실전

AI Agent로 만드는 '사람 같은' 대량 이메일, iLands는 어떻게 돌렸나

Tedium이 보도한 iLands의 사례를 분석한다. AI Agent로 초개인화된 영업 이메일을 자동 생성·발송하는 파이프라인을 단계별로 분해하고, Gmail이 왜 차단하지 못하는지, 플랫폼은 왜 움직이지 않는지를 짚는다.

글자 크기

9월 11일, Tedium은 iLands의 창업자 Kaixin Tang을 다룬 기사를 올렸다. 그는 AI Agent로 고도로 개인화된 영업 이메일을 자동 생성하고 대량 발송하는 시스템을 만들었고, 잠재 고객 수는 수만에서 수십만 명에 이를 것으로 보인다.

당일 이 기사는 Hacker News 1면에 올라왔고, 43점, 댓글 19개를 기록했다. 댓글은 거의 두 가지로 나뉘었다. "이거 그냥 스팸 아니냐?"와 "기술적으로 진짜 잘 만들었다."

원문을 다 읽고 나서 더 궁금해진 건 따로였다. 이 파이프라인의 진입장벽이 비정상적으로 낮다는 점이다. Python을 다룰 줄 아는 사람이라면 주말 하나면 그대로 복제할 수 있다.


iLands가 한 것: Agent로 "대량 발송"을 "1대1 대화"처럼 위장하기

기존 대량 발송 이메일은 이런 모양이다.

尊敬的客户,我们的产品可以帮助您... (존중하는 고객님, 당사 제품이 귀하에게 도움이 될 수 있습니다...)

한눈에 스팸이다.

iLands의 Agent가 만든 건 이런 모양이다.

작년에 쓰신 Postgres 인덱스 최적화 글, 특히 BRIN 부분을 봤습니다. 저희가 최근 이커머스 고객사에 비슷한 방식으로 작업해서 쓰기 성능을 4배 끌어올렸는데, 관심 있으시면 상세한 case study 보내드릴 수 있습니다.

이런 이메일을 받으면 첫 반응이 보통 이렇다. "이 사람 진짜 내 블로그 읽었구나."

실제로는 그렇지 않다. Agent는 발송 직전 3초 동안 해당 인물의 개인 사이트, GitHub, LinkedIn, Twitter를 전부 긁어, 공개 정보를 prompt에 채워 넣고 LLM이 "손으로 쓴 것처럼" 보이는 답변을 생성한다. 전 과정에 사람은 개입하지 않는다.

이게 Tedium 보도의 핵심이다. Agent가 스팸을 '사람 수준'으로 만들었다.


Agent 파이프라인 분해: 전 과정 자동, 3단계

전체 아웃리치 흐름을 풀어보면 세 구간이다. research → draft → send. 각 구간이 Agent 기능 하나에 대응한다.

1단계: Research (타깃 조사)

Agent가 도메인 또는 LinkedIn URL을 입력받으면 다음 작업을 자동으로 수행한다.

  • 개인 사이트, 블로그, GitHub profile 수집
  • 최근 글 3~5편의 제목과 요약 추출
  • LinkedIn의 경력, 학력 수집
  • Twitter/X 최근 트윗 수집

기술 스택은 대략 Playwright 또는 headless Chrome으로 크롤링을 돌리고, LLM 호출 하나로 정보 추출을 처리하는 구조다. 아래는 단순화한 코드다.

from playwright.sync_api import sync_playwright
import anthropic

def scrape_target(url: str) -> dict:
    with sync_playwright() as p:
        browser = p.chromium.launch(headless=True)
        page = browser.new_page()
        page.goto(url, wait_until="networkidle")
        html = page.content()
        browser.close()

    client = anthropic.Anthropic()
    msg = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": f"从以下 HTML 提取这个人的职业背景、最近写的主题、技术栈偏好:\n\n{html[:50000]}"
        }]
    )
    return msg.content[0].text

profile = scrape_target("https://example.com/blog")

이게 전부다. 크롤링과 추출 전체가 80줄도 안 된다.

2단계: Draft (카피 생성)

1단계에서 추출한 profile을 LLM에 넣는다. prompt는 대략 이런 모양이다.

你是一名 SaaS 销售,要给下面这个人写一封冷邮件:
姓名:{name}
职业背景:{profile['background']}
最近关注的话题:{profile['topics']}

要求:
- 200 字以内
- 引用他最近一篇文章或一个观点(具体到细节)
- 不要使用"尊敬的"、"我们公司"这种套路词
- 口吻像一个同行在交流,不是销售在推销
- 结尾留一个低门槛的 CTA(比如"如果你有兴趣可以看看这个 case")

Claude Sonnet 4.5나 GPT-5로 이 작업을 돌리면 1통당 2~3센트다.

3단계: Send (발송)

가장 기술적인 부분이 없는 단계인데, 그래서 가장 자주 망가진다.

  • SMTP 계정 다수 로테이션 (단일 IP 마킹 방지)
  • 발송 간격 랜덤화 (30~180초 사이)
  • DKIM/SPF/DMARC 정비 (저가 ESP 대부분 지원)
  • 도메인 분산 (도메인 10개 × 메일박스 50개 = 발신자 신원 500개)

Gmail 스팸 필터가 왜 못 막았나

Gmail의 스팸 모델은 콘텐츠 특징과 행동 특징을 함께 판단한다.

콘텐츠 측면: 구식 스팸은 템플릿 문구, 과장된 약속, 링크 농장이었다. iLands의 Agent가 생성한 카피는 매 통마다 달라서 spam 규칙에 걸릴 확률이 극도로 낮다.

행동 측면: 전통적인 스팸은 한 번에 몰아 쏘는 방식이었다. IP 하나, 도메인 하나, 수천 통 동시 발송. Agent 파이프라인은 이걸 우회하기 위해 세 가지를 한다.

  1. 도메인 풀: 보도에 따르면 Tang은 도메인 묶음을 로테이션했고, 도메인 하나당 하루 20~50통만 발송했다.
  2. 리듬 모사: 발송 간격을 랜덤화하고, 근무 시간 안에서, "오전 10시~오후 4시" 피크를 흉내 낸다.
  3. 응답률 최적화: 열람/응답된 메일박스는 표시하고, 열리지 않은 메일박스는 발송 빈도를 낮춘다.

이 세 가지가 합쳐지면 Gmail이 보는 신호는 "평범한 영업 사원이 정상적으로 이메일로 리드 개발 중"이다.

물론 완전히 빈틈없는 건 아니다. HN 댓글에서 누군가 지적했다. 발신자 도메인 WHOIS를 역조회해서 등록일 6개월 미만, 웹사이트 없음, 순수 메일 전용이면 거의 확실히 스팸 인프라라고. 다만 일반 수신인은 그런 걸 확인하지 않는다.


비슷한 Agent 남용은 이미批量 복제 중이다

iLands는 단독 사례가 아니다. HN 댓글에 유사 사례가 줄줄이 올라왔다.

  • SEO 백링크 Agent: 블로그 목록 자동 크롤링, AI로 댓글 생성, 링크 대량 삽입
  • LinkedIn 친구 추가 Agent: Browser Use로 headless Chrome을 돌려 사람처럼 클릭 모사, 하루 200명 추가
  • 댓글 도배 Agent: Hacker News, Reddit, Product Hunt에 자동 답변 + 제품 링크 부착
  • JD投放(채용공고 게재) Agent: HR 담당자가 후보자에게 "이력서 봤습니다" 템플릿 메시지를 대량 발송

각 시나리오의 기술 사슬은 비슷하다. 크롤링 → LLM 리라이팅 → 사람처럼 발송.


플랫폼은 왜 가만히 있는가

Gmail, Outlook, LinkedIn이 왜 바로 차단하지 않나. 이유는 세 가지인데, 들을수록 거북하다.

첫째, 오탐 비용. 정상 영업도 실제로 대량 발송한다. AI가 글을 써주지 않을 뿐. 너무 세게 막으면 합법적인 B2B 영업도 같이 죽는다. Google은 이 도박을 할 수 없다.

둘째, 판별 난이도. Agent가 만든 이메일과 사람이 쓴 이메일은 텍스트 차원에서 더 이상 구분이 안 된다. 식별하려면 "행동 사슬"을 봐야 하는데, 그건 Gmail이 브라우저 활동과 마우스 움직임을 감시해야 한다는 뜻이다. 그것은 다른 종류의 재앙이다.

셋째, 상업적 인센티브. Gmail은 기업용으로 돈 버는 구조고, B2B 영업 이메일 오픈율이 KPI다. LinkedIn Premium의 핵심은 "무제한 InMail"이다. 플랫폼은 스팸에서도 돈을 번다.

판단: 플랫폼 거버넌스에 기대는 건 틀렸다. 동기도, 능력도(최소한 모니터링 수단을 동원할 의지도) 없다.


편집자 소견

iLands 사건에서 가장 흥미로운 부분은, "또 하나의 스팸 이야기"가 아니다.

이 사건이 증명한 건 한 가지다. Agent가 한 사람의 악성 생산 능력을 조직 수준으로 끌어올렸다. 과거에 대규모 개인화 스팸을 만들려면 영업 사원 10명을 고용해每人 하루 50통씩 써야 했다. 이제는 한 사람 + Agent 파이프라인 한 세트로 10명 영업의 생산량을 넘긴다.

더 결정적인 건, 이 방식의 한계 비용이 거의 0이라는 점이다. 타깃 주소가 하나 늘면 LLM 호출비 몇 센트가 추가될 뿐이다. 규모화의 천장이 없다.

향후 12개월 안에 전용 anti-agent 탐지 서비스가 등장할 거라고 본다. 형태는 아마 이렇다.

  • 브라우저 확장 프로그램: 지금 읽고 있는 이 이메일을 실시간 분석해 "AI 생성 확률" 표시
  • 기업 게이트웨이: 수신 메일에 대해 LLM 역탐지 + 발신자 행동 프로파일링 실행
  • 역크롤링 서비스: 상대 도메인/메일의 WHOIS, 등록 시기, 연관 계정 조회

1세대는 GLTR/DetectGPT 같은 텍스트 통계 특징 기반일 가능성이 높다. 하지만 곧 행동 사슬 단위로 업그레이드될 것이다. 발신자가 리듬화 발송을 쓰는지, 도메인이 신규 등록인지, IP 대역이 메일 서비스 사업자 일반 출구인지까지 본다.

불확실한 부분: 이런 도구의 오탐률이 어떻게 진화할지. 합법 B2B 이메일의 1%를 오탐하면 기업은 도입하지 않는다. 0.1% 아래로 내려가면 SaaS 표준 기능이 될 수 있다.

또 다른 열린 질문: 법적으로 어떻게 정의하나. GDPR은 "자동화된 의사결정"을 엄격히 규제하지만 미국에는 이에 준하는 연방법이 없다. 주(州) 단위에서는 캘리포니아 CCPA가 "자동화된 처리 거부권(opt-out)"을 부여하지만 집행은 사실상 제로다. 단기간에 법률이 기술을 따라잡긴 어렵다.

과거와 다른 점은, 이번 스팸은 "많이 보낸다"가 아니라 "사람이 쓴 것처럼 보인다"는 것이다. 기존의 모든 anti-spam 시스템은 "양"과 "템플릿 특징"을 중심으로 방어선을 쌓아왔다. Agent는 이 두 차원을 모두 우회했다. 이는 기술 디테일의 실패가 아니라 규칙 차원의 실패다.

참조 출처:

출처: https://tedium.co/2026/09/11/ilands-agents-email-spam-kaixin-tang/