Claude Code로 SNS 반응 분석 방법, 평가식과 성공 패턴을 추출하는 에이전트 설계와 사람에게 남는 의사결정 (1인 법인

“SNS 게시물을 매일 여러 개씩 만들어서 올리고 있는데, 무엇이 반응이 좋았고 무엇이 실패했는지 알 수 없다.”

“복기가 ‘왠지 이게 좋았던 것 같다’는 주관적인 감상으로 끝나서, 성공 패턴이 정착되지 않는다.”

개인 개발이나 부업, 1인 법인으로 SNS 활동을 할 때, 게시물 제작만큼 시간과 정신적 자원을 소모하는 것이 바로 ‘반응 분석 및 개선’입니다.

지난 제2회(Claude Code로 SNS 게시물을 양산하는 방법: 유형과 설정을 분리한 에이전트 지시서 작성법)에서는 제작 에이전트(post-generate)를 구동하여 X와 Threads에서 매일 총 10개의 게시물을 자투리 시간에 올리는 양산 체계를 구축했습니다.

하지만, 단순히 게시물 수를 늘리는 것만으로는 충분하지 않습니다. 지속적으로 참여도를 높이고 독자에게 도움이 되는 발신을 계속하려면, ‘어떤 유형이 성장하는지, 어떤 표현은 피해야 하는지’를 객관적인 데이터에서 추출하고, 제작 에이전트에게 피드백하는 시스템이 필수적입니다.

그래서 이번에는 반응 분석을 담당하는 AI 에이전트(post-analyze)를 구축하여 사내 체계에 통합했습니다.

먼저 결론부터 말씀드리자면, 객관적인 수치 집계와 공통점 추출, 과거 실패 패턴의 제외는 AI에게 맡길 수 있게 되었습니다. 다만, 추출된 여러 유형 중에서 ‘다음 주 어떤 시책을 취할지’라는 최종 판단과 책임은 사람에게 남았습니다.

장기 연재 '1인 법인 1000마력화 계획' 제3회로서, 분석 에이전트의 설계 사상과 AI가 맡긴 업무・사람에게 남겨진 판단의 실제 경계를 기록합니다.

• 분석 관점과 계산식을 고정하여 ‘감각론’을 배제: 참여율 산출식, 상위/하위 분류 기준, 분석할 관점의 우선순위를 설정 파일에 고정하여, 매번 흔들림 없는 기계적 추출을 실현합니다. - ‘기각 패턴(棄却パターン)’을 기억시켜 같은 실패의 재발을 방지: 과거에 시도해 효과가 없었던 표현・구성을 에이전트에게 기억시키고, 반성의 형식화나 ‘몇 주 후에 같은 실패를 반복하는 루프’를 차단합니다. - 분석과 집계는 AI, 시책 선정은 인간: 데이터 부족 판정이나 유형 추출은 AI가 담당하지만, ‘어떤 유형을 다음 주 중점 시책으로 할지’, ‘예외적인 버즈(buzz)를 보편적인 유형으로 채택할지’에 대한 의사결정은 사장(인간)의 업무로 고정합니다.

• 이 글이 도움이 될 사람:

• SNS나 블로그 발신을 AI로 효율화・자동화하고 싶은 엔지니어 및 개인 사업자

• 매일 게시물 복기가 감각론에 머무르기 쉬워, 성공 패턴을 체계화하지 못한 사람

• Claude Code 등의 LLM 에이전트를 자사의 실무 플로우에 통합하고 싶은 사람

• 제한 사항:

• 팔로워 증가를 보장하는 마케팅 이론이 아니라, 사내 실무에서 ‘분석의 수고를 줄이고 개선의 재현성을 높이기 위한 에이전트 설계 기록’입니다.

저의 회사(Nogawa L.prince合同会社)에서는 X(엔지니어링・부업・FIRE・법인 4가지 축)와 Threads(육아 중심 특화) 두 개의 매체에서, 매일 총 10개의 게시물을 운영하고 있습니다.

제작 에이전트 도입으로 게시물 작성 시간은 극적으로 줄었지만, 운영을 지속하면서 ‘복기(분석)’ 과정에서 다음 세 가지 심각한 문제에 직면했습니다.

조회수나 좋아요 수가 많은 게시물이 나오면, 인간은 어쩔 수 없이 “이 소재는 반응이 좋았구나”라는 만족감으로 끝내곤 합니다.

하지만, ‘왜 성장했는지’를 요소 분해(도입 첫 줄의 후크인지, 구체적인 금액・시간 숫자인지, Before/After의 낙차인지, 게시물 시간대인지)하지 않으면, 다음 게시물에서 재현할 수 없습니다.

인간이 수동으로 복기하면, 어떤 주는 ‘글자 수의 많음’에 주목하고, 다른 주는 ‘감정의 토로’에 주목하는 등, 그 순간의 기분에 따라 분석 축이 바뀌어 버립니다. 축이 정해지지 않으니, 장기적인 추이나 개선의 인과관계를 추적할 수 없었습니다.

“결론을 도입부에 내지 않고 서문이 긴 게시물”이나 “본문 단독으로 가치가 완성되지 않아 외부 링크로 던져버린 게시물”은, 과거 검증에서 명확하게 참여도가 떨어진다는 것을 알고 있었습니다.

하지만, 인간의 기억은 모호하기 때문에, 몇 주가 지나면 “이 주제라면 이런 작성 방식도 좋을지도?”라며, 과거에 실패했어야 할 구성을 다시 채택하는 사고가 빈번했습니다.

이러한 문제들을 해결하기 위해, 분석 절차를 유형화하고 자율적으로 움직이는 분석 에이전트를 설계했습니다.

제작 에이전트(post-generate)와 마찬가지로, 분석 에이전트도 ‘판단하는 절차(유형)’와 ‘매체별 제약(설정)’을 명확히 분리하는 3층 구조로 설계했습니다.

agents/post-analyze/
AGENT.md 형식. 어떤 에이전트인지, 판단 절차.
매체에 의존하지 않는 보편적인 분석 프로세스
config.schema.md 설정 항목. 계산식, 임계값(threshold), 고정 관점(fixed viewpoint), 기각 패턴(rejected pattern) 등
...

사내 담당 직원(에이전트)은 다음 2명입니다.

012 「모치즈키 쿠니코」: X 사업부・반향 분석 담당 -
003 「노노무라 노부코」: Threads 사업부・반향 분석 담당

두 사람 모두 완전히 동일한 절차(AGENT.md)
를 실행하지만, 불러오는 설정(config)
이 다르기 때문에 매체별 특성에 맞는 분석 결과를 흔들림 없이 출력할 수 있습니다.

데이터 유효성 사전 체크: 최소 샘플 수(자사에서는 최근 5건 이상)와 최소 경과 일수(공개 후 72시간 이상)를 충족했는지 확인.

• 미충족 시에는 노이즈로 인한 오인 방지를 위해 '데이터 부족'으로 분석을 즉시 보류합니다.

평가 지표 산출 및 세그멘테이션: 설정된 계산식에 따라 각 게시물의 엔게이지먼트율(engagement rate)을 산출.

• 상위 33%(고반응군)와 하위 33%(저반응군)로 기계적으로 분류합니다.

고정 관점에 의한 공통점 추출: 임의로 시각을 바꾸지 않고, 설정된 고정 순서(저반응의 공통점 → 고반응의 문장 구조 → 고반응의 구성 패턴 → 시간대・축의 편차)로 공통점을 추출합니다.

기각된 패턴과의 대조: 추출된 개선안이 과거에 실패 판정된 '기각 패턴(rejected pattern)'과 일치하는지 대조합니다. 일치할 경우 재제안에서 제외합니다.

실책 반영 임계값 확인 및 출력: 1건만의 돌발적인 버즈를 보편적인 유형으로 취급하지 않도록, '3건 이상의 게시물에 공통하고 있는지'를 확인하여 출력합니다.

인간의 감각으로 하던 기존 회고와 AI 에이전트에 의한 고정 관점 분석의 차이를 목록표로 정리했습니다.

실제로 에이전트를 구동하면서, 책상 위의 설계대로 되지 않아 튜닝이 필요했던 세 가지 까다로운 실무 규칙이 있습니다.

X에서는 메인 게시물(280자 이내)로 결론을 쓰고, 리플(reply)란에 상세한 내역이나 보충 URL을 붙이는 '스레드 운영'을 하고 있습니다.

이때 X의 API나 스프레드시트상의 '답신 수(replies)'에는 **자신이 붙인 보충 게시물(1건)**이 포함되어 버립니다.

이를 그대로 계산식 (likes + replies + reposts) / views
에 넣으면, 답신 제로의 게시물이라도 리플 수가 1로 카운트되고, 노출 횟수가 적은 게시물일수록 엔게이지먼트율이 비정상적으로 높게 산출되어 버립니다.

따라서 설정 계산식에 다음과 같은 보정 규칙을 포함시켰습니다.

engagement_formula: |
기준식: (likes + replies + reposts) / views
참고율(자체 답신 제외): (likes + max(0, replies - 1) + reposts) / views

이처럼 플랫폼 고유의 사양으로 인한 노이즈를 사전에 제거해 두는 것이 AI에게 올바른 판단을 내리게 하기 위한 전제 조건입니다.

SNS 게시물은 알고리즘 추천에 의해 게시 다음 날이나 2일 후에 갑자기 늘어날 수 있습니다. 게시 후 24시간 미만의 데이터로 분석을 돌리면, 아직 충분히 성장하지 않은 게시물을 '저반응'으로 오인하게 됩니다.

당사에서는 **'공개 후 72시간 이상 경과한 게시물만을 대상으로 한다', '동일 테마로 5건 이상의 데이터가 쌓일 때까지 분석을 보류한다'**는 규칙을 에이전트에게 엄격하게 지키도록 하고 있습니다. 데이터가 부족할 때는 '분석할 수 없었습니다'라고 응답하는 것 자체가 정상적인 동작입니다.

분석 에이전트의 가장 가치 있는 역할은 '과거의 실패를 기억하고 있다는 점'입니다.

예를 들어, 당사에서는 과거에 다음과 같은 패턴을 시도했다가 실패하여 폐기한 경험이 있습니다.

• abstract_conclusion: 서두에 '~하는 것이 중요합니다'와 같은 추상적인 교훈을 배치하는 구성 (구체성이 없어 무시됨) -
  external_link_primary: 본문 자체만으로는 결론을 말하지 않고 '자세한 내용은 블로그에서'라며 링크를 누르게 하려는 구성 (클릭되지 않음) -
  no_context_metrics: 배경이나 전제 조건을 쓰지 않고 '매출 ○○만원'과 같은 숫자만 자랑하는 구성 (공감을 얻기 어려움)

이러한 것들을 rejected_patterns로 설정 파일에 명시해 두면, 에이전트가 '이번에 성과를 내지 못한 게시물은 abstract_conclusion에 해당합니다. 이 패턴은 이미 폐기되었으므로 향후 제작 후보에서 제외합니다'라고 자동 판정해 줍니다. 반성을 지식으로 조직에 정착시키는 시스템입니다.

분석 에이전트를 도입한 후, 사장(저)의 업무는 어떻게 바뀌었을까요? 명확한 경계선이 그어졌습니다.

• 스프레드시트로부터 수치 집계 및 참여율 자동 산출

• 72시간 경과 여부나 최소 샘플 수에 기반한 데이터 유효성 체크

• 상위 게시물과 하위 게시물의 문장 구조(글자 수, 구체적 수치, 질문 포함 여부) 기계적 비교

• 다음 제작에 활용할 '성공 패턴(형식)'의 골격 언어화

• 과거 폐기 패턴과의 대조를 통한 재발 방지

• 다음 주 중점 추진 전략 결정: 에이전트는 '형식 A(낙차형)와 형식 B(절차 설명형)가 잘 되고 있습니다'라며 후보를 제시하지만, '다음 주는 신규 기능 공지가 있으니 형식 B에 비중을 더 두자'라는 전체 전략 결정은 인간이 합니다.

• 돌발적인 버즈나 외부 요인의 맥락 파악: 인플루언서의 변덕스러운 리포스트나 시사 뉴스 흐름을 타고 일시적으로 수치가 급등한 게시물을 에이전트가 '보편적인 성공 형식'으로 오인할 수 있습니다. 이 문맥을 읽어내고, '이것은 예외이므로 형식으로는 채택하지 않는다'라고 폐기하는 것은 인간의 역할입니다.

• 브랜드의 이념/비밀 유지 의무 최종 방어: 아무리 참여율이 높아도 독자를 과도하게 자극하는 표현이나, 클라이언트의 비밀 또는 가족의 사생활에 침범하는 내용은 허용할 수 없습니다. 발신물의 품위를 지키는 게이트키퍼는 항상 인간입니다.

• 반향 분석을 감각론에서 데이터 구동으로: 평가식과 분석 관점을 설정에 고정함으로써, 주관적인 호불호를 배제한 재현 가능한 회고가 가능해졌습니다. -
  실패를 자산화하는 '폐기 패턴': 과거에 부진했던 형식을 에이전트에게 기억시켜, 반성의 형식화나 같은 실패의 루프를 기계적으로 차단했습니다. -
  데이터 부족을 허용하는 용기: 72시간 규칙과 최소 샘플 수라는 방벽을 세워, 노이즈에 의한 오판을 구조적으로 차단했습니다. -
  분석은 AI, 결정은 인간: 집계나 형식 추출이라는 '작업'을 AI에게 맡김으로써, 사장은 '다음 주 1주일의 전략을 결정하는' 본질적인 의사결정에만 집중할 수 있게 되었습니다.

다음 시간에는 제작 에이전트와 분석 에이전트를 연결하여, 공개 전 품질 검사를 자동화하는 '점수/품질 검사 에이전트(quality-check)'의 설계와 실무 기록을 공개할 예정입니다.