- はじめに——305記事中、農業がゼロだったという発見
- 第1章：農業AIのユースケース分類——「何にAIを使うか」を整理する
- 第2章：衛星画像×マルチモーダルLLMで圃場の変化を検知する
- 第3章：農業気象API×RAGで「今週の防除タイミング」AIを作る
- 第4章：Ollama＋ローカルLLMで「オフライン営農指導AI」を構築する
- 第5章：既存農業クラウドサービスとのMCP連携
- 第6章：農薬・肥料推奨AIの「責任設計」——ハルシネーションが命取りになる領域
- 第7章：スマート農業補助金申請書のAI活用
- 第8章：農業AI導入のロードマップ——どこから始めるか
- 第9章：よくある質問（Q&A）
- まとめ——農業AIは「ローカルLLM＋衛星×気象API＋責任設計」の三位一体
- 参考リンク
はじめに——305記事中、農業がゼロだったという発見
2026年現在、日本の農業は転換点を迎えています。農林水産省「スマート農業技術活用促進法」（2025年10月施行）と、それに続く農業DX推進交付金の大幅増額により、農業法人・農協（JA）・農業機械メーカーは「AIをどう導入するか」を本気で検討せざるを得なくなりました。
当サイトでは介護、歯科、清掃、警備、ペット、アパレルなど多くの業種向けAI実装記事を公開してきましたが、農業だけが抜けていたことに気づきました。読者の皆さんから「ハウス栽培の温度管理にローカルLLMを使いたい」「衛星画像で病害虫を早期発見できないか」「JAの営農指導員の代わりになるAIを作りたい」という相談が増えています。
この記事は、農業法人の経営者、JA・農業系SIerの担当者、農業機械メーカーのDX推進部門、そして「自分の畑にAIを導入したい」と考える先進的な農家の方を対象に、2026年時点で実装可能な農業AIシステムの設計・構築方法を、ユースケース分類から具体的なアーキテクチャ、責任設計、補助金活用まで網羅的に解説します。
農業現場特有の制約——クラウド接続が不安定、データを外部に出せない、現場のITリテラシーが多様——を踏まえ、特にローカルLLMを軸にした「オフラインで動く営農指導AI」の設計に踏み込みます。
第1章：農業AIのユースケース分類——「何にAIを使うか」を整理する
農業AIと一口に言っても、解決する課題によってアーキテクチャも必要なデータも大きく異なります。まず2026年時点で実装価値の高い5つのユースケースに分類しましょう。
1-1. 収穫予測AI
過去の作付け履歴、気象データ、衛星画像、土壌センサーデータを統合し、収穫量と収穫タイミングを予測するAIです。出荷計画、人員手配、市場価格交渉の精度が大きく向上します。
必要データ：過去5年以上の作付け・収穫実績、Sentinel-2衛星画像のNDVI（正規化植生指数）の時系列、農業気象データ（積算温度・日射量・降水量）、土壌水分センサー。
1-2. 病害虫早期発見AI
圃場の画像（ドローン・スマートフォン・固定カメラ）をマルチモーダルLLMで解析し、病害虫の兆候を発見します。早期発見できれば農薬使用量を3〜5割削減できる事例もあります。
必要データ：圃場の定期撮影画像、病害虫の発生履歴、過去の防除記録、気象データ（病害虫の発生条件と相関）。
1-3. 気象リスク早期警戒AI
気象庁の数値予報、AMeDAS（地域気象観測システム）、OpenWeatherMap、Windyなどの気象APIをRAG（検索拡張生成）のソースにし、「今週、自分の圃場で何に注意すべきか」を自然言語で回答するAIです。霜害、台風、ゲリラ豪雨、高温障害への対応判断を支援します。
1-4. 農作業計画・営農指導AI
JAの営農指導員が持つ知識——品目別の栽培暦、防除暦、施肥設計——を社内ドキュメントとして整備し、ローカルLLM＋RAGで「営農指導員のセカンドオピニオン」を作るユースケースです。新人指導員の育成、ベテラン引退による知識喪失への対策として注目されています。
1-5. 経営分析・補助金申請支援AI
農業法人の経営データ（売上、コスト、作付け面積、人件費）と、農水省・都道府県の補助金情報を組み合わせ、「うちの規模で使える補助金は何か」「申請書のどこを強化すべきか」を提案するAIです。スマート農業技術活用促進法に紐づく補助金は2026年度も大幅増額が見込まれ、申請支援AIのニーズは急拡大しています。
第2章：衛星画像×マルチモーダルLLMで圃場の変化を検知する
2-1. 利用可能な衛星画像ソース
農業AIで使える主要な衛星画像ソースは以下の通りです。
| 衛星 | 解像度 | 更新頻度 | 料金 | 農業用途 |
|---|---|---|---|---|
| Sentinel-2（ESA・Copernicus） | 10m | 5日 | 無料 | NDVI解析、生育モニタリング、広域監視 |
| Landsat-8/9（NASA/USGS） | 30m | 16日 | 無料 | 長期トレンド分析、土壌湿度推定 |
| PlanetScope（Planet Labs） | 3m | 毎日 | 有料 | 個別圃場の高頻度モニタリング |
| SkySat（Planet Labs） | 0.5m | オンデマンド | 有料 | 異常発生時の高解像度撮影 |
| だいち2号/3号（JAXA） | 1〜10m | 14日 | 条件付き無料 | 国内圃場、SARによる夜間・悪天候撮影 |
まずは無料のSentinel-2で十分です。10m解像度は1ha以上の圃場であれば数十ピクセル取れるため、NDVI（植生指数）の時系列変化を捉えるには問題ありません。
2-2. NDVI解析の基本
NDVI（Normalized Difference Vegetation Index）は植物の活性度を示す代表的な指標で、以下の式で計算します。
NDVI = (NIR - Red) / (NIR + Red)NIRは近赤外、Redは赤色バンドです。値は-1〜+1の範囲で、健全な作物ほど高くなります。前週比でNDVIが急低下した圃場は、病害虫・水ストレス・養分欠乏のいずれかが疑われます。
2-3. マルチモーダルLLMで圃場の変化を「言葉で」説明させる
NDVIの数値だけでは現場の農家には伝わりません。マルチモーダルLLM（Claude、GPT-4o、Geminiなど）に衛星画像と過去画像を渡し、変化を自然言語で説明させるのが2026年の実装パターンです。
プロンプトの例：
あなたは農業リモートセンシングの専門家です。
以下の2枚のSentinel-2画像（同一圃場、1週間前と現在）を比較し、
- NDVIの全体的な変化
- 局所的な異常（特定エリアの色変化）
- 考えられる原因（病害虫・水ストレス・施肥ムラなど）
- 現地確認すべきポイント
を、農家にわかる言葉で報告してください。マルチモーダルLLMは画像のパターン認識に加え、農学的知識を踏まえた解釈を返します。これを毎週自動で農家のLINEに配信する仕組みが、現在の最も実装価値の高い農業AIユースケースのひとつです。
第3章：農業気象API×RAGで「今週の防除タイミング」AIを作る
3-1. 利用可能な農業気象データソース
| データソース | 提供元 | 特徴 | API/取得方法 |
|---|---|---|---|
| AMeDAS | 気象庁 | 全国約1,300地点、10分毎 | 気象庁公式・防災情報XML |
| 数値予報GPV | 気象庁 | 1〜2km解像度、3時間毎更新 | 気象庁・気象業務支援センター |
| OpenWeatherMap | OWM | 世界共通、無料枠あり | REST API |
| 農業気象データ | 農研機構（メッシュ農業気象データ） | 1kmメッシュ、農業に特化 | API・データ提供サービス |
| WAGRI | 農水省・農研機構 | 農業データ連携基盤 | API（要登録） |
WAGRI（農業データ連携基盤）は農水省と農研機構が運営する官民データ統合基盤で、気象、土壌、農地、市況などのデータをAPI経由で取得できます。商用利用も可能で、農業AIサービス開発には事実上の標準データソースです。
3-2. RAGアーキテクチャの構成
「今週の防除タイミング」AIの構成は以下のようになります。
┌─────────────────────────────────────────────┐
│ ユーザー：「今週、防除すべき？」 │
└──────────────┬──────────────────────────────┘
↓
┌─────────────────────────────────────────────┐
│ ローカルLLM（Ollama + Llama 3.3 / Qwen2.5） │
└──────────────┬──────────────────────────────┘
↓ クエリ書き換え＋検索
┌─────────────────────────────────────────────┐
│ RAGソース： │
│ ・気象予報（AMeDAS・GPV・OpenWeatherMap） │
│ ・病害虫発生予察情報（都道府県の発表） │
│ ・栽培暦・防除暦（社内ドキュメント） │
│ ・過去の圃場記録（防除履歴） │
└──────────────┬──────────────────────────────┘
↓
┌─────────────────────────────────────────────┐
│ 回答： │
│ 「今週後半に降雨が続くため、灰色かび病の │
│ リスクが上昇します。雨前の◯日に予防散布を │
│ 推奨します。前回◯月に同じ薬剤を使用済みの │
│ ため、ローテーションで△△剤を検討してください」│
└─────────────────────────────────────────────┘ポイントは、気象APIから取得した未来の天気予報をリアルタイムにRAGコンテキストに注入することです。静的なドキュメントだけでは「今週の」判断はできません。
第4章：Ollama＋ローカルLLMで「オフライン営農指導AI」を構築する
4-1. なぜ農業にローカルLLMが向いているのか
農業現場は、ローカルLLMが最も価値を発揮するユースケースの一つです。
- クラウド接続が不安定：圃場は山間部・離島が多く、4G/5Gの電波が不安定。LTE圏外でも動く必要がある
- データを外に出したくない：作付け計画、収量データ、農家の経営情報はクラウドに送りたくないという農業法人が多い
- 長期運用コスト：APIの従量課金は規模が大きくなるほど不利。固定資産（Raspberry Pi＋小型LLM）の方が経営的に予測しやすい
- ベンダーロックイン回避：JA・農協は特定のクラウドベンダーへの依存を避ける傾向が強い
4-2. ハードウェア構成
圃場や直売所、JA支所に設置する「営農指導AI端末」の構成例です。
| 用途 | ハードウェア | 動かせるLLMモデル | 用途 |
|---|---|---|---|
| 小規模（個別圃場） | Raspberry Pi 5（8GB） | Llama 3.2 3B、Phi-3.5 Mini | 音声Q&A、簡単な栽培暦参照 |
| 中規模（直売所・JA支所） | Mac mini M4（16GB） | Llama 3.3 8B、Qwen2.5 7B | RAG込みの営農相談、画像解析 |
| 大規模（農業法人本部） | Mac Studio M4 Max（64GB）またはRTX 4090搭載PC | Llama 3.3 70B（量子化）、Qwen2.5 32B | 本格的な営農指導、複数圃場の統合分析 |
Raspberry Piでも、3Bクラスの軽量モデルなら応答速度2〜5秒で動作します。圃場の作業員が音声で「いま見つけた虫、何これ？」と聞ける端末として十分実用的です。
4-3. Ollama導入の具体的手順
Mac mini（M4・16GB）に営農指導AIを構築する例で示します。
# 1. Ollamaのインストール
curl -fsSL https://ollama.com/install.sh | sh
# 2. 日本語に強いモデルをダウンロード
ollama pull qwen2.5:7b
ollama pull llama3.3:8b
# 3. 動作確認
ollama run qwen2.5:7b "稲のいもち病の予防方法を教えてください"
# 4. RAGフレームワーク（LlamaIndex / LangChain）と連携
pip install llama-index llama-index-llms-ollama llama-index-embeddings-ollama
# 5. 社内ドキュメント（栽培暦・防除暦・過去の指導記録）をベクトル化
# → ChromaDB / Qdrant にインデックス化
# 6. 気象API・衛星画像APIをツールとして登録（MCP対応）ベテラン営農指導員の知識を「PDFや手書きノート」のままにせず、テキスト化してRAGに食わせるのが営農指導AIの核心です。これは新人指導員の育成と、退職するベテランの知識継承を同時に解決します。
第5章：既存農業クラウドサービスとのMCP連携
農業法人やJAが既に使っているクラウドサービスをローカルLLMから操作するには、MCP（Model Context Protocol）が事実上の標準になりつつあります。
5-1. 主要な農業クラウドサービス
| サービス | 提供元 | 機能 | API/連携 |
|---|---|---|---|
| ファームノート | ファームノート社 | 畜産・酪農管理 | REST API（公式） |
| アグリノート | ウォーターセル | 圃場管理・作業記録 | API（要相談） |
| xarvio FIELD MANAGER | BASF | 耕種農業の意思決定支援 | API・データ連携 |
| クロップサイエンス（CropScope） | シンジェンタ | 病害虫予察・防除設計 | Webサービス |
| KSAS | クボタ | 農機データ連携 | API |
| WAGRI | 農水省・農研機構 | データ連携基盤 | API |
5-2. MCPサーバを介した連携イメージ
たとえば「アグリノートの今週の作業記録を読み、気象予報と照らして、来週やるべき作業を提案して」という指示をローカルLLMに与えるには、以下のような構成になります。
┌─────────────────────────────┐
│ ローカルLLM（Ollama） │
└─────────────┬───────────────┘
│ MCP
┌──────┴───────┬─────────┬──────────────┐
↓ ↓ ↓ ↓
┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐
│アグリ │ │WAGRI │ │気象API │ │社内RAG │
│ノート │ │ │ │ │ │（栽培暦）│
│MCP │ │MCP │ │MCP │ │MCP │
└────────┘ └────────┘ └────────┘ └────────┘2026年時点で公式MCPサーバを提供している農業サービスはまだ限られているため、当面は自前でREST APIをMCP化する実装が必要です。これはAkioのようなインフラ・ネットワーク経験者にとって最も得意な領域でしょう。
第6章：農薬・肥料推奨AIの「責任設計」——ハルシネーションが命取りになる領域
農業AIが他のAI応用と決定的に異なるのは、誤った推奨が直接的に収量・食品安全性・人体へのリスクに繋がる点です。「農薬を◯倍希釈で散布」とAIが誤って答えれば、農家は数百万円の作物を失い、消費者は残留農薬の被害を受ける可能性があります。
6-1. 絶対に守るべき4原則
- 農薬・肥料の具体的銘柄・濃度・散布量はAIが直接回答しない。常に登録情報・ラベルへ誘導する
- JA・指導員・農薬販売店への確認を必ず促す
- AIの出力には「免責表示」を必ず付与する（例：「最終判断は登録情報・指導員の指示に従ってください」）
- 誤推奨が起きた場合のログを完全保存し、原因分析できる構成にする
6-2. プロンプトレベルでの安全策
システムプロンプトに以下の制約を明示します。
あなたは農業相談AIです。以下のルールを厳守してください：
1. 特定の農薬商品名・濃度・散布量を直接回答してはいけません。
2. 「使用基準は農薬登録情報・ラベル表示で必ず確認してください」と明示してください。
3. JA・農薬販売店・農業改良普及センターへの相談を必ず促してください。
4. 不確かな場合は「わかりません」と回答し、推測で答えないでください。
5. 過去の防除履歴がない場合は、安易にローテーションを提案してはいけません。6-3. 出力レベルでの検証（ガードレール）
LLMの出力に対して、以下のチェックを自動で行うガードレール層を入れます。
- 農薬商品名（登録名）が含まれていないか
- 「◯倍希釈」「◯g/10a」などの具体的数値が含まれていないか
- 免責表示が含まれているか
- 違反した場合は出力を遮断し、定型文に置き換える
農業AIにおけるガードレール設計は、医療AI（YMYL領域）の責任設計と同じ厳格さが求められます。
第7章：スマート農業補助金申請書のAI活用
2026年度、農水省は「スマート農業技術活用促進法」に基づく交付金として、農業DX・スマート農業導入に対する補助金を大幅に拡充しました。主要な補助金は以下の通りです。
| 補助金名 | 対象 | 補助率 | 上限額目安 |
|---|---|---|---|
| スマート農業技術活用促進事業 | 機械・システム導入 | 1/2以内 | 1,000万円〜 |
| みどりの食料システム戦略推進交付金 | 環境負荷低減技術 | 1/2以内 | 条件による |
| 農業デジタルトランスフォーメーション推進事業 | データ連携基盤導入 | 定額 | 条件による |
| 都道府県独自の補助金 | 地域による | 地域による | 地域による |
※2026年度の最新情報・正式名称は、必ず農水省・各都道府県・JAの公式情報をご確認ください。
7-1. 補助金申請書をAIで効率化するワークフロー
- 事業計画の骨子をAIと対話で固める：「うちは◯haの水稲で、こういう課題があって、こんなAIを入れたい」と話し、AIに事業計画書のドラフトを作らせる
- 過去の採択事例をRAGに食わせる：農水省・都道府県が公開している採択事例集をベクトル化し、「うちと似た規模・課題の採択事例」を参照させる
- 申請書の評価ポイントに沿って構成する：費用対効果、地域への波及効果、持続可能性、データ活用——評価軸ごとに記述を補強
- 担当者・社労士・経営コンサルとの最終確認：AIのドラフトは下書きと割り切り、最後は必ず専門家のレビューを受ける
補助金申請書の作成は文章作業の塊なので、AIとの相性が極めて良い領域です。一方で、虚偽記載や誇大表現は補助金適正化法違反になるため、AIに任せきりにせず、事実関係は必ず人間が検証してください。
第8章：農業AI導入のロードマップ——どこから始めるか
農業法人・JAが農業AIをゼロから導入する場合、以下のステップで進めることを推奨します。
フェーズ1（1〜3ヶ月）：データ整理と社内ドキュメント化
- 過去の栽培履歴・防除履歴・収穫実績をCSV化
- ベテラン指導員の暗黙知を「品目別マニュアル」としてテキスト化
- WAGRIの利用申請、衛星画像データ（Sentinel-2）の取得手順確立
フェーズ2（3〜6ヶ月）：単一ユースケースのPoC
- 最も価値が高い1つのユースケース（例：気象RAG）に絞ってPoC
- ローカルLLMをMac miniに導入し、社内向けに使ってみる
- 使い勝手・精度・運用負荷を評価
フェーズ3（6〜12ヶ月）：本番運用と多店舗展開
- PoCで得た知見を踏まえ、複数圃場・複数JA支所への展開
- 農業機械・既存クラウドサービスとのMCP連携を本格化
- 補助金活用で本番ハードウェアの導入コストを抑える
フェーズ4（12ヶ月以降）：高度化と外販
- 収穫予測・経営分析など、より高度なAIユースケースへ拡張
- 自社で構築したノウハウを、近隣農家・JA間で共有または有償提供
第9章：よくある質問（Q&A）
Q1. 高齢の農家でも使えますか？
音声入力＋音声出力のインタフェースを用意すれば、スマホ操作が苦手な方でも使えます。実際、Raspberry Piに小型スピーカーとマイクをつけ、「いつ田植え？」と聞けば答える農業AIスピーカーも実装可能です。
Q2. ローカルLLMの精度はクラウドAPIに劣るのでは？
2026年時点で、Llama 3.3 70BやQwen2.5 32Bといった量子化モデルは、農業分野の一般的な質問であればGPT-4o・Claude 3.5に十分匹敵します。むしろ、自社の栽培暦をRAGに入れれば、汎用クラウドモデルよりも回答精度は高くなります。
Q3. 衛星画像は誰でも使えますか？
Sentinel-2やLandsatは無料で誰でも使えます。Copernicus Open Access HubやSentinel Hub（一部有料）から取得可能です。日本のJAXA「だいち」シリーズは申請が必要ですが、条件次第で無料利用できます。
Q4. JAや農業法人で社内ガイドラインは必要ですか？
必須です。特に農薬・肥料推奨AIを使う場合、責任範囲（AIの出力を誰が最終承認するか、誤推奨が起きた場合の責任所在）を明文化しないと、トラブル時に深刻な事態になります。
Q5. ネットワーク設計で気をつけることは？
圃場のRaspberry Piとデータ集約サーバ（JA支所など）を繋ぐには、LTE/5GルーターまたはLoRaWAN等のLPWA（Low Power Wide Area）が選択肢になります。電波状況が悪い場合は、定期同期型（夜間にバッチでデータ送信）の設計が現実的です。元エンタープライズネットワークエンジニアの観点では、農業IoTは「ベストエフォートで動かす」設計思想が肝心です。
まとめ——農業AIは「ローカルLLM＋衛星×気象API＋責任設計」の三位一体
2026年の農業AIは、もはや「実証実験フェーズ」ではありません。スマート農業技術活用促進法と補助金の追い風を受け、農業法人・JA・SIerが本格導入を始める段階に入っています。
本記事のポイントを再確認します。
- ユースケースを5つに分類して整理する：収穫予測、病害虫早期発見、気象リスク、営農指導、経営分析
- 衛星画像（Sentinel-2）×マルチモーダルLLMで圃場の変化を捉える：無料データだけでも実用レベルに到達可能
- 気象API×RAGで「今週の判断」を支援する：WAGRI・AMeDAS・OpenWeatherMapを組み合わせる
- ローカルLLM（Ollama）で「オフラインで動く営農指導AI」を作る：クラウド接続が不安定でも動き、データ漏洩リスクもない
- 既存農業クラウドとMCPで連携する：アグリノート、xarvio、KSAS等の既存資産を活かす
- 農薬・肥料推奨は責任設計を徹底する：ハルシネーションが命取りになる領域
- 補助金申請書はAIと相性が良い：ただし最終確認は必ず人間が行う
農業AIは、技術的な難易度よりも「現場の制約をどう設計に織り込むか」が成否を決めます。クラウド接続、データ主権、運用負荷、責任所在——これらは、長年エンタープライズネットワークやインフラを設計してきたエンジニアにとって、むしろ得意領域です。農業×ITの新しいフロンティアは、これからの数年で大きく動きます。
参考リンク
免責事項： 本記事は2026年5月時点の公開情報・公開技術仕様に基づく一般的な情報提供です。具体的な農薬・肥料の使用判断、補助金申請、システム導入については、必ずJA・農業改良普及センター・登録農薬情報・行政機関・専門家にご確認ください。本記事の内容に基づく損害について筆者は責任を負いません。
コメント