AI 피부데이터와 솔루션의 연결, 문제와 개선점

AI skin gap: Causal fix needed

AI 기반 피부 진단 기술이 빠르게 발전하면서, 소비자들은 스마트폰 사진 한 장, 또는 정밀 피부 진단기기로 피부 상태를 객관적이고 정량적으로 확인할 수 있게 되었습니다.

그러나 피부 데이터가 제품 솔루션으로 이어지는 과정은 아직 완전하지 않으며, 현장에서 맞춤형 조제든, 로레알 같은 글로벌 브랜드의 기성 제품 추천이든, AI 피부 데이터는 존재하지만 이 데이터를 제품 처방으로 변환하는 과정에는 구조적 한계가 있습니다.

이제, 이 과정에서 가장 많이 발생하는 문제점과 해결 방향을 정리해 보겠습니다.

로레알 스킨지니어스

1. AI 진단 후 제품 솔루션의 세 가지 연결 방식

1-1. 혼합 조제 방식 (Custom Blending Model)

이것은 개인 맞춤형 화장품 조제관리사 제도를 통해 국내에서 활성화된 방식이며, AI 진단 데이터를 바탕으로 현장에서 조제관리사가 기성 베이스에 맞춤형 원료(액티브 성분)를 계량하여 혼합 조제하는 방식입니다.

최고 수준의 개인화가 가능하지만, 조제 시마다 안정성 검증 및 법적 잔류 성분 관리 책임이 따르기 때문에, 조제관리사의 숙련도와 전문성이 매우 중요합니다.

1-2. 기성 제품 연계 방식 (Pre-existing Product Linking Model)

글로벌 대기업이나 이커머스 플랫폼에서 가장 널리 쓰이는 안전하고 효율적인 방식으로, AI가 고객의 피부 데이터를 분석한 후, 이미 대량 생산되어 안전성이 완벽하게 검증된 수천 개의 기성 제품군(SKU) 중에서 가장 적합한 제품을 찾아 추천하는 방식입니다.

이 방식은 안정성이 매우 높고 즉시 배송이 가능합니다. 단, 개인화는 가장 잘 맞는 제품 선택이라는 범위 내에서 제한적이며, 로레알의 ModiFace API 연동 시스템을 예로 들수 있습니다.

1-3. 하이브리드 자동 조제 방식 (Hybrid Automatic Blending)

사람의 개입 없이 AI의 추천을 기기가 직접 제조에 반영하는 첨단 방식입니다.

AI 진단 결과가 자동화된 디스펜서(Dispenser) 기기에 직접 명령을 내려, 시스템 내에 내장된 안전 검증 모듈 원료를 정확한 비율로 추출, 혼합하여 제품을 즉시 만들어주는 방식입니다.

계량 오차를 최소화하여 조제의 일관성과 안정성을 높여, 사람의 수작업으로 인한 오류 가능성을 줄이면서도 개인화된 제품을 제공합니다. (예: LG생활건강, 아모레퍼시픽 일부 맞춤형 기술)

2. AI 진단 후 제품 솔루션의 1차적인 문제점

2-1. 혼합 조제 방식 (Custom Blending Model)

조제관리사가 현장에서 직접 원료를 혼합하는 이 방식은 사람의 숙련도에 크게 의존하기 때문에 안전성과 일관성 관련 위험이 가장 높습니다.

혼합하는 여러 원료에 미량 포함된 방부제, 알레르기 유발 성분 등의 함량을 시스템이 정확히 계산하지 못해, 최종 제품의 법적 허용치를 초과할 위험이 가장 높으며, 소량 배치는 대량 생산 제품처럼 안정성(분리, 변색, 침전 등) 테스트를 거치지 않기 때문에, 제품의 사용 기한 내 품질이 변질될 위험이 높습니다.

2-2. 기성 제품 연계 방식 (Pre-existing Product Linking Model)

안정성은 높지만, 개인화 수준이 낮아 발생하는 고객 만족도 문제가 주를 이룹니다.

AI가 고객의 니즈를 100% 충족하는 포뮬러가 아닌, 가장 근접한 기성 제품을 추천하기 때문에, 고객은 최적화된 솔루션을 받았다고 느끼지 못할 수 있고, 고객이 실제로 제품을 사용한 후의 효능 피드백(정성적 데이터)이 AI 시스템으로 정확하게 회수되는 것이 힘들어, 다음 진단 및 추천에 반영되지 못하는 경우가 많습니다.

2-3. 하이브리드 자동 조제 방식 (Hybrid Automatic Blending)

자동 조제 기기(디스펜서)가 오작동하거나 고장 날 경우 외, 기기에 탑재될 수 있는 원료의 종류와 농도가 안전성 확보를 위해 제한되므로, 고객의 특별하거나 희귀한 니즈를 충족시키지 못할 수 있습니다.

3. AI 진단 후 제품 솔루션의 2차적인 문제점

3-1. 혼합 조제 방식 (Custom Blending Model)

특히 이 방식은 조제관리사 역량 차이에 따른 맞춤형 화장품의 품질 편차가 심해집니다.

원료 안전성 판단에서는 전문성이 필수이며,

함량 제한 원료의 다양한 사용 조건을 반영해야 하며,

원료 간의 상호작용을 AI가 감지하지 못하기 때문에, 조제관리사가 판단해야 합니다.

즉, 개인화 경향은 높으나, 전문가의 역량에 품질을 좌우하는 구조적인 한계가 있습니다.

3-2. 기성 제품 연계 방식 (Pre-existing Product Linking Model)

특히 글로벌 뷰티 기업의 AI 기반 추천 시스템은, 고객의 피부 타입을 정교하게 분류해서 맞는 제품을 소개해주지만, 기성 제품의 포뮬러가 평균값이라는 근본적인 한계가 있습니다.

예시로 로레알 계열의 많은 제품들은, 안정성, 대량생산, 보편적 자극도 기준을 맞추기 위해,

정제수, 글리세린, 기본 보습제(부틸렌글라이콜, 프로필렌글라이콜 등), 기본 방부제(페녹시 에탄올, 파라벤, 1,2-헥산다이올, 펜틸렌 글라이콜 등)에 소량의 기능성 성분으로 구성합니다.

즉, 다수에게 안전하게 맞추는 포뮬러 구조라서,

특정 개인 문제를 해결하는 데는 제한적이며,

결과적으로 AI가 아무리 잘 추천해도,

포뮬러 성능 자체가 피부 효능을 드라마틱하게 만들지 못하기 때문에 효과 없다는 평가가 나오기 쉽습니다.

4. AI 진단 후 제품 솔루션이 제대로 역할을 못하는 이유

현재까지의 시장 구조는 이렇게 되어 있습니다. AI 분석 후 피부 고민을 분류하고, 글로벌 뷰티 기업에서는 기성 제품 추천을 하고, 우리나라는 아직 사례가 많지는 않지만, 즉석 혼합 및 조제를 합니다.

예를 들어, 모공이 커지면, 모공 크기에 도움이 되는 제품을 추천하거나, 유분이 많으면, 유분 조절 라인을 추천하거나, 색소침착이 많으면 비타민C 에센스 추천합니다.

피부는 이렇게 단순한 구조가 아님에도 불구하고, 문제의 원인 분석 없는 단순 처방만 하고 있죠.

사실, 모공이 커진 원인이 호르몬성 피지증가 때문인지, 염증 후 확장인지, 피지의 산화 때문인지에 따라 처방이 완전히 달라지는데, 대부분의 AI 추천은 이 깊이를 판단하지 못하며,

그 중간 역할을 하는 연결 시스템이 없는 것이, 문제인 상태입니다.

5. AI 진단 후 제품 솔루션이 잘 매칭되기 위한 개선 방안

5-1. 혼합 조제 방식 (Custom Blending Model)

현재 AI가 모공 크다라고 진단하면서, 모공 축소 제품 추천 혹은 성분 추천이라는 단순 상관관계에 머물러 있다면, 이제 왜라는 질문에 답할 수 있는 분석 시스템을 구축해야 할 때입니다.

모공 확장, 색소 침착 등의 겉으로 드러난 현상을 넘어,

고객의 생활 습관, 환경 노출 데이터, 생체 신호(바이오마커) 등을 종합하여,

염증 후 확장, 피지 산화, 장벽 손상 등 근본적인 병변의 원인을 추론해야 합니다.

예를 들어, 피지 산화가 주원인인 모공 확장의 경우,

단순히 수렴 제품(모공을 일시적으로 축소하듯 보이는 제품)을 추천하는 것이 아니라,

피지가 산화되는 원인을 알아보고, 피지가 잘 배출되게 도와주는 성분 혼합을 하는 시스템으로 고도화해야 합니다.

또한, 현장 조제 시, 사용하는 모든 원료에 미량 포함된 방부제 및 알레르기 유발 성분의 합산 치를,

AI 시스템이 실시간으로 계산하여 법적 허용치를 초과할 위험이 있을 경우,

그 원료 대신 대안 원료를 제시하는 기술적 장치를 마련해야 합니다.

3-2. 기성 제품 연계 방식 (Pre-existing Product Linking Model)

기성 제품 연계 방식의 가장 큰 약점인 효능 피드백 부재를 해결해야 AI의 학습 능력이 향상됩니다.

고객이 제품 사용 후 주관적인 리뷰를 남기는 대신, 스마트폰 앱 또는 가정용 진단 기기를 통해 정해진 주기에 피부 개선 스코어(재진단 스코어)를 측정하도록 유도하여, AI가 학습할 수 있도록 해야 합니다.

또한, AI가 아무리 정확하게 고객의 니즈를 진단해도,

추천 대상인 제품 포뮬러 자체의 성능이 평균에 머물러 있다면 고객은 기대하는 효과를 얻기 어렵습니다.

로레알 같은 글로벌 기업들이 대량 생산을 위해 사용해 온 다수에게 안전한 평균값 포뮬러의 한계를 극복하려면, 천연, 재생, 클린, 오리진 기반 원료를 확보하여 AI 추천 시스템이 제시하는 솔루션의 효능 기본값을 전체적으로 높여야 합니다.

천연 유래, 클린 뷰티 기준을 충족하는 고효능 원료를 도입하면,

AI가 어떤 제품을 추천하든 그 제품의 평균적인 효능 수준이 높아지므로,

고객이 실제 개선을 체감하는 정도를 높여주어, AI 추천 시스템의 신뢰도와 재구매율을 직접적으로 끌어올릴 수 있습니다.