Wachstumsprognosen für Baumschule erstellen

Das echte Ausmaß des Problems

In deutschen Baumschulen entscheiden Ernte-Timing-Fehler über einen erheblichen Teil des Jahresergebnisses. Zu frühes Einschlagen bedeutet: Pflanzen, die beim Kunden nicht den vereinbarten Qualitätsstandard erfüllen — Reklamationen, Nachlieferungen, Preisabschläge. Zu spätes Einschlagen bedeutet: aufgeblühte Ware, die als Freilandpflanze keinen Premiumpreis mehr erzielt, oder Pflanzen, die für das nächste Lieferfenster zu weit entwickelt sind.

Laut Schätzungen aus dem Zierpflanzenbau (Bundesverband Gartenbau, Jahresberichte) fallen in Baumschulen und Topfpflanzengärtnereien je nach Saison 8–20% der Produktionskosten durch suboptimale Ernte- und Einschlagentscheidungen an. Bei einer Baumschule mit 2 Millionen Euro Umsatz bedeutet das 160.000 bis 400.000 Euro vermeidbarer Wertminderung pro Jahr — nicht weil die Pflanzen schlecht gezogen werden, sondern weil das Timing nicht stimmt.

Das Problem hat mehrere Dimensionen:

• Sortenvielfalt: Eine mittelgroße Baumschule führt 100–500 verschiedene Sorten, jede mit anderem Wachstumsrhythmus, anderem Reaktionsmuster auf Temperatur und Niederschlag
• Klimavariabilität: Kein Frühjahr gleicht dem anderen. Was im Aprilwetter 2022 funktioniert hat, kann im wechselhaften April 2026 drei Wochen daneben liegen
• Kundenseitige Engpässe: Gartencenterkunden haben feste Lieferfenster. Wer nicht pünktlich liefert, verliert Listungsplätze — und wer zu früh oder zu spät liefert, verliert das Vertrauen
• Personalplanungsdruck: Ernte und Aufbereitung sind personalintensiv; ohne verlässliche Prognose 3–4 Wochen im Voraus ist eine sinnvolle Schichtplanung kaum möglich

Hinzu kommt: Das Erfahrungswissen altert. Ein Betriebsleiter, der seit 20 Jahren „ein Gefühl für die Hortensien” hat, trägt dieses Wissen im Kopf — nicht in Tabellen. Wenn er in Rente geht, fängt der Betrieb von vorne an.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Eigene Schätzwerte auf Basis von Branchenerfahrungen im Zierpflanzenbau. Keine repräsentative Studie — Abweichungen je nach Betrieb, Sortenmix und Kundenstruktur sind erheblich.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Der direkte Zeitgewinn ist begrenzt: Der manuelle Begutachtungsaufwand im Betrieb entfällt nicht — du gehst weiterhin durch die Reihen. Was sich ändert, ist die Qualität der Entscheidung und der Vorlauf für die Personalplanung. Im Vergleich zu Anwendungen wie der Saisonplanung für Grünpflege oder der Kundenkommunikation ist der reine Zeitgewinn hier gering.

Kosteneinsparung — hoch (4/5) Das ist der eigentliche Hebel dieses Anwendungsfalls: Ernte-Timing-Fehler kosten 8–20% der Produktionskosten. Wer diese Fehlerquote halbiert, hat eine substantielle wirtschaftliche Wirkung, die wenige andere KI-Anwendungen im Gartenbau übertreffen. Damit ist dies eine der wirtschaftlich stärksten Anwendungen in dieser Kategorie — wenn die Datenbasis stimmt.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der schwierigste Anwendungsfall im Gartenbau-Bereich: Ein Machine-Learning-Modell, das sortenspezifische Wachstumsverläufe lernen soll, braucht 2–3 vollständige Saisons mit strukturierten Messdaten. Wer morgen anfängt, hat erst übermorgen eine Saison Daten — und frühestens in zwei bis drei Jahren ein verlässliches Modell. Das ist kein Pilotprojekt für den nächsten Sommer.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist plausibel und theoretisch hoch — aber er materialisiert sich erst nach mehreren Saisons, und er hängt stark davon ab, wie vollständig die historischen Wachstumsdaten sind und wie gut die Wetter- und Bodenintegration funktioniert. Anders als beim Angebotsvergleich für Pflanzenmaterial gibt es hier keine unmittelbare, sauber messbare Kostenposition.

Skalierbarkeit — hoch (4/5) Wenn das Modell einmal läuft, profitiert jede neue Saison von mehr Trainingsdaten — das Modell wird automatisch besser. Mehr Sorten im Sortiment bedeuten mehr Datenpunkte, nicht mehr Planungsaufwand. Die marginalen Kosten für eine zusätzliche Sorte im Modell sind gering.

Richtwerte — stark abhängig von Betriebsgröße, Sortenzahl, historischer Datenbasis und verfügbarer Sensorinfrastruktur.

Was das Modell konkret macht

Das Grundprinzip ist Predictive Analytics: Das System lernt aus historischen Wachstumsverläufen, unter welchen Bedingungen eine bestimmte Sorte in welchem Zeitraum erntereif wird — und extrapoliert dieses Muster auf die aktuelle Saison.

Die drei Datenschichten:

Schicht 1 — Wetter (Rückgrat des Modells): Temperatursummen (Gradtage über Basis-Temperatur), Sonnenstunden, Niederschlag, Spätfrost-Ereignisse. Diese Daten kommen entweder von der nächsten DWD-Wetterstation oder von einer eigenen Wetterstation auf dem Betrieb. Die Temperatursumme seit Pflanzbeginn ist bei vielen Baumschulkulturen der wichtigste einzelne Prädiktor für den Erntezeitpunkt — besser als der Kalender.

Schicht 2 — Historische Erntedaten: Für jede Sorte und jeden Lot werden Pflanzdatum, Einschlagdatum und beobachteter Entwicklungsstand (z.B. BBCH-Stadium) erfasst. Wenn diese Daten für 2–3 Saisons vorliegen, kann das Modell Muster erkennen: Sorte X braucht unter den Bedingungen von Betrieb Y ca. 820 Gradtage ab Pflanzbeginn bis zur Erntereife — mit einer Standardabweichung von ±40 Gradtagen.

Schicht 3 — Bodenparameter (optional, aber wertvoll): Bodentemperatur, Feuchtigkeit und pH-Wert beeinflussen das Wurzelwachstum und damit den Gesamtrhythmus. Betriebe mit Bodensensoren (Temperatur in 10 cm und 30 cm Tiefe) können ihre Modelle deutlich verfeinern.

Was das Modell ausgibt:

• Für jede aktive Lot-/Sortengruppe: voraussichtliches Erntezeitfenster (frühest – optimal – spätestens)
• Konfidenzintervall: wie sicher ist die Prognose auf Basis der aktuellen Wetterlage und der Trainingsdatenbasis?
• Frühwarnung: welche Lots könnten bei fortgesetztem Hitzeverlauf oder Spätfrost-Ereignis aus dem Fenster laufen?

Was das Modell nicht macht: Das Modell ersetzt die Begutachtung vor Ort nicht. Es gibt eine Richtung, aber der finale Blick liegt beim erfahrenen Mitarbeitenden. Ein Modell, das seit 2 Saisons auf Berliner Wetterdaten trainiert wurde, hat noch nie einen echten Dürresommer oder einen Mai-Spätfrost nach warmem April gesehen — solche Extremereignisse liegen systematisch außerhalb des Trainingsbereichs.

Stammstärken- und Höhenprognose vs. Mengenprognose

Das ist der häufig übersehene Unterschied — und er bestimmt, wie komplex dein Modell werden muss.

Mengenprognose ist die einfachere Aufgabe: “Wann werden X Einheiten von Sorte Y erntereif?” Das Modell lernt die Kulturdauer unter verschiedenen Wetterbedingungen. Mit 2 Saisons strukturierter Daten ist eine brauchbare Näherung möglich.

Qualitäts-Prognose ist deutlich schwieriger: “Wann erreicht Lot Z die erforderliche Stammstärke von 6–8 cm Umfang oder eine Mindesthöhe von 150 cm?” Hier geht es um individuelle Wachstumsparameter, die von Pflanzendichte, Düngung, Schnittmaßnahmen und Bodenqualität abhängen — Faktoren, die sich im Modell nur abbilden lassen, wenn sie systematisch gemessen und dokumentiert werden.

Für die meisten mittelgroßen Baumschulen gilt: Starte mit Mengenprognosen. Sie lösen das dringendste Problem (Timing-Fehler bei der Ernteterminplanung) und erfordern die geringste Investition in Messung und Datenhaltung. Qualitätsprognosen auf Stammstärke und Höhe sind der nächste Schritt — aber erst, wenn das Basismodell über mindestens 2 Saisons verlässlich läuft und die Stammdatenqualität stimmt.

Saisonalität und Klimarisiken

Das ist das strukturelle Risiko dieses Anwendungsfalls — und hier entscheidet sich, ob ein Modell wirklich nützt oder gefährlich trügt.

Das Extremwetter-Problem: Ein Machine-Learning-Modell lernt aus der Vergangenheit. Seltene Ereignisse — ein Spätfrost nach warmem April, eine Hitzewelle im Mai, ein Juni mit nur 40% der normalen Niederschlagsmenge — sind in fünf Jahren Trainingsdaten ein oder zweimal vorgekommen. Das Modell hat kaum Material gelernt, wie sich diese Ausnahme-Situationen auf die Kulturdauer auswirken. Es wird die aktuelle Saison systematisch Richtung Mittelwert korrigieren. Das ist kein Bug, das ist das Wesen des maschinellen Lernens bei dünnen Trainingsdaten — dokumentiert in einer Analyse der Universität Genf zu KI-Wettervorhersagen (2024, vgl. Quellenabschnitt).

Was du tun kannst:

• Konfidenzintervalle ernst nehmen: Ein Modell, das bei extremem Wetter breite Konfidenzintervalle ausgibt, arbeitet korrekt. Misstraue Modellen, die in jeder Situation präzise Einzelwerte ausgeben.
• Extreme Wetterlagen als manuelle Trigger behandeln: Wenn der DWD für die nächsten zwei Wochen ungewöhnliche Bedingungen meldet (Hitzewelle, Spätfrost nach Wärme), informiert das Modell — aber die Entscheidung liegt beim erfahrenen Mitarbeitenden, der die Beobachtungen vor Ort einbezieht.
• Modell nach Extremsaisons neu kalibrieren: Der wertvolle Effekt eines extremen Jahrgangs ist, dass er das Modell mit einem bisher fehlenden Datenpunkt trainiert. Nach einer Ausnahmesaison sollte das Modell immer neu evaluiert und ggf. angepasst werden.

Das Klimawandel-Problem: Die Temperatursummen der letzten 10 Jahre unterscheiden sich systematisch von denen der 1990er Jahre. Ein Modell, das auf Daten aus den Jahren 2010–2015 trainiert wurde, unterschätzt möglicherweise, wie schnell Kulturen in einem warmen Frühjahr 2026 voranschreiten. Trainingsdaten sollten deshalb rollierend gepflegt werden: Die ältesten Saisons werden herausgenommen oder niedriger gewichtet, aktuelle Saisons werden immer nachgepflegt.

Datenbasis aufbauen: die vorbereitende Saison

Das ist die kritischste Phase des gesamten Projekts — und sie beginnt bevor irgendein Modell läuft.

Ein KI-Modell kann nur so gut sein wie die Daten, auf denen es trainiert wurde. Für die meisten Baumschulen bedeutet das: Die eigentliche Vorarbeit ist Datenerfassung, nicht Modellbau.

Was du in der Vorbereitungsphase brauchst:

1. Lot-basierte Kulturaufzeichnungen: Für jede Charge (Sorte, Anzahl, Pflanzdatum, Herkunft des Pflanzguts) müssen Pflanzdatum, Schlagort oder Stellfläche und Entwicklungsstand in definierten Abständen erfasst werden — mindestens zu 3 Zeitpunkten pro Saison. Das ist kein großer Aufwand, aber es muss systematisch und digital passieren. Papierzettel, die hinterher ins Excel übertragen werden, funktionieren — sind aber fehleranfällig und zeitraubend.

2. Wetterdaten am Standort: Die DWD-Wetterstation in 20 km Entfernung ist ein Anfang. Eine eigene Wetterstation auf dem Betrieb — Temperatur, Niederschlag, Windgeschwindigkeit, auf Wunsch Bodentemperatur — ist nach 1–2 Saisons in der Regel besser als Stationsdaten, weil sie die Mikroklimabesonderheiten deines Standorts abbildet. Einfache Wetterstationen mit Datenlogger und USB- oder WLAN-Export sind ab ca. 150–400 Euro erhältlich.

3. Einschlagdaten mit Qualitätsbewertung: Nicht nur wann wurde geerntet, sondern auch: war das Timing richtig? Gab es Reklamationen? War die Ware zu früh oder zu spät? Diese Qualitätsbewertung ist die wichtigste Trainingsinformation, die das Modell braucht — sie macht den Unterschied zwischen “wir haben geerntet” und “wir haben gut geerntet”.

Realistischer Zeitbedarf bis zum ersten verwertbaren Modell: 2 vollständige Saisons mit dokumentierten Daten, dann 4–8 Wochen Modellbau und -validierung. Wer heute anfängt, hat in zwei Jahren ein Modell, das für 3 Saisons verwertbare Prognosedaten hat. Das ist kein Sprint.

Konkrete Werkzeuge — was wann passt

Die Werkzeugauswahl hängt stark davon ab, ob du ein bestehendes ERP-System hast oder von vorne anfängst.

Datenhaltung und Strukturierung:

Agriware 365 von Mprise Agriware ist das spezialisierteste ERP-System für Baumschulen und Gärtnereien im DACH-Raum. Es führt Lots, Kulturdauern, Flächenbelegung und Versandplanung zusammen. Die Daten, die Agriware sammelt, sind genau die Trainingsdaten, die ein Wachstumsmodell braucht. Preise auf Anfrage — typischer Implementierungsaufwand 3–6 Monate für einen vollständigen ERP-Rollout.

HortiBench ist eine Alternative mit Fokus auf Produktionsplanung und Flächenoptimierung, eingesetzt in über 20 Ländern. Das KI-Optimierungsmodul berechnet optimale Pflanzdichten und Flächenbelegungen — kein eigenständiges Wachstumsprognosesystem, aber eine solide Plattform, die die Strukturdaten liefert.

Wer noch kein Baumschul-ERP hat und bescheiden anfangen will: Eine gut strukturierte Tabelle in Google Sheets oder Excel mit festen Spalten (Lot-Nr, Sorte, Pflanzdatum, Einschlagdatum, BBCH-Stadium, Qualitätsbewertung) reicht für die erste Datensammlung. Der Aufwand liegt unter 15 Minuten pro Woche — wenn die Routine etabliert ist.

Wetterdaten:

DWD Open Data ist kostenlos, in Deutschland gehostet und mit amtlicher Datenqualität — der Goldstandard für Wetterdaten in deutschen Baumschulen. Für einfachere Abfragen eignet sich Open-Meteo als REST-API, die ohne Entwicklungsaufwand einzelne Wettervariablen abruft (ab 29 €/Monat für kommerzielle Nutzung). OpenWeatherMap bietet zusätzlich historische Wetterdaten aus 47+ Jahren — wertvoll für Modell-Training, wenn keine eigene Wetterstation vorhanden ist.

Modellbau und Analyse:

Julius AI ist der pragmatischste Einstieg für die explorative Datenanalyse: Kulturdaten als CSV hochladen, Wetterdaten dazujoinen und in natürlicher Sprache fragen: “Welche Korrelation gibt es zwischen Temperatursumme und Erntezeitpunkt für Sorte Hydrangea ‘Annabelle’?” Julius erstellt Visualisierungen und erste Regressionsmodelle ohne Programmieraufwand. Für den Piloten einer einzelnen Schlüsselsorte ist das ein echter Einstieg.

Wer ernsthaft ein Produktionsmodell aufbauen will, kommt mittelfristig nicht um eine technische Implementierung in Python (scikit-learn, XGBoost, Prophet für Zeitreihen) herum. Das erfordert entweder einen Entwickler im Betrieb oder einen externen Dienstleister mit Agrar-Tech-Erfahrung. Kosten für einen ersten Pilot mit einer Handvoll Kernsorten: typisch 8.000–20.000 Euro Entwicklung + 300–600 Euro/Monat laufend.

Wann welcher Ansatz:

• Datenbasis aufbauen, kein ERP vorhanden → Google Sheets + DWD Open Data
• Baumschul-ERP + strukturierte Kulturführung gesucht → Agriware 365 oder HortiBench
• Explorative Analyse der ersten Datenjahre → Julius AI
• Eigenständiges ML-Modell für Produktionsprognosen → Python + eigener Entwickler oder Dienstleister

Datenschutz und Datenhaltung

Wachstumsprognosemodelle verarbeiten keine personenbezogenen Daten im klassischen Sinn — Kulturdaten (Pflanzdaten, Wachstumsparameter, Erntetermine) sind Betriebsdaten, keine Personendaten. Die DSGVO-Relevanz ist daher gering. Relevant wird sie erst, wenn Mitarbeitende in die Logs eingebunden sind (z.B. wer hat welche Begutachtung wann durchgeführt).

Was aus datenschutzrechtlicher Sicht zu klären ist:

• Betriebsgeheimnisse und Wettbewerbsschutz: Erntemengen, Sortenportfolio und Produktionskennzahlen sind sensible Unternehmensdaten. Wer diese Daten in Cloud-Dienste überträgt, sollte sicherstellen, dass die Anbieter keine Nutzungsrechte an aggregierten Betriebsdaten beanspruchen. Das ist weniger DSGVO als Vertragsrecht.
• DWD Open Data: Vollständig kostenlos, in Deutschland gehostet, CC BY 4.0 — kein Datenschutzproblem, nur Quellenangabe erforderlich.
• Open-Meteo: Schweizer Anbieter, EU-Hosting, Open-Source — unkritisch.
• Agriware 365 und HortiBench: Beides europäische Anbieter (Niederlande). Ein Auftragsverarbeitungsvertrag (AVV) sollte vor Produktivbetrieb abgeschlossen werden, insbesondere wenn Mitarbeiterdaten (z.B. Zeiterfassung) im System geführt werden.
• Julius AI: US-gehostet — keine sensiblen Betriebsdaten hochladen, die nicht für externe Verarbeitung freigegeben sind. Für die explorative Analyse mit anonymisierten Testdaten ausreichend.

Was es kostet — realistisch gerechnet

Vorbereitungsphase (Datenbasis aufbauen): 0–2.000 Euro

• Eigene Wetterstation: 150–500 Euro Einmalinvestition
• Datenerfassungs-Routine aufbauen: interner Aufwand, typisch 2–4 Stunden/Woche in der aktiven Saison
• Keine zusätzliche Software nötig, wenn Excel als Datenhaltung akzeptabel ist

Pilotprojekt (erste Modellversion für 3–5 Kernsorten): 8.000–20.000 Euro

• Externe Entwicklung (Python-Modell mit Wetterintegration): 6.000–15.000 Euro
• Datenaufbereitung und Validierung: 2.000–5.000 Euro
• Zeitraum: 3–6 Monate nach Abschluss von mindestens 2 Datensaisons

Vollsystem (10+ Sorten, ERP-Integration, laufender Betrieb): 20.000–45.000 Euro + 400–800 Euro/Monat

• ERP-Implementierung (Agriware 365 oder HortiBench): auf Anfrage, typisch 15.000–30.000 Euro Einführungskosten
• Modell-Entwicklung und -Integration: 8.000–15.000 Euro
• Laufend: Hosting, API-Kosten, Modell-Updates nach jeder Saison

Was du dagegenrechnen kannst: Eine Baumschule mit 1,5 Millionen Euro Umsatz, die aktuell 12% Qualitätsverluste durch Timing-Fehler hat, verliert ca. 180.000 Euro pro Jahr. Halbiert das Modell diese Verlustquote auf 6%, spart das 90.000 Euro jährlich. Selbst ein Pilotprojekt für 15.000 Euro amortisiert sich innerhalb einer Saison — wenn die Datenbasis stimmt und das Modell wirklich trainiert werden kann.

Der ehrliche Vorbehalt: Diese Rechnung setzt voraus, dass (1) die Timing-Fehlerrate tatsächlich 12% ist und nachweisbar auf das KI-Modell zurückgeführt werden kann, (2) 2–3 Saisons strukturierte Daten vorhanden sind, und (3) das externe Entwicklungsteam mit hortikultureller Domänenkenntnis arbeitet. Fehlt einer dieser Faktoren, verschiebt sich die Amortisation deutlich.

Vier typische Einstiegsfehler

1. Mit dem Modell starten, bevor die Daten strukturiert sind. Der häufigste Fehler ist die Reihenfolge: Betrieb beauftragt Entwickler für das KI-Modell, bevor systematische Kulturdaten über mindestens eine Saison vorliegen. Das Ergebnis ist ein Modell, das auf Erfahrungswerten und unvollständigen Rückblicken trainiert wird — und das sich selbst nicht validieren kann, weil es keine unabhängige Testperiode gibt. Lösung: Mindestens eine vollständige Saison mit disziplinierter Datenerfassung vorschalten. Das Modell kommt danach.

2. Die Wetterstation zu weit entfernt. DWD-Stationsdaten aus 15–25 km Entfernung sind ein Ausgangspunkt, aber in Baumschulen mit topografischer Vielfalt — Hanglagen, eingeschlossene Täler, Gewässernähe — können lokale Klimaunterschiede von 2–5°C auftreten, die das Modell systematisch falsch kalibrieren. Wer nach zwei Saisons merkt, dass das Modell für Hanglagen nie stimmt, hat dieses Problem. Lösung: Von Anfang an eine eigene Wetterstation auf dem Betrieb einplanen, am besten an dem Standort, der das größte Produktionsvolumen beherbergt.

3. Das Modell läuft, aber niemand schaut auf die Konfidenz. Ein gut entwickeltes Wachstumsprognosesystem gibt nicht nur eine Zahl aus, sondern auch eine Konfidenz: “Die Prognose hat eine Unsicherheit von ±3 Wochen.” Wenn das Prognose-Dashboard täglich neue Zahlen liefert und der Betriebsleiter die Konfidenzintervalle nicht beachtet, passiert Folgendes: In einer ruhigen Saison mit typischem Wetter läuft alles gut. Im ersten Ausnahmejahr (Hitzewelle, Spätfrost, Dürre) vertraut der Betriebsleiter dem System, obwohl es eigentlich sagt: “Ich weiß es gerade nicht.” Das Ergebnis: die gleichen Timing-Fehler wie ohne KI, aber mit falscher Sicherheit. Ein Modell, das in Extremlagen breite Intervalle ausgibt, arbeitet korrekt — behandle es so.

4. Kein Modell-Update nach jeder Saison. Das ist der schleichende Fehler, der erst nach Jahren sichtbar wird. Ein Wachstumsmodell, das 2024 trainiert wurde und 2027 noch exakt dieselben Parameter hat, ignoriert drei Jahre Klimaverschiebung, neue Sorten im Sortiment und veränderte Standortbedingungen. Modell-Pflege nach jeder Saison — neue Daten einpflegen, Validierung durchführen, ggf. Gewichtungen anpassen — ist keine optionale Aufgabe, sondern Voraussetzung dafür, dass das System langfristig nützt.

Was mit der Einführung wirklich passiert — und was nicht

Das Modell löst das Problem des Timings nicht von heute auf morgen. Es verschiebt das Problem vom Bauchgefühl zur strukturierten Entscheidungsunterstützung — das ist ein echter Gewinn, aber auch eine Veränderung, die Akzeptanz braucht.

Was wirklich passiert:

Die erfahrenen Mitarbeitenden werden das Modell anfangs skeptisch betrachten — und das ist berechtigt. Ein Modell, das nach einer Saison Daten eine Prognose ausgibt, liegt in Extremlagen daneben. Wer dann das Modell pauschal für falsch erklärt, hat aber nicht notwendigerweise recht: Die Frage ist, ob der erfahrene Mitarbeitende in dieser spezifischen Saison systematisch besser liegt als das Modell — oder nur bei einigen Sorten, bei denen er oder sie besonders viel Erfahrung hat.

Die produktivste Einführungsstrategie: Modell und menschliches Urteil die erste Saison parallel führen. Beide Prognosen dokumentieren — ohne dass eine die andere ersetzt. Am Ende der Saison auswerten: wo lag das Modell besser, wo der Mensch, und warum?

Was nicht passiert:

Das Modell übernimmt keine Verantwortung. Wer denkt, “jetzt entscheidet die KI und ich bin raus”, wird nach der ersten Fehlprognose mit einer schwierigen Situation da stehen: “Die KI hat gesagt…” ist keine Entscheidung, die gegenüber einem Kunden steht. Das Modell ist Entscheidungsunterstützung, nicht Entscheidungsersatz.

Der Betriebsleiter muss weiterhin die Expertise halten, die letztlich über den Erntezeitpunkt entscheidet — das Modell macht diese Expertise präziser, ersetzt sie aber nicht.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben das schon immer so gemacht und es hat funktioniert.” Das stimmt — es hat irgendwie funktioniert. Die Frage ist: wie viel Qualitätsverlust ist “irgendwie funktioniert” wert? Wenn 10% der Charge jedes Jahr zu früh oder zu spät eingeschlagen wird und das als “normal” gilt, ist das eine kalkulierte Toleranz. Ein gutes Prognosemodell hilft, diese Toleranz zu halbieren. Das ist keine Revolution, sondern eine Optimierung — mit realem wirtschaftlichem Ergebnis.

„Wir haben keine Daten.” Das ist der einzige Einwand, der diesen Anwendungsfall wirklich blockiert — und der häufigste. Wenn keine systematischen Kulturdaten aus vergangenen Saisons vorliegen, gibt es kein Modell. Aber die Konsequenz ist nicht: “wir machen es nicht.” Die Konsequenz ist: “wir fangen heute an, Daten zu sammeln, und in zwei Jahren haben wir ein Modell.” Das ist der richtige Zeitplan, und wer jetzt anfängt, hat in zwei Jahren einen Vorsprung.

„Das lohnt sich nur für große Betriebe.” Die Investition in ein Pilotprojekt (8.000–15.000 Euro) lohnt sich ab einem Jahresumsatz von ca. 800.000–1.000.000 Euro, wenn die Timing-Fehlerrate signifikant ist. Für kleinere Betriebe mit 300.000–500.000 Euro Umsatz ist die einfachere Lösung: strukturierte Kulturaufzeichnungen + DWD-Wetterdaten + Julius AI für die Analyse. Das kostet kaum Geld, aber es baut die Datenbasis auf, die später ein vollständiges Modell ermöglicht.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Du hast mehr als 50 verschiedene Sorten im aktiven Sortiment und mindestens 2–3 davon mit nennenswerten Erntemengenproblemen
• Ernte-Timing-Fehler führen bei dir zu direkten Reklamationen oder Qualitätsabschlägen — du kannst das auf mindestens 5–10% der Produktionskosten schätzen
• Du hast mindestens einen Mitarbeitenden mit Datenkompetenz (oder bist bereit, externe Unterstützung zu holen)
• Dein Betrieb hat bereits eine Art digitale Kulturführung — oder du bist bereit, in der nächsten Saison mit einer systematischen Aufzeichnung anzufangen

Drei harte Ausschlusskriterien — wann es sich (noch) nicht lohnt:

1. Weniger als 2 vollständige Saisons mit strukturierten Kulturdaten vorhanden. Ein Modell ohne Trainingsdaten ist kein Modell — es ist eine Schätzung mit KI-Etikette. Wer keine systematisch erfassten Pflanz- und Erntedaten der letzten 2+ Saisons hat, muss erst aufbauen, bevor er bauen kann. Kein Dienstleister kann dieses strukturelle Defizit durch einen besseren Algorithmus ausgleichen.

2. Kleinstbetrieb mit weniger als 30 verschiedenen kultivierten Sorten. Die Datenbasis ist zu schmal für ein sortenspezifisches Modell. Hier ist der Aufwand für ein sorgfältig geführtes Excel-Kulturtagebuch mit DWD-Wetterdaten-Vergleich wirtschaftlicher als ein eigenständiges ML-Projekt.

3. Kein Zugang zu standortnahen Wetterdaten. Wetterdaten sind das wichtigste Eingangssignal. Wer nur auf DWD-Stationen mit mehr als 20 km Entfernung zurückgreifen kann und keine eigene Wetterstation auf dem Betrieb hat (oder plant), sollte diese Lücke zuerst schließen — bevor Geld in Modellentwicklung investiert wird. Eine einfache Wetterstation für 200–400 Euro ist die bessere Erstinvestition.

Das kannst du heute noch tun

Leg heute eine Tabelle an — Google Sheets oder Excel reicht völlig. Trage darin für jede Kultur-Lot-Gruppe folgende Spalten ein: Lot-Nummer, Sortenname, Pflanzdatum, Stellfläche, aktueller BBCH-Stadium oder Entwicklungsstand, Datum der Begutachtung, und am Ende der Saison: Einschlagdatum und Qualitätsbewertung (1=zu früh, 2=optimal, 3=zu spät).

Das dauert heute 30 Minuten für die Einrichtung und 10–15 Minuten pro Woche für die Pflege. In zwei Saisons hast du die Datenbasis für ein erstes Modell.

Für eine erste explorative Analyse deiner vorhandenen Daten kannst du Julius AI nutzen — lade eine CSV-Datei deiner Kulturdaten hoch und stelle Fragen wie: “Welche Sorten haben die größten Schwankungen beim Erntezeitpunkt?” oder “Gibt es einen Zusammenhang zwischen Pflanzdatum und Erntequalität bei X?”

Für die Einrichtung einer systematischen Kulturerfassung kannst du diesen Prompt als Ausgangspunkt nutzen:

Quellen & Methodik

• Springer Nature, 2025 — KI im Gartenbau: “Artificial intelligence in sustainable horticultural production: a systematic review” (Discover Plants, Springer Nature, 2025). Zentrales Ergebnis: “The limiting factor for AI application in horticulture might not be the AI technique per se but the availability of training data.” Grundlegende Quelle für die Einschätzung der Datenqualität als Hauptengpass.

• Wageningen University Research (veröffentlicht auf arXiv als 1907.00624): “Using Deep Learning to Predict Plant Growth and Yield in Greenhouse Environments” (2019). Nachweis, dass LSTM- und CNN-Modelle in kontrollierten Umgebungen Wachstum und Ertrag mit einer Genauigkeit von ±10–15% vorhersagen können — unter der Bedingung, dass strukturierte Trainingsdaten vorliegen.

• DFKI Deutsches Forschungszentrum für KI — Ernteprognosen mit KI: Veröffentlichung des DFKI zu Ernteprognosen auf Basis von Satellitendaten in der Landwirtschaft. Belegt, dass ähnliche Prognoseansätze im Feldbau seit mehreren Jahren operativ eingesetzt werden und auf Baumschulen übertragbar sind (Quellenlink: dfki.de/web/news/harvest-forecasts-with-ki).

• Analyse zu KI-Versagen bei Extremwetter: Studie der Universität Genf (2024), dokumentiert auf DFKI- und Medienportalen: ML-Modelle systematisch Richtung Mittelwert korrigieren und bei statistischen Ausreißern (Extremereignisse) versagen, weil diese in Trainingsdaten unterrepräsentiert sind.

• Bundesverband Gartenbau (BdB) — Jahresbericht Baumschulen 2018: Daten zu Betriebsstrukturen und wirtschaftlichen Kennzahlen im deutschen Baumschulsektor als Kontext für Umsatzgrößen und Qualitätsverlustschätzungen.

• DWD Open Data — Wetterdaten: Lizenzbedingungen und Datenqualität des Deutschen Wetterdienstes (opendata.dwd.de), CC BY 4.0, Stand April 2026. Primärquelle für alle Wetterdaten-Empfehlungen.

• Kosten und Zeitschätzungen: Eigene Schätzwerte auf Basis von Marktbeobachtungen zu Agrar-Tech-Projekten im deutschen Mittelstand. Keine publizierten Studien — Abweichungen je nach Dienstleister und Betriebssituation sind erheblich.

Du willst wissen, ob sich ein Wachstumsprognoseprojekt für deine Baumschule konkret lohnt? Beschreib uns deinen Betrieb kurz — wir helfen dir, eine realistische Einschätzung zu entwickeln.