AIがスキンケア製品をおすすめする仕組み

AIによるスキンケア製品のおすすめは、自撮り写真、アンケートの回答、ときには購入履歴を、肌が必要とするケアのプロフィールに変換することで行われます。別のモデルやルールの組み合わせが、成分リスト、訴求内容、レビュー、過去の使用後の反応データなどから製品の特徴を整理します。システムは、自身のカタログにある製品を適合度の高い順に並べます。その結果は候補のリストであり、診断でも、最上位の製品が効くという証明でもありません。質を左右するのは、入力情報、ラベル、カタログ、そしてその背後にある検証です。

AIがスキンケア製品をおすすめする仕組み

「AIによるおすすめ」という言葉には、いくつかの仕組みが含まれます。決まったルールに従うものもあれば、過去の利用者からパターンを学ぶものもあります。写真を分析し、成分リストを数値化してから、適合度を計算するものもあります。チャットボットは、その結果に説明文を添えるだけの場合もあります。

1. 情報を受け取る層では、自撮り写真、年齢層、目標、肌の敏感さ、現在のスキンケア、アレルギー、気候、予算、購入履歴などを集めます。質問されない項目があれば、その分だけ背景情報も不足します。
2. 画像を解析する層では、画像のピクセルから、赤み、斑点、毛穴、色素沈着、シワなどの特徴をスコア化します。診断、バリア機能、ホルモンの変化、製品の使用感は読み取れません。
3. 製品を扱う層では、カタログの各製品をデータに変換します。成分の記載順、製品の訴求内容、評価、カテゴリタグ、記録された結果などを使う場合があります。
4. 照合する層では、製品に順位を付けます。コンテンツベースのシステムは、利用者のプロフィールと製品の特徴を比較します。協調型のシステムは、似た利用者の評価や行動から学びます。ベイズ型のシステムは、過去のデータから製品への反応の見込みを推定し、フィードバックが届くたびに更新します。
5. 結果を提示する層では、順位付けを読みやすい文章に変換します。整った説明文は、判断が下された後に生成されることもあります。その説明が、判断の妥当性を証明するわけではありません。

Leeらは2024年にJournal of Cosmetic Dermatologyで、わかりやすい例を発表しました。その試作システムは、正面から撮影した顔画像から6つの肌悩みを段階評価しました。トランスフォーマーモデルは、成分の記載順を保ったリストも読み取りました。システムはコサイン類似度で肌と製品のベクトルを比較し、その後、アンケートから判定した肌タイプで製品を絞り込みました。

これは実際にAIを使った一連の処理です。それでも、その役割はカタログ内の製品に順位を付けることです。「最適な製品」とは、そのシステムで利用できる製品とラベルの範囲内で、最上位に位置する製品を意味します。

任意で使える以下の編集部によるチェックは、妥当性が検証されたテストではありません。結果が購入判断に影響する場合にだけ使ってください。

製品のおすすめを手早く確認するためのチェック

表示される内容	起きているかもしれないこと	判断を変える確認点
1枚の自撮り写真から「肌に赤みがあります」	モデルが赤いピクセルのパターンを検出しています。そのパターンは、照明や最近の顔のほてりに左右される可能性があります。	色かぶりのない光の下で撮り直してください。判定ラベルが変わるなら、その情報だけを理由に購入しないでください。
「この成分はあなたの肌に合います」	モデルが照合したのは成分名やマーケティング上のタグであり、完成した製品の処方ではありません。	現在の製品表示、表示されている濃度、今のスキンケア、過去の反応を確認してください。
同じブランドの3製品	順位付けの対象が、販売者のカタログに限られている可能性があります。	提案された製品カテゴリを参考にし、ほかの販売先でも同等の選択肢を比較してください。
高い正解率	その数値は、製品使用後の結果ではなく、画像のラベルに関するものかもしれません。	同じ処理を検証しているか、関連する結果を測っているか、自分と似た人を対象にしているかを確認してください。
長く自信に満ちた説明	言語モデルが順位付けの結果を文章に書き直した可能性があります。	文章の流暢さではなく、入力データと検証内容で判断してください。

公表されたエビデンスから言えること

公表されたシステムは、これらの構成要素を実装できることを示しています。商用サービスの出力がすべて正確だと証明しているわけではありません。

Leeらの研究は、正解率の数値1つだけでは誤解を招く理由を示しています。成分モデルは、主に製品のマーケティング用タグから学習していました。製品の効果に関する8,759件のラベルのうち、ニキビに関するものは161件だけでした。報告されたニキビに関する正解率は97.2%でしたが、モデルが検出できたのは、ニキビのラベルが付いたケースの14.3%でした。ニキビに関する予測のうち、ラベルと一致したのは3分の1だけでした。目を引く代表的な数値にもかかわらず、件数の少ないこの分類では性能が低かったのです。

写真のラベルにも不確実さがあります。Lehnerらは、皮膚科学の訓練を受けた4人の評価者に、健康なボランティア25人の顔の8つの特徴を評価してもらいました。スコアは静止画と動画で異なり、一部は評価者間でも異なりました。2024年にSkin Research and Technologyで発表されたこの研究は、学習用ラベルに人の判断が入り得ることを示しています。

限定された1つのシステムについては、使用後の結果に関する初期のエビデンスがあります。2025年のJMIR Dermatologyの研究で、Ghazanfarらは8週間の評価者盲検試験を行いました。対象は、軽度から中等度のニキビがある成人68人でした。64人が女性で、平均年齢は27歳でした。個別提案を受けた群には、独自のベイズモデルが選んだ洗顔料とクリームが提供されました。この群のニキビスコアの平均値は1.53から1.21に低下しました。自分で製品を選んだ群では、1.42から1.33に変化しました。

この2025年の試験は、システムを提供する企業が資金を出しており、著者のうち3人がその会社に勤務していました。この結果は、その製品と対象集団について、さらに検証を進めることを支持します。すべてのAI推薦システム、すべての肌悩み、自撮り写真だけによる結果の妥当性を示すものではありません。

Wongvibulsinらによる2024年のJAMA Dermatologyのレビューは、一般消費者向けのAI皮膚科アプリ41件を調べました。著者らは、裏付けとなるエビデンスの弱さ、臨床医の関与の少なさ、アルゴリズム、データ利用、プライバシーに関する透明性の低さを指摘しました。調査対象は皮膚科アプリであり、化粧品をおすすめするすべてのシステムではありません。この結果は情報開示に注意を向けるために使い、すべてのツールへの判定とは捉えないでください。

自撮り写真と成分リストでは証明できないこと

自撮り写真からは、写真に写った目に見える特徴を推定できます。ニキビや酒さの診断はできません。肌のバリア機能の状態、吸収、アレルギーのリスク、必要な成分、製品を使う順番、治療の有効性も測れません。照明、カメラの画像処理、メイク、角度、最近の運動によって、モデルに届く情報は変わります。どこまで推定できるかを正確に知るには、写真に基づくスキンケアの提案で推定できること、できないことを読んでください。

成分リストは役立ちますが、それだけでは情報が足りません。US Food and Drug Administration（米国食品医薬品局）の2022年版Cosmetics Labeling Guideによると、配合量が1%以下の成分は、1%を超える成分の後に順不同で記載できます。化粧品の表示には、成分の割合を記載する義務もありません。リストだけでは、すべての成分の濃度、pH、成分を届ける仕組み、完成した処方の性能はわかりません。

おすすめが表示される前から、バイアスが入り込むこともあります。2025年のAI and Ethicsのレビューで、Georgievskayaらは、目標設定、データ収集、ラベル付け、モデル構築、検証、モニタリングの各段階で生じるバイアスを整理しました。ツールが肌の色調、年齢、性別ごとの結果を報告しているか確認してください。全体をまとめた1つのスコアは、少数の集団に対する性能の低さを隠すことがあります。

おすすめの結果を使う価値があるか判断する方法

まず、観察結果と購入の提案を切り分けます。「この写真では赤みがより目立ちます」は、検証できる観察結果です。「だから、この美容液を買いましょう」となると、製品に関する主張が加わり、それ自体の裏付けが必要になります。

次に、何が順位を変えるかを確かめます。役立つシステムなら、肌の敏感さ、現在使っている有用成分、アレルギー、別の目標を伝えたときに、それに応じた反応を示すはずです。リストが変わらないなら、個別化が表面的な可能性があります。大まかなラベル1つを、あらかじめ用意したセットに対応させているだけかもしれません。

続いて、カタログを確認します。どの製品が対象になるか、誰が掲載料を支払っているか、自社ブランドが優先されるかについて、明確な説明を探してください。開示がなければ、そのリストは市場全体を検索した結果ではなく、店の陳列棚として扱ってください。

裏付けに関する主張は最後に確認します。検証は、自分がそのシステムに頼ろうとしているのと同じ処理を対象にしている必要があります。人が付けたラベルとの一致は、おすすめされた製品で肌が改善することを示しません。さらに詳しく確認するには、AI肌分析の精度に関する主張の読み解き方のガイドを使ってください。

購入に関する助言を評価する前に、目に見える顔の特徴を確認したい場合は、写真に基づく分析の限界を明示した顔スキャンを試してみることもできます。出力結果は、使う成分を指定するものではなく、確認すべき観察結果として扱ってください。

顔写真は、慎重な取り扱いが必要なデータになり得ます。アップロードする前に、保存、削除、モデル学習への利用、共有に関する規約を確認してください。AI美容アプリのプライバシー確認のガイドでは、確認すべき点を説明しています。

ツールが入力情報、カタログ、検証内容を明かさないなら、購入候補のリストは使わないでください。妥当そうな観察結果は残し、条件をそろえて確かめてから、スキンケアを一度に1つずつ変えてください。痛みを伴う、傷痕が残る、長引く肌の問題には、製品に順位を付けるシステムではなく、医療の専門家の対応が必要です。