수확할 열매는 익어가는데 작업할 사람은 부족하고, 잡초를 없애는 비용은 해마다 부담이 된다. 이런 압박 속에서 농업로봇은 농장 전체를 한꺼번에 바꾸기보다 가장 많은 시간과 비용이 들어가는 작업부터 맡기 시작한다. 농업 생산성을 바꾸는 관건은 로봇이 무엇을 할 수 있는지와 함께, 어느 일을 먼저 맡겼을 때 농장의 하루가 실제로 달라지는지 판단하는 데 있다.

* 농업 자동화의 출발점은 작물과 작업을 나누는 일이다. 제초·운반·수확·선별은 필요한 기술과 경제성이 달라 같은 속도로 확산되기 어렵다.

* 야외에서는 인식 정확도와 실제 작업 성공률 사이에 여러 변수가 놓인다. 빛과 바람, 토양과 작물의 배치까지 포함해 로봇이 안정적으로 일할 조건을 설계해야 한다.

* 선택적 제초와 살포는 필요한 곳에만 작업하는 방식으로 비용 구조를 바꾼다. 투입재 절감과 함께 놓친 잡초, 재작업, 다음 작기의 부담까지 평가해야 한다.

* 수확을 돕는 자동화는 열매를 따는 동작 밖에서도 시작된다. 운반과 기록, 선별을 개선하면 사람이 수행하는 수확 작업의 생산성도 달라질 수 있다.

* 농업로봇의 경제성은 장비 가격보다 실제 가동시간과 작업의 적시성에 좌우된다. 구입·임대·작업 대행을 비교하고, 고장 대응과 농번기 운영까지 함께 설계해야 한다.

***

공장에서 로봇이 집을 부품은 정해진 위치와 방향으로 공급될 수 있다. 조명을 조절하고 작업대를 고정하며 동작을 방해하는 물체를 치울 수도 있다. 밭에서는 사정이 다르다. 어제 잘 보이던 열매가 오늘은 잎에 가려지고, 바람에 가지가 움직이며, 비가 지나간 자리에는 바퀴가 빠질 수 있다. 로봇이 해야 할 일과 함께 일하는 조건도 계속 바뀐다.

사람에게는 자연스러운 판단이 기계에는 여러 단계의 과제가 된다. 열매를 찾고, 익었는지 판단하고, 손상 없이 접근할 경로를 고르고, 적절한 힘으로 잡아 분리한 뒤 내려놓아야 한다. 어느 한 단계가 성공해도 다음 단계가 실패하면 상품으로 출하할 수 있는 수확물은 남지 않는다.

그래서 농업로봇의 성능을 카메라의 인식률 하나로 설명하기 어렵다. 잘 찾는 능력과 안전하게 접근하는 능력, 손상 없이 작업하는 능력은 서로 연결되지만 같은 지표가 아니다. 농장에서는 여기에 이동과 충전, 세척, 상자 교체, 작업 중단 뒤의 복구 시간까지 더해진다. 짧은 시연과 하루의 생산성 사이에 간격이 생기는 이유다.

국제로봇연맹(IFR)의 세계 로봇 보고서 2025 관련 발표에서 2024년 농업 분야 서비스로봇 판매는 약 1만 9,500대로 제시되며, 전년 대비 6% 감소한 것으로 나타난다. 이 자료는 참여 공급업체의 표본에 기반하고 전체 산업으로 확대 추정한 통계가 아니다. 농업 범주에는 착유 등의 작업도 포함되므로 이 숫자를 제초나 과실 수확 로봇의 시장 규모로 읽어서도 안 된다.

이 결과는 농업로봇의 가능성과 시장의 확산 속도를 나눠볼 필요가 있음을 보여준다. 인력이 부족하고 기술이 발전한다고 모든 장비의 판매가 동시에 늘어나는 것은 아니다. 작물과 재배 방식, 장비의 성숙도, 투자 여건에 따라 도입의 속도와 방향이 달라질 수 있다.

농업 자동화의 실제 모습도 이런 차이를 반영한다. 어떤 농장은 제초를 먼저 바꾸고, 어떤 농장은 운반부터 맡긴다. 수확 로봇을 시험하는 온실에서도 사람이 최종 확인과 예외 처리를 담당할 수 있다. 선택적 자동화란 이처럼 작업을 분해한 뒤 기술적으로 가능한 범위와 운영상 효과가 큰 지점을 맞추는 접근이다.

농장주에게 첫 질문은 로봇이 사람과 얼마나 닮았는지가 아니다. 어느 작업 때문에 인력이 가장 오래 묶이고, 어느 시기에 작업이 밀리며, 그 지연이 어떤 손실로 이어지는지다. 자동화의 우선순위는 가장 멋진 동작보다 가장 큰 병목에서 드러날 수 있다.

작물이 자라는 밭에는 없애야 할 식물도 함께 자란다. 작물은 남기고 잡초만 처리해야 한다는 점에서 제초는 본래 선택의 작업이다. 사람이 눈으로 구분해 손이나 도구로 처리하던 판단에 영상 인식과 정밀 작동 기술이 들어가면 작업 방식도 달라질 수 있다.

선택 살포는 그중 하나다. 카메라로 식물을 구분하고 필요한 위치에 약제를 분사한다. 밭 전체를 같은 방식으로 처리하는 대신 실제로 처리할 대상을 골라 투입재를 사용한다. 자율주행 여부와 별개로 인식과 판단, 정밀 작동을 결합한다는 점에서 농업의 선택적 자동화를 보여준다.

미국 아칸소대학교 농업 연구진이 2025년 3월 소개한 연구는 이러한 기술의 가능성과 조건을 함께 드러낸다. 연구진은 콩 재배지에서 존디어의 선택 살포 기술을 활용한 3년간의 시험을 수행한다. 시험 결과는 전면 살포와 비교해 제초제 사용량을 43~59% 줄일 수 있음을 보여준다. 다만 이는 해당 장비와 시험 조건에서 나온 결과다.

더 흥미로운 부분은 설정에 따른 차이다. 감도를 낮추면 처리 대상으로 판단하는 잡초가 줄어 약제 사용량을 아낄 수 있지만, 놓치는 잡초도 늘 수 있다. 시험에서는 낮은 감도로 운용할 때 살아남은 잡초가 종자를 남겨 이후의 관리 부담을 키우는 문제가 확인된다. 당장의 절감액과 다음 작기의 비용이 같은 방향으로 움직이지 않을 수 있는 것이다.

이 사례는 농업 인공지능의 성과를 한 가지 숫자로 평가하기 어렵다는 점을 보여준다. 약제를 적게 썼다는 결과만으로 충분한가. 잡초 억제 효과는 유지되는가. 다시 작업해야 하는 면적은 얼마나 되는가. 다음 해에 처리해야 할 잡초가 늘지는 않는가. 농장의 경제성은 이런 질문을 함께 계산할 때 더 분명해진다.

잡초를 처리하는 수단도 약제에 한정되지 않는다. 카본로보틱스의 레이저 제초 장비는 영상으로 대상을 구분하고 레이저로 잡초를 처리하는 방식을 상용 장비로 제공한다. 여기서도 중요한 것은 새로운 처리 방식과 함께 작물 간격, 잡초의 크기와 밀도, 작업 속도 등이 실제 현장에 맞는지다.

레이저 방식에서는 약제 사용과 관련된 일부 부담을 줄일 여지가 있지만 장비 구입과 에너지, 유지보수와 운영 조건을 따로 계산해야 한다. 기계식 제초도 작물의 배치와 토양 상태에 영향을 받는다. 어떤 방식이 유리한지는 농장의 조건과 기존 작업 비용에 따라 달라진다.

선택적 제초가 바꾸는 것은 기계를 움직이는 방법과 함께 비용을 쓰는 단위다. 전체 면적에 같은 자원을 투입하는 방식에서 실제 처리 대상에 자원을 집중하는 방식으로 이동한다. 그 선택이 정확하고 반복 가능하며 장기적인 관리 부담을 키우지 않을 때 생산성 개선으로 이어질 가능성이 커진다.

잘 익은 열매를 발견했다고 수확이 끝나는 것은 아니다. 잎과 줄기가 접근을 막을 수 있고, 옆의 덜 익은 열매를 건드릴 수도 있다. 같은 품종이라도 열매가 달린 높이와 방향은 다르다. 수확 자동화에서는 무엇을 딸 것인지 판단하는 문제와 어떻게 손상 없이 딸 것인지 해결하는 문제가 함께 놓인다.

온실은 야외보다 조절할 수 있는 조건이 많지만 여전히 생물이 자라는 공간이다. 통로를 일정하게 만들 수 있어도 잎과 가지가 기계 부품처럼 같은 모양으로 자라지는 않는다. 농업로봇이 작물에 적응하는 과정과 함께 작물의 배치와 관리가 로봇의 작업에 미치는 영향도 살펴야 한다.

네덜란드 바헤닝언대학교·연구소의 2025년 토마토 수확 로봇 검증은 이를 구체적으로 보여준다. 연구는 상업 재배 현장에서 송이 토마토 수확 로봇의 기술적 성능과 경제적 가능성을 살핀다. 미리 정한 작물 조건을 충족한 송이를 대상으로 최대 약 90%를 수확한 결과를 제시한다.

여기서 90%의 분모가 중요하다. 온실의 모든 열매 가운데 90%를 사람 없이 수확했다는 뜻이 아니다. 사전에 정한 조건을 만족하는 대상에서 나온 수치이며, 작업자의 감독도 필요하다. 연구는 수확 성공이 작물의 구조와 재배 방식에 크게 좌우된다는 점을 함께 확인한다.

이 결과에서 산업적으로 중요한 질문은 로봇의 팔을 얼마나 정교하게 만들 것인가와 함께 재배 환경을 어떻게 구성할 것인가다. 열매가 잘 보이고 접근하기 쉬운 위치에 있도록 관리하면 자동화에 유리할 수 있다. 그러나 그 과정에서 추가 노동이 얼마나 들고 수확량과 품질에는 어떤 영향이 있는지까지 검토해야 한다.

가령 로봇의 접근성을 높이기 위해 잎을 정리하는 시간이 늘어난다면 수확 동작에서 절약한 노동과 새로 생긴 노동을 함께 계산해야 한다. 장비를 들여온 뒤 농장 전체의 작업량이 줄었는지, 일부 작업이 다른 사람에게 이동했는지 확인하는 것이다. 특정 동작의 성공이 곧 전체 공정의 이익은 아니다.

로봇이 처리하기 쉬운 열매를 먼저 수확하고 사람이 남은 대상을 담당하는 분업도 검토할 수 있다. 이때 필요한 것은 로봇의 성공률과 함께 남은 작업의 성격이다. 사람이 더 어려운 자세와 복잡한 상황만 맡게 되는지, 대기와 확인 시간이 늘지는 않는지 살펴야 실제 인력 운영을 설계할 수 있다.

수확 자동화의 진전은 로봇의 성능 향상과 재배 방식의 조정, 사람의 역할 재배치가 맞물리는 과정에 가깝다. 어떤 작물에서 가능한 방법이 다른 작물에서도 그대로 통하지는 않는다. 농업로봇의 확산이 작물별·작업별로 다른 속도를 보일 수밖에 없는 이유다.

수확 작업을 자세히 보면 손으로 열매를 따는 시간 외에도 여러 일이 들어 있다. 상자를 가져오고, 채운 상자를 옮기고, 빈 용기를 다시 준비한다. 작업 구역을 이동하고 무게를 확인하며 다음 운반을 기다리는 시간도 있다. 열매를 따는 동작을 그대로 두고도 개선할 여지가 생기는 부분이다.

미국의 버로는 이런 수확 보조 물류에 초점을 맞춘 자율주행 운반 플랫폼을 제공한다. 포도와 베리류 등의 작업에서 사람과 함께 움직이며 수확물 운반을 돕는 방식이다. 기술의 역할은 열매를 직접 분리하는 동작과 달리 사람이 수확에 집중할 수 있도록 주변의 이동 작업을 맡는 데 있다.

이 접근은 자동화할 작업을 다시 정의한다. 수확 인력이 부족하다는 문제에 반드시 수확 동작 자체를 기계화하는 방식으로만 답할 필요는 없다. 기존 인력이 상자를 옮기는 데 쓰는 시간을 줄여도 실제 작업 흐름은 달라질 수 있다. 작업을 작은 단위로 나누면 기술적으로 접근할 수 있는 지점도 늘어난다.

다만 운반 로봇이 도착했다고 물류가 자동으로 정리되지는 않는다. 상자를 어디에서 싣고 내릴지, 통로가 막히면 어떻게 할지, 사람이 작업 구역을 바꿀 때 로봇이 어떻게 따라갈지 정해야 한다. 적재와 하역에 다른 사람이 계속 묶이면 예상한 만큼의 효과가 나지 않을 수도 있다.

로봇의 적재량과 이동 속도도 전체 작업 속도와 맞아야 한다. 작업자가 상자를 채우는 속도보다 운반이 느리면 대기가 발생한다. 반대로 운반 능력이 남아돌면 장비를 충분히 쓰지 못한다. 중요한 것은 로봇 자체의 최고 속도보다 수확·운반·집하가 이어지는 흐름이다.

한국의 사례에서도 작업을 나누고 연결하는 접근이 확인된다. 농촌진흥청은 2025년 4월 방제·운반·모니터링 로봇을 연계하는 통합 관리 프로그램을 발표한다. 로봇의 위치와 작업 상태, 작물 정보를 확인하고 여러 장비의 작업을 관리하도록 하는 기술이다.

운반 로봇은 작업자의 진행 속도에 맞춰 이동하며 수확을 돕고, 수확물의 무게를 확인하는 기능도 결합한다. 모니터링 로봇이 얻은 정보는 열매의 상태와 수확 가능 시기를 판단하는 데 활용한다. 개별 로봇이 하나의 동작을 수행하는 것에서 작업 정보를 공유하는 체계로 범위가 넓어지는 사례다.

이런 연결의 가치는 농장주가 여러 장비를 각각 조작하는 부담을 얼마나 줄이는지에서도 드러난다. 장비가 늘 때마다 확인할 화면과 입력할 정보도 늘어난다면 자동화가 새로운 관리 업무를 만들 수 있다. 사람과 로봇, 로봇과 로봇이 어떤 정보를 주고받을지 정하는 일이 함께 필요하다.

수확물은 밭을 떠난 뒤에도 여러 번 선택된다. 크기와 색, 외관의 손상, 품질 기준에 따라 다른 상품으로 나뉜다. 잘 자란 과실도 선별과 포장 과정에서 적절한 등급과 용도로 연결되지 못하면 기대한 가치를 얻기 어렵다. 농업 생산성은 생산량과 함께 판매 가능한 품질을 얼마나 보전하는지의 문제이기도 하다.

선별장은 야외보다 작업 조건을 일정하게 만들기 쉽다. 조명과 이동 경로, 촬영 위치를 조절할 수 있다. 작물을 찾아 접근해야 하는 수확과 달리 수확물이 정해진 경로로 들어오는 구조를 만들 수 있다는 점에서 자동화의 조건이 다르다. 농산업 안에서도 기술 적용의 난도는 공정에 따라 달라진다.

톰라의 과일 선별 기술은 영상과 심층학습을 활용해 외관의 결함을 분류하는 사례다. 사과와 체리, 블루베리 등 여러 과실에 적용하는 시스템을 제공하며, 운영자가 결함의 종류와 심각도에 따라 선별 기준을 조정하도록 한다. 판단을 기계에 맡기는 범위와 운영자가 결정할 기준이 함께 놓인다.

이러한 선별설비는 야외에서 움직이는 농업로봇과 기술 구성이나 통계상 범위가 같지는 않다. 다만 농장의 자동화 투자를 판단할 때에는 수확 이전과 이후를 함께 볼 필요가 있다. 밭에서 더 빨리 수확해도 선별과 포장이 따라가지 못하면 병목은 뒤로 이동한다.

선별의 성과도 처리 속도만으로 판단하기 어렵다. 판매 가능한 과실을 불량으로 분류하는 오류와 실제 결함을 놓치는 오류는 비용이 다르다. 기준을 지나치게 엄격하게 잡으면 활용할 수 있는 물량이 줄고, 느슨하게 잡으면 출하 품질과 거래 신뢰에 부담이 생길 수 있다.

구매처에 따라 요구하는 규격과 용도도 달라질 수 있다. 같은 외관의 과실이라도 어느 시장과 상품으로 보낼지에 따라 판단이 달라진다. 선별 자동화에는 과실을 구분하는 기술과 함께 그 구분을 판매 전략에 연결하는 운영이 필요하다. 데이터가 많아졌다고 등급의 경제적 의미가 저절로 정해지지는 않는다.

수확과 선별의 정보가 연결되면 농장 관리에 활용할 질문도 늘어난다. 특정 구역에서 결함이 반복되는지, 특정 시기에 품질 편차가 커지는지 살펴볼 수 있다. 다만 이를 생산 방식의 원인으로 바로 단정해서는 안 된다. 수확과 운반, 보관에서 생긴 영향을 구분해야 다음 작업을 바꾸는 데 유용한 정보가 된다.

농업로봇의 가격표에는 구입비가 적혀 있다. 농장주가 실제로 부담하는 비용에는 설치와 교육, 에너지, 소프트웨어, 유지보수와 수리가 더해질 수 있다. 통로와 작업 공간을 바꾸거나 다른 장비와 연결하는 비용도 생긴다. 장비 한 대의 가격과 농장에서 일하게 만드는 비용은 구분해서 계산해야 한다.

그보다 더 중요한 변수는 실제로 사용할 수 있는 시간이다. 공장 설비와 달리 특정 농작업은 작기와 날씨, 작물의 상태에 따라 가동 기간이 제한된다. 같은 장비 가격이라도 충분히 사용할 수 있는 농장과 짧은 기간만 쓸 수 있는 농장의 경제성은 달라질 수 있다.

수확기에는 중단의 비용도 커진다. 장비가 멈췄을 때 며칠 뒤 수리하러 오겠다는 답변이 충분하지 않을 수 있다. 익은 열매와 작업 적기는 기다려주지 않기 때문이다. 농업로봇의 경쟁력에는 고장 빈도와 함께 부품 공급, 현장 대응, 대체 작업을 마련하는 능력이 들어간다.

경제성을 계산할 때에는 연간 평균과 가장 바쁜 시기를 함께 봐야 한다. 1년 전체로는 작업 시간이 남아도 수확이 집중되는 며칠 동안 필요한 처리량을 채우지 못하면 손실이 생길 수 있다. 반대로 평소에는 여유가 있어 보이는 장비가 짧은 농번기의 작업을 지탱하는 데 중요한 역할을 할 수도 있다.

작업 성공률과 속도를 결합해 보는 것도 필요하다. 열매 하나를 빠르게 처리해도 자주 실패하거나 이동과 재시도가 오래 걸리면 시간당 실제 수확량은 낮아질 수 있다. 농장주에게 유용한 숫자는 성공한 동작의 속도와 함께 준비·이동·중단을 포함한 시간당 작업량이다.

구입 외에 임대와 작업 대행, 공동 이용도 검토할 수 있다. 유엔식량농업기구(FAO)의 2022년 농업 자동화 보고서는 소규모 생산자의 접근을 막는 장벽과 함께 장비를 직접 소유하지 않고 이용하는 서비스 모델을 다룬다. 비용과 기반시설, 지식과 기술의 여건을 함께 고려해야 한다는 관점이다.

다만 공동 이용은 장비 비용을 나눈다는 계산만으로 성립하지 않는다. 여러 농장의 작업 적기가 겹치면 모두가 같은 날 장비를 원할 수 있다. 농장 사이 이동과 세척, 재설정에 필요한 시간도 있다. 작물과 지역의 일정이 실제로 맞물리는지 확인해야 공동 이용의 장점이 드러난다.

서비스형 운영에서도 책임을 분명히 해야 한다. 어떤 조건에서 어느 수준의 작업을 제공하는지, 비 때문에 일정이 바뀌면 어떻게 하는지, 작물 손상이나 재작업을 어떻게 처리하는지 정할 필요가 있다. 농장주가 사는 것은 로봇의 보유 시간이 아니라 필요한 시기에 완료되는 작업이기 때문이다.

농업로봇의 확산을 판단할 때 세계 시장의 평균만으로 한국 농장의 조건을 설명하기는 어렵다. 작물과 재배 방식, 필지의 형태, 경사와 통로, 작업의 규모가 다르다. 같은 기능을 가진 장비라도 어느 농장에 들어가는지에 따라 활용도와 필요한 준비가 달라질 수 있다.

노지와 온실도 나눠볼 필요가 있다. 온실에서는 통로와 시설을 기준으로 작업을 구성할 여지가 있지만, 노지에서는 토양과 기상, 지형의 영향을 더 직접적으로 받는다. 어느 쪽이든 도입할 장비의 사양과 함께 실제 운영할 수 있는 조건을 확인해야 한다. 농업로봇의 보급 대수와 안정적으로 작업한 면적은 서로 다른 성과다.

이 관점에서 한국 농업이 주목할 과제는 다섯 가지다. 다음 내용은 앞선 연구와 사례를 바탕으로 한 적용 방향이며, 모든 농장에 같은 효과가 나타난다는 전망은 아니다.

첫째, 작물별 작업시간과 손실이 생기는 지점을 먼저 파악해야 한다. 인력이 부족하다는 설명을 제초와 운반, 수확과 선별에 필요한 시간으로 나누면 투자 우선순위가 구체화된다. 자동화할 수 있다는 이유와 자동화할 필요가 크다는 이유를 함께 검토하는 과정이다.

둘째, 장비 시험을 농장의 하루와 작기 단위로 넓혀야 한다. 짧은 시연에서는 잘 보이지 않는 세척과 충전, 이동과 중단, 작업자 개입을 포함해야 한다. 수확 성공률과 함께 손상률, 재작업, 실제 가동시간을 확인하면 기술 성능과 농가의 이익을 연결하기 쉬워진다.

셋째, 장비와 재배 방식을 함께 조정할 수 있는 지원이 중요해진다. 통로와 작물 배치를 바꾸면 로봇에 유리할 수 있지만 농장에 추가 비용이 생길 수 있다. 어떤 변화가 필요한지, 기존 시설에서 가능한지, 그 조정이 수확량과 노동에 어떤 영향을 주는지 함께 검증해야 한다.

넷째, 농번기 대응을 갖춘 운영·정비 서비스가 필요하다. 장비 판매 이후 누가 교육하고 고장을 진단하며 부품을 공급할지까지 포함하는 체계다. 농가가 유지보수 부담을 혼자 감당해야 한다면 기술에 대한 기대가 있어도 실제 도입은 주저할 수 있다.

다섯째, 절약한 노동을 어떻게 배분할지 설계해야 한다. 사람이 하던 작업이 줄어들면 다른 작업이 늘어나는지, 위험한 예외 처리만 남는지, 새로운 기술을 배울 기회가 있는지 살펴야 한다. 로봇과 함께 일하는 사람이 작업을 이해하고 조정할 수 있어야 현장의 변화도 지속된다.

이 과정에서 농장주의 역할도 달라질 수 있다. 직접 모든 일을 수행하는 능력과 함께 어떤 작업을 사람에게 맡기고 무엇을 장비에 맡길지 결정하는 역량이 중요해진다. 기술 공급자에게도 농장 전체의 흐름을 이해하고 실제 성과를 설명할 책임이 커진다.

선택적 자동화는 작은 목표에 머무는 접근이 아니다. 가장 막힌 작업 하나를 해결한 뒤 그 앞뒤의 흐름을 다시 살피는 방식이다. 운반이 빨라지면 선별의 처리량을 확인하고, 제초가 정밀해지면 다음 작기의 잡초 관리까지 점검한다. 각 단계의 개선을 연결할 때 농장 전체의 생산성도 달라질 수 있다.

농업로봇의 미래를 보여주는 장면은 열매 하나를 정교하게 따는 순간에만 있지 않다. 사람이 상자를 옮기러 작업장을 떠나지 않아도 되는 순간, 필요한 곳에만 약제를 쓰는 순간, 수확물이 제때 선별장을 통과하는 순간에도 있다. 농장의 변화를 만드는 로봇은 가장 많은 일을 약속하는 기계보다 가장 필요한 일을 안정적으로 끝내는 기계에 가까워질 것이다.

International Federation of Robotics, 2025, World Robotics 2025: Service Robots

University of Arkansas System Division of Agriculture, March 2025, John Lovett, Precision Agriculture Research Measures Effectiveness of See & Spray Technology

Carbon Robotics, LaserWeeder

Wageningen University & Research, 2025, Jochen Hemming et al., NPPL-R Validatieonderzoek GRoW Tomaten-Oogstrobot

Burro, Permanent Crops: Harvest Assist, Mowing, Spraying

TOMRA, April 2025, LUCAi: Post-Harvest Sorting and Grading Technology

Rural Development Administration, April 2025, Integrated Management Technology for Agricultural Robots

FAO, November 2022, The State of Food and Agriculture 2022: Leveraging Agricultural Automation for Transforming Agrifood Systems

Fruit is ripening, workers are scarce, and the cost of removing weeds brings a recurring annual burden. Under these pressures, agricultural robots are beginning with the tasks that consume the most time and money rather than transforming entire farms at once. The key to improving agricultural productivity is to judge both what robots can do and which tasks, when automated first, will actually change a farm's working day.

* Agricultural automation begins by distinguishing crops and tasks. Weeding, transport, harvesting, and sorting require different technologies and offer different economics, making uniform adoption unlikely.

* Outdoors, multiple variables stand between recognition accuracy and successful task execution. Reliable operation requires conditions designed around light, wind, soil, and crop layout.

* Selective weeding and spraying change cost structures by treating only the places that need attention. Input savings must be assessed alongside missed weeds, repeat work, and burdens in the next growing cycle.

* Harvest automation can begin beyond the act of picking fruit. Improving transport, recordkeeping, and sorting can also change the productivity of harvesting performed by people.

* Agricultural robots' economics depend on actual operating time and timely task completion more than equipment prices alone. Purchasing, renting, and contracting services should be compared alongside breakdown response and peak-season operations.

***

In a factory, components for a robot to pick up can arrive in fixed positions and orientations. Lighting can be adjusted, workstations secured, and objects obstructing motion removed. Fields are different. Fruit clearly visible yesterday may be hidden by leaves today; branches move in the wind, and wheels can sink into ground left wet by rain. The working conditions keep changing alongside the tasks themselves.

What feels like natural judgment to people becomes a multistage challenge for a machine. It must locate fruit, determine ripeness, choose a safe approach, grasp it with appropriate force, detach it, and put it down. Success at one stage followed by failure at the next may leave no harvestable product fit for sale.

Agricultural robot performance is therefore difficult to explain through camera recognition rates alone. Finding a target, approaching it safely, and completing work without damage are connected abilities, but they are not the same metric. Farms add travel, charging, cleaning, container changes, and recovery after interruptions. This creates a gap between a short demonstration and a full day's productivity.

In its release on World Robotics 2025, the International Federation of Robotics (IFR) reports agricultural service robot sales of approximately 19,500 units in 2024, down 6% year on year. These data come from a sample of participating suppliers and are not extrapolated to the entire industry. The agricultural category also includes tasks such as milking, so the figure cannot be read as the market size for weeding or fruit-harvesting robots.

The result illustrates why the potential of agricultural robots should be distinguished from the pace of market adoption. Labor shortages and technological progress do not automatically increase sales of every type of equipment simultaneously. Adoption can vary in speed and direction with crops, cultivation methods, equipment maturity, and investment conditions.

Agricultural automation in practice reflects these differences. Some farms change weeding first; others begin with transport. Even greenhouses testing harvesting robots may retain people for final checks and exception handling. Selective automation means breaking work into tasks and matching technical feasibility with the points offering the greatest operational impact.

For growers, the first question is not how closely a robot resembles a person. It is which task ties up workers longest, when work falls behind, and what losses those delays cause. The priority for automation may emerge from the largest bottleneck rather than the most impressive motion.

Fields contain plants that need removing as well as crops that need growing. Weeding is inherently selective: crops must remain while weeds are treated. Adding image recognition and precision actuation to judgments once made by eye and performed by hand or tools can change how that work is done.

Targeted spraying is one approach. Cameras distinguish plants and apply chemicals at the required locations. Instead of treating the whole field uniformly, the system selects targets and directs inputs toward them. Whether or not the vehicle drives autonomously, the combination of perception, decisions, and precise action illustrates selective agricultural automation.

Research presented by University of Arkansas agricultural scientists in March 2025 demonstrates both the potential and the conditions. The researchers conduct a three-year soybean field trial using John Deere's targeted spraying technology. Results indicate herbicide use can be reduced by 43-59% compared with broadcast spraying. These results, however, apply to the equipment and conditions tested.

The more revealing finding concerns settings. Lower sensitivity reduces the number of weeds selected for treatment and can save herbicide, but it can also miss more weeds. In the trial, weeds escaping treatment at low sensitivity produce seeds that increase subsequent management burdens. Immediate savings and costs in the next growing cycle may therefore move in different directions.

This example shows why artificial intelligence (AI) in agriculture cannot be assessed through a single number. Is using less chemical enough? Is weed suppression maintained? How much area needs another pass? Will there be more weeds to treat the following year? Farm economics become clearer when these questions are assessed together.

Chemical treatment is not the only option. Carbon Robotics supplies commercial laser weeding equipment that uses imagery to identify targets and lasers to treat weeds. Here too, the new treatment method must be considered alongside crop spacing, weed size and density, and working speed to establish suitability for actual conditions.

Laser approaches may reduce some burdens associated with chemical use, but equipment purchases, energy, maintenance, and operating conditions require separate assessment. Mechanical weeding is also affected by crop layout and soil conditions. The advantageous method depends on the farm and the cost of existing work.

Selective weeding changes not only how machines move but the unit to which spending is directed. Resources shift from uniform application across an entire area toward specific targets. Accurate, repeatable selection that does not increase long-term management burdens creates greater scope for productivity improvements.

Finding ripe fruit does not complete the harvest. Leaves and stems may block access, and a neighboring unripe fruit may be disturbed. Even within one variety, fruit grows at different heights and angles. Automated harvesting must address both the decision about what to pick and the method of picking it without damage.

Greenhouses offer more controllable conditions than open fields, but they remain spaces in which living things grow. Aisles can be standardized; leaves and branches cannot grow in identical shapes like machine components. Alongside adapting robots to crops, growers must examine how crop layout and management affect robotic work.

A 2025 tomato harvesting robot validation by Wageningen University & Research in the Netherlands provides a concrete example. The study examines the technical performance and economic potential of robotic vine tomato harvesting at a commercial growing site. It reports harvesting up to approximately 90% of trusses meeting predefined crop criteria.

The denominator behind that 90% matters. It does not mean that 90% of all fruit in the greenhouse was harvested without people. The result concerns targets satisfying specified conditions, and operator supervision is required. The study also finds that success depends strongly on crop structure and cultivation arrangements.

The industrial question is therefore not only how sophisticated to make a robot arm, but how to organize the growing environment. Keeping fruit visible and accessible may favor automation. Yet growers must also examine the additional labor involved and the effects on yield and quality.

For example, if leaf removal takes more time to improve robotic access, labor saved in picking must be weighed against the new work. The question is whether the total farm workload falls after adoption or whether some work moves to other people. Success in one motion does not automatically translate into a benefit across the whole process.

A division of labor in which robots pick accessible fruit first and people handle the remainder can also be considered. Assessment then needs to include the nature of the remaining work as well as robotic success rates. Do people end up with only awkward postures and complex situations? Does waiting or checking increase? These questions are necessary for practical workforce design.

Progress in harvest automation is a process in which robot performance, changes in cultivation, and the redistribution of human roles interact. A method that works for one crop may not transfer unchanged to another. Agricultural robots consequently spread at different rates across crops and tasks.

A close look at harvesting reveals tasks beyond picking fruit by hand. Workers fetch crates, move full ones, and prepare empty containers. They move between work areas, check weights, and wait for the next transport. These activities offer opportunities for improvement while leaving the picking motion itself unchanged.

The US company Burro offers autonomous transport platforms focused on this harvest-assist logistics work. They operate alongside people in crops including grapes and berries, helping move harvested produce. Rather than detaching fruit directly, the technology takes on surrounding transport tasks so people can concentrate on picking.

This approach redefines the task to automate. A shortage of harvest workers does not require an answer focused exclusively on mechanizing picking itself. Reducing the time existing crews spend moving crates can also change the workflow. Breaking work into smaller units creates more points at which technology can be applied.

Transport robots do not, however, organize logistics simply by arriving. Growers must decide where crates are loaded and unloaded, what happens when paths are blocked, and how robots follow when people change work areas. If loading and unloading keep another person occupied, the expected benefit may not fully materialize.

Payload and travel speed must also match the overall pace of work. Transport that is slower than workers filling crates creates waiting. Excess transport capacity, conversely, leaves equipment underused. The important measure is the flow connecting picking, transport, and collection rather than the robot's maximum speed alone.

A Korean example also illustrates dividing and connecting tasks. In April 2025, the Rural Development Administration announces an integrated management program linking crop protection, transport, and monitoring robots. It allows users to check robot locations, task status, and crop information while managing multiple machines' work.

The transport robot moves at the worker's pace to assist harvesting and incorporates a function for checking the weight of produce. Information from monitoring robots helps assess fruit condition and likely harvest timing. The scope expands from individual robots executing motions to systems sharing operational information.

The value of this coordination also appears in how much it reduces the grower's burden of operating each machine separately. If every additional device brings more screens to check and information to enter, automation may create new management work. Organizations need to establish what information people and robots, and robots among themselves, should exchange.

Produce undergoes further selection after leaving the field. Size, color, external damage, and quality requirements determine different product categories. Even well-grown fruit may fail to realize its expected value if sorting and packing do not connect it to appropriate grades and uses. Agricultural productivity concerns preserving marketable quality as well as production volume.

Packhouses make working conditions easier to stabilize than outdoor environments. Lighting, movement paths, and imaging positions can be controlled. Unlike harvesting, which requires finding and approaching crops, sorting can bring produce along a defined route. Even within agriculture, the difficulty of applying technology varies by process.

TOMRA's fruit sorting technology offers an example of using imagery and deep learning to classify external defects. It provides systems for fruit including apples, cherries, and blueberries, allowing operators to adjust grading criteria according to defect type and severity. The scope of machine judgment sits alongside the criteria that operators decide.

Such sorting equipment does not have the same technical configuration or statistical scope as mobile field robots. Nevertheless, farm automation investment needs to consider stages both before and after harvest. Faster field harvesting shifts the bottleneck downstream if sorting and packing cannot keep pace.

Sorting performance also cannot be judged by throughput alone. Rejecting marketable fruit and missing a genuine defect carry different costs. Overly strict criteria reduce usable volumes, while loose ones may undermine shipment quality and commercial trust.

Specifications and intended uses can also vary by buyer. Fruit with the same appearance may be judged differently depending on its destination market and product. Sorting automation requires both technology for classifying fruit and operations that connect classifications with sales strategy. More data do not automatically determine the economic meaning of a grade.

Connecting harvesting and sorting information creates further questions for farm management. Do defects recur in particular areas? Does quality variation increase at certain times? These patterns should not immediately be attributed to production practices. Distinguishing the effects of harvesting, transport, and storage makes the information useful for changing subsequent work.

An agricultural robot's price tag shows its purchase cost. Growers may also face installation, training, energy, software, maintenance, and repairs. Altering aisles and working areas or integrating other equipment adds further costs. The price of a machine must be distinguished from the cost of putting it to work on a farm.

Actual usable time is an even more important variable. Unlike factory equipment, some farm operations have limited operating windows determined by growing cycles, weather, and crop condition. The same equipment price can yield different economics on farms that can use it extensively and those that can use it only briefly.

Downtime also becomes more costly during harvest. A promise to send a technician in several days may be inadequate when a machine stops. Ripe fruit and suitable working windows do not wait. Agricultural robot competitiveness includes not only breakdown frequency but parts supply, field response, and the ability to arrange alternative work.

Economic assessment needs to consider annual averages alongside the busiest period. A machine may have spare time over the year yet cause losses if it cannot deliver the required throughput during a few concentrated harvest days. Conversely, equipment that appears to have spare capacity most of the time may be important for sustaining a short peak season.

Task success and speed also need to be combined. Handling one fruit quickly does not create high hourly output if failures, travel, and retries consume time. Growers need the speed of successful actions alongside hourly output that includes preparation, movement, and interruptions.

Alternatives to purchase include rental, contracted operations, and shared use. The Food and Agriculture Organization of the United Nations (FAO), in its 2022 report on agricultural automation, examines barriers facing small-scale producers alongside service models that provide access without ownership. Costs, infrastructure, knowledge, and skills must be considered together.

Sharing is not established simply by dividing equipment costs. If several farms have the same optimal working window, everyone may want the machine on the same day. Travel between farms, cleaning, and reconfiguration also take time. The benefits of sharing depend on whether crop and regional schedules actually fit together.

Service-based operation also requires clear responsibilities. Under which conditions will work be delivered, and to what standard? What happens when rain changes the schedule? How will crop damage or repeat work be handled? What growers purchase is work completed when needed rather than possession of a robot for a period of time.

Global market averages alone cannot explain Korean farm conditions when assessing agricultural robot adoption. Crops, cultivation methods, plot shapes, slopes, aisles, and operating scale differ. Even equipment with identical functions can require different preparation and deliver different utilization depending on the farm.

Open fields and greenhouses also need separate consideration. Greenhouses offer scope to organize work around aisles and facilities, while open fields are more directly affected by soil, weather, and terrain. Both require assessment of actual operating conditions alongside equipment specifications. The number of robots deployed and the area worked reliably are different achievements.

From this perspective, five priorities deserve attention in Korean agriculture. They are application directions derived from the preceding research and examples, not a prediction that every farm will experience the same results.

First, identify working time and sources of loss by crop. Breaking a general labor shortage into time needed for weeding, transport, harvesting, and sorting makes investment priorities more concrete. Technical feasibility and the importance of automating a task should be examined together.

Second, extend equipment trials to whole working days and growing cycles. Include cleaning, charging, movement, interruptions, and operator intervention that short demonstrations may miss. Checking damage, repeat work, and actual operating time alongside harvesting success helps connect technical performance with farm benefits.

Third, support for adjusting equipment and cultivation together becomes more important. Altering aisles and crop layouts may benefit robots but impose additional farm costs. Required changes, feasibility within existing facilities, and effects on yields and labor must be tested together.

Fourth, operation and maintenance services need peak-season response capability. The system must establish who provides training, diagnoses faults, and supplies parts after a sale. Growers left to handle maintenance alone may hesitate to adopt equipment despite interest in the technology.

Fifth, decide how saved labor will be allocated. When work previously done by people decreases, do other tasks increase? Are only hazardous exceptions left for people? Are there opportunities to learn new skills? Lasting change requires people working with robots to understand and adjust the work.

Growers' roles can change in this process. Alongside the ability to perform every task themselves, deciding what to assign to people and what to equipment becomes more important. Technology providers also take on greater responsibility for understanding the farm's overall workflow and explaining actual results.

Selective automation is not an approach confined to small ambitions. It resolves a major bottleneck and then reexamines the flow before and after it. Faster transport prompts a check of sorting capacity; more precise weeding prompts scrutiny of weed management in the next growing cycle. Connecting improvements across stages can change whole-farm productivity.

The future of agricultural robots appears in more than the moment one fruit is delicately picked. It also appears when a worker no longer needs to leave the work area to move crates, when chemicals are applied only where needed, and when produce passes through sorting on time. Robots that change farms are likely to be those that reliably complete the work most needed, rather than those promising to do the most.

International Federation of Robotics, 2025, World Robotics 2025: Service Robots

University of Arkansas System Division of Agriculture, March 2025, John Lovett, Precision Agriculture Research Measures Effectiveness of See & Spray Technology

Carbon Robotics, LaserWeeder

Wageningen University & Research, 2025, Jochen Hemming et al., NPPL-R Validatieonderzoek GRoW Tomaten-Oogstrobot

Burro, Permanent Crops: Harvest Assist, Mowing, Spraying

TOMRA, April 2025, LUCAi: Post-Harvest Sorting and Grading Technology

Rural Development Administration, April 2025, Integrated Management Technology for Agricultural Robots

FAO, November 2022, The State of Food and Agriculture 2022: Leveraging Agricultural Automation for Transforming Agrifood Systems