AoT blog

AI한테 농장을 통째로 넘겨봤습니다.

2026. 9. 24.

확인하려던 것

AoT는 여러 곳에 흩어진 현장을 하나의 지도에 담고, 그곳의 장치와 기록을 연결하는 시스템입니다. 지금까지는 사람이 화면을 보고 판단했습니다.

이번에 확인하려던 것은 하나였습니다. 사람이 화면에서 하던 판단을, 평소 쓰던 AI가 대신 도울 수 있는가.

농업 전용 AI를 새로 만드는 방식이 아니라, 이미 쓰고 있는 AI 서비스에 현장을 연결하는 방식을 택했습니다. 이유는 뒤에 적었습니다.

구성

연결은 MCP(Model Context Protocol)로 했습니다. AoT가 MCP 서버를 내장하고 있고, AI 서비스가 그 서버에 접속해 도구를 호출합니다. 이번 기록에 나오는 화면은 클로드입니다. 챗GPT에서도 연결되지만, 서비스와 요금제에 따라 연결 절차가 다릅니다.

AI에게 열어준 것은 세 가지입니다.

조회 — 위치, 센서 값, 장치 상태, 재배 계획, 현장 노트와 사진
실행 — 장치 조작, 함수 활성화, 예약 생성
생성 — 노트, 구획, 재배 프로그램, 제어 설정

이 중 상태를 바꾸는 도구는 사람의 승인을 거쳐야 실행됩니다. AI가 도구를 호출하면 승인 대기 상태로 남고, 사람이 승인해야 장치가 움직입니다.

시험한 작업과 결과

1. 현장 상태를 묻고 관수를 실행하기

"오늘 3포장에 물 줘야 할까?" 라는 질문에, AI는 해당 구획의 위치를 확인하고 센서 값과 재배 단계를 조회한 뒤, 구역별로 다른 답을 냈습니다. 한쪽은 현재 수분으로 충분하고, 다른 한쪽은 관수가 필요하다는 판단이었습니다. 이어서 자동 관수 함수를 활성화할지 물었고, 승인 후 실제로 밸브가 열렸습니다.

2. 사진 읽기

현장 노트에 첨부한 사진을 AI가 읽습니다. 작물 사진보다 제어반·배선 사진에서 더 많은 정보를 읽어냈습니다. 스쳐 찍힌 장비의 제원, 어느 단자에 무엇이 물려 있는지까지 확인하는 경우가 있었습니다. 다만 사진 해상도에 따라 결과가 달라지므로, 판독 결과를 그대로 신뢰하기보다 사람이 확인하는 편이 안전합니다.

3. 설정 만들기

시설 자동 제어 설정처럼 항목이 많은 작업도, 내장 매뉴얼과 기존 설정을 조회한 뒤 설정안을 만들었습니다. 사람이 값을 확인하고 승인합니다.

4. 기록 정리

대화 중에 나온 내용을 노트로 남기게 할 수 있습니다. 노트는 센서가 측정할 수 없는 정보를 담는 자리이고, 그 노트가 다음 질문의 근거가 됩니다.

왜 시스템 안에 AI를 넣지 않았는가

AoT 안에 AI를 내장하는 방식을 먼저 만들었고, 여러 차례 다시 만들었습니다. 결론은 두 가지였습니다.

사용자가 배워야 할 것이 늘어납니다. 모델을 고르고, 키를 넣고, 요금제를 관리해야 합니다.
무료로 배포하는 시스템에 API 요금이 전제로 붙습니다.

MCP로 방향을 바꾸면 사용자는 이미 쓰고 있는 AI를 그대로 쓰면 됩니다. 모델이 바뀌어도 AoT는 바꿀 것이 없습니다. 내장 AI는 지금도 남아 있지만, 주 경로는 MCP 연결입니다.

확인된 한계

연결 절차가 서비스마다 다릅니다. AI 서비스와 요금제에 따라 방법이 갈립니다.
외부에서 접속할 주소가 필요합니다. AI 서비스가 사용자의 AoT에 닿아야 하므로 네트워크 설정이 필요하고, 이 부분이 설치에서 가장 손이 많이 갑니다.
장기 계획에서는 아직 교정이 부족합니다. 여러 단계에 걸친 작업에서 시스템이 길라잡이 역할을 하도록 만들었지만, 더 다듬어야 합니다.
응답에 시간이 걸립니다. 도구를 여러 번 호출하는 질문일수록 느려집니다.
판단과 실행은 분리해야 합니다. 이것은 한계라기보다 설계 원칙입니다. AI의 오작동 위험을 어떻게 줄일지는 계속 풀어야 할 과제입니다.