n8n은 오픈 소스 기반의 로우코드(Low-Code)를 지향하는 워크플로 자동화 도구로, 약 350개 이상의 온라인 서비스 연결을 지원하며 다양한 업무 프로세스를 자동화할 수 있도록 돕는 플랫폼입니다. 유사한 기능을 제공하는 SaaS 기반의 Zapier나 Make와 같은 노코드 자동화 도구도 있지만, n8n은 셀프 호스팅을 제공하고 코드(자바스크립트)를 삽입할 수 있어 보다 사용자 친화적인 환경을 제공합니다.

아마 저와 같은 비개발자일수록 이러한 노코드 기반 도구에 관심이 많을 거로 생각합니다. 다만 n8n은 Zapier나 Make와 같은 툴과 달리 약간의 기술적 이해가 필요해 처음 사용하는 분들에게는 조금 어렵게 느껴질 수 있습니다.

하지만 최근 n8n의 클라우드 환경에 AI 워크플로 빌더(AI Workflow Builder) 기능이 추가되면서, 간단한 자연어 기반 채팅만으로도 워크플로를 구성할 수 있게 되었습니다. 이러한 기능이 사용의 진입 장벽을 낮추고 아이디어를 빠르게 프로토타입으로 전환하는 데 도움을 주며, 그 결과 다른 도구들에 비해 더 많은 비개발자들이 n8n을 선택하게 될 것으로 보입니다.

프로젝트 매니저인 내가 n8n의 매력에 빠진 이유

저는 그전부터 n8n 사용에 많은 관심을 가져왔습니다. 프로젝트 매니저로서, 프로젝트를 관리하며 그동안 슬랙, 지라, 서비스 나우, MS Office 등 다양한 도구의 자동화 기능을 사용해 보았지만, 이들 툴 내 자체 자동화 플로우만로는 연속적인 워크플로를 만들기에 부족했습니다. 특히 사용하는 프로젝트 도구가 다른 서비스와의 연동을 지원하지 않거나, 인터페이스 구현을 위해 추가 인증이나 개발이 필요한 경우가 많아 항상 ‘반쪽짜리’ 자동화를 사용한다고 느꼈습니다.

그런 맥락에서 n8n은 달랐습니다. 별도의 개발 없이도 워크플로 자동화를 위해 다양한 서비스를 쉽게 통합할 수 있었고, 시각적으로 데이터 흐름을 보여준다는 점도 인상적이었습니다. 최근에는 다양한 AI 모델을 연결해 RAG를 구성하거나, 여러 AI 서비스를 비교적 쉽게 구축할 수 있다는 점까지 더해져 마치 마법과 같다고 생각했습니다.

n8n은 동작하는 HLD

n8n을 본격적으로 공부하기 전, 이 도구가 제 업무에 어떤 의미를 가져다줄지 먼저 생각해 보았습니다. 특히 프로젝트를 관리하는 사람이 어떤 목적에서 n8n을 공부해야 하고, 실제 업무에 어떻게 활용할지 말이죠.

그렇게 n8n의 전체 플로우를 살피다 보니, 최근 진행한 여러 시스템을 통합해 데이터 플로우를 구축해야 하는 프로젝트가 떠올랐습니다. 파트너 시스템부터 자사 내 마지막 ERP 시스템까지, 10개가 넘는 프로덕트 팀과의 통합 작업이 필요했습니다. 그만큼 이해관계자가 많아, 상당한 커뮤니케이션 비용이 투입될 수밖에 없었습니다. 이로 인해 대부분의 미팅은 각기 다른 목적과 스펙을 가진 시스템을 어떻게 연동할지에 대한 논의로 채워졌습니다. 그 과정에서 일정 지연과 범위 변경에 대해, 현업에 있는 비즈니스팀을 설득하기 위한 추가적인 커뮤니케이션도 필요했습니다.

결국 이 프로젝트의 본질은 새로운 데이터 플로우를 구축하는 일이었습니다. 그러나 목표를 달성하기 위해 가장 많은 시간을 들인 부분은 다양한 프로덕트 담당자들이 데이터 흐름을 이해하고 시스템 간 통합을 위해 소통하고 협의하는 과정이었습니다.

이때 효과적이고 생산적인 커뮤니케이션을 위한 여러 전략 중 하나로, 많은 프로젝트 매니저는 프로젝트를 한눈에 볼 수 있는 문서를 작성해 활용합니다. 저 역시 프로젝트 당시 잘 정리된 하나의 HLD(High Level Diagram)를 만들어, 전체 아키텍처부터 데이터 플로우까지 쉽게 설명할 수 있었습니다. 이 문서는 커뮤니케이션 비용을 줄이는 매우 전략적인 무기로 활용되었습니다.

제가 파악한 n8n은 마치 동작하는 HLD와 같았습니다.

작동하는 n8n 워크플로 <출처: Artificial Engineering>

정적인 2차원의 HLD에서 한 뎁스 더 들어가, 이것저것 설정하면 HLD가 실제로 동작하며 인풋과 아웃풋까지 보여주는 경험을 할 수 있어 보였습니다. 또, n8n을 공부하며 자동화 워크플로를 만들어가는 과정은, 다양한 서비스를 통합하는 방법은 물론 데이터 플로우 구성에 필요한 여러 지식을 습득할 기회가 될 것이라 느꼈습니다.

그래서 n8n이라는 도구를 직접 경험해 보기로 했습니다. 표면적인 HLD 이면에 존재하는 조금 더 기술적이고 상세한 HLD의 단계들, 예를 들어 시스템의 데이터를 보내기 위한 인증, 데이터 포맷, 트랜스포메이션, 전송 방식과 그 결과 등 여러 단계를 직관적으로 파악해 더 넓은 인사이트를 얻고 싶었습니다. 또한 서로 다른 수준의 기술적 지식과 업무를 가진 이해관계자들 역시, 하나의 시각적인 HLD로 더 잘 커뮤니케이션하며, 프로젝트의 목표를 보다 효과적으로 달성하고자 했습니다.

n8n으로 개발 문해력을 높인 5단계 활용법

n8n을 사용해 보겠다고 결심한 순간, 곧바로 n8n 사이트에 접속해 가입하고 트라이얼(Trial)로 사용을 시작했습니다. 자동화하고 싶은 다양한 업무 아이디어를 적용해 보고 싶었지만, 회사의 보안 정책으로 인해 당장 업무 관련 도구를 연동할 수는 없었습니다. 이후에는 n8n 사이트 접근 자체도 제한되었습니다.

결국 ‘내 PC에서 개인적인 서비스를 만들어 보자’고 생각하게 되었고, 세 줄 일기를 입력하면 AI가 아이들이 읽을 수 있는 동화책을 생성해 주는 서비스를 만들어 보기로 결정했습니다.

첫 번째 단계. 워크플로 디자인해 보기

먼저 AI로 동화책을 생성하기 위해 어떤 워크플로가 필요한지 고민했습니다. 그 결과, 크게 세 가지 주요 이벤트를 정리할 수 있었습니다.

첫 번째는 AI가 동화책을 만들 수 있도록 정보를 제공하는 입력 단계로, 사용자가 세 줄 일기와 관련 이미지를 입력할 수 있어야 했습니다. 두 번째 이벤트에서는 입력된 정보를 가져와 프롬프트와 함께 AI가 동화를 생성하는 작업이 필요했습니다. 마지막으로 생성된 동화 내용을 결과로 받아 사용자에게 전달하는 단계가 있어야 했습니다. 그에 맞춰 입력은 구글 폼으로 받고, AI 모델로는 구글 제미나이를 사용하며, 동화책을 생성한 다음 그 결과는 지메일로 전달하도록 구성했습니다.

이를 위해 n8n에서 관련 서비스들을 하나씩 찾아 생성해 보았는데요. 서비스 자체를 추가하는 과정까지는 큰 문제가 없었지만, 각 서비스를 연결하는 단계에서 어려움에 부딪혔습니다. 노드(Node)마다 크리덴셜(Credential)을 연결하고, 익스프레션(Expression) 등 다양한 설정값을 입력하라는 안내가 나왔지만, 서비스들을 어떤 방식으로 써야 할지 감이 잡히지 않았습니다.

결국 Claude를 실행해 도움받기 시작했습니다.

두 번째 단계. AI 어시스턴트로 n8n 이해하기

물론 Claude가 직접 n8n의 워크플로에 접근해 확인하고 답변해 줄 수는 없습니다. 그래서 화면을 캡처해 공유하고 원하는 프롬프트를 입력하며 스무고개처럼 가이드를 받아야 하는 불편함은 있었습니다.

그럼에도 Claude와 대화를 이어가며 각 서비스를 어떻게 연결해야 하는지를 점차 이해할 수 있었습니다. 특히 이 대화로, n8n으로 자동화 플로우를 만들기 위해서는 크게 아래 세 가지 주요 관점에 대한 이해가 필요하다는 점을 알았습니다.

뭘로 만들지?
어떻게 연결하지?
언제 실행시키지?

1. 뭘로 만들지?

이 영역에서는 노드(Node)와 커넥션(Connection)이라는 n8n의 두 가지 용어를 이해해야 합니다.

노드: 워크플로를 구성하는 각각의 단계로, 특정 기능이나 작업을 수행하는 모듈입니다. AI 모델에 프롬프트를 입력하거나, 메일을 보내고, 데이터를 처리하는 등 기능을 수행하거나 트리거를 발생시킬 수 있습니다.
커넥션: 워크플로 안에서 노드들을 서로 연결하는 선을 의미하며, 이 선을 따라 데이터가 흐르면서 플로우를 분기하거나 결합할 수 있습니다.

즉, 다양한 노드를 각각 ‘무엇으로 만들지’가 정해지면, 커넥션으로 노드들을 연결하게 되고, 이렇게 구성된 전체 프로세스를 워크플로(Workflow)라고 부릅니다.

2. 어떻게 연결하지?

여기서는 각 노드를 연결하는 크리덴셜(Credentials)에 대한 이해가 필요합니다.

n8n은 크리덴셜이라는 인증 방식을 통해 외부의 다양한 서비스(Google, Notion, Slack 등)와 연결할 수 있도록 관리합니다. 각 플랫폼에서 제공하는 API 키라든지 인증에 필요한 정보를 생성한 다음, 이를 n8n 크리덴셜에서 등록하고 관리하는 구조입니다. 워낙 다양한 서비스와의 통합을 지원하다 보니, 크리덴셜을 별도로 관리하는 화면도 줍니다.

3. 언제 실행시키지?

마지막으로 알아야 할 개념은 실행(Execution)입니다. 노드 단위로도 실행할 수 있고, 전체 워크플로를 대상으로 한 엔드 투 엔드(E2E) 실행도 가능합니다.

노드 실행으로는 실제 인풋과 아웃풋 데이터를 확인할 수 있으며, 전체 실행을 통해서는 성공인지 실패인지, 데이터는 무엇이 오갔는지에 대한 상세 로그를 확인할 수 있습니다. 이를 바탕으로 디버깅이 가능하고, 그렇게 만든 워크플로는 활성화를 통해 운영 모드로 전환할 수 있습니다.

이처럼 저는 새로운 툴을 접할때 별도 튜토리얼이나 가이드를 보지 않고 바로 실행하며 개념을 어렵게 익히지만, 독자분들은 저처럼 시간을 낭비하지 않기 위해서도 이러한 기본 개념들은 미리 확인하면 좋을 것 같습니다.

세 번째 단계. AI와 함께 하나씩 연결해 보기

1. 구글 폼(앱 스크립트) > n8n 웹훅(Webhook) 노드

n8n은 앱이나 웹과 같은 UI를 퍼블릭에 배포할 수 없다는 한계가 있습니다. 이 때문에 많은 사람이 쉽게 세 줄 일기를 입력할 수 있도록, 입력 수단으로 구글 폼을 사용하기로 했습니다.

이처럼 사용자가 구글 폼에 입력한 데이터를 n8n으로 전달하기 위해서는 웹훅 노드를 활용해야 했습니다. n8n 웹훅으로 데이터를 받으려면, 구글 폼에서 데이터를 전달할 수 있는 이벤트를 만들어야 합니다. 이를 위해 구글 앱 스크립트를 활용해 간단한 함수를 작성하고, n8n에서 제공하는 웹훅 URL과 연결해 데이터를 전달하도록 했습니다.

특히, 웹훅이라는 용어는 들어보기만 했지 실제로 연동해 본 것은 이번이 처음이었습니다. 이 과정을 통해 이벤트가 발생했을 때 지정된 URL로 HTTP POST 요청을 보내, 데이터를 실시간으로 전달하는 웹훅의 기술적 동작을 이해할 수 있었습니다.

2. 웹훅 노드 > AI 노드(feat. 구글 제미나이)

다음 단계에서는 구글 폼으로부터 입력받은 데이터를 구글 제미나이(Gemini)로 보내 동화책을 만들어 달라고 프롬프트로 요청하는 노드를 구성했습니다. 이때 구글 제미나이에 프롬프트를 전달하기 위해서는 API 기반의 크리덴셜 설정이 필요했습니다. 쉽게 말해 인증 절차를 구성하는 과정인데요. Google AI Studio에서 API 키를 발급받아 인증을 설정할 수 있었습니다.

인증이 완료되면 해당 노드에 필요한 프롬프트를 입력하고, API 폴링(polling)을 통해 실행 결과를 받아올 수 있습니다. 이 과정을 거치며 API 인증 방식 중 하나인 키(Key) 기반 인증 단계를 이해할 수 있었습니다. 특히 서버 간 단순 API 호출에서는 API 키를 활용해 요청을 처리한다는 점, 또한 API 콜로 요청이 발생할 때마다 실행되는 구조를 더 구체적으로 이해하게 되었습니다.

3. AI 노드 > Code 노드 > Gdrive 노드 > HTTP Request (feat. Hugggingface)

AI로 생성된 동화 내용뿐 아니라, 구글 폼으로 전달받은 이미지를 또 다른 이미지 생성 모델에 전달하는 작업도 준비했습니다. 이를 위해 자바스크립트 기반으로 아웃풋 데이터를 분기하는 로직을 추가했습니다.

이는 Claude가 제안한 대로 별도 데이터베이스를 만드는 대신, Gdrive에 이미지를 저장한 다음 이를 다시 꺼내 이미지 모델 API로 전달하는 방식을 따랐습니다. 이때 노드의 커넥션을 복잡하게 분기하기보다는, 로직으로 데이터를 분기하고 단방향으로 전달하는 게 더 효과적이라고 판단했습니다. 다만 그렇게 노드와 커넥션을 만들고 나니, 후속 데이터 처리를 위해 추가적인 Code 노드를 생성해야 했습니다.

나중에 돌아보며 굉장히 비효율적인 구조라는 것을 깨달았지만, Code 노드를 통해 약간의 자바스크립트 지식만으로도 데이터를 다양한 방식으로 변형하고 전달할 수 있다는 점을 알게 되었습니다.

한편, 무료로 이미지를 생성할 수 있는 AI 모델을 찾던 중 오픈 소스 모델을 제공하는 Hugging Face를 알게 되었습니다. 구글 제미나이와 마찬가지로 Hugging Face 사이트에서 API 키를 발급받아 크리덴셜 설정을 진행했습니다. 안타깝게도 n8n에서는 Hugging Face 전용 API 노드를 제공하지 않기 때문에, HTTP Request 노드를 사용해 Body에 JSON 형식으로 이미지와 프롬프트를 전달하도록 설정해야 했습니다.

4. HTTP Request(API) > Code 노드 > Gmail

마지막으로 Hugging Face API로 받은 동화 이미지를 기존의 동화 내용과 병합(Merge)하고, 이메일 발송을 위한 HTML 포맷까지 더한 Code 노드를 만들었습니다. 이후 Send an email 노드를 통해 최종 결과를 이메일로 전달하도록 설정했습니다. 역시 Gmail 크리덴셜 연결이 필요합니다.

이처럼 여러 시행착오를 거치며, AI가 세 줄 일기로 동화책을 만들어 주는 하나의 워크플로를 완성할 수 있었습니다. 이제는 구글 폼에 정보를 입력하고 제출하기만 하면, AI가 자동으로 동화책을 생성해 제 이메일로 전달해 줍니다. 겉보기에는 간단해 보이는 서비스였지만, 이 워크플로를 만들기 위해 총 9개의 노드와 서비스 연동, 인증 설정, 코드 작성 과정을 거쳐야 했습니다. 생각했던 것보다 작업에 꽤 많은 시간이 들었지만, 그만큼 짧은 시간 안에 시스템 통합과 데이터 전달에 대한 기술적인 지식을 효과적으로 이해할 수 있었습니다.

무엇보다 2차원적으로만 바라보던 제 HLD 분석 능력이 각 단계의 기술적 내용을 이해하고 나니 발전해, HLD 뒤에 숨어 있던 연결고리까지 조금씩 눈에 보이기 시작한 것 같았습니다.

네 번째 단계. n8n 클라우드 AI 워크플로 빌더 활용해 보기

사실 Claude를 활용해 며칠간 동화책을 열심히 만들고 있다 보니, n8n에 AI 워크플로 빌더라는 기능이 출시되었습니다. 다른 AI 어시스턴트와 유사하게, n8n의 워크플로 화면을 IDE처럼 활용해 대화하며 원하는 프로토타입을 빠르게 구축할 수 있는 기능이었습니다.

AI 빌더를 직접 실험해 보려고, 등록해 둔 RSS 사이트를 정리해 매일 아침 9시에 메일로 보내는 기본 자동화를 만들어 달라고 요청했는데요. 이런 수준의 간단한 워크플로는 다른 AI 챗봇처럼 정말 뚝딱 생성해 주었습니다. 물론 필요한 크리덴셜과 같은 부분은 여전히 직접 설정(setup)해야 했지만, 어떤 절차로 해야 하는지 아주 상세하게 가이드해 주기 때문에 더 쉽고 빨랐습니다. 저처럼 다른 AI 어시스턴트의 도움을 받지 않아도, n8n 안에서 바로 실행할 수 있다는 점에서 더욱 효과적으로 느껴졌습니다.

그래서 이 AI 빌더로 앞서 제가 만들어 둔 워크플로를 개선해 보고자 했습니다. 기존 워크플로를 가져와 임포트(import)하고, 동화 생성 영역과 이미지 생성 영역을 나눠 개선해 달라고 요청했습니다. 그러자 정말 몇 초 만에, 더 나은 워크플로를 생성해 주길래, 그동안의 고생이 조금은 허무하게 느껴지기도 했습니다.

마지막 단계. n8n 셀프 호스팅으로 클라우드(Cloud) 운영해 보기

n8n을 알아가다 보니 클라우드 서비스를 비용을 지불하지 않고 셀프 호스팅(Self-Hosting) 방식으로 사용할 수 있다는 점을 알게 되었습니다. n8n의 여러 버전 중 커뮤니티 에디션을 사용하면, 월 사용료를 내지 않고도 직접 자신의 클라우드 환경에서 운영할 수 있습니다. 일석이조의 기회라 생각하며 호기롭게 시작해 보았습니다.

셀프 호스팅 방법은 n8n사이트 공식 문서에 상세히 작성되어 있으며 NPM, Docker으로 설치할 수 있습니다.

GCP(Google Cloud Platform) n8n Project <출처: 작가>

1. 개인 PC에 셀프 호스팅하기

일단 n8n에서 추천하는 Docker 기반 설치 방식을 선택했습니다. 저는 클라우드 서비스에 대한 기초적인 지식만 있을 뿐, Docker나 컨테이너는 한 번도 써보지 않았지만, 일단 무지성 시작해 보기로 했습니다.

클라우드 환경은 GCP(Google Cloud Platform)였고, AI 에이전트의 도움을 받아 가며 한 땀 한 땀 Docker와 컨테이너 환경을 구성해 n8n을 설치해 나갔습니다. 처음으로 SSH(셸 스크립트) 명령어를 직접 입력하는 등 우여곡절이 많았습니다. 특히 명령어 기반 CLI 환경이 처음이다 보니, 명령 순서를 잘못 입력하거나 예기치 못한 에러가 발생했을 때 어디서 문제가 생겼는지 추척하지 못해 시간을 많이 소요하기도 했습니다. 그럼에도 여러 시행착오를 거친 끝에, 로컬 호스트에서 n8n을 실행하는 데까지 도달할 수 있었습니다. (아마 Docker와 클라우드 서비스에 익숙한 분들이라면 몇 시간이면 충분히 끝낼 수 있는 작업일지도 모르겠습니다.)

2. 서비스 형태로 제공하기

이처럼 어렵게 셀프 호스팅에 성공하고 나니 자연스럽게 욕심이 더 생겼습니다. 단순히 내 PC에서만 사용하는 수준을 넘어, 웹사이트 형태로 만들어 어디서든 서비스에 접속하도록 만들고 싶어졌습니다. 그래서 Cloudflare에 n8n 서비스를 위한 도메인을 만들고, 인터넷만 있으면 언제든 접근할 수 있도록 구성했습니다.

도메인 기반으로 사이트를 운영하면서 예상치 못한 일들이 많았는데요. 저만 사용하는 사이트였기 때문에 CPU나 API 사용량이 많지 않아야 했는데, 간혹 사용량이 최대치(max)에 가까워지며 사이트 접속이 불가능해지고, 예상보다 비용이 더 발생하는 일들이 생겼습니다. GCP 콘솔에서 트렌드와 로그를 모니터링하니, 해외 봇이 사이트를 공격하고 있다는 것도 알게 되었습니다.

이를 막기 위해 보안 설정을 강화하고 알람을 추가로 설정하는 과정까지 경험하니 인프라를 직접 운영하는 데 따른 고충(?)을 이해할 수 있었습니다. 그동안 팀 내 솔루션 아키텍트가 이야기하던 효율화 방안이나 개선 제안들에 대해 이전보다 훨씬 깊이 공감하게 된 계기이기도 했습니다.

이런 노력에도 결과적으로 제가 만든 도메인은 회사 방화벽에 막혀 집에서만 사용하게 되었지만, 그 과정 자체만으로도 충분히 값진 경험이었다고 생각하며 긍정 회로를 돌리고 있습니다.

마치며

비개발자로서 언젠가는 개발을 더 깊이 이해하고, 스스로 동작하는 기능을 만들어 보고 싶다는 막연한 생각만 해왔습니다. 이번에 n8n을 통해 기술 지식을 비교적 쉽게 이해하고, 나만의 워크플로를 직접 자동화해 볼 수 있었던 경험은 생각보다 큰 도움이 되었습니다. 특히 이번 과정은 결과물 그 자체보다도, 시스템 간 연동 방식과 내부 동작 구조를 하나하나 직접 연결하고 이해하는 과정에서 더 많은 배움을 얻을 수 있었습니다.

요즘은 n8n뿐만 아니라 다양한 AI 어시스턴트로 코딩에 대한 진입 장벽이 빠르게 낮아지고 있다고 느낍니다. 이러한 환경 속에서 저와 같은 비개발자들도 직접 경험하고 시도해 볼 수 있는 기회를 가져보셨으면 합니다. 제 글이 그런 시도의 시작이 되기를 바랍니다.