"AI 자동화 입문 2026 — n8n + AI 노드로 업무 자동화 3 레시피"

-

Zapier·Make와 비교, 셀프호스팅 옵션, OpenAI/Claude 연결, 즉시 복제 가능한 워크플로 3개

핵심 요약

  • 대상 독자: 반복 업무에 시간을 쓰는 직장인·1인 사업자, AI 자동화를 처음 시작하려는 일반 사용자 + 개발자.
  • 얻을 것: 1) n8n이 Zapier·Make와 어떻게 다른가 2) 가격·셀프호스팅 옵션 3) 즉시 따라할 수 있는 3 레시피 (메일 분류·콘텐츠 다운스트림·고객 문의 답변) 4) OpenAI/Claude 연결 5) AI 자동화의 한계와 비용 통제.
  • 핵심: n8n은 자동화 도구 + AI 에이전트 노드를 한 화면에 묶은 것. Zapier보다 학습 비용은 높지만, 비용·확장성·셀프호스팅에서 압도적.

1. n8n이 무엇인가

n8n = workflow automation 플랫폼. 트리거(이메일·웹훅·스케줄)에서 시작해 여러 노드(앱·로직·LLM)를 연결해 자동 실행하는 시각적 도구. "AI Agent 노드" 가 네이티브로 들어가 있어 LangChain 식 에이전트도 만든다.

Zapier·Make와의 핵심 차이

n8n Zapier Make
통합 앱 400+ 8,000+ 1,500+
가격 모델 실행(workflow run) 단위 태스크(노드 1개) 단위 오퍼레이션(작업) 단위
셀프호스팅 ✅ Community 무료 ❌ ❌
시작 가격 (cloud) €24/월 (2,500 실행) $19.99/월 (750 태스크) $9/월 (10,000 오퍼레이션)
AI 노드 70+ 전용 + LangChain 통합 Copilot + AI Agents (베타) AI Agents (2025-10)
학습 곡선 보통 쉬움 보통

출처: n8n pricing, Zapier vs n8n.

한 줄 요약

  • Zapier = 가장 쉽지만 비싸짐 (스텝마다 돈)
  • Make = 시각적·균형 잡힘
  • n8n = 가장 강력·저렴 (특히 셀프호스팅), 학습 곡선은 약간 가파름

2. 가격 — 어떤 플랜을 골라야 하나

Cloud

플랜 가격 실행 적합
Starter €24/월 2,500/월 개인·소규모
Pro €60/월 10,000/월 본격 사용
Business €800/월 40,000/월 + SSO 중소기업
14일 무료 - - 신용카드 불필요

Self-Hosted (Community Edition)

  • 무료, 실행 무제한
  • 서버·DB·유지보수 비용 (월 €5~200, 보통 VPS €5~10이면 충분)
  • Docker 설치 5분, 공식 가이드

어느 쪽을 골라야 하나

상황 추천
자동화 처음·일주일 시도 Cloud Starter 14일 무료
월 2,500 실행 미만 일정 Cloud Starter (€24)
월 1만 실행 + 안정성 Cloud Pro (€60)
데이터 보안 중요 / 무제한 실행 Self-hosted Community
팀 사용 / SSO Cloud Business 또는 self-hosted Enterprise

핵심 직관: 1주일 클라우드로 시작 → 안정화되면 셀프호스팅으로 옮기는 게 가장 흔한 경로.

3. AI 노드 — n8n이 LLM과 만나는 지점

3.1 지원 LLM 제공자

  • OpenAI: GPT-5.5, GPT-5.4, GPT-4o
  • Anthropic: Claude Opus 4.7, Sonnet 4.6
  • Google: Gemini 3 Pro, Flash
  • Local LLM: Ollama (Llama 3, Mistral, Qwen)
  • 기타: HuggingFace, Cohere

3.2 핵심 노드 4종

노드 역할
AI Agent LLM + 도구(다른 노드) + 메모리 결합. ReAct 패턴
OpenAI / Anthropic / Gemini Chat 단순 LLM 호출 (input → output)
Memory Window / Buffer / Vector — 대화 컨텍스트 유지
Tool LLM이 호출할 함수 (HTTP, Sheets, Slack 등)

3.3 비용 — n8n 자체 + LLM API

  • n8n 실행: 1 워크플로 실행 = 1 실행. 20 단계 워크플로도 1 실행
  • LLM API: 별도 과금 (OpenAI·Anthropic·Google API 키 사용)
  • 예시: 메일 분류 워크플로 100건/일 → 월 3,000 실행 = Pro 플랜 + Claude Haiku 토큰 (월 ~$2~5)

4. 즉시 복제 가능한 3 레시피

4.1 레시피 1 — 메일 자동 분류·요약

문제: 받은편지함이 폭주. 중요·스팸·뉴스레터·할 일을 매일 분류.

워크플로

Gmail 트리거 (새 메일)
  → Claude Haiku 노드 (분류 프롬프트)
    "이 메일을 [중요/할 일/뉴스레터/스팸] 중 하나로 분류하고
     중요·할 일이면 한 줄 요약을 추가하라."
  → Switch 노드 (분류 결과 분기)
    - 중요 → Slack DM
    - 할 일 → Notion 데이터베이스 추가
    - 뉴스레터 → 라벨만 부착
    - 스팸 → 휴지통

예상 비용 - n8n 실행 100건/일 × 30일 = 3,000실행 → Pro €60/월 - Haiku 토큰 (입력 200토큰 × 100건) ≒ 일 $0.05 → 월 $1.50 - 월 약 €60 + $1.50 ≒ €61.50

대안: 셀프호스팅 + Haiku → 월 $1.50.

4.2 레시피 2 — 콘텐츠 한 번 작성·다채널 배포

문제: 블로그 글 1편을 LinkedIn·Twitter·Discord에 매번 다시 다듬기 귀찮음.

워크플로

Webhook 트리거 (블로그 글 URL 받음)
  → HTTP Request 노드 (글 본문 fetch)
  → AI Agent (Claude Sonnet 4.6, 4-Block 시스템 프롬프트)
    출력: { linkedin_post, twitter_thread, discord_summary }
  → 분기 3개:
    - LinkedIn API → 게시 (또는 초안 저장)
    - Twitter API → 스레드 게시
    - Discord webhook → 채널에 요약 전달

핵심: 한 번의 LLM 호출에서 JSON 형식으로 3채널 출력 받으면 토큰 비용 1/3.

4.3 레시피 3 — 고객 문의 자동 1차 답변

문제: 작은 비즈니스에 문의 메일이 매일 와서 24시간 응답 SLA를 못 지킴.

워크플로

Gmail 트리거 (특정 라벨 또는 inbox)
  → AI Agent (Claude Sonnet 4.6 + Notion DB tool)
    Tool 1: Notion FAQ 검색
    Tool 2: 주문 DB 조회
    프롬프트: "고객 메일을 읽고 FAQ에서 답을 찾아라.
     주문 관련이면 주문 DB에서 상태 조회.
     자신 없으면 'NEED_HUMAN' 반환."
  → If (NEED_HUMAN)
    Yes → Slack #cs 채널에 에스컬레이션
    No → Gmail 자동 답장 (초안만 저장 권장 → 사람이 클릭)

안전장치 - 자동 발송이 아닌 초안 저장으로 시작 - 일주일 정확도 모니터링 후 일부 카테고리만 자동 발송 - "NEED_HUMAN" 임계값을 보수적으로

5. AI 자동화의 한계 + 비용 통제

한계

  • 환각: 1차 자료 기반 RAG 또는 Tool Use 없이 답하면 위험
  • 법적 책임: 자동 응답 메일·계약·결제 자동화는 사람 검증 필수
  • 장애 전파: API 장애 시 워크플로 전체 멈춤. 재시도·dead letter queue 설계 필요
  • 데이터 유출: API 키·토큰 노출 주의. n8n credential 관리 활용

비용 통제 5가지

  1. 모델 분리: 단순 분류는 Haiku/GPT-4o-mini, 추론·생성만 Sonnet/Opus → 비용 70% 절감
  2. Switch로 사전 필터: AI 호출 전에 단순 룰로 80% 분기
  3. Memory 무한 누적 방지: Window Memory(최근 N개)로 캡
  4. Schedule 빈도 조절: 5분 → 15분으로 늘리면 1/3 실행
  5. Self-hosting + 무료 LLM: 셀프호스트 n8n + Ollama Llama 3 = 거의 0원 (전기·서버 제외)

6. 시작 가이드 — 첫 3일

일차 작업
1일 n8n Cloud Starter 14일 무료 가입. 첫 워크플로: "RSS 피드 → Slack" (AI 없이 익숙해지기)
2일 OpenAI 또는 Anthropic API 키 발급. AI Agent 노드 추가. 메일 분류 레시피 1 구축
3일 셀프호스팅 옵션 평가 (월 €24 vs VPS €5+무료 n8n). 본격 운영할 워크플로 1~2개 결정

7. 무엇이 아닌가

n8n이 만능은 아니다. - 데이터 분석 BI 도구가 아니다 → Metabase / Looker - 고급 ML 파이프라인 아니다 → Airflow / Prefect - 회계·결제 자동화는 신중 → Stripe/QuickBooks 직접 연동이 안전 - 실시간 채팅봇 인프라 아니다 → Vercel + LLM API가 더 나음

n8n의 정확한 위치: 여러 SaaS·LLM·HTTP 엔드포인트를 시각적으로 묶는 글루(glue).

개발자 팁

  1. Self-hosting은 Docker Compose 한 줄: docker run -it --rm -p 5678:5678 n8nio/n8n (PostgreSQL 백엔드 권장).
  2. 백업: SQLite는 작은 워크플로용. 영업용은 PostgreSQL + 자동 백업 필수.
  3. 버전 관리: 워크플로를 Git으로 export/import. 팀 협업 시 PR 리뷰.
  4. 에러 핸들링: Error Workflow를 별도로 만들어 모든 워크플로의 catch 노드에 연결 → Slack/Discord 통보.
  5. WebSocket 엔드포인트: n8n은 Webhook + WebSocket 둘 다 지원. 실시간 챗봇 프론트엔드에 활용.
  6. MCP 통합: n8n 2.x는 Model Context Protocol 지원 시작. 외부 LLM 도구를 표준화된 방식으로 호출.
  7. AI Agent 노드 vs LangChain 직접: 단순 워크플로는 AI Agent 노드, 복잡한 그래프는 LangGraph + n8n HTTP 트리거.

참고

이 글은 AI 입문 시리즈의 7/11 편입니다. 다음 편: n8n 실전 — Discord/Notion/Gmail 연동 워크플로 구축 (확장).

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »