무슨 신호인가요?
업계 보도에 따르면 메이블린 뉴욕은 챗GPT 안에서 실시간 가상 메이크업 피팅을 제공하는 첫 화장품 브랜드가 됐습니다. 기술은 로레알의 증강현실 기술인 ModiFace 이고, 이용자는 챗GPT 의 앱 메뉴에서 '메이블린'을 검색해 연결합니다. 추천은 상황(occasion)과 피부 언더톤, 개인 스타일을 기준으로 이루어지고, 기기의 실시간 카메라나 업로드한 사진으로 제품과 색을 미리 볼 수 있습니다. 대상 품목은 입술·눈·페이스·브로우 네 갈래이고, 'Where to Buy' 기능이 지역의 오프라인 매장과 온라인 판매처로 연결합니다.
토대는 몇 달 전에 깔렸습니다. 로레알과 OpenAI 는 2026년 6월 17일 비바테크에서 협업을 발표했고, 로레알의 공식 보도자료는 메이블린 뉴욕이 메이크업 가상 피팅을 챗GPT 에 직접 들여와 대화로 실시간 메이크업 룩을 시도하게 한다고 적었습니다. 같은 발표에는 OpenAI 의 최신 모델이 로레알의 사내 생성형 콘텐츠 플랫폼 CreAItech 를 함께 구동한다는 내용도 들어 있습니다. ModiFace 는 로레알이 2018년에 인수한 회사로, 70개국 넘는 지역의 200개 이상 웹사이트에 가상 피팅과 피부 진단을 제공해 왔습니다.
가상 피팅 자체는 새롭지 않습니다. 브랜드 자사몰, 리테일러 앱, 소셜 커머스에 이미 붙어 있었습니다. 저희가 이번 신호를 다르게 보는 지점은 피팅이 붙은 자리입니다. 지금까지의 가상 피팅은 소비자가 이미 브랜드나 매장을 고른 뒤에 열리는 화면이었습니다. 범용 대화형 도구 안에 들어가면 브랜드를 고르기 전의 대화, 즉 '이 자리에 뭐가 어울릴까'라는 질문 단계에서 제품이 호출됩니다. 진열의 앞단이 한 칸 앞으로 당겨진 셈입니다.
그래서 바뀌는 것은 마케팅 채널이 아니라 제품을 설명하는 방식입니다. 매장에는 테스터와 조명, 직원의 설명이 있지만 대화창에는 그중 아무것도 없습니다. 추천과 가상 발색이 참조할 수 있는 것은 제품에 붙어 있는 구조화된 정보뿐이고, 소비자가 보는 색은 그 정보를 근거로 화면에 그려진 색입니다. 제품 데이터가 곧 매대이고, 색 데이터가 곧 발색이 됩니다.
이 신호를 읽을 때 한계가 넷 있습니다. 첫째, 공개 시점 표기가 매체마다 달라 정확한 출시일을 하나로 확정하기 어렵습니다(10월 말 공개로 보도된 건과 11월 초 주간 리뷰에 포함된 건이 섞여 있습니다). 둘째, 이용자 수나 전환율, 매출 효과 같은 성과 데이터는 공개되지 않았습니다. 셋째, 지원 지역과 언어 범위가 공개 자료로 확인되지 않아 한국에서 같은 경험이 열리는지는 별도로 확인해야 합니다. 넷째, 적용 범위는 한 브랜드의 색조 품목이며, 아래의 개발 판단은 공개된 기능 설명을 근거로 한 저희 해석이지 이 방식이 표준이 된다는 전망은 아닙니다.
1. 대화창에 진열되는 것은 제품이 아니라 제품 데이터입니다
추천 기준이 상황과 언더톤, 스타일이라면 그 기준에 걸리는 제품만 호출됩니다. 매장에서는 색 이름이 감성적이어도 소비자가 테스터로 직접 확인하고 직원이 설명을 보탰습니다. 대화창에는 그 보완 장치가 없습니다. 제품이 어떤 언더톤에 맞고 어떤 마감인지가 데이터로 적혀 있지 않으면, 그 제품은 추천의 후보에 들어가지 못합니다.
그래서 개발 단계에서 정해야 하는 항목이 늘어납니다. 지금까지 처방 확정 시점에 함께 결정하던 것은 색상, 제형, 용기, 수량이었습니다. 여기에 색을 설명하는 값이 붙습니다. 측색값, 언더톤 분류(쿨·뉴트럴·웜), 마감(매트·새틴·글로시), 커버력 단계, 권장 상황 같은 항목입니다. 이들은 마케팅이 나중에 붙이는 수식어가 아니라 실험실에서 측정으로 나오는 값입니다.
순서가 중요합니다. 색 이름과 패키지 문구를 먼저 정하고 데이터를 뒤에 맞추면, 같은 제품이 자사몰·리테일러·마켓플레이스마다 다른 분류로 올라갑니다. 반대로 처방 확정 회의에서 측정값과 분류를 같이 확정하면, 그 한 벌의 데이터가 모든 창구에 그대로 들어갑니다. 채널이 늘어날 때 추가되는 작업은 번역뿐입니다.
OEM·ODM 으로 개발하는 경우에는 이 데이터를 누가 만들어 넘길지도 정해야 합니다. 측색 조건과 장비, 조명 기준이 다르면 같은 제품의 값이 달라집니다. 개발 의뢰 단계에서 '어떤 조건으로 측정한 어떤 값을 함께 받을지'를 사양서에 적어 두는 쪽이, 출시 직전에 숫자를 다시 재는 것보다 저렴합니다.
마지막으로 이 작업은 색조에서만 끝나지 않습니다. 스킨케어도 질감, 사용 시점, 피부 타입, 함께 쓰는 단계 같은 속성으로 설명되어야 추천 대상이 됩니다. 색조가 먼저 열린 것은 가상 피팅으로 보여 줄 것이 분명했기 때문이고, 설명해야 할 속성이 있다는 조건은 카테고리를 가리지 않습니다.
- 측색값·언더톤 분류·마감·커버력을 처방 확정과 같은 회의에서 정했는지
- 색 이름보다 속성 데이터를 먼저 확정하는 순서로 바꿨는지
- 측정 조건(장비·조명·기준)을 개발 사양서에 적었는지
- 스킨케어 품목도 질감·사용 시점·피부 타입으로 설명해 두었는지
2. 화면의 발색은 약속입니다
가상 피팅은 제품의 색 데이터를 얼굴 영상 위에 올려 그립니다. 소비자는 그 화면을 보고 구매를 결정합니다. 그러면 화면과 실물의 차이는 취향 문제가 아니라 기대 불일치가 되고, 기대 불일치는 반품과 낮은 리뷰 점수로 돌아옵니다. 매장에서는 손등에 발라 보고 사지 않는 선택지가 있었지만, 화면에서 본 색을 받아 본 사람에게는 그 선택지가 이미 지나간 뒤입니다.
그래서 색 관리가 품질 항목에서 전환율 항목으로 올라갑니다. 처방 단계에서 정해 둘 것은 표준색과 한도견본, 그리고 배치 간 색차 허용 범위입니다. 색차를 숫자로 끊어 두지 않으면 '비슷하다'의 기준이 담당자마다 달라집니다. 허용 범위를 어디까지 좁힐지는 안료 단가와 생산 수율에 바로 영향을 주므로, 마케팅이 아니라 개발과 생산이 같이 정해야 하는 숫자입니다.
제형에 따라 난이도가 다릅니다. 불투명한 매트 제형은 화면 재현이 비교적 단순하지만, 투명도와 광택이 함께 작동하는 립 글로스나 발색이 시간에 따라 변하는 틴트, 피부에서 산화와 밀착으로 톤이 움직이는 베이스 제형은 화면에서 본 한 장면과 실제 사용 몇 시간 뒤가 더 크게 벌어집니다. 가상 피팅을 전제로 하는 품목이라면 '바른 직후'와 '몇 시간 뒤'를 모두 색 사양에 넣어야 합니다.
원료 쪽에서도 확인이 필요합니다. 같은 안료라도 로트가 바뀌면 색이 움직이고, 베이스의 황변이나 보존 기간 중 변색이 겹치면 초기 배치와 후속 배치가 달라집니다. 안료 공급 로트 관리와 경시 색 변화 시험을 개발 일정에 넣어 두는 쪽이, 출시 뒤 색이 달라졌다는 문의를 받고 원인을 찾는 것보다 빠릅니다.
운영 항목도 하나 생깁니다. 배치별 측색 기록을 남겨 두면 소비자 문의가 들어왔을 때 '어느 배치가 어디까지 벗어났는지'를 확인할 수 있습니다. 기록이 없으면 같은 문의가 들어와도 설명할 근거가 없고, 재발을 막을 지점도 특정되지 않습니다.
- 표준색·한도견본과 배치 간 색차 허용 범위를 숫자로 정했는지
- 허용 범위를 개발·생산·마케팅이 같이 합의했는지
- '바른 직후'와 '몇 시간 뒤' 색을 모두 사양에 넣었는지
- 안료 로트 관리와 경시 색 변화 시험, 배치별 측색 기록을 일정에 넣었는지
3. 섀이드는 개수가 아니라 체계로 설명돼야 합니다
추천이 언더톤과 상황을 기준으로 돌아간다면, 분류되지 않은 색 스무 개보다 축이 정리된 색 여덟 개가 더 자주 호출될 수 있습니다. 저희 해석이지만 근거는 단순합니다. 매칭은 속성으로 이루어지고, 속성이 비어 있는 색은 어떤 질문에도 답이 되지 못합니다. 섀이드를 늘리는 투자보다 섀이드를 설명하는 투자가 먼저인 이유입니다.
섀이드 확장에는 비용이 따라붙습니다. 품목 수가 늘면 한 품목에 배정되는 생산 수량이 쪼개지고, 색마다 안료 조합과 한도견본, 안정성 데이터가 따로 필요합니다. 코스랩은 1,000개 이상 프로젝트를 상담하며, 실제 가능 여부는 처방·용기·원료·공정·사양에 따라 달라집니다. 색을 하나 더 늘릴 때 늘어나는 것이 재고만이 아니라 관리해야 할 색 사양의 수라는 점을 수량 계획에 반영해야 합니다.
그래서 1차 출시 조합은 축을 덮는 최소 단위로 설계하는 쪽이 안전합니다. 언더톤(쿨·뉴트럴·웜)과 명도, 그리고 마감 한두 가지를 교차해 빈칸이 없는 최소 세트를 만들고, 확장은 실제 판매와 문의 데이터가 나온 뒤에 비는 칸을 채우는 순서입니다. 처음부터 촘촘하게 깔면 어느 색이 왜 팔렸는지 읽을 수 없습니다.
이름 규칙도 같이 정해야 합니다. 감성적인 색 이름은 브랜드 자산이지만 매칭 근거는 아닙니다. 제품명이나 설명에 언더톤과 명도, 마감을 가리키는 속성어가 함께 들어가 있어야 검색과 추천에서 걸립니다. 두 가지를 섞는 방법은 간단합니다. 색 이름은 유지하고, 설명 필드에 속성어를 고정 형식으로 넣는 것입니다.
수출 품목이라면 이름과 속성어를 시장별로 다시 봐야 합니다. 언더톤을 표현하는 어휘와 선호하는 명도 범위는 시장마다 다르고, 번역된 색 이름이 현지에서 다른 뜻으로 읽히는 경우도 있습니다. 1차 출시 시장을 정한 뒤 그 시장의 어휘로 속성어를 확정하면, 같은 데이터를 여러 창구에 그대로 쓸 수 있습니다.
- 1차 섀이드를 언더톤·명도·마감 축의 빈칸 없는 최소 세트로 끊었는지
- 섀이드 수 증가가 품목당 생산 수량과 색 사양 관리량에 주는 영향을 수량 계획에 넣었는지
- 색 이름과 별도로 속성어를 설명 필드에 고정 형식으로 넣었는지
- 출시 시장의 어휘로 언더톤·명도 표현을 확정했는지
4. '어디서 사나'가 붙으면 유통 가능 여부가 사양이 됩니다
이번 기능에는 추천과 가상 발색 다음에 'Where to Buy' 가 붙어 있습니다. 보도에 따르면 이 기능은 지역의 오프라인 매장과 온라인 판매처로 연결합니다. 추천을 받은 사람이 같은 화면에서 구매 경로를 확인한다는 뜻이고, 그 자리에서 살 수 없는 제품은 추천을 받아도 수요가 새어 나갑니다.
브랜드사 입장에서 이 구조는 '노출'과 '판매 가능 상태'를 한 줄로 묶습니다. 지금까지는 해외 노출이 늘면 유통을 붙이는 순서였지만, 추천 창구가 구매 경로까지 안내한다면 노출 시점에 그 시장에서 팔 수 있는 상태여야 합니다. 등록과 라벨, 현지 책임 주체, 재고 위치가 모두 제품 사양의 일부로 올라옵니다.
색조는 여기서 한 겹이 더 있습니다. 색소는 시장별로 허용 목록이 따로 있고, 눈 주위처럼 적용 부위에 따라 사용 가능 범위가 달리 정해지는 영역입니다. 화면에서 본 색이 그 시장에서는 쓸 수 없는 색소로 만든 색일 수 있습니다. 출시 시장 조합을 처방 전에 확정하고, 그 시장들의 공통 허용 범위 안에서 색소를 선택하면 한 처방으로 여러 시장을 덮을 여지가 생깁니다.
반대로 시장을 나중에 추가하는 순서는 색을 다시 만드는 작업이 됩니다. 색소를 교체하면 색이 달라지고, 색이 달라지면 측색값과 한도견본, 가상 피팅에 쓰이는 색 데이터까지 다시 맞춰야 합니다. 앞서 쌓은 색 데이터가 시장마다 갈라지는 순간 관리 비용이 품목 수만큼 곱해집니다.
실무적으로는 1차 출시 시장을 두 묶음으로 나눠 보시기 바랍니다. 지금 당장 유통이 붙는 시장과 12개월 안에 붙일 시장입니다. 두 묶음의 색소 허용 범위 교집합으로 처방을 설계하면, 뒤 묶음이 열릴 때 처방을 건드리지 않고 라벨만 바꾸면 됩니다.
- 노출 시점에 그 시장에서 판매 가능한 상태인지(등록·라벨·책임 주체·재고) 확인했는지
- 출시 시장 조합을 처방 확정 전에 정했는지
- 색소를 대상 시장들의 공통 허용 범위 안에서 선택했는지
- 시장 추가 시 처방을 건드리지 않아도 되는 구조로 설계했는지
5. 아직은 한 브랜드의 색조 앱입니다
범위를 과장하지 않는 것이 중요합니다. 공개된 것은 한 브랜드의 네 갈래 색조 품목이고, 성과 데이터는 나와 있지 않으며, 이것이 플랫폼의 표준 진열 방식이 된다는 발표도 아닙니다. 지원 지역과 언어 범위도 공개 자료로 확인되지 않습니다.
그래서 지금 투자할 곳은 특정 창구의 연동이 아니라 어느 창구에서나 쓰이는 자산입니다. 측색값과 속성 분류, 색차 허용 범위, 배치별 측색 기록은 챗봇이 아니라 자사몰과 리테일러 앱, 마켓플레이스 상품 정보, 심지어 사내 품질 관리에서도 그대로 쓰입니다. 이 작업은 연동이 열리지 않아도 손실이 아닙니다.
반대로 피해야 할 것은 AI 노출을 전제로 섀이드를 미리 늘리거나 품목을 벌리는 결정입니다. 수요 데이터가 없는 상태에서 품목을 늘리면 재고와 색 사양 관리량이 먼저 늘고, 그 비용은 노출이 열리지 않아도 그대로 남습니다.
지켜볼 지표는 셋입니다. 지원 지역과 언어가 넓어지는지, 다른 브랜드와 카테고리(특히 피부 진단을 쓰는 스킨케어)로 같은 방식이 번지는지, 그리고 추천 근거로 쓰이는 속성이 무엇인지 공개되는지입니다. 세 번째가 가장 실무적입니다. 어떤 속성으로 매칭하는지 알면 제품 데이터에서 먼저 채울 칸이 정해집니다.
그때까지 할 일은 단순합니다. 다음 제품의 색을 숫자로 정의하고, 그 숫자를 양산에서 지킬 범위를 합의하고, 기록을 남기는 것입니다. 창구가 늘어날 때 준비된 쪽은 데이터를 복사해 붙이고, 준비되지 않은 쪽은 제품을 다시 재야 합니다.
- 창구 연동보다 측색값·속성 분류·색차 범위·측색 기록에 먼저 투자했는지
- AI 노출을 전제로 섀이드나 품목을 미리 늘리지는 않았는지
- 지원 지역·카테고리 확대와 매칭 속성 공개를 모니터링 항목에 넣었는지
- 지금 만든 데이터가 자사몰·리테일러·마켓플레이스에도 그대로 쓰이는 형식인지
제품 기획서에 먼저 적을 질문
'AI 채널 대응'이라고 적힌 줄을 지우고 두 줄로 바꿔 보시기 바랍니다. 첫 줄은 색을 숫자로 정의하는 일입니다. 측색값, 언더톤 분류, 마감, 커버력, 권장 상황을 처방 확정과 같은 회의에서 함께 확정했는지입니다. 둘째 줄은 그 숫자를 양산에서 지키는 범위입니다. 표준색과 한도견본, 배치 간 색차 허용 범위, 측색 기록 방식을 개발과 생산이 같이 합의했는지입니다.
그다음에 적을 것은 섀이드와 시장의 조합입니다. 1차 출시 섀이드가 언더톤과 명도 축의 빈칸을 덮는 최소 세트인지, 그리고 그 색이 1차·2차 출시 시장의 공통 색소 허용 범위 안에서 만들어졌는지를 확인하십시오. 이 두 가지가 맞으면 창구가 늘어나도 처방을 다시 열지 않습니다.
마지막 한 줄은 책임입니다. 이 데이터를 누가 만들고, 어떤 조건으로 측정하고, 어디에 보관하는지 정해지지 않으면 데이터는 출시 직전에 급하게 만들어지고 창구마다 달라집니다. 오늘 기획서에 더할 가장 유용한 한 줄은 '우리 제품의 색을 누가, 어떤 조건으로 측정해 어떤 형식으로 남기는가'입니다.
참고한 자료
- L'Oréal and OpenAI join forces for Transformation in Beauty with AI — L'Oréal, 2026-06-17
- Maybelline Launches AI Makeup Virtual Try-On in ChatGPT — BeautyMatter
- Maybelline Launches Virtual Make-Up Try-On in ChatGPT — Global Cosmetics News
화장품 개발을 준비 중이라면 화장품 제작·개발 가이드와 MOQ 1,000개 가이드도 확인하세요.