2026 G-HOP 대학연합 창업캠프 · AI 맞춤형 염색 솔루션

원하는 색,
내 머리에서도
실제로 나올까요?

COLORLOOP가칭

보여주는 AI를 넘어, 고객이 원하는 색이 실제 모발에서 나오도록
예측하고 배합하는 AI 염색 플랫폼

SCANPREDICTFORMULATELEARN
다크 브라운에서 애쉬 베이지로 이어지는 모발
02 Problem · 시장성

같은 염색약도 같은 색이 나오지 않습니다.
그래서 염색은 아직 경험에 의존합니다.

기대한 애쉬 베이지 색상과 실제로 붉게 발색된 결과 비교
기대한 색
≠
실제 결과
최종 고객소비자

“이 색으로 해주세요” → 결과는 다르다

가상염색은 완성 모습만 보여줄 뿐, 내 머리에서 실제로 이 색이 나올지는 알려주지 않는다.

사용자미용사

노하우가 데이터가 아닌 개인의 감각 속에

경험이 적은 디자이너에게 배합은 높은 진입장벽. 같은 고객의 지난 상태와 배합을 정확히 재현하기 어렵다.

지불자미용실

모자라면 다시 만들어야 하니, 넉넉히 만든다

혼합된 산화염모제는 재보관이 어려워 남은 약은 폐기. 업계도 이미 문제로 인식 — YUV는 자사 테스트 기준 컬러 비용·폐기 최대 35% 절감을 내세운다.

결과를 바꾸는 변수 현재 모발색이전 염색 이력탈색 횟수붉은기·노란기 잔존 색소새치 비율모발 굵기·밀도뿌리·중간·끝 상태 차이손상 정도염모제·산화제배합비·방치 시간
03 Solution · 해결책

현재 모발 → 원하는 색 → 배합 → 실제 결과를
하나의 데이터 루프로 연결합니다.

01 SCAN

모발 분석

카메라+표준조명+Hair Scanner로 색·밝기·붉은기·새치·밀도 측정. 손상도 등은 미용사가 입력

02 RECOMMEND

어울리는 색 추천

얼굴·모발 기반 추천, AR 시뮬레이션으로 확인. 단, 이것은 핵심 경쟁력이 아니다

03 PREDICT

실제 발색 예측

목표 색이 현재 모발에서 몇 %나 구현되는지, 탈색이 필요한지 예상 결과를 수치로 제시

04 FORMULATE

배합비·필요량 계산

모발 상태+이력+목표색+제품 특성으로 배합. 길이×밀도×굵기로 필요한 양만 제조

05 APPLY

시술

미용사가 추천 공식을 확인·수정. 수정값(예: Blue 1.8g→2.3g)도 학습 데이터가 된다

06 MEASURE

염색 후 재측정

같은 조명 조건에서 다시 측정. 예측(L*a*b*)과 실제의 차이를 오차 데이터로 저장

07 LEARN

Hair Color Profile

고객별 상태·배합·실제 반응 누적. 재방문 시 처음부터 추측하지 않고 보정된 배합 제시

예측 예시 예시 값 · Pilot 검증 예정
목표: Ash Beige Level 9
현재 상태에서 1회 염색예상 Lv 7.5일치 72%
탈색 1회 후 염색예상 Lv 8.8일치 93%
추천 배합 (예)7N 28g · 7A 18g · Blue 1.8g · Dev 47.8g
초기 AI는 어떻게 만드는가 — 처음부터 다 아는 AI는 없다
  1. 염색 이론 + 제조사 컬러차트·산화제 데이터 구조화
  2. 컬러 전문 미용사의 모발 상태별 배합 공식 확보
  3. 인모 Hair Swatch 실험 (Lv 3/5/7/9 × 손상·붉은기·탈색)
  4. ‘모발 상태 + 배합 → 결과 색’ 초기 예측 모델
  5. 미용실 Pilot: AI 추천 → 미용사 수정 → 실제 결과 측정
  6. 예상 vs 실제 오차로 재학습, 사용자가 늘수록 정확도 향상
04 Differentiation · 차별성

“AI 자동배합”은 이미 있습니다.
우리의 차별성은 기계가 아니라 Closed-loop 데이터 구조입니다.

L'Oréal
Coloright리더+알고리즘+디스펜서, 1,500+ 색상		 CLICS디지털 컬러 설계, 정량 디스펜싱 YUV Lab정밀 디스펜싱, 폐기 절감 COLORLOOP학습형 염색 플랫폼
기존 제품이 이미 제공하는 것
모발 상태 분석 (색·새치·길이·밀도)
정밀 배합 · 정량 디스펜싱 Phase 2
고객 레시피 저장
COLORLOOP가 더하는 것
목표 색의 실제 발색 결과 예측 (구현 가능성 %)———
염색 전·후 예상 ↔ 실제 결과 비교———
오차를 다음 배합에 반영하는 Closed-loop 학습———
고객 모발 반응까지 누적하는 Hair Color Profile———
뿌리·중간·끝 Zone별 분석———
특정 컬러 시스템 종속 → 브랜드별 발색 모델 확장——— Phase 3
제공 부분 제공 / 계획— 공개 자료 기준 확인되지 않음

Closed-loop Learning

① 염색 전 측정모발 상태 · 목표 색 ② 배합 · 시술예측값 + 미용사 수정 ③ 염색 후 측정실제 L*a*b* ④ 오차 학습예상 ↔ 실제 차이 Hair Color Profile
예측 L* 48 / a* 5 / b* 7 → 실제 L* 46 / a* 8 / b* 7 이면, “이 조건에선 붉은기가 더 남는다”가 데이터가 되어 다음 배합을 보정한다.
경쟁사 항목은 각사 공개 자료 기준으로 정리. ‘세계 최초’를 주장하지 않으며, 기존 제품의 기능을 인정한 위에서 차별성을 제시합니다.
05 Target Market · 시장성

첫 고객은 소비자가 아니라
염색 비중이 높은 미용실입니다.

최종 혜택 고객
소비자

염색 서비스를 받는 고객. 기대한 색을 실제로 얻는다.

실제 사용자
미용사

추천 배합을 확인·수정하며 시술. 경험 부족을 데이터가 보완.

구매 · 지불 고객
헤어살롱

Scanner + SaaS 비용을 지불. 발색 실패·폐기·교육 비용을 줄인다.

1조 6,065억 원
전년 대비 +7.8%

2024년 프랜차이즈 두발미용업 매출액 (국가통계). 독립 미용실을 제외한 프랜차이즈 가맹점만의 수치로, 전체 미용시장 규모가 아닙니다.
→ 소비자 전체가 아니라 미용실 한 곳마다 반복되는 염색 업무를 디지털화하는 B2B 시장으로 접근.

밝은 프리미엄 헤어살롱의 컬러 바

Beachhead 수원 · 경기권 5~10개 Pilot

  • 디자이너가 여러 명인 매장
  • 염색 비중이 높은 매장
  • 신규 디자이너 교육 비용이 높은 매장
  • 재방문 고객이 많은 매장
  • 컬러 시술을 차별화하고 싶은 매장
TAM

국내 전문 헤어컬러 서비스를 제공하는 전체 미용실

염색이 이뤄지는 모든 살롱 — 프랜차이즈 + 독립 미용실

SAM

수도권 · 염색 매출 비중이 높은 살롱과 프랜차이즈

중소형·프리미엄 헤어살롱, 컬러 전문 매장

SOM

초기 3년간 직접 확보 가능한 매장

Pilot 5~10개 → 데이터 검증 후 확장

1차년도
30매장
2차년도
150매장
3차년도
500매장
목표 경진대회 단계의 사업 목표치이며 Pilot 결과에 따라 수정
06 Business Model · 사업성

기계를 파는 회사가 아니라, Hardware + SaaS로
진입가격을 낮추고 데이터로 확장합니다.

소형 Hair Scanner와 태블릿 앱 콘셉트PHASE 10~12개월

Hair Scanner + AI SaaS

미용실이 보유한 태블릿·스마트폰에 표준조명 + Scanner 연결. 자동배합기는 만들지 않는다.
Hair Scanner1회 구매 · 표준조명 포함약 39만 원
AI Software월 구독 · 예측 · 배합 · 고객 프로필월 49,000원
자동 정량 배합기 콘셉트PHASE 21~2년

자동 배합기 렌탈

데이터가 충분히 쌓인 뒤 카트리지 + 펌프 + 정밀저울 디스펜서 추가. 판매가를 무리하게 낮추기보다 렌탈·리스.
자동 디스펜서월 렌탈 · 리스 검토안월 9~13만 원
AI Software계속 구독유지
A사 염모제 Prediction ModelB사 염모제 Prediction Model프랜차이즈 본사 계약API · 라이선스 공급
PHASE 32~3년

B2B 데이터 플랫폼

염모제 브랜드와 제휴해 브랜드별 발색 모델 개발. 제조사 라이선스, 프랜차이즈 본사 계약, API 공급, 데이터 기반 제품개발 협업.
발색 Prediction Model / API브랜드 · 프랜차이즈 대상라이선스
미용실이 돈을 내는 이유Why pay?
발색 실패 감소배합 표준화신규 디자이너 교육 보조염모제 낭비 감소고객 레시피 · 프로필 관리
우리가 파는 것Hair ScannerAI 염색 프로그램염색 결과를 예측하는 데이터와 모델
가정 모든 가격은 사업계획상 목표 가격이며 확정가가 아닙니다. MVP 및 부품·제조원가 검증 후 조정합니다.
07 Execution & Growth · 성장가능성

작게 검증하고, 데이터가 쌓일수록 정확해지는 구조로 확장합니다.

0~3MONTHS

기술 검증

컬러 전문 미용사 인터뷰 · 모발 상태 변수 정의 · 인모 Hair Swatch 실험 · 기존 염색 공식 수집 · 스마트폰 색 분석 MVP

핵심 질문: 모발 상태와 배합 결과 사이에 예측 가능한 패턴이 실제로 존재하는가?
3~6MONTHS

MVP 저비용

카메라 + 표준조명 + 간단 Hair Scanner + 소프트웨어 + 전자저울. 미용사가 AI 추천값을 보고 직접 계량 → 초기 하드웨어 개발비 최소화

6~12MONTHS

미용실 Pilot 5~10개 매장

수집: 염색 전 상태 · 목표 색 · AI 추천 · 미용사 수정 · 실제 배합 · 사용량 · 남은 염색약 · 염색 후 결과 · 고객 만족도

1~2YEARS

자동 배합기 개발

축적된 배합·사용량 데이터를 기반으로 자동 정량 배합기 개발, 월 렌탈로 공급

2~3YEARS

플랫폼 확장 30 → 150 → 500 매장

브랜드별 염색 데이터베이스 구축, 제조사·프랜차이즈 대상 Prediction Model · API 공급

Data Flywheel

1개 미용실 → 수백 건 · 100개 → 수만 건 · 500개 → 대규모 실제 염색 데이터
사용 미용실 증가 염색 사례 증가 발색 데이터 증가 AI 예측 정확도 향상 미용사 만족도 상승 서비스 가치 상승 모발 상태 × 염색약 × 배합비 × 시술조건 × 실제 결과
경쟁사가 비슷한 하드웨어를 만들어도, 누적된 실제 발색 결과 데이터베이스는 단기간에 복제하기 어렵다. 장기 핵심 자산은 기계가 아니라 이 데이터다.
다크 브라운에서 애쉬 베이지로 이어지는 모발
08 Team · 팀
AI / DATA
[이름]

모발 이미지 분석 · 발색 예측 모델 · 데이터베이스

SOFTWARE
[이름]

고객·미용사용 웹·앱 · 고객 데이터 · 레시피 관리

HARDWARE
[이름]

Hair Scanner · 조명 시스템 · 센서 · 자동 디스펜서

BUSINESS / UX
[이름]

미용실 인터뷰 · Pilot 운영 · BM · 파트너십

외부 자문 · 협력
컬러리스트 + 염모제 전문가

전문 컬러리스트와 화장품·염모제 전문가를 자문단·협력 파트너로 확보

같은 염색약도,
모든 사람에게 같은 색이 나오지 않습니다.
COLORLOOP는
고객의 머리를 기억합니다.
“보여주는 AI를 넘어, 원하는 색이 실제로 나오게 하는 AI.”
SCANPREDICTFORMULATELEARN
COLORLOOP
1 / 8