핵심 아이디어
- 타깃
- 비수도권 종합병원·상급종합병원 교육담당 부서(인사팀·수련부). 실질 지불 주체: 병원 온보딩 예산. [SOM 재계산] • 대상 기관: 비수도권 250개소 • 연간 신규 배치: ~12,000명 (인턴·레지던트 1,800 + 신규 간호사 10,200, 비수도권 40~50% 적용) • ₩80,000/인/년 × 12,000명 = 연간 도달 가능 SOM ₩960,000,000(약 10억) • 3년 내 현실적 침투(기관 60%, 유지율 80%): active user 7,200명 → ARR ₩576,000,000 [TAM 확장 경로] • Phase 2: 119 구급대원(17,000명) + 사회복지사(120,000명) + 요양보호사(600,000명) → TAM ₩58B+ • Phase 3: 일본 지방 방언 고령 환자 + NHS 다방언 환경 → 글로벌 TAM $500M+
- 문제
- **타지역 의료진이 지방 고령 환자의 사투리 증상 표현을 이해하지 못해 오진·과잉검사가 발생한다.** • '가심이 답답하다(흉통)', '지럽다(어지럽다)', '쪼매 꼬시다(약간 비린내)' 같은 표현은 교과서에 없음 • 유일한 학습법은 수년간의 현장 경험 — 그 공백 기간에 의료 오류 발생 • 의대 인턴 커뮤니티(에브리타임·카카오톡 오픈채팅)에서 '오늘 환자가 이 말 했는데 무슨 뜻?' 질문이 일상적 — 솔루션 없이도 행동이 발생 • 65세 이상 19.2%(2024), 비수도권 농촌 거주 비율 42%로 사투리 고령 환자 모수 확대 중 • 2025년 환자안전법 개정으로 병원 의사소통 오류 보고 의무화 → 병원 교육 예산 집행 명분 생김
- 해결
- **베테랑 현지 의료진이 기여한 사투리 플래시카드를 간격반복 알고리즘으로 하루 5분 학습하는 의료 사투리 온보딩 플랫폼.** ① 베테랑 의료진이 '환자가 이렇게 말하면 이 뜻' 형태로 플래시카드 기여 ② 신규 의료진이 간격반복 알고리즘으로 학습 + 환자 음성 시뮬레이션·실제 진료 시나리오 퀴즈로 현장감 확보 ③ Phase 1: 경상도·전라도·제주 의료 사투리 → 비수도권 250개 병원 온보딩 표준 ④ Phase 2: 사회복지사·119 구급대원·요양보호사로 직군 확대 + 진료 중 실시간 사투리→표준어 어시스트(EMR 연동) 출시 → ARPU 3~5배 상승 ⑤ Phase 3: 일본·영국 NHS 등 구조 동일 시장으로 라이선스 수출
- 차별화
- 의료 맥락 사투리 학습 도구는 세계 최초이며, AI 번역이 아닌 베테랑의 경험을 디지털화하는 역발상이다. [기존 대비 비교] • 기존 사투리 사전: 일상어 중심, 의료 맥락 없음 • 기존 의료교육 앱: 표준어 전제, 사투리 사각지대 방치 • Osmosis 유사 사례: 의료 플래시카드 SaaS로 Elsevier 인수 → 니치 의료교육 지불 의사 검증됨 [방어벽 — 4중 해자] ① 독점 데이터셋: 베테랑 의료진 기여 데이터는 크롤링·AI 생성 불가. 누적 카드 수 = 재현 불가 자산. 경쟁사 추격에 2~3년 리드타임 발생 ② 기여자 잠금(Contributor Lock-in): 베테랑이 기여 실적·병원 내 평판을 플랫폼에 축적 → 이탈 시 이력 소멸, 타 플랫폼 이동 인센티브 없음 ③ 워크플로우 내재화: 병원 온보딩 LMS·EMR 통합 후 계약 해지 = 온보딩 프로세스 전면 재설계 비용 발생 → 갱신률 90%+ 예상 ④ 면허 검증 플라이휠: 기여자 면허 인증 → 콘텐츠 신뢰성 → 병원 채택 증가 → 베테랑 추가 유입 → 데이터 우위 확대 (복제 불가 루프)
핵심 기능
- 01
5대 권역별 사투리 의료표현 간격반복 플래시카드 덱 (음성 포함)
- 02
진료실 시나리오 퀴즈 — 사투리 음성 듣고 표준 의료용어 매칭
- 03
현장 모르는 표현 즉시 제보 → 베테랑 의료진 커뮤니티 검증 후 카드화
- 04
병원 관리자 대시보드 — 직원별 학습 진도·취약 표현 추적
- 05
신규 직원 온보딩 자동 배정 (배치 지역에 맞는 덱 자동 할당)
시장과 비즈니스
수익 구조
| 핵심 모델 | 주력: B2B 병원 연간 라이선스 (flat-fee → per-seat 전환으로 단가 현실화) |
|---|---|
| 근거 01 | • 단가 기준: 신규 배치 직원 1인당 ₩80,000/년 (의료 e-러닝 시장 평균 ₩50,000~150,000/인 범위 내) |
| 근거 02 | • 병원 최소 계약: ₩2,000,000/년(25인 기준) · 중형 50인: ₩4,000,000/년 · 상급종합 125인+: ₩10,000,000/년 |
| 근거 03 | • ROI 근거: 의료사고 1건 재검사·손해배상 평균 ₩300만~3,000만 → 연 구독료가 오류 0.5건 방지만으로도 회수 → CFO 설득 자료 존재 |
| 근거 04 | Y1: 20곳 × 평균 ₩2,500,000 = ₩50,000,000 |
| 근거 05 | Y2: 60곳 × 평균 ₩3,500,000 = ₩210,000,000 |
| 근거 06 | Y3: 150곳(일반) × ₩4,000,000 + 30곳(상급) × ₩10,000,000 = ₩900,000,000(약 9억) |
| 근거 07 | Phase 2 수익 레버: EMR 연동 실시간 어시스트 모듈 월정액 추가 → 병원당 ARPU 3배 시 Y4 ARR ₩27억 가시권 |
| 근거 08 | Phase 3: 일본·NHS 라이선스 수출 시 단위당 3~5배 프리미엄 적용 가능 |
- 개발 기간
- 약 10주
- 시장 규모
- 전체 시장 국내 의료인 약 56만 명 × 연간 보수교육비 시장 약 ₩1.8조유효 시장 비수도권 의료인 약 22만 명 × 월 ₩1,000 = 연 ₩26.4억초기 목표 시장 초기 경상권 집중, 의료인 2만 명 중 10,000명 확보 = 월 ₩10,000,000
- 시장 흐름
- rising
발견 근거
- 시장 신호
- '사투리/방언' × '간격반복' × '점자(보이지 않는 장벽을 인지 가능하게)'의 충돌. 교과서에 없는 보이지 않는 언어 장벽을 과학적 학습법으로 가시화
- 분석 방식
- TRIZ '오프라인에서만 가능한데 아무도 앱으로 안 만든 것' + 페르소나 '아기가 투자한다면' — 아기처럼 낯선 소리를 처음 듣는 신규 의료진의 시점에서 설계
- 포착 일자
- 2026.03.31