티스토리 뷰
목차
매달 같은 포맷으로 반복되는 콘텐츠라면 데이터만 갈아 끼우면 된다고 생각했습니다. Claude Enterprise와 Google Sheets, Higgsfield를 연결해 뷰티 이미지 100장을 반자동 생성하는 흐름을 직접 짜봤는데, 예상과 달리 같은 포맷이 매번 안정적으로 작동하지 않았습니다. 이 글은 그 실패에서 역으로 배운 AI 디자인 자동화 설계법입니다.
Claude Enterprise, Google Sheets와 이미지 생성 도구를 연결해 뷰티 이미지 100장 이상을 반자동으로 제작하며 겪은 실패를 정리했습니다. 프롬프트 변수 분리, 상태 관리, 품질 검수, 실패 행 재처리 등 BX디자이너에게 필요한 AI 디자인 자동화 설계법을 소개합니다.
프롬프트 설계: 고정 레이어와 변수 레이어를 나눠야 하는 이유
처음 시스템을 구성할 때 저는 프롬프트를 하나로 만들었습니다. 브랜드명, 제품 특성, 캠페인 메시지, 이미지 규칙이 한 덩어리로 뭉쳐 있었죠. 결과가 실패했을 때 어디가 문제인지 바로 찾을 수 없었습니다. 제품 구도가 무너진 건지, 소품 조건이 잘못 전달된 건지, 참조 이미지가 낮은 해상도여서인지 — 원인이 뭉개져 있었습니다.
제가 경험한 반자동화(semi-automation)의 가장 큰 실수가 여기에 있었습니다. 반자동화란 AI가 반복 작업의 상당 부분을 수행하되, 중간에 사람이 결과를 검수하고 실패한 작업을 조정하는 구조를 말합니다. 완전 자동화처럼 입력부터 저장까지 사람 없이 돌아가는 것과는 다릅니다. 디자인처럼 결과 품질을 수치만으로 판단하기 어려운 업무에서는 오히려 반자동화가 현실적인 선택입니다. 문제는 반자동화조차 제대로 설계하지 않으면 오히려 수작업보다 비용이 커진다는 점입니다.
해결 방향은 프롬프트를 고정 레이어(fixed layer)와 변수 레이어(variable layer)로 분리하는 것이었습니다. 고정 레이어란 모든 이미지에 공통으로 적용되는 불변 규칙입니다. 이미지 비율, 제품의 기본 배치 위치, 로고 비가림 조건, 금지 오브제 목록 같은 것들입니다. 변수 레이어는 브랜드와 제품마다 달라지는 정보로, Google Sheets에서 행 단위로 불러옵니다. 브랜드명, 제품 카테고리, 패키지 색상, 캠페인 무드, 허용 소품 등이 여기에 해당합니다.
이렇게 나누자 실패 원인을 찾는 시간이 확연히 줄었습니다. 고정 규칙이 문제라면 템플릿을 수정하면 되고, 특정 제품에서만 실패한다면 그 행의 변수를 조정하면 됩니다. Anthropic 공식 문서도 Claude에서 일관된 결과를 얻으려면 원하는 행동과 출력 형식을 구체적으로 명시하고 맥락과 예시를 명확히 제공할 것을 권고합니다(출처: Anthropic 프롬프트 엔지니어링 공식 문서).
실제로 제품군마다 처리해야 하는 조건이 다르다는 것도 이때 파악했습니다. 쿠션은 뚜껑과 힌지 구조가 중요하고, 투명 블러셔는 내부 제형의 반사까지 표현해야 합니다. 펌프형 스킨케어는 노즐 구조가 무너지면 제품 자체가 부자연스러워 보입니다. 같은 뷰티 카드라도 제품 카테고리별로 프롬프트 분기(prompt branching)가 필요했습니다. 프롬프트 분기란 단일 템플릿 대신 카테고리 조건에 따라 다른 프롬프트 블록을 호출하는 방식입니다. 이 구조 없이 100장을 돌리면 카테고리가 다양할수록 실패율이 올라갑니다.
Google Sheets를 제어판으로 쓰기
Google Sheets를 단순 데이터 표로 쓰면 100장 중 어떤 이미지가 실패했는지 나중에 찾기 어렵습니다. 저는 시트를 작업 제어판(control dashboard)으로 다시 설계했습니다. 작업 제어판이란 각 이미지 작업의 상태, 오류 유형, 재시도 횟수, 검수 결과를 한 줄씩 기록하는 운영용 시트입니다. 각 행에 다음 정보를 고정 열로 두었습니다.
- job_id: 작업 고유 번호 — 어떤 이미지인지 추적하는 기준
- status: READY / RUNNING / PASS / RETRY / MANUAL_REVIEW / FAILED 로 상태를 구분
- error_code: 도구 호출 실패인지, 이미지 품질 실패인지 유형을 기록
- retry_count: 재시도 횟수 — 이게 없으면 무한 재시도에 빠질 수 있습니다
- review_note: 디자이너가 수동 검수 후 남긴 메모
이 구조가 생기자 전체 재실행(full re-run)을 멈출 수 있었습니다. 전체 재실행이란 일부 이미지가 실패했을 때 100장 전체를 처음부터 다시 생성하는 비효율입니다. FAILED나 MANUAL_REVIEW 상태인 행만 골라서 재처리하면 됩니다. Anthropic의 도구 사용 공식 문서에도 도구 정의, 호출, 결과가 모두 입력·출력 토큰에 산입 된다고 명시되어 있어, 전체 재실행 시 토큰 비용이 중복으로 발생한다는 점도 확인했습니다(출처: Anthropic 도구 사용 공식 문서).
실패 복구: 100장보다 5장 파일럿이 먼저인 이유
솔직히 이건 예상 밖이었습니다. 처음 100장 생성을 시도했을 때 한 번의 실행에 약 45분이 걸렸고, 결과가 만족스럽지 않아 전체 흐름을 세 번 다시 돌렸습니다. 시간으로 치면 두 시간이 넘고, 이미지 생성 크레딧은 300장 분량이 소모됐습니다. 그때서야 자동화의 성과 기준이 잘못 설정됐다는 걸 깨달았습니다. "100장을 만들었는가"가 아니라 "100장 중 몇 장이 검수를 통과했고, 실패한 이미지를 얼마나 저렴하게 복구할 수 있었는가"가 진짜 지표였습니다.
이후 저는 규모 확장 전에 반드시 단계별 파일럿(pilot)을 거치는 구조로 바꿨습니다. 파일럿이란 전체 규모를 실행하기 전에 소수 샘플로 시스템의 안정성을 검증하는 과정입니다. 5장 파일럿에서는 서로 다른 제품 카테고리 5개를 넣어 기본 프롬프트가 카테고리별로 다르게 반응하는지 확인합니다. 10장 배치(batch)에서는 시트의 상태값, 파일명, 저장 경로가 정상 작동하는지 봅니다. 20장 예외 테스트에서는 투명 패키지, 긴 제품명, 복잡한 라벨처럼 실패 확률이 높은 케이스를 일부러 넣어봅니다. 이 단계를 거치지 않고 바로 100장을 돌리는 것은 자동화 테스트가 아니라 대량 실패 생산에 가깝습니다.
품질 게이트(quality gate)도 반드시 필요합니다. 품질 게이트란 생성 완료 이후 결과물의 품질을 단계적으로 걸러내는 검수 구조입니다. 저는 이것을 3단계로 나눴습니다. 1차는 파일 존재 여부, 비율, 해상도, 파일명 규칙처럼 기계적으로 확인할 수 있는 자동 검사입니다. 2차는 AI가 이미지를 보고 판단하는 항목입니다. 제품이 화면에 존재하는지, 소품이 제품보다 크게 나오지 않는지, 금지 오브제가 없는지 정도는 AI가 비교적 잘 잡아냅니다. 3차는 반드시 디자이너 눈으로 확인해야 하는 항목입니다. 브랜드의 가격대와 이미지가 맞는지, 피부와 손의 표현이 자연스러운지, 라벨과 로고가 실제 상업용으로 사용할 수 있는 수준인지는 수치로 판단할 수 없습니다.
프롬프트 버전 관리(prompt versioning)도 이 과정에서 생각보다 중요하다는 것을 배웠습니다. 프롬프트 버전 관리란 프롬프트를 수정할 때마다 변경 내용과 결과 성공률을 기록해두는 것입니다. "이번에는 잘 나왔다"는 감각 대신, 어떤 조건을 추가했을 때 어떤 제품군의 통과율이 올랐는지 수치로 남겨야 다음 수정 방향이 보입니다. 제 경험상 투명 패키지 반사 처리 조건을 별도로 추가했을 때 해당 카테고리 통과율이 눈에 띄게 올랐고, 그 이전 버전으로 돌아가야 할 때를 대비해 기록이 없었다면 꽤 힘들었을 겁니다.
Claude 커넥터(Claude Connector)를 통해 Google Sheets와 외부 도구를 연결할 때 한 가지 더 확인했습니다. 커넥터를 통해 Google Drive나 Sheets에 접근할 때, Claude가 해당 데이터를 새롭게 학습하는 것이 아닙니다. 정확히는 연결된 데이터를 현재 작업의 맥락(context)으로 읽어 사용하는 것입니다. 이 차이는 기업 환경에서 중요합니다. 제품 출시 전 이미지나 내부 브랜드 가이드가 모델에 영구 학습되는 게 아니니 그 점은 안심할 수 있지만, 반대로 연결된 시트의 내용이 외부 서버를 경유하는지는 반드시 확인해야 합니다. 커스텀 커넥터를 사용할 때는 어떤 데이터가 외부로 전송되는지, 읽기와 쓰기 권한 중 무엇을 요구하는지 먼저 점검하는 것이 안전합니다.
자주 묻는 질문
Q. Claude 커넥터로 Google Sheets를 연결하면 데이터가 Claude에 학습되나요?
A. 학습되지 않습니다. Claude가 연결된 시트의 내용을 현재 작업의 맥락으로 읽어 사용하는 것이지, 모델 파라미터 자체가 바뀌는 것이 아닙니다. 다만 커스텀 커넥터를 사용할 때는 어떤 데이터가 외부 서버를 경유하는지 반드시 사전에 확인하는 것이 좋습니다.
Q. 반자동화와 완전 자동화, 디자인 업무엔 어느 쪽이 맞나요?
A. 결과 품질을 수치만으로 판단하기 어려운 뷰티 이미지 같은 업무에서는 반자동화가 현실적입니다. 브랜드 감도나 제품 가격대와의 조화는 규칙으로 완전히 설명하기 어렵기 때문에, 사람이 예외 케이스를 검수하는 구조를 유지하면서 반복 작업량만 줄이는 방향이 실무에 더 잘 맞습니다.
Q. 프롬프트 하나로 다양한 제품을 처리하면 안 되나요?
A. 제품 카테고리가 다양할수록 단일 프롬프트의 실패율이 올라갑니다. 쿠션, 펌프형 스킨케어, 투명 패키지 제품은 각각 표현해야 하는 구조적 조건이 다릅니다. 카테고리별로 프롬프트 블록을 분기하는 구조를 만들면 전체 통과율을 눈에 띄게 높일 수 있습니다.
Q. 이미지 100장이 생성됐는데 절반을 못 쓰면 자동화가 성공한 건가요?
A. 생성 완료와 자동화 성공은 다릅니다. 검수 통과율, 실패 행 재처리율, 이미지 한 장당 평균 비용, 전체 재실행 없이 실패 행만 복구할 수 있는지가 진짜 지표입니다. 100장이 만들어졌어도 전부 다시 수정해야 한다면 수작업 대비 효율이 없는 것과 같습니다.
결론
제가 이번 작업에서 배운 건 AI 디자인 자동화의 성과는 생성된 이미지 수가 아니라 복구 가능성이라는 점입니다. 실패해도 원인을 알 수 있고, 통과한 결과는 보존되며, 필요한 작업만 다시 실행할 수 있는 구조가 진짜 자동화입니다. 도구를 연결한 것과 시스템이 안정된 것은 전혀 다른 이야기입니다.
앞으로 AI 시대의 디자인 역량에는 비주얼을 만드는 능력만이 아니라 그 비주얼이 반복 생성되고, 검수되고, 복구되는 생산 시스템을 설계하는 능력이 함께 포함될 것으로 보입니다. 다음 달 콘텐츠 사이클에서는 5장 파일럿부터 다시 시작해 볼 생각입니다.
작성자 뱅우리
뷰티·크리에이터 산업에서 BX 디자인과 AI 프로덕션을 실무로 다룹니다. AI 이미지·영상 제작, 브랜드 시스템과 크리에이터 브랜딩을 직접 테스트하고 기록합니다. 본문은 실제 프로젝트 경험과 반복 실험을 바탕으로 작성하며 최종 결과와 사실관계는 직접 검수합니다.