농산물 부패 예측 AI, 효과는 있지만 저장·운송 병목 없이는 손실 감축 한계
수확 뒤 농산물이 언제 상할지 인공지능으로 더 정확하게 예측할 수 있어도, 그 예측만으로 손실이 줄어드는 것은 아니다. 국제기구와 국내 정책 자료를 함께 보면 수확 후 손실은 대체로 저장·운송·판매 연결이 끊기는 구간에서 커졌고, 예측 시스템은 이 병목을 보완할 때 가장 큰 효과를 냈다. ‘AI가 부패 시점을 알려주면 손실 문제를 해결할 수 있다’는 식의 설명은 실제 현장 조건을 많이 생략한 주장에 가깝다.
유엔 식량농업기구(FAO)는 2019년 보고서에서 전 세계 식품의 약 14%가 수확 후부터 소매 이전 단계에서 손실된다고 추정했다. 이 구간에는 선별, 저장, 운송이 모두 포함된다. 다시 말해 손실의 핵심은 단순히 “언제 상하는지 몰라서”만이 아니라, 알고도 제때 식히고 옮기고 팔 수 있는 체계가 없어서 발생하는 경우가 많다는 뜻이다.
냉장 설비와 시장 연결이 함께 있을 때 손실이 줄었다
UNEP와 FAO가 2022년에 낸 냉장유통 보고서는 이 점을 분명히 적고 있다. 보고서는 개발도상국이 선진국 수준의 냉장유통 장비를 갖추면 연간 1억4400만 톤의 식품을 추가로 보전할 수 있다고 봤지만, 동시에 냉장 장비 수준만 높여서는 충분하지 않다고 설명했다. 생산물이 실제 소비지까지 도달하도록 시장 연결이 함께 이뤄져야 손실이 줄어든다는 것이다.
같은 보고서가 든 인도 키노우 사례는 이 차이를 잘 보여준다. 이 사업은 단순한 예측 프로그램이 아니라 예냉, 집하, 냉장 운송을 묶은 냉장유통 개입이었다. 그 결과 손실은 76% 줄었고, 농가 수익과 현금 회전도 개선됐다. 손실 감축의 직접 요인이 알고리즘 자체라기보다, 예측된 위험에 대응할 수 있는 물리적 유통 체계였다는 점이 중요하다.
세계은행이 2021년 배경보고서에서 정리한 내용도 비슷하다. 이 보고서는 개발도상국 식품 생산물의 최소 25%가 냉장유통 부재 때문에 손실된다고 봤다. 또 냉장창고에 넣는 것만으로는 충분하지 않고, 저장시설·차량·물류거점·유통망이 통합된 체계여야 품질과 물량을 지킬 수 있다고 설명했다.
AI 예측은 유망하지만, 실험실 성과와 현장 성과는 다르다
그렇다고 AI가 쓸모없다는 뜻은 아니다. 최근 식품공학 분야 연구들은 영상, 분광, 전자코 같은 센서와 기계학습을 결합해 과일·채소·육류의 신선도와 잔여 유통 가능 기간을 추정하는 기술이 빠르게 발전하고 있다고 본다. 이런 기술은 먼저 팔아야 할 물량을 골라내고, 온도 이탈을 빨리 감지하고, 선별·출하 순서를 조정하는 데 도움을 줄 수 있다.
다만 현재까지 공개된 검증 수준은 대체로 제한적이다. 2026년 비판적 검토 논문들은 부패 탐지와 유통기한 예측 연구가 상당수 통제된 저장 실험에서 이뤄졌고, 상업용 냉장유통 전 구간에서 독립적으로 검증된 사례는 상대적으로 적다고 지적했다. 배치가 바뀌거나 계절이 달라지거나 포장 방식이 달라지면 정확도가 떨어질 수 있고, 센서 오염과 보정 문제도 남아 있다. 예측 정확도가 높다는 결과가 곧바로 손실 감축 실적으로 이어진다고 보기 어려운 이유다.
결국 AI는 ‘판단 도구’이지 ‘대체 인프라’가 아니다. 냉장창고가 없거나, 예냉 설비가 없거나, 저온수송 차량이 부족하거나, 판매처와 연결이 늦으면 알고리즘이 부패 위험을 빨리 알려도 실제 행동으로 옮길 수 없다. 반대로 저장·운송 체계가 갖춰진 곳에서는 AI가 재고 회전과 출하 우선순위를 조정해 추가 효과를 낼 가능성이 크다.
한국에서도 먼저 확인되는 것은 저온유통의 실물 효과다
국내 자료도 비슷한 방향을 가리킨다. 농림축산식품부는 2021년 공개한 저온유통체계 구축사업 성과 분석에서 마늘·양파 저장시설 설치 및 개보수 지원을 받은 16개소를 비교한 결과, 저장 농산물 감모율이 평균 12.2%에서 6.7%로 5.5%포인트 낮아졌고 저장·취급 물량은 11% 늘었다고 밝혔다. 평균 가동일도 26% 증가했다. 손실 감축이 실제로 확인된 것은 예측 소프트웨어가 아니라 저장·수송 시설 투자였다.
농촌진흥청도 수출 원예작물의 경우 현지 유통 중 부패와 비상품과 발생이 여전히 높고, 수확 후 관리 기술 부족 때문에 항공 수출 의존이 커지는 문제가 있다고 짚고 있다. 이는 한국처럼 비교적 유통 기반이 갖춰진 나라에서도 품목별로는 저장 조건과 운송 체계가 여전히 성패를 가른다는 뜻이다.
정부의 최근 농업·농촌 AI 확산 계획도 이런 현실을 반영한다. 농림축산식품부는 AI 기반 수급예측과 함께 산지유통센터 정보관리, 통합물류체인, 스마트 유통·물류 전환을 함께 추진하겠다고 밝혔다. 한국 정책도 AI만으로 문제를 풀겠다는 접근이 아니라, 유통 인프라 위에 AI를 얹는 방식으로 설계되고 있는 셈이다.
정리하면, 수확 후 손실과 관련해 지금까지 검증 가능한 성과는 ‘예측 기술 자체’보다 ‘예측에 대응할 저장·운송·판매 체계가 있을 때 손실이 줄었다’는 쪽에 더 가깝다. AI는 부패 위험을 더 빨리 보고 출하 순서를 더 잘 정하는 데 도움을 줄 수 있지만, 냉장시설과 저온수송이 부족한 현장에서는 손실 감축의 주된 해법이 되기 어렵다. 이 분야의 실질적 성과를 평가하려면 앞으로도 알고리즘 정확도보다 감모율 변화, 출하 가능 기간, 판매 도달률, 물류비와 같은 현장 지표를 함께 봐야 한다.
자료: FAO, The State of Food and Agriculture 2019: Moving forward on food loss and waste reduction(2019); UNEP·FAO, Sustainable Food Cold Chains: Opportunities, Challenges and the Way Forward(2022-11); World Bank, Cold Chains in Developing Economies: A Techno-Socio-Economic Structural Development Challenge, Background Paper(2021); 농림축산식품부, 저온유통체계 구축으로 우리 농산물이 더 신선해집니다(2021-08-06); 농촌진흥청, 원예작물 저장유통 기술 개발 현황 및 과제(열람 기준 확인); Frontiers in Food Science and Technology, From predictive AI to autonomous food bioprocessing: a critical review of real-time quality monitoring, energy optimization, digital twins, and intelligent process control(2026); 농림축산식품부, 농사는 더 쉽게, 수급은 더 안정적으로, 농촌은 더 편리하게 농업·농촌 AI 도입·확산(2026)