n8n으로 아웃룩 이메일 자동 분류하기 — 로컬 LLM(Ollama)으로 받은편지함 정리

n8n.io 공식 템플릿 마켓플레이스에 공개된 워크플로우를 가져오면, 아웃룩 받은편지함에 쌓이는 이메일을 로컬 LLM(Ollama)이 읽고 미리 정해둔 카테고리로 나눠 해당 폴더까지 자동으로 옮겨주는 이메일 트리아지 자동화를 만들 수 있습니다. 이메일 본문이 외부 AI API로 나가지 않고 내 컴퓨터(또는 서버) 안의 모델에서만 처리된다는 점이 이 템플릿의 핵심입니다.

이 템플릿 하나로 보여줄 수 있는 것

면접에서 "반복 업무를 자동화해본 경험이 있나요?"라는 질문에 가장 무난하게 통하는 답 중 하나가 이메일 정리입니다. 이 템플릿은 그 답을 구체적인 사례로 바꿔줍니다. "아웃룩 받은편지함에 도착하는 이메일을 AI가 읽고 카테고리를 매겨서, 스팸성 메일과 영수증 메일을 각각 다른 폴더로 자동 이동시키는 워크플로우를 만들어봤습니다"라고 말할 수 있습니다.

짧은 문장 안에 들어간 역량은 세 가지입니다.

• 이메일 트리아지 파이프라인 구성 — 아직 처리하지 않은 메일만 골라내고, 이미 처리된 메일은 다시 건드리지 않게 조건을 설계한 경험
• 로컬 LLM 연동 — 유료 API 키 없이 자체 호스팅한 모델(Ollama)을 n8n에 연결해 분류 작업을 맡긴 경험
• 분류 결과를 실제 액션으로 연결 — AI가 내린 판단(카테고리)을 텍스트로만 남기지 않고, 실제 폴더 이동이라는 행동으로 이어지게 설계한 경험

이 세 가지는 이메일 정리뿐 아니라 고객 문의 티켓 분류, 게시판 신고글 분류, 설문 응답 태깅처럼 "들어오는 텍스트를 카테고리로 나눠 다음 처리로 넘기는" 유형의 자동화 전부에 그대로 쓰입니다.

이 템플릿은 무엇인가

이 워크플로우는 데이터팝콘이 만든 게 아닙니다. n8n 공식 템플릿 마켓플레이스(n8n.io/workflows)에 Auto categorise Outlook emails with AI라는 이름으로 공개된 템플릿이고, 제작자는 Wayne Simpson입니다. 카테고리는 Ticket Management와 AI Summarization으로 등록돼 있습니다.

공식 설명에 따르면 이 템플릿은 이메일을 많이 받는 프리랜서와 비즈니스 담당자를 위한 것으로, AI 기반 분류와 동적 처리로 받은편지함을 정리하고 커뮤니케이션을 단순화하는 데 목적을 둡니다. 제작자는 템플릿 페이지에 "자세한 설정 방법은 유튜브 영상을 참고하라"는 메모를 남겨뒀는데, 영상 내용까지는 이 글의 근거 자료에 포함돼 있지 않아 다루지 않습니다.

이 시리즈에는 로컬 LLM을 쓰는 템플릿이 한 번 더 있었습니다. 텔레그램에서 곧바로 Ollama와 채팅하는 아주 단순한 템플릿이었는데, 그 편이 "로컬 LLM으로도 대화가 된다"는 개념만 보여줬다면, 이번 템플릿은 같은 로컬 LLM을 실제 업무 자동화(이메일 트리아지)에 투입한다는 점이 다릅니다. Ollama 자체가 어떻게 동작하는지는 그 편에서 이미 다뤘으므로, 이 글은 이메일 처리 구조에 집중합니다. n8n 설치나 기본 노드 조작법은 n8n으로 반복업무 자동화 포트폴리오 만들기에 정리돼 있습니다.

구조 — Trigger / Task / Target

공식 문서의 "How it works" 5단계를 데이터팝콘 방식인 Trigger/Task/Target 세 칸으로 정리하면 이렇습니다.

• Trigger — 공식 페이지는 "Microsoft Outlook에서 이메일을 가져온다"고만 설명할 뿐, 스케줄 트리거인지 폴링 간격이 몇 분인지는 밝히지 않습니다. 노드 미리보기에는 If, Merge, Edit Fields(Set) 등을 포함해 12개 남짓한 노드가 있다고만 나와 있고, 트리거 노드의 정확한 이름도 공개돼 있지 않아 이 부분은 확인된 사실만 옮깁니다.
• Task — 플래그가 붙었거나 이미 분류가 끝난 메일을 걸러낸 뒤, 남은 메일 내용을 AI가 다루기 좋은 마크다운 형태로 정리합니다. 이 텍스트를 Ollama로 연결된 AI 모델에 넘겨 미리 정의된 카테고리(예: Action, Junk, Business, SaaS) 중 하나로 분류합니다.
• Target — 분류 결과는 두 가지로 반영됩니다. 아웃룩에서 해당 메일의 카테고리 값을 업데이트하고, 분류에 맞는 폴더(예: "Junk Email", "Receipts")로 메일을 옮깁니다. 마지막에는 읽지 않은 메일만 처리 대상으로 남기고, 에러가 나도 워크플로우 전체가 멈추지 않도록 조건 처리를 한 번 더 거칩니다.

만들기

공식 Setup 단계는 총 4개입니다. 순서는 그대로 두고 각 단계에서 무엇을 준비해야 하는지 풀어씁니다.

1. Microsoft Outlook 계정 연결

n8n에 내장된 Outlook 크리덴셜 노드로 계정을 연결합니다. 이 계정으로 이메일을 가져오고, 카테고리를 업데이트하고, 폴더를 이동시키는 권한까지 한 번에 확보됩니다. 세 가지 동작이 크리덴셜 하나로 묶여 있다는 게 이 템플릿이 Outlook 하나만으로 완결되는 이유입니다.

2. AI 모델 설정 — Ollama API

n8n에서 Ollama API 크리덴셜을 연결하고, 분류에 쓸 언어 모델을 선택합니다. Ollama는 클라우드 API가 아니라 자신의 컴퓨터나 서버에 직접 설치해 돌리는 로컬 LLM이라, 여기서 별도의 유료 API 키가 필요 없습니다. n8n 공식 문서 기준으로 Ollama 크리덴셜의 Base URL 기본값은 http://localhost:11434이고, self-hosted n8n과 Ollama가 서로 다른 네트워크(예: 다른 컨테이너)에서 실행되면 연결 자체가 안 될 수 있다고 안내돼 있습니다. 즉 이 단계는 "API 키를 발급받는" 일반적인 설정이 아니라, "n8n이 내 Ollama 서버에 실제로 닿을 수 있는 위치에 있는지"를 먼저 확인하는 일입니다.

3. 이메일 카테고리 수정 (선택)

기본 제공되는 카테고리와 하위 카테고리를 자신의 상황에 맞게 바꿀 수 있다고 안내돼 있습니다. 다만 이 커스터마이즈를 워크플로우의 어느 노드에서 하는지는 공식 페이지에 구체적으로 나와 있지 않아, 템플릿을 임포트한 뒤 분류 로직이 들어간 노드를 직접 열어 확인해야 합니다.

4. 에러 핸들링 확인

워크플로우가 매끄럽게 돌아가도록 에러 핸들링 노드 설정을 검토하라고만 안내돼 있습니다. 구체적으로 어떤 노드가 에러를 잡고 어떻게 재시도하는지는 공식 페이지에 설명이 없어, 이 부분 역시 임포트 후 캔버스에서 직접 확인해야 하는 영역입니다.

주의할 점 · 제약

공식 페이지에 적힌 내용과, 페이지가 명확히 밝히지 않아 확인이 필요한 부분을 함께 정리하면 이렇습니다.

• 트리거와 실행 주기가 공개돼 있지 않다 — 새 메일이 도착할 때마다 도는지, 일정 간격으로 폴링하는지 공식 텍스트에는 나와 있지 않습니다. 실제로 쓰려면 임포트 후 트리거 노드를 열어 직접 확인해야 합니다.
• Ollama가 실행 중인 환경을 n8n이 접근할 수 있어야 한다 — 로컬 LLM이라는 말은 곧 "어딘가에는 떠 있어야 한다"는 뜻입니다. n8n이 self-hosted라면 같은 네트워크에 Ollama를 띄워두거나 Base URL을 정확히 맞춰야 하고, n8n이 설치된 환경 자체에서 Ollama에 닿지 않으면 분류 노드가 그대로 실패합니다.
• 카테고리 목록이 코드 어디에 있는지 불명확하다 — 커스터마이즈가 가능하다고는 되어 있지만, 위치는 임포트 후 직접 찾아야 합니다.
• 에러 핸들링의 세부 동작이 공개돼 있지 않다 — "설정을 검토하라"는 안내뿐이라, 실패 시 재시도인지 알림인지는 확인이 필요합니다.

포트폴리오·면접 포인트

포트폴리오에는 분류 전 받은편지함과 분류 후 폴더별로 메일이 정리된 화면 두 장이면 충분합니다. 여기에 "왜 OpenAI 같은 API 대신 Ollama를 썼는가"에 대한 답을 한 문단 붙이면 훨씬 설득력이 생깁니다. 이메일에는 업무 내용, 거래처 정보처럼 외부로 나가면 안 되는 내용이 섞여 있을 수 있는데, 로컬 LLM은 그 텍스트가 내 서버 밖으로 나가지 않는다는 게 가장 큰 차이입니다.

면접에서는 "AI로 이메일을 분류했다고 하셨는데, 그냥 키워드로 필터링하는 것과 뭐가 다른가요?" 같은 질문이 나올 수 있습니다. 키워드 필터는 정해둔 단어가 들어 있는지만 보지만, 이 템플릿은 이메일 내용을 마크다운으로 정리해 AI 모델에 통째로 넘기고 문맥을 보고 판단하게 합니다. "결제 확인 부탁드립니다"처럼 특정 키워드 없이도 업무 성격이 드러나는 메일까지 분류할 수 있다는 점이 답이 됩니다. 같은 구조를 응용하면 고객센터 문의 메일을 담당 부서별로 나누거나, 채용 지원 메일을 서류 검토 전 1차로 걸러내는 자동화로도 확장할 수 있습니다.

다음 액션

다음 편에서는 IMAP으로 받은 이메일에 AI가 답장 초안을 만들고, 사람이 승인해야만 실제로 발송되는 워크플로우를 다룹니다. AI가 다 처리하는 게 아니라 마지막 판단을 사람에게 남겨두는 human-in-the-loop 구조가 이번 시리즈에서 처음 등장하는데, 이번 편에서 본 "AI 분류 다음에 자동 액션이 따라온다"는 흐름과 비교해보면 두 설계 방식의 차이가 더 선명하게 보입니다.