[바이브코딩-EP19] AI 자동화 봇 만들기 - 슬랙·디스코드·카카오톡 봇에 Claude·GPT 연동

AI 기술이 일상에 깊숙이 파고들면서, 이제 단순한 정보 검색을 넘어 메신저 환경에서 직접 업무를 처리하는 AI 자동화 봇은 더 이상 미래의 이야기가 아닙니다. 2026년 현재, 슬랙, 디스코드, 카카오톡과 같은 주요 메신저 플랫폼에서 클로드(Claude)나 GPT 같은 대규모 언어 모델(LLM)을 연동하여 자연어로 복잡한 작업을 지시하고 자동화하는 것이 현실이 되었습니다. 이 글에서는 이러한 AI 봇을 실제로 구축하고 배포하며, 심지어 스스로 판단하여 작업을 수행하는 에이전트 패턴까지 설계하는 방법을 깊이 있게 다룹니다.

바쁜 당신을 위한 30초 핵심 정리

AI 자동화 봇은 슬랙, 디스코드, 카카오톡 같은 메신저에서 클로드나 GPT API를 활용해 자연어로 업무를 처리하는 시스템입니다. 단순 질의응답을 넘어 노션, 구글 캘린더, GitHub Issues 등 외부 서비스와 연동하여 실제 작업을 수행할 수 있습니다. MCP(Message Command Processor) 방식이나 직접 API를 호출하여 봇을 개발하며, 에이전트 패턴을 적용하면 봇이 주어진 목표를 달성하기 위해 스스로 다음 단계를 판단하고 실행합니다. Vercel Functions나 Railway 같은 플랫폼의 무료 플랜을 활용해 손쉽게 배포할 수 있어, 비개발자도 충분히 도전할 만한 가치가 있습니다.

왜 지금, 메신저 AI 봇이 주목받을까?

과거에는 특정 명령어를 입력해야만 반응하는 챗봇이 주류였습니다. 하지만 클로드나 GPT 같은 LLM의 등장으로 봇은 이제 사람의 자연어를 거의 완벽하게 이해하고, 문맥을 파악하며, 복잡한 추론까지 가능해졌습니다. 이는 단순히 질문에 답하는 것을 넘어, "이번 주 마케팅 회의 일정 잡아줘", "새로운 프로젝트 아이디어를 노션에 정리해 줘", "최근 GitHub 이슈 중 버그 관련 내용을 요약해서 슬랙에 올려줘"와 같은 실질적인 업무 지시를 수행할 수 있다는 의미입니다.

이러한 변화의 배경에는 LLM의 발전뿐만 아니라, 클라우드 기반의 서버리스(Serverless) 컴퓨팅 환경이 보편화된 점도 큽니다. Vercel Functions나 Railway 같은 플랫폼을 활용하면 서버 관리의 부담 없이 봇을 빠르게 개발하고 배포할 수 있습니다. 기업은 물론 개인 사용자도 자신만의 AI 비서를 손쉽게 만들 수 있는 환경이 조성된 것이죠.

표: 메신저 AI 봇 핵심 기술 및 활용 분야

내 손으로 만드는 AI 봇: 실전 제작 가이드

AI 봇을 만드는 방법은 크게 두 가지로 나눌 수 있습니다. 메신저 플랫폼에서 제공하는 특정 프레임워크나 SDK를 사용하는 MCP(Message Command Processor) 방식과, 직접 API를 호출하여 연동하는 방식입니다. 어떤 방식을 선택하든 핵심은 메신저 이벤트(메시지 수신 등)를 감지하고, 이를 LLM API로 전달한 뒤, LLM의 응답을 다시 메신저으로 보내는 흐름입니다.

1. 메신저 봇 기본 설정

각 메신저 플랫폼에서 봇을 생성하고 API 토큰을 발급받아야 합니다. 슬랙은 "Slack API" 사이트에서, 디스코드는 "Discord Developer Portal"에서, 카카오톡은 "카카오 개발자" 사이트에서 봇을 등록하고 채널에 초대하는 과정을 거칩니다. 이 과정에서 봇이 메시지를 읽고 보내는 데 필요한 권한(스코프)을 부여하는 것이 중요합니다.

2. LLM API 연동

발급받은 LLM API 키를 사용하여 봇 코드 내에서 LLM 모델을 호출합니다. 사용자가 보낸 메시지를 프롬프트로 구성하여 LLM에 전달하고, LLM이 반환하는 응답을 처리합니다.

# 예시: 간단한 GPT API 호출 (Python)
import openai

# openai.api_key = "YOUR_GPT_API_KEY" # 실제 키는 환경 변수로 관리 권장

def get_gpt_response(prompt_text):
    try:
        response = openai.chat.completions.create(
            model="gpt-4o", # 또는 gpt-3.5-turbo 등
            messages=[
                {"role": "system", "content": "당신은 유능한 AI 비서입니다."},
                {"role": "user", "content": prompt_text}
            ],
            max_tokens=500,
            temperature=0.7
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"GPT API 호출 오류: {e}"

# 사용 예시:
# user_message = "오늘 할 일 목록을 작성해줘."
# bot_reply = get_gpt_response(user_message)
# print(bot_reply)

클로드 API도 유사한 방식으로 anthropic 라이브러리를 통해 호출할 수 있습니다. 중요한 건 API 키를 코드에 직접 노출하지 않고 환경 변수로 관리하는 보안 습관입니다.

3. 외부 서비스 연동 (노션, 구글 캘린더, GitHub Issues)

이 단계에서 봇의 가치가 극대화됩니다. 노션 API, 구글 캘린더 API, GitHub API 등을 활용하여 봇이 실제 작업을 수행하도록 만듭니다. 예를 들어, 사용자가 "노션에 주간 보고서 초안 작성해줘"라고 지시하면, 봇은 이 메시지를 LLM으로 보내 노션 페이지 생성에 필요한 내용을 생성하고, 노션 API를 통해 실제로 페이지를 만드는 식입니다.

4. 에이전트 패턴 설계: 봇에게 생각하는 힘을 주다

단순히 지시를 받아 처리하는 것을 넘어, 봇이 스스로 판단하여 목표를 달성하는 에이전트 패턴은 AI 봇의 궁극적인 형태입니다. 이는 LLM에 '도구 사용 능력'을 부여하는 것과 같습니다. 예를 들어, "이번 주 팀 회의 일정을 조율하고 노션에 정리해 줘"라는 지시를 받으면 봇은 다음과 같이 스스로 판단하고 행동합니다.

• 계획 수립: "회의 일정을 조율하려면 팀원들의 구글 캘린더를 확인하고, 빈 시간을 찾아야겠군. 그 다음 노션에 정리해야 해."
• 도구 선택: "구글 캘린더 API를 사용해서 팀원들의 일정을 조회해야겠다."
• 실행: 구글 캘린더 API 호출.
• 결과 분석 및 다음 행동: "빈 시간을 찾았으니, 이제 노션 API를 사용해서 회의 페이지를 만들어야겠어."
• 보고: "회의 일정을 잡고 노션에 정리했습니다."

이러한 에이전트 패턴은 LLM의 '프롬프트 엔지니어링'을 통해 구현됩니다. LLM에게 어떤 도구(함수)를 사용할 수 있는지 알려주고, 도구 사용 규칙을 명확히 제시하는 것이 핵심입니다.

5. 배포: Vercel Functions와 Railway 무료 플랜 활용

개발한 봇은 Vercel Functions나 Railway 같은 서버리스 플랫폼에 배포하여 24시간 상시 동작하게 할 수 있습니다. 이들 플랫폼은 무료 플랜을 제공하여 초기 개발 및 테스트 비용 부담을 크게 줄여줍니다.

• Vercel Functions: Node.js, Python 등 다양한 런타임을 지원하며, GitHub 연동을 통해 코드 푸시 시 자동 배포가 이루어집니다. 메신저 플랫폼의 웹훅(Webhook) URL을 Vercel Functions 엔드포인트로 설정하면 됩니다.
• Railway: Docker 컨테이너 기반으로 더 유연한 환경을 제공하며, 역시 GitHub 연동을 지원합니다.

배포 시에는 API 키와 같은 민감한 정보는 반드시 환경 변수로 설정해야 합니다.

전문가 인사이트 및 조언

AI 봇 개발은 단순히 코드를 작성하는 것을 넘어, 사용자의 의도를 정확히 파악하고 적절한 프롬프트를 구성하는 능력이 중요합니다. 특히 LLM 에이전트 패턴을 설계할 때는 봇이 예상치 못한 방향으로 동작하지 않도록 명확한 제약 조건과 오류 처리 로직을 마련해야 합니다.

한번은 제가 개인 프로젝트로 구글 캘린더와 연동되는 AI 봇을 만들었을 때였습니다. 처음에는 "다음 주 월요일 오후 2시에 회의 잡아줘"라고 하면 정확히 일정을 생성하는 데 성공했습니다. 그런데 "다음 주 월요일 오후 2시에 회의 잡아줘, 참석자는 팀원 전체"라고 했더니, 봇이 팀원 전체의 캘린더를 확인하는 과정에서 오류가 발생했습니다. 문제는 제가 LLM에게 '팀원 전체'라는 개념을 구체적으로 어떤 API를 통해 조회해야 하는지 명확히 알려주지 않았던 것입니다. 단순히 "캘린더 조회"라고만 지시했을 뿐이죠. 이 경험을 통해 LLM 에이전트를 설계할 때는 각 도구(API)의 사용법과 그 도구가 처리할 수 있는 데이터의 범위를 LLM에게 아주 상세하게 설명해주는 것이 얼마나 중요한지 깨달았습니다. 마치 어린아이에게 그림을 그리라고 할 때, 어떤 도구(연필, 크레파스), 어떤 색깔, 어떤 종이를 사용해야 하는지 구체적으로 알려주는 것과 같았습니다. 봇의 '실패'를 통해 봇을 더 '똑똑하게' 만드는 법을 배운 순간이었습니다.

💻 사례 1: 마케터 A씨의 주간 보고서 자동화

마케터 A씨는 코딩 경험이 전혀 없지만, 매주 반복되는 주간 보고서 작성과 자료 정리에 많은 시간을 할애했습니다. 그는 AI 봇이 이 작업을 대신해주면 좋겠다고 생각했습니다. AI 도구 활용 과정: A씨는 Vercel Functions와 GPT API를 활용해 슬랙 봇을 구축했습니다. 봇에게 "주간 마케팅 성과 보고서 초안 작성해 줘"라고 지시하면, 봇은 미리 정의된 데이터 소스(가령, 특정 구글 스프레드시트)에서 최신 데이터를 가져와 GPT에게 넘겨 보고서 초안을 생성하도록 했습니다. 생성된 초안은 노션 API를 통해 A씨의 노션 워크스페이스에 자동으로 페이지로 만들어졌습니다. 결과물과 교훈: 이제 A씨는 매주 3시간 이상 소요되던 보고서 초안 작성 시간을 10분 이내로 단축할 수 있었습니다. 그는 이 경험을 통해 비개발자도 충분히 AI 자동화의 힘을 활용할 수 있으며, 반복적인 업무는 과감히 봇에게 맡기는 것이 효율적이라는 것을 깨달았습니다.

💻 사례 2: 디자이너 B씨의 GitHub 이슈 관리

디자이너 B씨는 협업하는 개발팀의 GitHub Issues에 올라오는 디자인 관련 요청사항을 놓치기 일쑤였습니다. 매번 GitHub에 접속하여 확인하는 것이 번거로웠습니다. AI 도구 활용 과정: B씨는 디스코드 봇에 클로드 API를 연동하여 GitHub Issues를 모니터링하는 시스템을 구축했습니다. 봇은 GitHub 웹훅을 통해 새로운 이슈가 발생하면 이를 감지하고, 클로드에게 이슈 내용을 요약하고 디자인 관련 내용인지 판단하도록 지시했습니다. 만약 디자인 관련 이슈라면, 봇은 디스코드 채널에 해당 이슈의 요약과 링크를 자동으로 게시했습니다. 결과물과 교훈: B씨는 이제 실시간으로 디자인 관련 이슈를 디스코드에서 바로 확인할 수 있게 되었습니다. 중요한 것은 봇이 단순히 알림을 보내는 것을 넘어, 클로드가 이슈의 내용을 분석하여 '디자인 관련' 여부를 판단하는 에이전트 역할을 수행했다는 점입니다. 이는 AI가 단순 작업 보조를 넘어, 판단과 분류 작업까지 해낼 수 있음을 보여주었습니다.

흔한 오해와 진실

오해: AI 봇은 무조건 복잡한 코딩 지식이 있어야만 만들 수 있다? 진실: 물론 깊이 있는 기능 구현에는 개발 지식이 필요하지만, 최근에는 로우코드/노코드 플랫폼이나 특정 API를 활용하면 비개발자도 충분히 간단한 봇을 만들 수 있습니다. 중요한 건 '어떤 문제를 해결하고 싶은가'에 대한 명확한 아이디어입니다.

오해: AI 봇은 너무 비싸서 개인이 사용하기 어렵다? 진실: Vercel Functions, Railway 같은 플랫폼은 무료 플랜을 제공하며, Claude나 GPT API도 사용량에 따라 과금되므로 초기에는 매우 저렴하게 시작할 수 있습니다. 개인적인 실험이나 소규모 팀의 자동화에는 충분히 감당 가능한 수준입니다.

오늘 바로 시도해볼 것 3가지

1. 메신저 봇 기본 설정 체험: 슬랙, 디스코드, 카카오톡 중 하나를 선택하여 개발자 포털에서 봇을 생성하고 채널에 초대하는 과정을 직접 경험해 보세요. API 토큰 발급까지 완료하는 것이 목표입니다.
2. 간단한 LLM 연동 테스트: 파이썬(Python)이나 Node.js로 LLM API를 호출하여 메시지를 보내고 응답을 받아보는 간단한 스크립트를 작성해 보세요. 봇의 핵심 로직을 이해하는 데 큰 도움이 될 것입니다.
3. 자동화 아이디어 구체화: 평소 반복적이고 귀찮았던 업무 중 AI 봇이 해결해 줄 수 있을 만한 것이 무엇인지 3가지 이상 적어보고, 어떤 외부 서비스(노션, 캘린더 등)와 연동하면 좋을지 구체적으로 생각해 보세요.

자주 묻는 질문 (FAQ)

Q1. AI 봇 개발에 꼭 프로그래밍 언어를 알아야 하나요?

간단한 봇은 로우코드/노코드 도구를 활용할 수도 있지만, LLM API를 연동하고 외부 서비스와 유연하게 연결하려면 파이썬(Python)이나 자바스크립트(JavaScript) 같은 프로그래밍 언어의 기본 지식이 있으면 훨씬 유리합니다. 핵심은 API 호출과 데이터 처리입니다.

Q2. Claude API와 GPT API 중 어떤 것을 선택하는 것이 좋을까요?

두 API 모두 강력한 성능을 자랑합니다. GPT는 범용적인 성능과 다양한 모델 옵션이 장점이며, Claude는 긴 컨텍스트 처리 능력과 안정성에서 강점을 보입니다. 실제 프로젝트 요구사항과 예산, 선호하는 언어 모델에 따라 선택할 수 있습니다.

Q3. 에이전트 패턴은 비개발자도 구현할 수 있나요?

에이전트 패턴은 LLM의 '도구 사용' 기능을 활용하는 것으로, 복잡한 프롬프트 엔지니어링이 필요합니다. 비개발자가 직접 구현하기에는 다소 어려울 수 있지만, LangChain과 같은 프레임워크가 추상화된 기능을 제공하므로, 이를 활용하면 진입 장벽을 낮출 수 있습니다.

Q4. Vercel Functions나 Railway의 무료 플랜으로 충분한가요?

개인 프로젝트나 소규모 팀의 초기 단계에서는 충분합니다. 하지만 봇의 사용량이 급증하거나 복잡한 연산이 많아지면 유료 플랜으로 전환하거나 더 강력한 서버 환경을 고려해야 합니다.

Q5. 봇이 스스로 판단하여 작업을 수행할 때 발생할 수 있는 문제점은 무엇인가요?

가장 큰 문제점은 '환각(Hallucination)' 현상이나 잘못된 판단으로 인해 봇이 예상치 못한 작업을 수행하거나, 잘못된 정보를 제공할 수 있다는 점입니다. 이를 방지하기 위해 명확한 프롬프트 지시, 엄격한 도구 사용 규칙, 그리고 중요한 작업 전 사용자 확인 절차를 반드시 포함해야 합니다.

---

다음 편에서는 AI 데이터 대시보드 만들기에 대해 다룹니다: Text-to-SQL과 자연어 시각화를 활용하여 데이터를 직관적으로 이해하는 방법을 알아보겠습니다.

---

참고: 본 글은 정보 제공 목적으로 작성되었으며, 특정 상품·서비스의 가입이나 구매를 권유하지 않습니다. 투자·재무·건강·법률 관련 판단은 반드시 전문가와 상담하시기 바랍니다. 글에 포함된 정보는 작성일 기준이며, 이후 변경될 수 있습니다.