Gemini API로 실제 업무를 자동화하려면
Gemini API를 챗봇이나 블로그 작성에 붙이는 데서 끝내지 말고, 어떤 데이터를 받고 어떤 결정을 사람에게 남겨야 하는지 먼저 설계해야 합니다. 이 글은 소상공인의 고객 문의 분류를 예로 들며, 실제 고객 데이터가 아닌 가상 데이터를 사용합니다. 공식 연결법은 Google Gemini API 시작하기와 Python 예제 글을 참고하세요.
1. 프로젝트 목표와 작업 흐름
가상의 작은 온라인 서점에 배송·상품·반품 문의가 하루 수십 건 들어온다고 가정합니다. 목표는 ‘모든 응답을 자동 발송’하는 것이 아니라 ‘문의 유형을 미리 나눠 직원이 답변하기 쉽게 준비’하는 것입니다.
- 고객 문의 수집: 운영자가 승인한 입력 채널의 새 메시지만 가져옵니다.
- 개인정보 최소화: 테스트에서는 가상 데이터만 사용하고, 운영 시 주문번호 등은 필요한 범위로 제한합니다.
- Gemini API로 분류: 배송·반품·상품·기타 중 하나와 검토 필요 여부를 요청합니다.
- 형식 검증: 반환 JSON이 유효하고 필수 필드가 있는지 검사합니다.
- 직원 검수: 확신이 낮거나 반품·환불에 해당하는 메시지는 사람이 확인합니다.
- 로그 기록: 모델명·처리 시간·실패 이유를 남기되 고객 정보는 최소화합니다.
2. 고유 실습: 가상 문의 두 건
아래 문장을 AI에 순서대로 보내고 요구한 출력 형식을 지키는지 검사해 보세요.
예제 1: "어제 구매한 책이 아직 발송 전이에요. 언제 출고되나요?"
예제 2: "받은 책의 표지가 찢어져 있습니다. 교환 가능한가요?"
지시문: 문의를 배송/반품·교환/상품/기타 중 하나로 분류하세요.
모르는 내용은 지어내지 말고 needs_human을 true로 표시하세요.
JSON 키: category, summary, needs_human교환 가능 여부나 실제 배송일은 주문 데이터와 매장 정책에서 확인해야 합니다. 모델이 임의로 약속하거나 결정하게 두지 마세요.
3. 코드 연결 예시
먼저 pip install -U google-genai를 실행하고 GEMINI_API_KEY와 프로젝트에서 지원되는 GEMINI_MODEL 환경변수를 설정합니다.
import os
from google import genai
client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])
model = os.environ["GEMINI_MODEL"]
prompt = (
"문의 유형을 배송/반품·교환/상품/기타 중 분류하고, "
"summary와 needs_human 값을 포함한 JSON만 생성하세요. "
"확실하지 않으면 needs_human=true.\n"
"문의: 어제 구매한 책의 배송일이 궁금합니다."
)
result = client.models.generate_content(model=model, contents=prompt)
print(result.text)이 예제의 출력은 모델 생성 결과이므로 실제 운영에서는 JSON 파싱·허용된 카테고리 확인·개인정보 필터링 등을 코드로 추가해야 합니다. 화면에 보인 문자열을 검증 없이 주문 처리 시스템에 전달하면 안 됩니다.
4. 비용·보안과 모니터링
- 선택한 모델의 현재 가격과 사용량을 공식 요금표에서 확인합니다.
- 프로젝트별 요청 한도에 맞게 배치 크기와 재시도를 설정합니다.
- API 키는 서버에 저장하며 외부에 노출되면 폐기·재발급합니다.
- 결제·환불·개인정보 삭제와 같은 변경 작업에는 관리자 승인 단계를 둡니다.
실무 점검: 배포 전 가상 문의 20건을 직접 분류해 오분류·형식 오류·사람 검토 누락을 기록하세요. 정확도나 처리시간은 자체 실측 전까지 단정하지 않습니다.