매주 반복되는 그 3시간
월요일 아침. GA4 열어서 지난주 세션·전환 긁고, 네이버 광고 리포트 다운받고, 메타 대시보드 스크린샷 찍고, 스프레드시트에 붙여넣고, 숫자가 왜 움직였는지 코멘트 달고, 슬라이드로 정리. 매주 2~3시간. 그리고 다음 주에 똑같이.
이 작업의 문제는 어렵다는 게 아닙니다. 반복되는데 매번 사람 손이 필요하다는 것입니다. 데이터는 정해진 곳에서 오고, 분석 틀은 매주 같고, 리포트 형식도 고정입니다. 딱 자동화하기 좋은 모양이죠.
이 글은 그 주간 리포트를 Marblo 보드 하나로 자동화하는 레시피입니다. 첫 멀티 에이전트 튜토리얼을 한 번 따라해 봤다는 가정 아래, 실무 워크플로우 하나를 처음부터 끝까지 구성합니다.
왜 챗봇 하나가 아니라 '보드'인가
"ChatGPT한테 데이터 붙여넣고 리포트 써달라 하면 되지 않나?" — 됩니다. 한 번은. 문제는 매주, 자동으로, 믿을 수 있게 돌아가야 한다는 것입니다.
주간 리포트는 사실 성격이 다른 4가지 일의 묶음입니다:
- 데이터 수집 — 여러 소스에서 숫자를 정확히 가져오기 (실수하면 안 됨)
- 분석 — 숫자의 의미를 해석 (긴 맥락 추론)
- 작성 — 사람이 읽을 리포트로 (유창한 한국어 생성)
- 검증 — 지어낸 숫자가 없는지 대조 (독립적 판별)
하나의 챗봇에 다 시키면 각 단계가 그 모델의 약점 위에서 돌아갑니다. 반면 각 일을 강점 가진 다른 모델에 나눠 맡기면 품질도 비용도 나아집니다 — 이게 이종(heterogeneous) 에이전트가 단일 모델보다 강한 이유입니다. Marblo 보드는 바로 이 분담을 시각적으로 구성하고, 매주 자동 실행하며, 각 단계를 추적하게 해줍니다.
레시피 아키텍처
보드는 4개 스테이션을 순서대로 연결합니다:
[트리거: 매주 월 09:00]
│
▼
collector (데이터 수집) ──┐
│ │
▼ │
analyst (분석) │ (원본 데이터가 검증자에게도 흐름)
│ │
▼ │
writer (리포트 작성) │
│ │
▼ │
fact_checker (검증) ◀──────┘
│
▼
[휴먼 승인 게이트] → 슬랙/이메일 발송
핵심은 collector → fact_checker로 가는 두 번째 연결선입니다. 검증자가 원본 데이터와 작성된 리포트를 양쪽 다 보게 만들어, 리포트에 원본에 없는 숫자가 들어가면 잡아냅니다. 튜토리얼의 리서치 파이프라인과 같은 구조를 마케팅 데이터에 적용한 것입니다.
스테이션별로 뜯어보기
1. collector — 데이터 수집
가장 중요한 스테이션입니다. 숫자가 틀리면 나머지가 다 틀립니다. 그래서 여기선 창의성이 아니라 정확성이 필요합니다.
Marblo에서 데이터는 MCP 커넥터 또는 각 플랫폼 API를 통해 들어옵니다. 현실적인 연결 방식:
- GA4 — GA4를 BigQuery로 export해 두고 SQL로 조회하는 게 가장 안정적입니다 (GA4·BigQuery 연동 가이드 참조). collector 에이전트가 정해진 쿼리를 실행해 지난주 지표를 가져옵니다.
- 네이버·메타 광고 — 각 플랫폼의 리포트 API를 호출하는 MCP 도구로 지출·노출·클릭·전환을 수집.
- MCP가 없는 소스 — 에이전트가 해당 API를 직접 호출하도록 도구를 붙입니다. MCP가 무엇이고 왜 도구 표준이 됐는지는 MCP 완벽 가이드에 정리돼 있습니다.
역할: collector · 모델: 가볍고 정확한 모델(예: Claude Haiku 또는 Gemini Flash)로 충분합니다. 추론보다 정해진 쿼리 실행이 일이라서요. 시스템 프롬프트 요지:
당신은 데이터 수집 에이전트입니다. 연결된 도구로 지난주(월~일)
지표를 수집해 구조화된 JSON으로만 출력하세요.
수집 항목: 채널별 세션/전환/전환율, 광고 채널별 지출/ROAS,
전주 대비 증감(%).
절대 숫자를 추정하거나 채워넣지 마세요. 도구가 반환하지 않은 값은
null로 두세요.
마지막 문장이 중요합니다 — 비어 있으면 채우지 말고 null로 두라. 지어낸 숫자가 리포트에 들어가는 걸 원천 차단합니다.
2. analyst — 분석
숫자에서 이야기를 뽑는 단계입니다. "전환율이 12% 올랐다"가 아니라 "네이버 브랜드 검색 유입이 늘며 전환율을 끌어올렸다"까지. 긴 맥락 추론이 필요하니 Claude가 적합합니다.
역할: analyst · 입력: collector의 JSON. 시스템 프롬프트 요지:
당신은 마케팅 분석 에이전트입니다. 구조화된 주간 지표를 받아
'무엇이·왜' 움직였는지 3~5개 핵심 인사이트로 정리하세요.
규칙:
- 각 인사이트는 반드시 제공된 숫자에 근거할 것
- 원인이 데이터로 확인 불가하면 "가설:"이라고 명시
- 실행 제안 1~2개 포함
3. writer — 리포트 작성
인사이트를 사람이 읽는 리포트로. 유창한 한국어 생성이 강점인 GPT 계열을 씁니다. 통합 마케팅 ROI 극대화 전략에서 쓰는 리포트 톤을 시스템 프롬프트에 그대로 넣어두면 매주 일관된 형식이 나옵니다.
당신은 마케팅 리포트 작성 에이전트입니다. 분석 인사이트를 받아
정해진 템플릿으로 주간 리포트를 작성합니다.
구조: ① 한 줄 요약 ② 핵심 지표 표 ③ 인사이트 3~5개
④ 다음 주 실행안. 존댓말, 숫자엔 전주 대비 증감 병기.
분석에 없는 내용은 절대 추가하지 마세요.
4. fact_checker — 검증
작성된 리포트를 원본 데이터와 대조합니다. 결정적으로 다른 벤더(Gemini)를 씁니다 — 작성한 모델이 검증하면 같은 사각지대를 공유하니까요. 입력은 collector(원본)와 writer(리포트) 양쪽.
당신은 검증 에이전트입니다. 원본 지표 JSON과 작성된 리포트를 받아,
리포트의 모든 숫자가 원본과 정확히 일치하는지 대조하세요.
출력:
- 일치: 원본과 같은 숫자
- 불일치: 원본과 다른 숫자 (수정 필요, 원본값 명시)
- 근거없음: 원본에 없는데 리포트에 등장한 숫자·주장
숫자·증감률·날짜가 하나라도 어긋나면 반드시 플래그하세요.
사람은 어디서 개입하나 — 승인 게이트
여기가 자동화를 안심하고 맡기는 지점입니다. 검증까지 끝난 리포트를 바로 발송하지 않고, 휴먼 승인 게이트를 둡니다.
Marblo에서는 발송 직전 노드를 승인 대기로 걸어둘 수 있습니다. 리포트가 슬랙으로 오면 담당자가 30초 훑어보고 승인을 누를 때만 최종 발송됩니다. fact_checker가 '불일치'나 '근거없음'을 하나라도 플래그하면 자동으로 담당자에게 경고를 띄우고요.
이 한 겹이 "AI가 만든 리포트를 그대로 임원에게 보내도 되나"라는 불안을 없앱니다. 초반 몇 주는 매번 승인하며 신뢰를 쌓고, 검증이 안정적으로 통과하기 시작하면 그때 자동 발송으로 넘어가면 됩니다. 사내 에이전트 운영에서 이런 신뢰 계층을 어떻게 설계하는지는 AI 에이전트 거버넌스 5원칙에 더 있습니다.
매주 자동 실행 + 실측
보드 상단에 스케줄 트리거(매주 월 09:00)를 걸면, 월요일 아침 담당자가 출근하기 전에 검증까지 끝난 리포트가 승인 대기 상태로 슬랙에 올라와 있습니다. 각 실행은 트레이스로 남고, 에이전트별 비용이 자동 기록됩니다.
정직하게 말하면, 자동화가 사람의 판단을 대체하진 않습니다. analyst의 인사이트는 초안이고, "이번 캠페인 A/B 결과를 어떻게 해석할지" 같은 판단은 여전히 사람 몫입니다. 이 레시피가 없애는 건 판단이 아니라 노동 — 데이터 긁고 붙여넣고 형식 맞추는 그 2~3시간입니다.
우리 팀 기준, 손으로 하던 주간 리포트 준비 시간이 회당 약 2.5시간에서 검토·승인 10분 내외로 줄었습니다. 절감한 시간은 리포트를 만드는 데서 그걸 보고 결정하는 데로 옮겨갑니다.
자주 묻는 질문
Q. Marblo 없이 그냥 API 스크립트로 짜도 되지 않나요? 됩니다. 다만 스크립트는 여러 모델을 역할별로 나누고, 실행을 추적하고, 승인 게이트를 걸고, 비용을 에이전트별로 집계하는 걸 전부 직접 만들어야 합니다. Marblo 보드는 이걸 노드 연결로 대신합니다.
Q. 데이터 소스가 GA4·네이버·메타 말고 더 많은데요? 스테이션 구조는 그대로입니다. collector에 도구(MCP/API)를 하나 더 붙이면 소스가 늘어납니다. 아키텍처는 소스 개수와 무관하게 확장됩니다.
Q. 비용은 얼마나 드나요? 멀티 에이전트 보드는 Marblo Pro(19,000원/월~) 부터 사용 가능하고, 여기에 각 모델 API 사용료가 실행당 부과됩니다. 저가 모델을 collector·fact_checker에 배치하면 실행당 비용을 크게 낮출 수 있습니다.
Q. 검증 에이전트가 진짜 오류를 잡나요? 가장 흔히 잡는 건 writer가 숫자를 살짝 반올림하거나 증감률을 잘못 계산하는 경우입니다. 다른 벤더 모델이 원본과 대조하기 때문에, 같은 모델이 자기 글을 검토할 때보다 이런 어긋남을 잘 걸러냅니다.
직접 만들어 보기
이 보드를 귀사 실제 지표에 맞춰 함께 구성하고 싶으시면 30분 무료 세션을 신청하세요. Marblo 팀이 귀사의 데이터 소스와 리포트 형식에 맞춰 첫 보드를 같이 설계합니다. 아니면 바로 Marblo에서 Free로 시작해도 됩니다.
관련 글
- 마블로 시작하기 — 첫 멀티 에이전트 만드는 30분 튜토리얼
- 이종 AI 에이전트가 단일 모델보다 강한 이유
- GA4와 BigQuery를 연결해 마케팅 대시보드 만들기
- 사내 AI 에이전트 운영 거버넌스 5원칙
마지막 업데이트: 2026-07-09. Marblo UI는 자주 개선되지만 보드 레시피 패턴은 안정적입니다.