안녕하세요. 15년 차 자동화 전문가 에이드네(Aidne)입니다.

오늘도 영업팀 최 대리는 슬랙으로 묻습니다. “김 대리님, 주문번호 A-10293 배송 출발했나요?” 그러면 김 대리는 하던 엑셀 작업을 멈추고, 무거운 ERP 시스템에 로그인한 뒤, 주문번호를 검색하고, 배송 상태를 복사해서 슬랙으로 다시 붙여넣기 합니다. 하루에도 수십 번씩 반복되는 이 ‘엑셀 노가다’와 ‘복붙’ 작업, 과연 최선일까요?

단순히 비싼 툴을 도입했다고 해서 업무가 효율화되는 것은 아닙니다. 진정한 자동화는 시스템 간의 병목을 허물고 데이터가 물 흐르듯 흐르게 만드는 것입니다. 오늘은 Make(구 Integromat)를 활용해 슬랙(Slack)과 사내 ERP 시스템을 연동하고, 주문 조회를 1초 만에 끝내는 자동화 챗봇 구축 워크플로우를 낱낱이 파헤쳐 보겠습니다.

ERP와 슬랙 연동: 왜 필수적인가?

단순 반복 업무가 낳는 숨은 기회비용

수백, 수천만 원을 들여 구축한 ERP 시스템이 실무자들에게는 그저 ‘데이터 입력용 창고’로 전락하는 경우가 많습니다. 영업 담당자는 현장에서 즉각적인 데이터가 필요하지만 ERP 접근이 번거롭고, 백오피스 담당자는 단순 조회 요청에 시달리며 본연의 기획 업무를 놓칩니다. 이 병목 구간을 슬랙 챗봇으로 뚫어주면, 양쪽 부서 모두 엄청난 시간적 여유를 확보할 수 있습니다.

Make 기반 슬랙-ERP 연동 챗봇 구축 워크플로우

이제 본격적으로 챗봇을 세팅해 보겠습니다. Zapier를 사용할 수도 있지만, 복잡한 데이터 파싱과 분기 처리가 필요한 ERP 연동에는 시각적 워크플로우를 제공하는 Make가 훨씬 유리합니다.

[1단계: 트리거] 슬랙(Slack) 멘션 및 메시지 감지

자동화의 시작점(Trigger)입니다. Make에서 Slack 모듈을 추가하고 ‘Watch Public Channel Messages’ 또는 ‘Watch Events’를 선택합니다. 특정 채널(예: #주문_조회_요청)에서 챗봇 계정이 멘션(@OrderBot)되었을 때만 시나리오가 작동하도록 필터를 설정합니다. 이렇게 하면 불필요한 API 호출(Operation 낭비)을 막을 수 있습니다.

[2단계: 파싱] 텍스트에서 주문 번호만 정교하게 추출

영업팀이 항상 “A-12345″처럼 주문 번호만 깔끔하게 입력하지는 않습니다. “어제 발주한 A-12345 출고됐나요?”와 같이 자연어로 질문합니다. 이때 Make의 ‘Text Parser’ 모듈을 활용해 정규표현식(Regex)을 적용합니다. 예를 들어, [A-Z]-\d{5} 패턴을 설정하면 문장 속에서 정확히 주문 번호만 추출해 다음 단계의 변수로 넘겨줍니다.

[3단계: 액션] 추출된 번호로 ERP API 호출 및 데이터 조회

추출한 주문 번호를 가지고 ERP 시스템의 문을 두드릴 차례입니다. Make의 ‘HTTP – Make a request’ 모듈을 사용하여 사내 ERP의 REST API 엔드포인트로 GET 요청을 보냅니다. (SAP, 더존, 영림원 등 대부분의 현대적인 ERP는 API를 지원합니다.) 헤더에 인증 토큰(API Key)을 넣고, 쿼리 파라미터로 앞서 파싱한 주문 번호를 매핑합니다. 정상적으로 호출되었다면 ERP는 해당 주문의 고객사명, 품목, 출고 상태, 송장 번호 등을 JSON 형태로 반환합니다.

[4단계: 데이터 가공 및 슬랙 회신]

ERP에서 던져준 날것의 JSON 데이터를 실무자가 읽기 편한 형태로 가공해야 합니다. 슬랙 모듈의 ‘Create a Message’를 다시 추가하고, ERP에서 받아온 변수들을 조합해 깔끔한 포맷을 만듭니다.

• 고객사: {{1.customer_name}}
• 주문상태: {{1.status}}
• 송장번호: {{1.tracking_number}}

마지막으로 Thread(스레드) 기능을 활용해 최초 요청자의 메시지 하단에 답글로 달리게 설정하면, 채널이 지저분해지는 것을 방지할 수 있습니다.

단순 조회를 넘어선 SCM 데이터 파이프라인의 시작

이렇게 세팅된 챗봇은 김 대리의 하루 2시간을 아껴줍니다. 하지만 이것은 시작에 불과합니다. 조회 자동화를 넘어, 주문이 생성될 때 자동으로 알림을 보내거나 재고 부족 시 발주 시스템과 연동하는 등 파이프라인을 확장해 나갈 수 있습니다. 자동화는 작은 병목을 해결하는 것에서부터 출발합니다. 지금 바로 Make를 열고 첫 번째 모듈을 연결해 보세요.

게시물 Make를 활용한 ERP-슬랙 주문 조회 자동화 챗봇 구축 완벽 가이드이 aidneblog에 처음 등장했습니다.

안녕하세요. 15년 차 업무 자동화 전문가 에이드네(Aidne)입니다.

매일 아침 출근하자마자 CS 대표 메일함을 열고, 수십 통의 문의를 영업팀, 기술지원팀, 환불 담당자에게 전달하는 ‘김 대리의 메일 포워딩 노가다’. 익숙하신가요? 고객은 답변이 늦다고 불만이고, 실무자는 단순 분류 작업에 하루 2~3시간을 허비합니다.

오늘은 Zapier(재피어)와 OpenAI를 결합하여 고객 문의를 자동으로 분류하고, 단순 문의에는 1차 답변까지 쏘아주는 ‘CS 티켓팅 자동화 봇’ 구축 방법을 실무 관점에서 파헤쳐 보겠습니다.

고객 문의(CS) 병목 현상의 원인과 자동화의 필요성

단순 반복 분류 작업이 만드는 리소스 낭비

대부분의 중소기업이나 B2B 기업에서 CS 병목이 발생하는 지점은 ‘답변 작성’이 아니라 ‘의도 파악 및 담당자 배정’입니다. 문의 글을 읽고, 어떤 부서가 처리할지 결정하는 데 사람의 인지 에너지가 소모됩니다. 이를 시스템으로 해결하지 못하면 비즈니스가 확장될 때 CS 인건비만 기하급수적으로 늘어나게 됩니다.

Zapier와 AI를 활용한 CS 티켓팅 자동화 워크플로우 구축

지금부터 코딩 없이 Zapier와 ChatGPT API를 활용해 실제 돌아가는 시스템을 세팅하는 3단계 워크플로우를 공개합니다.

[1단계: 트리거] 고객 문의 채널 연동 및 데이터 수집

가장 먼저 할 일은 고객의 문의가 들어오는 진입점을 Zapier의 트리거(Trigger)로 잡는 것입니다. 대표 메일(Gmail)에 새 메일이 오거나, 홈페이지의 Typeform 문의가 접수되었을 때를 시작점으로 설정합니다. 이때 메일의 본문(Body)과 제목(Subject), 발신자 정보(Sender)를 텍스트 데이터로 추출합니다.

[2단계: 파싱 및 분류] 프롬프트 엔지니어링을 통한 의도 파악

수집된 텍스트를 OpenAI 모듈(ChatGPT)로 넘깁니다. 여기서 핵심은 프롬프트(System Prompt)를 얼마나 정교하게 짜느냐입니다. 단순히 ‘이 글을 요약해’가 아니라, 명확한 역할과 JSON 출력 형식을 강제해야 합니다. 예를 들어 ‘당신은 10년 차 CS 디스패처입니다. 주어진 문의를 분석해 환불, 기술지원, 영업 중 하나로 분류하세요. 단순 배송 조회라면 자동답변 태그를 달고 답변 초안을 작성하세요’라고 지시합니다.

[3단계: 액션] 초기 답변 발송 및 실무자 라우팅

AI가 분석한 결과값(분류 카테고리, 요약, 답변 초안)을 바탕으로 조건부 액션(Paths)을 설정합니다.

1. 단순 문의: Gmail 모듈을 통해 AI가 작성한 초기 답변을 고객에게 즉시 회신합니다.

2. 기술/영업 문의: Slack 모듈을 사용해 해당 부서 채널로 문의 요약본과 원문 링크를 알림으로 보냅니다. 동시에 Zendesk나 Notion 데이터베이스에 새로운 티켓으로 자동 등록하여 누락을 방지합니다.

B2B 기업을 위한 확장 포인트: CRM 및 ERP 연동

이 구조가 정착되면 B2B 의사결정권자들은 한 단계 더 나아가야 합니다. 발신자의 이메일 도메인을 파싱하여 Salesforce나 Hubspot 같은 CRM에서 기존 VIP 고객인지 조회하고, VIP 문의라면 슬랙 알림에 ‘긴급(High Priority)’ 태그를 달아 영업 담당자에게 즉시 푸시하는 데이터 파이프라인으로 고도화할 수 있습니다.

게시물 Zapier와 AI로 고객 문의(CS) 티켓팅 자동 분류 및 초기 답변 봇 구축하기이 aidneblog에 처음 등장했습니다.

안녕하세요. 15년 차 업무 자동화 전문가 ‘에이드네(Aidne)’입니다.

“김 대리님, A사 주문 번호 12345번 현재 배송 상태 어떻게 되나요?”

영업팀이나 CS팀에서 슬랙으로 이런 메시지가 날아올 때마다, 하던 엑셀 작업을 멈추고 무거운 ERP 시스템에 로그인해 주문 번호를 복사하고, 검색 결과를 다시 캡처해서 슬랙으로 전달하는 김 대리의 엑셀 노가다와 수작업. 많은 기업에서 숨 쉬듯 일어나는 병목 현상입니다. 오늘은 Make(구 Integromat)를 활용해 ERP 시스템과 사내 슬랙을 연동하고, 주문 조회 업무를 100% 자동화하는 챗봇 구축 워크플로우를 깊이 있게 파헤쳐 보겠습니다.

ERP와 슬랙 연동이 필수적인 이유: 컨텍스트 스위칭의 최소화

실무자의 생산성을 갉아먹는 가장 큰 원인은 ‘컨텍스트 스위칭(Context Switching)’입니다. 소통은 슬랙에서, 데이터 확인은 ERP에서 이루어지는 파편화된 환경은 불필요한 리드타임을 발생시킵니다. B2B 의사결정권자라면 단순히 툴을 도입하는 것을 넘어, 시스템 간의 데이터를 연결해 실무자가 본연의 업무에 집중할 수 있는 파이프라인을 설계해야 합니다.

Make 기반 주문 조회 슬랙 챗봇 구축 워크플로우

단순한 툴 소개를 넘어, 실제로 자동화를 세팅하기 위한 핵심 3단계 워크플로우를 상세히 공개합니다.

1단계: 트리거(Trigger) – 슬랙 명령어 감지 및 호출

첫 번째 단계는 슬랙에서 사용자의 요청을 감지하는 것입니다. Make에서 Slack의 ‘Watch Events’ 또는 ‘Custom Webhook’ 모듈을 트리거로 설정합니다. 영업 담당자가 슬랙 채널에 ‘/주문조회 12345’라는 슬래시 명령어를 입력하거나, 챗봇 앱을 멘션하여 주문 번호를 남기면 이 이벤트가 즉각적으로 Make로 전달됩니다. 이때 슬랙에서 전달되는 JSON 페이로드에서 텍스트(Text) 데이터만 안전하게 추출합니다.

2단계: 파싱(Parsing) 및 ERP API 호출

트리거가 작동했다면, 전달받은 텍스트에서 ‘주문 번호’만 정제해 내야 합니다. Text Parser 모듈의 정규식(Regex)을 활용해 숫자 또는 특정 패턴의 주문 번호만 깔끔하게 파싱합니다. 이후 HTTP 모듈이나 ERP 전용 모듈(예: SAP, 넷스위트, 더존 API 등)을 사용해 ERP 시스템에 GET 요청(Request)을 보냅니다. 파싱한 주문 번호를 엔드포인트 URL의 파라미터로 삽입하여 해당 주문의 상태, 배송 예정일, 품목 정보 등을 ERP로부터 응답(Response) 받습니다.

3단계: 데이터 가공 및 슬랙 메시지 회신(Action)

ERP에서 돌아온 응답 데이터는 복잡한 Raw JSON 형태입니다. 이를 실무자가 한눈에 알아보기 쉽게 가공해야 합니다. Slack의 ‘Create a Message’ 모듈을 추가하고, Block Kit 포맷을 활용해 메시지를 디자인합니다. “✅ 주문번호 12345 조회 결과 (상태: 배송 중, 도착 예정일: 내일)” 과 같이 직관적인 텍스트 형태로 매핑한 뒤, 요청이 발생했던 원본 슬랙 스레드(Thread)에 즉시 회신하도록 설정합니다.

자동화가 가져오는 실무적 변화

이 간단한 3단계 워크플로우만으로도 김 대리는 하루에 수십 번씩 ERP를 들락거리는 고통에서 해방됩니다. 영업팀은 고객의 문의에 5초 만에 답변할 수 있게 되며, 회사의 전반적인 업무 속도는 비약적으로 상승합니다. 시스템을 연결하는 것은 곧 사람의 시간을 벌어주는 가장 확실한 투자입니다.

게시물 Make를 활용한 ERP와 슬랙 챗봇 연동: 주문 조회 100% 자동화 가이드이 aidneblog에 처음 등장했습니다.

안녕하세요. 15년 차 업무 자동화 전문가 에이드네(Aidne)입니다. 오늘 다룰 주제는 콘텐츠 마케터들의 만성적인 야근 원인, 바로 ‘영상 콘텐츠의 텍스트화’ 작업입니다. 마케팅팀 김 대리가 1시간짜리 자사 웨비나 영상을 배속으로 돌려보며 한글 파일에 스크립트를 타이핑하는 노가다를 여전히 방치하고 계신가요? 비즈니스 환경에서 속도는 곧 생명입니다. 오늘은 Make(구 Integromat)와 ChatGPT를 연동하여 ‘유튜브 요약 AI 스크립트’를 자동으로 추출하고, 이를 블로그 포스팅 초안으로 가공하는 업무 자동화 파이프라인 구축 방법을 상세히 해부해 보겠습니다.

콘텐츠 마케팅 사이클의 병목: 수동 스크립트 추출 데이터의 한계

B2B 기업이나 소상공인이 유튜브 채널을 운영할 때 가장 큰 리소스 낭비는 ‘원소스 멀티유즈(OSMU)’ 과정에서 발생합니다. 영상 하나를 기획하고 촬영하는 데 이미 많은 에너지를 소모했는데, 이를 텍스트 기반의 블로그나 뉴스레터로 변환하기 위해 담당자가 영상을 다시 시청하고 요약하는 수작업이 동반됩니다. 이는 단순한 시간 낭비를 넘어 콘텐츠 배포 주기를 늘어지게 만드는 핵심 병목(Bottleneck)입니다. 시스템이 인간의 반복 작업을 대체하지 못하면, 마케터는 기획과 전략이라는 본연의 업무에 집중할 수 없습니다.

Make 기반 유튜브 요약 AI 자동화 워크플로우 구축

코딩 지식이 없어도 Make의 시각적 인터페이스를 활용하면 강력한 데이터 파이프라인을 구축할 수 있습니다. 아래는 유튜브 영상이 업로드되는 순간부터 요약된 텍스트가 데이터베이스에 꽂히기까지의 실제 세팅 워크플로우입니다.

[1단계: 트리거] YouTube 모듈 연동 및 새 영상 감지

자동화의 시작점입니다. Make에서 ‘YouTube’ 모듈을 추가하고 ‘Watch Videos’ 트리거를 선택합니다. 자사 채널의 ID 또는 특정 재생목록 ID를 입력하여 새로운 영상이 업로드될 때마다 시나리오가 작동하도록 설정합니다. 이 단계에서 영상의 고유 URL, 제목, 설명글 등의 메타 데이터를 가져옵니다.

[2단계: 파싱] YouTube Transcript API를 통한 자막 추출

영상의 메타 데이터를 확보했다면, 실제 음성 스크립트를 텍스트로 빼내야 합니다. Make의 ‘HTTP’ 모듈을 활용하여 YouTube Transcript API(또는 서드파티 스크립트 추출 API)에 영상 ID를 던져줍니다. 반환된 JSON 데이터에서 타임스탬프를 제거하고 순수 텍스트 배열만 하나로 합치는 텍스트 파싱(Parsing) 작업을 거칩니다. 이 과정이 김 대리가 1시간 동안 타자를 치던 수작업을 3초 만에 끝내는 핵심 구간입니다.

[3단계: AI 가공] OpenAI 모듈 연동 및 프롬프트 엔지니어링

추출된 날것의 스크립트는 오타가 많고 문맥이 매끄럽지 않습니다. Make의 ‘OpenAI(ChatGPT)’ 모듈을 연결하고 ‘Create a Completion’ 액션을 선택합니다. System 프롬프트에 “너는 10년 차 B2B 콘텐츠 마케터야. 다음 유튜브 스크립트를 분석하여 SEO에 최적화된 1500자 분량의 블로그 포스팅 초안으로 재구성해. 반드시 서론, 본론(3가지 핵심 요약), 결론 구조를 지켜”라는 구체적인 지시어를 입력합니다. User 프롬프트에는 2단계에서 파싱한 텍스트 변수를 매핑합니다.

[4단계: 배포] Notion 데이터베이스 적재 및 Slack 자동 알림

AI가 가공을 마친 정제된 텍스트는 담당자의 작업 공간으로 배달되어야 합니다. ‘Notion’ 모듈을 연결해 ‘Create a Database Item’을 실행합니다. 제목에는 영상 제목을, 본문 내용에는 OpenAI가 생성한 요약 텍스트를 매핑합니다. 마지막으로 ‘Slack’ 모듈을 붙여 “새로운 유튜브 요약 AI 초안이 노션에 업데이트되었습니다”라는 메시지와 함께 링크를 전송하도록 세팅하면 완벽한 파이프라인이 완성됩니다.

B2B 의사결정권자를 위한 시스템 도입 기대 효과

이러한 자동화 스크립트를 도입하면 콘텐츠 마케팅 사이클은 획기적으로 단축됩니다. 영상 업로드 후 블로그 발행까지 걸리던 2~3일의 리드타임이 단 10분으로 줄어듭니다. 의사결정권자 입장에서는 인건비 절감뿐만 아니라, 동일한 리소스로 10배 이상의 콘텐츠 생산량을 확보하여 시장 내 검색 점유율(SOV)을 빠르게 장악할 수 있는 강력한 무기를 얻게 되는 것입니다.

게시물 Make와 ChatGPT로 유튜브 요약 AI 파이프라인 구축: 콘텐츠 마케팅 사이클 단축이 aidneblog에 처음 등장했습니다.

안녕하세요. 15년 차 SCM 및 자동화 전문가 에이드네(Aidne)입니다.

매일 아침 출근하자마자 쏟아지는 인바운드 영업 이메일, 견적 요청, 단순 CS 문의… 김 대리의 하루는 이메일을 읽고 담당자에게 수동으로 토스하는 ‘인간 라우터(Router)’ 역할로 시작됩니다. 마치 끝없이 돌아가는 컨베이어 벨트 앞에서 불량품을 골라내는 단순 노동과 다를 바 없죠.

단순 반복 작업은 실무자의 에너지를 고갈시킬 뿐만 아니라, B2B 기업 입장에서는 리드(Lead) 응답 속도를 늦춰 계약 성사율을 떨어뜨리는 치명적인 병목(Bottleneck)입니다. 오늘은 노코드 툴(Make, Zapier)을 이용한 영업 이메일 자동 분류 시스템을 구축하여, 개인의 생산성 극대화는 물론 전사적 AI 워크플로우 도입의 초석을 다지는 방법을 딥다이브 해보겠습니다.

1. 왜 영업 이메일 분류부터 자동화해야 할까?

많은 기업이 거창한 ERP나 고가의 AI 솔루션 도입부터 고민하지만, 현장의 데이터 파이프라인이 엉망이라면 수억 원짜리 시스템도 ‘예쁜 쓰레기’로 전락합니다. 비즈니스의 최전선인 ‘영업 이메일’은 외부 데이터가 내부로 유입되는 최초의 관문입니다.

• Top of Funnel (실무자 관점): 하루 평균 1~2시간씩 소요되는 이메일 확인, 복붙, 슬랙 전달 등의 엑셀 노가다를 없애고 핵심 기획 업무에 집중할 수 있습니다.
• Bottom of Funnel (경영진 관점): 인바운드 리드를 5분 이내에 자동 분류하고 CRM에 적재함으로써, 영업 파이프라인의 누수를 막고 전사적인 AI 자동화의 성공적인 PoC(개념 증명) 사례를 만들 수 있습니다.

2. Make vs Zapier: 우리 팀에 맞는 노코드 툴은?

이메일 자동화에 가장 널리 쓰이는 노코드 툴은 단연 Zapier(자피어)와 Make(메이크, 구 Integromat)입니다.

• Zapier: 직관적인 UI로 초보자도 10분 만에 세팅 가능합니다. 단, 분기 처리가 많아질수록 비용이 기하급수적으로 증가하는 단점이 있습니다.
• Make: 시각적인 캔버스 기반으로 복잡한 라우팅과 에러 핸들링에 강합니다. SCM 데이터 파이프라인이나 복잡한 B2B 영업 워크플로우 구축 시 가성비와 확장성 면에서 압도적으로 유리합니다.

이번 실무 딥다이브에서는 현업에서 더 강력한 퍼포먼스를 내는 Make를 기준으로 워크플로우를 설계해 보겠습니다.

3. [실무 딥다이브] Make를 활용한 영업 이메일 자동 분류 워크플로우 구축

수박 겉핥기식 툴 소개는 접어두고, 실제 현업에서 어떻게 세팅해야 하는지 구체적인 워크플로우 예시를 4단계로 파헤쳐 보겠습니다.

1단계: Gmail 트리거 설정 (이메일 수신 감지)

Make에서 Gmail - Watch Emails 모듈을 생성합니다. 특정 라벨(예: ‘Sales_Inbound’)에 들어오는 메일이나, 대표 이메일(info@company.com)로 수신되는 모든 메일을 감지하도록 설정합니다. 이때 첨부파일(PDF 견적서 등)도 함께 파싱할 수 있도록 옵션을 켜두는 것이 중요합니다.

2단계: OpenAI 모듈로 이메일 본문 파싱 및 의도 분류

수신된 이메일 본문(Text Content)을 OpenAI (ChatGPT) - Create a Chat Completion 모듈로 넘깁니다. 프롬프트 엔지니어링을 통해 AI가 메일의 의도를 파악하도록 지시합니다.

프롬프트 예시: “다음 이메일 본문을 읽고, [견적요청, CS문의, 스팸, 파트너십] 중 하나의 카테고리로 분류해. 그리고 발신자 이름, 회사명, 연락처를 JSON 형태로 추출해줘.”

3단계: 라우터(Router)를 통한 조건별 분기 처리

Make의 강력한 기능인 Router 모듈을 연결합니다. 2단계에서 AI가 분류한 카테고리 값에 따라 경로를 나눕니다.

• 경로 A (견적요청): 영업팀 워크스페이스로 이동
• 경로 B (CS문의): 고객지원팀 헬프데스크로 이동
• 경로 C (스팸): 즉시 보관함 처리 후 종료

4단계: CRM 업데이트 및 슬랙(Slack) 알림 발송

가장 중요한 마지막 단계입니다. ‘견적요청’으로 분류된 데이터는 HubSpot 또는 Salesforce 모듈을 통해 신규 리드(Lead)로 자동 등록됩니다. 동시에 Slack - Create a Message 모듈을 통해 영업팀 채널에 즉각적인 알림을 쏩니다. “[신규 견적 요청] A사에서 1,000만 원 규모의 문의가 들어왔습니다. CRM 링크: …”

이제 김 대리는 아침에 출근해서 슬랙 알림만 확인하고, 즉각적인 영업 전화만 돌리면 됩니다. 이것이 바로 진정한 의미의 업무 자동화입니다.

4. 개인의 자동화를 넘어 전사적 B2B 시스템으로

이러한 노코드 기반의 영업 이메일 자동 분류는 단순한 꿀팁이 아닙니다. 이 작은 성공 경험(Quick Win)은 기업 내부의 레거시 시스템을 혁신하고, 본격적인 AI 워크플로우를 도입하기 위한 가장 훌륭한 테스트베드가 됩니다. 지금 당장 Make 계정을 만들고 첫 번째 자동화 시나리오를 그려보세요.

게시물 영업 이메일 노가다는 그만! Make와 Zapier로 구축하는 100% 자동 분류 시스템이 aidneblog에 처음 등장했습니다.

안녕하세요. 15년 차 SCM 및 자동화 전문가 에이드네(Aidne)입니다.

매일 아침 9시, 각 부서에서 올라오는 슬랙(Slack) 메시지를 긁어모아 노션(Notion)이나 엑셀에 복사 붙여넣기 하고 계시나요? 저는 이런 반복 작업을 ‘김 대리의 디지털 노가다’라고 부릅니다. 데이터는 시스템을 따라 흐르는 물과 같아야 하는데, 사람이 직접 바가지로 퍼 나르고 있는 꼴이니까요.

오늘은 단순한 툴 소개를 넘어, Make(구 Integromat)를 활용해 슬랙의 파편화된 업무 데이터를 노션 보고서로 100% 자동 변환하는 ‘보고서 자동 생성 워크플로우’를 심도 있게 해부해 보겠습니다. 이 글을 끝까지 읽으시면 여러분의 업무 프로세스에 든든한 자동화 컨베이어 벨트를 깔 수 있을 것입니다.

슬랙(Slack) 및 노션(Notion) 연동을 통한 보고서 자동화의 필요성

대부분의 기업이 슬랙을 커뮤니케이션 툴로, 노션을 문서 보관소로 사용합니다. 문제는 이 두 시스템 간의 ‘단절’입니다. 영업팀이 슬랙에 남긴 미팅 요약, 개발팀이 남긴 이슈 트래킹 로그를 누군가는 수동으로 취합해야 경영진이 볼 수 있는 ‘보고서’가 완성됩니다.

이 과정에서 발생하는 휴먼 에러와 시간 낭비는 기업의 보이지 않는 거대한 비용입니다. 이를 해결하기 위해 API 기반의 노코드(No-code) 툴인 Make나 Zapier를 중간에 배치하여 시스템 간의 통신을 완벽하게 자동화해야 합니다.

Make 기반 노코드 워크플로우 설계: 핵심 3단계

실제 현업에서 제가 세팅하는 자동화 파이프라인의 뼈대를 공개합니다. 단순히 연결하는 것을 넘어, AI를 중간에 끼워 넣어 비정형 데이터를 정형 데이터로 가공하는 것이 핵심입니다.

1단계: Slack 메시지 트리거(Trigger) 및 데이터 추출

가장 먼저 파이프라인의 시작점(Trigger)을 세팅합니다. Make에서 Slack 모듈을 추가하고 Watch Public Channel Messages 또는 New Event (Webhook)를 선택합니다.

예를 들어 #daily-sales-report 채널을 지정하고, 특정 양식이나 이모지(예: 📝)가 달린 메시지만 필터링(Filter)하도록 설정합니다. 이렇게 하면 스레드 내의 잡담은 무시하고 정확히 보고용 핵심 데이터만 다음 단계로 넘길 수 있습니다.

2단계: OpenAI(ChatGPT) 모듈을 활용한 데이터 파싱(Parsing) 및 요약

슬랙에서 넘어온 원시 데이터(Raw Data)는 사람마다 말투와 양식이 다릅니다. 이를 그대로 노션에 넣으면 쓰레기 데이터가 됩니다. Make 워크플로우 중간에 OpenAI - Create a Chat Completion 모듈을 삽입합니다.

프롬프트(System Prompt)를 다음과 같이 엄격하게 설정합니다: “너는 데이터 추출기야. 다음 슬랙 메시지에서 [금일 매출], [주요 이슈], [내일 계획] 3가지 항목을 추출해서 반드시 JSON 형태로 반환해.” 이 과정을 통해 중구난방이던 비정형 텍스트가 완벽하게 규격화된 데이터로 파싱됩니다.

3단계: Notion 데이터베이스(Database) 항목 자동 생성 및 매핑

마지막으로 가공된 데이터를 노션에 적재합니다. Notion - Create a Database Item 모듈을 연결합니다.

노션에 미리 만들어둔 ‘일일 보고서 DB’를 타겟으로 지정한 뒤, 속성(Properties) 값에 앞서 OpenAI 모듈에서 파싱한 JSON 결과값을 1:1로 매핑합니다. 제목에는 [오늘 날짜] + [부서명] 일일 보고 형식으로 수식을 걸어주고, 본문(Content)에는 상세 내용을 Rich Text 포맷으로 밀어 넣습니다. 이제 슬랙에 메시지를 치기만 하면, 3초 뒤에 깔끔한 노션 보고서가 자동으로 생성됩니다.

B2B 전사적 AI 워크플로우 도입을 위한 확장 전략

이러한 마이크로 자동화는 시작에 불과합니다. 개인과 팀의 생산성을 높이는 것을 넘어, 전사적 차원에서는 이 워크플로우를 ERP나 CRM과 연동해야 합니다. 슬랙에서 시작된 데이터가 노션을 거쳐 최종적으로 세일즈포스(Salesforce)나 사내 대형 ERP 시스템에 꽂히는 데이터 파이프라인을 구축하는 것, 그것이 B2B 의사결정권자들이 지향해야 할 진정한 시스템 자동화의 완성입니다.

게시물 [Make 활용] 슬랙(Slack)과 노션(Notion)으로 일일 보고서 자동 생성 워크플로우 구축하는 방법이 aidneblog에 처음 등장했습니다.

안녕하세요, 15년 차 SCM 및 업무 자동화 전문가 에이드네(Aidne)입니다.

매일 아침 출근하자마자 김 대리가 가장 먼저 하는 일이 무엇일까요? 바로 수십 개의 운송장 번호를 엑셀에 복붙하고, 각 선사나 택배사 홈페이지를 돌아다니며 배송 상태를 확인하는 ‘엑셀 노가다’입니다. 만약 태풍이라도 오거나 특정 항만에 파업이 발생하면, 그날 하루는 쏟아지는 영업팀의 CS 문의를 방어하느라 본업은 시작도 못 하게 되죠. 수억 원을 들여 도입한 ERP 시스템은 ‘출항 완료’라는 과거의 상태만 보여줄 뿐, ‘언제 도착할지’, ‘왜 늦어지는지’에 대한 미래는 예측해 주지 않습니다.

오늘은 이 멈춰버린 컨베이어 벨트 같은 낡은 업무 방식을 완전히 뜯어고칠 공급망 데이터 기반 AI 물류 지연 예측 시스템 구축 방법을 소개합니다. 코딩을 몰라도 노코드 툴(Make)과 생성형 AI(OpenAI)를 결합해 실무에 당장 적용할 수 있는 강력한 워크플로우를 파헤쳐 보겠습니다.

물류 지연 예측 시스템이 SCM 실무에 필수적인 이유

과거의 SCM(공급망 관리)이 단순히 재고를 맞추고 배송 상태를 ‘기록’하는 것에 그쳤다면, 최근의 AI 트렌드가 결합된 SCM은 ‘예측’과 ‘대응’에 초점을 맞춥니다. 외부 변수(날씨, 항만 혼잡도, 통관 지연 등)를 AI가 실시간으로 분석하여 지연 확률을 계산하면, 담당자는 문제가 터진 후 수습하는 것이 아니라 사전에 우회 경로를 확보하거나 고객사에게 선제적인 안내를 할 수 있습니다. 이는 단순한 개인의 업무 생산성 향상을 넘어, 기업 전체의 물류비용 절감과 직결됩니다.

노코드 툴(Make) 기반 AI 물류 지연 예측 워크플로우 구축 (Deep-dive)

그렇다면 현업에서 이 시스템을 어떻게 세팅해야 할까요? Zapier나 Make 같은 노코드 자동화 툴을 활용하면 개발자 없이도 훌륭한 AI 파이프라인을 구축할 수 있습니다. 아래는 Make.com을 기준으로 한 3단계 핵심 워크플로우 예시입니다.

1단계: Gmail 트리거 및 선적 서류 파싱 (Data Ingestion)

첫 번째 단계는 흩어진 데이터를 모으는 것입니다. 포워더나 선사로부터 매일 수신되는 B/L(선하증권) 및 운송 현황 이메일을 트리거로 설정합니다.
– Make 모듈 설정: [Gmail – Watch Emails] 모듈을 추가하여 특정 제목(예: ‘Shipping Status Update’)이 포함된 이메일만 필터링합니다.
– 텍스트 추출: 수신된 본문 내용이나 첨부된 PDF 파일을 [PDF Parser] 모듈을 통해 텍스트 데이터로 변환합니다. 여기에는 컨테이너 번호, 출발지, 예상 도착일(ETA)이 포함됩니다.

2단계: 외부 API 호출 및 OpenAI 데이터 결합 (Contextualization)

단순한 운송장 데이터만으로는 지연을 예측할 수 없습니다. 외부 변수를 결합해야 합니다.
– 날씨 및 항만 데이터 연동: [HTTP – Make a Request] 모듈을 사용해 OpenWeather API나 MarineTraffic API를 호출하여, 현재 화물이 지나가는 경로의 기상 악화 여부나 목적지 항만의 체선(혼잡도) 데이터를 불러옵니다.
– OpenAI 프롬프트 엔지니어링: [OpenAI (ChatGPT) – Create a Completion] 모듈에 앞서 수집한 선적 데이터와 외부 API 데이터를 함께 던져줍니다. “현재 컨테이너 A가 롱비치 항구로 이동 중이며 ETA는 10월 5일이다. 하지만 현재 롱비치 항구의 혼잡도가 ‘High’이고, 경로 상에 태풍 경보가 있다. 과거 SCM 데이터를 바탕으로 이 화물의 지연 확률(%)과 예상되는 실제 도착일을 계산하고, 그 이유를 3줄로 요약해라.”라는 식의 프롬프트를 세팅합니다.

3단계: 지연 확률 평가 및 Slack 자동 알림 (Actionable Insight)

마지막으로 AI가 분석한 결과값을 실무자가 즉시 인지하고 행동할 수 있도록 자동화합니다.
– 라우터(Router) 분기: Make의 [Router] 모듈을 사용해 AI가 반환한 ‘지연 확률’이 70% 이상일 경우와 정상일 경우를 나눕니다.
– Slack 알림 전송: 지연 확률이 높은 위험 화물에 대해서만 [Slack – Create a Message] 모듈을 통해 SCM 팀 채널에 경고 메시지를 쏩니다. “🚨 [지연 경고] 컨테이너 A (ETA: 10/5) / 지연 확률 85% / 사유: 롱비치 항만 파업 및 기상 악화 / 영업팀 고객사 사전 안내 요망“

B2B 전사적 AI 워크플로우 도입을 위한 다음 스텝

위의 워크플로우를 통해 김 대리의 엑셀 복붙 시간은 하루 3시간에서 0시간으로 줄어듭니다. 하지만 이는 시작에 불과합니다. 개인의 생산성 향상을 넘어, 이 데이터를 사내 ERP나 사내 구축형 LLM과 연동하면 전사적인 SCM 데이터 파이프라인이 완성됩니다. 경영진과 B2B 의사결정권자라면 이러한 단위 업무의 자동화를 어떻게 전사적 시스템으로 확장할지 고민해야 할 시점입니다.

게시물 엑셀 노가다 끝내는 AI 물류 지연 예측 시스템 구축 가이드 (Make 자동화)이 aidneblog에 처음 등장했습니다.

안녕하세요, 15년 차 SCM 및 업무 자동화 전문가 에이드네(Aidne)입니다.

“김 대리, 롱비치 항구로 간 우리 컨테이너 언제 도착해?” 이 질문을 받을 때마다 식은땀을 흘리며 선사 홈페이지를 새로고침하고, 엑셀 파일에 수동으로 날짜를 업데이트하고 계시진 않나요? 매일 아침 반복되는 이른바 ‘김 대리의 엑셀 노가다’는 SCM(공급망 관리) 부서의 고질적인 페인 포인트입니다.

글로벌 공급망은 멈추지 않는 거대한 컨베이어 벨트와 같습니다. 하지만 날씨, 항만 파업, 지정학적 이슈 등 통제 불가능한 변수들로 인해 언제든 벨트가 멈출 수 있죠. 오늘은 단순한 배송 조회를 넘어, AI 트렌드를 결합한 ‘공급망 데이터 기반 물류 지연 예측’ 시스템을 어떻게 실무에 바로 적용할 수 있는지, 그 노코드 자동화 워크플로우를 깊이 있게 파헤쳐 보겠습니다.

기존 SCM 시스템의 한계: 수억 원짜리 ERP가 물류 지연을 막지 못하는 이유

대부분의 기업이 비싼 돈을 주고 ERP(전사적 자원 관리) 시스템을 도입하지만, 실무자들은 여전히 엑셀과 이메일의 늪에서 허우적거립니다. 왜 그럴까요? 기존 시스템은 철저히 ‘사후 보고’ 중심이기 때문입니다. 배가 항구에 도착하지 않았다는 사실은 알려주지만, ‘왜 지연되고 있으며, 며칠 뒤에 도착할 확률이 높은지’는 알려주지 않습니다. 데이터가 각기 다른 시스템(포워더, 선사, 관세사)에 파편화되어 있어 선제적인 대응이 불가능한 구조입니다.

AI 트렌드 결합: 공급망 데이터 기반 물류 지연 예측의 작동 원리

최근 급성장하는 AI 기술은 이 한계를 명확히 부수고 있습니다. 핵심은 ‘데이터의 맥락 파악’입니다. 과거에는 단순히 ‘출발일’과 ‘예상 도착일’만 비교했다면, 이제는 과거 물류 지연 데이터, 실시간 기상 이변 뉴스, 항만 혼잡도 API를 AI가 종합적으로 분석하여 도착 지연 확률을 계산합니다. 마치 내 옆에 24시간 글로벌 뉴스를 모니터링하는 베테랑 물류 전문가를 두는 것과 같은 효과를 냅니다.

실무 딥다이브: Make를 활용한 AI 물류 지연 예측 워크플로우 구축 (3단계)

그렇다면 당장 현업에서 이 시스템을 어떻게 세팅할 수 있을까요? 고가의 개발 인력 없이도, 노코드 툴인 Make(구 Integromat)와 OpenAI API를 활용해 강력한 물류 지연 예측 디스패처를 구축하는 구체적인 워크플로우를 공개합니다.

[1단계] Trigger: 선사/포워더 API 및 실시간 외부 데이터 수집

먼저 Make에서 ‘HTTP – Make a request’ 모듈을 사용해 선사나 포워더가 제공하는 화물 추적 API를 연결합니다. 매일 오전 8시, 시스템이 자동으로 현재 이동 중인 컨테이너의 위치(위도/경도)와 상태 코드를 끌어옵니다. 동시에 기상청 API나 로이터 통신 RSS 피드를 트리거로 걸어, 해당 항로 주변의 태풍 정보나 항만 파업 관련 텍스트 데이터를 수집합니다.

[2단계] Action: OpenAI(ChatGPT) 파싱 및 지연 확률 알고리즘 계산

수집된 날것의 데이터(JSON 형식)를 ‘OpenAI – Create a Prompt’ 모듈로 넘깁니다. 이때 프롬프트 엔지니어링이 핵심입니다.
예시 프롬프트: “너는 15년 차 SCM 전문가야. 현재 화물 위치는 [A]이고, 도착 예정 항구는 [B]야. 오늘 수집된 뉴스 데이터 [C]에 따르면 [B] 항구에 파업이 예고되어 있어. 과거 데이터를 기반으로 이 화물이 예정일보다 지연될 확률을 %로 계산하고, 예상 지연 일수와 대체 라우팅(항공 운송 등) 플랜을 3줄 이내로 요약해 줘.”
이 단계를 거치면 단순한 위치 데이터가 ‘실행 가능한 비즈니스 인사이트’로 변환됩니다.

[3단계] Action: Slack 긴급 알림 및 Google Sheets 대시보드 자동화

AI가 분석한 결과 중 ‘지연 확률 70% 이상’인 위험 화물만 필터링(Router & Filter 기능 활용)합니다. 위험 화물이 감지되면 ‘Slack – Create a Message’ 모듈을 통해 SCM 담당 부서 채널에 즉시 경고 알림(🚨 [지연 경고] BL번호: 12345, 5일 지연 예상)을 발송합니다. 동시에 ‘Google Sheets – Update a Row’ 모듈이 작동하여, 김 대리가 매일 수동으로 관리하던 SCM 엑셀(시트)의 ‘예상 도착일’과 ‘비고(사유)’ 란을 AI의 분석 결과로 자동 덮어씌웁니다.

B2B 전사적 도입: 개인의 생산성을 넘어 SCM 파이프라인 고도화로

이러한 단위 업무의 자동화는 시작에 불과합니다. B2B 의사결정권자라면 이 워크플로우를 전사적 데이터 파이프라인으로 확장해야 합니다. 구매 부서의 발주 데이터, 물류 부서의 트래킹 데이터, 영업 부서의 납기일 데이터가 하나의 AI 디스패처 아래에서 유기적으로 맞물릴 때, 비로소 재고 유지 비용(Holding Cost)을 획기적으로 낮추고 고객 만족도를 극대화할 수 있습니다.

게시물 엑셀 노가다는 그만! AI 기반 공급망 물류 지연 예측 및 자동화 워크플로우 구축 방법이 aidneblog에 처음 등장했습니다.

안녕하세요. 15년 차 SCM 및 시스템 자동화 전문가 에이드네(Aidne)입니다.

마케팅팀은 허브스팟(Hubspot)에서 열심히 인바운드 리드를 모으고, 영업팀은 세일즈포스(Salesforce)에서 세일즈 파이프라인을 관리합니다. 하지만 이 두 시스템이 서로 대화를 나누지 않는다면 현장에서는 어떤 일이 벌어질까요? 매일 아침 영업 지원팀의 김 대리는 허브스팟에서 CSV 파일을 다운로드받아, 엑셀 VLOOKUP을 돌려가며 세일즈포스에 수동으로 업로드하는 지루한 ‘엑셀 노가다’를 반복하게 됩니다.

단언컨대, 이는 수천만 원을 주고 도입한 비싼 B2B 솔루션을 ‘예쁜 쓰레기’로 전락시키는 가장 빠른 길입니다. 오늘은 부서 간 고객 데이터 단절(Data Silo)을 해결하고, 매끄럽게 돌아가는 데이터 컨베이어 벨트를 구축하는 실전 자동화 방법을 공유합니다.

왜 CRM을 도입하고도 엑셀 수작업을 반복할까? (데이터 사일로 현상의 원인)

기업이 성장하면서 부서마다 목적에 맞는 최적의 툴(Best-in-breed)을 도입하는 것은 자연스러운 현상입니다. 마케팅팀은 캠페인 관리에 탁월한 허브스팟을 선호하고, 영업팀은 복잡한 계약과 B2B 고객 관리에 강력한 세일즈포스를 고집하죠. 문제는 ‘데이터의 흐름’입니다.

시스템 간의 API 연동이 제대로 기획되지 않으면, 결국 누군가가 중간에서 인간 API 역할을 하며 데이터를 퍼 나르게 됩니다. 이는 단순한 시간 낭비를 넘어, 휴먼 에러를 유발하고 영업팀의 리드 후속 조치(Follow-up) 골든타임을 놓치게 만드는 치명적인 병목 현상(Bottleneck)이 됩니다.

Make(구 Integromat)를 활용한 세일즈포스·허브스팟 양방향 연동

이러한 데이터 단절을 해결하기 위해 개발자에게 매번 API 연동 스크립트를 짜달라고 요청할 필요는 없습니다. Make나 Zapier 같은 강력한 노코드/로우코드 자동화 플랫폼을 활용하면, 실무자가 직접 시스템 간의 브릿지를 구축할 수 있습니다. 특히 복잡한 조건부 라우팅과 데이터 파싱이 필요한 B2B 워크플로우에서는 Make의 활용도가 압도적으로 높습니다.

실전 딥다이브: 신규 인바운드 리드 자동 할당 및 동기화 워크플로우

수박 겉핥기식의 툴 소개는 접어두고, 실제 현업에서 Make를 활용해 어떻게 세일즈포스와 허브스팟을 연동하는지 구체적인 워크플로우 예시를 뜯어보겠습니다.

[1단계: Hubspot 트리거 – 신규 연락처 감지]
Make의 Hubspot CRM 모듈 중 ‘Watch Contacts’ 트리거를 설정합니다. 마케팅팀이 운영하는 웹사이트 랜딩 페이지나 웨비나를 통해 새로운 고객 정보(이름, 회사 이메일, 직급 등)가 허브스팟에 등록되는 순간, 웹훅(Webhook)을 통해 실시간으로 데이터를 끌어옵니다.

[2단계: Router 및 Filter – 영업 대상자 조건 분류]
모든 리드가 영업 대상은 아닙니다. Make의 Router 모듈을 추가하여 경로를 분기합니다. Filter 기능을 활용해 ‘개인 이메일(gmail, naver 등) 제외’, ‘특정 리드 스코어(Lead Score) 50점 이상’ 등 B2B 세일즈에 적합한 진성 리드(MQL)만 다음 단계로 넘어가도록 데이터 파싱 및 필터링 규칙을 세팅합니다.

[3단계: Salesforce 액션 – 리드 생성 및 담당자 자동 할당]
필터를 통과한 알짜배기 데이터는 Salesforce 모듈의 ‘Create a Record (Lead)’ 액션으로 전달됩니다. 허브스팟에서 넘어온 필드값(First Name, Last Name, Company, Email)을 세일즈포스의 필드와 1:1로 매핑합니다. 이때 고객의 산업군이나 회사 규모 데이터를 기반으로 세일즈포스 내의 특정 영업 담당자(Owner ID)에게 자동으로 리드가 할당되도록 수식을 걸어둡니다.

[4단계: Slack 액션 – 영업팀 채널 즉시 알림 전송]
마지막으로 Slack 모듈을 연결해 영업팀 채널에 메시지를 쏩니다. “[신규 핫 리드 알림] A기업의 홍길동 이사가 데모를 요청했습니다. 담당자: 최영업 프로 – [세일즈포스 링크]”. 이 워크플로우가 완성되면 영업팀은 엑셀을 열어볼 필요 없이, 슬랙 알림을 확인하고 즉시 전화를 걸 수 있습니다.

B2B 의사결정권자를 위한 전사적 데이터 파이프라인 확장 전략

위에서 설명한 워크플로우는 개인이나 단일 팀의 생산성을 높이는 것을 넘어, 전사적 AI 워크플로우 도입을 위한 훌륭한 파일럿 프로젝트가 됩니다. CRM 간의 데이터 단절을 성공적으로 해결했다면, 다음 스텝은 이 파이프라인을 ERP의 주문 데이터, 혹은 CS 팀의 젠데스크(Zendesk) 티켓 데이터와 연결하는 것입니다.

시스템 자동화는 단순히 인건비를 줄이는 작업이 아닙니다. 고객이 우리 브랜드를 인지하고, 계약을 체결하고, 사후 관리를 받는 모든 여정에서 발생하는 데이터를 하나의 통합된 자산으로 만들어내는 핵심 경영 전략입니다.

게시물 세일즈포스·허브스팟 고객 데이터 단절 완벽 해결: Make 기반 CRM 연동 및 자동화 가이드이 aidneblog에 처음 등장했습니다.

안녕하세요. 15년 차 SCM 및 비즈니스 자동화 전문가 에이드네(Aidne)입니다.

채용 시즌만 되면 인사 담당자나 실무 부서장들의 업무 라인에는 거대한 ‘컨베이어 벨트 병목 현상’이 발생합니다. 하루에도 수십, 수백 통씩 쏟아지는 이력서를 다운로드하고, PDF나 워드 파일을 일일이 열어보며, 지원자의 스펙을 엑셀에 ‘복붙(복사+붙여넣기)’하는 김 대리의 엑셀 노가다가 시작되는 것이죠. 이는 단순한 시간 낭비를 넘어, 정작 중요한 ‘인재 검증’에 쓸 에너지를 갉아먹는 치명적인 비효율입니다.

오늘은 단순 반복적인 서류 검토 작업을 혁신적으로 줄여줄 입사 지원자 이력서 필터링 보조 AI 시스템 구성 방법을 현업 밀착형 워크플로우로 딥다이브(Deep-dive) 해보겠습니다. 수박 겉핥기식 툴 소개가 아닌, 당장 내일 회사에 적용할 수 있는 Make(구 Integromat)와 OpenAI 기반의 실무 세팅법을 공개합니다.

비정형 데이터의 늪: 이력서 필터링, 왜 단순 엑셀로 해결되지 않을까?

이력서는 전형적인 ‘비정형 데이터(Unstructured Data)’입니다. 어떤 지원자는 PDF로, 어떤 지원자는 워드로, 심지어 노션(Notion) 링크로 제출하기도 합니다. 양식도 제각각이라 기존의 단순한 매크로나 엑셀 함수로는 데이터를 규격화하여 추출할 수 없습니다. 결국 사람이 직접 읽고 판단해야 한다는 한계 때문에 채용 리드타임이 길어지고, 훌륭한 인재를 경쟁사에 뺏기는 일까지 발생합니다.

이 병목을 해결하기 위해 우리는 AI의 ‘자연어 처리(NLP)’ 능력과 노코드 자동화 툴의 ‘파이프라인 연결’ 능력을 결합해야 합니다.

실무 밀착형 솔루션: Make와 OpenAI를 활용한 이력서 필터링 AI 시스템 구축 워크플로우

고가의 엔터프라이즈 HR 솔루션을 당장 도입하기 부담스러운 소상공인, 에이전시, 혹은 부서 단위의 애자일한 조직이라면 아래의 4단계 워크플로우를 통해 강력한 자동화 파이프라인을 구축할 수 있습니다.

1단계: Gmail / Typeform 트리거 설정 (이력서 수집 자동화)

가장 먼저 할 일은 이력서가 들어오는 입구를 통제하는 것입니다. Make에서 Gmail의 ‘Watch Emails’ 모듈을 트리거로 설정합니다. 특정 채용 전용 이메일 계정으로 수신되거나, 제목에 ‘[지원서]’라는 말머리가 포함된 이메일만 감지하도록 필터를 겁니다. 만약 구글 폼이나 Typeform을 사용한다면 해당 폼의 ‘Watch Responses’ 모듈을 트리거로 잡아 첨부파일 URL을 바로 가져올 수 있습니다.

2단계: PDF 파싱 및 텍스트 추출 (비정형을 정형으로)

이메일 첨부파일로 들어온 PDF 이력서를 텍스트로 변환해야 AI가 읽을 수 있습니다. Make 내에서 PDF.co 모듈이나 Google Drive의 ‘Download a File’ 후 OCR(광학 문자 인식) 모듈을 연결합니다. 이 단계를 거치면 화려한 디자인의 PDF 이력서가 순수한 텍스트 데이터(Raw Text)로 파싱(Parsing)되어 다음 컨베이어 벨트로 넘어갑니다.

3단계: OpenAI 프롬프팅 및 스코어링 (JD 기반 적합도 평가)

이 시스템의 핵심 엔진입니다. 파싱된 텍스트 데이터를 OpenAI (ChatGPT) 모듈의 ‘Create a Chat Completion’으로 넘깁니다. 이때 프롬프트(System Prompt)를 매우 구체적으로 세팅해야 합니다.

“너는 15년 차 시니어 HR 전문가야. 아래의 [지원자 이력서 텍스트]를 읽고, 제공된 [직무 기술서(JD)]와 비교하여 다음 4가지를 JSON 형태로 추출해줘. 1. 지원자 이름, 2. 핵심 보유 기술(쉼표로 구분), 3. 관련 경력 연수, 4. JD와의 적합도 점수(1~10점) 및 그 이유 1줄 요약.”

이렇게 세팅하면 AI가 수백 장의 텍스트를 순식간에 읽고, 우리가 원하는 정형화된 데이터 배열(JSON)로 결과값을 반환합니다.

4단계: 구글 스프레드시트 기록 및 슬랙(Slack) 알림

마지막으로 OpenAI가 분석해 준 JSON 데이터를 Google Sheets의 ‘Add a Row’ 모듈에 매핑하여 자동으로 엑셀 시트에 차곡차곡 쌓이게 만듭니다. 동시에 Slack 모듈을 연결해 적합도 점수가 8점 이상인 ‘고위험군(High-potential) 인재’가 필터링될 경우, 즉시 실무진 채널에 “[AI 알림] 8점 이상 우수 지원자 접수됨: OOO 님”이라는 메시지를 쏘도록 세팅합니다.

전사적 AI 워크플로우 도입을 고민하는 B2B 의사결정권자라면?

위의 사례는 부서 단위에서 즉각적으로 도입할 수 있는 탑오브퍼널(Top of Funnel) 자동화입니다. 하지만 전사적인 차원에서 ERP나 기존 HRM 시스템과 연동되는 고도화된 AI 워크플로우를 기획 중이라면, 데이터 보안, 자체 LLM 구축, 복잡한 예외 처리(Edge Cases)를 다루는 엔터프라이즈급 데이터 파이프라인 설계가 필요합니다. 단순한 ‘툴 도입’이 아닌 ‘업무 프로세스 자체의 재설계’가 선행되어야 수억 원짜리 솔루션이 예쁜 쓰레기로 전락하는 것을 막을 수 있습니다.

게시물 채용 시즌 엑셀 노가다 탈출! Make와 OpenAI로 이력서 필터링 AI 자동화 시스템 구축하는 방법이 aidneblog에 처음 등장했습니다.