🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

트랙터에 AI를 달았더니 농업은 단순 자동주행을 넘어, 노동력 부족·식량안보·농가 규모화 문제를 해결하기 위한 데이터 기반 운영 산업으로 바뀌기 시작했다.

📌 핵심 요점

1. 농업 AI의 출발점은 기술 유행이 아니라 식량 자급률 하락, 농촌 인력 부족, 특정 시기에 노동이 몰리는 구조적 문제다.
2. 자율주행 트랙터는 사람이 반복적으로 오래 운전해야 하는 논밭 작업을 줄일 수 있지만, 실제 난제는 “앞으로 가는 것”보다 흙을 얼마나 잘 갈고 평탄하게 만들었는지 판단하는 자율 작업에 있다.
3. 카메라와 AI는 로터리 작업 후 흙덩어리 크기, 물써레의 평탄도, 과수원 제초에서 지나가야 할 잡초와 피해야 할 나무를 구분하는 데 쓰이며, 현장 데이터 축적이 성능을 좌우한다.
4. 농업이 개인 농가 중심에서 법인·위탁·공동 경영으로 이동할수록 트랙터, 필지, 작업 이력, 정비 상태를 관리하는 팜 매니지먼트 플랫폼의 중요성이 커진다.
5. 대동에이아이랩의 방향은 AI 트랙터와 정밀농업 플랫폼을 넘어 스마트팜, 데이터 기반 농사 대행, 장비 보유를 서비스 이용으로 바꾸는 운영 모델까지 확장될 가능성을 포함한다.

🧩 배경과 문제 정의

• 농업의 AI 도입은 단순한 기술 유행이 아니라, 식량 자급률 하락과 노동력 부족, 농가 구조 변화가 맞물린 상황에서 생산성을 유지하기 위한 대응이다.
• 한국은 식량 자급률과 곡물 자급률이 낮아졌고, 우크라이나 전쟁 이후 식량 문제가 안보 리스크와 직접 연결될 수 있다는 인식이 커졌다.
• 농업은 특정 시기에 노동력이 집중적으로 필요한 산업이지만, 한국·미국·일본 모두 농업 인력이 줄어들며 외국인 노동 의존도와 농업 법인화가 커지고 있다.
• 트랙터 자율주행은 넓은 농지에서 반복적이고 지루한 작업 부담을 줄이고, 인력이 부족한 상황에서도 필요한 시기에 작업을 마치기 위한 핵심 기술로 주목받고 있다.

🕒 시간순 섹션별 상세정리

1. 농업 자율주행의 가능성과 더 어려운 작업 조건

• 논밭처럼 하늘이 보이고 이동 경로가 비교적 정해져 있으며 장애물이 적은 환경에서는 자율주행이 어느 정도 작동할 수 있다 [00:02]
• 제초 작업은 잡초가 계속 자라 센서 시야를 가리기 때문에, 카메라가 막힌 상황에서도 장비가 이동을 이어가야 하는 더 어려운 문제를 만든다 [00:14]

2. 대동 AI랩의 출범과 농업 AI의 필요성

• 대동 AI랩은 AI와 IT가 앞으로 농기계와 농업 기술의 핵심 경쟁력이 될 수 있다는 판단 아래 별도 법인으로 출범했다 [02:32]
• 농업 AI의 필요성은 단순한 시장 성장 기대가 아니라, 기존 농업이 안고 있는 현장의 어려움을 해결해야 한다는 문제의식에서 나온다 [02:49]

3. 정해진 시기에 몰리는 농업 노동과 인력 부족

• 사과나 옥수수처럼 작물과 품종마다 수확을 끝내야 하는 시기가 정해져 있고, 농업 노동은 연중 고르게 발생하기보다 특정 시즌에 집중된다 [03:55]
• 수확기에 인력을 구하지 못하면 농사를 망칠 수 있어, 숙련 노동력 확보 문제는 한국뿐 아니라 일본과 미국에서도 점점 커지고 있다 [04:15]

4. 미국과 일본에서 커지는 농업 구조 변화

• 미국에서는 농업 분야 H2A 비자 신청이 2005년부터 2024년까지 8배 이상 늘며, 농업 노동이 해외 인력에 더 크게 의존하게 됐다 [05:19]
• 동시에 미국은 농가 수가 줄고 한 농가가 맡는 경작 면적은 커지고 있어, 더 적은 인력으로 더 넓은 땅을 관리해야 하는 압박이 커지고 있다 [05:42]

5. 자율주행 트랙터가 필요한 작업 특성과 논밭 주행의 난점

• 존디어의 자율주행 투자는 사람이 8시간 동안 시속 5km로 줄을 맞춰 운전해야 하는 반복적이고 지루하며 위험한 작업을 줄이려는 필요에서 출발했다 [06:40]
• 자율주행 트랙터는 운전자가 탑승하지 않고 앱으로 작업을 시작한 뒤, 문제가 생겼을 때만 사람이 개입하는 방식으로 반복 작업 부담을 낮춘다 [07:40]

6. 자율주행보다 어려운 자율 작업의 조건

• 농기계는 앞으로 주행하는 것만으로 작업이 끝나지 않으며, 땅을 얼마나 잘 파고 작업 품질을 얼마나 높이느냐가 핵심 성능이 된다 [10:00]
• 최종 목표는 자율주행을 넘어 자율 작업까지 구현하는 것이며, 작업기 품질과 제어가 자동차식 이동 자동화와 다른 핵심 차이를 만든다 [10:16]

7. 작업기 제어와 비전 기반 품질 평가

• 자율 작업에서는 목적지까지 이동하는 것보다 작업기를 얼마나 정확히 제어하고, 장착한 작업기에 맞춰 어떤 경로와 방식으로 움직일지가 중요해진다 [11:21]
• 작업 품질을 판단하려면 작업 전후 결과와 평가 기준이 필요하며, 로터리 작업에서는 큰 흙덩어리 비율이 얼마나 줄었는지가 기준이 된다 [11:54]

8. 농부별 작업 스타일과 최적화 가능성

• 농부마다 로터리 작업 선호가 달라, 빠르게 몰아 두 번 작업하는 방식과 천천히 몰면서 RPM과 깊이를 높여 한 번에 끝내는 방식이 함께 존재한다 [14:15]
• 방식에 따라 연비와 시간이 달라지므로, 데이터가 쌓이면 특정 조건에서 최적 연비와 적정 부하를 추천하는 기능으로 확장될 수 있다 [14:33]

9. 물써레 작업의 난도와 한국형 논 환경

• 한국 논은 물을 담아 흙을 부드럽게 만든 뒤 평평하게 다지는 구조이며, 물써레 작업은 모가 같은 깊이로 자랄 바탕을 만드는 과정이다 [15:21]
• 물이 차 있으면 바닥의 평탄도를 눈으로 확인하기 어렵고, 흙이 잘못 밀리면 고랑이나 꺼짐이 생겨 모 심는 깊이가 달라진다 [15:38]

10. 존디어와의 차이, 지도 기반 주행과 카메라 기반 확장

• 존디어는 물을 담아 작업하는 농법보다 북미식 대규모 밭농사 데이터를 오래 축적해, 북미 농경지 자율주행에서는 국내보다 앞선 경험을 갖고 있다 [17:14]
• 미국식 콤바인은 옥수수 작업처럼 작물과 장비 조건이 다르며, 존디어는 트랙터 외 장비에서도 작업 속도 최적화 데이터를 오래 쌓아왔다 [18:01]

11. 한국 농지와 미국 농지의 차이

• 한국과 미국 모두 농경지 경계가 흐릿하면 자율주행 난도가 올라가며, 경계가 명확한 곳은 끝 지점을 판단하기 쉽지만 작물 구역만 보이는 평탄한 밭은 별도 마킹이 필요하다 [20:10]
• 한국 농지는 노는 땅을 줄이기 위해 후진과 타이트한 회전을 섞는 경우가 많고, 미국 농지는 코너 일부가 남아도 크게 돌아가는 방식이 많아 같은 모델을 그대로 적용하면 주행 패턴 차이가 생긴다 [20:38]

12. 과수원 제초가 만드는 오프로드 자율주행 난제

• 과수원 제초는 논밭보다 난도가 높다. 풀이 계속 자라 반복 작업이 필요하고, 비탈도 많아 사람이 제초기를 타거나 예초기로 직접 작업해야 하는 부담이 크다 [21:57]
• 잡초는 전방 센서를 가리고 계속 장애물처럼 인식될 수 있어, 시스템은 뚫고 지나가야 할 대상과 반드시 멈춰야 할 대상을 구분해야 한다 [22:40]

13. 데이터와 레이블링이 성능 병목을 결정

• 오프로드 자율주행은 환경이 매번 달라 카메라로 현장을 보고 즉시 판단해야 한다. 도시의 명확한 장애물보다 농업 현장의 뒤섞인 물체를 학습하는 일이 더 어렵다 [24:20]
• 다양한 풀을 밀고 지나갈지, 멈춰야 할지 구분하려면 초기에는 사람이 레이블링한 데이터가 필요하다. 먼저 갈 수 있는 길과 가면 안 되는 길의 기준을 학습시켜야 한다 [24:40]

14. 실제 데이터 수집의 시간 비용과 엣지 케이스

• 데이터가 많을수록 품질 안정화는 빨라진다. 디지털 트윈으로 초기 데이터를 보강할 수는 있지만, 실제 현장 데이터 부족은 여전히 핵심 병목이다 [26:06]
• 전국 트랙터에 카메라를 붙여 데이터를 모으려면 사용자 허락과 약관 동의가 필요하다. 기존 장비에는 이런 수집 구조가 없어 구축에 시간이 걸린다 [26:24]

15. AI 트랙터 출시와 데이터 격차 경쟁

• AI 트랙터는 올해 3분기에 첫 출시됐고, 제품명 뒤에 HI가 붙은 풀옵션 형태로 플래그십 모델에 먼저 적용됐다. 일반 모델보다 비싼 구성이다 [28:20]
• 전자제어와 통신·텔레매틱스는 여러 트랙터에 적용돼 있지만, 카메라와 AI GPU는 현재 가장 비싼 클래스에만 탑재돼 있다. 장기적으로는 중형급까지 확대하는 것이 목표다 [28:58]

16. 데이터 축적과 OTA 업데이트가 자율주행 성능의 핵심이 된다

• 대한민국 농경지 데이터와 작업 데이터를 누가 더 많이 확보하느냐가 자율주행 성능을 가른다. 현재는 데이터가 쌓일수록 성능이 선형적으로 개선되는 초기 단계다 [30:07]
• 아직 사람의 작업 수준에 못 미치는 영역이 남아 있다. 지역, 환경, 작업 종류별 데이터가 부족해 해결해야 할 과제가 많다 [30:41]

17. 팜 매니지먼트 플랫폼은 농기계와 필지 운영을 기록 체계로 바꾼다

• 존디어의 오퍼레이션 센터는 필지에 투입된 농기계, 수행한 농작업, 장비 정비 상태를 웹·앱·차량 내 디스플레이에서 관리하는 플랫폼이다 [32:12]
• 농부는 여러 기계의 상태와 필지별 작업 이력을 기록으로 남길 수 있다. 수첩에 의존하던 관리보다 체계적인 운영이 가능해진다 [33:04]

18. 플랫폼 종속은 농업 데이터와 가치사슬 장악으로 확장된다

• 존디어의 목표는 단순히 자사 기계를 많이 파는 것이 아니라, 전 세계 농경지 절반을 오퍼레이션 센터에 연결된 필지로 관리하는 방향에 가깝다 [34:26]
• 다른 기계도 연동될 수 있지만, 관리와 관제에서는 자사 장비가 더 유리해진다. 일정 규모를 넘어서면 부품 추가나 자사 장비 구매 압력으로 이어질 수 있다 [34:42]

19. 원격 운영과 정밀농업은 법인·공동 경영에 필요한 관리 인프라가 된다

• 일본에서는 통신사와 함께, 작업자가 멀리 떨어진 사무실에서 트랙터를 원격 조작하는 실험이 진행됐다. 농촌 거주 인구 감소는 한국에서도 같은 필요를 키운다 [35:55]
• 법인체나 경영체가 농업에 들어오면 트랙터별 주행거리, 엔진오일 교체 시점, 작업 루트와 작업 내용을 한 화면에서 관리해야 한다 [36:25]

20. 기업형·위탁형 농업 전환은 플랫폼 수요와 실증 사업으로 계속된다

• 고령화와 소규모 개인 농업의 한계 때문에 여러 필지를 모아 기업이나 법인이 효율적으로 농사를 맡는 구조가 대안으로 거론된다 [37:45]
• 농민의 주주 참여, 법인의 위탁 영농, 단일 작업 위탁처럼 여러 사람이 함께 농사를 짓는 구조에서는 작업과 필지를 통합 관리하는 플랫폼이 필요하다 [38:23]

21. 운반 로봇의 기술 가치와 가격 장벽

• 과수원에서는 운반과 수확에 노동력이 많이 들어가며, 주인을 따라다니다가 가득 차면 창고 앞으로 이동해 짐을 내려놓는 운반 로봇이 개발됐다 [40:27]
• 운반 로봇은 유용해 보였지만 기존 디젤 운반기나 손수레형 장비보다 가격이 너무 높아 판매가 많이 늘지 못했다 [40:56]

22. 정밀농업 플랫폼의 국내 확산 한계와 수출 필요성

• 정밀농업 플랫폼은 한국 시장에 바로 넣어도 농가가 어떻게 써야 하는지 익숙하지 않은 장벽이 있고, 구독 모델과 서비스형 사용 방식에 대한 적응이 필요하다 [42:20]
• 앱과 서비스 사용 경험이 있는 고객층, 법인농과 기업농은 관제 시스템 수요가 먼저 생기며, 이쪽에서는 비즈니스 가능성이 커진다 [42:39]

23. 국가별 농기계 시장 구조와 대동의 유럽 기회

• 미국은 땅이 넓어 대형 트랙터 수요가 강하고, 동시에 취미농 중심의 아주 작은 세그먼트도 따로 나뉜다 [43:17]
• 유럽은 한국과 비교적 비슷한 중소형 농업 구조가 있고, 100마력대와 110마력대 중반 기종이 많이 쓰이는 시장으로 볼 수 있다 [43:32]

24. 존디어와의 차별화 방향과 스마트팜 확장

• 존디어가 강한 분야와 대동이 잘할 수 있는 분야가 다르기 때문에, 차별화된 영역을 만들어 가는 전략이 필요하다 [45:35]
• 존디어가 필드 매니지먼트 시스템과 트랙터 중심이라면, 대동은 온실을 포함한 스마트팜 영역에도 관심을 둔다 [45:50]

25. 태안 토마토 스마트팜과 생산성 격차

• 대동은 스마트파밍을 직접 해보기 위해 3헥타르 규모의 토마토 온실 운영권을 확보했고, 태안 토마토 팜에서 실제 운영을 시작했다 [47:04]
• 토마토는 흙을 대신하는 배지에 영양분을 공급받고, 위쪽 라인을 따라 높게 자라며, 9~10월에 심어 7월에 걷어내는 방식으로 재배된다 [47:22]

26. 토마토 재배 노하우와 노동력 의존의 한계

• 토마토 재배에서는 잎을 줄여 에너지를 열매로 보내고, 꽃을 미리 솎아 한 줄기에 세네 개만 남기며, 빛 반사를 위해 주변 곁가지를 정리하는 세밀한 작업이 수확 품질을 좌우한다 [50:05]
• 잘하는 농가의 경험적 노하우를 시스템으로 구현해야 동일한 품질을 반복할 수 있고, 개인 숙련에 의존하던 재배 방식이 데이터와 절차 중심으로 옮겨갈 수 있다 [50:35]

27. 카메라 기반 숙제 검사와 생장 대시보드

• 농작업 품질을 높이려면 작업자 교육과 피드백이 필요하지만, 3헥타르 규모 농장을 사람이 직접 돌아다니며 숙제 검사하듯 확인하는 일 자체가 큰 노동이 된다 [51:43]
• 농장 안 카메라는 토마토의 잎 크기, 줄기 굵기, 열매 상태, 전날 작업자별 작업 결과를 측정해 무엇이 덜 됐고 무엇이 잘됐는지 확인하는 장치로 쓰인다 [52:00]

28. 스마트팜 운영과 기업농·규모화 가능성

• 농업은 정해진 처방을 일괄 적용하기보다, 아이 상태를 살피듯 작물 상태를 계속 관찰하고 노지·스마트팜 각각의 상황에 맞춰 조치하는 운영에 가깝다 [53:33]
• 카메라와 대시보드가 결합된 시스템은 청년 스마트팜뿐 아니라 고령 농가가 함께 운영하는 기업농 모델에도 적용될 수 있으며, 분산된 소규모 농장을 묶는 기반이 될 수 있다 [53:53]

29. 네덜란드식 콘솔리데이션과 전문인력 채용

• 네덜란드 시설원예에서는 가족 경영 농가도 옆 농가와 인수합병하며 더 큰 규모로 이동하고, 작은 규모로는 고도화된 운영을 감당하기 어렵다는 판단이 작동한다 [55:05]
• 20헥타르 농장 두 곳이 합쳐 40헥타르가 되면 물 전문가를 채용할 수 있고, 물 관리·성분 확인·공급 최적화가 가능해져 생산성이 달라진다 [55:37]

30. 수작업 난도와 휴머노이드 농업 로봇의 데이터 과제

• 스마트팜에서도 토마토 수확은 여전히 어렵고, 포장 중 다른 열매를 다치게 하지 않으려면 꼭지가 나오지 않게 따는 등 사람 손의 섬세한 작업이 필요하다 [57:12]
• 겉으로 비슷해 보이는 작업자도 실제 수확 속도는 두 배까지 차이 나며, 한 번에 자르는 동작과 여러 번 손이 오가는 동선 차이가 생산성을 크게 가른다 [57:39]

31. 농민 설득보다 농업의 한계가 전환 압력을 만든다

• 농업 AI는 직원 역량만 높인다고 작동하지 않으며, 최종 사용자인 농민까지 변화해야 산업 전체의 선순환이 가능하다 [1:00:25]
• 농촌은 인력 부족과 영농 부담이 커지면서 기존 방식만으로 버티기 어려운 단계에 가까워지고, 새로운 방법론을 받아들여야 하는 상황으로 이동하고 있다 [1:01:14]

32. 농업 AI는 기술 유행보다 생존과 운영 방식 변화에 가깝다

• 농업의 AI 전환은 단순한 기술 유행이 아니라, 전환하지 않으면 산업이 버티기 어려워지는 생존 압력과 맞닿아 있다 [1:02:50]
• AI 트랜스포메이션은 기술 성능 개선을 넘어 일하고 살아가는 방식 전체를 바꾸는 변화이며, 농업은 그 변화가 크게 작동할 수 있는 영역이다 [1:03:01]

33. AI 모델 활용과 정책 지원은 규모의 경제를 좌우한다

• 자체 거대 모델을 만드는 방식보다 오픈소스, 국내 LLM, 온디바이스 비전 모델 등을 목적에 맞게 조합해 쓰는 방식이 현실적인 선택지다 [1:03:52]
• 네덜란드는 큰 농지에 규모에 맞춘 보조금을 지속적으로 제공한 반면, 한국은 작은 농지에도 일정 지원이 배분되면서 규모의 경제 형성이 더 어려워질 수 있다 [1:04:27]

34. 통신·인터넷 전환의 경험은 농업 AI의 가능성으로 계속된다

• 최준기 대표는 KT에서 기가지니 등 AI 관련 일을 했고, 현재는 농업 현장에서 AI가 산업을 바꾸는 과정을 직접 다루는 역할로 이동했다 [1:06:19]
• 과거 인터넷과 모바일 통신 초기에는 의류와 신선식품이 온라인으로 팔리기 어렵다고 여겨졌지만, 지금은 온라인 구매가 일상화되며 산업 변화에 대한 예측이 크게 빗나갔음을 보여준다 [1:06:51]

🧾 결론

• 이 영상에서 농업 AI는 “트랙터를 무인으로 움직이는 기술”에 머물지 않고, 농업이 직면한 인력·생산성·안보 문제를 해결하기 위한 산업 전환으로 설명된다.
• 자율주행은 비교적 시작점에 가깝고, 핵심 경쟁력은 작업 품질을 판단하는 비전 AI, 농지별·작업별 데이터, 그리고 판매 이후에도 업데이트되는 운영 체계에서 나온다.
• 존디어가 북미 대규모 밭농사와 플랫폼 데이터에서 앞서 있다면, 대동은 한국형 논 환경, 중소형 농기계, 스마트팜, 정밀농업 플랫폼에서 차별화 여지를 찾고 있다.
• 농업의 규모화와 법인화가 진행될수록 농기계는 단순 장비가 아니라 필지·작업·노동·생육 정보를 연결하는 데이터 인프라가 된다.
• 다만 영상에서 언급된 AI 트랙터, 운반 로봇, 스마트팜, 휴머노이드 농업 로봇은 모두 데이터 확보, 가격 부담, 현장 적응, 농민 수용성이라는 현실적 장벽을 함께 안고 있다.

📈 투자·시사 포인트

• 농업 AI의 핵심 자산은 장비 판매량보다 실제 논밭과 온실에서 축적되는 주행·작업·생육 데이터이며, 데이터 수집 구조를 먼저 깔아둔 기업일수록 장기 경쟁력이 커질 수 있다.
• 트랙터 시장은 하드웨어 마진보다 OTA 업데이트, 구독형 소프트웨어, 팜 매니지먼트 플랫폼, 정밀농업 서비스로 수익 모델이 확장될 가능성이 있다.
• 한국 농업 시장만으로는 규모가 제한적이기 때문에, 대동 같은 기업은 한국형 논·중소형 농기계 경험을 바탕으로 유럽, 미국, 동남아 등 지역별 농업 구조에 맞춘 해외 확장이 중요해진다.
• 농업 법인화, 위탁영농, 공동 경영이 확대될수록 장비 관제, 작업 기록, 토양·생육 데이터 분석, 드론·카메라 기반 모니터링 수요가 커질 수 있다.
• 스마트팜은 단순 자동화 설비가 아니라 작물 상태를 계속 관찰하고 작업 품질을 관리하는 운영 역량이 핵심이며, 비전 AI와 생장 대시보드가 생산성 격차를 줄이는 도구가 될 수 있다.
• 검증이 필요한 부분: AI 트랙터의 실제 판매량, 데이터 제공 동의율, 구독 모델 전환 가능성, 스마트팜의 수익성, 해외 시장에서 대동이 존디어 등 기존 강자와 얼마나 차별화할 수 있는지는 별도 확인이 필요하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 한국의 식량 자급률이 약 50%, 곡물 자급률이 약 20% 수준이라는 수치는 영상 발언 기준으로 정리했으며, 최신 공식 통계와 기준 연도는 별도 확인이 필요하다.
• 미국 농업 분야 H2A 비자 신청이 2005년부터 2024년까지 8배 이상 늘었다는 내용은 영상 내 설명에 근거한 것으로, 실제 신청 건수·승인 건수·산업별 분류 기준은 원자료 확인이 필요하다.
• 일본 개인 농가가 2005년 약 198만에서 2025년 약 79만으로 줄었다는 수치는 영상 발언 기준이며, ‘개인 농가’의 통계 정의와 2025년 수치의 확정 여부는 확인이 필요하다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 농업 AI 도입 필요성을 설명할 때 “기술 유행”보다 식량 안보, 노동력 부족, 농가 규모화 압력이라는 구조적 배경을 먼저 제시한다.
• 자율주행 트랙터를 소개할 때 도로 자율주행과 달리 비포장 지면, 슬립, 굴곡, 작업기 제어, 작업 품질 평가가 핵심 난점이라는 차이를 분리해 설명한다.
• 한국형 농업 AI 사례를 정리할 때 물써레, 로터리, 과수원 제초처럼 국내 농지·작업 환경에 특화된 문제를 별도 항목으로 묶는다.
• 대동과 존디어를 비교할 때 존디어의 북미 대규모 밭농사 데이터 축적과 대동의 한국형 논·과수원·스마트팜 확장 가능성을 구분한다.

❓ 열린 질문

• 농업 AI에서 실제 경쟁력을 가르는 핵심 자산은 하드웨어 제조 역량, 현장 데이터 규모, 작업 품질 평가 모델, 농업 운영 플랫폼 중 무엇이 될까?
• 한국처럼 소규모 필지가 많고 농지 경계가 복잡한 환경에서 자율주행·자율작업 모델은 어느 수준까지 범용화될 수 있을까?
• 농민이 장비를 직접 구매하는 방식에서 필요한 만큼 서비스를 쓰는 방식으로 전환하려면 가격, 신뢰, 보험, 책임 소재를 어떻게 설계해야 할까?