n8n, OpenAI, LangGraph, Supabase를 활용한 보험용 AI 워크포스(AI Workforce) 구축하기

준비는 AI가, 판단은 인간이.

오늘날 대부분의 AI 프로젝트는 다음 중 하나에 해당합니다:

• 챗봇 (Chatbot)
• 고객 지원 봇 (Customer support bot)
• 음성 비서 (Voice assistant)
• Q&A 시스템 (Q&A system)

하지만 저는 더 큰 것을 탐구하고 싶었습니다:

기업이 AI 워크포스 (AI Workforce)를 구축할 수 있다면 어떨까?

단일 AI 어시스턴트 대신, 다음과 같은 상황을 상상해 보세요:

고객 (Customer)

↓
...

이 기사는 이러한 시스템 뒤에 숨겨진 아키텍처 (Architecture)와 설계 결정에 대해 설명합니다.

왜 보험인가?

보험은 AI를 적용하기에 흥미로운 산업입니다.

그 이유는 다음과 같습니다:

• 조사가 반복적입니다.
• 추천이 데이터 기반 (Data-driven)입니다.
• 후속 조치 (Follow-ups) 비용이 많이 듭니다.
• 신뢰가 매우 중요합니다.
• 여전히 인간의 판단이 필요합니다.

이러한 특성은 보험을 완벽한 인간 참여형 AI (Human-in-the-Loop AI) 유스케이스 (Use case)로 만듭니다.

인간 참여형 (Human In The Loop)

이것이 핵심 철학입니다.

저는 AI가 자동으로 보험을 판매하기를 원하지 않습니다.

저는 AI가 상담사를 대체하기를 원하지 않습니다.

제가 원하는 것은 다음과 같습니다:

AI가 준비합니다.

인간이 결정합니다.

워크플로우 (Workflow)는 다음과 같이 됩니다:

고객 (Customer)

↓
...

이를 통해 다음과 같은 효과를 얻을 수 있습니다:

• 더 빠른 추천
• 더 나은 고객 경험
• 더 안전한 AI 도입
• 인간의 책임성 (Accountability)

AI 워크포스 아키텍처 (AI Workforce Architecture)

고객 (Customer)

↓
...

디스커버리 에이전트 (Discovery Agent)

디스커버리 에이전트는 고객을 이해합니다.

책임 범위:

• 고객 프로필 수집
• 목표 이해
• 리스크 (Risk) 평가
• 기존 보험 이해
• 공백 (Gaps) 식별

출력 예시:

{
  "risk_level":"medium",
  "family_type":"married_with_children",
...

리서치 에이전트 (Research Agent)

리서치 에이전트는 보험 분석가처럼 행동합니다.

책임 범위:

• 약관 분석
• 대기 기간 비교
• 면책 사항 (Exclusions) 검토
• 보험료 (Premiums) 평가
• 추천 사항 생성

예시:

{
  "customer_profile_summary":"...",
  "top_recommendations":[
...

비교 에이전트 (Comparison Agent)

구조화된 비교표를 생성합니다:

기능	플랜 A	플랜 B	플랜 C
보장 범위	✓	✓	✓
...

출력:

• 종합 베스트
• 가성비 베스트
• 가족 플랜 베스트

추천 에이전트 (Recommendation Agent)

생성합니다:

• 고객 요약 (Customer Summary)
• 추천 플랜 (Recommended Plan)
• 대안 (Alternatives)
• 리스크 분석 (Risk Analysis)
• 어드바이저 노트 (Advisor Notes)

어드바이저가 참여하기 전의 모든 과정입니다.

CRM 에이전트 (CRM Agent)

업데이트 항목:

• 고객 기록 (Customer Records)
• 추천 사항 (Recommendations)
• 활동 (Activities)
• 기회 상태 (Opportunity Status)
• 작업 (Tasks)

팔로업 에이전트 (Follow-up Agent)

담당 업무:

• WhatsApp 리마인더 (WhatsApp reminders)
• 갱신 알림 (Renewal alerts)
• 이메일 팔로업 (Email follow-ups)
• 통화 기록 (Call notes)
• 참여도 추적 (Engagement tracking)

옴니채널 AI (Omnichannel AI)

한 가지 중요한 결정 사항:

고객은 새로운 애플리케이션을 설치해서는 안 됩니다.

AI 워크포스 (AI Workforce)는 다음을 통해 작동해야 합니다:

• WhatsApp
• 전화 통화 (Phone Calls)
• 웹사이트 채팅 (Website Chat)
• 이메일 (Email)
• SMS

채널은 다르지만,

지능은 동일합니다.

기술 스택 (Technology Stack)

프론트엔드 (Frontend)

• Next.js
• Tailwind
• Lovable AI

워크플로우 레이어 (Workflow Layer)

• n8n

AI 모델 (AI Models)

• OpenAI
• Gemini
• Claude

멀티 에이전트 프레임워크 (Multi-Agent Framework)

• LangGraph

데이터베이스 (Database)

• Supabase
• PostgreSQL

메모리 (Memory)

• Pinecone

모니터링 (Monitoring)

• LangSmith
• PostHog

왜 n8n을 먼저 사용했는가?

저는 의도적으로 n8n으로 시작했습니다.

그 이유는 다음과 같습니다:

• 빠른 프로토타이핑 (Fast prototyping)
• 시각적 워크플로우 (Visual workflows)
• 쉬운 OpenAI 연동 (Easy OpenAI integration)
• 쉬운 Supabase 연동 (Easy Supabase integration)
• 쉬운 WhatsApp 연동 (Easy WhatsApp integration)
• 쉬운 이메일 워크플로우 (Easy Email workflows)

검증 후에는:

n8n

↓
...

더 큰 비전

저는 AI가 보험 어드바이저 (Insurance Advisors)를 대체할 것이라고 생각하지 않습니다.

저는 모든 어드바이저가 결국 다음과 같은 것을 갖게 될 것이라고 생각합니다:

무대 뒤에서 작동하는 AI 워크포스 (AI Workforce).

AI는 다음을 제공합니다:

• 속도 (Speed)
• 일관성 (Consistency)
• 확장성 (Scale)

인간은 다음을 제공합니다:

• 신뢰 (Trust)
• 공감 (Empathy)
• 판단 (Judgment)

미래는 다음과 같지 않습니다:

인간 vs AI

미래는 다음과 같습니다:

인간 + AI 워크포스 (AI Workforce)

유사한 것을 구축하고 계신다면, 여러분의 생각을 듣고 싶습니다.