농업의 AI란 무엇인가?
농업의 AI란 가만히 있기를 거부하는 생물학적 대상을 감지하고 판단하고 그에 작용하기 위해 머신러닝 시스템을 사용하는 일입니다. 여기에는 서로 다른 세 가지 작업이 들어 있고, 이 셋을 한 단어로 뭉뚱그리는 지점에서 대부분의 도입 결정이 어긋납니다.
감지는 작물을 읽는 일입니다. 이 체리가 멍들었는지, 이 잎이 감염되었는지, 이 열매가 익었는지를 판별합니다. 판단은 그 읽기를 지시로 바꾸는 일입니다. 이 구역에 관수하라, 저 이랑을 방제하라, 목요일에 수확하라. 실행은 기계가 그 지시를 수행하는 일입니다. 로봇 팔이 딸기를 감싸 쥐고, 선별기가 불량과를 벨트에서 밀어냅니다.
셋은 서로 다르게 실패하고 서로 다른 비용을 남깁니다. 선과장에서 발생한 감지 오류는 팩 하나에 나쁜 체리 한 알을 넣습니다. 같은 오류율이 방제기에서 발생하면 건강한 이랑에 약제를 뿌리거나 감염된 이랑을 놓칩니다. 공급업체 자료는 대개 이 셋을 하나의 정확도 수치로 뭉개고, 문제는 바로 그 수치에서 시작됩니다.
따로 떼어 볼 만한 네 번째 범주도 있습니다. 2026년의 구매자들이 앞의 셋과 계속 혼동하는 영역, 즉 농학 자문을 제공하는 언어 모델입니다. 이는 감지가 아니라 지식의 과제이며, 뒤에서 보겠지만 나머지와 거의 반대로 움직입니다.
이 분야에 대한 정직한 요약은 이렇습니다. 농업의 AI는 누군가가 카메라를 통제하는 곳에서는 대단히 잘 작동하고, 자연이 카메라를 통제하는 곳에서는 급격히 무너집니다. 아래의 모든 내용은 네 가지 작물과 두 가지 실패를 통해 이 문장을 뒷받침합니다.
99.35퍼센트의 함정
농업 컴퓨터 비전에서 가장 많이 인용되는 결과는 동시에 가장 많이 오독되는 결과이기도 합니다. 2016년 한 연구진이 14개 작물 종과 26개 병해를 포괄하는 54,306장의 잎 이미지 공개 데이터셋으로 심층 합성곱 신경망을 학습시켰습니다. 이 데이터셋에서 떼어 둔 검증 부분에서 모델은 99.35퍼센트의 정확도에 도달했습니다.
업계가 10년 동안 되풀이한 숫자가 이것입니다. 같은 논문은 두 번째 숫자도 보고합니다. 다른 출처에서 수집한, 학습 사진과는 다른 조건에서 촬영된 이미지로 시험했을 때 모델은 31.4퍼센트를 기록했습니다(Mohanty 외, arXiv:1604.03169). 저자들은 이 수치가 무작위 선택의 2.6퍼센트보다는 여전히 높다고 언급하면서, 더 다양한 학습 데이터가 필요하다고 결론짓습니다.
두 숫자를 함께 읽으면 교훈은 불편해집니다. 모델은 병해를 알아보는 법을 배운 것이 아니었습니다. 균일한 배경, 고른 조명, 한 장의 잎, 고정된 거리라는 촬영 세팅을 알아보는 법을 배운 것이었습니다. 스튜디오를 바꾸자 겉으로 보이던 능력의 약 3분의 2가 증발했습니다.
이것은 지난 일의 흥밋거리가 아닙니다. 이후 발표된 병해 모델 리뷰들도 같은 형태의 붕괴를 계속 발견합니다. 상당 부분은 그 실험실 데이터셋이 여전히 기본 학습 자료로 쓰이고 있고, 실험실의 균일함이 탐지 과제를 인위적으로 쉽게 만들기 때문입니다.
교훈의 실용적인 형태는 짧습니다. 정확도 수치는 모델의 속성이 아니라 그것이 측정된 조건의 속성입니다. 공급업체가 그 조건을 밝히지 않은 채 정확도를 제시한다면, 자기 스튜디오를 설명한 것이지 고객의 과수원에 대해서는 아무것도 말하지 않은 것입니다.
체리: 공급망에서 가장 잘 통제된 카메라
등급 라인은 공급망 전체에서 가장 잘 통제된 카메라이고, 그래서 작동합니다.
이제 문제를 뒤집어 봅시다. 모델을 밭으로 가져가는 대신 열매를 모델 앞으로 가져오는 것입니다.
현대적인 체리 선별 라인이 정확히 그 일을 합니다. 열매는 낱개로 분리되어 롤러 위에 실려 오고, 표면 전체가 렌즈를 지나도록 회전하며, 고정된 인공 조명 아래 고정된 거리에서 일정한 속도로 이동합니다. Unitec Cherry Vision 계열 같은 이 부류의 시스템은 모든 열매의 표면 전체를 검사하고, 크기와 내부 품질뿐 아니라 흠집, 색 불균일, 함몰, 해충 피해 같은 결함 범주로 분류합니다.
무슨 일이 일어났는지 보십시오. 잎 병해 모델을 무너뜨린 변수가 전부 공학적으로 제거되었습니다. 조명은 일정합니다. 배경도 일정합니다. 자세는 롤러가 정합니다. 거리는 절대 변하지 않습니다. 변하는 것이 거의 없으므로 모델에게 일반화를 요구할 일도 거의 없습니다.
수확 후 선별이 농업 AI에서 가장 화려하지 않으면서 가장 안정적으로 수익을 내는 응용인 이유가 여기 있습니다. 체리는 그 경제성을 유난히 선명하게 보여 줍니다. 며칠이라는 짧은 창 안에서 크기, 색, 경도, 결함으로 등급이 매겨지고, 균일함에 높은 프리미엄이 붙어 팔리며, 수작업 선별은 느린 데다 교대 후반으로 갈수록 일관성이 떨어집니다. 아홉 시간째에도 지치지 않는 기계는 실제로 약한 기준선과 경쟁하는 셈입니다.
선별 라인의 수치가 이전되지 않는 이유도 같습니다. 라인에서 측정한 결함 검출률은 같은 구조가 바람 부는 오후의 과수원에서 어떻게 작동할지에 대해 거의 아무것도 말해 주지 않습니다. 첫 번째 맥락의 수치를 두 번째 맥락으로 옮기는 공급업체는 다른 기계를 설명하고 있는 것입니다.
블랙베리: 모델보다 센서가 중요한 순간
블랙베리는 익기 전과 후가 똑같아 보이므로, 답은 센서에서 나왔습니다.
블랙베리에는 색 기반 성숙도 판별을 완전히 무너뜨리는 성질이 있습니다. 연구의 표현을 빌리면, 다 익은 블랙베리는 익기 전에도 익는 중에도 익은 뒤에도 검습니다. 학습할 색 곡선 자체가 없습니다. 사람 수확자도 같은 벽에 부딪히며, 작업조에 따라 블랙베리 수확 품질이 크게 갈리고 많은 열매가 잘못된 시점에 따이는 이유도 여기에 있습니다.
RGB 이미지 위에 더 큰 모델을 얹어도 해결되지 않습니다. 애초에 가시광 스펙트럼에 그 정보가 없기 때문입니다. 효과가 있었던 것은 센서를 바꾸는 일이었습니다. 연구진은 700nm와 770nm 파장의 가시광 및 근적외선 필터를 갖춘 스테레오 센서를 사용해 두 입력을 VGG16 기반 다중 입력 CNN 앙상블에 넣었고, 처음 보는 데이터에서 95.1퍼센트, 실제 포장 조건에서 90.2퍼센트의 정확도를 보고했습니다(arXiv:2401.04748). 또한 기계의 판정이 껍질 질감에 대한 사람의 관능 평가와 잘 상관했는데, 이는 숙련된 수확자가 사용하는 단서이기도 합니다.
두 하락 폭을 비교해 보십시오. 잎 병해 모델은 조건이 바뀌자 99.35에서 31.4로, 약 68포인트를 잃었습니다. 블랙베리 모델은 95.1에서 90.2로, 5포인트도 잃지 않았습니다. 두 번째 시스템은 벤치마크에서 더 낮게 출발해 현실에서 훨씬 높게 끝났습니다.
모든 농업 AI 구매자가 찾아야 하지만 거의 아무도 묻지 않는 거래가 바로 이것입니다. 승부를 가른 수는 더 나은 구조도, 더 큰 데이터셋도 아니었습니다. 예측 대상을 물리적으로 볼 수 있는 두 개의 파장이었습니다.
딸기: 로봇이 일정표를 들고 도착하다
고설 재배는 로봇이 도착하기 훨씬 전에 이미 기하 구조를 표준화해 두었습니다.
딸기는 로봇 수확이 가장 오래 약속되어 온 작물이고, 2025년과 2026년은 그 약속에 날짜가 붙은 첫 해입니다.
Harvest CROO는 2025년 4월, 자동 수확 포장 시험이 상업적 수확 작업에서 사람 수확과 동등한 수준의 성능에 도달했다고 발표했습니다. 영국에서는 Dogtooth가 2025년에 상업 출시로 전환했고 2026년 시즌용 장비를 공급합니다. DailyRobotics는 사람보다 두세 배 빠르게 딴다고 밝힌 기계로 2026년 캘리포니아 상업 출시를 목표로 하고 있습니다.
처리량 주장은 제3자가 재현하기 전까지 공급업체의 주장으로 다루십시오. 그 아래에 깔린 경제성은 공개된 자료이고 반박하기 훨씬 어렵습니다. 미국 H-2A 농업 노동의 임금 하한인 2025년 Adverse Effect Wage Rate는 전국 평균 시급 18.12달러로 3.2퍼센트 올랐고, 델타 주들의 14.83달러부터 하와이의 20.08달러까지 분포하며 캘리포니아는 19.97달러입니다. 이 제도를 가장 많이 이용하는 과채류 생산자는 농장 전체 지출의 약 38퍼센트를 노동에 씁니다(American Farm Bureau Federation).
딸기 로봇은 사람을 이길 필요가 없습니다. 노동이 지출 1달러 중 38센트를 차지하고 인력을 채우기조차 어려운 작물에서, 오르는 임금 하한보다 낮은 비용으로 충분히 쓸 만하기만 하면 됩니다. 훨씬 낮은 문턱이고, 하한이 오를 때마다 그 문턱은 더 내려갑니다.
딸기는 또한 현재 존재하는 가장 우호적인 포장 대상입니다. 고설 및 융기 베드 재배는 열매를 고정된 높이에, 반복 가능한 기하 구조로, 잎에서 떨어져 매달린 채, 정해진 방향에서 닿을 수 있게 배치합니다. 생산자는 로봇이 아니라 수량과 작업자 편의를 좇았을 뿐인데 결과적으로 선별 라인의 조건을 야외에 부분적으로 재현해 놓은 셈입니다. 자동화가 가장 먼저 안착하는 작물은 이미 구조가 표준화되어 있던 작물이었습니다.
헤이즐넛: AI가 병목이 아닌 곳
이만큼 가파른 비탈에서 제약은 한 번도 모델이었던 적이 없습니다. 땅이었습니다.
그리고 이 논의 전체를 무시하는 작물이 있습니다.
튀르키예는 세계 헤이즐넛의 약 70퍼센트, 수출의 82퍼센트를 생산합니다(International Nut and Dried Fruit Council이 전한 FAO 자료). 생산은 흑해 지역에 집중되어 있고, 경사가 20퍼센트를 넘는 경우가 잦으며, 대개 오십 년이 넘고 때로는 백 년을 넘긴 과원에서, 얕은 토양에 빽빽하게 심긴 채, 흔히 협곡 비탈에 자리합니다. 오래된 재배 지역의 수확은 다른 방법이 없어 손으로 이뤄지고, 더 새롭고 평탄한 식재지는 기계화되었습니다.
어떤 모델 정확도 수치도 이 가운데 무엇에도 닿지 않습니다. 구속 조건은 지형과 나무의 나이, 그리고 과원의 구조입니다. 손 수확을 전제로 심긴 백 년 된 그루 사이, 경사 30퍼센트의 비탈에는 수확 로봇을 투입할 수 없고, 대응할 수단이 없는 소농에게 수확량 예측은 큰 가치가 없습니다. 2025년 시즌이 이 점을 날카롭게 보여 주었습니다. 서리와 병해충 압력이 예상 생산량을 대략 절반으로 줄이고 가격을 두 배로 올렸으며, 어떤 양의 센싱도 결과를 바꾸지 못했습니다.
헤이즐넛에도 진짜 AI 이야기가 있지만, 그것은 흐름의 아래쪽, 체리가 이긴 바로 그 자리에 있습니다. 알맹이 선별, 껍질과 이물 제거, 곰팡이와 해충 피해 검출은 모두 실내에서 고정된 조명 아래 벨트 위에서 일어나고, 기술은 거기서 제 몫을 합니다.
헤이즐넛은 이 글의 대조군입니다. “AI가 이걸 할 수 있는가”는 두 번째 질문이라는 사실을 일깨웁니다. 첫 번째 질문은 애초에 감지가 앞을 막고 있던 것이 맞느냐입니다.
위성 레이어: 유용하지만 과대 판매되고 결정적인 경우는 드물다
원격 탐사는 별도의 경고를 받을 만합니다. 완결된 해답처럼 팔리는 일이 가장 잦은 레이어이기 때문입니다.
위성이나 드론 영상에서 계산하는 NDVI 같은 식생 지수는 실제로 작물의 활력을 따라갑니다. 그리고 영상 해상도가 높아질수록 수확량 모델의 정확도도 개선됩니다. 그 아래에는 세 가지 구조적 한계가 있고, 어느 것도 소프트웨어 문제가 아닙니다.
수동형 광학 센서는 구름을 통과해 보지 못하므로 시계열 확보는 일정이 아니라 날씨의 문제이며, 결측은 가장 관찰하고 싶었던 생육 단계에 몰리는 일이 잦습니다. NDVI는 또한 밀생한 수관에서 포화하는데, 이는 성목 과수원의 상태 그 자체입니다. 그래서 대기 효과와 토양 배경을 보정하는 대체 지수가 생체량이 많은 식재지에서 더 나은 성능을 내는 경향이 있습니다. 소농이나 혼작 경관에서는 픽셀 하나가 관리 방식이 다른 여러 작물에 걸칠 수 있어, 정작 조언이 가장 필요한 곳에서 신호가 흐려집니다.
수확량 모델은 규모에 따라 매우 다르게 움직이기도 합니다. 지역이나 국가 단위 추정은 필지 단위보다 훨씬 신뢰할 만한데, 여러 필지에 걸친 오차는 서로 상쇄되지만 한 필지의 오차는 상쇄되지 않기 때문입니다. 국가 단위 검증 정확도를 내세우면서 필지 단위 의사결정 도구를 파는 플랫폼은 주제를 바꾼 것입니다.
이 가운데 무엇도 위성 모니터링을 무가치하게 만들지 않습니다. 다만 그것을 선별 레이어로 자리매김하게 합니다. 달라진 구역으로 주의를 돌리는 데는 좋고, 현장에 도착해 내리는 구체적 판단에는 약합니다.
시험에 합격하는 모델과 잎을 읽는 모델
앞의 모든 내용과 어긋나는 결과가 하나 있고, 이것은 곱씹어 볼 가치가 있습니다.
연구진은 브라질, 인도, 미국의 농업 자격 시험으로 대형 언어 모델을 평가했습니다. GPT-4는 문항의 93퍼센트를 정확히 맞혔고, 이는 농학 자격 갱신 학점을 주는 시험을 통과하기에 충분한 수준입니다. 이전의 범용 모델은 88퍼센트였습니다(arXiv:2310.06225).
그러니까 언어 모델은 농학자 시험을 통과할 수 있는 반면, 수만 장의 잎으로 학습한 시각 모델은 조명이 바뀌는 순간 31.4퍼센트로 떨어집니다. 두 진술 모두 참이고, 둘을 합치면 지금 농업에서 AI가 무엇을 잘하는지가 정확히 자리를 잡습니다.
성문화된 지식은 이전됩니다. 시험은 이미 글로 적히고 표준화되고 반복된 자료를 평가하며, 이는 언어 모델에 이상적인 토양입니다. 감지는 이전되지 않습니다. 모든 밭이 어떤 데이터셋도 온전히 담아내지 못한 새로운 조명, 각도, 가림, 먼지, 생육 단계의 분포를 내놓기 때문입니다.
운영 관점의 해석은 이렇습니다. 언어 모델은 농학 지식에 접근하는 강력한 인터페이스이고, 오늘 아침 내 구역에서 실제로 벌어지는 일에 대해서는 빈약한 증인입니다. 특정 해충의 권장 방제 기준은 알려 줄 수 있습니다. 그 해충이 실제로 있는지는 알려 주지 못합니다. 같은 질문이 날마다 같은 어시스턴트에게서 다른 답을 이끌어낼 수 있다는 점도 알아 둘 필요가 있는데, 출력이 방제 권고일 때는 그 차이가 매우 큽니다. 후자를 전자에 연결하고 어느 절반이 센싱이고 어느 절반이 검색인지 분명히 밝히는 일이 진지한 농업 AI 제품의 설계 작업 대부분을 차지합니다.
농업 AI를 도입하기 전 던져야 할 네 가지 질문
위의 사례들은 하나의 의사결정 절차로 정리됩니다. 어떤 공급업체의 주장이든 여기에 통과시켜 보십시오.
1. 조명을 누가 통제합니까? 답이 선과장 안의 공급업체라면 그 정확도 수치는 아마 의미가 있습니다. 답이 하늘이라면 어떤 조건에서 측정했는지 묻고 상당한 성능 저하를 전제하십시오. 99.35와 31.4의 간극이 통제되지 않은 카메라의 대가입니다.
2. 센서가 예측 대상을 물리적으로 볼 수 있습니까? 어떤 모델도 센서가 애초에 담지 못한 정보를 되살리지 못합니다. 블랙베리 성숙도에 필요했던 것은 더 깊은 신경망이 아니라 700과 770나노미터였습니다. 어떤 스펙트럼, 어떤 해상도, 어떤 프레임 속도인지, 그리고 대상이 그 데이터에 보이기는 하는지 물으십시오.
3. 오류가 얼마나 자주가 아니라 얼마나 비싸게 발생합니까? 정확도 95퍼센트의 선별기와 정확도 95퍼센트의 방제기는 비교 가능한 구매가 아닙니다. 남은 5퍼센트가 무엇을 하는지, 누가 그것을 잡아내는지, 아무도 잡아내지 못할 때 무엇을 치르는지 물으십시오.
4. 애초에 감지가 병목이 맞습니까? 흑해의 헤이즐넛 생산자에게 병목은 경사입니다. 다른 곳에서는 물 권리, 인력 확보, 혹은 더 빨리 돌 수 없는 선과장입니다. 병목이 아닌 곳에 겨눈 AI는 있지도 않았던 문제에 대해 훌륭한 정보를 만들어 냅니다.
이 가운데 무엇도 농업의 AI에 반대하는 논거가 아닙니다. 체리 라인은 진짜 성과이고, 블랙베리 센서도 진짜 성과이며, 딸기 로봇은 가까워 보입니다. 이것은 정확도 수치를 그것을 만들어 낸 조건에 대한 서술로 읽자는 논거이고, 그 수치는 원래 늘 그런 것이었습니다.
농업에 판매하는 모든 기업에게 이것이 중요한 이유
공급업체 자신에게 남는 결론이 하나 있습니다.
농업 구매자는 웹사이트에 닿기도 전에 점점 더 AI 어시스턴트를 통해 조사하고, 그런 시스템은 출처를 밝힐 수 있는 자료에 보상을 줍니다. 측정 조건 없이 “정확도 99퍼센트”라고 적힌 페이지는 사실상 인용이 불가능합니다. 어시스턴트가 브랜드 이름을 붙여 안전하게 되풀이할 수 있는 주장이 없기 때문입니다. “떼어 둔 데이터에서 95.1퍼센트, 포장에서 90.2퍼센트, 700과 770나노미터 VIS-NIR”이라고 적힌 페이지는 기다리고 있는 인용입니다. 모든 구성 요소를 검증할 수 있기 때문입니다.
농업 AI 주장을 생산자에게 믿을 만하게 만드는 규율은 그것을 기계가 찾아낼 수 있게 만드는 규율과 같습니다. 조건을 밝히고, 모집단을 밝히고, 실패했을 때 무슨 일이 벌어지는지 밝히십시오. 그러지 않으면 지금 다른 모든 영역에서 AI 주장에 대한 신뢰를 깎아내리는 브랜드가 주장하는 것과 보여줄 수 있는 것 사이의 같은 격차에 빠집니다. 농업에서든 어디에서든 방법은 이것이 전부이고, 근거의 형태를 갖춘 페이지가 응답 엔진에 인용되는 반면 자신감만 있는 페이지가 건너뛰어지는 이유이기도 합니다.
