[현장 스케치] 서울메타위크 2026 METACON에 인포그랩이 연사로 참여했습니다!

서울메타위크 2026 METACON 무대에 오른 인포그랩 소프트웨어 엔지니어 Jhin

안녕하세요. 대한민국 DevOps 액셀러레이터 인포그랩입니다. 🙌

2026년 7월 4일, 인포그랩이 서울 코엑스에서 열린 서울메타위크 2026(Seoul Meta Week 2026)의 컨퍼런스 'METACON(메타콘) 2026'에 연사로 참여했습니다. 📢

서울메타위크 2026은 7월 3일부터 4일까지 이틀간 진행됐는데요. 🧑🏻‍💻 소프트웨어 엔지니어 Jhin이 인포그랩을 대표해 행사 마지막 날, 'AI로 만든 제품, 어떻게 사용자에게 닿게 할 것인가?'를 주제로 발표했습니다. 이번 세션은 메타콘 2026의 전체 일정을 마무리하는 마지막 세션이기도 했습니다.

지금부터 발표 현장의 주요 내용을 살펴보겠습니다.

26초 영상으로 문을 연 세션 🎬

세션 오프닝에서 상영된 AI 브랜드 영상 Nelper 26"

세션은 26초짜리 영상 한 편으로 시작했습니다. 어두운 작업 공간, 모니터 불빛 아래 천장까지 뒤엉킨 케이블과 씨름하는 남자 앞에, 은색 재킷을 입은 한 남자가 ‘복잡한 워크플로 걱정은 마세요’라며 나타납니다. 그가 주황색 폰 속 Nelper 앱을 터치하는 순간 케이블이 정돈되고, 화면 위로 Nelper 로고가 떠올랐는데요. 이 영상은 AI 에이전트 팀이 만든 브랜드 영상이었습니다. Jhin은 "이 영상이 어떻게 만들어졌는지는 세션 뒷부분에서 설명하겠다"며 궁금증을 남긴 채 발표를 이어갔습니다.

이어서 Jhin은 인포그랩이 일하는 방식, 'AI Native'를 세 장면으로 보여줬습니다. Slack에는 포지션 전 분야에 걸쳐 AI 동료가 상주하고 있는데요. Jhin은 자신이 개발하는 GitLab 데이터 기반 AI 분석 플랫폼 Mantis의 버그를 에이전트가 발견할 때마다 Slack으로 알림을 받고, 반복되는 버그를 즉각 패치한다고 설명했습니다. 인포그랩에서는 비개발 직군도 Claude Code로 마케팅·디자인에 필요한 도구를 직접 만들어 쓰고요. Grafana 대시보드로 전사 AI 사용량과 비용도 추적하고 있죠.

"AI로 만든 제품, 실제로 누가 쓰고 있나요?" 🤔

제작 비용과 관심 비용을 대비한 발표 슬라이드

Jhin은 청중에게 다음 질문을 던졌습니다. “여러분이 AI로 만든 제품, 실제로 누가 쓰고 있나요?” 요즘은 하네스·루프 엔지니어링, Claw류 에이전트, LLM Wiki까지 제품을 쉽게 만드는 방법론이 쏟아지고, 코드를 짤 줄 몰라도 누구나 제품을 만들 수 있는 시대인데요. Jhin은 AI로 제품을 쉽게 만들게 된 것과 그 제품을 사용자에게 전달하는 일은 전혀 다른 문제라고 짚었습니다. 전달한 다음 반응을 이끌어내는 일은 더 어렵고요.

이 지점을 그는 두 가지 비용으로 설명했습니다. AI 덕분에 제작 비용은 확실히 낮아졌습니다. 문제는 그다음인데요. **"만드는 사람이 많아진 만큼, 관심을 얻는 비용은 오히려 올라갔다"**는 겁니다. Jhin은 비슷한 맥락에서 정보가 넘쳐나는 환경에서는 사용자의 주의력이 가장 가치 있는 자원이 된다는 'Attention Economy(주의력 경제)' 개념도 함께 소개했습니다.

그렇다면 무엇이 필요할까요? Jhin은 자극적인 후킹 대신 제품의 진정성을 담은 가치 있는 후킹, 그리고 그보다 앞서 '무엇을 만들 것인가'라는 문제 정의를 강조했습니다. 사용자의 수요와 요구사항, 사용자가 겪는 문제를 따져 문제를 정의할 때 가치 있는 프로덕트가 나온다는 거죠.

그는 이러한 고민에서 출발한 인포그랩의 두 가지 운영 루프를 소개했습니다.

1. LOOP 1. EAM(Engineering as Marketing): 작은 무료 도구를 배포하고, 사용 신호로 시장을 검증하는 루프
2. LOOP 2. AI 브랜드 영상: 에이전트 영상 팀이 만든 콘텐츠로 사용자를 도구까지 유인하는 루프

지금부터 각 루프의 내용을 자세히 알아보겠습니다!

LOOP 1. EAM, 작은 무료 도구로 시장을 검증합니다 🔧

EAM은 제품 전체를 완성해 내놓는 대신, 작은 기능 하나를 떼어 무료 도구로 만들어 배포하고 사용자 반응으로 시장을 검증하는 방식입니다. Jhin은 EAM의 가치를 세 가지로 정리했는데요.

1. 기술력 증명: 홍보 자료가 아니라 실제 기술력으로 만든 도구를 무료로 전달해 기술력 자체가 증명됩니다.
2. 빠른 반응 확인: 분기나 연 단위 제품 주기와 달리 작은 단위라 사용자 반응을 즉각 확인할 수 있습니다.
3. 양쪽 모두의 이득: 작은 기능을 미리 시험해 제품이 시장에서 통할지 가늠하고, 사용자는 무료 자산을 얻습니다.

핵심은 순서 뒤집기인데요. 기존에는 복합 기능을 갖춘 큰 제품을 다 만든 뒤에야 시장 반응을 확인했다면, EAM은 단일 기능을 갖춘 작은 무료 도구를 먼저 공개해 반응을 테스트합니다. 누군가 이 도구를 사용해봤다는 이력 자체가 검증이고, 그 결과를 다음 결정의 재료로 활용하죠.

파이프라인을 굴리는 건 사람이 아닌 'Garry 에이전트'

Slack에서 작동하는 Garry 에이전트

이 파이프라인은 사람이 아니라 에이전트가 굴립니다. 인포그랩은 실리콘밸리 액셀러레이터 Y Combinator의 CEO Garry Tan의 페르소나와 판단 원칙을 정의한 문서(SOUL)를 에이전트에 적용했는데요. Jhin은 "Y Combinator가 스타트업을 바라보는 매서운 눈을 에이전트에 장착해 주고 싶었다"고 설명했습니다.

Garry 에이전트는 발굴, 기획, 구현, 배포까지 전 단계를 수행합니다. 구현과 배포는 어떤 하네스, 어떤 에이전트로도 쉽게 할 수 있으니 핵심은 앞의 두 단계인 발굴과 기획이라고 Jhin은 강조했습니다.

발굴의 재료는 Notion 위키입니다. Slack에서 오가는 대화, 고객사와 나눈 이야기, 제품 코드와 거기서 생기는 컨텍스트까지 업무에서 발생하는 맥락이 이곳에 쌓이는데요. Garry 에이전트는 팀이 실제로 쓰는 AI 스킬, 멤버가 느끼는 불편, VOC(고객의 소리)를 중점 데이터로 삼아 매일 문제를 발굴합니다.

검증에는 'YC 오피스 아워' 스킬을 쓰는데요. 이는 창업자가 YC 파트너에게 사업 아이템을 철저하게 평가받는 Y Combinator의 유튜브 콘텐츠에서 이름을 땄습니다. Jhin은 이를 EAM 목적에 맞게 네 가지 질문으로 다듬었다고 설명했습니다.

1. 사용자가 실제로 그 불편을 겪는가
2. 지금은 어떤 대안으로 그 불편을 우회하는가
3. 가장 작게 검증할 수 있는 기능은 무엇인가
4. 이미 관찰된 관심 신호가 있는가

네 가지 질문에 답을 모두 채우지 못하면, 파이프라인은 다음 단계로 넘어가지 않는데요. 발굴부터 배포까지는 Slack 뒤편에서 비동기로 돌아가고요. 파이프라인이 끝나면 Garry 에이전트가 완성된 도구의 접근 경로를 안내하고, LinkedIn 홍보 문구를 함께 게시할지 멤버에게 의견을 묻는 메시지까지 보냅니다.

사례: n8n 워크플로 복잡도 분석기

n8n 워크플로 복잡도 분석기 데모 화면

Jhin은 Garry 에이전트가 실제로 만들어낸 도구 사례로 n8n 워크플로 복잡도 분석기를 소개했습니다.

도구를 만든 배경은 이렇습니다. 인포그랩은 사내 자동화에 n8n을 활용하는데요. n8n에 워크플로가 쌓이면서 세 가지 문제가 눈에 띄었습니다.

1. 방치된 노드: 마지막 실행이 한참 전인 채로 남아 있는 노드
2. 에러 처리 공백: 평소엔 안 보이다가 장애 직전에야 드러나는 빈틈
3. 자동화의 악습화: 퇴사자가 만들고 간 워크플로, 목적을 아는 사람 없이 계속 돌아가는 알림

인포그랩은 n8n을 도입한 다른 조직도 비슷한 문제를 겪을 것으로 판단해 Garry 에이전트에 EAM 파이프라인 실행을 요청했고요. 그 결과물이 바로 n8n 워크플로 복잡도 분석기였습니다. n8n 워크플로를 JSON으로 복사해 붙여 넣고 분석을 누르면, 복잡도를 진단하고 방치된 노드와 에러 처리 공백을 탐지해 개선안을 즉시 제안하는 도구죠.

성과, 그리고 다음 가설

인포레터·LinkedIn 반응 지표를 정리한 슬라이드

Jhin은 n8n 워크플로 복잡도 분석기를 인포그랩의 공식 뉴스레터 인포레터에 게재한 결과를 공유했습니다. 그는 인포레터의 주 독자가 DevOps 엔지니어와 기술 리드라 여기서 나오는 반응을 유의미한 지표로 본다고 설명했는데요. n8n 워크플로 복잡도 분석기는 84호 전체 클릭 1위(14.9%)를 기록했습니다. 앞서 82호의 AWS 비용 계산기(15.9%, 1위)와 멀티클라우드 K8s 계산기(7.8%, 3위)도 높은 반응을 얻었고요.

이렇게 확인한 반응을 토대로 인포그랩은 'n8n 자산을 진단하고 조치하는 솔루션에 시장 관심이 있다'는 가설을 세웠는데요. 이를 확장·강화한 다음 프로덕트가 바로 오프닝 영상의 주인공 Nelper입니다.

LOOP 2. AI 브랜드 영상, 에이전트 팀이 영상을 만듭니다 🎥

CEO 에이전트와 서브 에이전트로 구성된 영상 팀 구조

도구를 만들었다면, 사용자에게 더 가까이 다가가게 할 후킹도 필요하죠. Jhin은 그 역할을 맡는 두 번째 루프, AI 브랜드 영상을 소개했습니다.

인포그랩은 영상 파이프라인을 여럿 검증하고 있습니다. 실사용 후기처럼 보이는 AI UGC(User Generated Content) 영상, 제품 데모를 알아서 촬영·편집하는 AI Demo 영상, 그리고 이번 발표의 주인공인 AI 브랜드 영상이 그 예입니다.

AI 브랜드 영상은 제작 구조부터 LOOP 1과 다릅니다. Garry가 단계마다 역할을 바꿔가며 혼자 일하는 단일 에이전트라면, 영상 팀은 CEO 에이전트 한 명과 전담 서브 에이전트로 구성된 팀인데요. 영상 제작에 필요한 재료가 많고 과정이 복잡해 에이전트 하나에 맡기면 품질과 효율이 떨어지는 점을 고려했습니다. Jhin은 "적합한 에이전트가 적합한 일을 수행할 수 있도록 분리하는 것이 필요했다"고 설명했습니다.

CEO 에이전트는 영상을 직접 만들지 않는데요. 작업을 분배하고 컨텍스트를 전달하는 데 집중하고요. 라이팅, 디자인, 촬영·엔지니어링, 모니터링은 각 서브 에이전트가 맡습니다. 사람은 HITL(Human-in-the-Loop)로 참여해 서브 에이전트가 작업을 마칠 때마다 Slack에서 방향을 잡고 승인하고 재작업을 지시하죠.

Jhin은 에이전트가 호출하는 도구 스택도 공개했습니다.

• Tavily: 웹에서 최신 정보와 소재를 조사합니다. 매일 자동 실행돼 CEO 에이전트의 기획·분배로 이어집니다.
• Higgsfield: 상용 영상·이미지 생성 모델을 호출하는 메인 엔진입니다. CLI와 MCP를 제공해 에이전트가 직접 다룰 수 있습니다.
• Gemini TTS: 한국어 내레이션을 장면별로 생성해 타임라인에 배치합니다.
• Playwright: 실제 제품 화면이 필요할 때 세션을 그대로 캡처합니다.
• ffmpeg·HyperFrames: 편집과 렌더링을 거쳐 YouTube에 발행합니다.

오프닝 영상 26초, 이렇게 만들어졌습니다

Nelper 브랜드 영상 제작 과정을 설명하는 Jhin

Jhin은 세션 초반에 아껴뒀던 답을 여기서 전격 공개했습니다. Nelper 브랜드 영상이 만들어진 과정을 여섯 단계로 풀어냈는데요.

1. 등장인물·배경·오브제를 레퍼런스로 사전 고정: 프롬프트만으로 생성하면 장면마다 인물과 배경이 달라져 품질이 떨어집니다. 360도 모델링 형태의 캐릭터 레퍼런스를 미리 정의해 지급하면 장면이 바뀌어도 모습이 유지되죠.
2. 제품·브랜드 분석: 시장의 문제점과 제품의 강점을 정리합니다. 이번 영상에서는 'n8n 워크플로는 관리하기 어렵고 복잡하다, Nelper가 이를 쉽게 도와준다'는 분석을 반영했습니다.
3. 메타포 변환: 카피 에이전트가 문제점·소구점 키워드를 직관적인 은유로 바꿉니다. 복잡한 워크플로는 '복잡하게 엉킨 케이블'로, 해결사 Nelper는 '엉킨 케이블을 한 번에 정돈하는 액션'으로요.
4. 콘티와 스틸컷 생성: 콘티 에이전트가 장면별 시나리오를 쓰고 스틸컷 이미지를 먼저 만듭니다. 시나리오를 텍스트로만 넘기면 품질이 낮아 스틸컷과 프롬프트를 함께 영상 생성에 전달하도록 규칙을 세웠습니다.
5. 장면별 영상 생성과 선별: 생성 모델의 길이 한계(최대 15초)를 에이전트가 인지해 장면을 나누고, 장면마다 영상을 여러 개 생성합니다. 최종본은 Slack에서 사람이 고릅니다.
6. 편집과 렌더링: 편집 에이전트가 선별된 영상을 하나로 이어 렌더링하고 게시합니다.

설명을 마친 뒤, Jhin은 오프닝에서 선보인 26초 영상을 다시 스크린에 띄웠습니다.

두 루프가 하나의 사이클로 🔁

발표 후반, Jhin은 두 루프를 하나의 사이클로 연결해 설명했습니다. EAM으로 검증된 가설이 영상의 소구점이 되고, AI 브랜드 영상이 그 메타포를 담아 사용자를 끌어들이며, 영상이 만든 트래픽이 진단 도구로 유입되고, 도구에서 수집한 사용자 신호가 다음 가설의 재료가 되는 구조입니다. 루프가 한 바퀴 돌 때마다 제품은 시장에 한 걸음 가까워지죠.

"백로그에서 미니 도구 하나를 뽑아보세요" ✅

"복잡한 EAM 파이프라인이 없어도 되고, 복잡한 에이전트 팀이 없어도 됩니다." Jhin은 이렇게 말하며 청중에게 실천 과제를 남겼습니다.

1. 지금 백로그의 큰 기능 하나에서 '미니 도구' 후보를 뽑아보기
2. 그 후보에 네 가지 질문을 던져보기
3. 답을 모두 채웠다면, 배포처 한 곳을 정해 공개하기

LinkedIn도 좋고, 평소 쓰는 SNS도 좋고, AI로 영상을 만들어 알리는 방법도 좋다고 덧붙였습니다.

Q&A, 마지막 세션의 열기 🎤

질의응답이 이어진 세션 현장

발표가 끝나자 질문이 무려 8개나 쏟아졌습니다. 진행자가 “이렇게 질문을 많이 받은 연사는 없었던 것 같다”고 말할 정도였는데요. 그중 몇 가지를 추려 소개합니다.

Q. 기술적으로 뛰어난 AI 제품이 시장에서 실패한다면, 가장 흔한 이유는 무엇일까요?

Jhin: 발표 내용에도 계속 녹아 있던 부분인데, 문제 정의가 잘못된 경우라고 생각합니다. 문제 정의가 제대로 되어 있고 사용자의 수요와 피드백이 분명한 제품이라면 계속 두드리다 보면 언젠가는 성공할 수 있다고 봅니다. 만약 실패했다면 두드린 시간이 아직 부족했던 것일 수도 있다는 말씀을 드리고 싶습니다.

Q. 영상 소재는 어떻게 탐색하나요? 검색 도구를 어떤 흐름으로 조합하는지 궁금합니다.

Jhin: 콘티 에이전트에는 웹에서 훌륭한 CF와 영상 콘텐츠를 검색해 이를 기반으로 사고하라는 룰이 들어 있습니다. 레퍼런스로 삼을 만한 미디어와 콘티를 웹 서치 도구로 찾아 조직 데이터에 없는 내용도 새로운 재료로 활용하는 방식이죠.

Q. AI 자체에 거부감을 느끼는 사람도 많습니다. AI 콘텐츠로 이들의 마음을 돌리려면요?

Jhin: 좋은 질문입니다. 이 작업을 하면서 제가 가장 많이 고민한 지점이기도 합니다. 대충 만든 결과물에는 한눈에 AI 티가 나는 지점이 있는데요. 텍스트는 AI 특유의 문체를 덜어내는 오픈 소스 스킬이 있고, 인포그랩은 사내 마케터와 테크니컬 라이터가 노하우를 직접 구성해 활용하기도 합니다. 이미지·영상은 좋은 레퍼런스가 핵심이라고 생각합니다. 실제 모델을 촬영해 AI 아바타를 만들어 불쾌한 골짜기를 피하는 영상 프로덕션 사례도 있어요.

Q. Claude Code나 Codex만으로도 많은 게 구현되는 시대에 그것만으로 안 되는 영역을 찾는 감각은 어떻게 기르나요?

Jhin: 본질은 좋은 데이터, 좋은 컨텍스트가 있어야 한다는 것입니다. 좋은 프로덕트의 재료 또한 좋은 컨텍스트이고, 인포그랩은 Notion 위키에 조직과 고객 사이에서 발생하는 데이터가 쌓여 있어 에이전트가 이를 기반으로 사고할 수 있습니다. 그런 자산이 없다면 스스로 검증을 반복하며 결과 품질을 끌어올리는 오픈 소스 하네스를 활용해 보시길 권하고 싶습니다.

이렇게 질의응답이 모두 끝나고 큰 박수와 함께 세션이, 그리고 메타콘 2026의 모든 일정이 마무리됐습니다.

마무리: '만든 다음'을 고민하는 분들께 🙌

이번 발표는 AI로 만드는 능력이 평준화될수록 승부처는 '무엇을, 왜 만들 것인가'와 '어떻게 닿게 할 것인가'로 옮겨간다는 사실을 실전 사례로 보여준 시간이었습니다. 인포그랩은 AI Native 조직으로서 이 실험을 계속 이어가겠습니다.

인포그랩은 n8n 공식 파트너로서 라이선스 구매·도입·구축·컨설팅·교육을 지원합니다. AI 에이전트 기반 업무 자동화나 n8n 운영 관리가 고민이라면 언제든지 문의해 주세요! 😊

📮 문의하기

📚 함께 보면 좋은 콘텐츠

👉 인포그랩 공식 홈페이지

👉 인포레터 구독하기 (뉴스레터)

👉 인포그랩 기술 블로그

👉 n8n Korea 커뮤니티 참여하기