AI가 농업 분야에서 작물 수확량 증대와 자원 절약 등 혁신을 가져올 수 있지만, 정확하고 통합된 데이터 기반이 없다면 오류를 양산할 위험이 큽니다. IoT 기기, 외부 기상 정보 등 파편화된 농업 데이터를 먼저 체계적으로 정비하는 것이 성공적인 AI 도입을 위한 핵심 전제 조건입니다.
번역된 본문
후원: Reltio 제공
인공지능(AI)은 농업에서 가능한 일들의 한계를 넓히고 있지만, 업계 리더들은 기본적인 기반을 먼저 다지지 않은 채 AI에 투자하는 데 경계해야 합니다. 변동성이 큰 비료 가격, 예측할 수 없는 날씨, 오차 허용 폭이 좁은 이윤 등을 극복해야 하는 산업에게 AI의 활용 사례는 매우 유망해 보입니다. 연구에 따르면 AI 기반 예측 모델은 작물 수확량을 26% 향상시키고, 물 사용량을 41% 줄이며, 화학 물질 사용량을 33% 감소시킬 수 있습니다. 하지만 AI 벤더들이 일반적으로 알려주지 않는 것이 있습니다. 바로 이러한 솔루션이 깨끗하고 탄탄한 데이터 기반 위에서만 효과를 발휘할 수 있다는 사실입니다. 하지만 Reltio는 주요 농업 유통업체의 기술 전략을 이끌고 전 세계 기업이 사용하는 데이터 플랫폼을 구축하는 등 이 분야에서 풍부한 경험을 보유하고 있으며, 우리는 이 문제를 직접 목격했습니다.
AI 벤더들이 말하지 않는 진실
농업 분야에서 벤더와의 대화는 대개 익숙한 패턴을 따릅니다. 그들은 작물의 건강 상태를 실시간으로 모니터링하고, 관개(灌漑)를 최적화하며, 모든 토지에서 더 많은 수확량을 얻어내는 AI의 웅장한 약속을 앞세워 영업을 합니다. 이러한 약속은 매력적이지만, 정작 그 약속을 뒷받침하는 데이터 기반이 정확하고 완전한지에 대한 질문은 거의 다뤄지지 않습니다. 만약 그렇지 않다면, AI가 권위 있어 보이지만 실제로는 역효과를 낳는 잘못된 결과물을 내놓을 위험이 매우 현실적이고 큽니다. 예를 들어, 일관성 없는 과거 데이터만을 학습한 수확량 예측 모델은 부정확한 예측치를 산출할 것입니다. 이와 마찬가지로 파편화된 센서 데이터에 의존하는 정밀 관개 시스템은 자원을 절약하기는커녕 낭비하는 물 공급 결정을 내릴 수 있습니다. 이 모든 경우에서 AI가 실패하는 이유는 학습된 데이터가 신뢰할 수 있는 결과를 도출하기에 충분하지 않았기 때문입니다. 농업에서 AI의 환각(Hallucination)은 곧 위험을 의미하며, 오류가 발생할 가능성도 매우 높습니다.
농업이 독보적으로 까다로운 테스트 케이스인 이유
수천 명의 농부에게 서비스를 제공하는 현대적인 농업 현장이나 대규모 유통업체에 걸쳐 있는 데이터 생태계는 비정상적으로 복잡합니다. 현대의 농업 환경은 사물인터넷(IoT) 기기와 기계를 광범위하게 사용합니다. 관개 시스템은 자동화되고, 트랙터는 자율적으로 들판을 누비며, 드론은 대규모로 밭의 이미지를 캡처합니다. 하지만 기계 데이터는 본질적으로 분산되어 있습니다. 여기에 기상 정보, 미국 농무부(USDA) 데이터, 제3자 시장 정보 등 외부 소스가 더해지면, 이 모든 것을 어떻게 응집력 있는 하나의 체계로 통합할 것인지가 엄청난 과제가 됩니다. 농업 AI는 단순히 고객의 속성을 이해하는 것을 넘어 토지를 이해해야 합니다. 즉, GPS 좌표, 농장 경계, 필드 블록, 단일 부지 내의 토양 변화를 파악해야 합니다. 비료를 어디에 얼만큼, 그리고 농장의 구체적으로 어느 구역에 살포해야 할까요? 밭의 모든 부분이 동일하지 않은데도 동일한 것처럼 취급하는 AI 시스템은 좋게는 부정확하고, 최악의 경우 치명적인 손상을 입히는 권고 사항을 제시할 것입니다. 또한 다루는 화학 물질과 그에 따른 책임 때문에 규정 준수의 차원도 고려해야 합니다. 농업의 운영 AI는 리스크가 상대적으로 낮은 환경보다 훨씬 더 엄격한 검토와 데이터 거버넌스를 필요로 합니다. 현장에서 결함이 있는 AI의 권고 사항이 그대로 실행될 경우, 그 결과는 매우 심각할 수 있습니다.
실천 관점에서 바라본 '데이터 준비성'의 의미
데이터 준비성(Data readiness)은 AI가 약속을 이행하느냐, 아니면 '쓰레기 입력, 쓰레기 출력(Garbage in, garbage out)' 상황이 되느냐를 가르는 핵심 기준입니다. 근본적으로 AI를 준비한다는 것은 기업의 비즈니스 운영 방식을 정확하게 반영하는 데이터 모델을 갖추고 있음을 의미합니다. 104년의 역사를 가진 가족 경영 농업 유통업체인 윌버-엘리스(Wilbur-Ellis)와 같은 기업에게 이는 자사의 고객이 누구인지, 그들이 경작하는 밭은 어디인지, 어떤 영양분이나 자재(투입물)가 필요한지, 그 자재가 어느 공급업체에서 오는지, 지난 시즌에 얼마를 지불했는지, 그리고 이 모든 것이 마진(이윤)과 어떻게 연결되는지 이해하는 것을 뜻합니다. 이러한 정보는 결코 분리되어 접근할 수 없는 시스템들에 갇혀 있어서는 안 되며, 조직 전체에 걸쳐 항상 최신 상태로 유지되고 일관성을 갖추며 접근 가능해야 합니다.
Sponsored Provided by Reltio Artificial intelligence is transforming what is possible in agriculture, but industry leaders should be wary of investing in AI without first laying the groundwork. The use cases are promising, especially for an industry navigating volatile fertilizer costs, unpredictable weather, and margins that leave little room for error. Research shows AI-enabled predictive models can improve crop yield by 26%, reduce water use by 41%, and cut chemical usage by 33%. However, what AI vendors usually won’t tell you is that these solutions are only effective if you have a clean, solid data foundation. However, at Reltio, we have experience in this area, including leading technology strategy at a major agricultural distributor and building a data platform used by enterprises worldwide–we’ve seen it first hand. What AI vendors won’t tell you Vendor conversations in agriculture tend to follow a familiar pattern. The pitch leads with grand promises around using AI to monitor crop health in real time, optimize irrigation, and squeeze more yield from every acre. The promise is compelling, but what rarely comes up is the question of whether the data foundation underneath those promises is accurate and complete. If not, there is a real and significant risk that AI will generate misleading outputs that seem authoritative but inspire action that is, at best, counterproductive. For instance, a yield prediction model fed inconsistent historical data will generate imprecise forecasts. Similarly, a precision irrigation system drawing on fragmented sensor data will make watering decisions that waste resources instead of saving them. In each case, the AI is failing because the data it was trained on was not sufficient to produce trustworthy outputs. In agriculture, every AI hallucination is a liability, and the likelihood of error is high. Why agriculture is a uniquely challenging test case The data landscape across a modern agricultural operation or a large distributor serving thousands of growers is extraordinarily complex. Modern farming environments make extensive use of IoT devices and machinery. Irrigation systems are automated, tractors navigate fields autonomously, and drones capture field imagery at scale. However, machine data is disparate by nature. Add in external sources, including weather feeds, U.S. Department of Agriculture data, and third-party market information, and the question of how you bring all of it together into something coherent becomes a significant undertaking. Agricultural AI also needs to understand more than just customer attributes; it needs to understand the land: GPS coordinates, farm boundaries, field blocks, and soil variation across a single property. Where do you apply fertilizer, and at what rate, and in which specific area of the farm? Not all parts of a field are the same, and an AI system that treats them as if they are will produce recommendations that are at best imprecise and at worst damaging. There is also a compliance dimension due to the chemicals and the responsibility involved. Operational AI in agriculture needs significantly more checks and governance than it might in a lower-stakes environment. When a flawed recommendation gets acted upon in the field, the consequences can be severe. What data readiness means in practice Data readiness is the difference between AI delivering on its promise vs. a “garbage in, garbage out” scenario. Fundamentally, being ready for AI means having a data model that accurately reflects how the business operates. For a company like Wilbur-Ellis, a 104-year-old, family-owned agricultural distributor, that means understanding who your customers are, which fields they farm, which inputs they need, which suppliers those inputs come from, what they paid last season, and how all of that connects to margin. That information needs to be current, consistent, and accessible across the organization, rather than locked in separate systems that were never designed to talk to each other. Similarly, for farming operations themselves, data readiness means having a reliable, connected picture of what is happening across every field: soil health records, input application histories, yield data from previous seasons, equipment performance, and real-time sensor readings from irrigation systems. Governance matters just as much as structure. Prices change, relationships evolve, and suppliers come and go. An AI system drawing on data that was accurate six months ago but has not been maintained will make recommendations based on a version of the business that no longer exists. Building the foundation that makes AI trustworthy The good news is that the path to data readiness is feasible. It starts with a strong data model: a single, governed source of truth that connects customers, suppliers, products, pricing, orders, and margins in a way that reflects how the organization operates. From there, it requires data pipelines fast enough to deliver insights when decisions need to be made, governance frameworks that keep that data trustworthy over time, and security controls that ensure sensitive commercial information is accessible to the right people under the right conditions. This is precisely the challenge that Reltio, an SAP company, was built to solve. Reltio enables companies to unify their fragmented data so AI agents and systems can operate from a complete picture of the business. Reltio builds a trusted system of context, known as the context intelligence layer, that brings all entities, relationships, rules together under one roof and makes business data easy to access and interpret. For Wilbur-Ellis, building that trustworthy data foundation has meant being able to ask more complex questions and trust the answers, which is the precondition for any AI system to be genuinely useful. How agriculture can drive real value from AI The question worth asking before the next AI conversation is not whether the use case is promising. It almost certainly is. The question is whether the underlying data foundation is strong enough to make the output trustworthy. Agriculture has always required its leaders to make high-stakes decisions under uncertainty, and AI offers the genuine prospect of making those decisions faster and better informed. That prospect is only achievable for organizations that have done the foundational work first, and the businesses that will get the most from AI are the ones investing in that foundation now. This content was produced by Reltio. It was not written by MIT Technology Review’s editorial staff. Deep Dive Artificial intelligence A new US phone network for Christians aims to block porn and gender-related content Launching next week on T-Mobile's network, the cell plan takes a nuclear approach to online safety. By James O'Donnell archive page A startup claims it broke through a bottleneck that’s holding back LLMs Subquadratic has now shared more details about its new model. But some are still skeptical. By Will Douglas Heaven archive page Musk v. Altman week 1: Elon Musk says he was duped, warns AI could kill us all, and admits that xAI distills OpenAI’s models Musk kept his cool, and OpenAI’s lawyer bulldozed him with piercing questions about his motivations for suing the company. By Michelle Kim archive page A reality check on the AI jobs hysteria What do the numbers really say about the impact of artificial intelligence on the labor market? The answer might surprise you. By David Rotman archive page Stay connected Illustration by Rose Wong Get the latest updates from MIT Technology Review Discover special offers, top stories, upcoming events, and more. Enter your email Privacy Policy Thank you for submitting your email! Explore more newsletters It looks like something went wrong. We’re having trouble saving your preferences. Try refreshing this page and updating them one more time. If you continue to get this message, reach out to us at customer-service@te