Weizenertrag auf Schlag 3? Wie Landwirte mit KI realistischere Ernteprognosen erstellen

Das Grundproblem: Erträge zu prognostizieren ist eine komplizierte Angelegenheit

Wer im August drischt, weiß spätestens dann, was auf dem Schlag stand. Aber wer im Mai oder Juni entscheiden muss – Weizen jetzt vorverkaufen oder warten, mehr Lager anmieten oder nicht –, hat meist nur die eigene Erfahrung und das Wettergefühl.

In Brandenburg schwanken die Getreideerträge stark. Im Jahr 2024 lagen die Hektarerträge bei Winterweizen je nach Landkreis zwischen 30 und 66 Dezitonnen pro Hektar – eine Spannbreite, die zeigt, wie unterschiedlich selbst innerhalb eines Bundeslandes die Bedingungen sind. Die Gesamternte fiel 2024 um fast 13 Prozent gegenüber dem Vorjahr aus und lag 12 Prozent unter dem sechsjährigen Durchschnitt. Spätfröste, Trockenstress und Unwetter waren die Ursachen.

Wer in einem solchen Jahr falsch plant, zahlt drauf – durch zu früh verkaufte Ware zu schlechten Preisen oder durch Lagerengpässe in einem besseren Jahr.

Wie es auf vielen Betrieben läuft

Ein Ackerbaubetrieb im Fläming mit gut 400 Hektar – gemischte Böden, überwiegend Winterweizen und Roggen – stellt sich jedes Jahr dieselbe Frage: Wann verkaufen wir die erste Partie, und wie viel Puffer halten wir zurück?

Die Antwort kommt bisher aus dem Bauch. Erfahrung, Gespräche mit dem Nachbarn, ein Blick auf die DWD-Wettervorhersage (Deutsches Wetterwetter DWD). Auf manchen Betrieben gibt es historische Ertragskarten aus dem Mähdrescher, aber die werden selten systematisch ausgewertet – dazu fehlt die Zeit.

Probleme entstehen dabei an mehreren Stellen:

• Verkaufszeitpunkt: Wer zu früh verkauft, verliert bei gutem Markt Geld. Wer zu spät wartet, riskiert Preisverfall.

• Lagerplanung: Zu wenig Lager kostet bei hoher Ernte Zusatzaufwand. Zu viel Lager kostet Kapital.

• Vertragsverhandlungen: Liefermengen für Abnahmeverträge müssen oft Monate im Voraus festgelegt werden.

In der Praxis zeigt sich oft: Die Planungsunsicherheit kostet nicht nur Geld, sie kostet auch Nerven. Eine bessere Früherkennung würde Spielraum schaffen – aber dafür fehlt auf den meisten Betrieben das geeignete Werkzeug.

Was KI bei der Ernteprognose leisten kann

KI – also KI-Assistenten, die auf Basis von Texteingaben Antworten formulieren – ist nicht dasselbe wie ein spezialisiertes Ertragsprognosetool. Der Unterschied ist wichtig.

Spezialisierte KI-Systeme für Ertragsprognosen, wie sie etwa am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) in Kaiserslautern entwickelt wurden, kombinieren Satellitendaten des europäischen Copernicus-Programms (Sentinel-2-Satelliten liefern alle fünf Tage neue Aufnahmen in zehn Meter Auflösung), Wetterdaten des DWD, digitale Bodenmodelle und historische Ertragsdaten. Das Ergebnis: schlaggenaue Prognosen, die bereits im Mai eine Genauigkeit von rund ±8 bis 12 Prozent erreichen können.

KI-Assistenten wie ChatGPT, Google Gemini oder Microsoft Copilot arbeiten anders. Sie haben keinen direkten Zugriff auf die eigenen Feld- und Wetterdaten eines Betriebs – es sei denn, der Landwirt gibt sie selbst ein. Ihr Nutzen liegt woanders: Sie helfen dabei, verfügbare Informationen einzuordnen, Fragen zu strukturieren und auf Basis eingegebener Betriebsdaten erste Orientierungswerte zu berechnen oder zu erklären.

Die Kombination aus beidem ergibt den größten Nutzen: ein spezialisiertes Tool liefert die Prognose, ein generativer KI-Assistent hilft dabei, die Ergebnisse zu interpretieren und Entscheidungen daraus abzuleiten.

Konkrete Einsatzsituationen und Beispiel-Dialoge

Situation 1: Erste Schätzung im Juni

Ein Betriebsleiter aus dem Havelland möchte im Juni grob wissen, was auf Schlag 3 (Winterweizen, 45 Hektar, sandiger Lehmboden) zu erwarten ist. Er hat historische Ertragsdaten aus dem Mähdrescher der letzten fünf Jahre und weiß, dass es im April zu trocken war.

Die Frage ist: „Wie viel Weizen ernte ich auf Schlag 3?“

Damit die KI diese Frage beantworten kann, muss sie alle relevanten Angaben erhalten. Also lautet der Prompt (die Eingabe in die KI-Anwendung wie Landwirt.ai):

„Ich bewirtschafte einen Schlag mit 45 Hektar Winterweizen in der Nähe von Rathenow (Brandenburg). Der Boden ist sandiger Lehm, Ackerzahl um 35. In den letzten fünf Jahren lagen die Erträge auf diesem Schlag zwischen 42 und 58 Dezitonnen pro Hektar, im Durchschnitt bei 51 dt/ha. April 2025 war deutlich zu trocken (ca. 60% des langjährigen Mittels), Mai war normal. Der Bestand sieht laut meiner Begehung gut geschlossen aus, kaum Lücken. Welchen Ertrag kann ich realistisch erwarten, und wie groß ist die Unsicherheit in dieser Schätzung?“

Die KI kann jetzt mit historischen Werten rechnen, den Trockenstress im April einbeziehen und einen Korridor nennen – zum Beispiel: „Bei diesen Bedingungen ist mit 44 bis 54 dt/ha zu rechnen, ein Mittelpunkt von etwa 48 dt/ha erscheint plausibel. Der Unsicherheitsbereich ist überdurchschnittlich hoch aufgrund des Trockenstresses im April.“

Das ist keine Garantie – aber eine datenbasierte Planungsgrundlage, kein Bauchgefühl.

Situation 2: Entscheidung über Vorverkauf

Dieselbe Situation, eine Woche später: Der Abnehmer fragt, ob der Betrieb bereit ist, 200 Tonnen Weizen für den August zu einem festen Preis vorzuverkaufen.

„Auf Basis meiner Prognose von 44 bis 54 dt/ha auf 45 Hektar ergibt das 198 bis 243 Tonnen. Wenn ich 200 Tonnen vertraglich zusage und am unteren Ende des Prognosekorridors lande, müsste ich zukaufen. Wie hoch ist das Risiko, und welche Absicherungsstrategie wäre sinnvoll?“

Die KI kann hier nicht den Markt kennen – aber sie kann das Mengenrisiko durchrechnen und sinnvolle Handlungsoptionen skizzieren.

Schritt-für-Schritt: So kann ein Betrieb starten

1. Historische Ertragsdaten sichten: Yield-Maps aus dem Mähdrescher sind der wertvollste Startpunkt. Wer keine hat, arbeitet zunächst mit Schlagkartei-Einträgen und Erinnerungswerten.

2. DWD-Daten einbeziehen: Aktuelle Niederschlags- und Temperaturdaten für die eigene Region sind kostenlos über den DWD abrufbar und geben wichtige Hinweise auf Stressereignisse im Wachstum.

3. Satellitendaten nutzen: Der NDVI-Index (ein Maß für die Pflanzengesundheit aus Satellitenbildern) ist über freie Plattformen wie den Copernicus Browser oder über Agrar-Apps abrufbar. Er zeigt schlaggenaue Unterschiede im Bestandsschluss.

4. Alle Angaben gebündelt in den KI-Assistenten eingeben: Nicht pauschal fragen, sondern konkret: Schlaggröße, Bodenart, historische Erträge, aktuelle Wetterbilanz, Bestandsbeobachtung.

5. Ergebnis kritisch prüfen: Die Prognose mit der eigenen Erfahrung und dem Beraternetz abgleichen. KI kennt den Betrieb nicht so gut wie der Betriebsleiter selbst.

6. Entscheidung dokumentieren: Wer die KI-Prognose als Grundlage nutzt, sollte das festhalten – als Lerneffekt für die nächste Saison.

Pro-Tipps aus der Praxis

• Schlagspezifisch eingeben: Pauschalangaben für den ganzen Betrieb liefern schlechtere Ergebnisse als Angaben je Schlag. Besonders bei heterogenen Flächen macht das einen Unterschied.

• Unsicherheitsbereich aktiv abfragen: Wer nur nach einem Punktwert fragt, bekommt oft eine falsche Sicherheit. Besser ist: „Nenne mir einen realistischen Bereich und erkläre, welche Faktoren am stärksten unsicher sind.“

• Daten jährlich ergänzen: KI-gestützte Prognosen werden besser, je mehr historische Daten vorliegen. Ein Schlag mit fünf Jahren Ertragsdaten liefert verlässlichere Prognosen als ein Schlag mit nur zwei Datenpunkten.

• Nicht nur das Mittel planen: Wer für das untere Ende des Prognosekorridors plant, schützt sich besser gegen Überraschungen.

• Betriebsdaten vertraulich behandeln: Keine vollständigen Schlagkarten oder Vertragsdetails in öffentliche KI-Tools eingeben. Sensible Betriebsdaten gehören nicht in fremde Cloud-Systeme ohne Datenschutzprüfung.

Stolperfallen und Grenzen

KI ersetzt kein Bodenwissen. Wer einen Schlag kennt – weiß, wo es nass wird, wo die Kuppe austrocknet, wo der Steingehalt hoch ist –, hat einen Informationsvorsprung, den kein Algorithmus vollständig abbildet. Satellitendaten sehen die Oberfläche, nicht das Bodenprofil.

Datenmangel ist ein echtes Problem. Auf Betrieben ohne digitale Ertragskartierung ist die Grundlage für eine gute Prognose dünn. Wer nur zwei oder drei Jahre mit schriftlichen Notizen hat, bekommt breitere Unsicherheitsbereiche.

Nicht jeder Betrieb profitiert gleich. Laut der Bitkom/DLG-Studie aus dem Jahr 2024 nutzen derzeit erst 9 Prozent der deutschen Agrarbetriebe KI aktiv – bei Betrieben über 99 Hektar ist die Beschäftigung damit mit 52 Prozent deutlich höher als bei kleinen Betrieben unter 50 Hektar (27 Prozent). Für einen 50-Hektar-Betrieb mit wenig Digitalisierung lohnt sich der Aufwand fürs Erste eher weniger als für einen 400-Hektar-Betrieb mit guter Datenbasis.

Internetverbindung auf dem Land ist nicht immer stabil. Das klingt banal, ist aber real: Wer im Büro auf dem Hof eine schlechte Verbindung hat, kann cloudbasierte KI-Tools nur eingeschränkt nutzen. Das Problem ist bekannt und noch nicht überall gelöst.

Rechtliche Verantwortung bleibt beim Betrieb. Eine KI-Prognose ist eine Entscheidungshilfe, kein Gutachten. Wer auf Basis einer falschen Schätzung Ware verkauft oder einen Vertrag unterschreibt, hat keine Grundlage für Schadensersatzforderungen an den Softwareanbieter.

Wie sich das weiterentwickeln wird

Das Bayerische Landesamt für Statistik hat 2025 erstmals KI-gestützte Ertragsschätzungen auf Basis von Satellitendaten in die amtliche Erntestatistik einbezogen – ein Zeichen, dass die Technologie reif genug für den Einsatz bei Behörden wird.

Für Betriebe in Brandenburg bedeutet das mittelfristig: Es werden mehr spezialisierte Dienste verfügbar, die schlaggenaue Prognosen ohne aufwendige Dateneingabe liefern – weil Satellitendaten automatisch ausgelesen werden. Das DFKI-System, das Sentinel-2-Daten alle fünf Tage auswertet, zeigt, wohin die Reise geht.

Spannend wird die Verbindung von Fernerkundungsdaten mit betriebseigenen Daten: Wer seine Mähdrescher-Yield-Maps digital verfügbar hat und mit aktuellen NDVI-Werten kombiniert, bekommt nicht nur eine Prognose für die laufende Saison, sondern auch Hinweise, welche Teilflächen dauerhaft schwächer performen – und ob sich investive Maßnahmen lohnen.

Für Betriebe in der Prignitz oder im Oderbruch, die bereits mit Precision-Farming-Technik arbeiten, ist dieser Schritt nicht mehr weit. Für alle anderen bleibt zunächst der einfachere Einstieg: verfügbare Daten systematisch nutzen und mit Hilfe von KI-Assistenten besser einordnen.

Häufige Fragen

Wie genau sind KI-Ernteprognosen?
Spezialisierte Systeme, die Satelliten-, Wetter- und Bodendaten kombinieren, erreichen bereits im Mai Abweichungen von etwa ±8 bis 12 Prozent gegenüber dem tatsächlichen Ergebnis. Das ist kein perfektes Ergebnis, aber deutlich besser als eine Daumenregel.

Brauche ich spezielle Software oder reicht ein Smartphone?
Für einfache Abfragen und erste Einschätzungen reicht ein Smartphone mit einer KI-App. Für schlaggenaue Prognosen mit Satellitendaten braucht man spezialisierte Agrar-Software oder einen Dienst, der diese Daten aufbereitet.

Was kostet ein solches Tool?
SaaS-Lösungen (Software-as-a-Service, also monatlich gemietete Dienste) für Ertragsprognosen liegen je nach Anbieter und Umfang typischerweise bei einigen hundert Euro pro Monat. Für viele kleine Betriebe ist das noch zu teuer – hier bieten generative KI-Assistenten eine kostengünstigere Alternative für erste Orientierungsabschätzungen.

Was mache ich, wenn die Prognose falsch liegt?
Die Prognose dokumentieren, das tatsächliche Ergebnis festhalten und beim nächsten Jahr die Abweichung erklären. Das schärft sowohl das Verständnis für den eigenen Betrieb als auch die Datenbasis für bessere Folgeprognosen.

Wie gehe ich mit sensiblen Betriebsdaten um?
Keine vollständigen Schlag- oder Finanzdaten in öffentliche KI-Systeme ohne Datenschutzprüfung eingeben. Anonymisierte oder aggregierte Angaben (z.B. „ein Schlag mit 45 Hektar Winterweizen, Ackerzahl 35“) sind für die meisten Abfragen ausreichend.

Für welche Betriebe lohnt sich der Einstieg am ehesten?
Betriebe mit mehr als 150 bis 200 Hektar Ackerfläche, vorhandenen digitalen Ertragsdaten und einem Interesse an strukturierter Planung haben den größten Hebel. Kleinere Betriebe ohne Datenbasis können mit KI-Assistenten wie Landwirt.ai starten und sich schrittweise herantasten.

Lohnt sich das auch für Standorte mit sehr variablen Erträgen?
Gerade dort. Wer auf sandigen Böden in der Lausitz oder im Fläming bewirtschaftet, wo Trockenheit in einem Jahr 20 dt/ha kosten kann, braucht mehr Planungsgrundlage, nicht weniger. Ein realistischer Unsicherheitsbereich hilft dabei, Verkaufs- und Lagerpläne robuster zu gestalten.

Alle genannten Zahlen zu Brandenburger Erträgen basieren auf Angaben des Amts für Statistik Berlin-Brandenburg. Angaben zu KI-Nutzung in der Landwirtschaft entstammen der Bitkom/DLG-Studie zur Digitalisierung der Landwirtschaft 2024.