AI 기반 예측 모델이 농업 생산성을 획기적으로 끌어올릴 잠재력을 갖췄다는 사실은 연구로 확인되고 있다. 수확량 26% 증가, 수자원 사용 41% 감소, 화학 농약 투입량 33% 절감이 AI 도입 시 기대되는 수치다. 그러나 MIT 테크놀로지 리뷰가 6월 30일 보도한 분석에 따르면, 농업 현장의 데이터 현실은 이 잠재력을 실현하기에 아직 준비가 부족하다.
농업 운영 환경은 IoT 기기, 자동화 관개 시스템, 자율주행 트랙터, 드론 영상 등 다양한 소스에서 데이터가 생성되지만, 이들은 본질적으로 분산돼 있고 표준화가 이뤄지지 않았다. 불완전한 이력 데이터로 훈련된 수확량 예측 모델은 부정확한 결과를 낼 수밖에 없고, 단편화된 센서 데이터에 의존하는 관개 시스템은 오히려 자원을 낭비할 수 있다. 같은 필지 안에서도 토양 특성이 달라지는 공간적 가변성 문제는 일반화된 AI 권고를 더욱 위험하게 만든다. AI가 틀린 처방을 내리면 수확 손실이나 환경 오염으로 이어질 수 있다는 뜻이다.
전문가들은 해결책으로 ‘데이터 준비도(data readiness)’를 갖추는 것을 제시한다. 정확하고 완전한 데이터 기반을 만들기 위해 단일화된 거버넌스 체계, 실시간 데이터 파이프라인, 지속적인 데이터 유지보수가 함께 갖춰져야 한다는 것이다. 104년 역사의 농업 유통업체 윌버-엘리스(Wilbur-Ellis)는 고객·공급자·가격·마진 데이터를 연결하는 신뢰할 수 있는 데이터 기반을 구축해 복잡한 의사결정 능력을 확보한 성공 사례로 거론된다.
농업 AI 도입의 병목이 기술보다 데이터에 있다는 이 진단은 한국 스마트팜 정책에도 시사하는 바가 크다. 국내에서도 온실·노지 작물 관리에 AI 솔루션이 빠르게 보급되고 있지만, 농가별로 축적된 데이터가 호환되지 않거나 표준이 없어 광역 학습 모델 개발에 어려움을 겪고 있다. 데이터 수집과 표준화 인프라에 대한 선제적 투자 없이는 AI 농업의 약속이 현장에서 실현되기 어렵다는 경고로 읽힌다.
