Holzmengen und Erntemengen mit KI prognostizieren

Das echte Ausmaß des Problems

Der deutsche Holzmarkt ist einer der volatilsten Rohstoffmärkte in Mitteleuropa. 2024 wurden 61,2 Millionen Kubikmeter Holz eingeschlagen — davon 27,3 Millionen Kubikmeter Schadholz, das durch Sturm, Borkenkäfer und Trockenheit anfiel (BMEL-Statistik 2025). Das entspricht 44,7 Prozent des Gesamteinschlags und ist damit erheblich, aber gegenüber 2023 rückläufig.

Schadholz am Markt bedeutet: Preisdruck durch plötzlich erhöhtes Angebot, Qualitätsunsicherheiten und logistische Engpässe bei der Aufarbeitung. Betriebe, die keine strukturierte Mengenplanung betreiben, werden von diesen Schwankungen überrascht. Betriebe, die auf Basis historischer Daten und Wetter- sowie Marktpreistrends planen, können Einschlagsmengen, Sortimentsverteilungen und Verkaufszeitpunkte deutlich besser steuern.

Die Planung leidet dabei unter einem strukturellen Informationsproblem: Relevante Daten existieren — Bestandsinventuren, historische Einschlagsmengen, Marktberichte des BMLEH, Wetterprognosen, regionale Holzpreisentwicklungen — aber sie liegen in unterschiedlichen Systemen, Formaten und Verantwortlichkeiten. Ein Forstbetrieb mit drei Revieren und einem Holzhändler als Abnehmer hat im Schnitt Daten in fünf bis acht verschiedenen Quellen — GIS-Dateien, Excel-Tabellen, PDF-Berichte, E-Mails. Niemand hat die Zeit, das manuell zusammenzuführen.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Genauigkeitsangaben hängen stark von Datenqualität und Modellanpassung an lokale Standortverhältnisse ab. Für Betriebe mit lückenhafter Inventurbasis ist die Abweichung initial höher.

Die Vergleichswerte basieren auf Erfahrungsberichten aus Forstbetrieben mit strukturierter Datenerfassung sowie auf Forschungsergebnissen zu UAV-LiDAR-gestützter Forstinventur und Wachstumsmodellierung (ScienceDirect 2021, Springer Nature 2024).

Einschätzung auf einen Blick

Zeitersparnis — gering (2/5)
Dieser Use Case spart keine tägliche Arbeitszeit — er verändert eine strategische Planungsroutine. Statt vier Stunden manueller Auswertung je Quartalsplanung werden es zwei Stunden mit KI-Unterstützung. Das ist real, aber kein täglicher Effekt. Unter den drei verglichenen forstwirtschaftlichen KI-Anwendungen ist das die geringste direkte Zeitersparnis — und das ist ehrlich, nicht kritisch.

Kosteneinsparung — mittel (3/5)
Hier geht es nicht um direkte Kosteneinsparung, sondern um Erlösoptimierung. Wer Holz zum richtigen Zeitpunkt verkauft — wenn regional wenig Schadholz am Markt ist und Preise stabil — erzielt 5–15 Prozent mehr Erlös je Festmeter als bei reaktivem Verkauf. Bei 1.000 Festmeter und einem Basispreis von 60 Euro je Festmeter sind das 3.000–9.000 Euro Erlösverbesserung pro Saison. Das ist signifikant, aber schwächer als die Schadensverhinderungs-Logik bei der Waldschadenserfassung (die potenziell Zehntausende Euro pro Ereignis verhindert).

Schnelle Umsetzung — mittel (3/5)
Der Einstieg mit einfachen KI-Tools ist schnell — du kannst bereits mit Julius AI oder Power BI in vier Wochen erste Auswertungen haben. Was Zeit kostet, ist die Datenbasis: Für ein verlässliches Prognosemodell brauchst du mindestens drei bis fünf Jahre historische Einschlagsdaten in strukturierter Form. Wenn diese Daten nicht digital vorliegen, ist der erste Schritt Datenerfassung, nicht Modellbau. Das macht diese Anwendung mittelschwer zu starten — einfacher als die Drohnen-Bildanalyse, aufwendiger als die Forstdokumentation.

ROI-Sicherheit — sehr hoch (5/5)
Das ist die stärkste Eigenschaft dieses Use Cases. Anders als bei der Waldschadenserfassung (deren ROI nur eintritt, wenn Befall eintritt) und der Forstdokumentation (indirekter Zeitwert) ist der Prognosenutzen direkt und permanent messbar: Abweichung zwischen prognostizierter und tatsächlicher Erntemenge, vor und nach KI-Einführung. Erlösdifferenz zwischen geplantem und tatsächlichem Verkaufszeitpunkt, dokumentierbar in der Buchführung. Das gibt diesem Use Case die höchste ROI-Sicherheit der drei Anwendungen — unter den vergleichbaren forstwirtschaftlichen Anwendungsfällen ist er am verlässlichsten messbar.

Skalierbarkeit — hoch (4/5)
Ein Prognosemodell, das für ein Revier funktioniert, ist auf weitere Reviere erweiterbar — mit neuen Datensätzen, aber ohne fundamentale Neukonzeption. Holzhandelsunternehmen, die mehrere Lieferantenbetriebe koordinieren, profitieren besonders: Ein zentrales Modell aggregiert Einschlagsmengen über Quellen, optimiert Lieferpläne und zeigt Engpässe frühzeitig. Einschränkung: Jede neue Baumart oder neue Standortregion erfordert Kalibrierung — vollautomatische Übertragung ist nicht immer möglich.

Richtwerte — stark abhängig von Datenqualität, Revierstruktur und regionaler Marktvolatilität.

Was das KI-Prognosemodell konkret macht

Das Prognosemodell ist im Kern ein Predictive Analytics-System, das verschiedene Datenquellen zusammenführt und auf Basis von Mustern aus der Vergangenheit Zukunftsschätzungen erzeugt.

Die Eingangsgrößen:

• Bestandsinventur-Daten: Baumanzahl, Baumart, Durchmesser, Höhe, Vorrat je Hektar
• Historische Einschlagsmengen nach Monat, Revier, Sortiment (mindestens drei bis fünf Jahreszyklen)
• Klimadaten: Bodenfeuchteverlauf, Temperatur, Niederschlag (DKRZ oder DWD-Open Data)
• Wachstumsmodelle: Zuwachserwartungen auf Basis von Standort und Baumart
• Optional: Holzmarktpreise nach Sortiment (BMLEH-Holzmarktberichte)

Was das Modell daraus berechnet:

• Erwartete Erntemengen je Revier und Quartal
• Sortimentsverteilung (Starkholz, Mittelholz, Schwachholz, Brennholz) basierend auf aktueller Bestandsstruktur
• Risikobereiche: Bestände, bei denen schlechte Bodenfeuchte den Einschlag verzögern könnte
• Marktoptimierungsfenster: In welchem Monat waren Preise für bestimmte Sortimente historisch über dem Jahresmittel?

Was das Modell nicht kann: Es sieht keine Sturmschäden voraus, die nicht im Wetterdienst angezeigt sind. Es kann keine Borkenkäferkalamitäten vorhersagen. Und es arbeitet nur so gut, wie die Inputdaten vollständig und korrekt sind.

Datenqualität als Voraussetzung

Dieser Punkt verdient eine eigene Betrachtung, weil er in der Praxis über Erfolg oder Misserfolg entscheidet.

Ein Prognosemodell braucht Trainingsdaten. Für die Holzmengenprogose sind das vor allem historische Einschlagsmengen nach Monat und Sortiment, gerne kombiniert mit Bestandsinventurdaten und Witterungsverläufen. Das setzt voraus, dass diese Daten digital und konsistent vorliegen.

Die Realität in vielen privaten und kommunalen Forstbetrieben: Einschlagsdaten existieren — in der Lohnbuchhaltung, in Lieferscheinen, in Excel-Listen der Forstunternehmer. Aber sie liegen nicht in einem gemeinsamen, strukturierten Format vor. Das erste und aufwendigste Schritt ist daher oft die Retrospektiv-Erfassung: Drei bis fünf Jahre Einschlagsdaten in eine einheitliche Tabelle bringen.

Das ist Aufwand — aber Aufwand, der einmalig ist und der Betrieb in mehrfacher Hinsicht nützt, unabhängig vom KI-Einsatz. Wer seine historischen Einschlagsdaten nicht kennt, hat auch ohne KI ein Problem bei der Planung.

Empfehlung: Beginne mit der Datenbasis, nicht mit dem Modell. Erst wenn du drei Jahre konsistente Einschlagsdaten in einer Tabelle hast, lohnt es sich, in ein Prognosemodell zu investieren.

Konkrete Werkzeuge — was wann passt

Julius AI — für datengestützte Analyse ohne Programmierung
Julius AI ist ein KI-Datenanalyse-Tool, das Excel-Tabellen, CSV-Dateien und Textdaten verarbeitet und auf natürlichsprachliche Fragen antwortet: “Welcher Monat hatte in den letzten fünf Jahren die höchsten Fichtenpreise?” oder “Zeig mir die Einschlagsmengen nach Sortiment je Quartal als Grafik.” Für Forstbetriebe ohne Data-Science-Team ist das der zugänglichste Einstieg. Kein Programmieren, kein Setup. Kosten: ab ca. 20 USD/Monat.

Power BI — für regelmäßige Dashboard-Auswertungen
Wenn du einmal ein Dashboard aufgebaut hast, das deine Einschlagsdaten, Marktpreise und Bestandsdaten automatisch visualisiert, ist Power BI das geeignetste Werkzeug für die kontinuierliche Nutzung. Stärker als Julius AI bei der automatisierten Datenaktualisierung und der Berichterstellung für mehrere Rezipienten (z. B. Vorstand, Eigentümer, Forstamt). Einstieg: ca. 10 EUR/Nutzer/Monat (M365-Tarif).

Timbeter — für präzise Polter-Vermessung als Datenbasis
Wenn Einschlagsmengen bisher grob geschätzt oder manuell gemessen wurden, ist Timbeter der pragmatischste Weg, sofort bessere Grundlagendaten zu erzeugen. Die App vermisst Holzpolter per Smartphone-Foto in unter zwei Minuten und liefert automatisch Volumenangaben und Sortimentsdaten. Diese Daten können direkt in die Einschlagshistorie einfließen. Kosten: paketbasiert, je nach Messvolumen.

ChatGPT oder Claude als Analyse-Assistent
Für die qualitative Interpretation: “Was erklärt den Einschlagsrückgang im Sommer 2022? War das Witterung oder Markt?” Oder: “Entwirf einen Lieferpläne für zwei Sägewerke mit diesen verfügbaren Mengen und diesen Terminen.” LLM-Assistenten sind stark in der strukturierten Denkarbeit — schlechter in der Zahlenanalyse. Gut für die Interpretationsschicht über den quantitativen Modellen.

Datenschutz und Datenhaltung

Einschlagsdaten, Ertragsmengen und Holzpreisvereinbarungen sind betriebswirtschaftlich sensibel — vor allem, wenn sie mit konkreten Kundennamen und Vertragspreisen verknüpft sind. Für DSGVO-Zwecke sind Einschlagsdaten ohne Personenbezug unkritisch; Lieferverträge mit Unternehmen als juristische Personen ebenfalls.

Praktische Empfehlung: In Tools wie Julius AI oder ChatGPT nur aggregierte oder anonymisierte Daten eingeben — keine Lieferantenverträge mit Preis und Name. Wenn du individuelle Vertragsdaten für die Prognose brauchst, nutze Power BI in der Microsoft-365-Umgebung mit EU Data Boundary, oder eine lokal installierte Lösung.

Timbeter nutzt EU-Datenhosting und ist für europäische Forstbetriebe datenschutzrechtlich unkomplizierter als US-gehostete Alternativen.

Was es kostet — realistisch gerechnet

Einmalige Investition:

• Retrospektive Datenerfassung (3–5 Jahre Einschlagsdaten strukturieren): ca. 10–30 Stunden interne Arbeit oder 500–1.500 Euro wenn ausgelagert
• Dashboard-Setup in Power BI oder Julius AI: ca. 5–10 Stunden intern oder 1.000–2.000 Euro extern

Laufende Kosten (monatlich):

• Julius AI: ca. 20 USD/Monat
• Power BI: ca. 10 EUR/Nutzer/Monat
• Timbeter: variiert nach Messvolumen

Nutzenrechnung:
Bei 1.000 Festmeter Jahreseinschlag und 5 Prozent Erlösverbesserung durch besseres Preistiming (Fichte Klasse B: ca. 55–75 EUR/Fm): 2.750–3.750 Euro Mehrerlös. Bei 10 Prozent Verbesserung doppelt so viel. Dem steht ein jährlicher Softwareaufwand von unter 500 Euro entgegen. Auch die konservativste Annahme (3 Prozent Erlösverbesserung, kleiner Betrieb) übersteigt die Systemkosten. Der ROI ist damit unter den drei Anwendungen am direktesten messbar.

Drei typische Einstiegsfehler

1. Mit dem Modell starten, bevor die Datenbasis steht.
Der häufigste Fehler: Direkt in die KI-Auswertung einsteigen, obwohl die Einschlagsdaten der letzten Jahre in drei verschiedenen Excel-Dateien, zwei Buchhaltungssystemen und einem Notizbuch verteilt sind. Ein Prognosemodell auf inkonsistenter Datenbasis gibt inkonsistente Prognosen — und das vertraut das Team dann nicht. Lösung: Drei Monate Datenaufbereitung, dann Modell. In dieser Reihenfolge.

2. Nur Einschlagsmengen, aber keine Sortimentsdaten erfassen.
”Wir haben letztes Jahr 2.000 Festmeter Fichte geerntet” ist für die Prognose fast wertlos. Relevant ist: Wie viel davon war Starkholz Klasse A, wie viel Mittelholz B, wie viel Schwachholz C? Die Sortimentsverteilung ist das Entscheidende für Liefervertragsplanung und Preisstrategie. Wer historisch nur Gesamtmengen erfasst hat, muss bei der Datenrückerfassung nacherfassen oder mit Schätzfaktoren arbeiten. Lösung: Ab sofort Sortiment und Qualitätsstufe als Pflichtfelder in jeder Einschlagsbuchung.

3. Prognosen als Fakten behandeln.
Das Modell gibt eine Bandbreite, keine Garantie. “Prognostiziert: 1.200–1.600 Fm Fichte im Q2” ist eine datengestützte Schätzung, kein Lieferversprechen. Wer auf Basis von Prognosen Verträge ohne Puffer abschließt, schafft sich das gleiche Problem wie ohne Prognose — nur mit einem Modell als Alibi. Lösung: Prognosen immer mit Konfidenzintervall kommunizieren, Verträge mit realistischen Toleranzklauseln ausstatten.

Was mit der Einführung wirklich passiert — und was nicht

Zwei Muster tauchen fast immer auf, wenn Forstbetriebe datengestützte Planung einführen:

Das erste: Überraschung über die eigene Datenlage. “Wir haben keine drei Jahre strukturierte Einschlagsdaten.” Viele Betriebe haben Daten — aber in Formaten, die Auswertung verhindern. Das erste Gespräch mit Julius AI oder Power BI ist dann nicht Prognose, sondern Datenpflege. Das ist frustrierend, aber produktiv: Nach dieser Übung weiß der Betrieb genau, was er in Zukunft systematisch erfassen muss.

Das zweite: Skepsis über die Vorhersagequalität. “Mein Förster kennt sein Revier — der schätzt das besser als jedes Modell.” Das stimmt für bekannte Standorte und erfahrene Revierleiter — bis ein ungewöhnlicher Winter, eine Käferkalamität oder eine Marktpreisverschiebung die Erfahrung außer Kraft setzt. Das Modell ist kein Ersatz für Revierkenntnisse; es ist der Ausgleich für die Faktoren, die Revierkenntnisse nicht abdecken können: Wetterdaten aus der Zukunft, Marktpreistrends aus aggregierten Bundesstatistiken, Saisonalität über viele Jahre.

Was nicht passiert: Dass das Modell die Planung von alleine übernimmt. Es liefert Zahlen — die Entscheidung trifft der Mensch. Wie viele Festmeter verkaufe ich jetzt zu diesem Preis, und wie viele halte ich für Q2 zurück? Das bleibt eine unternehmerische Abwägung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser Forstbetrieb ist zu klein für solche Systeme.”
Zu klein für eigene Data Scientists, ja. Zu klein für Julius AI und eine sauber geführte Excel-Tabelle, nein. Der Einstieg ist eine strukturierte Tabelle mit drei Jahren Einschlagsdaten und ein Tool, das sie auswertet. Das ist keine Konzernlösung — das ist ein Nachmittags-Setup.

„Holzmarktpreise sind sowieso nicht vorhersagbar.”
Langfristige Preisentwicklungen sind schwer vorherzusagen. Saisonale Muster — wann Preise typischerweise steigen oder fallen — sind in historischen Daten erkennbar und nutzbarer als keine Information. Das Ziel ist nicht Kristallkugelblick, sondern bessere Wahrscheinlichkeitsschätzungen als reine Intuition.

„Wir haben keine Zeit für Datenerfassung.”
Datenerfassung passiert sowieso — in Lieferscheinen, Forstunternehmer-Abrechnungen, Buchhaltung. Die Frage ist nur, ob sie in auswertbarer Form vorliegt. Wer keine Zeit für geordnete Daten hat, hat auch keine Zeit, auf Basis von Fehlinformationen zu planen — und Fehlinformationsplanung ist deutlich teurer.

Woran du merkst, dass das zu dir passt

• Du planst Einschlagsmengen für sechs Monate oder mehr im Voraus und brichst dabei regelmäßig daneben — zu viel Schwachholz, zu wenig Starkholz, falscher Monat
• Du verkaufst Holz reaktiv statt nach Marktpreis-Fenstern — weil du keinen Überblick über dein kommendes Einschlagsvolumen hast
• Du hast Lieferverträge mit Sägewerken oder Handelspartnern, die Verlässlichkeit in Menge und Zeitpunkt fordern
• Du bewirtschaftest mehr als ein Revier und verlierst den Überblick, welche Mengen wann aus welchem Bestand kommen
• Du hast drei oder mehr Jahre Einschlagsdaten, die irgendwo digital existieren — auch wenn sie noch nicht strukturiert sind

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als zwei Jahre strukturierte Einschlagsdaten vorhanden. Ein Prognosemodell ohne ausreichende Historik liefert keine verlässlichen Ergebnisse — es interpoliert aus zu wenig Information. Erst Daten aufbauen, dann Prognosen ableiten. Mit under zwei Jahren Datenbasis ist der erste Schritt Datenerfassung, nicht Modellbetrieb.

2. Kein regelmäßiger Holzverkauf mit Preisverhandlung. Wenn Holz ausschließlich zu Festpreisen über langfristige Pauschalverträge verkauft wird und keine Preisoptimierung möglich ist, fällt der Hauptnutzen der Erlösoptimierung weg. Die Prognose für Einschlagsmenge und Logistik kann trotzdem nützlich sein, aber der ROI ist schwächer.

3. Einschlagsdaten liegen ausschließlich auf Papier und es gibt keine Person, die sie retrograd digitalisiert. Ohne Datenbasis kein Modell. Das ist kein technisches Problem, sondern eines der Ressourcenverfügbarkeit. Wenn niemand die drei bis fünf Jahre Einschlagshistorie aufbereiten kann oder will, ist der Use Case nicht umsetzbar.

Das kannst du heute noch tun

Öffne eine neue Excel- oder Google-Sheets-Tabelle und leg vier Spalten an: Datum | Revier | Sortiment | Menge (Fm). Trag die Einschlagsdaten der letzten zwölf Monate ein, soweit du sie aus Lieferscheinen oder der Buchhaltung ziehen kannst. Das ist deine Datenbasis — und der erste Schritt zu jeder Art von datengestützter Prognose.

Sobald du zwölf Monate beisammen hast, kannst du diesen Prompt nutzen:

Quellen & Methodik

• Holzeinschlag 2024 (61,2 Mio. m³, davon 27,3 Mio. m³ Schadholz): BMEL-Statistik, Holzeinschlag 2024 (Bundesministerium für Ernährung und Landwirtschaft, 2025)
• Sortimentsgenauigkeit mit UAV-LiDAR: ScienceDirect, „Forest inventory with high-density UAV-Lidar: Machine learning approaches for predicting individual tree attributes” (2021); Springer Nature, „Artificial Intelligence and Terrestrial Point Clouds for Forest Monitoring” (2024)
• Holzmarktpreise und saisonale Muster: BMLEH Holzmarktberichte (monatlich); BMEL-Statistik Holzmarkt; eigene Auswertungen aus öffentlichen Preistabellen
• Predictive Analytics Forstplanung: Thünen-Institut, Waldwirtschaft Deutschland; FAO, „Artificial intelligence in forest monitoring” (2026); eigene Erfahrungswerte aus Forstbetriebsberatungen
• Preisniveauangaben Fichte (55–75 EUR/Fm): Forstpraxis.de, Holzpreistabelle (2024); regionale Schwankungen erheblich — Richtwerte, keine Garantien