OpenClaw는 무엇을 할 수 있을까요? 실제 사용자의 10가지 활용 사례를 통해 자세히 살펴보겠습니다.

Podwise 에서 발췌

최근 OpenClaw가 엄청난 인기를 얻으며 관련 논의가 활발하게 이루어지고 있습니다. 하지만 솔직히 말해서, 대부분의 콘텐츠는 이론, 아키텍처, 그리고 비전에만 초점을 맞추고 있습니다. OpenClaw가 실제로 무엇을 할 수 있는지, 또는 일상 업무에 어떻게 적용할 수 있는지 명확하게 설명하는 사람은 드뭅니다.

매튜 버먼은 최근 OpenClaw를 사용하여 구축한 모든 활용 사례를 보여주는 영상을 공개했습니다. 추상적인 개념 없이 모두 실제 사례를 통해 설명합니다. CRM, 지식 기반, 비즈니스 컨설팅 팀, 보안 감사, 소셜 미디어 추적, 비디오 주제 파이프라인, 일일 브리핑, 식단 일기… 단 한 사람이 맥북 하나로 소규모 회사의 미들웨어 팀이 해야 할 일을 해냈습니다.

그의 핵심 사용 사례들을 하나씩 분석하고 설명해 드리겠습니다. 과장이나 편견 없이 각 사용 사례가 무엇인지, 어떻게 작동하는지, 그리고 어떤 장점이 있는지 설명드리겠습니다.

사용 사례 1: 자연어 기반 CRM, 30분 만에 기초부터 활용 가능한 시스템 구축

이것은 버만이 시연한 첫 번째 사용 사례이자 가장 직관적인 사례이기도 합니다.

설치 과정은 다음과 같았습니다. 그는 오픈클로에 자연어로 "Gmail, Google 캘린더, Fathom에서 데이터를 추출하고 마케팅 이메일과 스팸 메일을 걸러내어 가치 있는 대화와 연락처만 남기는 CRM을 만들어 주세요."라고 요청했습니다. 그는 단 한 줄의 코드도 작성하지 않았습니다. 30분 만에 시스템이 가동되었습니다.

데이터 수집: 시스템은 근무 시간 동안 30분마다 이메일을 스캔하고 5분마다 Fathom(AI 기반 회의 녹음 도구)을 확인합니다. 모든 데이터는 저장되기 전에 LLM(로컬 관리 모델) 평가를 거칩니다. 즉, 이 이메일을 저장할 가치가 있는지, 이 연락처가 중요한지 판단합니다.

핵심 역량:

371개의 모든 연락처는 자연어를 사용하여 검색할 수 있습니다. "존과 마지막으로 무슨 이야기를 나눴지?" "X 회사에서 마지막으로 통화한 사람은 누구였지?" 와 같이 검색할 수 있습니다.
관계 건강 점수 기능은 오랫동안 연락하지 않은 사람들을 자동으로 표시해 줍니다.
중복 연락처 감지 및 병합 제안
벡터 임베딩 검색은 의미 수준의 퍼지 매칭을 지원합니다.

가장 인상적인 점은 버먼이 다른 상황(예: 비디오 주제 구상)에 있을 때 CRM 시스템이 능동적으로 개입하여 "이전에 비슷한 주제로 스폰서와 이야기를 나눈 적이 있는데, 이번 에피소드 스폰서로 고려해 볼 만합니다."라고 제안한다는 것입니다. 이 시스템은 단순히 데이터를 수동적으로 저장하는 데 그치지 않고, 능동적으로 연결을 구축하며 모듈 간에 상호 작용합니다.

버먼의 원래 말은 다음과 같습니다. "만약 제가 30분 만에 완벽하게 맞춤화된 CRM을 구축하고, 한두 시간 동안 반복 작업을 통해 최적화할 수 있다면, 왜 CRM 회사에 돈을 지불해야 할까요?"

사용 사례 2: 회의 조치 사항 자동 추적

이 사용 사례는 CRM과 밀접한 관련이 있지만, 별도로 논의할 가치가 있습니다.

워크플로: 회의 종료 → Fathom에서 전체 텍스트 녹취 → OpenClaw에서 CRM 연락처 대조 → 실행 항목 추출 → 승인을 위해 Berman에게 Telegram으로 전송 → 승인된 항목은 Todoist에 자동으로 추가됨.

몇 가지 핵심적인 디자인 특징:

"나"의 행동과 "상대방"의 행동을 구분하세요. 상대방이 당신에게 약속한 항목은 시스템에서 "대기 중"으로 표시되며, 시스템은 상대방이 약속을 이행하는지 여부를 자동으로 추적합니다.
자체 학습 필터링 기능. Berman이 특정 작업을 거부하면("이건 내 작업이 아닙니다"), 시스템은 그 이유를 학습하고 추출 규칙을 업데이트합니다. 따라서 동일한 상황은 다시 포착되지 않습니다.
이 시스템은 하루에 세 번 자동으로 완료 상태를 확인합니다. 예를 들어, 회의에서 "오늘 이메일을 보내겠습니다"라고 말하면 시스템은 실제로 이메일을 보냈는지 확인하고, 보냈다면 자동으로 체크 표시를 합니다.
14일 후 자동으로 보관 처리됩니다. 기한이 지났거나 완료되지 않은 항목은 목록을 깔끔하게 유지하기 위해 자동으로 정리됩니다.

이 시스템의 가치는 특정 기능 하나에 있는 것이 아니라, 실패하기 가장 쉬운 부분인 "회의 후 후속 조치"를 완벽하게 자동화한다는 점에 있습니다.

사용 사례 3: 개인 지식 기반, 링크만 추가하면 됩니다.

버먼은 오랫동안 골칫거리를 안고 있었다. 좋은 콘텐츠를 발견하고 저장해 두었지만, 나중에 다시 찾을 수 없다는 것이었다.

그의 해결책은 매우 간단했습니다. 모든 링크를 텔레그램에 넣고 나머지는 오픈클로에 맡기는 것이었습니다.

시스템은 다음과 같은 유형의 콘텐츠를 자동으로 처리합니다.

기사 : 브라우저를 사용하여 유료 웹사이트에 자동으로 로그인한 후 전체 텍스트를 직접 스크랩하고 추출합니다.
YouTube 동영상: 자막 캡처/텍스트 변환
X Posts: 단일 게시물만 캡처하는 것이 아니라 백링크를 포함한 전체 게시물 문자열을 자동으로 추적합니다.
PDF: 직접 텍스트 구문 분석

모든 콘텐츠는 벡터화되어 임베드된 후 SQLite에 로컬로 저장됩니다. 그런 다음 자연어 검색을 사용하여 "OpenAI 관련 모든 기사 보기"와 같이 한 번의 클릭으로 검색할 수 있습니다.

팀 협업 강화: 데이터베이스에 추가되는 모든 콘텐츠는 "맷이 여러분이 이 내용을 보길 원합니다"라는 메시지와 함께 자동으로 슬랙에 동기화됩니다. 팀원들은 이 콘텐츠가 AI가 임의로 전송한 것이 아니라, 상사가 직접 읽은 내용임을 알 수 있습니다.

이 활용 사례의 핵심은 기술적 복잡성이 아니라 진입 장벽이 극히 낮다는 점입니다. 태그 지정, 분류 또는 정리 작업이 전혀 필요하지 않습니다. 데이터를 입력하기만 하면 AI가 나머지를 처리합니다.

사용 사례 4: 비즈니스 자문 위원회, 8명의 전문가가 매일 밤 귀사를 위해 회의를 진행합니다.

개인적으로 저는 이 영상에서 가장 기상천외한 활용 사례라고 생각합니다.

데이터 입력: 14개의 비즈니스 데이터 소스. YouTube 분석, Instagram 게시물 참여도, X Analytics, TikTok 데이터, 이메일 캠페인, 회의록, Cron 작업 상태, Slack 메시지 등 그의 비즈니스 전반을 아우르는 데이터입니다.

분석 프로세스: 8개의 AI 전문가 역할(재무, 마케팅, 성장, 운영 등)이 모든 데이터를 독립적으로 병렬 분석합니다. 분석이 완료되면, 전문가들은 분석 결과를 논의하고, 의견 차이를 종합한 후, 우선순위에 따라 권장 사항 목록을 작성합니다.

전달 방식: 이 프로세스는 매일 자정(밤 12시)에 자동으로 실행되며, 결과는 번호가 매겨진 요약 형태로 텔레그램으로 전송됩니다. 버먼은 잠에서 깨어난 후 이를 간단히 살펴보고 결과에 대해 추가 질문을 할 수 있습니다. 예를 들어, "결과 3에 대한 설명을 더 자세히 해주세요."와 같이 질문할 수 있습니다.

이 사용 사례의 영감은 다중 에이전트 협업 모델에서 비롯되었습니다. 하나의 AI가 조언을 제공하는 것이 아니라, 여러 AI가 토론하고 각자의 의견을 제시하는 방식입니다. 마치 실제 이사회처럼, 재무 부서는 비용 절감을 주장하고, 마케팅 부서는 지출 확대를 주장하며, 최종적으로 실용적인 절충안이 도출됩니다.

사용 사례 5: 보안 위원회, 매일 밤 AI 검토

경영 컨설팅 회사와 구조는 비슷하지만, 방향은 완전히 다릅니다.

실행 시간: 매일 밤 오전 3시 30분 (Anthropic API 할당량 충돌을 방지하기 위해 다른 작업 시간과 시간차를 두고 실행됩니다).

검토팀: 공격, 방어, 데이터 개인정보 보호 및 운영 신뢰성이라는 네 가지 관점에서 보안 전문가로 구성됩니다.

검토 범위: 전체 코드베이스, Git 커밋 기록, 런타임 로그, 오류 로그 및 저장된 데이터. 이는 정적인 규칙 스캔이 아니라, AI가 코드를 진정으로 읽고 논리를 이해할 수 있도록 합니다.

출력: Opus 4.6은 모든 결과를 종합하고 번호를 매겨 텔레그램에 게시합니다. 중요한 문제는 즉시 알림으로 전달됩니다. 버먼은 "수정해 주세요"라고 직접 답장할 수 있으며, 시스템이 자동으로 문제를 해결합니다.

자체 진화: 각 수정 과정에서 얻은 경험이 기억되고 검토 규칙이 지속적으로 개선됩니다. 시스템이 현재 상태가 안전하다고 판단하면 새로운 제안이 없는 날도 있습니다.

이 활용 사례의 가장 뛰어난 점은 AI를 사용하여 AI 자체를 검사한다는 것입니다. 버먼은 솔직하게 말합니다. 인젝션 취약점에 대한 안전장치는 결코 완벽할 수 없습니다. 하지만 위험이 존재하지 않는 척하기보다는 시스템이 매일 자체 점검을 수행하도록 하는 것이 더 낫습니다.

사용 사례 6: 소셜 미디어 추적 + 일일 브리핑

추적 범위: YouTube, Instagram, X, TikTok. 매일 자동으로 스냅샷을 수집하여 SQLite 데이터베이스에 저장합니다.

데이터 차원: YouTube는 동영상 조회수, 시청 시간 및 참여율을 추적하고, 다른 플랫폼은 게시물 수준의 성과 데이터를 추적합니다.

다용도:

일일 브리핑. 매일 아침 텔레그램으로 전송되어 전날 실적을 알려주고, 잘된 점과 아쉬웠던 점을 강조합니다.
비즈니스 자문 위원회에 제공하세요 . 소셜 미디어 데이터는 매일 밤 비즈니스 분석에 직접 사용되는 14가지 데이터 소스 중 하나입니다.

이는 전체 시스템의 선순환 효과를 보여줍니다. 소셜 미디어 추적 모듈은 독립적으로 작동하는 것이 아니라, 생성된 데이터를 브리핑과 자문 위원회라는 두 가지 하위 활용 사례에 동시에 제공합니다.

사용 사례 7: 문장에서 Asana 카드로의 비디오 주제 선택 파이프라인

트리거 방식: Slack 토론에서 누군가가 게시물 아래에 " @Claude , 이건 영상 아이디어예요"라고 댓글을 달면 발생합니다.

자동화된 프로세스:

Slack 토론 스레드의 전체 맥락을 읽어보세요
웹 검색 + X 트렌드 연구
관련 자료가 있는지 확인하려면 지식 기반을 검색하십시오.
기존 주제와 동일한 주제인지 확인하기 위해 표절 검사를 하세요.
영상의 전체적인 개요를 작성하세요: 제목 제안, 썸네일 제안, 도입부 도입 문구, 그리고 영상 흐름 구조까지 포함하세요.
이 주제를 연구할 가치가 있는지 판단하기 위한 평가를 실시하십시오.
Asana에 모든 연구 자료와 링크를 포함하는 프로젝트 카드를 만드세요.

영상에서 버먼은 실제 사례를 보여주었습니다. Quen 3.5 버전 출시 소식이 슬랙에 공유되었고, 누군가가 이를 영상 아이디어로 태그하자 시스템이 자동으로 완전한 주제 패키지를 생성했습니다. 이 패키지에는 트위터에서 활동하는 다양한 KOL(핵심 오피니언 리더)의 토론, 오픈 소스 커뮤니티의 반응, 그리고 제안된 영상 콘셉트가 포함되었습니다.

이 사용 사례의 가치는 "영감 포착"과 "실행 가능한 솔루션" 사이의 간극을 거의 0으로 줄인다는 데 있습니다.

사용 사례 8: 메모리 시스템 – 사용하면 할수록 AI가 사용자를 더 잘 이해하도록 만들기

대부분의 사람들은 ChatGPT를 사용할 때마다 마치 처음 만난 것 같은 느낌을 받는다고 합니다. 하지만 버먼의 OpenClaw는 그렇지 않습니다.

메모리 수준:

대화 기록: 매일 나누는 대화가 자동으로 마크다운 파일로 저장됩니다.
선호도 추출: 대화에서 글쓰기 선호도, 어조 및 스타일, 관심사, 주식 추적, 이메일 분류 규칙 등을 추출하여 메모리 에 저장합니다.
신원 업데이트: 새로운 대화가 시작될 때마다 시스템은 메모리 파일을 읽어 identity.md 와 soul.md 파일을 업데이트합니다.
벡터화된 검색: 모든 메모리 파일이 벡터화되어 RAG 검색을 지원합니다.

상황에 따른 성격 전환: 버먼은 AI에 두 가지 성격을 부여했습니다. 개인 텔레그램 채팅에서는 친구처럼 유머러스하고 편안하게 행동하고, 슬랙 팀 채널에서는 자동으로 전문적이고 동료 같은 스타일로 전환합니다. 이 모든 성격은 soul.md 파일에 정의되어 있습니다.

이 활용 사례는 AI를 단순한 "도구"에서 "파트너"로 탈바꿈시킵니다. AI는 더 이상 단순히 지시를 실행하는 데 그치지 않고, 사용자가 누구인지, 무엇을 원하는지 진정으로 이해하게 됩니다.

사용 사례 9: 음식 일기 - AI가 알레르기 유발 물질을 찾는 데 도움을 줍니다

이것은 가장 예상치 못한 사용 사례입니다.

사용 방법: 음식 사진을 찍어 OpenClaw에 전송하세요. OpenClaw가 자동으로 음식을 인식하고 데이터를 기록합니다. 매일 세 번씩 속 상태를 보고하라는 알림을 받게 됩니다. 모든 데이터는 음식 기록부에 저장됩니다.

분석 기능: 음식 기록과 증상 보고서를 상호 참조하여 패턴을 파악하는 주간 분석을 실행합니다.

실제 결과: 사진 속 음식 성분과 버먼의 증상 피드백을 분석한 결과, 시스템은 그의 위장이 양파에 민감하다는 사실을 발견했습니다. 버먼은 이 사실을 전혀 몰랐습니다.

챗봇이 사람들이 음식 알레르기 유발 물질을 식별하는 데 도움을 주었는데, 이전에는 이를 위해서는 병원에서 전문적인 검사가 필요했습니다.

사용 사례 10: 예약 작업 + 자동 백업 + 자동 업데이트

이 부분은 그다지 매력적이지는 않지만, 아마도 가장 중요한 기반 시설일 것입니다.

크론 작업 목록:

| 빈도 | 작업 |

|------|------|

| 5분마다 | 패덤 회의록을 확인하세요 |

| 30분마다 | 이메일 스캔 |

하루 3회 | 실행 항목 완료 확인 |

매일 밤 | 문서 동기화, CRM 스캔, 보안 감사, 로그 수집, 비디오 데이터 새로 고침, 아침 브리핑 생성 |

| 주간 | 메모리 합성, 실적 전망 |

| 시간당 | Git 커밋 + 데이터베이스 백업 |

백업 전략: 모든 SQLite 데이터베이스는 자동으로 검색, 암호화, 패키징되어 Google Drive에 업로드되며, 최근 7일간의 데이터가 보존됩니다. 코드는 매시간 GitHub에 푸시됩니다. 백업 실패 시 즉시 Telegram 알림이 전송됩니다.

자동 업데이트: 매일 밤 9시에 새로운 OpenClaw 버전을 확인하고, 변경 로그를 표시하며, "업데이트" 메시지 한 번으로 자동으로 업그레이드 및 재시작합니다.

API 추적: 각 LLM 호출에 사용된 모델과 토큰 수를 기록합니다. 또한 각 모델에 대한 공식 프롬프트 가이드라인을 다운로드하여 시스템이 실제로 사용된 모델을 기반으로 프롬프트를 최적화할 수 있도록 합니다.

이 인프라의 설계 철학은 간단합니다. 시스템은 사용자가 잠자는 동안 작동하며, 시스템에 오류가 발생하면 즉시 알 수 있습니다.

이미지 및 비디오 생성: 필요에 따라 시각 콘텐츠를 제작하세요

Berman은 Veo(비디오 생성)와 NanoBanana Pro(Gemini 이미지 생성)를 OpenClaw에 통합했습니다.

사용법은 매우 간단합니다. 텔레그램에서 "이탈리아 토스카나의 빌라 영상"이라고 말하기만 하면 시스템이 Veo를 사용하여 영상을 생성하고 자동으로 다운로드하여 텔레그램으로 전송한 다음, 저장 공간 확보를 위해 로컬 파일을 삭제합니다. 이미지도 마찬가지입니다. 원하는 이미지를 말하면 NanoBanana Pro가 이미지를 생성하여 바로 전송합니다.

이 사용 사례 자체는 특별히 획기적인 것은 아니지만, 다른 워크플로에 통합될 수 있다는 점에서 가치가 있습니다. 예를 들어, 비디오 주제 선정 파이프라인에서 썸네일 추천 이미지를 생성할 때 이미지 생성 기능을 직접 호출하여 이미지를 생성할 수 있습니다.

다시 큰 그림으로 돌아가서, 핵심은 이러한 사용 사례들 간의 관계입니다.

단 하나의 사용 사례만 본다면 "꽤 멋지긴 한데, 그렇게 특별해 보이지는 않네."라고 생각할 수도 있습니다. 하지만 ChatGPT는 연락처를 찾는 데에도 도움을 줄 수 있고, Notion AI는 지식 기반을 정리하는 데에도 도움을 줄 수 있습니다.

하지만 버먼 시스템의 진정한 강점은 사용 사례 간의 데이터 흐름에 있습니다.

CRM 데이터 → 비즈니스 자문 위원회에 제공
지식 기반 콘텐츠 → 비디오 주제 선정 파이프라인에 콘텐츠 제공
소셜 미디어 데이터 → 일일 브리핑 및 자문위원회에 제공
회의록 → CRM 시스템에 입력 + 실행 항목 시스템 연동
모든 모듈 런타임 로그는 보안 위원회에 제공됩니다.

각 모듈은 독립적인 존재가 아닙니다. 서로 강화하는 데이터 선순환 구조를 형성합니다. 바로 이러한 이유로 한 사람과 맥북 하나로 소규모 팀이 만들어낼 수 있는 결과물을 낼 수 있는 것입니다.

버먼의 말 중에 특히 적절하다고 생각하는 구절이 있습니다. "제가 만든 여러 부분들이 어떻게 서로 상호작용하고 서로를 강화하는지 알게 되실 겁니다."

안전 수칙: 뛰기 전에 안전벨트를 매세요.

버먼의 안전 분야 노력은 특별히 강조할 만하다.

인젝션 공격 방어 요령: 모든 외부 콘텐츠는 잠재적으로 악성 콘텐츠로 간주됩니다. 데이터가 데이터베이스에 추가되기 전에 결정론적 코드 사전 검사가 수행됩니다.
권한 최소화: 이메일과 캘린더는 읽기 전용이며, 쓰기 권한은 거부됩니다.
출력 제어: 원문 반복 없이 요약하고, 키와 토큰을 자동으로 필터링합니다.
배포 승인: 이메일이나 트윗을 보내기 전에 수동 확인이 필요합니다.
암호화된 백업: 이중 암호 보호, .env 파일은 데이터베이스에 절대 추가되지 않습니다.

그는 스스로 매우 분명히 밝혔습니다. "완벽한 보안 솔루션은 없습니다. 대규모 언어 모델은 비결정적 시스템이므로 힌트 주입을 완전히 막는 것은 불가능합니다. 하지만 그렇다고 아무것도 하지 말아야 한다는 뜻은 아닙니다."

이러한 사용 사례들을 검토한 후 제가 가장 크게 느낀 점은 AI 시대에 "풀스택"이란 더 이상 프런트엔드와 백엔드 코드를 작성할 수 있는 능력을 의미하는 것이 아니라, 전체 AI 워크플로우를 구축하고 관리할 수 있는 능력을 의미한다는 것입니다. 버먼은 코드를 직접 작성하지는 않지만, 자신의 요구사항을 매우 명확하게 이해하고 있으며 자연어를 사용하여 그 요구사항을 작동하는 시스템으로 구현하는 방법을 알고 있습니다.

이것은 2026년에 배워야 할 가장 가치 있는 기술일지도 모릅니다.

매튜 버먼의 영상 "OpenClaw를 활용한 21가지 놀라운 사용 사례"를 바탕으로 제작되었으며, 팟캐스트 Podwise 에서 소개되었습니다. 원본 영상에는 각 사용 사례에 대한 자세한 설명이 포함되어 있으니 시청을 권장합니다. 만약 여러분도 OpenClaw 또는 유사한 프레임워크를 사용하여 AI 시스템을 구축하고 있다면, 어떤 사용 사례를 가장 먼저 구현했는지 댓글로 공유해 주세요.