비전공자가 AI 자동화로 1인 기업 만드는 현실 로드맵 7단계 (학위도 부트캠프도 없이)

직장 생활을 시작한 지 4개월 된 분이 긴 사연을 DM으로 보내주신 적이 있습니다. 부트캠프를 다닐 여건이 안 되고 학위나 이력이 없어 불안하지만, 강의와 시스템 구축을 함께 하는 1인 에이전시를 만들고 싶다는 내용이었습니다. AI 자동화 부업에서 시작해 1인 기업까지 어떻게 가야 하는지는 이후에도 반복해서 받은 질문입니다.

이번 글에서는 제가 다시 0부터 시작한다면 어떤 순서로 진행할지 7단계로 정리해 보겠습니다. 각 단계에서 자주 생기는 문제도 함께 적었습니다.

학위보다 먼저 확인해야 할 것

AI 자동화 일을 시작할 때 학위가 가장 먼저 필요한 것은 아닙니다. 기업이 확인하는 것은 학력보다 "내 골치 아픈 문제를 해결해 줄 수 있는가"에 대한 답입니다.

원본 영상을 촬영한 2026년 2월 당시 제 자체 집계 기준으로, 2025년 하반기에 삼성전자·롯데카드 관련 프로젝트를 수행했고 n8n 기반 업무에서 1억 원에 가까운 매출을 만들었습니다. AI 컨설팅도 누적 730회를 넘겼다고 영상에서 공개했습니다. 독립 기관이 검증한 통계가 아니라 제 프로젝트·매출 기록을 바탕으로 공개한 수치입니다. 최신 활동 수치는 작성자 소개에 별도로 정리했습니다. 이 중 학위 심사를 거쳐 시작된 일은 없었고 전부 "이 문제를 이 사람이 풀어본 적 있다"는 기록에서 출발했습니다.

1단계. 기술 습득: 전문가 두세 명 정하기

처음 시작하면 YouTube에 나오는 정보를 모두 봐야 할 것 같지만, 이렇게 공부하면 오히려 방향을 잃기 쉽습니다. YouTube에서는 시의성에 민감한 콘텐츠가 계속 추천되기 때문에 보는 사람에게 기준이 필요합니다.

FOMO(남들만 앞서간다는 불안) 때문에 짧은 시간에 너무 많은 정보를 보려고 하지 마세요. 믿을 만한 전문가 두세 명을 정하고 그 내용을 깊게 따라가는 편이 낫습니다. 여러 방법을 한꺼번에 섞으면 어느 것도 제대로 작동하지 않을 수 있습니다. 작성일 기준으로 제가 권하는 출발점은 n8n 또는 Claude Code입니다.

2단계. 개인 프로젝트: 튜토리얼부터 직접 구현하기

강의를 볼 때는 다 아는 것 같지만 직접 해보면 API 하나 붙이는 것도 쉽지 않습니다. 내가 쓴 프롬프트가 왜 이상한 결과를 내는지, 대량 데이터에서 병목을 어떻게 푸는지는 몸으로 배우는 수밖에 없습니다.

먼저 내가 해결하려는 문제와 비슷한 튜토리얼을 찾아 Top-Down(완성본을 그대로 따라 만드는 방식)으로 만들어 봅니다. 같은 과정을 반복하면 내 상황에 맞게 일부를 수정하게 됩니다. 그 경험이 쌓이면 문제를 직접 정의하고 처음부터 만드는 단계로 넘어갈 수 있습니다.

3단계. 글로벌 인증으로 신뢰 자료 만들기

기술을 배우고 개인 프로젝트를 만들었다고 바로 일이 들어오지는 않습니다. 이때 최소한의 신뢰를 보여줄 자료가 필요합니다. Make에는 Academy 프로그램과 공식 인증, 뱃지 체계가 있습니다. 국내 자격증보다 이런 해외 인증을 LinkedIn 프로필에 표시하는 편이 경력을 설명할 때 더 유용합니다. n8n은 크리에이터로 워크플로우를 만들고 커뮤니티 가이드에 따라 업로드한 뒤 승인받는 방식으로 proof(증거)를 얻습니다. Microsoft와 Google 계열 자격증도 같은 역할을 합니다.

기술 습득은 전문가 두세 명에게 집중하고 증명 라벨은 해외 인증으로 붙이는 조합입니다.

제 LinkedIn 프로필의 인증 목록을 그대로 캡처하면 이렇습니다(2026-10-03).

Make 인증 두 개는 2025년 4월(Intermediate)과 5월(Advanced)에 받았습니다. 각 항목의 "Show credential"을 누르면 발급 대행사 Credly의 공개 페이지로 넘어가는데, 이 페이지는 로그인 없이 누구나 열 수 있고 Verify 버튼으로 진위를 확인할 수 있습니다.

제안서나 소개 자료에는 배지 이미지보다 이 공개 링크(Make Intermediate, Make Advanced)를 붙이는 편이 낫습니다. 상대가 직접 눌러 확인할 수 있어야 "증거"가 되기 때문입니다.

4단계. 작업 과정을 SNS에 기록하기

개인 사이트도 사용할 수 있지만 처음에는 SNS에서 작업 과정을 꾸준히 보여주는 방법이 효과적입니다. B2C라면 Instagram과 Threads, B2B라면 LinkedIn과 YouTube를 권합니다. 긴 작업 과정은 YouTube로 보여주고, 짧은 팁은 gif나 이미지로 정리해 Threads에 올릴 수 있습니다.

배운 내용과 지인의 문제를 해결한 과정을 한 가지 주제로 계속 올려보세요. 꾸준히 올리면 알고리즘이 콘텐츠를 노출하는 시기가 오고, 게시물이 쌓인 SNS 계정 자체를 포트폴리오로 보여줄 수 있습니다. 올려두고 누군가 먼저 찾아오기를 기다리는 데서 끝내면 안 됩니다.

5단계. 1인 전문가로 포지셔닝하기

처음부터 에이전시라고 거창하게 차릴 이유가 없습니다. 팀원도 고정비도 없다면 그건 그냥 프리랜서입니다. 제 경험에서는 조직 규모를 강조하기보다 누가 직접 문제를 해결하는지 보여주는 편이 첫 상담에 도움이 됐습니다. 고객에 따라 팀 규모나 운영 체계를 더 중요하게 볼 수도 있습니다.

예를 들어 AI implementation partner(도입을 직접 실행해 주는 파트너)라고 소개할 수 있습니다. "옆에서 직접 해결해 주는 사람"이라는 접근은 고객과 라포를 쌓는 데 도움이 됩니다. 대행사보다 자신의 프로젝트에 직접 참여할 한 사람을 찾는 기업도 생각보다 많습니다.

6단계. Risk reversal로 첫 실적 만들기

포지셔닝을 정했다면 그다음에는 첫 고객이 맡길 수 있는 제안을 만들어야 합니다.

Risk reversal(위험을 파는 쪽이 떠안는 제안)은 이렇게 씁니다. 처음에는 돈 대신 지인의 문제를 해결하고 "포트폴리오로 써도 된다"는 허락만 받습니다. 영업 기술이 부족할수록 "효과 없으면 한 푼도 안 주셔도 된다"는 제안이 발판이 됩니다.

다만 무료는 퀄리티가 낮아 보일 위험이 있습니다. 그때는 이렇게 말합니다. "먼저 문제를 고쳐드리고 절약된 시간만큼만 나중에 청구하겠습니다." 또는 "사전에 정의한 KPI(성과 지표)를 달성했을 때만 받겠습니다"라고 제안합니다.

완전 초보라면 100% 무료로 진행하고 포트폴리오 사용 권한만 받을 수 있습니다. 어느 정도 구현 경험이 있다면 성과를 달성했을 때만 인센티브를 받는 구조로 제안합니다. 작업 결과에 만족한 고객에게 Referral(소개)과 Testimonial(고객 후기)을 요청하고 하나씩 쌓아갑니다.

첫 제안에서 합의할 범위

아래는 문의 분류 연습을 고객에게 제안한다고 가정한 예시입니다. 실제 계약이나 제 성과 수치가 아닙니다.

‘시간이 줄면 받겠다’고만 쓰면 무엇을 절약한 것인지 서로 다르게 생각할 수 있습니다. 보수를 성과에 연결하려면 기준 업무와 비교 방법부터 합의하고, 확인되지 않은 절감률을 먼저 약속하지 마세요.

7단계. 문제에 필요한 기술을 찾아 배우기

저는 지금 기술 구현보다 비즈니스와 세일즈에 더 많은 시간을 쓰고 있습니다. AI 분야에서는 새 도구를 빠르게 익힐 수 있는 기초가 중요하다고 봅니다. 먼저 문제를 확인하고 해결에 필요한 기술을 찾아 배우는 방식이 실제 작업에도 오래 남았습니다.

AI 활용 능력은 결국 상향 평준화됩니다. 이후에는 사용하는 툴보다 어떤 비즈니스 문제를 정의했는지에 따라 몸값이 달라집니다.

첫 개인 프로젝트를 한 장으로 설계하기

7단계를 확인했는데도 무엇부터 만들지 모르겠다면 반복 업무 하나를 정하고 입력과 결과를 한 장에 적어봅니다. 아래 표는 고객 문의 정리를 주제로 만든 연습 예시이며 실제 고객 사례나 매출 성과는 아닙니다.

먼저 10건을 손으로 처리해 기준표를 만듭니다. 자동화 결과를 그 표와 비교하면 “잘 되는 것 같다” 대신 어떤 유형에서 틀리는지 보입니다. 소요 시간도 입력 준비부터 결과 검수까지 같은 범위로 재세요. 생성만 빨라도 오류를 고치는 시간이 길면 실제로 절약된 시간은 줄어듭니다.

말로만 두지 않고 이 표대로 직접 만들어 봤습니다. 비용이 드는 AI 호출 없이 단어 규칙만으로 분류하는 파이썬 코드입니다. 가상 문의 10건은 표에 적은 실패 사례(빈 문의, 두 주제가 섞인 문의, 같은 문의 재접수)를 일부러 넣어 만들었습니다.

id,text,expected
Q01,주문한 지 5일 됐는데 아직 배송이 안 왔어요. 송장 번호 좀 알려주세요.,배송
Q04,,분류 불가
Q05,배송은 왔는데 색상이 주문한 것과 달라요. 교환 가능한가요?,교환
Q06,주문한 지 5일 됐는데 아직 배송이 안 왔어요. 송장 번호 좀 알려주세요.,배송
Q10,반품하려면 박스를 꼭 새 걸로 보내야 하나요?,교환
... (10건)

분류 규칙은 유형마다 단어 몇 개입니다. 배송은 배송·송장·택배·도착·안 왔, 교환은 교환·반품·환불·사이즈·색상·바꾸, 상품 질문은 되나요·있나요·들어가나요·사용법·재질이고, 아무 단어도 안 걸리거나 세 글자 미만이면 "분류 불가"로 사람에게 넘깁니다. 두 유형이 함께 걸리거나 같은 문의가 다시 들어오면 결과는 내되 "사람 확인" 칸에 표시합니다. python classify.py로 돌린 결과입니다(2026-10-03, 실행 0.02초).

Q01 O 배송     근거: 배송(배송,송장,안 왔)            확인: -
Q02 O 교환     근거: 교환(교환,사이즈)               확인: -
Q03 O 상품 질문  근거: 상품 질문(되나요)               확인: -
Q04 O 분류 불가  근거: -                        확인: 빈 문의 또는 내용 부족
Q05 O 교환     근거: 배송(배송); 교환(교환,색상)        확인: 여러 유형: 배송, 교환
Q06 O 배송     근거: 배송(배송,송장,안 왔)            확인: 중복: Q01와 같은 내용
Q07 O 배송     근거: 배송(택배)                   확인: -
Q08 O 상품 질문  근거: 상품 질문(있나요,들어가나요)         확인: -
Q09 O 분류 불가  근거: -                        확인: 빈 문의 또는 내용 부족
Q10 O 교환     근거: 교환(반품)                   확인: -
입력 10건 / 출력 10건 / 정답 일치 10건 / 사람 확인 4건

10건 모두 맞았습니다. 하지만 이 숫자를 그대로 믿으면 안 됩니다. 규칙을 이 10건을 보면서 만들었으니 맞는 게 당연합니다. 그래서 규칙을 하나도 고치지 않은 채, 규칙을 만든 뒤에 새로 쓴 문의 5건을 넣어 봤습니다.

H01 X 분류 불가  근거: -   확인: 규칙에 걸리는 단어 없음    ← "언제쯤 받아볼 수 있을까요?" (정답: 배송)
H02 X 분류 불가  근거: -   확인: 규칙에 걸리는 단어 없음    ← "포장 상태가 엉망이라 다른 걸로 받고 싶어요" (정답: 교환)
H03 X 분류 불가  근거: -   확인: 규칙에 걸리는 단어 없음    ← "이 신발 발볼 넓은 편인가요?" (정답: 상품 질문)
H04 O 분류 불가  근거: -   확인: 규칙에 걸리는 단어 없음    ← 결제 중복 문의 (정해둔 유형 밖)
H05 O 교환     근거: 교환(교환)
입력 5건 / 출력 5건 / 정답 일치 2건 / 사람 확인 4건

처음 보는 문의에서는 5건 중 2건만 맞았습니다. "받아볼 수 있을까요", "다른 걸로 받고 싶어요", "넓은 편인가요"처럼 사람이 쓰는 표현은 정해둔 단어 목록을 쉽게 벗어납니다. 그나마 다행인 건 틀린 3건이 엉뚱한 유형으로 조용히 들어가지 않고 "분류 불가 · 사람 확인"으로 넘어갔다는 점입니다. 첫 프로젝트에서 챙길 것은 이 두 가지입니다. 규칙을 만들 때 쓰지 않은 문의로 다시 재 볼 것, 모르는 건 모른다고 넘기게 만들 것. 이 단계까지 해보면 AI 분류기를 붙였을 때 무엇이 나아져야 하는지도 숫자로 비교할 수 있습니다.

입력 파일과 코드, 결과는 inquiries.csv, holdout.csv, classify.py, results.csv, holdout_results.csv로 공개합니다. 같은 폴더에 두고 python classify.py만 실행하면 됩니다.

포트폴리오에는 완성 화면 한 장보다 입력 예시, 분류 기준, 실패한 결과와 수정 내용을 함께 남기는 편이 설명하기 좋습니다. 고객 데이터 대신 가상 데이터로 재현하면 공개 자료를 만들기도 쉽습니다. 첫 프로젝트에서 완벽한 범용 서비스를 만들 필요는 없습니다. 같은 입력을 다시 넣었을 때 중복 처리 없이 확인 가능한 결과를 얻는 데 집중하세요.

이 연습이 끝나면 고객에게 보여줄 수 있는 것은 “AI를 배웠다”는 이력 대신 작동하는 작은 업무 흐름입니다. 다음에는 실제 업무 담당자에게 분류 기준이 맞는지 확인하고, 예외 처리와 유지보수 범위를 정합니다. 이 과정이 수익이나 계약을 보장하지는 않지만 기술 학습 다음에 무엇을 증명해야 할지는 분명해집니다.

코딩 에이전트로 구현한다면 프로젝트 지침 진단 기준을 참고해 입력·결과·검증 방법을 문서로 남기세요. 음성이 필요한 콘텐츠 프로젝트라면 한국어 TTS 실측 비교에서 장비와 청취 검수 기준을 확인할 수 있습니다.

개인적인 생각

순서를 바꿔도 되는 구간이 있습니다. 3단계 인증과 4단계 전시는 서로 자리를 바꿔도 무방합니다. 반면 저는 2단계를 건너뛰고 5단계로 넘어가는 순서는 권하지 않습니다. 손으로 만들어 본 것이 없는 상태에서 포지셔닝 문구만 다듬으면 첫 미팅에서 바로 드러납니다.

저도 직장인 1~2년 차에는 시키는 일 처리하느라 바빴습니다. 3년 차부터 퇴근하고 공부와 사이드 프로젝트, 대회를 병행하면서 실력이 붙었습니다. 퇴근 후에 조금씩이라도 붙잡을 절실함이 있다면 시작 조건으로는 충분합니다.

원본 영상과 다음 글

원본 영상에서 전체 과정 보기

3단계에서 언급한 사회적 증거를 쌓는 방법은 별도 글에서 다루겠습니다. 다음 글에서는 2단계에서 자주 부딪히는 주제인 RAG(검색 증강 생성)의 기본 개념을 오픈북 시험 비유로 정리하겠습니다.

Reference

• 원본 영상: 자동화 1인 기업 현실 로드맵 7단계
• 샘호트만 공개 프로필
• Make Academy
• n8n 공식 사이트