Die Agrarbranche läuft auf Arbeit, die sich schwer planen lässt, weil die Umstände das Ergebnis bestimmen. Anbaubegleitung, Erntedisposition, Sortierung und Qualitätskontrolle, Transportplanung zur Versteigerung oder zum Abnehmer, und der administrative Block rund um Gütesiegel und Compliance: Das sind die Posten, in die die meisten Stunden fließen. Das Wetter, die biologische Uhr der Pflanze oder des Tieres und die Verfügbarkeit von Saisonarbeitskräften steuern das Ergebnis mehr als die Absicht der Planung. Wer hier liefert, liefert unter Bedingungen, die sich wöchentlich ändern können.
Jahrelang gewann man in dieser Branche mit demjenigen, der die Unsicherheit am besten auffangen konnte: dem Anbauer oder Unternehmen mit der meisten Erfahrung, dem schärfsten Blick auf das Wetterbild, der geschicktesten Hand beim Sortieren. Das ist immer noch relevant. Aber die Arbeit, mit der diese Erfahrung in eine Entscheidung umgesetzt wird, verändert ihren Charakter.
Innerhalb des agrarischen Arbeitspakets verlaufen drei Kategorien durcheinander, und welcher Schritt in welche Kategorie fällt, erklärt, warum das eine Unternehmen jetzt schon anders arbeitet als das andere.
Vollständig von KI zu übernehmen ist die Arbeit, die aus wiederholbaren Mustern mit ausreichend Daten besteht: Ertragsvorhersage auf Basis historischer und aktueller Sensordaten, Bewässerungsplanung auf Basis von Bodenfeuchte und Wettervorhersage, und die erste Sortierung von Produkten per Bilderkennung. Unternehmen mit Sensoren im Boden und Kameras an der Sortierlinie lassen diese Schritte bereits ohne Eingriff laufen.
Teilweise, mit einem Menschen, der begründet genehmigt oder ablehnt, ist die Arbeit, bei der das Modell einen Rat gibt, der Kontext aber gerade zu unberechenbar für die vollständige Übertragung ist: die Entscheidung, jetzt zu spritzen oder zu warten, die Wahl zwischen zwei Absatzkanälen bei einem Preisunterschied, die Einschätzung, ob eine Parzelle schon erntereif ist. Hier erzeugt das System eine Empfehlung mit Begründung, und der Anbauer oder Betriebsleiter setzt sie um oder hält sie zurück. Diese Aufsicht ist keine Übergangsphase; sie ist die Form, in der diese Arbeit vorerst weiterbesteht, weil die Haftung und das lokale Wissen beim Menschen liegen.
Menschenarbeit bleibt der Kontakt mit dem Abnehmer, der Maßarbeit verlangt, die Verhandlung über einen Liefervertrag, und die physischen Handlungen, die sich ohne Umgestaltung des Betriebs nicht automatisieren lassen. Auch das Zusammenstellen des Dossiers für ein Gütesiegel-Audit bleibt im Kern Menschenarbeit, wenngleich das Sammeln der zugrunde liegenden Daten beschleunigt werden kann.
Der Unterschied zwischen Unternehmen liegt nicht im Ambitionsniveau, sondern darin, was an Daten und Sensorik bereits vorhanden ist. Ein Unternehmen mit jahrelangen Sensordaten über Boden, Pflanze und Klima kann ein Vorhersagemodell füttern, das brauchbar ist; ein Unternehmen ohne diese Geschichte beginnt mit einem leeren Modell. Dasselbe gilt für Bilderkennung bei der Sortierung: Sie ist erst scharf nach Training mit großen Mengen eigener Produktfotos. Wer diese Grundlage nicht hat, bleibt länger auf den Menschen angewiesen für Schritte, die anderswo schon übernommen wurden. Das ist kein Rückstand beim Einsatz, es ist ein Unterschied in dem, was aufgebaut wurde.
Sobald ein Teil der Anbauentscheidung, der Sortierung oder der Logistikplanung bei einem System liegt, verschiebt sich, worauf ein Abnehmer oder eine Versteigerung einen Lieferanten beurteilt. Lieferzeit und Volumensicherheit waren früher eine Funktion von Besetzung und Erfahrung; wenn die Planung selbst schon Wetter, Transportkapazität und Erntefenster berücksichtigt, verschiebt sich der Vergleich darauf, wie konsistent diese Vorhersage eintrifft und wie schnell nachgesteuert wird, wenn die Praxis abweicht. Qualitätskonsistenz war eine Frage von Handwerkskunst an der Sortierlinie; mit automatisierter Bilderkennung wird sie zu einer Frage, wie viele Trainingsdaten und wie viele Kontrollebenen ein Unternehmen eingerichtet hat. Die Dimension, auf der gewonnen wird, behält denselben Namen, aber die Frage dahinter ändert sich.
Dieses Muster ist nicht einzigartig für Land- und Gartenbau. Dieselbe Verschiebung von Besetzung zu Systemqualität spielt sich ab in der IT-Branche, wo sich die Lieferzeit von Projekten durch automatisierte Planung verändert, in der Finanzdienstleistung, wo die Risikobewertung teilweise von Modellen übernommen wird, und in der Freizeitbranche, wo Buchungsvorhersagen die Kapazitätsplanung steuern. Immer ist die Frage nicht, ob KI die Arbeit übernimmt, sondern welcher Teil, mit welcher Aufsicht, und was das für den Vergleich mit dem Konkurrenten bedeutet.
Über Personalentscheidungen, die aus dieser Verschiebung folgen könnten, macht diese Seite keine Aussage; dafür gelten eigene gesetzliche Anforderungen, und die gehören nicht zu einem Marktvergleich.
Ein Anbauer oder eine Genossenschaft, die behauptet, bei Lieferzeit oder Qualitätskonsistenz zu gewinnen, muss diese Behauptung mit etwas Nachvollziehbarem belegen können: einer Zahl, einer Kundenerklärung, einer Zertifizierung. Wie Sie eine solche Behauptung gegenüber der eines Konkurrenten stellen, ohne auszufüllen, was Sie nicht wissen, steht beschrieben in einer Vorgehensweise, um einen Konkurrenten ohne Annahmen zu bewerten, und der breitere Aufbau dahinter in einer Erklärung, wie Sie Ihr Unternehmen mit Konkurrenten benchmarken. Welche Arbeit in Ihrem eigenen Unternehmen bereits von KI übernommen werden kann und welcher Teil weiterhin Aufsicht erfordert, ist eine andere Frage als die, worauf Sie gewinnen; diese erste Frage beantwortet der Werkscan von FTE TO AI pro Aufgabe.
Benennen Sie für sich, auf welchen zwei oder drei Dimensionen Sie glauben, gegenüber den Unternehmen in Ihrer Peer Group zu gewinnen. Prüfen Sie pro Behauptung, ob dahinter ein Beweisstück steht, das einen Außenstehenden überzeugen würde. Die kostenlose Dimensionsprüfung lässt Sie diese Behauptungen nebeneinanderstellen und zeigt, welche davon mit Beweisen zu verteidigen ist. Der vollständige Benchmark, mit Scores über die gesamte Peer Group und einer durchsuchbaren Beweismatrix, ist in Vorbereitung.