질문을 하나만 남겨봅시다.
만약 Vertical Full-Stack Data가 AI 시대의 승부처라면, 왜 그 무대가 하필 Femtech여야 할까요.
이 장은 Femtech를 ‘좋은 시장’이라고 설득하기 위한 글이 아닙니다. 감정이나 당위의 언어를 쓰려는 것도 아닙니다. 대신, AI 산업의 구조라는 기준 위에 Femtech를 올려놓고, 이 시장이 왜 구조적으로 유리한지를 차분히 따져보려 합니다.
2.1 Femtech에 대한 가장 흔한 오해
Femtech = “여성 건강 앱, 소비재”
이 오해부터 정리해야 합니다. Femtech를 여성 건강 앱, 소비재, 혹은 특정 기능군으로 이해하면 이 산업은 늘 작게 보일 수밖에 없습니다.
[그림 2-1] 여성 건강의 문제는 특정 기능군이 아니라 생애 전반에 걸쳐 누적되는 건강 부담
여성 건강을
•
월경 / 임신 / 폐경 같은 “기능 시장”이 아니라
•
DALYs (질병 부담, Disability-Adjusted Life Years) 기준으로 제시
Source : World Economic Forum, Closing_the_Women’s_Health_Gap_2024
그러나 Femtech의 산업적 핵심은 ‘여성’이라는 타겟이 아니라, 여성의 생애주기 전반에서 반복적으로 발생하는 선택의 구조에 있습니다. 조금만 구체적으로 생각해보죠.
•
오늘 피임을 할 것인가
•
임신을 시도할 것인가, 미룰 것인가
•
병원을 갈 것인가, 데이터를 더 볼 것인가
•
이 신호를 넘길 것인가, 개입할 것인가
[그림 2-2] 특정 질병이 아닌, 일상 속 케어, 자기의사결정의 연속인 여성 건강
Source: WHO/UK Strategy
이 질문들에 대한 선택은 병원에서 의사가 대신 내려주지 않습니다. 대부분의 선택은 일상 속에서, 그것도 혼자 조용히 이루어집니다. 그리고 중요한 사실 하나. AI는 바로 이런 반복되는 선택이 있을 때만 학습할 수 있습니다.
체스 AI를 떠올려보면 이해가 쉽습니다. 한 판의 체스만 보고는 아무것도 배울 수 없습니다. 수백만 번의 게임이 반복될 때 비로소 패턴이 보입니다. 의료 AI도 마찬가지입니다. Femtech는 매일, 매 사이클마다 선택이 발생하는 드문 영역입니다.
수백만 번의 게임 필요한 체스 AI
매 사이클마다 선택이 발생하는 드문 영역, 펨테크
Femtech의 진짜 문제 단위 : 증상이 아니라, 의사결정
전통적인 헬스케어 서비스는 이렇게 작동해 왔습니다. 증상을 기록하고, 정보를 제공하고, 거기서 끝납니다. 데이터는 남지만, 다음 행동으로 이어지지 않습니다.
반면 Femtech 3.0 (1.0과 2.0의 개념은 곧 나옵니다) 이 다루는 문제 단위는 다릅니다.
핵심은 의사결정 → 행동 → 결과 → 다음 의사결정이라는 루프입니다. 이 루프가 닫힐 때, 데이터는 비로소 학습의 재료가 됩니다. 이 차이는 작아 보이지만, 산업의 성격을 완전히 바꿉니다.
기록 중심의 서비스는 데이터가 쌓여도 모델이 똑똑해지지 않습니다. 반면 의사결정 중심의 서비스는, 사용자가 서비스를 쓰는 행위 자체가 곧 학습 데이터를 만들어냅니다.
[그림 2-3] Femtech의 실제 문제 단위 : 증상 진단 vs 의사결정 지원
구분 | 증상 → 기능 (전통적) | 의사결정 → 행동 → 결과 (Femtech 3.0) |
관점 전환 | • 기록 중심
• 콘텐츠/가이드 제공
• 결과 측정 약함 | • 선택 만들고
• 행동 유도하며
• 결과를 다시 측정 |
AI 학습 |  학습 루프 미형성 |  Closed Loop로 학습 |
결과: 모델이 '맞았는지/틀렸는지' 학습할 신호가 부족 → 성능 정체/현장 불신/도입 실패
의료 AI가 실패하는 가장 흔한 구조: Open Loop
예측은 하지만, 행동·결과가 다시 모델로 돌아오지 않는다
의료 AI가 “성공”하려면 필요한 구조: Closed Loop
예측 → 행동(개입) → 결과 → 피드백(학습) 이 한 시스템 안에서 닫혀야 한다
실제 플레이어 사례로 보는 의사결정 루프(Decision Loop)
1.
Flo / Clue : 생리 주기 트레커
단순한 월경 추적 앱처럼 보이지만, 실제로는 매달 반복되는 건강·임신·피임 관련 선택을 데이터로 축적하는 구조입니다. 전 세계 2억 명 이상의 사용자가 매일 입력하는 데이터는 단순 기록이 아니라 '다음 선택'을 위한 학습 데이터가 됩니다.
Source : Growth Case Studies, Flo Retention Loop
Source : Clue app
2.
Natural Cycles : 디지털 피임약
체온 측정 자체보다 중요한 것은, 사용자가 매일 피임 여부를 결정하도록 만드는 행동 구조입니다. FDA 승인을 받은 최초의 디지털 피임법으로, 임신/비임신이라는 명확한 결과가 다시 알고리즘 학습에 사용됩니다.
Source : Natural Cycles
FDA 승인 디지털 피임법 (2018)
항목 | 데이터 |
정상 사용 효과성 | 93% |
완벽 사용 효과성 | 98% |
등록 사용자 | 300만+ |
Closed Loop 구조:
1.
매일 체온 측정 → 데이터 생성
2.
AI 분석 → 피임일/비피임일 예측
3.
사용자 행동 → 선택 실행
4.
결과 확인 → 임신 여부
5.
결과를 다시 알고리즘에 피드백
요약하면, 이렇습니다. Femtech는 기록 앱이나 콘텐츠 서비스가 아니라, 여성의 생애주기에서 의사결정이 가장 자주 발생하는 데이터 엔진입니다.
2.2 데이터는 어디에서 만들어지는가
일상인가, 병원인가
AI가 학습할 데이터는 어디에서 가장 많이 만들어질까요.
많은 사람들이 병원을 떠올립니다. 정밀한 검사, 정확한 수치, 신뢰도 높은 데이터. 맞는 말입니다. 하지만 한 가지 결정적인 약점이 있습니다. 빈도가 낮습니다.
병원 데이터는 연 1~2회 만들어집니다.
반면 일상 데이터는 매일, 혹은 매주 만들어집니다. AI에게 중요한 것은 ‘완벽한 한 번’이 아니라, ‘충분히 정확한 수백 번’입니다.
이 지점에서 Femtech는 독보적인 위치를 차지합니다.
생리 주기, 컨디션, 피임 여부, 수면, 스트레스는 모두 일상에서 반복적으로 생성되는 신호입니다. 게다가 이 데이터들은 단순 기록이 아니라, 다음 선택과 직접 연결됩니다.
비유하자면 이렇습니다.
병원 데이터가 고급 레스토랑의 한 끼라면, Femtech 데이터는 집에서 매일 먹는 식사에 가깝습니다. 화려하진 않지만, 반복되면서 취향과 패턴을 정확히 드러냅니다. AI는 후자를 통해 훨씬 더 많은 것을 배웁니다.
[그림 2-4] 헬스케어 데이터 소스에 따른 생성 빈도
데이터 소스 | 생성 빈도 | 데이터 품질 | AI 학습 적합성 |
병원 (Hospital) | 연 1-2회 (Low Frequency) | 
매우 정밀 |  빈도 부족 |
일상 (Daily Life) | 매일 또는 매주 (High Frequency) |
상대적으로 거침 | 압도적 우위 |
Femtech 영역 | 매일 (생리, 컨디션, 피임) |
충분히 정밀 |  최적 |
[그림 2-5] $265B 규모의 케어 서비스가 병원, 기관에서 Home으로 옮겨가고 있다
Source : Mckinsey & Company, From facility to home: How healthcare could shift by 2025
임상 방문으로는 놓치는 일상의 건강 패턴을 포착하는 것이 PGHD의 가치 : Patient-Generated Health Data (PGHD)
2.3 Femtech의 진화
Femtech 1.0에서, 2.0과 3.0로
Femtech는 대략 세 단계를 거쳐 진화해 왔습니다. 이 구분은 기술의 발전이 아니라, 데이터가 어떻게 쓰였는가를 기준으로 합니다.
•
Femtech 1.0은 기록의 시대였습니다.
사용자는 데이터를 입력했고, 서비스는 이를 보여주었습니다. 그러나 그 다음은 없었습니다.
대표적인 예 : 초기 Clue, 초기 Glow
•
Femtech 2.0은 해석의 시대였습니다.
개인화 리포트와 콘텐츠가 등장했지만, 여전히 선택은 사용자에게 맡겨졌습니다.
대표적인 예 : Flo (콘텐츠 강화 이후), Kindara, 웨어러블 연동 초기 단계의 서비스들
•
Femtech 3.0은 의사결정과 학습의 시대입니다.
선택이 구조적으로 반복되도록 설계되고, 행동이 서비스 안에서 발생하며, 결과가 다시 학습으로 돌아옵니다.
Natural Cycles
→ 매일 피임 여부를 결정하게 만들고
→ 임신/비임신이라는 명확한 결과를 다시 학습에 사용
이때부터 Femtech는 ‘앱’이 아니라, Vertical Full-Stack AI에 가까워집니다.
[그림 2-6] Femtech 진화 3단계 비교 핵심
구분 | Femtech 1.0 | Femtech 2.0 | Femtech 3.0 |
문제 단위 | 증상 기록 | 상태 해석 | 의사결정 |
사용자 행동 | 입력 | 입력 + 읽기 | 선택 + 실행 |
서비스 역할 | 기록 보관 | 정보·리포트 제공 | 결정 유도 + 실행 설계 |
데이터 흐름 | 기록에서 종료 | 해석 후 종료 | 결과가 다시 학습으로 회수 |
행동 발생 위치 | 서비스 밖 | 서비스 밖 | 서비스 안 |
결과 라벨 | 없음 | 약함 | 명확 (임신/비임신 등) |
AI 학습 가능성 | 불가 | △ 제한적 | Closed Loop |
대표 사례 | 초기 Clue, Glow | Flo(콘텐츠 강화), Kindara | Natural Cycles |
2.4 소결
AI 시대, 왜 펨테크인가
CH1에서 살펴보았듯이, AI 학습에 필요한 조건은 명확합니다.
•
데이터가 일상에서 생성될 것
•
행동이 반복될 것
•
결과가 다시 데이터로 돌아올 것
이 세 가지 조건을 동시에 만족하는 산업은 많지 않습니다.
•
생리, 피임, 임신은 일상에서 발생하는 데이터이고
•
선택은 매일 혹은 매 사이클 반복되며
•
임신/비임신, 주기 변화 같은 명확한 결과가 존재합니다
실증 근거: Flo 무작위 대조 실험
무엇보다 중요한 점은, 이 모든 과정이 서비스 안에서 일어난다는 사실입니다. 그래서 Femtech는 억지로 루프를 만들 필요가 없는, 구조적으로 AI 학습에 유리한 Vertical입니다.
왜 펨테크가 기회인가
이 조건을 동시에 만족하는 산업은 많지 않기 때문에, 더 소중한 기회입니다. 이유는 간단합니다. 대부분의 산업은 이 세 가지 중 하나 이상에서 구조적으로 막히기 때문입니다.
먼저, 많은 산업에서 데이터는 일상이 아니라 사건이 발생한 뒤에야 만들어집니다. 병원 진료, 보험 청구, 금융 거래, 법률 상담이 그렇습니다. 정밀하긴 하지만, 자주 일어나지는 않습니다.
다음으로, 행동이 반복되도록 설계된 산업도 드뭅니다. 지속적인 선택과, 그 선택을 피할 수 없게 만드는 구조가 함께 존재해야 하기 때문입니다.
마지막으로, 결과가 다시 데이터로 돌아오는 경우는 더 드뭅니다. 결과가 늦게 오거나, 불분명하거나, 아예 서비스 밖에서 발생하는 경우가 대부분입니다. 그래서 많은 산업은 완전한 루프가 아니라 ‘부분 루프’에 머무릅니다.
반면 Femtech는 다릅니다. Femtech는 이 드문 조건을 자연스럽게 만족합니다.
산업 유형 | 일상 데이터 | 반복 행동 | 결과 학습 |
전통 헬스케어 | | | △ |
웰니스 앱 |  | △ | |
B2B SaaS | △ | | |
금융·보험 | | △ | △ |
다음 장에서는, 이 구조가 왜 재생산 건강에서 가장 먼저 검증될 수밖에 없는지를 살펴보려 합니다.