Generative AI and Agricultural Productivity: Evidence from Peanut Farmers in China

세계 곳곳에서 농업은 불확실성과의 끊임없는 협상입니다. 농부는 언제 심을지, 물을 얼마나 줄지, 그리고 잎이 노랗게 변할 때 어떻게 대처해야 할지를 결정해야 하며, 종종 바로 옆에 있는 전문가의 도움 없이 이 모든 것을 결정해야 합니다. 수십 년 동안 그 해결책은 지역의 경험이나 이웃, 또는 마을을 돌아다니는 정부의 지도원에게 의존하는 것이었습니다. 이러한 경로들은 필수적인 지식을 제공하지만, 종종 속도가 느리고 비용이 많이 들며, 단일 필드의 구체적인 조건에 맞추기에는 너무 일반적이라는 한계가 있습니다. 최근 몇 년 사이, 휴대전화와 인터넷이 이 간극을 메우기 시작하며 기상 보고와 시장 가격에 대한 즉각적인 접근을 제공하고 있습니다. 그러나 새로운 질문이 등장했습니다. 생성형 인공지능은 단순히 정적인 사실을 전달하는 것 이상의 일을 할 수 있을까요? 컴퓨터 프로그램이 실제로 농부와 대화를 나누고, 특정 작물의 고유한 문제를 이해하며, 숙련된 전문가로부터 온 것처럼 느껴지는 조언을 제공할 수 있을까요? 이것이 바로 생성형 인공지능의 약속입니다. 이는 단순히 미리 작성된 답변을 검색하는 것이 아니라, 새롭고 맞춤화된 응답을 만들어낼 수 있는 기술입니다. 만약 이 기술이 전문가의 조언에 대한 장벽을 진정으로 낮출 수 있다면, 소규모 농가들이 토지를 관리하는 방식을 변화시켜 불확실성을 기회로 바꿀 수 있을 것입니다.

난징 농업대학교의 연구진은 이 약속을 현실 세계에서 테스트하기 위해 중국 6개 성의 땅콩 농가에 집중하여 연구를 진행했습니다. 그들은 이 기술이 농업 분야에서 중요한 전환점이 된 해인 2025년에 977 가구로부터 데이터를 수집했습니다. 연구진은 대화형 AI 도구(사용자와 채팅하고 조언을 생성할 수 있는 애플리케이션)를 사용하는 것이 실제로 농민들의 경작 면적, 수확량, 그리고 자원 이용 효율성에 변화를 주는지 알고 싶었습니다. 명확한 답을 얻기 위해 그들은 주의를 기울여야 했습니다. 새로운 기술을 선택하는 농부들은 그렇지 않은 농부들과 다른 특성을 가질 수 있기 때문입니다. 그들은 더 교육 수준이 높거나, 더 좋은 토지를 가졌거나, 혹은 단순히 위험을 감수하려는 성향이 더 강할 수 있습니다. 연구진은 기술 자체의 효과를 이러한 다른 요인들과 분리하기 위해 정교한 통계적 방법을 사용하였으며, 이를 통해 발견된 개선 사항이 진정으로 AI 사용과 연결되어 있음을 보장했습니다.

결과는 고무적이었지만 구체적이었습니다. 땅콩 작물에 생성형 AI를 사용한 농부들은 사용하지 않은 농부들에 비해 유의미하게 더 많은 면적을 경작했고 단위 면적당 수확량도 더 높았습니다. 평균적으로 사용자들은 땅콩 생산량이 증가하는 것을 목격했으며, 경작 면적을 확장할 수 있다는 자신감을 얻었습니다. 그러나 이 기술이 보다 넓은 의미에서 농장의 근본적인 효율성을 변화시키지는 못하는 것으로 나타났습니다. 연구진이 노동력과 비료 같은 모든 투입물을 산출물로 얼마나 잘 전환하는지를 측정하는 지표인 총요소생산성을 계산했을으로, 사용자 그룹과 비사용자 그룹 사이에 유의미한 차이가 없음을 발견했습니다. 이는 AI가 농부들이 더 나은 즉각적인 결정을 내리도록 돕기는 했지만, 아직 전체 생산 시스템을 혁신하거나 땅콩을 재배하는 근본적인 기술을 변화시키지는 못했음을 시사합니다.

연구는 이러한 이득이 왜 발생하는지 파악하기 위해 더 깊이 조사했습니다. 주요 이점은 병충해 관리의 개선에서 오는 것으로 나타났습니다. AI를 사용하는 농부들은 작물의 문제를 훨씬 더 빠르고 정확하게 식야할 수 있었습니다. 이웃이 병해를 알아차리기를 기다리거나 잎이 시드는 원인을 추측하는 대신, AI에 문의함으로써 문제를 진단하고 적절한 처방을 더 빨리 적용할 수 있었습니다. 이러한 속도와 정밀함은 질병으로 인한 작물 손실을 줄였습니다. 또한, 이 기술은 농부들이 노동력을 더 효율적으로 사용하는 데 도움을 주었습니다. 정보를 검색하고 과업을 계획하는 정신적 노동을 AI가 처리함으로써, 농부들이 현장에서의 육체적 작업에 더 집중할 수 있도록 시간을 벌어주었습니다. 연구 결과, 이러한 개선은 병충해 방제 영역에 집중되어 있었습니다. AI는 새로운 종자를 채택하거나, 새로운 비료 또는 새로운 수확 기계를 도입하는 방식에는 큰 영향을 미치지 않았습니다. 이 기술은 빠르고 국지적인 답변을 필요로 하는 일상적이고 반복적인 결정에 가장 유용하다는 것이 증명되었습니다.

모든 농부가 동일한 방식으로 혜ved를 입는 것은 아니었습니다. 연구는 생성형 AI의 이점이 자동적으로 주어지는 것이 아니라, 농부 자신의 기술과 상황에 크게 의존한다는 점을 밝혀냈습니다. 수확량 증가는 이미 높은 디지털 리터러시(스마트폰을 사용하고 디지털 도구를 다루는 데 능숙한 정도)를 갖춘 농부들에게서 가장 두드러지게 나타났습니다. 또한 기술 교육을 받았거나 다른 농부들과 지식을 교환했던 경험이 있는 농부들에게도 도움이 되었습니다. 이들은 적절한 질문을 던지고 AI의 조언을 행동으로 옮기는 데 더 잘 준비되어 있었습니다. 나아가, 이 혜택은 규모가 크고 파편화되지 않은 토지를 가진 농부들에게 더 명확하게 나타났습니다. 작고 흩어진 여러 필지를 가진 농부들에게는 기술이 동일한 수확량 증대를 만들어내지 못했는데, 이는 정보를 더 나은 결과로 전환하려 할 때 농장의 규모가 중요하다는 것을 시사합니다.

현장을 넘어, 연구진은 가구의 경제적 영향도 살펴보았습니다. 수확량 증가와 경작 면적 확대는 기술을 사용하는 가구의 소득 증가로 직결되었습니다. 흥미롭게도, AI는 비료나 농약에 대한 지출액을 변화시키지 않았으며, 땅콩 판매 가격에도 영향을 미치지 않았습니다. 가치는 순수하게 더 많이 재배하고 질병으로 인한 손실을 줄이는 데서 왔습니다. 미래를 전망해 볼 때, AI를 사용한 농부들은 종자 선택, 물 관리, 병충해 점검과 같이 자주 발생하는 작업에 대해 AI를 계속 사용하고 싶다는 강력한 의사를 표명했습니다. 반면, 중장비를 구입하거나 수확 후 가공하는 것과 같은 규모가 큰 일회성 결정에 대해서는 열의가 덜했습니다. 이는 농부들이 이 기술을 주요 자본 투자에 대한 대체재라기보다는, 농사의 일상적인 리듬을 돕는 강력한 조력자로 보고 있음을 시사합니다.

이 연구 결과는 오늘날 이 기술이 처한 위치를 명확히 보여줍니다. 생성형 인공지능은 모든 농업 문제를 즉각적으로 해결하거나 식품 생산 방식을 완전히 뒤엎는 마법 지팡이가 아닙니다. 대신, 이는 결정적인 간극을 메워주는 매우 효과적인 의사결정 지원 도구 역할을 합니다. 농부들이 문제를 조기에 발견하고 노동력을 더 잘 관리할 수 있도록 도움으로써 생산량과 소득을 높일 수 있지만, 이는 농부들이 이를 사용할 기술과 이를 뒷받침할 토지 구조를 갖추었을 때만 가능합니다. 연구는 농업 기술의 미래가 단순히 더 똑똑한 알고리즘을 만드는 것뿐만 아니라, 이를 인간의 교육 및 더 나은 인프라와 결합하는 데 달려 있다고 제언합니다. 만약 농부들이 이 새로운 디지털 도구와 효과적으로 협력하는 법을 배우고, 그들이 경작하는 토지가 효율적인 관리가 가능하도록 조직된다면, 생성형 AI는 소규모 농가들을 위한 표준적인 도구 세트의 일부가 되어 정보를 희소한 자원에서 신뢰할 수 있는 동맹으로 바꿀 수 있을 것입니다.