不會寫程式的農夫，用 AI 管 100 公頃農場，一半系統跑在 LINE 上
上一篇我們看了美國乳牛場「不串 API、從資料夾開始」的導入法。這篇的主角更極端：北海道一位完全沒有工程背景的農夫，從一段用日常語言寫的需求開始，靠 ChatGPT 陸續做出八套客製系統，獨自管理 100 公頃農場。最值得台灣企業注意的細節是：其中四套系統的操作介面，就是你我每天都在用的 LINE。
八套系統，長什麼樣
這是 OpenAI 官方發表時採用的真實用戶案例：農夫冨安宏樹（Hiroki Tomiyasu）沒有寫程式的底子，他做的是「把問題講清楚」，讓 AI 把需求翻譯成能跑的程式。八套系統包括：
- 病蟲害照片初篩
- 衛星影像的植生指數（NDVI）監測
- 設備配線圖解讀助手
- 遠端溫室控制：在 LINE 傳「開／關／停」就能控制溫室通風布
- 農場工作群組的聊天機器人
- 聊天紀錄自動結構化彙整
- RTK-GPS 自動駕駛方案的理解與評估
- 用 Airtable 建的十大類別農場管理資料庫
其中溫室控制那套的技術組合是：AI 寫的程式串起 ESP32 開發板、馬達驅動模組與 24V 捲簾馬達，後端用輕量雲端服務（Cloudflare Workers 加 D1 資料庫），前端就是 LINE Bot。器材成本官方說法是幾百美元等級。不是幾百萬的自動化專案，是幾百美元。
真正的門檻：不是程式，是 PM 思維
整個案例最重要的一句話，不是任何技術名詞，而是這個分工：
定義問題、描述需求、驗收結果、承擔風險，由人來做。
把需求翻譯成程式碼，交給 AI。
換句話說，比寫程式更值得先練的，是把問題拆清楚的能力。這正是多數老闆已經具備、只是沒被這樣用過的能力：你每天都在跟員工「描述需求、驗收結果」，差別只是對象換成 AI 之後，描述得越清楚，得到的系統越好用。
他自己歸納的三個階段，可以直接當導入路線圖：
- 入門：把重複性任務交給 AI 做初稿，人負責事實確認。先體驗「交辦、驗收」的節奏。
- 進階：動手前先寫清楚「資料來源、處理規則、輸出格式」三件事，再請 AI 設計半自動流程。
- 持續：每完成一個小自動化，用一、兩百字記下「問題→怎麼問→結果→踩到什麼坑」。這本筆記會變成你公司最值錢的內部資產。
為什麼「跑在 LINE 上」對台灣特別重要
八套系統裡有四套（溫室控制、群組機器人、紀錄彙整、資料庫查詢）的操作介面都是 LINE Bot。這個選擇背後的邏輯很務實：不要求任何人學新工具。員工本來就在 LINE 裡，指令就是傳一句話。
台灣的商業環境跟日本高度相似：公司內外的溝通主場就是 LINE。這代表 AI 導入有一條阻力最小的路：把 AI 放進大家已經在用的介面，而不是再開一個沒人想登入的系統。查庫存傳一句話、報修傳一張照片、日報自動整理進群組，都是同一個模式。
把這篇跟上一篇乳牛場案例放在一起看，路線圖就完整了：資料端用「資料夾式 MVP」低成本起步，操作端用 LINE 這類既有工具降低使用門檻。兩端都不需要一開始就大興土木。
本案例為當事人口述、OpenAI 官方發表素材，未經獨立驗證；成本數字（幾百美元）為概略值；官方素材中部分圖片標注為 AI 生成示意圖、非實拍。引用時請當作「證明這條路走得通」的案例佐證，而不是可逐項核實的產業數據。
另外，把設備控制接上聊天介面，安全設計（誰能下指令、指令錯了怎麼辦、斷線時設備的預設行為）必須在第一天就想清楚。這部分官方素材著墨不多，實際導入時是我們會最先盯的地方。
完全不會寫程式的人，真的做得出這些系統嗎？
這個案例顯示可行，但屬官方發表素材、未經獨立驗證。可以確定的是方法論：把問題、資料來源、處理規則、輸出格式描述清楚，讓 AI 負責翻譯成程式碼；描述得越清楚，得到的系統越好用。建議從單一重複性任務開始，而不是一次做八套。
為什麼要用 LINE 當操作介面，而不是做一個專屬 App？
因為員工本來就在 LINE 裡，指令就是傳一句話，不需要學新工具、不需要記另一組帳號密碼。把 AI 放進大家已經在用的介面，導入阻力最小；再開一個沒人想登入的系統，往往是自動化專案失敗的起點。
用 LINE 控制設備安全嗎？
安全設計必須在第一天就想清楚：誰能下指令、指令錯了怎麼辦、斷線時設備的預設行為是什麼。官方案例素材對這部分著墨不多，實際導入時應該最先確認這三件事，再談功能。