클로드 코드 + 에어브릿지 MCP × API로 마케터 일상을 다시 설계한다 — Agentic 자동화 청사진 (1/3)

📝 이 글은 해당 세션 전에 사전 준비 & 프리모템(premortem)을 하면서 작성되었습니다.

본 글은 3편 시리즈의 1편입니다. 2편: 클로드 코드로 OG 이미지 만들고, 에어브릿지 API로 트래킹 링크 N개 발급하기 · 3편: 통합 안 된 매체 비용도 에어브릿지 대시보드에 — Self-Serve Cost Upload + 클로드 코드 자동화 실전

TL;DR

• 어트리뷰션 SaaS 에어브릿지(Airbridge — 운영사 AB180) 고객사 마케터 약 50명을 만나 고질병을 8개 테마로 정규화했더니, 거의 모두가 "수동 다운로드 → 포맷 정리 → 해석 → 공유" 또는 "네이밍 컨벤션 정합성 검수" 두 축으로 수렴했습니다.
• 클로드 코드(Claude Code) + 에어브릿지 MCP(Model Context Protocol, 모델 컨텍스트 프로토콜)는 분석·진단·QA에 강하고, 에어브릿지 REST API는 생성·수집·자동화에 강합니다. 둘은 대체재가 아니라 보완재입니다.
• 둘을 묶어 routines(루틴) 또는 managed agents(매니지드 에이전트)로 감싸면 마케터가 매주 반복하던 수작업 반복 5개 중 4개는 사람 손을 떠납니다.
• 단, 모든 일을 자동화하면 안 됩니다. 의사결정·조직 정치·맥락 판단은 사람이 가져야 합니다. 본 글은 어디까지 기계에게 맡기고 어디서부터 사람을 다시 끌어들일지(human-in-the-loop)에 대한 설계 원칙도 함께 다룹니다.

📤 이 글 한 번에 공유하기 — 클로드 코드 + 에어브릿지 REST API + GPT image로 즉석 발급한 트래킹 링크입니다. 채널 blog_share, 캠페인 claude-code-airbridge-mcp-api-agentic-marketer-blueprint_202604_blog_share, OG 이미지는 GPT Image 2 (high, 1536×1024). 클릭은 에어브릿지 actuals 리포트에 그대로 집계됩니다.

클로드 코드 + 에어브릿지 MCP × API로 마케터 일상을 다시 설계한다 — Agentic 자동화 청사진

어트리뷰션 SaaS 에어브릿지 워크샵에서 정규화한 8개 고질병을 클로드 코드 + 에어브릿지 MCP·API·Routines·Managed Agents 4단계로 매핑한 자동화 청사진.

demokr.ab180.co

1. 왜 지금 이 글인가

2026년 4월 워크샵 이후, 어트리뷰션 SaaS 에어브릿지(Airbridge — 운영사 AB180) 고객사 대상 비공개 워크샵에서 그로스 마케터·PM을 약 50명 단위로 만났습니다. 워크샵의 핵심 도구는 클로드 코드(Claude Code), 그리고 에어브릿지 MCP 베타 와 에어브릿지 REST API 였습니다.

에어브릿지가 Airbridge AI 라는 이름으로 MCP 파일럿을 공식 런칭한 직후라 마케터들의 관심은 컸습니다. 한편 "내가 진짜 자동화하고 싶은 건 뭐지?" 에 대한 답은 의외로 정형화되어 있었습니다. 사전 설문에서 "워크샵에서 무엇이 풀리길 원하는가" 라고 물었더니 답이 길게도 짧게도 돌아왔습니다. 그 답들을 익명화해 정규화하니 다음 8개 테마로 수렴합니다.

8번은 사전 설문에 직접적으로 적힌 항목은 아니지만, 1·2·3번 고질병의 근본 원인에 가깝습니다. 캠페인 네이밍이 무너지면 리포트 그루핑이 무너지고, 매체 비교가 무너지고, 어트리뷰션이 무너집니다. 그래서 8번을 명시적 트랙으로 끌어올렸습니다.

2. 에어브릿지의 MCP와 REST API는 같은 일을 하지 않는다

워크샵 이후 다시 확인한 한 가지: 마케터들이 "클로드 코드로 뭘 할 수 있나요?" 와 "에어브릿지 API는 어떻게 쓰는 거죠?" 를 별개의 질문으로 던졌습니다. 그러나 둘은 같은 끝점을 두고 다른 길을 갑니다.

2-1. 클로드 코드 + 에어브릿지 MCP — 분석·진단·QA의 도구

Anthropic이 정의하고 OpenAI·Google이 잇따라 채택한 MCP(Model Context Protocol) 는 모델이 외부 시스템의 도구를 호출할 수 있게 하는 표준 프로토콜입니다. 마케터 입장에서는 "클로드 데스크탑이나 클로드 코드(Claude Code)에 에어브릿지 커넥터를 붙였더니 자연어로 리포트를 부른다" 정도로 체감됩니다.

MCP가 잘하는 일은 다음과 같습니다.

• 다단계 분석: "지난 14일 매체별 ROAS, 직전 14일 대비 변화, ±30% 이상치 매체 별도 섹션" 같은 복합 요청을 한 번에 처리.
• 메타데이터→리포트 체인: 메트릭 키·그룹바이 키를 먼저 조회한 뒤 본 리포트를 호출. 사용자가 SQL이나 API 스펙을 몰라도 됨.
• 진단 모드 부트스트랩: "iOS purchase 이벤트가 안 들어와요" 같은 모호한 신호를 받아 트러블슈팅 가이드를 자동으로 따라가며 가설을 좁힘.
• 자연어 검색: 대시보드 페이지·도움말 가이드를 키워드로 즉시 찾음.

에어브릿지 MCP가 못 하는 일도 있습니다. 새 자원을 만드는 일, 외부 데이터를 시스템에 밀어넣는 일 입니다. 적어도 2026년 4월 현재의 에어브릿지 MCP 베타에는 트래킹 링크 생성, 서버-투-서버 이벤트 송신, 비용 데이터 업로드, raw export 요청 같은 쓰기성 동작이 없습니다.

2-2. 에어브릿지 REST API — 생성·수집·자동화의 도구

에어브릿지 REST API는 그 반대입니다. 트래킹 링크를 일주일에 100개씩 발급하고, 인하우스 백엔드에서 발생한 결제 이벤트를 서버에서 직접 송신하고, 통합되지 않은 인플루언서 마케팅 비용을 CSV로 밀어넣고, 31일치 raw 데이터를 자동으로 받아 BI에 붙입니다. 사람의 손이 닿지 않는 자동화 백본입니다.

API가 잘 못하는 것도 있습니다. 모호한 자연어 요청을 해석하는 일. API는 정확한 페이로드를 요구합니다. "ROAS 떨어진 매체 좀 보여줘" 를 받아 metric/groupBy 키 매핑까지 해주진 않습니다. 그 일은 클로드 코드 같은 LLM 에이전트의 몫입니다.

2-3. 매트릭스로 정리

3. 고질병 → 솔루션 매핑

위 8개 고질병을 MCP·API·둘의 조합·routines/managed agents 4단계로 매핑하면 다음과 같습니다.

이 매핑이 글의 핵심입니다. 고질병 1·8이 마케터의 시간을 가장 많이 잡아먹는 두 축이고, 둘 다 에어브릿지의 MCP + REST API 조합으로 거의 사람 손이 닿지 않게 만들 수 있습니다.

4. Agentic Workflow의 4가지 패턴

자동화 단계마다 적합한 패턴이 다릅니다. 워크샵 회고에서 다음 4가지로 정리했습니다.

패턴 A — 단발성 코파일럿 (One-shot copilot)

사용자가 채팅으로 한 번 묻고 답을 받는 흐름. "지난주 매체별 ROAS 알려줘" → MCP가 metadata→report 체인 호출 → 결과 보여주기. 도구: Claude Desktop + MCP 커넥터.

패턴 B — 백엔드 자동화 스크립트 (Backend automation script)

사람이 트리거하지 않고 cron 또는 이벤트 핸들러로 돌아가는 흐름. 사용자에게 인터페이스 노출 안 됨. 도구: GitHub Actions, Cloudflare Workers, n8n, 자체 백엔드. API only.

패턴 C — Agentic Routines (정기 에이전트 실행)

LLM 에이전트를 cron 또는 트리거로 깨워 작업 시퀀스를 수행. 단순 스크립트와 다른 점은 LLM이 중간에 의사결정을 함. "매주 월요일 09:00에 깨어나서 매체별 효율 변화 측정. 효율 급락 매체 발견 시 가설 3개 작성, 슬랙에 멘션." 도구: Anthropic의 Claude Code Routines (스케줄 + 트리거 기반 에이전트 실행), Claude API의 batch + tool use, OpenAI Assistants의 scheduled runs, n8n + LLM 노드.

패턴 D — Managed Agents (관리형 에이전트, 사람이 위에서 감시)

패턴 C와 유사하나 human-in-the-loop가 더 강한 형태. 에이전트가 작업 제안을 하고 사람이 승인해야 행동. 마케팅에서 이 패턴이 가장 안전. "트래킹 링크 50개 일괄 생성을 제안합니다. 네이밍 컨벤션 검증 통과. 승인 시 발급." — Anthropic이 정리한 Managed Agents 개요에 운영 패턴·보안 모델이 잘 정리돼 있습니다. 에이전트가 제안 → 검증 → 승인 → 실행의 4단계로 분리되어, 돌이킬 수 없는 행동은 사람이 명시적으로 결재하게 합니다.

5. 회사별 컨텍스트를 명시지화하라 — 자동화의 진짜 ROI는 여기서 나온다

대다수 마케터가 AI 자동화를 처음 시도할 때 기성 LLM에 그냥 물어보는 사용 패턴에 머뭅니다. 결과물이 무난해 보여도 우리 회사의 의사결정 패턴, 매출 패턴, 시즌 패턴, 보고 톤이 빠져 있어서 실제로는 사람이 다시 매만져야 하는 초안에 그칩니다. 진짜 자동화 가치는 암묵지(tacit knowledge)를 명시지(explicit knowledge)로 끌어내고 에이전트에 주입할 때 나옵니다. 안드레이 카파시(Andrej Karpathy)가 YC AI Startup School 2025 키노트 Software is Changing (Again)에서 정리한 Software 3.0 표현을 빌리자면, 우리는 더 이상 코드를 쓰는 것이 아니라 프롬프트와 컨텍스트를 쓰는 시대로 들어왔고, 그 컨텍스트의 품질이 곧 자동화의 ROI를 결정합니다.

5-1. 회사별 컨텍스트의 4축

다음 4축을 문서화하지 않은 채 AI를 도입하면 일반 답변 이상이 나오지 않습니다.

1. 사업 캘린더 — 화장품 D2C라면 올영 세일(매달 셋째주), 광군제(11/11), 블랙프라이데이(11월 4주차), 뷰티 페어(주요 격월 1·2주차). F&B라면 발렌타인·빼빼로·연말 선물 시즌. 게임이라면 대규모 패치·시즌 페스티벌·외부 IP 콜라보 일정. 이 캘린더를 노션 또는 사내 wiki의 단일 문서로 정리하고 RAG(Retrieval-Augmented Generation)로 에이전트에 주입하면, "왜 4월 셋째주 ROAS가 평소보다 60% 높았지?" 같은 질문에 "올영 메가세일 영향이며 실제로는 증분(incremental) 매출보다 캐니벌라이제이션(자기잠식)이 큽니다" 까지 자동 해석합니다. 시즌 스파이크와 비시즌 베이스라인을 분리하는 작업은 구글 Meridian 같은 미디어 믹스 모델링(MMM) 도입과 결합하면 더 강해집니다 — 시즌 캘린더가 곧 MMM의 외생 변수(exogenous regressors) 로 들어가는 셈입니다.
2. 카테고리·SKU별 패턴 — 같은 회사 안에서도 카테고리마다 ROAS·LTV·재구매 주기가 다릅니다. 뷰티 D2C에서 기능성 스킨케어는 D90 재구매 75%, 색조는 D90 재구매 35%, 향수는 D180 재구매 20% 등(가상 수치). 이 패턴을 명시지화하면 에이전트가 카테고리 간 ROAS 비교를 그냥 하지 않고 재구매 주기 가중치를 적용한 LTV 기준으로 비교합니다.
3. 보고 대상별 톤·템플릿 — 부장님은 표 한 장, 본부장은 차트 + 한 줄 요약 + 권고 액션 3개, CFO는 마진 기반 ROI + cash payback, 대표님은 동종업 대비 백분위. 같은 데이터를 4가지 양식으로 자동 출력하면, 매주 마케터가 같은 데이터의 4번째 가공에 쓰던 시간이 0이 됩니다.
4. 사내 의사결정 룰과 가드레일 — "D7 ROAS 80% 미만이면 광고 끈다", "신규 캠페인은 launch 후 72h는 수정 금지", "브랜드 키워드는 항상 1순위 입찰 유지", "신규 채널은 월 100만원 캡 안에서 학습" 같은 결정 임계값을 명시지화하면 에이전트의 권고가 회사의 실제 운영 룰과 충돌하지 않습니다.

이 4축은 최소 한 달의 인터뷰·문서화가 필요합니다. 이걸 마케팅 팀의 새로운 정규 업무로 정의해야 합니다. 한 번 잘 만들어두면 매주 발생하는 자동화 ROI는 컴파운드됩니다.

5-2. 명시지화는 학문적 베스트 프랙티스 — Cognitive Task Analysis

위 4축을 문서화한다는 말은 단순한 문서화가 아닙니다. 학문적으로 30년 이상 다듬어진 방법론이 있습니다 — Cognitive Task Analysis (CTA, 인지 작업 분석). CTA는 전문가의 머릿속에 있는 암묵지를 명시지로 끌어내기 위한 인터뷰·관찰·verbal report 분석 기법의 묶음입니다 (Global Cognition 개요, Brown · Power · Gore (2024) — Sage Organizational Research Methods).

CTA의 표준 단계는 셋입니다.

1. 지식 추출 (Elicitation) — 가장 많이 쓰이는 기법: Critical Decision Method (실제 결정 사례 회고), Think-Aloud Protocol (작업하면서 말로 풀기), Concept Mapping (도메인 개념 그래프), 팀 커뮤니케이션 분석
2. 데이터 분석 (Analysis) — verbal report 전사 → 코딩 → 패턴 추출
3. 지식 표현 (Representation) — 의사결정 트리·룰 기반 가드레일·체크리스트로 구체화

베테랑 마케터일수록 자기가 어떻게 결정하는지 설명하지 못합니다. 그래서 직접 왜 이 캠페인을 유지·중단하는지 묻는 것보다, 지난 30일 동안 결정 5건을 함께 회고하면서 그때 본 시그널·기각한 시그널·결정 임계값을 끌어내는 편이 빠릅니다. 비기술 도메인에 CTA를 적용한 좋은 글로 Cedric Chin의 An Easier Method for Extracting Tacit Knowledge를 추천합니다.

실전 적용 — 3주짜리 마케터 CTA 인터뷰 트랙:

• 1주차 — 베테랑 마케터 1명이 지난 30일 캠페인 의사결정 5건을 회고. 주니어 1명 + 그로스 코치 1명이 듣고 그때 본 시그널 / 기각한 시그널 / 결정 임계값을 화이트보드에 정리.
• 2주차 — 1주차 정리본을 룰·임계값·우선순위 트리 로 변환. "D7 ROAS < 80%면 끈다" 같은 임계값을 숫자로 박음.
• 3주차 — 변환한 명시지를 클로드 코드 에이전트 RAG 코퍼스 로 옮기고, 같은 캠페인 의사결정을 에이전트와 베테랑이 평행으로 시뮬레이션. 차이점만 다시 회고.

이걸 마케팅 팀의 새 정규 업무로 박으면, 6개월 뒤 그 회사의 마케팅 의사결정 자동화는 다른 회사의 같은 자동화와 절대 같지 않은 출력을 냅니다.

5-3. Best Practice를 에이전트에 주입한다

마케터가 현장에서만 아는 룰이 있습니다.

• Day 1 ROAS < 30%면 Meta는 크리에이티브 wearout 의심. frequency·CTR 같이 봐야 한다. 이 의사결정 흐름은 메타 광고 소재 교체 의사결정 프레임워크 — Kill·Trim·Protect·Promote에 정리되어 있습니다.
• 신규 install 비중 90% 넘는 매체는 retention loop가 누락됐을 가능성. 리타게팅 누락 또는 어트리뷰션 윈도우 짧게 설정
• ROAS 분모는 매체별로 click 시점인지 install 시점인지 통일해야 함. 안 통일하면 매체 비교 무의미
• 비통합 매체의 비용은 click·impression이 0이라도 cost는 양수로. 0으로 올리면 dashboard ROAS가 ∞로 폭주

이런 룰을 에이전트의 system prompt + RAG 코퍼스에 넣으면, 에이전트의 모든 출력이 자동으로 이 가드레일을 지킵니다. 베스트 프랙티스를 매번 사람이 다시 가르칠 필요가 없어집니다. 앤드류 응(Andrew Ng)이 AI Agent의 핵심 차별화는 도메인 지식 주입이라고 강조한 이유입니다.

5-4. 시간 많이 드는 EDA를 에이전트가 대신한다

탐색적 데이터 분석(EDA, Exploratory Data Analysis)은 그 자체가 일주일짜리 작업입니다.

• cohort split: 4월 1·2·3주차 신규 install 사용자 retention 곡선 비교
• 변수 간 correlation: 특정 ad_creative와 D7 ROAS 상관, OS·디바이스·시간대별 분산
• outlier 탐지: 평균 ±2σ 벗어난 캠페인·요일·창작 세트
• 가설 생성·기각·남기기: "4주차 ROAS 하락은 weekend 비중 증가 때문" 가설을 자동 생성하고 데이터로 기각·확정

이 모든 단계를 클로드 코드 에이전트가 raw export → pandas/duckdb 처리 → 통계 검정 → 자연어 보고로 자동 처리합니다. 우리 팀 관측 기준 (가상 데이터, 단일 분석가 비교) 일주일짜리 EDA 사이클이 30분~1시간 사이로 압축됩니다. 사람은 가설의 비즈니스 의미를 판단하는 데 시간을 씁니다. 왜?를 묻는 능력만 사람의 영역에 남습니다. (구조 적용 사례는 AI 에이전트 7개로 시니어 7명 효과를 낸 비결 참고.)

5-5. 교차 분석 자동화 — 4축 grid가 인사이트를 만든다

매체별 ROAS만 보면 공기가 빠진 분석입니다. 진짜 인사이트는 4축 교차에서 나옵니다.

5 × 7 × 3 × 3 = 315개 셀 grid. 사람은 절대 손으로 안 합니다. 클로드 코드 에이전트는 에어브릿지 raw export 한 번으로 grid를 채우고, "Meta × 주말 × UGC × cold가 평균 대비 ROAS +180%, 단 conversion volume이 작아 statistically significant 아님" 같은 결과를 자동 추출합니다. 그 다음 사람은 이 셀을 키울지만 결정합니다.

5-6. 종합 — 컨텍스트가 곧 차별화

자동화의 가치 사슬은 다음 3단계로 정리됩니다.

1. 원시 LLM — 일반 답변. 사람이 다시 가공. ROI 낮음
2. 기성 MCP 연결 — 도메인 데이터 접근 가능. 그러나 우리 회사 컨텍스트 없음. ROI 중간
3. 우리 회사의 4축 컨텍스트 + best practice + EDA·교차 분석 자동화 — 우리 마케터의 암묵지가 시스템에 박힘. ROI 컴파운드

3단계까지 가야 자동화 라는 말의 의미가 달라집니다. 그 전까지는 비싼 검색엔진에 가깝습니다.

6. Human-in-the-Loop 디자인 원칙

마케팅 자동화에서 어디까지 자동화할 것인가는 곧 어디서부터 책임을 사람이 지는가를 정의하는 일입니다. 우리 팀이 Human In The Lead — A2A에 두 번 걸린 날 에서 다룬 사고처럼, 사람을 루프 안에서 도구로 두지 말고 맨 위에서 결정자로 두어야 합니다. 다음 5가지 원칙을 권합니다.

1. 자동화 후 되돌릴 수 없는 행동은 사람이 승인: 트래킹 링크 수정(deeplink 라우팅 변경 등)은 운영 앱이라면 무조건 사람 승인. 신규 발급은 컨벤션 검증 통과 시 자동.
2. 외부 인지에 영향 주는 행동은 사람이 승인: 슬랙 멘션 작성은 자동, 그러나 유관 부서장에게 전달되는 인사이트 보고는 사람 한 번 검토.
3. 데이터 정합성에 영향 주는 행동은 사람이 승인: 비용 데이터 업로드 시 신규 채널 등록·삭제는 사람 승인. 동일 채널의 정기 동기화는 자동.
4. 모델 환각 위험이 큰 영역은 사람이 검증: 어트리뷰션 결과 해석, 어떤 캠페인이 왜 작동했는가에 대한 LLM 가설은 데이터로 한 번 더 검증.
5. 임계값을 명시: "ROAS ±30% 변동 시 사람 알림" 같은 룰은 코드에 박아놓고, 룰 변경은 PR 리뷰. 모호한 자율성을 주지 말 것.

7. 다음 편 예고

다음 두 편에서는 위 매트릭스를 실제로 동작하는 코드로 보여드립니다.

• 2편 — 클로드 코드로 OG 이미지 만들고, 에어브릿지 API로 트래킹 링크 N개 발급한다: 블로그 글 1편이 발행되면 클로드 코드 에이전트가 메타를 분석하고, GPT image-2로 OG 이미지를 생성한 뒤, 에어브릿지 REST API로 채널별 트래킹 링크 N개를 일괄 발급하고, 에어브릿지 MCP로 검증한 뒤 슬랙으로 보고합니다. 고질병 1·2·8을 동시에 해소합니다.
• 3편 — 통합 안 된 매체 비용도 에어브릿지 대시보드에 (Self-Serve Cost Upload): 인플루언서 마케팅·자체 SMS·오프라인 행사 비용 같은 자체 매체를 Google Sheet에서 관리하면, 매일 새벽 클로드 코드 루틴이 CSV 변환 → 에어브릿지 REST API multipart upload → 에어브릿지 MCP가 actuals 리포트로 검증 → 슬랙 보고. 고질병 5·1을 동시에 해소합니다.

8. 도입을 고민 중이라면

이 청사진은 한 번에 다 깔 필요 없습니다. 우선순위는 해당 조직의 가장 큰 시간 도둑입니다. 본 시리즈를 다 읽은 뒤에도 결정이 어렵다면, 우리 팀이 그로스 스프린트 형식으로 동행해 드립니다. 첫 1주는 고질병 진단, 둘째 주는 1개 고질병의 완전 자동화 PoC, 셋째 주는 routines/managed agents 운영 안정화. 문의는 retn.kr/contact.

마치며

약 50명의 마케터에게서 모은 고질병을 정규화하니, 기술이 부족해서가 아니라 일이 잘게 잘려 있어 사람의 시간을 빨아먹는다는 인상이 가장 강했습니다. MCP는 이미 자연어 인터페이스를 마케터에게 가져다줬고, REST API는 자동화 백본을 제공해온 지 오래입니다. 두 도구를 조합해 routines/managed agents로 감싸면 사람은 해석·승인·정치에 시간을 쓸 수 있습니다. 이게 우리 팀이 그리는 AI Augmentation (AI를 곁에 두고 사람의 능력을 확장하는 운영 모드)입니다.

다음 편에서 실전 코드로 만나뵙겠습니다.

📚 더 읽어보기

• 구글 Meridian으로 마케팅 ROI / 증분(Incremental) 측정
• 채널 포화일 때 진짜 해야 할 일 — 증분을 만드는 스케일업
• 마케팅 대시보드 ROAS가 높은데 매출은 안 느나요? — 증분과 라스트터치
• AI 에이전트에게 사업을 맡기는 대표가 놓치는 Human In The Lead
• AI 에이전트 7개로 시니어 7명 효과를 낸 비결
• 메타 광고 MCP로 3년치 광고 데이터 분석한 이야기

(가상 데이터 명시) 본 글에 등장하는 ROAS·CPI·매체별 비교 수치는 워크샵 데모 환경(샌드박스 앱)에서 측정한 값을 정규화한 참고 수치입니다. 실제 고객사 데이터가 아닙니다.

참고 - Anthropic, Model Context Protocol Specification: https://modelcontextprotocol.io/ - Anthropic, Connect Claude Code to tools via MCP (한국어): https://code.claude.com/docs/ko/mcp - Airbridge, Stop Searching for Complex Marketing Data — Airbridge AI MCP Pilot Launch: https://www.airbridge.io/blog/airbridge-ai-mcp-pilot-launch - Airbridge, MCP Beta Guide: https://help.airbridge.io/en/guides/mcp - Airbridge, API Reference Introduction: https://help.airbridge.io/en/references/introduction