블로그·상품 상세페이지 원고를 넣으면 메타디스크립션과 FAQ 초안을 자동으로 뽑아주는 워크플로우를, GPT-5.6 Luna로 실제로 설계해봤습니다. n8n Form Trigger 노드 하나와 시스템 프롬프트 한 단락이면 충분했고, 이번에 가격이 80% 내린 덕분에 월 1,000건을 처리해도 API 비용이 1달러가 채 안 됩니다.
“자동화 파이프라인을 만들어보고 싶은데 API 비용이 부담스럽다”는 이유로 미뤄온 1인 사업자·프리랜서가 많습니다. 이 글에서는 뉴스 요약이 아니라, 실제로 짠 워크플로우 구조와 프롬프트 원문, 그리고 볼륨별 비용 비교표를 그대로 공개합니다.
핵심 요약
1. n8n Form Trigger → HTTP Request → 결과 저장, 노드 3개와 시스템 프롬프트 한 단락으로 원고에서 메타디스크립션·FAQ 초안을 구조화된 JSON으로 자동 생성할 수 있습니다.
2. 두 번째 워크플로우는 리뷰를 배치로 묶어 분석하고 긴급한 부정 리뷰만 Slack으로 자동 라우팅하는 분기 구조까지 더했습니다 — Luna의 12만 8천 토큰 출력 상한이 이 배치 처리를 가능하게 합니다.
3. 월 1,000건 기준으로 계산하면 Luna 비용은 약 0.52달러, 같은 작업을 Gemini 3.7 Flash로 하면 약 1.73달러로, 이 규모에서는 사실 어느 쪽이든 비용 차이가 체감되지 않습니다 — 진짜 차이는 1만 건을 넘어갈 때부터 벌어집니다.
준비물 — API 키와 실제 쓸 도구 정하기
- OpenAI Platform 계정과 API 키: platform.openai.com에서 발급, 모델 ID는 정확히
gpt-5.6-luna로 지정해야 저가 요금이 적용됩니다. - n8n: 무료 셀프호스팅 또는 클라우드 버전. 이 글의 워크플로우는 무료 플랜으로도 충분합니다.
- 결과를 받을 곳: 메타디스크립션·FAQ 결과는 Google Sheets나 노션 데이터베이스, 워드프레스에 바로 넣고 싶다면 REST API 인증정보까지 미리 준비합니다.
워크플로우 만들기 — 메타디스크립션·FAQ 초안 자동 생성
원고를 다 쓰고 나서 메타디스크립션과 FAQ 문구를 매번 손으로 짜내는 게 은근히 시간을 잡아먹습니다. 원고 본문과 목표 키워드만 넣으면 155자 이내 메타디스크립션과 FAQ 3개를 구조화된 JSON으로 뽑아주는 구조입니다. 사람은 결과를 검수하고 붙여넣기만 하면 됩니다.
- n8n Form Trigger 노드(트리거): “목표 키워드”, “원고 본문” 두 칸짜리 간단한 입력 폼을 만듭니다. 원고 작성이 끝나면 이 폼에 붙여넣고 제출합니다.
- HTTP Request 노드(GPT-5.6 Luna 호출): Method는 POST, URL은
https://api.openai.com/v1/chat/completions, Authorization 헤더에 API 키를 넣고 아래 body를 그대로 사용합니다.
{
"model": "gpt-5.6-luna",
"messages": [
{
"role": "system",
"content": "당신은 SEO 편집 보조원입니다. 아래 원고 본문을 읽고 (1) 155자 이내 메타디스크립션 1개, (2) 원고에 실제로 나온 내용에 근거한 FAQ 3개(질문+답변)를 아래 JSON 형식으로만 출력하세요. {\"meta_description\": \"...\", \"faq\": [{\"q\": \"...\", \"a\": \"...\"}]} 본문에 없는 사실이나 수치는 절대 지어내지 말고, 본문에서 실제로 다룬 내용만 근거로 답변을 작성하세요."
},
{
"role": "user",
"content": "목표 키워드: {{$json.keyword}}\n원고 본문: {{$json.bodyText}}"
}
],
"temperature": 0.3
}- Google Sheets Append 노드(결과 저장): HTTP Request 응답에서
meta_description과faq필드를 각각 파싱해 원고 관리 시트에 한 행으로 저장합니다. 워드프레스에 바로 넣고 싶다면 이 자리를 REST API 업데이트 노드로 바꾸면 됩니다.
샘플 입력(실제 있을 법한 원고 발췌): “목표 키워드: 챗GPT 이메일 초안 작성법. 본문: 챗GPT 앱에서 새 대화를 열고 ‘다음 상황에 맞는 정중한 이메일 초안을 써줘’라고 요청하면 됩니다. 상황, 받는 사람, 원하는 톤을 함께 적어주면 결과가 훨씬 정확해집니다. 초안을 받은 뒤에는 반드시 사실관계와 오탈자를 직접 확인한 후 발송해야 합니다.”
구성해본 예상 출력(실제 API를 호출한 결과가 아니라, 위 프롬프트 구조로 워크플로우를 설계하면서 예상되는 응답 형태를 직접 만들어본 예시입니다):
{
"meta_description": "챗GPT로 이메일 초안을 빠르게 쓰는 법을 정리했습니다. 상황과 받는 사람, 톤만 알려주면 정중한 초안을 바로 받을 수 있습니다.",
"faq": [
{"q": "챗GPT로 이메일을 쓰면 그대로 보내도 되나요?", "a": "아닙니다. 초안을 받은 뒤 사실관계와 오탈자를 반드시 직접 확인하고 발송해야 합니다."},
{"q": "어떤 정보를 알려줘야 더 정확한 초안이 나오나요?", "a": "이메일을 보내는 상황, 받는 사람, 원하는 톤을 함께 적어주면 결과가 더 정확해집니다."},
{"q": "새 대화를 열고 어떻게 요청하면 되나요?", "a": "다음 상황에 맞는 정중한 이메일 초안을 써달라고 요청하면 됩니다."}
]
}데이터 정리 자동화, 한 단계 더 — 배치 분류 + 긴급 리뷰 자동 라우팅
두 번째 워크플로우는 앞의 메타디스크립션·FAQ 생성과 노드 모양만 다른 게 아니라, 여러 건을 한 번에 처리하고 결과에 따라 갈라지는 분기가 들어갑니다. 단순히 리뷰 한 건을 분류하는 게 아니라, 하루치 리뷰를 모아 한 번에 분석하고 그중 긴급한 건만 자동으로 알림을 보내는 구조입니다.
- Schedule Trigger + Google Sheets 노드: 매일 오전 9시, 전날 쌓인 신규 리뷰 행(처리여부=미처리)을 한 번에 읽어옵니다.
- Code 노드(배치 묶기): 읽어온 리뷰 여러 건을 번호를 매긴 텍스트 목록 하나로 합칩니다.
- HTTP Request 노드(GPT-5.6 Luna 호출, 배치 분석): 리뷰 전체를 한 번의 호출로 분석해 구조화된 JSON 배열로 돌려받습니다.
{
"model": "gpt-5.6-luna",
"messages": [
{
"role": "system",
"content": "아래는 고객 리뷰 여러 건입니다. 각 리뷰마다 감성(긍정/부정/중립), 긴급도(상/중/하), 카테고리(배송/품질/환불/기타)를 분석해서 입력 순서와 동일한 순서의 JSON 배열로만 출력하세요. 각 항목은 {\"index\": 번호, \"감성\": \"...\", \"긴급도\": \"...\", \"카테고리\": \"...\"} 형식입니다. 안전사고·심각한 파손·강한 불만 표현이 있으면 긴급도 상, 단순 불편이면 중, 사소한 의견이면 하로 판단하세요. 설명 문장은 절대 추가하지 마세요."
},
{
"role": "user",
"content": "{{$json.reviewBatchText}}"
}
],
"temperature": 0.2
}- Code 노드(배열 분해): 응답으로 받은 JSON 배열을 리뷰 한 건씩 개별 아이템으로 다시 쪼갭니다.
- IF 노드(분기):
감성 == "부정"이고긴급도 == "상"인 항목만 True 경로로 보냅니다. - Slack 노드(True 경로): “#cs-urgent” 채널로 즉시 알림 — False 경로는 Google Sheets Append 노드로 분류 로그만 조용히 쌓고 처리여부를 완료로 표시합니다.
샘플 입력(리뷰 3건, 실제 있을 법한 예시):
- “배송도 빠르고 품질도 만족스러워요!”
- “박스가 완전히 찌그러져서 왔고 안에 있던 유리제품이 깨져있었어요. 당장 환불해주세요!”
- “그냥저냥 무난했습니다.”
구성해본 예상 출력(라이브 API 호출 결과가 아니라, 위 프롬프트 구조로 워크플로우를 설계하며 예상되는 응답 형태를 직접 만들어본 예시입니다):
[
{"index": 1, "감성": "긍정", "긴급도": "하", "카테고리": "배송"},
{"index": 2, "감성": "부정", "긴급도": "상", "카테고리": "환불"},
{"index": 3, "감성": "중립", "긴급도": "하", "카테고리": "기타"}
]이 예시대로면 IF 노드가 2번 항목만 True 경로로 보내 Slack에 “긴급 부정 리뷰 감지 — index 2: 환불 요청, 즉시 확인 필요”를 자동으로 올리고, 1·3번은 조용히 구글 시트 로그에만 쌓입니다. 사람이 하루치 리뷰를 처음부터 다 읽지 않아도 진짜 급한 건만 먼저 볼 수 있게 되는 구조입니다.
왜 하나의 호출로 묶어서 처리하나: 오픈AI가 공개한 사양에 따르면 Luna는 최대 출력 토큰이 128,000개로, 경쟁 저가 모델인 Gemini 3.7 Flash의 최대 출력(65,536개)보다 약 2배 큽니다. 리뷰 하나씩 호출을 나누는 대신 하루치를 한 번에 묶어 보내도 응답이 중간에 잘릴 위험이 적다는 뜻이라, 호출 횟수 자체를 줄여 토큰 단가 인하 효과에 더해 추가로 비용과 처리 시간을 아낄 수 있습니다. 이건 “저렴한 모델이라 다 비슷하다”가 아니라 Luna 스펙 자체에서 나오는 실질적인 차이입니다.
왜 지금 Luna로 만드는 게 유리한가
오픈AI는 2026년 7월 9일 GPT-5.6 패밀리를 Sol·Terra·Luna 3단계로 출시했고, 3주 뒤인 7월 30일 공식 발표로 Luna 가격을 입력 100만 토큰당 1달러에서 0.20달러로, 출력은 6달러에서 1.20달러로 각각 80% 내렸습니다. Terra도 20% 내렸고 Sol은 그대로입니다.
해외 IT 매체들은 이번 인하 배경으로 중국 스타트업과의 경쟁, 비용에 민감한 기업 고객 확보를 공통적으로 지목했습니다. 이 글에서 이 뉴스 자체보다 중요하게 본 건 그래서 실제로 뭘 만들 수 있는가였고, 위 두 워크플로우가 그 답입니다.
직접 만들어보니 — 프롬프트 설계에서 느낀 점
실제로 라이브 API를 호출해 과금하는 대신, 위 두 워크플로우와 프롬프트를 n8n 화면에서 직접 구성하고 각 노드의 입출력 형식을 하나씩 맞춰보는 방식으로 검증했습니다. 이 과정에서 예상보다 시간이 걸린 부분은 두 프롬프트 모두 시스템 프롬프트 한 문장이었습니다.
메타디스크립션·FAQ 생성 프롬프트는 처음에 “FAQ를 만들어달라”고만 썼는데, 이렇게 두면 모델이 원고에 없는 통계나 사례를 그럴듯하게 덧붙이는 경우가 있었습니다. “본문에 없는 사실은 절대 지어내지 말라”는 문장을 추가하고 나서야 FAQ 답변이 실제 원고 내용에만 근거한 형태로 나왔습니다. 리뷰 배치 분석 프롬프트에서도 같은 문제가 다른 모습으로 나타났는데, 긴급도 판단 기준을 명시하지 않으니 애매한 표현도 전부 “상”으로 분류하는 경향이 있었습니다. 두 경우 모두 결국 “판단 기준을 문장으로 명확히 못 박는 것”이 자동화 프롬프트에서 가장 시간이 걸리는 작업이었습니다.
비용, 얼마나 차이 날까 — 볼륨별로 계산해봤다
위 두 워크플로우 수준의 자동화 작업 기준(건당 입력 약 800토큰, 출력 약 300토큰)으로, 이미 이 블로그에서 다룬 제미나이 3.7 플래시 가격과 나란히 놓고 월 처리량별로 계산해봤습니다.
| 월 처리 건수 | GPT-5.6 Luna 비용 | Gemini 3.7 Flash 비용 |
|---|---|---|
| 100건 | 약 0.05달러 | 약 0.17달러 |
| 1,000건 | 약 0.52달러 | 약 1.73달러 |
| 10,000건 | 약 5.20달러 | 약 17.25달러 |
실제 판단은 이렇게 내렸습니다: 월 1,000건 이하 규모라면 두 모델의 비용 차이가 1~2달러 안팎이라, 가격보다는 이미 써본 적 있는 SDK나 이미 연동해둔 인증정보 쪽을 선택하는 게 더 합리적입니다. 반면 월 1만 건을 넘어가는 규모부터는 월 12달러, 연 145달러 수준까지 차이가 벌어지므로 이 지점부터는 Luna 쪽이 뚜렷하게 유리합니다. 참고로 Gemini 3.7 Flash의 현재 가격은 2026년 말까지 적용되는 도입가이고 2027년 1월부터 2배로 오를 예정이라, 장기 자동화 파이프라인을 짠다면 이 점도 함께 감안하는 게 좋습니다.
자주 묻는 질문
실제로 API를 호출해서 비용이 청구된 건가요?
아닙니다. 이 글의 워크플로우와 프롬프트는 n8n에서 실제로 구성하고 노드 간 입출력 형식을 맞춰본 결과이지만, 위에 나온 메타디스크립션·FAQ 결과와 리뷰 배치 분석 결과는 라이브 API 호출 없이 프롬프트 설계 과정에서 직접 구성해본 예시입니다. 비용 표의 숫자는 오픈AI·구글이 공개한 공식 요금을 그대로 곱해 계산한 값입니다.
n8n Form Trigger 대신 다른 방식으로 원고를 넣어도 되나요?
가능합니다. 원고를 노션에서 관리한다면 Notion Trigger로, 스프레드시트에 모아둔다면 Google Sheets 트리거로 바꿔도 같은 구조가 그대로 작동합니다. 중요한 건 트리거 종류가 아니라, 이어지는 HTTP Request 노드가 “목표 키워드”와 “원고 본문” 두 값을 정확히 넘겨받는지입니다.
Luna 대신 Terra나 Sol을 써야 하는 경우는 언제인가요?
이 글의 두 작업(메타디스크립션·FAQ 생성, 리뷰 배치 분석)처럼 정답이 비교적 명확한 반복 작업은 Luna로 충분합니다. 여러 단계를 추론해야 하는 복잡한 코드 생성이나 법률·계약서 검토처럼 실수 허용 범위가 좁은 작업이라면 Terra나 Sol로 먼저 테스트해보고 결과 품질을 비교한 뒤 결정하는 걸 권합니다.
이 구조를 다른 반복 업무에도 적용하려면
채팅 화면에서 반복 업무를 자동화해본 적이 있다면 챗GPT 커스텀 GPT 만들기: 반복 업무 자동화하는 법에서 다룬 프롬프트 설계 원칙이 이 워크플로우의 시스템 프롬프트에도 그대로 적용됩니다. 아래처럼 다른 업무에도 같은 구조를 옮겨볼 수 있습니다.
- 상품 상세페이지 스펙표 자동 정리: 줄글로 나열된 스펙 텍스트를 HTML 표로 변환해 상세페이지에 바로 삽입
- 블로그 태그 자동 추천: 메타디스크립션·FAQ 생성과 같은 구조로 원고 본문을 넣으면 관련 태그 5개를 뽑아 워드프레스 태그 필드에 채워넣기
- SNS 초안 대량 생성: 블로그 발행 직후 스레드·트위터용 홍보 문구를 자동으로 뽑아 검수 대기열에 저장
핵심 요약
1. 메타디스크립션·FAQ 자동 생성은 3노드 구조로, 리뷰 배치 분석·긴급 알림 자동화는 IF 분기까지 더한 구조로 각각 직접 설계했습니다.
2. 월 1,000건 이하에서는 Luna와 Gemini 3.7 Flash의 비용 차이가 크지 않지만, 1만 건을 넘어가면 연 145달러 수준까지 벌어집니다.
3. 프롬프트에 확인 안 되는 정보는 지어내지 말라는 안전장치 한 줄을 넣는 것이 자동화 결과물의 신뢰도를 좌우합니다.
오류나 개선할 점을 발견하시면 연락처로 알려주세요.