10.1 No-Code AI 자동화 플랫폼
No-Code AI 자동화란? 프로그래밍 없이 시각적 인터페이스와 AI 기능을 결합하여 반복적인 업무를 자동화하는 방식입니다. 트리거(이벤트 발생) → 액션(처리) → 출력(결과)의 파이프라인을 드래그&드롭으로 구성하며, AI 노드를 중간에 삽입해 텍스트 분류, 요약, 생성, 번역 등의 지능형 처리를 추가할 수 있습니다. PM은 개발자 도움 없이 자신의 업무 흐름을 직접 자동화할 수 있어 생산성이 크게 향상됩니다.
주요 No-Code 자동화 플랫폼 비교
| 플랫폼 | 가격 (월) | AI 기능 | 난이도 | 연동 수 | 추천 용도 |
|---|---|---|---|---|---|
| Make (Integromat) | 무료 ~ $29 | OpenAI, Claude, Gemini 노드 내장, 텍스트 처리 모듈 | 중급 | 1,500+ | 복잡한 멀티스텝 자동화, 데이터 변환, PM 보고 자동화 |
| Zapier AI | 무료 ~ $49 | AI by Zapier (GPT-4o), Zapier Central 에이전트 | 초급 | 7,000+ | 간단한 앱 연동, 비기술 팀원, 빠른 프로토타입 |
| n8n | 무료(셀프호스팅) ~ $24 | LangChain 통합, AI 에이전트 노드, RAG 파이프라인 | 고급 | 400+ | 데이터 보안 중요 환경, 고급 AI 워크플로우, 개발팀 협업 |
PM 업무 자동화 레시피 5선
레시피 1: 고객 피드백 자동 분류 & Slack 알림
graph LR
A[고객 피드백 수신\nGoogle Form / 이메일] --> B[Make 트리거\n새 항목 감지]
B --> C[OpenAI 노드\n감정 분류 + 카테고리 태깅]
C --> D{분류 결과}
D -->|버그/장애| E[Slack #urgent-bugs 채널\n즉시 알림]
D -->|기능 요청| F[Jira 백로그\n자동 이슈 생성]
D -->|긍정 피드백| G[Notion 데이터베이스\n성공 사례 축적]
D -->|일반 문의| H[CS팀 이메일\n자동 할당]
레시피 2: 일일 보고서 자동 생성 & 이메일 발송
graph LR
A[매일 오전 9시\n스케줄 트리거] --> B[Jira API\n어제 완료 이슈 수집]
B --> C[Google Analytics\n주요 지표 수집]
C --> D[Claude/GPT\n보고서 초안 생성]
D --> E[Google Docs\n보고서 저장]
E --> F[Gmail\n관련 이해관계자 발송]
F --> G[Slack\n보고서 링크 공유]
레시피 3: Jira 이슈 AI 요약 → 주간 리포트
graph LR
A[매주 금요일 오후 5시] --> B[Jira API\n주간 이슈 전체 수집]
B --> C[AI 노드\n이슈별 1줄 요약]
C --> D[AI 노드\n우선순위 자동 분류]
D --> E[템플릿 엔진\n주간 스프린트 리포트 조립]
E --> F[Confluence 페이지\n자동 게시]
F --> G[Slack #weekly-report\n요약본 + 링크 발송]
레시피 4: 회의 녹음 → STT → 액션아이템 추출
graph LR
A[Zoom/Google Meet\n녹화 파일 업로드] --> B[Whisper API\nSTT 변환]
B --> C[Claude\n회의록 구조화\n요약 + 결정사항]
C --> D[Claude\n액션아이템 추출\n담당자 + 기한]
D --> E[Notion\n회의록 자동 저장]
D --> F[Jira\n액션아이템 이슈 생성]
F --> G[Slack DM\n담당자 개별 알림]
레시피 5: 경쟁사 뉴스 모니터링 → AI 분석 → 대시보드
graph LR
A[RSS 피드 / Google Alert\n매시간 모니터링] --> B[키워드 필터링\n관련 뉴스만 선별]
B --> C[GPT-4o\n핵심 인사이트 추출\n경쟁사 전략 분석]
C --> D[중요도 스코어링\n1~5점 자동 평가]
D --> E{중요도}
E -->|4~5점| F[Slack #competitive-intel\n즉시 알림]
E -->|1~3점| G[Airtable 대시보드\n주간 누적]
G --> H[주간 경쟁 분석 리포트\n자동 생성]
실습: 간단한 자동화 워크플로우 설계
아래 템플릿을 활용해 여러분의 반복 업무 하나를 자동화 워크플로우로 설계해보세요.
- 트리거 정의: 언제 자동화가 시작되나요? (이메일 수신 / 시간 스케줄 / 폼 제출 등)
- AI 처리 단계: AI가 무엇을 처리해야 하나요? (분류 / 요약 / 생성 / 번역)
- 출력 대상: 결과를 어디에 저장하거나 누구에게 전달하나요?
- 예외 처리: AI가 확신하지 못할 때 어떻게 할까요? (인간 검토 큐에 넣기)
Make.com의 무료 플랜으로 월 1,000 작업까지 무료로 시작할 수 있습니다.
10.2 컨텍스트 엔지니어링 심화
컨텍스트 엔지니어링이란? 단순히 좋은 프롬프트를 쓰는 것을 넘어, LLM이 올바른 결과를 낼 수 있도록 컨텍스트 윈도우 전체(시스템 프롬프트, 도구 정의, 문서, 메모리, 대화 이력)를 체계적으로 설계하는 규율입니다. Anthropic의 수석 엔지니어 Zack DeWitt가 2025년 명명한 개념으로, AI 에이전트 시대의 핵심 역량이 되었습니다. 더 나아가 2026년에는 하네스 엔지니어링(Harness Engineering)으로 진화하여 AI 시스템 전체의 실행 환경을 설계하는 개념으로 확장되고 있습니다.
AI 엔지니어링의 3단계 진화
timeline
title AI 엔지니어링 패러다임 진화
2022 : 프롬프트 엔지니어링
: 좋은 질문 = 좋은 답변
: 단일 프롬프트 최적화
: "역할, 맥락, 예시 포함"
2024 : 컨텍스트 엔지니어링
: 컨텍스트 윈도우 전체 설계
: 시스템 프롬프트 + 도구 + 문서
: CLAUDE.md / AGENTS.md 등장
2025 : 하네스 엔지니어링
: AI 실행 환경 전체 설계
: 멀티 에이전트 오케스트레이션
: 메모리 + 도구 + 권한 + 라우팅
컨텍스트 엔지니어링 핵심 요소
| 구성 요소 | 역할 | 예시 | 중요도 |
|---|---|---|---|
| 시스템 프롬프트 | AI의 역할, 행동 규칙, 페르소나 정의 | CLAUDE.md, AGENTS.md | ★★★★★ |
| 도구 정의 (Tool Use) | AI가 호출할 수 있는 외부 함수/API 목록 | 검색 도구, 코드 실행, MCP 서버 | ★★★★★ |
| 문서 첨부 | 참조할 지식 베이스, 코드베이스 | PRD, 코드 파일, API 명세 | ★★★★☆ |
| 메모리 관리 | 장기 기억 저장 및 관련 정보 검색 | RAG 시스템, 벡터 DB | ★★★★☆ |
| 대화 이력 | 이전 대화 맥락 유지 및 요약 | 요약 압축, 슬라이딩 윈도우 | ★★★☆☆ |
| 출력 형식 지정 | 구조화된 응답 유도 (JSON, Markdown) | 스키마 정의, Few-shot 예시 | ★★★☆☆ |
CLAUDE.md / AGENTS.md 작성법 — 실전 예시
프로젝트 루트에 CLAUDE.md 파일을 만들면 Claude Code가 자동으로 읽어 컨텍스트로 활용합니다. PM은 이 파일을 통해 AI에게 프로젝트 규칙을 주입할 수 있습니다.
CLAUDE.md 작성 예시 (PM 프로젝트용)
# 프로젝트: 커머스 플랫폼 리뉴얼 (2026 Q2)
## 프로젝트 개요
- 목표: 기존 레거시 PHP 쇼핑몰을 React + Node.js로 전환
- 팀: PM 1명, PL 1명, 프론트엔드 2명, 백엔드 2명
- 마감: 2026년 6월 30일
## AI 행동 규칙
1. 모든 코드 변경은 기존 컨벤션(ESLint 설정)을 따를 것
2. 커밋 메시지는 Conventional Commits 형식 사용
3. 한국어로 주석 작성
4. 보안에 민감한 정보는 .env 파일에만 저장
## 용어 사전
- "상품": Product (DB 테이블명: products)
- "회원": User (DB 테이블명: users)
- "주문": Order (DB 테이블명: orders)
## 금지 사항
- 프로덕션 DB 직접 수정 금지
- console.log 코드 커밋 금지
- any 타입 사용 금지 (TypeScript strict mode)
## 참고 문서
- API 명세: docs/api-spec.md
- 디자인 시스템: docs/design-system.md
- 데이터 모델: docs/erd.md효과적인 컨텍스트 설계 프레임워크
graph TD
A[컨텍스트 설계 시작] --> B[목적 명확화\n무엇을 시키고 싶은가?]
B --> C[역할 정의\nAI가 누구로 행동해야 하는가?]
C --> D[제약 조건 목록화\n해야 할 것 / 하지 말아야 할 것]
D --> E[필요 정보 파악\n어떤 문서/데이터가 필요한가?]
E --> F[도구 선정\n어떤 외부 API를 사용할 것인가?]
F --> G[출력 형식 정의\n결과물을 어떤 형태로 받을 것인가?]
G --> H[Few-shot 예시 추가\n좋은 예시와 나쁜 예시 포함]
H --> I[테스트 및 반복 개선]
3대 AI 엔지니어링 종합 비교
graph LR
subgraph "1. 프롬프트 엔지니어링"
P1["사용자"] -->|"좋은 질문"| P2["LLM"]
P2 --> P3["답변"]
end
subgraph "2. 컨텍스트 엔지니어링"
C1["시스템 프롬프트\n+ 도구 + 문서 + 메모리"] --> C2["LLM"]
C3["사용자"] --> C2
C2 --> C4["정확한 답변"]
end
subgraph "3. 하네스 엔지니어링"
H1["오케스트레이터"] --> H2["에이전트 A"]
H1 --> H3["에이전트 B"]
H1 --> H4["에이전트 C"]
H2 --> H5["도구/API"]
H3 --> H5
H4 --> H5
H5 --> H6["통합 결과"]
end
style P2 fill:#ff9800,color:#fff
style C2 fill:#4caf50,color:#fff
style H1 fill:#2196f3,color:#fff
| 구분 | 프롬프트 엔지니어링 | 컨텍스트 엔지니어링 | 하네스 엔지니어링 |
|---|---|---|---|
| 등장 시기 | 2022~ | 2024~ | 2025~ |
| 범위 | 단일 프롬프트 최적화 | 컨텍스트 윈도우 전체 설계 | AI 시스템 실행 환경 전체 설계 |
| 대상 | 사용자 메시지 문구 | 시스템 프롬프트 + 도구 + 문서 + 메모리 | 멀티 에이전트 + 도구 체인 + 권한 + 라우팅 + 메모리 |
| 비유 | 좋은 질문을 하는 기술 | 회의실 환경을 세팅하는 기술 | 조직 전체를 설계하는 기술 |
| 적용 시점 | 매 대화마다 | 시스템 설계 단계 | 아키텍처 설계 단계 |
| 효과 지속성 | 일회성 | 지속적 (모든 세션) | 영구적 (시스템 수명 동안) |
| 필요 역량 | 좋은 질문 능력 | 시스템 설계 + AI 이해 | 아키텍처 설계 + 오케스트레이션 + 보안 |
| 주요 활용 | 일회성 작업, 개인 사용 | 에이전트 시스템, 팀 협업 도구 | 멀티 에이전트 플랫폼, 기업 AI 인프라 |
| 대표 도구 | ChatGPT, Claude.ai | CLAUDE.md, AGENTS.md, MCP | Claude Code + Hooks, LangGraph, CrewAI |
PM/PL 관점: 프롬프트 엔지니어링은 "개인 생산성", 컨텍스트 엔지니어링은 "팀 표준화", 하네스 엔지니어링은 "조직 AI 인프라"에 해당합니다. PM/PL은 컨텍스트 엔지니어링까지는 직접 설계할 수 있어야 하며, 하네스 엔지니어링은 개발팀과 협업하여 요구사항을 정의하는 역할을 합니다. 하네스 엔지니어링 상세는 10.6 하네스 엔지니어링에서 다룹니다.
10.3 추론 모델 & 확장된 사고
추론 모델(Reasoning Model)이란? 답변 전에 내부적으로 긴 "사고 과정(Chain of Thought)"을 수행하여 복잡한 문제를 단계적으로 해결하는 LLM입니다. OpenAI의 o1·o3, Claude의 Extended Thinking, Google의 Gemini 3 Deep Think(2026-04-22 출시, AI Ultra 구독 전용)이 대표적입니다. 일반 모델이 즉각적으로 답변하는 반면, 추론 모델은 수초~수십 초의 "내부 독백(inner monologue)"을 거쳐 훨씬 정확하고 논리적인 결론을 도출합니다. 단, 토큰 비용이 5~20배 더 높습니다.
일반 모델 vs 추론 모델 비교
| 구분 | 일반 모델 (GPT-5.5, Claude Sonnet 4.6, Gemini 3 Flash) | 추론 모델 (o3, Claude Extended Thinking, Gemini 3 Deep Think) |
|---|---|---|
| 응답 속도 | 1~3초 | 10초~3분 |
| 토큰 비용 | 기준 (1x) | 5~20배 더 높음 |
| 단순 작업 정확도 | 매우 높음 | 비슷 (과도한 투자) |
| 복잡한 추론 정확도 | 보통 | 매우 높음 (30~50% 향상) |
| 수학/코딩 문제 | 중간 수준 | 전문가 수준 |
| 창의적 작업 | 우수 | 비슷하거나 느림 |
| 주요 활용 | 문서 작성, 번역, 요약, 일상 작업 | 복잡한 분석, 전략 수립, 디버깅 |
추론 모델 동작 원리
graph TD
A[복잡한 문제 입력] --> B[문제 분해\n하위 문제로 분할]
B --> C[가설 1 생성\n첫 번째 접근법 탐색]
B --> D[가설 2 생성\n두 번째 접근법 탐색]
C --> E[단계별 추론\n논리적 검증]
D --> E
E --> F{결과 일치?}
F -->|불일치| G[재검토 및 수정\n오류 발견 시 역추적]
G --> E
F -->|일치| H[최종 검증\n논리적 일관성 확인]
H --> I[최종 답변 출력\n근거 포함]
PM 업무에서의 추론 모델 활용 사례
| 업무 유형 | 구체적 활용 | 기대 효과 | 권장 모델 |
|---|---|---|---|
| 복잡한 데이터 분석 | 다차원 지표 분석, 이상치 원인 규명 | 분석 정확도 40% 향상 | Claude Extended Thinking |
| 전략적 의사결정 | Make or Buy 분석, 기술 스택 선정 | 고려 요소 누락 방지 | o3, Claude Sonnet 4.6 |
| 리스크 분석 | 프로젝트 리스크 연쇄 영향 분석 | 숨겨진 리스크 발견 | o3-mini (비용 효율) |
| 복잡한 요구사항 분석 | 모호한 요구사항 구체화, 엣지 케이스 발굴 | 개발 중 발생하는 재작업 50% 감소 | Claude Extended Thinking |
| 경쟁사 전략 분석 | 복합적 시장 신호 해석 | 인사이트 깊이 향상 | o3 |
언제 일반 모델 vs 추론 모델을 쓸까?
graph TD
A[작업 시작] --> B{명확한 정답이\n있는 작업?}
B -->|Yes| C{복잡한 논리/수학\n추론 필요?}
B -->|No| D[일반 모델 사용\n창의적 작업, 글쓰기]
C -->|Yes| E{비용이\n중요한가?}
C -->|No| F[일반 모델 사용\n요약, 번역, 분류]
E -->|비용 중요| G[o3-mini 또는\nClaude Haiku Extended]
E -->|품질 우선| H[o3 또는\nClaude Extended Thinking]
D --> I[GPT-4o / Claude Sonnet]
F --> I
비용 대비 효과 분석
추론 모델은 비용이 높지만, 아래 경우에는 투자 가치가 있습니다:
- 고비용 실수를 방지: 잘못된 기술 선택, 아키텍처 결정의 재작업 비용이 추론 모델 비용보다 클 때
- 반복되는 복잡한 분석: 매주 수행하는 데이터 분석을 자동화할 때
- 전문가 검토 대체: 외부 컨설턴트 비용 대비 훨씬 저렴
- 규칙: 월 10만 원 이상의 가치를 창출하는 작업에만 추론 모델 사용