“재활용 가능 포장"이라는 표현은 이제 출발점일 뿐이다. 바이어와 규제기관이 묻는 질문은 점점 구체화되고 있다. 이 포장재가 실제 선별장에서 어떤 흐름으로 움직이는가. 목표 소재 스트림에 들어가는가. 라벨, 펌프, 캡, 색상, 코팅, 복합재가 회수율을 낮추지는 않는가. 같은 소재라도 지역별 재활용 인프라에서 결과가 달라지지는 않는가.

2026년 5월 Packaging Dive는 Kenvue가 Greyparrot의 AI 기반 폐기물 분석 기술로 자사 포장재가 실제 재활용 시스템에서 어떻게 움직이는지 추적한다고 보도했다. Greyparrot의 Deepnest 플랫폼은 특정 포장 구성 요소, 예를 들어 펌프나 라벨이 회수율에 미치는 영향을 파악하는 데 쓰인다. 이 흐름은 포장 설계와 규제 대응이 더 이상 “소재명"만으로 끝나지 않는다는 신호다.

왜 실측 데이터가 중요해졌나

기존 포장재 검토는 주로 사양서와 시험성적서 중심이었다. 소재가 PET인지, 종이인지, 단일재질인지, 코팅이 있는지, 유해물질 기준을 넘지 않는지 확인했다. 이 정보는 여전히 중요하다. 다만 실제 재활용 과정에서는 사양서만으로 설명되지 않는 변수가 많다.

예를 들어 같은 플라스틱 병이라도 색상이 너무 짙으면 광학 선별 효율이 낮아질 수 있다. 라벨이 넓게 붙어 있으면 병 본체 소재와 다르게 인식될 수 있다. 펌프와 스프레이 구조는 몸체와 다른 소재가 섞여 있어 목표 스트림에서 빠질 수 있다. 종이포장도 마찬가지다. 코팅, 필름창, 접착제, 잉크, 내용물 오염이 실제 재펄프화와 선별 결과를 바꾼다.

이 때문에 “재활용 가능"은 설계 의도이고, “회수율"은 실제 시스템 결과에 가깝다. 포장재 담당자는 둘을 구분해야 한다.

Greyparrot과 Kenvue 사례의 의미

Packaging Dive 보도에 따르면 Greyparrot의 분석 장치는 재활용 선별 라인에 설치되어 데이터를 Deepnest 플랫폼으로 보낸다. Kenvue는 이 데이터를 통해 포장재가 실제 재활용 흐름에서 어떻게 행동하는지 확인하고, 특정 부품이 회수율에 미치는 영향을 볼 수 있다.

핵심은 세 가지다.

  1. 제품 단위 추적: 특정 브랜드 또는 품목의 포장재가 선별장에서 어떤 스트림으로 가는지 본다.
  2. 구성 요소 분석: 펌프, 캡, 라벨, 색상 같은 세부 요소가 회수율에 미치는 영향을 확인한다.
  3. 설계 변경 효과 예측: 재활용성을 고려한 설계 변경이 비용과 회수율에 어떤 영향을 줄지 판단한다.

보도는 EPR 규제가 확대되는 환경에서 이런 데이터가 중요해진다고 설명한다. 생산자책임제도에서는 포장재가 얼마나 재활용 가능한지, 어떤 소재로 구성됐는지, 실제 회수 체계에서 비용을 얼마나 만들 가능성이 있는지가 점점 중요해진다.

재활용 선별 컨베이어에서 라벨과 펌프가 있는 포장재를 AI 비전으로 분류하는 장면

종이포장에도 같은 질문이 적용된다

AI 선별 데이터 사례는 플라스틱 포장에만 해당하지 않는다. 종이 기반 포장도 실제 회수·선별·재처리 조건을 봐야 한다.

종이포장에서 자주 문제가 되는 요소는 다음과 같다.

  • PE, PLA, 수성 코팅 등 배리어층
  • 창문 필름과 라미네이션
  • 과도한 접착제 또는 핫멜트
  • 금박, 은박, 특수 잉크, UV 코팅
  • 플라스틱 손잡이, 자석, 스폰지 인서트
  • 식품 잔여물, 오일, 수분 오염
  • 라벨과 테이프가 많이 붙은 운송 박스

이 요소들은 종이 함량만 보면 작은 부품처럼 보일 수 있다. 그러나 재활용 공정에서는 선별 오류, 펄프 품질 저하, 이물질 증가, 공정 비용 상승으로 이어질 수 있다. 따라서 종이포장 사양서에는 “종이 기반"이라는 표현뿐 아니라 방해 요소를 나눠 기록해야 한다.

포장 시방서에 넣어야 할 데이터

AI 선별 데이터가 모든 기업에 바로 제공되는 것은 아니다. 그렇더라도 포장 시방서는 실측 데이터와 연결될 수 있는 형태로 만들어야 한다.

기본 항목은 다음과 같다.

구분기록 항목
본체 소재종이, 판지, 골판지, PET, PP, PE 등 주요 소재
부속 소재라벨, 캡, 펌프, 창문 필름, 접착제, 코팅
중량부품별 중량과 전체 포장 중량
면적라벨 면적, 코팅 면적, 필름창 면적
색상흑색, 진색, 금속성 잉크 등 선별 영향 가능 요소
분리성소비자 또는 작업자가 쉽게 분리할 수 있는지
오염 가능성식품, 화장품, 오일, 분말 잔여물 가능성
시험 자료재펄프화, 선별성, 재활용성 평가, 내부 테스트

이 표는 단순한 문서 작업이 아니다. 나중에 EPR 보고, 바이어 자료 요청, 포장 변경 승인, 친환경 문구 검토에 그대로 쓰인다.

포장 소재 구성표와 회수율 데이터를 비교하며 재활용성 시방서를 작성하는 회의 장면

회수율 관점의 설계 체크포인트

실제 회수율을 높이려면 포장 설계 단계에서 다음 질문을 해야 한다.

  1. 본체 소재와 부속 소재가 같은 재활용 스트림으로 갈 수 있는가
  2. 다른 소재가 붙어 있다면 쉽게 분리되는가
  3. 라벨이 본체를 과도하게 덮어 선별을 방해하지 않는가
  4. 색상과 잉크가 광학 선별이나 재펄프화에 영향을 주는가
  5. 코팅과 접착제가 재활용 공정에서 제거 가능한가
  6. 내용물 잔여물이 소비자 배출 단계에서 쉽게 줄어드는가
  7. 지역별 회수 인프라가 해당 포장재를 받아들이는가
  8. 설계 변경 후 회수율 또는 비용 변화 근거를 확보할 수 있는가

중요한 것은 정답이 하나가 아니라는 점이다. 같은 포장도 미국, EU, 한국, 일본의 회수 체계에서 다른 결과를 낼 수 있다. 따라서 수출 포장에서는 국가별 규정 문구보다 실제 인프라와 자료 요구 수준을 함께 봐야 한다.

EPR 대응과 연결되는 이유

EPR이 확대되면 생산자는 포장재가 폐기된 뒤의 비용을 더 많이 부담한다. 이때 비용은 단순 중량만으로 끝나지 않을 수 있다. 재활용이 쉬운 포장과 어려운 포장을 차등화하는 에코모듈레이션 논의가 커질수록, 실제 선별성과 회수 가능성 데이터의 가치가 올라간다.

Greyparrot 사례에서도 Deepnest 데이터가 특정 주의 제품 성능을 평가하고, 향후 에코모듈레이션과 연결될 수 있다는 설명이 나온다. 국내 기업도 미국이나 EU 고객에게 납품한다면 “우리는 종이포장입니다"보다 더 구체적인 자료를 준비해야 한다.

실무적으로는 다음 자료를 미리 모아두는 것이 좋다.

  • 포장재별 소재 구성표
  • 부품별 중량표
  • 코팅, 접착제, 라벨 사양
  • 재활용성 내부 검토표
  • 공급사 시험성적서 또는 평가 자료
  • 국가별 EPR 보고 가능 데이터
  • 포장 변경 전후 중량과 소재 변화 이력

AI 데이터가 만능은 아니다

AI 선별 데이터는 유용하지만, 모든 판단을 대신하지는 않는다. 데이터는 특정 시설, 특정 기간, 특정 포장 샘플을 기반으로 한다. 선별장의 장비, 지역별 폐기물 조성, 소비자 배출 습관, 계절, 제품 판매량에 따라 결과가 달라질 수 있다.

따라서 기업은 AI 데이터를 다음처럼 써야 한다.

  • 절대 인증서가 아니라 개선 방향을 찾는 근거로 사용
  • 소재 사양서, 시험성적서, 공급사 자료와 함께 검토
  • 국가별 회수 인프라 차이를 별도로 확인
  • 포장 변경 전후를 비교하는 내부 지표로 활용
  • 마케팅 문구에는 과장 없이 제한 조건을 함께 반영

“AI가 재활용 가능하다고 했다"는 표현은 위험하다. 더 정확한 표현은 “특정 선별 데이터에서 회수율 개선 가능성을 확인했다"에 가깝다.

마무리

포장재 재활용성은 더 이상 소재명만으로 설명하기 어렵다. 라벨 하나, 펌프 하나, 코팅 한 층, 색상 하나가 실제 선별장에서 다른 결과를 만들 수 있다. Greyparrot과 Kenvue 사례는 브랜드와 포장 공급망이 실제 회수 데이터를 기준으로 설계를 개선하는 방향으로 움직이고 있음을 보여준다.

종이포장 기업과 수출 기업도 이 흐름을 피하기 어렵다. 지금 해야 할 일은 거창한 AI 시스템을 바로 도입하는 것이 아니라, 포장 사양서를 실제 회수 데이터와 연결될 수 있는 구조로 바꾸는 것이다. 부품별 소재, 중량, 라벨, 코팅, 접착제, 분리성, 오염 가능성을 기록해야 다음 단계의 재활용성 검증이 가능해진다.

작성자 소개

PackingMaster: 페이퍼팩로그 편집자. 종이 포장재 산업의 시장 동향, 제품 정보, 기술 인사이트를 모아 정리합니다.

참고 자료