의 GPT-4 API는 입력 토큰(Input Token) 1,000개당 약 $0.03, 출력 토큰(Output Token) 1,000개당 약 $0.06을 청구합니다. 여기서 토큰이란 AI가 텍스트를 처리하는 최소 단위로, 대략 영어 단어 0.75개 또는 한글 1~2글자 정도에 해당합니다. 예를 들어 1,000자짜리 한글 보고서를 생성하려면 약 1,500~
2,000토큰이 필요하고, 이는 출력만 $0.09~$0.12가 나옵니다(출처: OpenAI 공식 가격 정책).
제 경험상, 하루에 문의 폼 응답 20건을 자동 처리하는 시스템을 돌리면 월 API 비용이 $50~$100 정도 나왔습니다. 물론 사람이 직접 처리하는 인건비에 비하면 저렴하지만, 잘못 설계하면 오히려 손해를 볼 수 있습니다. 특히 불필요하게 긴 프롬프트를 반복 전송하거나, 같은 내용을 여러 번 AI에게 물어보는 구조로 만들면 비용이 기하급수적으로 늘어납니다.
그래서 저는 자동화를 설계할 때 "어디까지 AI에게 맡기고, 어디까지 사람이 직접 할 것인가"를 명확히 정했습니다. 예를 들어 단순 데이터 정리나 양식 변환은 make.com의 기본 모듈만으로 처리하고, 창의적인 문구 작성이나 복잡한 분석만 AI API를 호출하는 식입니다. 이렇게 하니까 비용을 절반 이상 줄일 수 있었습니다.
또 한 가지 중요한 건, 자동화가 경력자에게 위협이 될 수 있다는 점입니다. 솔직히 저 같은 신입이 make.com과 AI를 활용하면, 몇 년 경력자가 수작업으로 만드는 보고서보다 더 빠르고 정확한 결과물을 낼 수 있습니다. 물론 경력자의 도메인 지식이나 판단력은 여전히 중요하지만, 단순 작업 속도나 결과물의 완성도만 놓고 보면 자동화 도구를 쓰는 신입이 우위에 설 수 있습니다.
~라고 생각하는 분들도 있는데, 저는 이게 오히려 경력자들이 더 배워야 하는 이유라고 봅니다. 자동화 툴을 익히지 않으면, 앞으로 "경력은 있는데 생산성은 낮은 사람"으로 평가받을 위험이 있습니다. 반대로 경력자가 자동화 툴까지 익히면, 신입보다 훨씬 더 높은 수준의 자동화 시스템을 설계할 수 있습니다. 왜냐하면 업무 프로세스 전체를 이해하고 있기 때문입니다.
결국 자동화는 도구일 뿐이고, 그 도구를 누가 어떻게 쓰느냐가 핵심입니다. 저는 make.com을 배우면서 "기술은 배움을 멈추지 않는 사람의 편"이라는 걸 다시 한번 느꼈습니다. 기업도 마찬가지입니다. 자동화 비용을 아끼려다 오히려 비효율을 키울 수 있고, 제대로 설계하면 인건비 대비 10배 이상의 효율을 낼 수도 있습니다.
저는 앞으로도 make.com을 계속 활용할 계획입니다. 다만 API 비용을 항상 모니터링하고, 자동화할 부분과 사람이 직접 판단해야 할 부분을 명확히 구분하면서 말이죠. 여러분도 자동화 툴을 배울 때 "이 작업은 정말 자동화할 가치가 있는가?"를 먼저 물어보시길 권합니다. 그래야 비용도 아끼고, 자신만의 경쟁력도 지킬 수 있습니다.