Make.com & n8n 완벽 가이드: 디지털 공장 조립 라인을 만드는 법

💡 쉬운 비유: 디지털 공장 조립 라인

오늘의 주인공은 Make.com과 n8n이에요. 이름은 낯설 수 있지만, 쉽게 말하면 "여러 앱을 이어서 자동으로 일하게 만드는 도구"예요.

🏭 자동차 공장을 한 번 떠올려볼까요?

자동차 공장에 가 본 적 있으세요? 없어도 괜찮아요. 머리속으로 상상해봐요.

• 출발점(원재료 투입구): 철판, 유리, 나사 같은 재료가 들어와요.
• 컨베이어 벨트(Conveyor Belt): 재료가 벨트 위에서 천천히 이동해요.
• 각 Station(작업대): 벨트를 따라가면서 용접 → 도색 → 조립 → 검수가 한 단계씩 일어나요. 각 station은 한 가지 작업만 정말 잘해요.
• 도착점(완성품): 벨트 끝에서 반짝이는 자동차가 쏟아져 나와요.

공장이 무서운 건 사람이 따로 움직이지 않아도 자동으로 굴러간다는 점이에요. 한 번 라인을 잘 깔아두면 밤낮없이 24시간 돌아가죠.

🤖 Make.com과 n8n은 "디지털 버전의 공장"

공장이 자동차를 만드는 것처럼, Make.com과 n8n은 데이터를 흘려서 자동으로 일하게 만드는 "디지털 공장"이에요. 다만 재료가 철판이 아니라 이메일, 주문 정보, 채팅 메시지, 설문 응답 같은 데이터죠.

  📥 원재료 (Trigger)      🔧 Station (Module)      📤 완성품 (Output)
  ┌─────────────┐          ┌─────────────┐          ┌─────────────┐
  │  Gmail 새   │  ─────→  │  ChatGPT가  │  ─────→  │  Slack으로   │
  │  메시지 도착 │   흐름    │  내용 요약   │   흐름    │  요약 전송   │
  └─────────────┘          └─────────────┘          └─────────────┘
        ↑                         ↑                         ↑
   트리거(시작 조건)         모듈(한 가지 작업)         액션(결과 내보내기)

       🏭 한 번 만들어 두면 밤낮없이 자동으로 돌아가는 "나만의 디지털 공장"
        

🏭 비유 한 줄 정리:
Make/n8n = 디지털 공장 조립 라인. 데이터를 넣으면(트리거) 각 station(모듈)을 거쳐(변환·AI·알림·저장) 완성된 결과(출력)가 자동으로 나옵니다. 나는 라인을 한 번만 깔면 끝, 공장은 24시간 알아서 돌아요.

🔄 지난 주차 복습 & 오늘의 연결고리

오늘 배울 내용은 지난 4주간 배운 내용들을 하나로 엮는 "지휘자" 이야기예요. 그래서 지난 주차를 한 번 빠르게 복습하고 가야 해요. 각 주차가 오늘의 공장에서 어떤 역할을 하는지 함께 그려볼게요.

📖 Weeks 1~4를 한 장으로 요약

👨‍🍳 Week 5 = 모든 직원들을 지휘하는 "주방장/공장장"

지난 4주간 배운 직원들을 다시 떠올려볼게요.

• Week 1 비서(Agent)는 똑똑하지만, 혼자서 해결할 수 없는 일도 많아요.
• Week 2 사서(RAG)는 자료 검색을 잘하지만, 결과를 어디다 쓸지는 누군가 정해줘야 해요.
• Week 3 웨이터(API)는 주문을 잘 전달하지만, "누구에게 어떤 순서로 주문할지"는 시키는 사람이 필요해요.
• Week 4 과외 선생님(NotebookLM)은 자료만 주면 자동으로 분석하지만, 자료를 모으는 건 사람 몫이었죠.

이 모든 직원들을 한 명의 주방장(또는 공장장)이 지휘한다고 생각해봐요. "야, 사서! 가서 이 자료 찾아와. 웨이터! 그거 받아서 요리사한테 전달해. 다 되면 비서한테 알려서 손님에게 보내!" 이 주방장이 바로 Make.com 또는 n8n이에요.

                 👨‍🍳 Week 5: 주방장 (Make.com / n8n)
                           │
        ┌──────────┬───────┴───────┬──────────┐
        ↓          ↓               ↓          ↓
   🤖 Agent     📚 RAG          🍽️ API      👨‍🏫 NotebookLM
   (자율 판단)  (자료 검색)      (앱 연결)   (자료 분석)
    Week 1      Week 2           Week 3      Week 4

    "Week 5는 새로운 도구를 배우는 게 아니라,
     지난 주차들을 연결해서 실제로 돌아가게 만드는 방법을 배워요."
        

🎯 오늘의 관점 전환: Make/n8n은 새로운 기술이 아니에요. 지난 4주간 배운 도구들을 연결하고 자동화하는 방법이에요. 그래서 Week 1~4를 이해한 여러분이라면, 오늘이 가장 재미있는 주차가 될 거예요!

🛠️ Make.com이란?

Make.com(구 Integromat)은 "마우스로 끌어다 놓기만 하면 자동화가 완성되는 클라우드 도구"예요. 2012년 체코에서 시작해서 지금은 전 세계 수백만 명이 사용하는 대표 자동화 플랫폼이 됐어요.

✨ Make.com의 특징 한눈에 보기

• 클라우드 기반(SaaS): 설치 필요 없음. 웹 브라우저만 있으면 OK.
• 시각적 GUI: 동그란 모듈들을 선으로 이어서 시나리오를 만들어요. 한 번만 봐도 직관적!
• 1,700+ 기성 커넥터: Gmail, Slack, Notion, Google Sheets, ChatGPT, Airtable, Typeform 등 거의 모든 주요 앱을 클릭 몇 번으로 연결.
• 비개발자 친화: 코드를 몰라도 쓸 수 있게 설계됐어요. "이 데이터를 어디로 보낼까?"만 알면 충분.
• 강력한 데이터 변환: JSON 매핑, Aggregator(집계), Iterator(반복), Router(분기) 같은 고급 기능도 마우스로 설정.

💰 Make.com 요금제 (2026년 기준)

여기서 "Operation(작업)"은 모듈이 한 번 실행되는 단위예요. 예를 들어 Gmail에서 1개 메시지 읽고 + ChatGPT가 1번 요약하고 + Slack으로 1번 전송 = 3 operations로 계산돼요.

🎨 Make.com UI가 특별한 이유

Make.com이 경쟁 도구(Zapier 등)와 가장 크게 구별되는 점은 시나리오가 "원형 모듈 + 연결선"으로 표현된다는 것이에요. Zapier처럼 일직선 리스트가 아니라, 실제 공장 도면처럼 시각적으로 흐름이 보여요.

• 원형 모듈: 각 앱이 동그라미 아이콘으로 표시돼요 (Gmail = 빨간 원, Slack = 보라 원, ChatGPT = 녹색 원…)
• 연결선: 모듈 사이를 잇는 선이 "데이터의 흐름"이에요. 실제 JSON 데이터가 선을 따라 흐르는 걸 시각적으로 디버깅할 수 있어요.
• 실행 버블: "Run once"를 누르면 각 모듈 위에 작은 숫자 버블이 떠요 — "이 모듈은 방금 3번 실행됐고, 각각 몇 바이트의 데이터가 흘렀는지" 클릭 한 번으로 확인.
• Router(라우터): 조건 분기가 시각적으로 "갈림길"로 표현돼서, 비개발자도 "이 데이터는 어디로 가나?"를 한눈에 이해해요.

🧰 Make.com의 대표 기능 5가지

• 1. Templates (템플릿 갤러리): 7,000+ 공개 템플릿 — "Gmail에서 Slack으로 요약 전송" 같은 흔한 시나리오를 클릭 한 번에 복제해 시작 가능.
• 2. Data Stores (데이터 저장소): 시나리오 내부에서 쓸 수 있는 미니 DB. 중복 제거·상태 추적·카운터에 사용.
• 3. Webhooks & Mailhooks: 외부 서비스가 Make를 즉시 깨울 수 있는 고유 URL·이메일 주소를 발급.
• 4. HTTP Module: 커넥터가 없는 서비스라도 REST API만 있으면 연결 가능 (Week 3 API 지식 활용 포인트!).
• 5. Make AI Assistant: 2026년 기준 베타 — 자연어로 "Gmail 첨부를 Drive에 저장하는 시나리오 만들어줘"라고 말하면 초안을 자동 생성.

💡 Make.com 한 줄 요약: "노코드 끝판왕". 마우스만 움직일 줄 알면 한 시간 만에 첫 자동화를 만들 수 있어요. 비개발자·소규모 팀에 특히 강합니다.

🛠️ n8n이란?

n8n(이름 발음: "n-eight-n" = nodemation)은 "오픈소스 + 자체호스팅이 가능한 자동화 도구"예요. 2019년 독일 베를린에서 시작됐고, 개발자 커뮤니티가 폭발적으로 밀어주는 도구예요.

✨ n8n의 특징 한눈에 보기

• 오픈소스: 소스코드가 공개되어 있어 누구나 보고 수정할 수 있어요.
• 자체호스팅 가능: 우리 회사 서버(또는 내 컴퓨터)에 설치해서 돌릴 수 있어요. 데이터가 외부로 나가지 않아요.
• 400+ 공식 노드 + 2,000+ 커뮤니티 노드: 기성 연결 + 직접 만든 커스텀 연결까지 풍부.
• 개발자 친화: 각 노드 안에서 JavaScript 코드로 세밀한 제어 가능. 복잡한 로직도 표현할 수 있어요.
• AI/LLM 통합에 특히 강점: LangChain 스타일의 AI 에이전트 노드, 벡터 DB, 임베딩 노드가 기본 내장 — Week 2 RAG를 그대로 구현 가능.
• 가격이 매력적: 자체호스팅은 무료, 클라우드는 실행 횟수가 아니라 워크플로우 단위로 과금.

🏠 자체호스팅이란 뭐예요?

자체호스팅(Self-hosting)은 "내 서버에 직접 설치해서 돌리는 것"이에요. Make.com은 무조건 "Make 회사의 서버"에서만 돌아가지만, n8n은 내 노트북, 사내 서버, 클라우드(AWS·GCP) 어디든 설치할 수 있어요.

이게 왜 중요할까요?

• 데이터 주권: 민감한 고객 정보, 영업 비밀, 연구 원자료가 외부 회사 서버를 거치지 않아요.
• 비용 예측 가능: 서버 비용만 내면 실행 횟수가 아무리 많아도 추가 요금 없어요.
• 커스터마이징 자유도: 소스코드를 수정해서 회사 환경에 맞게 고칠 수 있어요.

💰 n8n 요금제 (2026년 기준)

🛠️ n8n 설치는 얼마나 쉬운가요?

자체호스팅이라고 하면 "어렵겠다"는 인상을 줄 수 있지만, n8n은 설치 난이도가 놀랍도록 낮아요. 대표적인 3가지 방식:

npm 방식은 "명령어 한 줄"로 n8n이 내 컴퓨터에서 바로 돌기 시작해요. http://localhost:5678로 접속하면 Make와 비슷한 캔버스 UI가 뜹니다. 체험용으로는 5분이면 충분.

🧠 n8n이 AI/LLM에 특별히 강한 이유

2026년 현재, n8n은 "AI 워크플로우 도구"로 포지셔닝하고 있어요. 단순 커넥터를 넘어 LangChain 스타일의 AI 에이전트 노드가 공식 내장이에요.

• AI Agent 노드: "이 도구들을 쓸 수 있는 에이전트 만들어줘"를 시각적으로 설계. Week 1 Agent의 실전 구현체.
• Vector Store 노드: Pinecone, Weaviate, Qdrant, pgvector 등 주요 벡터 DB를 기본 지원. Week 2 RAG의 "검색" 단계를 클릭으로 구성.
• Embeddings 노드: OpenAI·Cohere·HuggingFace 임베딩을 호출해 벡터화. RAG 파이프라인의 "자료 → 벡터" 변환을 자동화.
• Chain 노드: 여러 LLM 호출을 체이닝해서 복잡한 프롬프트 플로우를 구성 (요약 → 분류 → 재작성 같은 다단계).
• Memory 노드: 대화 기록을 유지하는 챗봇 구축. Week 4 NotebookLM 같은 도구를 우리 회사 데이터로 직접 만들 수 있어요.

💡 n8n 한 줄 요약: "개발자가 사랑하는 오픈소스 자동화". 민감 데이터를 다루거나 복잡한 AI 파이프라인을 만들 때 최고의 선택이에요. 특히 Week 2에서 배운 RAG 파이프라인을 노코드로 구축할 때 빛을 발해요.

⚙️ 작동 원리: Trigger → Module → Action

Make와 n8n은 이름도, UI도 조금씩 다르지만 작동 방식은 거의 똑같아요. 핵심 3요소만 기억하면 됩니다.

🔑 자동화의 3요소

🎬 전체 흐름도 (공장 조립 라인)

  ┌──────────────────────────────────────────────────────────────┐
  │                                                              │
  │   📥 TRIGGER          🔧 MODULES (여러 개 연결 가능)    📤 OUTPUT   │
  │   ┌────────┐          ┌────────┬────────┬────────┐       ┌──────┐  │
  │   │ 새 폼  │ ───────→ │ 파싱    │ → AI   │ → 변환 │ ────→ │ DB   │  │
  │   │ 제출    │   흐름   │ (정제) │  요약   │  (정렬) │  흐름  │ 저장  │  │
  │   └────────┘          └────────┴────────┴────────┘       └──────┘  │
  │        ▲                    ▲      ▲      ▲                 │
  │        │                    │      │      │                 │
  │   "언제 시작?"         "어떤 작업?" (순서대로 station)    "어디로?"  │
  │                                                              │
  └──────────────────────────────────────────────────────────────┘

          🏭 이 전체를 Make/n8n에서는 "Scenario" (Make)
             또는 "Workflow" (n8n)라고 불러요.
        

🔄 트리거는 3가지 방식으로 동작해요

방식 1: Polling (주기적 확인)

Make/n8n이 주기적으로 "새로운 것 있어?"라고 물어봐요. 예: 15분마다 Gmail에 새 메일이 있는지 확인.

• 👍 장점: 거의 모든 서비스에 적용 가능, 설정 간단
• 👎 단점: "15분 지연"이 생길 수 있음 (실시간은 아님)

방식 2: Instant Webhook (즉시 알림)

반대로 서비스가 먼저 Make/n8n에게 "이런 일 일어났어!"라고 알려줘요. 예: Typeform에 응답이 제출되면 즉시 n8n을 깨움.

• 👍 장점: 실시간 반응 (지연 거의 없음), 불필요한 호출 제로
• 👎 단점: 서비스가 webhook을 지원해야 함

방식 3: Schedule (일정 기반)

정해진 시간에 자동 실행. 예: 매일 아침 9시 / 매주 월요일 / 매월 1일.

• 👍 장점: 리포트·정기 백업·뉴스레터에 딱 맞음
• 👎 단점: 이벤트 기반이 아니라서 "그때그때 반응"은 아님

🔗 모듈 사이를 흐르는 "데이터"의 정체

공장 조립 라인에서 컨베이어 벨트에 올라가 있는 건 데이터예요. 대부분의 경우 JSON이라는 형식이죠. Week 3에서 배운 API 응답이 바로 JSON이었어요!

// Gmail 모듈이 다음 station으로 넘기는 데이터 예시
{
  "from": "customer@example.com",
  "subject": "배송 관련 문의",
  "body": "주문번호 #12345 배송이 언제 오나요?",
  "receivedAt": "2026-04-29T10:15:00Z"
}

// 다음 station(ChatGPT)이 이 데이터를 받아서 요약하고
// 또 다음 station(Slack)이 요약된 텍스트를 받아 전송
        

Make/n8n의 진짜 강점은 "이 JSON의 body 필드만 다음 station으로 넘기기", "이 필드 값이 '긴급'이면 다른 길로 보내기" 같은 세밀한 데이터 조작을 마우스 드래그만으로 할 수 있다는 점이에요.

🧩 자주 쓰는 고급 모듈 3가지

• 🔀 Router (라우터·분기): 조건에 따라 다른 길로 보내기. "감성이 부정이면 → 매니저에게 알림 / 긍정이면 → 기록만".
• 🔁 Iterator (이터레이터·반복): 배열 데이터를 하나씩 꺼내 처리. "응답 50개를 한 건씩 AI에 넘기기".
• 🧮 Aggregator (집계): 여러 건을 모아 한 덩어리로 묶기. "오늘의 응답 42건을 요약 하나로 합치기".

📦 데이터 매핑 예시: 실제로 어떻게 연결되나?

말보다 예시가 빨라요. 설문 응답 하나가 들어와서 Slack 알림이 나가기까지, 데이터가 어떻게 변환되는지 따라가 볼게요.

Station 0 — Typeform Trigger 출력

{
  "response_id": "abc123",
  "submitted_at": "2026-04-29T14:20:00Z",
  "answers": {
    "Q1_satisfaction": 3,
    "Q2_comment": "배송이 너무 늦어요. 3일 예상했는데 일주일 걸렸음."
  },
  "respondent_email": "customer@example.com"
}
        

Station 1 — PII 마스킹 모듈 (정규식 Replace) 출력

{
  "response_id": "abc123",
  "answers": {
    "Q1_satisfaction": 3,
    "Q2_comment": "배송이 너무 늦어요. 3일 예상했는데 일주일 걸렸음."
  },
  "respondent_email": "[MASKED_EMAIL]"
}
        

Station 2 — LLM 분석 모듈 출력 (JSON 응답)

{
  "topic": "배송",
  "sentiment": "negative",
  "intensity": 4,
  "keywords": ["배송 지연", "예상 초과", "불만"],
  "anomaly_flag": false
}
        

Station 3 — Slack 메시지 모듈 입력 (매핑 결과)

🔴 *부정 응답 감지* (강도 4/5)
*토픽:* 배송
*키워드:* 배송 지연, 예상 초과, 불만
*원문:* "배송이 너무 늦어요. 3일 예상했는데 일주일 걸렸음."
*응답 ID:* abc123
        

Make/n8n에서는 이 "필드 → 다음 모듈의 어떤 자리에"를 마우스 드래그로 지정해요. 코드라면 response.answers.Q2_comment를 일일이 적어야 하지만, 여기서는 파란 풍선으로 표시된 필드를 원하는 칸에 던지면 끝.

⚙️ 작동 원리 한 줄: Trigger (언제 시작?) → Modules (여러 station) → Action (어디로?). 이 3요소가 공장 조립 라인의 전부예요. 복잡해 보여도 모든 자동화는 이 패턴의 조합일 뿐!

🎯 왜 편한가? 7가지 이유

"그냥 코드로 짜면 안 돼요?" 하는 질문이 나올 수 있어요. 가능은 하죠. 그런데 Make/n8n이 왜 엄청나게 편한지 구체적인 7가지 이유를 짚어볼게요.

1️⃣ 코드 한 줄 없이 API를 연결

Week 3에서 배운 API 연결을 코드로 하려면 HTTP 요청, 인증, 에러 핸들링을 전부 직접 짜야 해요. Make/n8n은 모듈을 클릭하면 인증 창이 뜨고, 로그인만 하면 끝. "API 문서 읽는 시간 90% 절약"이에요.

2️⃣ 1,700+ 기성 커넥터 / 2,000+ 커뮤니티 노드

웬만한 SaaS 서비스는 이미 커넥터로 준비돼 있어요. Gmail, Slack, Notion, Google Sheets, Airtable, Typeform, Shopify, HubSpot, Salesforce, ChatGPT, Claude, Gemini, Stripe, AWS, Discord, Telegram, WhatsApp… "없는 게 오히려 드물어요."

3️⃣ 실패 시 자동 재시도 / 에러 핸들링 내장

네트워크가 순간적으로 끊기거나 API가 일시적으로 먹통이 되어도, Make/n8n이 자동으로 재시도해줘요. 코드로 짰다면 이걸 일일이 구현해야 하는데, 여기선 체크박스 하나로 해결이에요.

4️⃣ 스케줄링 / 웹훅 / 이벤트 트리거 모두 기본 제공

"매일 아침 9시에 실행" 같은 크론잡을 직접 만들 필요 없어요. 드롭다운에서 시간만 고르면 끝. 웹훅 URL도 클릭 한 번이면 자동 생성돼요.

5️⃣ 한 번 만들면 재사용 (템플릿 / 복제)

만들어둔 시나리오는 복사·수정·팀 공유가 자유로워요. "고객사 A를 위한 자동화"를 고객사 B용으로 5분이면 복제 가능. Make/n8n 모두 공식 템플릿 갤러리가 있어서 남이 만든 자동화를 가져와 쓸 수도 있어요.

6️⃣ 비용이 투명해요

"이 자동화가 한 달에 얼마나 쓸까?"를 실행 전에 예측 가능해요. Make는 Operation 단위(예: 하루 100건 처리 × 3 모듈 = 월 9,000 operations), n8n은 워크플로우 단위라서 예산 세우기 쉬워요. 코드 서버를 직접 돌리면 서버비·로그비·유지보수 공수까지 들어가는데, 여기선 숫자 하나로 끝.

7️⃣ 로그·감사 추적이 자동

매 실행마다 "언제, 어떤 데이터가, 어떤 경로로 흘렀는지"가 전부 기록돼요. 실패한 실행도 그대로 남아서 디버깅이 쉬워요. 리서치 회사라면 "응답 데이터가 어떻게 처리됐는지"를 감사할 수 있어야 하는데, Make/n8n은 이 기능이 기본 내장이에요.

🎯 요약: Make/n8n은 "개발자가 며칠 걸려 만들 자동화"를 비개발자가 한 시간 만에 만들 수 있게 해주는 도구예요. "시간 절약"이 아니라 "시간 압축"이라는 표현이 더 어울려요.

📋 실전 Practice Cases 5가지

이제 진짜 재미있는 부분이에요. 실제로 이런 걸 만들 수 있어요. 각 케이스마다 Trigger → Modules → Output 흐름도와, 지난 주차 내용이 어디서 사용되는지 표시했어요.

  📥 TRIGGER               🔧 MODULES                          📤 OUTPUT
  ┌──────────┐          ┌─────────┬──────────┬─────────┐      ┌────────┐
  │ 새 Gmail │  ─────→  │ 첨부파일 │ 발신자별  │ 파일명   │ ───→ │  Drive │
  │ 수신     │          │ 추출     │ 폴더 결정 │ 정규화   │      │  저장  │
  └──────────┘          └─────────┴──────────┴─────────┘      └────────┘
          

  📥 TRIGGER               🔧 MODULES                             📤 OUTPUT
  ┌───────────┐        ┌──────────┬──────────┬──────────┐        ┌────────┐
  │ RSS 피드  │ ─────→ │ 중복 제거 │ ChatGPT  │ 마크다운 │  ────→ │  Slack │
  │ 새 글 감지 │        │ (URL 기준)│ 3줄 요약 │ 포맷 변환 │        │  채널  │
  └───────────┘        └──────────┴──────────┴──────────┘        └────────┘
                                          ▲
                                          │
                              (Week 4에서 배운 LLM이 여기서 일함!)
          

  📥 TRIGGER                 🔧 MODULES                                  📤 OUTPUT
  ┌──────────┐           ┌────────┬──────────┬──────────┬────────┐     ┌────────┐
  │ 문의 폼  │ ────────→ │ 질문   │ 벡터 검색│ 상위 3개 │ LLM이  │ ──→ │ Zendesk│
  │ 제출     │           │ 전처리 │ (RAG)    │ 문서 추출│ 답변 작성│     │ 초안 생성│
  └──────────┘           └────────┴──────────┴──────────┴────────┘     └────────┘
                                          ▲            ▲
                                          │            │
                          (Week 2 도서관 사서!)   (Week 4 LLM!)
          

  📥 TRIGGER           🔧 MODULES                                       📤 OUTPUT
  ┌──────────┐     ┌────────┬──────────┬──────────┬──────────┐         ┌────────┐
  │ 매일 AM  │ ──→ │ 5개 사  │ HTML   │ LLM 분류  │ 중요도    │  ─────→ │ Notion │
  │ 08:00    │     │ 크롤링  │ 파싱   │ (가격·신규│ 스코어링  │         │ DB 저장│
  └──────────┘     │ (RSS·  │ (텍스트 │ 제품·인사 │ + 요약   │         │ + 매니저│
                   │ Scraper)│ 추출)  │ 발표·기타)│          │         │ 이메일 │
                   └────────┴──────────┴──────────┴──────────┘         └────────┘
                                      ▲
                                      │
                      (Week 1 Agent-like 자율 분류·판단)
          

  📥 TRIGGER                 🔧 MODULES                                              📤 OUTPUT
  ┌───────────┐         ┌────────┬─────────┬──────────┬──────────┬─────────┐    ┌──────────┐
  │ Typeform  │ ──────→ │ PII    │ LLM     │ 라우터   │ 스코어    │ 누적    │ ─→ │ ① Looker │
  │ 응답 제출 │ Webhook │ 마스킹 │ 분석     │ (이상/  │ (긍정/    │ 저장    │    │ 대시보드 │
  │ (즉시)    │         │ (개인정보│ (토픽·  │ 정상)    │ 중립/부정)│         │    │ 자동 갱신│
  └───────────┘         │ 제거)   │ 감성·키워드)       │          │         │    ├──────────┤
                         └────────┴─────────┴──────────┴──────────┴─────────┘    │ ② PM에게 │
                                      ▲            ▲                              │ 일일 요약│
                                      │            │                              │ Slack DM │
                                 (Week 4 LLM!) (Week 1 Agent-like)                │          │
                                                                                  │ ③ 부정   │
                                                                                  │ 알람      │
                                                                                  │ (실시간) │
                                                                                  └──────────┘
          

📋 5개 케이스의 공통점: 모두 Trigger → Modules → Output 3요소의 조합이에요. 복잡해 보이는 것도 결국 이 패턴. 차이는 "어떤 Module을 몇 개 어떤 순서로" 쌓느냐일 뿐이에요.

🧠 5개 케이스에서 뽑아낸 공통 패턴

케이스들을 자세히 보면 6가지 반복되는 설계 패턴이 있어요. 이걸 익혀두면 "처음 보는 문제도 설계가 보이는 감각"이 생깁니다.

처음 자동화를 설계할 때 이 표를 보면서 "내 문제는 어떤 패턴인가?"를 먼저 고르면, 필요한 모듈이 거의 자동으로 나와요.

🚀 Hands-on: 5분 만에 첫 시나리오 만들기

이론만 보면 지루하니까, 실제로 Case 1(Gmail 첨부파일 → Drive 저장)을 Make.com에서 처음부터 만들어볼게요. Google 계정만 있으면 누구나 따라 할 수 있어요.

📋 준비물

• Google 계정 (Gmail + Drive 사용 중)
• Make.com 계정 (무료 가입 가능 — make.com → Sign up)
• 소요 시간: 5~10분

1️⃣ Step 1. Make.com 계정 만들기 (1분)

make.com 접속 → 우측 상단 "Get started free" → Google 계정으로 가입 → 지역(Region) 선택 (EU 또는 US). 가입 시 대시보드로 이동해요.

💡 여기서 일어나는 일: Make가 당신 계정으로 "빈 공장"을 하나 준비해요. 아직 라인은 깔려있지 않아요.

2️⃣ Step 2. 새 Scenario 만들기 (30초)

왼쪽 사이드바 "Scenarios" → 우측 상단 "+ Create a new scenario" 클릭. 빈 캔버스가 뜨고 가운데에 큰 원(+)이 보여요.

💡 여기서 일어나는 일: Scenario = Make 용어로 "자동화 파이프라인 하나"예요. n8n의 "Workflow"와 같은 개념.

3️⃣ Step 3. Trigger 모듈 추가 — Gmail "Watch emails" (2분)

1. 가운데 큰 원(+) 클릭 → 앱 검색창에 Gmail 입력
2. 아이콘 선택 → 목록에서 "Watch emails" 클릭
3. 첫 사용이라면 "Add a connection" → Google 로그인 창 → 권한 허용
4. 설정 화면:
   • Folder: INBOX
   • Criteria: Has attachment = Yes (첨부가 있는 메일만)
   • Mark emails as read: No (일단 그대로 둠)
   • Limit: 10 (한 번에 최대 10개씩 처리)
5. OK 클릭

💡 여기서 일어나는 일: "첨부파일 있는 새 메일이 들어오면 시작!"이라는 조건이 걸렸어요. Make가 주기적으로 Gmail을 체크할 준비 완료.

4️⃣ Step 4. Action 모듈 추가 — Google Drive "Upload a file" (2분)

1. Gmail 원의 오른쪽에 나타난 +를 클릭
2. 앱 검색창에 Google Drive → "Upload a file" 선택
3. 연결이 없으면 Google 계정 추가 (Gmail과 같은 계정 가능)
4. 설정 화면:
   • Source file: Gmail 모듈의 출력에서 Attachments[]를 드래그 (파란 풍선으로 표시됨)
   • Folder: Drive 폴더 선택 (예: "/Attachments")
   • File name: 그대로 두거나 원하는 템플릿 입력
5. OK 클릭

💡 여기서 일어나는 일: 두 개의 station이 선으로 이어졌어요. 컨베이어 벨트가 완성된 거예요.

5️⃣ Step 5. 테스트 실행 (Run once) (1분)

1. 하단 "Run once" 버튼 클릭
2. Make가 "기다리고 있어요" 표시 → Gmail에 첨부파일 있는 테스트 메일을 본인 계정으로 전송
3. 몇 초 후 양쪽 모듈에 작은 거품(balloon)이 뜨면서 숫자 "1"이 찍혀요 — 성공!
4. Drive에 가서 방금 업로드된 파일 확인

6️⃣ Step 6. 스케줄 켜기 (실전 배포) (30초)

1. 좌측 하단 토글 "Scheduling"을 켬
2. 실행 주기 설정: "Every 15 minutes" (무료 플랜 최소 간격)
3. 좌측 상단 저장(💾) 클릭
4. 이제 Scenario가 "ON" — 15분마다 Make가 Gmail을 확인하고 첨부파일을 Drive에 자동 저장해요.

🧩 여기까지 오면… 축하합니다!

방금 만든 것은 "나의 첫 디지털 조립 라인"이에요. 이제 이 라인은 내가 자든 깨어있든 24시간 돌아가요. 여기에 Station을 더 추가하면 Case 2, 3, 4, 5로 확장할 수 있어요.

⚠️ 자주 하는 실수 3가지 & 해결법

🚀 5분 체험 미션: 지금 이 글을 읽는 동안 바로 Make.com 가입하고 위 6단계를 따라 해보세요. 처음 자동화를 만들어본 쾌감은 말로 설명이 안 돼요. 직접 느껴봐야 감이 잡혀요!

🎯 다음 단계 체크리스트 (Hands-on 이후)

첫 시나리오가 돌아가기 시작했다면, 다음 단계는 "작은 것부터 점점 복잡한 것으로"예요. 아래 순서를 추천합니다.

1. 모듈 3개짜리 시나리오: Trigger 1 + 중간 변환 1 + Output 1 (오늘 만든 것)
2. 모듈 5~7개 + Router 1개: 조건 분기를 넣어보세요 (예: 이메일 제목에 "긴급" 포함 → Slack DM / 그 외 → 기록만)
3. LLM 모듈 포함: ChatGPT/Claude 모듈 1개 끼워넣기 (Case 2 수준)
4. Iterator + Aggregator: 배열 데이터를 다루는 법 익히기 (Case 5 수준)
5. 에러 핸들러 추가: 실패 시 Slack으로 알림 오게 만들기
6. 팀 공유: Blueprint Export로 동료에게 전달·피드백 받기

이 로드맵을 2~3주 안에 따라가면, 어떤 업무 자동화도 감이 잡히는 상태가 돼요. 한번에 모든 걸 익히려 하지 말고 주당 1~2단계씩 올라가세요.

⚖️ Make vs n8n 비교표

실제로 Hands-on을 해봤으니 이제 "그래서 둘 중 뭐 써요?"라는 질문이 자연스럽게 나올 거예요. 7가지 기준으로 비교해볼게요.

🎯 "이 사람에겐 이것을" 추천 박스

👤 타입 A: 비개발자 · 마케터 · 소규모 팀

✅ Make.com 추천. 가입 직후부터 직관적인 GUI로 시나리오를 만들 수 있어요. ChatGPT 모듈 한두 번만 써보면 대부분의 마케팅 자동화를 해결합니다. 처음 1개월은 Free plan으로 충분.

👤 타입 B: 파워유저 · 데이터 엔지니어 · AI 실험가

✅ n8n 추천. JavaScript 노드로 복잡한 데이터 변환이 가능하고, LangChain 스타일 AI 에이전트 노드가 기본 내장이라 RAG·Agent 파이프라인 구축에 최적. Self-host 무료라서 실험 비용도 0.

👤 타입 C: 기업 보안팀 · 금융·의료·법률·리서치 회사

✅ n8n 자체호스팅 추천. 개인정보·민감 데이터가 Make 서버를 거치지 않아요. 감사로그·SSO·온프레미스 배포까지 가능. 리서치 회사의 Case 5처럼 PII 보호가 필수인 경우 선택지는 사실상 n8n.

⚖️ 선택 한 줄 요약: 쉽고 빠르게 시작 = Make / 유연하고 안전하게 확장 = n8n. 두 도구는 적대적 관계가 아니에요. 팀에서 둘 다 쓰는 회사도 많아요 (마케팅은 Make, 데이터 파이프라인은 n8n).

🤔 언제 Make, 언제 n8n? 의사결정 가이드

위 비교표를 보고도 헷갈릴 수 있어요. 질문에 Yes/No로 답하면서 결론에 도달해볼게요.

  ┌──────────────────────────────────────────────────────────┐
  │                                                          │
  │   Q1. 자동화에 민감 데이터(PII·계약서·연구 원자료)가     │
  │        섞여 있나요?                                      │
  │                                                          │
  │       ├─ YES ─→ Q2. 자체호스팅 역량이 있나요?           │
  │       │          ├─ YES ─→ 🎯 n8n 자체호스팅            │
  │       │          └─ NO  ─→ 🎯 n8n 클라우드 (EU 리전)    │
  │       │                    또는 Make Enterprise         │
  │       │                                                  │
  │       └─ NO  ─→ Q3. 코딩 경험이 있나요?                 │
  │                   ├─ YES ─→ Q4. RAG/AI Agent 같은       │
  │                   │            복잡한 로직인가요?       │
  │                   │            ├─ YES ─→ 🎯 n8n        │
  │                   │            └─ NO  ─→ 🎯 Make        │
  │                   │                                     │
  │                   └─ NO  ─→ 🎯 Make (무조건 시작)       │
  │                                                          │
  └──────────────────────────────────────────────────────────┘

  실용 팁: 처음엔 Make로 시작하고, 필요해지면 n8n으로 갈아타세요.
         무료 플랜으로 둘 다 해봐도 시간은 하루면 충분!
        

💼 팀 단위 도입 시나리오

개인용이 아닌 팀·회사 도입을 고민한다면, 아래 3단계 로드맵이 가장 안전한 전략이에요.

1단계 — Pilot (2~4주)

팀 내 한 명의 "자동화 챔피언"이 Make.com Free 플랜으로 1~2개 작은 시나리오를 만들고 효과를 수치로 측정. 예: "매주 수작업 2시간 → 자동으로 10분". 이 수치가 도입 결정의 강력한 근거가 돼요.

2단계 — Scale (1~3개월)

팀 전체가 Make Teams 플랜 또는 n8n 자체호스팅으로 전환. 공통 템플릿 5~10개 정리. 주간 "자동화 공유회"를 돌려서 누가 어떤 시나리오를 만들었는지 팀원 간 학습.

3단계 — Governance (3개월 이후)

Production 워크플로우에 네이밍 규칙·권한 관리·에러 알림·감사 로그를 도입. 민감 데이터 처리는 n8n 자체호스팅으로 이전. 자동화 목록을 Confluence·Notion에 정리해서 "블랙박스" 현상 방지.

🔀 실제 상황별 추천

🤔 최종 한 줄: 헷갈리면 Make부터 시작하세요. 러닝커브가 낮아서 "자동화 감각"을 빨리 익힐 수 있어요. 나중에 n8n이 필요해지면 그때 옮겨도 늦지 않아요.

🛡️ 보안·데이터·비용 체크리스트

자동화는 양날의 검이에요. 한 번 라인을 잘못 깔면 민감 데이터가 외부로 유출되거나 요금 폭탄을 맞을 수 있어요. 특히 리서치 회사처럼 개인정보·연구 원자료를 다루는 환경에서는 꼭 체크해야 할 항목을 정리했어요.

🔒 1. 민감 데이터 처리 체크리스트

• ☐ PII(개인식별정보) 마스킹: 이메일·전화·주민번호·계좌를 LLM에 보내기 전에 마스킹하세요. 정규식 Replace 모듈로 처리 가능.
• ☐ API 키를 워크플로우에 하드코딩 금지: Make의 "Connections", n8n의 "Credentials" 기능을 사용. 팀원에게 공유 시 키가 노출되지 않아요.
• ☐ 외부 AI에 보내는 프롬프트 감사: ChatGPT/Claude에 보내는 시스템 프롬프트에 회사 기밀 정책이 들어있지 않은지 확인.
• ☐ 로그 보관 기간 설정: Make·n8n 실행 로그에 응답 원본이 그대로 남을 수 있어요. 민감 데이터가 포함된 워크플로우는 로그 보관 기간을 짧게 (예: 7일).
• ☐ 자체호스팅 시 HTTPS 강제: n8n을 내부 서버에 올렸다면 TLS 인증서를 꼭 설정. 평문 HTTP는 내부망이라도 지양.

💰 2. 비용 관리 체크리스트

• ☐ Operation 소진 예측: Make는 "하루 실행 수 × 모듈 수 × 30일"로 월간 Operation을 미리 계산. 여유 30% 버퍼.
• ☐ 무한 루프 방지: Trigger가 Output을 다시 트리거하는 회로를 방지. 예: "Slack에 메시지 보내기" 출력이 "Slack 메시지 감지" 트리거를 다시 깨우지 않는지.
• ☐ LLM 토큰 비용 추적: ChatGPT/Claude 호출마다 비용 발생. OpenAI 대시보드에서 사용량 알림 설정 (월 $20 초과 시 이메일 등).
• ☐ Scheduling 주기 최적화: 15분마다 체크 vs 1시간마다 체크는 Operation 4배 차이. 비즈니스 요구에 맞는 최소 주기로.
• ☐ Rate Limit 고려: 외부 API(OpenAI, Slack 등)는 분당 호출 제한이 있어요. 대량 처리 시 Iterator 모듈의 "Delay" 설정으로 간격 부여.

📋 3. 데이터 거버넌스 체크리스트 (리서치 회사 관점)

• ☐ 응답자 동의 고지: 설문·인터뷰 응답이 AI 분석에 쓰인다는 점을 동의서에 명시. GDPR·개인정보보호법 준수.
• ☐ LLM 학습 금지 옵션: OpenAI API는 기본적으로 고객 데이터를 학습에 쓰지 않지만, 반드시 "Data Usage Opt-out" 재확인. Anthropic Claude도 마찬가지.
• ☐ 리전 선택: 유럽 고객 데이터면 EU 리전 LLM (Azure OpenAI EU, Anthropic via AWS Bedrock EU) 사용.
• ☐ 감사 추적 로그 보관: "누가 어떤 워크플로우를 언제 수정했는지"가 기록되어야 해요. n8n Enterprise, Make Enterprise 둘 다 제공.
• ☐ 자동 분석 결과의 인간 검수: AI의 자동 분류·감성 평가는 100% 정확하지 않아요. 중요한 리포트 전에는 반드시 리서처 샘플 검수 단계 포함.

🧪 4. 운영 안정성 체크리스트

• ☐ 에러 알림 워크플로우 별도 구축: 메인 워크플로우가 실패하면 Slack #alerts로 알림. Make의 "Error handlers", n8n의 "Error Workflow" 기능 활용.
• ☐ 주요 워크플로우 버전 관리: n8n은 Git 연동 가능. Make는 내보내기(Export)로 JSON 백업을 주기적으로.
• ☐ 테스트 환경 분리: Production 워크플로우와 동일 복제본을 Staging으로. 수정 사항은 Staging에서 먼저 검증.
• ☐ 실패 재시도 정책: 기본 3회 재시도는 대부분 상황 OK지만, 멱등성(같은 요청 중복 처리 안전) 보장이 안 되는 경우(예: 결제)는 1회만.

🛡️ 보안 한 줄 요약: "자동화는 사람의 실수를 줄이지만, 잘못 설계된 자동화는 사람의 실수를 증폭해요." 특히 LLM에 보내는 데이터와 로그 보관 정책을 반드시 확인. 마케팅 리서치 회사라면 Case 5 같은 파이프라인에 PII 마스킹 단계를 절대 빼지 마세요.

🚨 실제로 자주 발생하는 5가지 사고 사례

현업에서 실제 일어나는 사고들을 미리 알면 예방할 수 있어요. 각 사례와 재발 방지책을 함께 봅니다.

사례 1. 무한 루프로 하룻밤에 Operation 10만 건 소진

상황: "Slack 메시지 감지 → 요약 → Slack 채널에 요약 전송" 시나리오를 만들었는데, 봇이 보낸 요약 메시지 자체를 트리거가 다시 감지하면서 끝없이 루프 발생.
예방: 트리거에 "봇이 보낸 메시지 제외" 필터 필수. 출력 채널과 트리거 채널을 분리하는 것도 방법.

사례 2. API 키 유출 → 외부 대량 호출

상황: 팀원이 테스트용으로 시나리오 JSON을 GitHub에 공유했는데, OpenAI API 키가 그대로 포함돼 있어 노출 → 제3자가 이틀간 수천 달러 호출.
예방: Connections/Credentials 기능으로만 키 관리. Export 전에 반드시 스캔. GitHub secret scanning 활성화.

사례 3. PII가 LLM 로그에 남아 규제 위반

상황: 고객 이메일·전화번호가 포함된 문의 데이터를 그대로 OpenAI에 전송 → 30일간 보관되는 로그에 PII 축적 → 감사에서 지적.
예방: LLM 호출 전 마스킹 단계 필수. OpenAI의 경우 Zero Data Retention 옵션을 Enterprise로 활성화.

사례 4. 잘못된 데이터 매핑으로 고객에게 타인 정보 노출

상황: 응답 배열의 인덱스를 잘못 매핑해서 "고객 A의 응답"이 "고객 B의 이메일"에 붙어서 발송됨.
예방: Run once로 샘플 데이터 테스트 필수. 고객 대면 출력은 Human-in-the-Loop 패턴(검수 단계)을 넣기.

사례 5. 스케줄 충돌로 중복 처리

상황: 같은 시나리오가 5분마다 돌아가는데, 처리에 8분이 걸려 두 실행이 겹침 → 같은 데이터 2번 처리.
예방: 실행 주기를 실제 처리 시간의 2배 이상으로. 또는 Data Store를 써서 "이미 처리 중" 플래그 관리.

⚠️ 사고 예방의 원칙: "모든 자동화는 처음엔 반드시 실패한다고 가정하세요." 중요한 시나리오일수록 Staging에서 먼저 돌려보고, 첫 주는 매일 로그를 확인하는 습관이 사고를 막아요.

❓ 자주 하는 질문 (FAQ)

Q1. 워크플로우가 중간에 에러 나면 어떻게 디버깅하나요?

Make/n8n 모두 실행 히스토리(Execution History)를 제공해요. 실패한 실행을 클릭하면 어느 모듈에서, 어떤 입력이, 어떤 에러를 냈는지가 한눈에 보여요. 대부분의 에러는 다음 4가지 중 하나예요:

• 인증 만료(토큰 재갱신)
• Rate limit 초과(간격 늘리기)
• 데이터 타입 불일치(매핑 재설정)
• API 응답 구조 변경(필드 이름 업데이트)

에러 메시지를 그대로 Google/ChatGPT에 붙여넣으면 90% 이상 해결 경로가 나옵니다.

Q2. ChatGPT 대신 Claude나 Gemini를 써도 되나요?

네, 자유롭게 바꿀 수 있어요. Make/n8n 모두 Anthropic Claude · Google Gemini · OpenAI ChatGPT · Azure OpenAI · Mistral 등 주요 LLM을 기본 모듈로 지원해요. "Swap out" 가능하므로 요금·성능·리전 정책에 따라 바꿔 써보세요. 한국어 품질은 Claude와 GPT-4 계열이 가장 우수한 편.

Q3. 워크플로우를 여러 버전으로 관리할 수 있나요?

n8n은 Git 연동으로 워크플로우 JSON을 저장소에 자동 커밋할 수 있어요 (Enterprise 기능). Make는 네이티브 버전 관리가 없지만 시나리오 Export → JSON → Git 커밋을 주기적으로 하면 유사 효과. 팀 협업에서는 이 프로세스를 습관화하는 것을 권장.

Q4. Make/n8n이 할 수 없는 일은 뭐가 있나요?

• 실시간(초 단위) 처리: 주식 거래·실시간 입찰처럼 초 단위 응답이 필요한 시스템은 부적합. 일반 업무는 분 단위로 충분.
• 대용량 배치(수백만 건/일): 개당 처리는 빠르지만, 수백만 건이면 Operation·메모리 한계. 이럴 땐 전용 ETL 도구(Airflow, Dagster).
• 복잡한 상태 머신: 수십 개 상태를 가진 주문·결제 시스템은 전용 워크플로우 엔진(Temporal, AWS Step Functions)이 더 적합.

이걸 제외하면 일상 업무 자동화의 95%는 Make/n8n으로 커버돼요.

Q5. Zapier와는 뭐가 다른가요?

Zapier는 Make·n8n과 같은 카테고리 경쟁자예요. 간단 비교:

3개 모두 무료 체험이 있으니 자기 업무에 맞게 한 번씩 써보는 게 가장 빠른 비교.

Q6. "내 회사 업무를 자동화하면 내 일자리가 사라지지 않을까요?"

아주 좋은 질문이에요. 실무에서 관찰되는 공통 패턴은 이래요:

• 자동화는 "반복되고 규칙적인 작업"만 없애요. 이 작업들은 대개 지겹고 실수 많은 업무였어요.
• 대신 "판단·창의·관계"가 필요한 고부가가치 일에 시간을 쓸 수 있어요.
• 자동화 도구를 "다룰 줄 아는 사람"이 팀에서 점점 더 중요해져요 — 여러분이 그 사람이 되세요!

결국 중요한 건 "자동화에 잡히지 않는 사람"이 되는 것이고, 그 첫걸음이 자동화를 이해하고 직접 만들어보는 것이에요.

Q7. 팀원들과 시나리오를 어떻게 공유하나요?

Make는 Teams 플랜부터 같은 조직 내 시나리오를 멤버 간 읽기·편집·실행 권한을 나눠 할당할 수 있어요. 외부 공유는 Blueprint Export(시나리오 JSON 파일 내보내기) 기능으로 공유받은 사람이 자기 계정에 가져와 실행하면 됩니다. n8n은 사용자 관리 + 역할(RBAC)이 Enterprise 기능으로 제공되며, 자체호스팅 시 Git 저장소로 워크플로우 변경을 버전 관리하는 게 업계 표준이에요.

Q8. AI가 만든 답변을 사람이 검수하지 않고 바로 고객에게 보내도 괜찮나요?

한마디로 "용도에 따라"예요. 다음 원칙을 기억하세요:

• 낮은 위험 (내부 참고용): 요약본·분류·태깅 → 자동 저장 OK
• 중간 위험 (고객 대면): CS 답변 초안·마케팅 카피 → 사람 검수 후 전송 권장
• 높은 위험 (법적·재무·의학): 계약서·진단·투자 권고 → 절대 자동 전송 금지

Case 3(고객 문의 RAG 답변)을 "초안"으로 설계한 이유가 바로 이것. 신뢰는 점진적으로 검증하면서 자동화 수위를 올리는 게 정답이에요.

Q9. 모바일에서도 편집할 수 있나요?

기술적으로는 가능하지만 권장하지 않아요. Make·n8n 모두 캔버스 기반이라 데스크톱 브라우저가 훨씬 편합니다. 단, 모니터링·실행 이력 확인·수동 재실행은 모바일 브라우저로도 충분히 가능. 급한 에러가 났을 때 "Slack 알림 → 모바일로 이력 확인 → 원인 파악 → 데스크톱 돌아가서 수정"이 흔한 운영 패턴.

🎓 핵심 요약

Week 5를 한 장으로 정리하면 이렇게 돼요.

• Make.com / n8n = 디지털 공장 조립 라인 — Trigger → Modules → Output의 조합으로 24시간 돌아가는 자동화를 만들어요.
• Week 5는 새 기술이 아니라 "지휘" — Week 1 Agent, Week 2 RAG, Week 3 API, Week 4 NotebookLM을 연결·자동화하는 방법이에요.
• Make = 비개발자·빠른 시작 / n8n = 개발자·자체호스팅·AI — 둘은 적이 아니라 상황에 맞게 고르는 도구.
• 5개 Practice Cases — Gmail→Drive 정리 / RSS→LLM 요약→Slack / 고객 문의 RAG 답변 / 경쟁사 뉴스 분석 / 설문 VOC 자동 분석 (마케팅 리서치).
• Hands-on 5분 체험은 무조건 해보세요 — "감각"이 생겨요.
• 보안·비용은 처음부터 챙기기 — PII 마스킹, Operation 예측, LLM 토큰 비용 추적, 자동 분석의 인간 검수.

🎯 한 줄 마무리: Make/n8n = 지난 4주간 배운 도구들을 연결해 "내 디지털 공장"을 만드는 방법. 처음엔 작은 시나리오 하나로 시작하세요. 5분의 Hands-on이 여러분의 업무 방식을 바꿀 수 있어요 🏭⚙️🚀

📚 다음 주 예고

Week 6에서는 오늘 배운 자동화 위에 더 똑똑한 AI 요소를 얹는 방법을 다룰 예정이에요. 오늘은 "조립 라인을 만드는 법"을 배웠다면, 다음 주는 "조립 라인에 판단력 있는 AI 직원을 배치하는 법"이에요.

📝 이번 주 숙제 (다음 수업 전까지)

이번 주 과제는 딱 세 가지예요. 부담 없이 할 수 있는 분량이니 꼭 해보세요.

1. 🏭 필수 과제 — "나만의 첫 조립 라인" 만들기
   Case 1(Gmail→Drive)을 그대로 따라 만들거나, 본인 업무에서 "매주 반복되는 짜증나는 작업"을 하나 골라 자동화해 보세요. 모듈 3~5개 규모로 충분. 스크린샷을 찍어서 팀 Slack에 공유해 주세요.
2. 🤔 선택 과제 — 5개 Practice Cases 중 하나를 골라 "설계 스케치" 작성
   코드를 쓰지 않고도 할 수 있어요. "이 자동화를 우리 팀에 적용한다면 Trigger는 뭐고, Module은 어떤 순서로, Output은 어디로?"를 종이에 그려보세요. 설계 감각이 빠르게 늘어요.
3. 📚 읽을거리 — Make.com 템플릿 갤러리 둘러보기
   make.com/en/templates에 가서 10개 정도의 템플릿을 클릭만 해봐도, "아 이런 자동화도 가능하구나"의 폭이 확 넓어져요.

직접 만들어 본 사람만 다음 주 수업이 재미있어져요! 실패해도 괜찮아요 — 실패에서 오는 질문이 가장 좋은 학습 소스예요.

🏭 수고하셨습니다!
이제 여러분은 디지털 공장의 공장장이에요. 첫 라인을 깔러 가볼까요?