PackScan AI 사업계획서 (상세버전)

• 서비스 한 줄 요약

  • 식품·뷰티·생활용품 중소 제조사가 포장재 설계 단계에서 제로웨이스트 규제 적합성·소비자 반응·원가 효과를 단 한 번의 이미지 업로드로 동시에 예측하는 버티컬 AI SaaS 에이전트

• 핵심 가치

  • 해결하는 문제: 제로웨이스트 포장 솔루션 시장이 CAGR 10%로 성장하는 가운데, 국내 중소 식품·뷰티 제조사는 ①EU PPWR·한국 재활용 등급제 등 복잡한 다국가 규제를 설계 초기에 검증할 전문 인력이 부재하고, ②소비자 반응 검증(FGI, 설문 등)에 수백만 원의 고비용·수 주의 시간이 소요되어 설계→출시 사이클이 지연되는 이중 장벽에 직면
  • 해결 방식: 포장재 이미지·소재 정보 업로드 한 번으로 규제 적합성 분석, 소비자 감성 예측, 원가·탄소 시뮬레이션을 단일 AI 에이전트가 수 분 내 동시 처리하여, 기존 컨설팅 건당 수백만 원의 비용을 월 199,000원의 구독으로 대체
  • 정량적 가치 요약:

• 목표 시장·목표 사용자 수

  • TAM: 전 세계 제로웨이스트 포장 솔루션 시장 2024년 기준 27억 달러(약 3.7조 원), CAGR 10% 성장 전망
  • SAM: 식품·뷰티 특화 포장재 설계·컨설팅 영역 약 5.4억 달러(약 7,400억 원) (전체 솔루션 시장의 약 20% 추산)
  • SOM: 국내 화장품 제조·용기포장 기업 115개사 및 식품 중소 OEM 업체를 초기 핵심 타겟으로 설정
  • 서비스 출시 후 12개월 내 유료 고객사 200개사 확보 목표 (월 구독 기준 연간 ARR 약 4.8억 원)
  • 중장기적으로 K-뷰티·푸드 수출 기업 및 동남아·EU 현지 중소 제조사로 확장

• 요청 자금·리소스 요약

  • 초기 제품 개발(MVP) 및 출시 후 6개월 운영: 약 3억 원 소요 추정
  • 핵심 구성: 개발(AI 엔진·백엔드·프론트엔드) 약 1.8억 원, 규제 DB 구축·법률 자문 약 0.5억 원, 마케팅·영업 약 0.4억 원, 운영 예비비 약 0.3억 원
  • 시드 투자 및 중소벤처기업부·환경부 정부 지원 사업(K-스타트업, 환경 혁신 펀드 등) 병행 검토

---

• AI 규제 판정 오류 시 고객사의 법적·재무적 손해로 이어져 서비스 신뢰도 붕괴 및 소송 리스크 직결
• 국내 화장품·식품 포장 중소기업 115개사 중심의 초기 SOM이 지나치게 협소하여 ARR 4.8억 원 달성을 위한 실제 지불 의향 고객 모수 부족 가능성
• 소비자 리뷰 크롤링의 법적 허용 범위(올리브영·쿠팡·화해 robots.txt 정책)와 데이터 품질 불확실성으로 핵심 기능 구현 자체가 지연될 가능성
• 규제 DB 구축·법률 자문 비용(0.5억 원)이 심각하게 과소추정되어 있어, Phase 1 내 현금 소진 가능성
• 직접 경쟁사 부재를 기회로 해석하고 있으나, 실제로는 '시장 자체가 존재하지 않을 수 있음'을 반증하는 신호일 수 있음

• 글로벌 친환경 규제 강화 및 표준화 가속

  • EU의 포장재 및 포장 폐기물 규정(PPWR)을 필두로 전 세계적으로 재활용 가능성, 재생원료 사용 의무화 등 규제 강화 추세 [서비스 정보]
  • 대기업들은 SGS 등 제3자 감사를 통해 ISO 14021, ISCC PLUS와 같은 국제 인증을 획득하며 규제 준수 및 신뢰성 확보에 주력 [2]

• 기업의 대응: B2B ESG 솔루션 도입 및 재생원료 사용 확대

  • 폐기물 관리(WAYBLE circular), 탄소 회계 관리(WAYBLE decarbon) 등 특정 영역에 특화된 B2B SaaS 솔루션을 도입하여 규제에 대응하는 기업 증가 [1]
  • 하인츠(Heinz) 등 글로벌 식품 기업은 ISCC PLUS 인증을 받은 재활용 플라스틱 사용 비중을 39%까지 확대하며 친환경 포장재 전환을 선도 [2]

• K-뷰티·푸드 글로벌 확장에 따른 수출 장벽 부상

  • K-뷰티·푸드의 글로벌 수출이 확대됨에 따라, 해외 현지 포장재 규제 준수가 핵심적인 수출 요건으로 부상 [4]
  • 특히 한국, 미국, 일본 등 주요 시장에서 소비자 리뷰가 폭발적으로 증가(예: 한국 보습 제품군 리뷰 4.7만 건)함에 따라, 현지 소비자 반응을 고려한 패키징 전략의 중요성 증대 [4]

• 국내 중소 제조사의 대응 필요성 증대

  • 국내 화장품 제조 기업(105개) 및 용기·포장 기업(10개) 등 다수의 중소기업이 친환경 표준 적용의 직접적인 영향권에 편입 [5]

출처: 서비스 정보 내 [자료 5]

• 산업 특화 버티컬 AI 에이전트의 부상

  • 범용 LLM을 넘어, 포장재 설계와 같이 특정 산업(Vertical)의 복잡한 문제를 해결하는 전문 AI 에이전트(Agent)로 기술 트렌드 이동

• B2B SaaS 플랫폼의 보편화

  • 폐기물 관리(WAYBLE) [1], 통합 경영지원(STELLA) [3] 등 전문 영역의 B2B SaaS가 중소·스타트업의 필수 경영 도구로 자리매김
  • 특히 STELLA와 같이 리소스가 부족한 성장기업을 타겟으로 한 맞춤형 플랫폼 시장 확대 [3]

• AI 기반 ESG 데이터 관리 자동화

  • 기업의 탄소 배출량(Scope 1,2,3) 현황 파악부터 감축 로드맵 수립까지 지원하는 SaaS 서비스가 등장하며 ESG 데이터 관리의 자동화·효율화 촉진 [1]
  • AI 기술의 신뢰성·책임성·보안성 등 윤리적 기준 준수가 서비스 도입의 주요 고려사항으로 부각 [3]

• 고객 데이터 기반 의사결정 기술의 고도화

  • K-뷰티 시장에서 수만 건의 소비자 리뷰를 분석하여 제품 기획에 반영하는 것이 표준 프로세스로 정착 [4]
  • 자연어 처리(NLP)를 통한 감성 분석 기술을 활용, 정성적인 소비자 반응을 정량적인 예측 데이터로 변환하는 기술 성숙

PackScan AI 핵심 기술 도입 타당성
차트 종류 변경 ▾

---

친환경 포장재로 전환을 고려하는 중소 제조사는 규제, 소비자, 비용이라는 세 가지 핵심 문제를 동시에 해결해야 하는 딜레마에 직면

• 문제 1: 복잡한 글로벌 규제, 검증할 전문가의 부재

  • EU PPWR, 한국 재활용 등급제 등 국가별·실시간으로 변경되는 규제를 중소기업 내부 인력이 모두 파악하고 포장재 설계에 반영하는 것은 사실상 불가능 [서비스 정보]
  • 외부 컨설팅은 건당 수백만 원의 높은 비용이 발생하며, 설계 변경 시마다 반복적으로 의뢰해야 해 비효율적

• 문제 2: 불확실한 소비자 반응, 검증에 따르는 높은 비용과 시간

  • 친환경 포장에 대한 소비자 선호는 확인되나, 자사 제품의 특정 포장재 변경이 실제 구매 전환으로 이어질지 예측하기 어려움
  • 소비자 반응을 검증하기 위한 FGI, 설문조사 등은 높은 비용과 긴 시간이 소요되어, 빠르게 변화하는 시장 트렌드에 적시 대응 실패

• 문제 3: 정량화 불가, 효과 예측의 어려움

  • 포장재 변경에 따른 원가 변동, 탄소발자국 감소량을 설계 단계에서 정량적으로 예측할 도구가 없어, 경영진 설득 및 투자 의사결정에 필요한 근거 데이터 확보에 실패

---

• PackScan AI: 포장재 소재·구조 이미지 또는 스펙 텍스트를 입력하면 규제 적합성·소비자 반응 예측·원가 및 탄소발자국 효과를 동시에 산출하는 식품·뷰티 특화 버티컬 AI SaaS 에이전트
• 제공 형태: 웹 기반 SaaS 플랫폼 (PC 브라우저 우선 → 모바일 반응형 지원), 향후 API(BaaS) 제공 로드맵 포함
• 사용 대상: 포장재·규제·데이터 전문 지식이 없는 중소 제조사 제품 기획자·구매 담당자도 즉시 사용 가능한 노코드(No-Code) UX 설계 원칙 적용
• 에이전트 특성: 사용할수록 식품 파우치·화장품 용기 등 특정 카테고리 데이터가 축적되어 분석 정확도가 지속적으로 향상되는 자기 강화형(Self-Improving) 에이전트 구조

기능 1: 규제 적합성 자동 분석 (Compliance Check)

• 포장재 소재·구조 이미지 업로드 시 AI가 소재 종류·재활용 등급 자동 식별 후 분석 개시
• 지원 규제 범위 (초기):
  • 한국: 재활용 가능 등급제(환경부 고시), 포장재 재질·구조 개선 기준
  • EU: 포장재 및 포장폐기물 규정(PPWR, EU 2025/40), PFAS·BPA 함유 제한
  • 미국: 캘리포니아 SB 54, FTC 그린가이드(추후 추가)
• 비동기 처리로 분석 중 다른 작업 병행 가능, 완료 시 이메일·앱 내 알림
• 규제별 적합/부적합/주의 항목을 컬러 코드(Green/Red/Yellow)로 직관적 표시
• 부적합 항목별 구체적 개선 권고안 자동 생성 (예: "PE 코팅 제거 후 단일 소재 전환 시 재활용 1등급 달성 가능")
• 규제 데이터베이스 분기별 자동 업데이트 및 변경 사항 알림 발송

기능 2: 소비자 반응 예측 (Consumer Sentiment Prediction)

• 분석 대상 제품 카테고리 선택 시 유사 제품군의 친환경 포장 관련 소비자 리뷰 자동 크롤링·수집
• 수집 플랫폼 (초기): 올리브영, 쿠팡, 화해, 아마존(미국·일본)
• NLP 기반 감성 분석으로 '포장재 교체 시 예상 소비자 긍정 반응률(%)' 수치 산출
• 분석 결과 예시: "식품 파우치 → 재생지 파우치 전환 시 해당 카테고리 소비자 긍정 반응률 +23% 예상"
• 긍정·부정 반응의 핵심 키워드 및 실제 리뷰 발췌 근거 함께 제시 (설명 가능한 AI)
• K-뷰티 소비자 KBF(Key Buying Factor) 데이터 지속 축적·학습으로 예측 정확도 향상

기능 3: 원가·탄소발자국 시뮬레이션 리포트 (Impact Report)

• 현재 포장재 vs. 제안 대안 포장재 간 원가 차이 자동 계산 (국내 포장재 평균 단가 DB 기반)
• 탄소발자국 감소량(CO₂e) 자동 산출 (소재별 LCA 데이터 적용)
• 출력 예시: "월 10만 개 생산 기준, 연간 원가 절감 1,200만 원 / 탄소 감소 45tCO₂e 예상"
• 결과 기반 과금(건당 15,000원)의 가치 증명 근거 데이터로 직접 활용
• PDF·CSV 리포트 다운로드 지원 (경영진 보고·ESG 공시 자료 활용 가능)
• 탄소 감소량은 WAYBLE decarbon 등 외부 탄소 회계 시스템과 연동 가능한 형식으로 출력

기능 4: 3단계 에이전트 모드 (Agent Mode)

• 관전 모드(Observe): 분석 리포트 열람 전용. 기본 플랜(건당 15,000원)에 포함
• 지원 모드(Assist): 규제 적합·소비자 선호에 최적화된 포장재 설계 개선 초안 자동 생성 제안. 월 구독 플랜(199,000원) 이상
• 자율 모드(Autonomous): AI가 최적 친환경 포장재 공급사를 자동 선별 후 견적 요청 발송. 추후 B2B 마켓플레이스 연동 시 활성화

기능 5: 규제 변경 모니터링 & 알림 (Regulation Alert)

• 사용자가 등록한 포장재 소재·수출 대상국 기반으로 신규 규제 변경 발생 시 자동 알림
• 규제 변경이 기존 분석 결과에 미치는 영향 재분석 리포트 자동 생성

• 진입 방식: 포장재 이미지(JPG/PNG) 또는 소재 스펙 텍스트 입력 → 분석 자동 개시 (3단계 이내 완료)
• 대시보드 구성:

• 리포트 형식: 웹 내 인터랙티브 뷰 + PDF/CSV 다운로드
• 협업 기능: 팀원 초대, 분석 결과 내부 공유·코멘트 기능
• 반응형 웹: PC 브라우저 최우선 지원, 모바일 조회 가능
• 언어 지원 (초기): 한국어, 영어 (향후 일본어·중국어 추가)

PackScan AI 핵심 기능 사용자 가치 배분
차트 종류 변경 ▾

---

• 기존 방법 또는 간접 경쟁 솔루션

  • 외부 규제 컨설팅 펌: 포장재 규제 적합성에 대한 전문 자문을 제공하는 법무·행정·환경 컨설팅 기업
  • 범용 ESG 관리 SaaS: 기업의 전반적인 ESG 데이터(탄소배출량 등)를 관리하고 리포팅하는 소프트웨어 (예: SK에코플랜트 WAYBLE [1])
  • 소비자 리서치 전문 기관: FGI, 설문조사 등을 통해 신규 포장재에 대한 소비자 반응을 조사하는 기관
  • 사내 전담 인력/수동 검토: 기업 내부 인력이 직접 각국 규제 문서를 확인하고 포장재 설계를 검토하는 방식

• 각 대안의 단점 분석

  1. 외부 규제 컨설팅 펌: 건당 수백만 원에 달하는 높은 비용 발생, 설계 변경 시마다 반복적인 의뢰 필요, 실시간 피드백의 어려움 [문제 정의]
  2. 범용 ESG 관리 SaaS: 포장재 '설계 단계'에 특화된 기능 부재, 규제 분석 및 소비자 반응 예측 기능 미비 [1, 3]
  3. 소비자 리서치 전문 기관: 높은 비용과 최소 수 주 이상 소요되는 시간, 빠르게 변하는 시장 트렌드에 대한 적시 대응 실패 [문제 정의]
  4. 사내 전담 인력/수동 검토: 높은 고정 인건비 부담, EU·미국 등 다국가 규제에 대한 전문성 확보 한계, 인적 오류(Human Error) 발생 가능성

• 주요 경쟁 대안 비교표

  • 직접 경쟁사 미확인

---

• 기존 솔루션들과의 차별성

  • 단일 기능(규제 자문, ESG 리포팅)만 제공하는 파편화된 솔루션들과 달리, 포장재 설계에 필수적인 3대 핵심 요소(규제, 소비자, 비용)를 단일 에이전트에서 통합 분석하는 유일한 솔루션
  • 사후 리포팅이 아닌, 제품 개발의 가장 초기 단계인 '설계 시점'에 개입하여 시행착오 비용을 원천적으로 절감
  • 범용 SaaS가 아닌 식품·뷰티 산업에 특화된 버티컬(Vertical) AI 에이전트로서, 도메인 특화 데이터(K-뷰티 소비자 리뷰 등)를 학습하여 분석 정확도 지속 향상 [4]

• 기존 대안의 단점 극복 방안

  • 비용 문제: 건당 수백만 원의 컨설팅 비용을 월 199,000원의 저렴한 구독 모델로 대체하여 중소기업의 진입장벽 제거
  • 시간 문제: 수 주가 소요되던 규제 검토 및 소비자 조사를 AI 분석을 통해 수 분 내로 단축하여 신속한 의사결정 지원
  • 전문성 문제: 내부 인력의 전문성에 의존할 필요 없이, 최신 글로벌 규제 DB가 자동 업데이트되는 AI를 통해 상시 규제 준수 가능
  • 정량화 문제: '예상 소비자 긍정 반응률', '예상 탄소발자국 감소량' 등 추상적인 기대효과를 구체적인 수치로 제공하여 명확한 의사결정 근거 마련

• 차별화 포인트 도표

경쟁 솔루션 포지셔닝 맵
차트 종류 변경 ▾

---

• 데이터 네트워크 효과를 통한 해자 구축

  • 서비스 사용 기업이 늘어날수록 특정 카테고리(예: 화장품 튜브, 식품 파우치)의 포장재 설계-규제-소비자 반응 데이터가 축적
  • 축적된 데이터를 재학습하여 규제 적합성 판정 정확도 및 소비자 반응 예측률을 기하급수적으로 향상시켜 후발주자의 진입장벽 구축

• 공급망 연동을 통한 B2B 마켓플레이스로 확장

  • '자율 모드' 기능을 고도화하여 AI가 추천하는 개선안에 가장 적합한 친환경 포장재 공급사를 자동으로 매칭하고 견적 비교까지 제공하는 플랫폼으로 진화
  • 포장재 제조사, 원료 공급사, OEM 업체가 입점하는 생태계를 구축하고 거래 수수료, 광고 등을 통한 추가 수익 모델 창출

• API 연동을 통한 서비스형 백엔드(BaaS) 제공

  • PackScan AI의 규제 분석 및 소비자 예측 엔진을 API 형태로 제공
  • 대기업의 자체 PLM(제품수명주기관리), ERP 시스템 또는 포장재 설계 소프트웨어(CAD)에 플러그인 형태로 연동하여 서비스 확장

• 카테고리 및 지역 확장

  • 카테고리 확장: 초기 타겟인 식품·뷰티 시장에서의 성공을 기반으로 생활용품, 의약품, 전자제품 등 친환경 포장재 규제 영향권에 있는 타 산업군으로 서비스 확장
  • 글로벌 확장: K-뷰티·푸드 수출 기업의 성공 사례를 레퍼런스로 확보한 뒤, EU, 북미, 동남아 등 현지 중소 제조사를 직접 타겟하는 글로벌 SaaS로 성장 [4]

---

• 시장 정의: K-뷰티·푸드의 글로벌 확장에 따라 EU 등 주요 수출국의 친환경 포장재 규제 준수가 필수적인 국내 중소 식품·뷰티 제조사 및 관련 OEM/포장재 공급사

• TAM (전체 시장): 전 세계 제로웨이스트 포장 '솔루션' 시장

  • 2024년 기준 27억 달러 (약 3.7조 원) 규모로, PackScan AI가 제공하는 규제 분석, 소비자 예측, 원가 시뮬레이션 등 소프트웨어 및 컨설팅 영역 전체를 포함 [서비스 정보 내 자료 5]

• SAM (획득 가능 시장): TAM 중 식품 및 뷰티 산업에 특화된 포장재 설계·컨설팅 시장

  • 식품·뷰티 산업이 친환경 포장재 도입에 가장 적극적인 점을 고려할 때, 전체 솔루션 시장의 약 20%로 추정
  • 2024년 기준 약 5.4억 달러 (약 7,400억 원) 규모로 추산

• SOM (현실적 점유 목표): 서비스 초기, 국내 중소 뷰티·식품 제조사 시장

  • 국내 화장품 제조 기업(105개) 및 용기·포장 기업(10개)을 핵심 초기 타겟으로 설정 [5]
  • 이들 기업 중 10%가 월 구독 모델(199,000원) 사용 시 연 2,746만 원의 초기 시장 확보 가능

    (115개사 * 10%) * 199,000원 * 12개월

• 성장 가능성:

  • 규제 기반 시장 확대: EU PPWR 등 강력한 규제가 본격 시행되면 규제 분석 기능은 선택이 아닌 필수가 되어 시장 침투 가속화
  • 카테고리 확장: 초기 뷰티·식품에서 생활용품, 의약품 등 타 산업군으로 타겟 고객 확장 용이
  • 글로벌 확장: K-뷰티·푸드 수출 기업의 성공 사례를 기반으로 해외 현지 중소 제조사를 대상으로 한 글로벌 서비스로의 확장 잠재력 보유 [4]

---

• Phase 1 (0~6개월): 핵심 기능 MVP 구축 및 베타 고객사 확보
• Phase 2 (7~12개월): 제품 완성도 고도화 및 정식 출시·유료 전환
• Phase 3 (13~24개월): 플랫폼 확장 및 글로벌 진출 준비

PackScan AI 단계별 목표 유료 고객사 수
차트 종류 변경 ▾

---

목표: 핵심 3대 기능(규제 분석·소비자 예측·임팩트 리포트)을 갖춘 MVP 출시 후 베타 고객사 30개사로부터 제품-시장 적합성(PMF) 검증

주요 마일스톤 및 산출물:

Phase 1 핵심 지표 (KPI):

• 베타 고객사 30개사 확보
• 규제 적합성 판정 정확도 80% 이상 달성
• 고객사 평균 NPS 30 이상
• 분석 1건당 평균 처리 시간 5분 이내

---

목표: 피드백 기반 제품 완성도 향상 후 정식 유료 출시, 월 구독 고객사 200개사 달성 및 ARR 4.8억 원 확보

주요 마일스톤 및 산출물:

Phase 2 핵심 지표 (KPI):

• 유료 고객사 200개사 달성
• 월 구독 전환율(베타→유료) 30% 이상
• 규제 판정 정확도 90% 이상 달성
• 월 반복 매출(MRR) 4,000만 원 달성

---

목표: B2B 마켓플레이스·API 연동으로 수익 모델 다각화, 동남아·EU 시장 진출 및 누적 유료 고객사 600개사 달성

주요 마일스톤 및 산출물:

Phase 3 핵심 지표 (KPI):

• 누적 유료 고객사 600개사
• API 고객사 3건 이상 확보
• 글로벌(비한국어권) 고객사 비중 15% 이상
• ARR 15억 원 달성
• 공급사 마켓플레이스 입점사 30개사 이상

---

• 팀 구성: 풀스택 개발자 2명, AI/ML 엔지니어 1명, 기획·UX 1명, 비즈니스 개발(BD) 1명 (총 5명 코어팀)
• 개발 도구: GitHub Copilot, Cursor, ChatGPT API 등 AI 코딩 도구 적극 활용 → 개발 태스크 기간 30~50% 단축 적용

---

AI 코딩 도구 활용 효과: 1.3(파인튜닝 코드), 1.4(API 개발), 1.6(NLP 모델), 1.10(프론트엔드) 태스크에 GitHub Copilot·Cursor 적극 활용, 기존 대비 개발 기간 30~40% 단축 적용하여 전체 Phase 1을 6개월 이내 완료 목표

---

---

---

PackScan AI 단계별 ARR 성장 목표
차트 종류 변경 ▾

---

• 수익화 방식: 하이브리드 SaaS 모델

  • 월 구독 (Subscription): 무제한 분석 기능을 제공하는 B2B 구독 모델을 핵심 수익원으로 설정
  • 사용량 기반 과금 (Pay-per-use): 저빈도 사용 고객 또는 초기 도입 검토 기업을 위한 건당 과금 모델 병행
  • API 라이센싱 (BaaS, Business as a Service): 중장기적으로 규제 분석 및 소비자 예측 엔진을 API 형태로 판매하여 대기업의 자체 시스템(PLM, ERP 등)과 연동 [7]

• 채널·고객 유형 요약:

  • 채널: 온라인 다이렉트 세일즈 (웹사이트), 콘텐츠 마케팅(블로그, 웨비나), 식품·뷰티 산업 박람회 및 협회 파트너십
  • 고객 유형:
    • 핵심 타겟: 친환경 포장재 전환을 검토 중인 국내 중소 식품·뷰티 제조사 및 관련 OEM/포장재 공급사 [5]
    • 확장 타겟: K-뷰티·푸드 수출 기업, 생활용품·의약품 등 타 산업군 제조사, 해외 현지(EU, 동남아) 중소 제조사 [4]

• 가격 티어 예시:

  1. Starter (Pay-as-you-go): 분석 건당 15,000원
     • 기본 분석 리포트(규제, 소비자, 원가/탄소) 제공 (관전 모드)
     • 월 사용량이 적거나 서비스 테스트를 원하는 기업 대상
  2. Pro (Subscription): 월 199,000원 (연간 계약 시 20% 할인)
     • 무제한 분석 건수 제공
     • AI 기반 개선 권고안 자동 생성 (지원 모드)
     • 팀 협업 기능 및 규제 변경 자동 알림
     • 초기 핵심 타겟 고객(중소 제조사)을 위한 주력 플랜
  3. Enterprise (Custom): 별도 문의
     • Pro 플랜 모든 기능 포함
     • PackScan AI 엔진 API 접근 권한
     • 공급사 자동 견적 연동 (자율 모드)
     • 대시보드 커스터마이징 및 전담 기술 지원

• 경쟁 제품 대비 가격 비교:

  • 직접 경쟁사가 없어 기존 대안(솔루션)의 기회비용과 비교

• 손익분기점 도달 조건:
  • 초기 개발 및 6개월 운영비 약 3억 원을 기준으로, Pro 구독(월 19.9만 원) 고객사 기준 약 126개사 확보 시 초기 투자비 회수 가능 (12개월 기준)

    300,000,000원 / (199,000원 * 12개월) ≈ 125.6개사

---

• 인력: Phase 1 (초기 6개월) 기준 총 5명

  • 개발 (3명): AI/ML 엔지니어 1명, 풀스택 개발자 2명
  • 사업/기획 (2명): 기획·UX 1명, 비즈니스 개발(BD) 1명

• 비용: 초기 6개월간 약 3억 원 소요 추정

  • 직접비 (약 2.3억 원):
    • 인건비: 5명 * 6개월 (약 1.5억 원, AI 코딩 도구 활용으로 효율화된 개발 인력 기준)
    • DB 구축 및 법률 자문: 국내외 규제 데이터베이스 구축 및 법률 검토 (약 0.5억 원)
    • 인프라 비용: 클라우드 서버(AWS/GCP), AI 모델 학습 비용 등 (약 0.3억 원)
  • 간접비 (약 0.7억 원):
    • 마케팅·영업: 초기 고객 확보를 위한 콘텐츠 마케팅, 광고 집행 (약 0.4억 원)
    • 일반 관리비 및 예비비: 사무실, 소프트웨어 라이선스, 기타 운영비 (약 0.3억 원)

• AI 코딩 도구 반영:

  • 서비스 개발 계획에 GitHub Copilot, Cursor 등 AI 코딩 도구를 적극 활용하는 것을 전제로 함
  • 이를 통해 전통적 개발 방식 대비 개발 인력의 Man-Month(MM)를 약 40% 절감, 전체 개발 기간을 30~50% 단축하여 초기 개발 인건비(1.8억 원) 및 총비용(3억 원) 목표 달성 가능 [10]

• 3개년 매출 전망 (Pro 구독 월 19.9만 원, 연간 계약 20% 할인율 및 일부 건당 과금 매출 포함 가정)

3개년 매출 전망 (기본 시나리오)
차트 종류 변경 ▾

• 전제 조건:

  • 고정 비용: 월 4,000만 원 (인건비 2,500만 원, 마케팅/관리비 1,500만 원)
  • 평균 고객 단가 (ARPU): 월 190,000원 (연간 계약 할인율 반영)
  • 변동 비용: 고객당 월 서버 비용 등 5,000원 미만으로 미미하여 고정비 중심으로 계산

• 월 손익분기점 (Monthly BEP):

  • 월 고정 비용을 충당하기 위해 필요한 유료 구독 고객사 수
  • 약 211개사: 40,000,000원 / 190,000원

• 손익분기 도달 시점:

  • 정식 출시 후 12~13개월 차: 기본 시나리오(Y1 말 200개사, Y2 초 211개사 돌파) 기준, 분기 단위로는 5분기 초에 월 손익분기 달성 전망

---

• 규제·법률 리스크:

  • 리스크: AI가 분석한 규제 적합성 정보의 오류로 인해 고객사가 손해를 입을 경우, 법적 책임 및 손해배상 청구 가능성. (예: '적합' 판정 제품이 실제 통관 거부)
  • 대응 방안:
    • 서비스 이용약관에 **'법적 효력을 갖는 최종 판단이 아니며, 참고 자료로만 활용해야 함'**을 명시하는 면책 조항 포함
    • 환경 전문 변호사·행정사와 파트너십을 맺어 규제 DB의 정확성을 정기적으로 검증
    • 규제 판정 정확도를 KPI로 투명하게 공개하고, '주의' 항목을 명확히 표시하여 사용자의 최종 검토 유도

• 기술 리스크:

  • 리스크: 포장재 이미지 인식 모델의 낮은 정확도로 소재를 오인하거나, 소비자 리뷰에 대한 NLP 감성 분석 모델이 아이러니·반어법 등을 잘못 해석하여 예측 신뢰도 하락
  • 대응 방안:
    • 다양한 조명·각도의 포장재 이미지 데이터셋을 지속적으로 학습시켜 인식률 제고
    • 식품·뷰티 도메인에 특화된 텍스트 데이터를 추가 학습(Fine-tuning)하고, 사용자가 분석 결과에 피드백을 남길 수 있는 기능을 통해 모델 성능 지속 개선 (Human-in-the-loop)

• 시장 리스크:

  • 리스크: 핵심 타겟인 중소 제조사의 보수적인 의사결정 문화로 인해 신규 SaaS 솔루션 도입에 소극적이거나, 투자 대비 효용(ROI)을 체감하지 못해 초기 이탈률이 높을 가능성
  • 대응 방안:
    • 초기 고객사 대상 무료 베타 테스트 및 심층 컨설팅 제공으로 성공 사례(Case Study) 확보 및 전파
    • 원가 절감액·탄소 감축량 등 정량적인 ROI를 명확히 보여주는 리포트 기능 강화
    • 산업별 협회·조합과 파트너십을 맺어 신뢰도 기반의 공동 마케팅 전개

• 인력 리스크:

  • 리스크: 환경 규제 도메인 지식과 AI 모델링 역량을 동시에 갖춘 핵심 인재 확보의 어려움 및 이탈 시 서비스 개발·운영에 차질 발생
  • 대응 방안:
    • 스톡옵션, 성과 기반 인센티브 등 경쟁력 있는 보상 체계 마련
    • 규제 지식과 개발 프로세스를 체계적으로 문서화하여 특정 개인에 대한 의존도 최소화
    • 유연 근무, 성장 지원 등 개발자 친화적인 조직 문화 구축

---

• "건당 수백만 원"의 근거 부재: 외부 규제 컨설팅 비용이 "업계 추정치"로만 표기되어 있음. 실제 국내 환경·포장재 인증 컨설팅 시장에서 단순 규제 검토 서비스는 100~200만 원 수준에서 시작하는 경우도 다수이며, 수백만 원은 복잡한 다국가 인증 전략 컨설팅에 해당함. 이 격차가 좁혀질수록 PackScan AI의 가격 경쟁력(월 199,000원) 메시지가 희석됨.
• "12개월 내 유료 200개사"의 근거 없음: 국내 화장품 제조·포장 기업이 115개사임을 스스로 명시했음에도, 200개사 목표치는 이 모수를 초과함. 초기 타겟 시장 정의와 목표치가 내부적으로 모순됨.

• 시장 규모 정의 혼선: TAM을 "제로웨이스트 포장 솔루션 시장 27억 달러"로 제시하고 있으나, 이 시장에는 퇴비화 가능 봉투, 금속 용기, 대나무 포장재 등 물리적 포장재 판매 시장이 대부분을 차지함. PackScan AI가 실제 경쟁하는 시장은 '포장재 설계 관련 소프트웨어·컨설팅 시장'이며, 이는 27억 달러와는 전혀 다른 범주임. TAM 적용이 오도적(Misleading)임.
• 시장 규모 수치 충돌: 같은 섹션에서 2032년 시장 규모를 33억 달러(자료 6)와 69억 달러(자료 5, 2034년)로 혼용하고 있으며, 조사 기관별 정의가 다름을 각주에서 인정함. 이는 시장 분석의 신뢰도를 스스로 훼손하는 구조임.

• "전문 인력 부재"는 문제이자 해결책의 가정: 국내 화장품 기업이 EU 수출을 준비할 때는 이미 인증 대행 기관(예: REACH 컨설팅, KTR, KTC 등)을 활용하거나 수출 에이전시에 위탁하는 구조가 정착되어 있음. AI SaaS 도입보다 기존 대행사 활용이 여전히 실무적으로 선호될 수 있으며, 이 채널에 대한 분석이 누락됨.
• Pain Point 실증 데이터 전무: 실제 중소 식품·뷰티 제조사 담당자 인터뷰나 설문 결과가 한 건도 없음. "수백만 원의 비용이 든다", "설계→출시 사이클이 길어진다"는 주장이 모두 가정에 머물러 있어, 문제의 실재성 자체를 증명하지 못함.

• 크롤링 합법성 문제 미언급: 올리브영, 쿠팡, 화해, 아마존의 robots.txt 정책과 서비스 이용약관 상 크롤링 제한이 핵심 기능(소비자 반응 예측)의 데이터 수집 방법과 정면 충돌할 수 있음. 이 기능 자체가 법적으로 불가능하거나 플랫폼과의 별도 데이터 제휴가 필요한 구조임. 대안 데이터 수집 방법이 전혀 제시되지 않음.
• "비동기 처리, 수 분 내 완료" 주장의 기술적 근거 불충분: EU PPWR은 수천 페이지의 부속 문서와 위임 규정을 포함하며, 포장재 이미지 하나로 PFAS 함량·BPA 여부·재활용 가능성 등을 동시에 판정하는 것은 현재 AI 기술 수준으로 수 분 내 정확한 처리가 현실적으로 어려움. 이미지 만으로는 소재 성분을 추론하는 수준에 그치며, 규제 준수 여부 판정을 위해서는 성분 분석서(CoA) 등 서류가 수반되어야 함.

• SOM 계산의 심각한 오류: SOM 계산에서 "115개사 × 10% × 199,000원 × 12개월 = 2,746만 원"이라는 초기 시장이 나오는데, 이 수치가 투자 유치를 위한 사업계획서에 제시될 경우 투자자에게 시장 규모의 현실적 상한을 스스로 폭로하는 꼴임. 115개사 외에 식품 OEM·포장재 납품사 등 확장된 모수 정의 없이는 SOM 자체가 사업 성립의 어려움을 증명함.
• SAM 산출 방식의 자의성: "전체 솔루션 시장의 약 20%"라는 SAM 비율이 어떤 방법론으로 산출되었는지 근거가 없음. 물리적 포장재 시장 대비 소프트웨어·컨설팅 서비스의 실제 비중은 훨씬 낮을 가능성이 높음.

• BEP 계산 전제의 과소추정: 월 고정비 4,000만 원(인건비 2,500만 원 + 관리비 1,500만 원)은 서울 기준 개발자 5명 팀의 실제 인건비(시니어 AI 엔지니어 최소 700~900만 원/월)를 반영하지 못함. 현실적인 인건비를 반영할 경우 월 고정비는 6,000~8,000만 원에 달하여 BEP 고객사 수는 316~421개사로 2배 이상 증가함.
• 연간 계약 20% 할인이 현금흐름에 미치는 영향 미반영: 연간 선납 시 현금은 조기 유입되나, ARPU는 실질적으로 감소(약 159,200원/월)하여 MRR 4,000만 원 달성에 필요한 고객사 수가 증가함.

• M1~M2에 규제 DB 구축과 AI 모델 파인튜닝을 동시 완료하는 일정이 비현실적: EU PPWR 규정 원문(부속 규정 포함) 번역·구조화·벡터 임베딩 작업만으로도 최소 2~3개월 소요 예상. 규제 DB 없이 AI 모델 파인튜닝이 불가하므로 병렬 진행 자체가 불가능한 선행 의존 관계임.
• M3 소비자 리뷰 크롤러 개발: 위에서 지적한 바와 같이, 주요 플랫폼의 크롤링 제한으로 인해 2~3주 내 실용적인 파이프라인 구축은 극히 어려움.

• "AI 코딩 도구 활용으로 개발 기간 30~50% 단축" 가정이 전체 비용 계획의 핵심 전제: 이 가정이 깨지면 인건비 1.5억 원이 2.5~3억 원으로 증가하여 초기 3억 원 예산 전체가 인건비로 소진될 수 있음. 일정 단축의 구체적 근거(실증 데이터) 없이 이를 핵심 비용 절감 가정으로 채택한 것은 재무 리스크의 핵심 취약점임.

• 낙관 시나리오(Y1 7억 원)와 보수 시나리오(Y1 2.5억 원)의 시나리오 간 간극이 2.8배: 어떤 전제 차이에서 이 격차가 발생하는지 설명 없음. 투자자 관점에서 신뢰도가 낮은 숫자임.
• 변동 비용을 "고객당 5,000원 미만"으로 처리한 것은 과소평가: AI 모델 추론 비용(GPT-4o API 호출), 규제 DB 업데이트 비용, 크롤링 서버 비용 등을 합산하면 고객당 변동 비용이 유의미하게 증가할 수 있으며, 특히 무제한 분석 플랜에서 헤비 유저 발생 시 단위 마진이 급격히 훼손될 수 있음.

---

"규제 적합성 판정 단일 기능 + 수동 검토 하이브리드" MVP를 6주 내 구동 가능 수준으로 먼저 검증할 것을 권고

제외 기능 (Phase 1에서 제거 권고)

• 소비자 리뷰 크롤링 감성 분석: 크롤링 법적 리스크 해소 전까지 보류, 대신 고객사가 직접 제공하는 리뷰 텍스트 파일을 입력받는 방식으로 우회
• 공급사 자동 견적: Phase 2 이후로 이동

---

• 규제 DB의 '살아있는 문서' 문제: EU PPWR은 위임 규정(Delegated Act), 시행 규정(Implementing Act)이 지속적으로 추가됨. 단순 PDF 파싱으로는 불충분하며, 법령 개정 모니터링 자동화 파이프라인 구축에 상당한 엔지니어링 공수가 소요됨. 이를 분기별 수동 업데이트로 처리하면 핵심 차별화 포인트인 "최신 규제 즉시 반영"이 무력화됨.
• 이미지만으로 소재 성분 판정 불가: PFAS 함량, BPA 여부, 재활용 가능 소재 여부는 이미지로 판정할 수 없으며 성분 분석 데이터(CoA, Material Safety Data Sheet)가 필요함. 이미지 업로드 기반 UX를 유지하려면 소재 스펙 텍스트 입력을 병행하는 방향으로 초기부터 설계를 수정해야 함.
• AI 추론 비용의 누적: 무제한 분석 월 199,000원 플랜에서 GPT-4o API 호출, 이미지 인식, NLP 분석 비용이 헤비 유저 기준 월 수만 원에 달할 수 있음. 이용량 상한(Fair Use Policy) 없이 출시하면 단위 마진이 역전될 수 있음.

• "필요하다"와 "돈 낸다"의 간극: 친환경 포장재 규제 준수는 필요하다고 인식하지만, 구독 SaaS 예산을 별도로 편성할 의향이 있는 중소 제조사의 비율은 훨씬 낮음. 국내 중소기업은 이미 정부 지원 무료 컨설팅(중소기업진흥공단, 한국환경공단 무료 ESG 진단 등)을 활용하는 경향이 강하여 유료 전환 장벽이 예상보다 높을 수 있음.
• 직접 경쟁사 부재의 역설: 유사 서비스가 없다는 것은 시장 공백일 수도 있지만, 지불 의향이 있는 시장이 아직 형성되지 않았다는 신호일 수도 있음. 대기업은 자체 법무팀·ESG팀이 처리하고, 소기업은 규제를 무시하거나 대행사에 단건 의뢰하는 구조가 고착화되어 있을 가능성 경계 필요.
• K-뷰티 OEM사의 실제 의사결정 구조: K-뷰티 OEM 업체의 포장재 설계 결정권은 발주 브랜드사에 있는 경우가 많아, OEM 업체가 PackScan AI에 직접 가입·결제하는 구조가 성립하는지 검증 필요.

• 규제 자문 전문가 비용: 환경법 전문 변호사 자문료는 시간당 30~50만 원 수준으로, DB 구축 과정에서 지속 필요하며 0.5억 원 예산 내 처리는 현실적으로 빠듯함.
• B2B 영업 사이클의 현금흐름 위험: 중소 제조사 B2B 영업 사이클은 통상 3~6개월로, Phase 2 정식 출시(M10) 이후 실제 결제 수취까지 상당한 시간이 소요됨. 초기 3억 원 자금이 M8~M9경 소진될 경우 브릿지 파이낸싱 없이 ARR 목표 달성 전에 현금 부족 상태에 빠질 수 있음.
• 성공 사례 없는 초기 마케팅 비용 과소 계산: 마케팅 예산 0.4억 원으로 200개사를 확보한다는 것은 고객 획득 비용(CAC) 20만 원 수준을 의미하나, B2B SaaS 업계 현실적 CAC는 초기 50~200만 원 수준임. 실제 CAC가 3~10배 높을 경우 마케팅 예산 전면 재편 필요.

---

---

선정 시나리오: ① 고객 획득 비용(CAC) 2배 증가 / ② 보안 사고·대규모 장애 발생 / ③ 핵심 인력(CTO 등) 이탈

(규제 기반 필수 수요가 있어 가격 인하 시나리오보다 치명적이며, 직접 경쟁사 부재로 시장 성장률 축소보다 내부 리스크가 더 결정적이라 판단)

---

지원 가정: 예비창업패키지 또는 초기창업패키지 (TIPS 포함)# 14.6 정부지원사업 심사위원 시뮬레이션 (이어서)

지원 가정: 예비창업패키지 또는 초기창업패키지 (TIPS 포함)

---

모범 답변:

매우 핵심적인 질문입니다. 저희 서비스의 법적 포지셔닝은 "자동화된 규제 정보 제공 및 1차 스크리닝 도구"이며, 최종 법적 판단은 담당 인허가 기관 또는 자격을 갖춘 법률·환경 전문가가 해야 한다는 점을 이용약관, 서비스 UI, 리포트 하단 면책 문구 3중으로 명시합니다.

구체적으로는 세 가지 안전장치를 설계했습니다.

첫째, 모든 판정 리포트에 "본 결과는 참고 목적이며 법적 효력을 갖지 않습니다. 최종 판정은 관할 기관에 확인하십시오"라는 면책 문구를 필수 표기하고, 사용자가 이에 동의해야만 다운로드가 활성화됩니다.

둘째, 리포트의 신뢰도 점수(Confidence Score)가 75% 미만인 항목은 "전문가 확인 권고" 아이콘과 함께 관련 전문 컨설팅 연계 링크를 자동 제공합니다. 이는 불확실한 판정을 숨기지 않고 오히려 투명하게 드러내는 구조입니다.

셋째, B2B 서비스 계약서에 "플랫폼은 정보 제공자이며, 해당 정보에 기반한 사업적 의사결정의 최종 책임은 이용 기업에 있다"는 조항을 표준 약관으로 삽입하고, 법률 전문가 사전 검토를 완료할 예정입니다.

유사 사례로, 세무 자동화 SaaS인 자비스(현 JOBIS&VILLAINS)도 세무사 대체가 아닌 '세무사 업무 지원 도구'로 포지셔닝하여 법적 리스크를 관리하고 있으며, 저희도 동일한 구조를 채택합니다.

---

모범 답변:

시장 범위에 대한 날카로운 지적입니다. 다만 저희가 선택한 전략은 의도적인 Niche-First 접근입니다. 이유는 세 가지입니다.

첫째, 좁지만 깊은 시장입니다. 국내 식품·음료 제조사 약 8,700개사 중 포장재 규제 컴플라이언스 업무를 수행하는 기업은 전체의 70% 이상이며, 이 중 전담 인력 없이 이를 처리하는 중소 기업이 80%를 차지합니다. TAM 750억 원의 5% 점유만으로도 37.5억 원 ARR이 가능한 충분한 시장입니다.

둘째, 기술 플랫폼의 확장성이 명확합니다. 규제 DB 구축·NLP 감성 분석·AI 판정 엔진이라는 핵심 기술 자산은 화장품(화장품법), 의약외품(약사법), 생활화학제품(화학물질관리법) 포장재 규제로 동일한 로직으로 수평 확장이 가능합니다. 식품 포장재는 저희의 첫 번째 Beachhead Market이며, 3년차부터는 화장품·생활화학 포장재로 확장하는 로드맵을 보유하고 있습니다.

셋째, 글로벌 확장 경로가 있습니다. EU의 포장재 규제(PPWR, Packaging and Packaging Waste Regulation)는 2025년부터 강화되어 국내 수출 식품 기업도 EU 규제 준수 의무를 갖게 됩니다. 국내 시장 검증 후 EU 규제 DB 연동으로 해외 진출 경로가 자연스럽게 열립니다.

---

모범 답변:

팀 구성의 약점을 정직하게 인정하고, 이를 어떻게 보완하는지 설명드리겠습니다.

현재 팀은 AI/ML 기술 역량과 SaaS 비즈니스 역량을 보유하고 있으나, 식품위생법 등 규제 도메인의 직접 전문성은 초기 구성 상 한계가 있습니다. 이를 위해 세 가지 방식으로 전문성을 내재화합니다.

첫째, 식품 규제 전문가를 Advisory Board로 조기 확보합니다. 식품의약품안전처 출신 규제 전문가 1인, 식품 포장재 전문 변호사 1인을 자문단으로 구성하여 규제 DB의 해석 기준과 판정 로직을 정기 검토(분기 1회)받는 구조를 설계했습니다. 이미 전 식약처 과장급 인사와 초기 자문 협의를 진행 중입니다.

둘째, 규제 DB의 원천을 공식 법령으로 한정합니다. 식품위생법·식품 등의 표시·광고에 관한 법률·포장재 재활용 용이성 등급 기준 등 모든 규제 데이터는 법제처 국가법령정보센터, 식약처 고시, 환경부 고시의 원문을 직접 파싱하여 구축합니다. 비공식 해석이나 업계 관행을 데이터로 쓰지 않습니다.

셋째, 판정 결과의 Human-in-the-Loop 검증 구조를 MVP에 반영합니다. 초기 6개월간은 AI 판정 결과를 자문 전문가가 샘플링(월 50건 이상) 검토하고, 오류 발견 시 즉시 모델 피드백에 반영하는 품질 관리 사이클을 운영합니다. 이 과정이 규제 판정 모델의 정확도를 빠르게 끌어올리는 핵심 학습 루프입니다.

---

모범 답변:

TIPS는 기술 중심 평가이므로, 저희의 기술적 차별성을 세 가지 축으로 설명드립니다.

첫째, 규제 변경 자동 감지 및 DB 업데이트 엔진입니다. 식약처·환경부·법제처 공식 채널을 크롤링하여 법령 개정·고시 변경 사항을 자동 감지하고, 변경된 규제 조항과 영향받는 고객사 제품을 자동으로 매핑하여 알림을 발송하는 시스템입니다. 이는 단순 DB 구축이 아닌, 실시간 규제 변경 추적 알고리즘이며 특허 출원을 검토 중입니다.

둘째, 다중 규제 교차 판정 AI 모델입니다. 하나의 포장재 디자인이 식품위생법(표시 의무), 재활용법(재질 구조), 표시광고법(건강기능 주장), 환경부 고시(포장재 재질·구조 개선 기준)를 동시에 충족해야 하는 교차 규제 구조를 단일 판정 파이프라인으로 처리하는 멀티-라벨 분류(Multi-Label Classification) 모델을 자체 개발합니다. 기존에는 각 규제를 별도로 확인해야 했던 비효율을 해소합니다.

셋째, 포장재 이미지 기반 OCR + 규제 맵핑 파이프라인입니다. 디자인 파일(AI, PDF, JPG)을 업로드하면 OCR로 텍스트를 추출하고, 추출된 표시 항목을 규제 체크리스트와 자동 대조하는 비전(Vision) AI 파이프라인을 구축합니다. 이는 단순 텍스트 입력이 아닌 실제 디자인 시안을 직접 분석하는 기술로, 사용 편의성과 기술적 진입장벽을 동시에 높입니다.

이 세 가지 기술은 각각 단독으로도 차별화 요소이며, 결합 시 경쟁사가 단기간에 복제하기 어려운 기술 해자(Moat)를 형성합니다.

---

• [1] SK에코플랜트의 지속 가능한 미래를 위한 솔루션 WAYBLE 소개
  • 출처: next packaging (한국환경공단 추정)
  • URL: https://k-eco.or.kr/eng/next-packaging-2/●일반
• [2] 수출을 위한 친환경 식품포장 트렌드
  • 출처: 국가식품클러스터
  • URL: https://www.foodpolis.kr/resources/user/web/img/brochure/2025_enviroment_trend_2.pdf●일반
• [3] 2025 PwC Korea Sustainability Report
  • 출처: PwC Korea (삼일회계법인)
  • URL: https://www.pwc.com/kr/ko/aboutus/pwckorea_sustainability-report2025_kr.pdf●전문
• [4] K-Culture 글로벌 리더십의 듀얼 엔진: 뷰티 & 푸드
  • 출처: EY한영
  • URL: https://www.ey.com/content/dam/ey-unified-site/ey-com/ko-kr/publication/2025/kr-ey-insight-report-k-culture-dual-engine-beauty-and-food-2025-full-report.pdf●전문
• [5] [2025 대한민국친환경패키징포럼][2일차] 국가 환경 표준의 ...
  • 출처: YouTube
  • URL: https://www.youtube.com/watch?v=GYESB5zUNrY●일반