農業の出荷判断をAIエージェントで支援する方法と実装プロンプト完全公開

農家の出荷判断が難しい理由：天候・相場・生育状況の三すくみ

中規模農家の経営者や出荷担当者にとって、「いつ・どこに・どれだけ出荷するか」は毎日のように発生する判断です。この判断に必要な情報は大きく3つあります。天候、市場価格、そして作物の生育状況です。

天候は収穫後の品質劣化や配送リスクに直結します。雨天が続けば収穫作業自体が困難になり、高温期には鮮度低下のスピードが上がります。一方、市場価格は日々変動し、出荷が集中する時期には価格が下がりやすく、逆に天候不順で他産地の出荷が減れば価格が上がる傾向があります。

生育状況も一定ではありません。同じ圃場でも日当たりや土壌の差で生育にばらつきが出ます。収穫適期を逃すと品質が落ち、等級が下がる可能性があります。

この3つの情報は互いに影響し合います。天気が崩れそうだから早めに収穫したいが、まだ生育が十分でない。市場価格は来週上がりそうだが、日持ちの心配がある。こうした「三すくみ」の中で、多くの農家は経験と勘を頼りに判断しています。

経験による判断は、長年の蓄積があれば精度が高いこともあります。しかし、情報が頭の中にとどまるため、後から振り返りにくく、他の人に引き継ぎにくいという課題があります。

情報収集と判断のBefore：現状の意思決定プロセスと課題

中規模の露地野菜農家を想定した場合、出荷判断に関わる一般的な業務フローは以下のようになります。

現状フロー例（関東近郊・耕作面積3ha程度の露地野菜農家を想定）：

1. 早朝の圃場巡回（5:00〜6:00頃）：作物の生育状況を目視で確認します。サイズ、色味、病害虫の有無、収穫可能量の見積もりを行います。
2. 天気予報の確認：スマートフォンの天気アプリで向こう3日間程度の天候を確認します。降雨予報があれば収穫のタイミングを前倒しするか検討します。
3. 市場価格の情報収集：JA出荷情報、卸売市場の速報値、仲間の農家からの情報を個別に確認します。情報源がバラバラで、全体像を把握するのに手間がかかります。
4. 出荷先の検討：JA共同出荷、直売所、飲食店への直販など、複数の出荷チャネルからその日の最適な出荷先を選びます。チャネルごとに求められる規格・量・価格が異なります。
5. 出荷量の決定：圃場の収穫可能量、日持ち予測、翌日以降の需要見込みを頭の中で総合し、出荷量を決めます。
6. 収穫・選別・梱包・出荷：決定に基づいて作業を実施します。
7. 結果の記録・振り返り：出荷後の実際の販売価格や売れ行きを記録し、次回に生かす作業ですが、日々の作業に追われて省略されがちです。

このプロセスで生じやすい課題：

• 情報収集の時間的コスト：天気、市場価格、生育情報を別々のソースから集めるため、一般的な環境では毎朝30分〜1時間程度の時間がかかると考えられます。
• 判断の属人化：経験豊富な農家でないと適切な判断が難しく、家族経営の後継者やパート従業員に判断を委ねにくい状況があります。
• 振り返りの欠如：判断結果の記録が残らないため、「あのときなぜこう判断したか」を後から検証できません。

AIエージェントによる出荷判断支援の仕組みと処理フロー

このエージェントが担う役割：

本記事で紹介するAIエージェントは、「出荷判断そのものを自動化する」ものではありません。天候・市場価格・生育状況という3つの情報を統合し、出荷判断に必要なレポートを整理・生成する「判断支援ツール」です。

最終的な出荷判断は、農家自身の経験・地域事情・取引先との関係性を加味して人間が行います。AIが担うのは「情報の収集・整理・パターン分析」の部分です。

具体的には、LLM（大規模言語モデル）に対して天候データ・市場データ・生育記録を入力し、構造化されたレポートとして出力させます。ChatGPTやClaude等の汎用LLMをAPI経由またはチャット画面で利用する想定です。

エージェントの処理フロー：

入力：天気予報データ + 市場価格データ + 圃場生育記録 + 出荷先情報
  ↓
Step 1：入力データの整理と不足項目の特定
  ↓
Step 2：天候リスク分析（降雨・高温・低温が収穫・配送に与える影響を評価）
  ↓
Step 3：市場価格トレンド分析（直近の価格推移から短期的な傾向を判断）
  ↓
Step 4：生育状況と収穫適期の照合（現在の生育ステージから収穫可能時期を推定）
  ↓
Step 5：出荷推奨日の算出（天候×価格×生育の3要素を統合してタイミングを提案）
  ↓
Step 6：リスク要因の洗い出し（各シナリオのリスクを明示）
  ↓
Step 7：代替シナリオの生成（メインの推奨案に加え、2〜3パターンの代替案を提示）
  ↓
Step 8：出荷判断レポートの構成・出力
  ↓
出力：出荷判断支援レポート（推奨出荷日・リスク要因・代替シナリオ・判断根拠）

このフローのポイントは、Step 5で3つの情報を統合的に評価する点です。人間が頭の中で行っている「天気が悪くなりそうだから早めに出そう、でも価格はもう少し待った方がいいかも…」という思考プロセスを、整理された形で可視化します。

Before/After：経験頼みの判断とAI支援付き判断の業務フロー比較

注記：上記の比較は関東近郊の中規模露地野菜農家（耕作面積3ha程度）を一般的な例として想定しています。実際の効果は栽培品目、地域、出荷チャネル、IT環境によって大きく異なります。

実装プロンプト完全公開：マルチステップの出荷判断支援プロンプト

以下のプロンプトをそのままコピーして、ChatGPTやClaude等の汎用LLMに貼り付けて試すことができます。[変数名]の部分を自身の環境に合わせて書き換えてください。自環境での動作確認を行ったうえで業務に適用することをお勧めします。

# 役割定義（Role）
あなたは農業の出荷判断を支援する情報整理エージェントです。
天候・市場価格・作物の生育状況の3つの情報を統合的に分析し、
出荷タイミングに関する判断材料を整理したレポートを生成します。
あなたの役割は「判断を下す」ことではなく、「判断に必要な情報を
構造化して提示する」ことです。最終判断は必ず農家自身が行います。
# 入力仕様（Input）
以下の情報を受け取ります：
## 必須情報
- 作物情報（テキスト）：品目名、品種名、栽培面積、現在の生育ステージ
  例：「[作物名]、[品種名]、[栽培面積]、収穫開始から5日目」
- 天気予報データ（テキスト）：向こう7日間の天候・最高気温・最低気温・降水確率
  例：「4/18 晴れ 22/12℃ 10%、4/19 曇り 20/11℃ 30%、4/20 雨 18/13℃ 80%...」
- 市場価格データ（テキスト）：直近1週間の卸売価格（単位：円/kg or 円/束等）と前年同期の参考価格
  例：「4/11: 280円/kg、4/12: 290円/kg、...、前年同期平均: 250円/kg」
  ※市場価格データは参考値です。入力する価格データの出所（市場名等）を明記してください。
- 圃場生育記録（テキスト）：収穫可能量の見積もり、品質状態（A品率等）、病害虫の有無
  例：「収穫可能量 約500kg、A品率 約80%、病害虫なし」
## 任意情報
- 出荷先情報（テキスト）：利用可能な出荷チャネルと各チャネルの条件
  例：「[出荷先チャネル]：JA共選（[出荷規格]あり、翌日配送）、直売所（規格自由、当日納品）、飲食店A（週2回、事前予約制）」
- 農家の希望・制約（テキスト）：作業人員、車両、冷蔵設備の有無等
  例：「作業員2名、軽トラ1台、予冷庫あり」
- 過去の出荷実績（テキスト）：直近の出荷日・出荷量・販売価格
  例：「4/14に300kg出荷、JA共選、販売価格275円/kg」
# 処理手順（Process）
以下のステップで処理を行ってください：
Step 1：入力データの整理と確認
  - 提供された情報を項目別に整理する
  - 不足している情報があれば「確認が必要です：[項目名]」として明示する
  - 矛盾するデータがあれば指摘する
Step 2：天候リスク分析
  - 向こう7日間の天候を確認し、収穫・配送に影響するリスクを評価する
  - 降雨日の前後、高温日、低温日を特定する
  - 天候が品質に与える影響（例：雨天後の泥跳ね、高温による萎れ）を記載する
Step 3：市場価格トレンド分析
  - 直近1週間の価格推移から、短期的なトレンド（上昇・下落・横ばい）を判断する
  - 前年同期比との差を確認する
  - 価格変動に影響しそうな要因があれば「推測」として明示したうえで記載する
Step 4：生育状況と収穫適期の照合
  - 現在の生育ステージから、収穫適期の残り日数を推定する
  - 適期を逃した場合の品質リスクを記載する
  - 収穫可能量と品質状態を確認する
Step 5：出荷推奨タイミングの算出
  - Step 2〜4の分析結果を統合し、出荷推奨日を提案する
  - 「天候が安定しており、市場価格が比較的高く、生育が適期」の条件が揃う日を優先する
  - 推奨日が複数ある場合は優先順位をつける
Step 6：リスク要因の洗い出し
  - 推奨する出荷タイミングに伴うリスクを列挙する
  - 天候急変、価格下落、品質劣化等のリスクとその発生可能性を記載する
Step 7：代替シナリオの生成
  - メインの推奨案に加え、以下の2〜3パターンの代替案を提示する
    - パターンA：最も早い出荷日（リスク回避型）
    - パターンB：価格上昇を待つ出荷日（収益重視型）
    - パターンC：分割出荷（リスク分散型）
  - 各パターンのメリット・デメリットを簡潔に記載する
Step 8：レポートの構成と出力
  - 以下の出力形式に従い、レポートを生成する
# 出力形式（Output）
以下の形式で出力してください：
---
## 出荷判断支援レポート
**作成日**：[本日の日付]
**対象作物**：[作物名] [品種名]
**対象圃場**：[栽培地域] [栽培面積]
### 1. データサマリー
| 項目 | 内容 |
|---|---|
| 天候概況（7日間） | [要約] |
| 市場価格トレンド（参考値） | [上昇/下落/横ばい]、直近平均[X]円/kg（出所：[市場名等]） |
| 生育状況 | [ステージ]、収穫可能量[X]kg、A品率[X]% |
### 2. 出荷推奨（メインプラン）
- **推奨出荷日**：[日付]
- **推奨出荷量**：[数量]
- **推奨出荷先**：[チャネル名]
- **判断根拠**：[天候・価格・生育の3点から根拠を記載]
### 3. リスク要因
- [リスク1]：[内容と影響度（高/中/低）]
- [リスク2]：[内容と影響度]
- [リスク3]：[内容と影響度]
### 4. 代替シナリオ
| シナリオ | 出荷日 | 出荷量 | メリット | デメリット |
|---|---|---|---|---|
| A：早期出荷 | [日付] | [量] | [メリット] | [デメリット] |
| B：価格待ち | [日付] | [量] | [メリット] | [デメリット] |
| C：分割出荷 | [日付] | [量] | [メリット] | [デメリット] |
### 5. 確認が必要な事項
- [不足情報や追加確認が望ましい項目]
### 6. 補足メモ
- [その他参考になる情報]
**本レポートは判断材料の整理を目的としたものです。市場価格の分析は参考値に基づく推測であり、価格の保証ではありません。病害虫の防除や農薬に関する判断は、必ず普及指導員や農業試験場等の専門家にご相談ください。最終的な出荷判断は、農家ご自身の経験・地域事情・取引先との関係性を踏まえて行ってください。**
---
# 品質基準（Quality）
出力前に以下を自己チェックしてください：
□ 入力データの数値（価格・数量・温度等）を正確に反映しているか
□ 推奨出荷日に対する判断根拠が3要素（天候・価格・生育）すべてに言及しているか
□ リスク要因が少なくとも2つ以上挙がっているか
□ 代替シナリオが2パターン以上提示されているか
□ 断定的な表現（「必ず」「確実に」）を使っていないか
□ 市場価格の将来見通しを「推測」として明示しているか
□ 「確認が必要な事項」セクションで不足情報を正直に指摘しているか
□ レポート末尾に「最終判断は農家自身が行う」旨の注記があるか
# 制約事項（Constraints）
- 出荷判断そのものを断定しないこと。「推奨」「提案」の表現を使い、決定権は農家にある前提で記述する
- 市場価格の将来予測は「推測」であることを明示し、保証と受け取られる表現を避ける
- 病害虫の防除や農薬に関する具体的な指示は行わない（普及指導員や農業試験場等の専門家への相談を推奨）
- 入力情報に明記されていない事項は推測で補わず、「確認が必要です：[項目名]」と記載すること
- 最終出力は必ず人間が確認・承認してから出荷判断に使用すること
# カスタマイズ変数
[作物名]：栽培している品目名に置き換えてください（例：ほうれん草、トマト、キャベツ）
[品種名]：具体的な品種名に置き換えてください（例：アトラス、桃太郎、春系）
[栽培地域]：圃場の所在地域に置き換えてください（例：埼玉県深谷市、千葉県銚子市）
[栽培面積]：対象圃場の面積に置き換えてください（例：50a、1ha）
[出荷先チャネル]：利用可能な出荷先に置き換えてください（例：JA共選、道の駅、飲食店直販）
[出荷規格]：各出荷先の規格基準に置き換えてください（例：L/M/S等のサイズ区分）
[集計期間]：市場価格データの参照期間に置き換えてください（例：直近1週間、直近2週間）
# 使用例（Example）
## 入力例
作物情報：ほうれん草、アトラス、栽培面積50a、播種後45日目（収穫適期）
天気予報：
- 4/18 晴れ 22/12℃ 降水確率10%
- 4/19 曇り 20/11℃ 降水確率30%
- 4/20 雨 18/13℃ 降水確率80%
- 4/21 雨 17/12℃ 降水確率70%
- 4/22 曇り 19/10℃ 降水確率40%
- 4/23 晴れ 23/11℃ 降水確率10%
- 4/24 晴れ 24/12℃ 降水確率10%
市場価格（架空の参考例・実際の市場価格とは異なります）：
- 4/11: 280円/kg、4/12: 290円/kg、4/13: 285円/kg
- 4/14: 300円/kg、4/15: 310円/kg、4/16: 305円/kg、4/17: 315円/kg
- 前年同期平均: 250円/kg
圃場生育記録：収穫可能量 約400kg、A品率 約85%、病害虫なし
出荷先：JA共選（規格あり、翌日配送）、直売所（規格自由、当日納品）
制約：作業員2名、軽トラ1台、予冷庫あり
## 期待される出力例（抜粋）
---
## 出荷判断支援レポート
**作成日**：2026年4月18日
**対象作物**：ほうれん草 アトラス
**対象圃場**：栽培面積50a
### 1. データサマリー
| 項目 | 内容 |
|---|---|
| 天候概況（7日間） | 4/18晴れ、4/19曇り、4/20〜21雨、4/22曇り、4/23〜24晴れ |
| 市場価格トレンド（参考値） | 上昇傾向、直近平均298円/kg、前年同期比+19%（架空の参考例） |
| 生育状況 | 収穫適期、収穫可能量約400kg、A品率約85%、病害虫なし |
### 2. 出荷推奨（メインプラン）
- **推奨出荷日**：4月18日〜19日（本日〜明日）
- **推奨出荷量**：250〜300kg（全量の60〜75%程度）
- **推奨出荷先**：JA共選（価格上昇トレンドを活かす）
- **判断根拠**：
  - 天候：4/20〜21に雨が予想され、雨天後は泥跳ねによる品質低下リスクあり
  - 価格：直近1週間で上昇傾向。雨天による他産地の出荷減少で短期的に維持される可能性がある（推測）
  - 生育：収穫適期に到達。2日以内の収穫であれば品質維持が見込める
### 3. リスク要因
- 天候急変リスク（中）：4/19の曇りが前倒しで雨になる可能性
- 価格反落リスク（低〜中）：雨明け後に他産地の出荷が集中し価格が下がる可能性
- 労働力制約（中）：2名体制で1日あたりの収穫量に限界がある
（以下略）
（この出力は参考例です。実際の出力は入力内容や環境により異なります）
---

プロンプトの使い方（3ステップ）：

1. データを準備する：天気予報、市場価格、圃場の生育記録を手元に集めます。
2. [変数名]を書き換える：プロンプト冒頭の入力仕様に従い、自身の情報を入力します。
3. LLMに投入する：ChatGPTやClaude等のチャット画面またはAPIにプロンプトとデータを入力し、レポートを受け取ります。

初回は「使用例」の入力例をそのまま試し、出力の雰囲気をつかんでから、自身のデータに切り替えることをお勧めします。

外部データ取得の工夫：天気・市場価格データの活用方法

プロンプトに投入するデータの質が、レポートの質を左右します。ここでは、天気予報と市場価格のデータをどのように取得するかについて、実践的な方法を紹介します。

天気予報データの取得：

天気予報データは、気象庁が公開しているWebサイトや各種天気予報サービスから取得できます。API（Application Programming Interface：ソフトウェア同士がデータをやり取りする仕組み）を提供しているサービスもあり、Python等のスクリプトを使えば自動取得も可能です。

手動で行う場合は、天気予報サイトの週間予報ページから日付・天気・気温・降水確率をコピーし、テキスト形式に整形してプロンプトに入力します。API連携を行う場合は、気象データを提供するサービスのAPIを利用し、指定地域の予報データをJSON形式で取得できます。

市場価格データの取得：

卸売市場の価格情報は、東京都中央卸売市場をはじめ、各市場の公式Webサイトで日次の品目別卸売価格が公開されています。農林水産省のWebサイトでも青果物の流通統計情報を参照できますが、日次の価格確認には各市場の公式サイトを直接参照するのが実用的です。

これらのデータを手動でプロンプトに入力することもできますが、定常的に利用する場合はスクレイピング（Webサイトからデータを自動収集する技術）やAPI連携の仕組みを構築すると効率的です。ただし、スクレイピングについては対象サイトの利用規約を確認し、許可されている範囲で行ってください。

データ入力を簡略化する工夫：

毎朝のデータ入力を負担に感じる場合は、以下の工夫が考えられます。

• テンプレートの作成：入力フォーマットを固定したテキストファイルを用意し、数値だけを書き換える方法
• スプレッドシート連携：Googleスプレッドシート等に日々のデータを記録し、プロンプト入力用のテキストを自動生成する関数を組む方法
• スクリプトの自動実行：Python等で天気API・市場データの取得からプロンプト生成までを自動化する方法（IT支援者のサポートがあると導入しやすい）

カスタマイズ変数と調整方法：作物・地域・出荷先に合わせる

実装プロンプトには7つのカスタマイズ変数を用意しています。自身の環境に合わせて書き換えることで、さまざまな品目・地域・出荷条件に対応できます。

調整のポイント：

作物による調整：葉物野菜と果菜類では、天候の影響や日持ちの特性が異なります。プロンプトの処理手順内で「天候リスク分析」や「収穫適期の照合」の基準を、作物の特性に合わせて加筆すると精度が上がります。例えば、トマトの場合は「積算温度（一定期間の気温を合計した値で、果実の着色進行度の目安となります）による着色進行の推定」を追加するといった工夫が考えられます。

地域による調整：参照する卸売市場や天気予報の地点を、実際の出荷先市場や圃場の所在地に合わせます。出荷先が複数地域にまたがる場合は、各市場の価格データを並列で入力してください。

出荷先による調整：JA共選、直売所、飲食店直販では、求められる品質基準・量・納品スケジュールが異なります。出荷先情報を詳しく記載するほど、レポートの具体性が上がります。

実装時の注意点とよくある失敗パターン

注意点1：データの鮮度を保つ

市場価格データや天気予報データは鮮度が重要です。前日以前のデータをそのまま使い回すと、レポートの前提が古くなります。特に天気予報は、前日と当日で大きく変わることがあります。毎朝最新のデータを入力する習慣をつけることをお勧めします。

注意点2：AIの出力を過信しない

AIエージェントが出力するレポートは、入力されたデータに基づく情報整理の結果です。データに誤りがあれば、レポートも誤った前提に基づいたものになります。また、AIは地元特有の事情（特定の取引先との関係性、地域の慣習、圃場ごとの微気象等）を把握していません。レポートは「判断材料の一つ」として扱い、最終判断には自身の経験と知見を必ず加えてください。

注意点3：段階的に導入する

最初から全圃場・全品目に適用するのではなく、まず1品目・1圃場で試してみることをお勧めします。出力されたレポートと自身の判断を照らし合わせ、「役に立つ情報」と「不要な情報」を見極めながら、プロンプトを調整していくと効果的です。

よくある失敗パターン：

このエージェントの限界と向き不向き

向いているケース：

• 複数の出荷チャネルを持つ中規模農家：JA共選、直売所、飲食店直販など、出荷先の選択肢が多いほどAIによる情報整理のメリットが大きくなります。
• 後継者への技術・判断の引き継ぎ場面：ベテラン農家の判断プロセスをレポートとして可視化することで、後継者が「なぜその判断に至ったか」を学ぶ材料として活用できる可能性があります。
• 複数品目を栽培している農家：品目ごとに異なる収穫適期・市場動向を整理するのに手間がかかる場面で、情報整理の補助として有効です。
• JA営農指導員が管内農家を支援する場面：複数の農家に対して、統一的なフォーマットで出荷アドバイスを提供する際のベースとして活用できます。

向いていないケース：

• 単一出荷先のみの小規模農家：JA一括出荷のみで出荷先の選択肢がない場合、出荷タイミングの判断余地が限られるため、このエージェントの情報整理メリットが小さくなります。
• AIの出力をそのまま最終判断にしたいケース：本エージェントは判断材料の整理を目的としており、「AIに出荷判断を任せたい」というニーズには応えられません。最終判断は必ず人間が行う前提です。
• リアルタイム性が求められる相場取引：花き市場の競りなど、分単位で価格が変動する取引には対応していません。本プロンプトは「翌日〜1週間先」程度の出荷計画を対象としています。
• 圃場センサー等のIoTデータとの自動連携：現時点のプロンプト設計は手動入力が前提です。IoTデバイスから自動的にデータを取り込む仕組みは別途開発が必要です。

まとめと段階的な導入ロードマップ

農家の出荷判断は、天候・市場価格・生育状況という3つの変動要因を同時に考慮する複雑な意思決定です。この判断を支援するAIエージェントを導入することで、情報の収集・整理にかかる時間の短縮や、判断プロセスの可視化・共有が期待できます。

ただし、AIはあくまで「判断材料を整理するツール」であり、最終的な出荷判断は農家自身の経験・勘・地域事情を加味して行うものです。この前提を踏まえたうえで、段階的に導入を進めることをお勧めします。

今すぐできること：

1. プロンプトを試す（所要時間：30分程度）：本記事の実装プロンプトをコピーし、使用例の入力データでChatGPTやClaude等に投入してみてください。出力の雰囲気をつかむことが第一歩です。
2. 自身のデータで1回試す（所要時間：1時間程度）：実際の天気予報、直近の市場価格、圃場の生育状況を入力し、出力されたレポートと自身の判断を照らし合わせてみてください。
3. 1週間の試用期間を設ける：毎朝のルーティンに組み込み、AIレポートと実際の出荷結果を記録します。レポートの「使える部分」と「調整が必要な部分」を見極め、プロンプトを自分の環境に合わせてカスタマイズしていきます。

導入に際して技術的なサポートが必要な場合は、地域のIT支援者やJA営農指導員に相談してみてください。

本記事で紹介したプロンプトは参考情報です。実際の業務適用前に、自環境での動作確認と、内容の適切性確認を必ず行ってください。出荷判断は農業経営に直結する重要な意思決定です。AIの出力は判断材料の一つとして活用し、最終判断は必ずご自身の経験と知見に基づいて行ってください。病害虫の防除や農薬に関する判断が必要な場合は、普及指導員や農業試験場等の専門家にご相談ください。