Wie weit ist der Agrarsektor mit der KI-Reife

Ein Sektor, der mit den Jahreszeiten atmet

Der Agrarsektor hat einen Rhythmus, den wenige andere Sektoren kennen. Ein Geschäftsjahr zählt nicht zwölf gleiche Monate, sondern eine Wachstumssaison, eine Ernte, eine Ruheperiode. Daten, die im April erfasst werden, sagen etwas anderes als Daten aus dem Oktober. Das macht KI-Reife in diesem Sektor zu keiner Momentaufnahme. Eine Organisation kann auf dem Papier im Winter gut aufgestellt sein und im Sommer trotzdem ins Stocken geraten, einfach weil der Druck auf den Betrieb dann anders verteilt ist.

Daneben ist der Sektor auffallend vielschichtig. Auf der einen Seite stehen große Genossenschaften und verarbeitende Betriebe mit eigenen IT-Abteilungen und Datenteams. Auf der anderen Seite stehen Familienbetriebe und Einzelunternehmen, bei denen die Betriebsführung in den Köpfen sitzt, nicht in Systemen. Beide Formen kommen unter einem Sektornamen vor, und das bedeutet, dass eine Aussage über "den Agrarsektor" schnell zu grob ist. Das Verhältnis zwischen diesen beiden Formen bestimmt mehr über die durchschnittliche Reife als jede technologische Entwicklung.

Wo die Fundamente wanken

Bei vielen Agrarbetrieben fehlt nicht der Ehrgeiz, sondern die Basis, auf der KI ruhen sollte. Sensordaten aus dem Feld, Wetterinformationen, Bestandsdaten und die Buchhaltung beim Steuerberater existieren oft in getrennten Systemen, die nicht miteinander sprechen. Das ist eine Frage des Datenmanagements, und es ist eine der Dimensionen, die in der Reifemessung als fundamental gilt — nicht weil das eine Präferenz ist, sondern weil eine Organisation ohne zusammenhängende Daten keine KI-Anwendung tragen kann, die auf diesen Daten beruhen muss.

Auch die IT-Infrastruktur ist unterschiedlich. Ein Milchviehbetrieb mit automatischen Melkrobotern beschäftigt sich schon seit Jahren mit Sensoren und Datenverarbeitung, während ein Ackerbaubetrieb vielleicht nur ein Buchhaltungsprogramm und eine Wetter-App nutzt. Dieser Unterschied im Ausgangspunkt ist nicht gut oder falsch, bestimmt aber, welcher Schritt logisch ist. Ein Betrieb, der bereits Sensordaten sammelt, steht vor einer anderen Frage als ein Betrieb, der noch bestimmen muss, welche Daten er überhaupt erfassen möchte.

Die Organisationsdimension fügt dem eine eigene Schicht hinzu. In Familienbetrieben liegt die Entscheidungsbefugnis oft bei einer oder zwei Personen, was Entscheidungen schnell machen kann, aber auch bedeutet, dass die KI-Reife stark davon abhängt, was diese Person weiß und will. Bei Genossenschaften und größeren Verarbeitern geht es eher um die Frage, wie Entscheidungen zwischen Mitgliedern, Vorstand und Ausführung verteilt werden — und ob dort eine Struktur vorhanden ist, die eine Plot-Runde sichtbar machen würde.

Die abhängigen Dimensionen folgen erst danach

Anwendungen, die für den Sektor interessant klingen — vorausschauende Wartung von Maschinen, Ertragsprognosen, automatisierte Sortierung — hängen alle davon ab, was darunter liegt. Ohne eine Infrastruktur, die Messungen zuverlässig erfasst, und ohne Daten, die über Jahreszeiten hinweg konsistent sind, bleibt eine KI-Anwendung ein Experiment, das funktioniert, solange die Umstände mitspielen. Genau deshalb haben die fundamentalen Dimensionen Vorrang: nicht als politische Entscheidung, sondern als Reihenfolge, die sich aus der Praxis ergibt. Wer hierzu mehr lesen möchte, findet eine Ausarbeitung unter warum die fundamentalen Dimensionen zuerst kommen müssen.

Diese Reihenfolge gilt nicht nur in der Landwirtschaft. Andere Sektoren mit einem schweren operativen Kern und verteilter Entscheidungsfindung zeigen vergleichbare Muster, wie in wie weit der Energiesektor mit der KI-Reife ist und in wie weit der Immobiliensektor mit der KI-Reife ist zu lesen ist. Zum Vergleich: Sektoren mit von Ursprung digitalen Prozessen, wie beschrieben in wie weit der IT-Sektor mit der KI-Reife ist, starten in der Regel von einem anderen Ausgangspunkt für Infrastruktur und Daten, was zeigt, wie groß die Streuung zwischen Sektoren sein kann.

Was eine Messung hier bringt

Für einen CEO oder COO im Agrarsektor liegt der Wert einer Reifemessung nicht darin, dass sie eine Zahl liefert, mit der man sich schmücken kann, sondern dass sie sichtbar macht, wo die Streuung zwischen Menschen in der Organisation liegt. Sieht der Betriebsleiter die Datensituation anders als der Eigentümer? Denkt der IT-Verantwortliche — sofern es einen gibt —, dass die Infrastruktur bereit ist, während die Mitarbeiter vor Ort täglich auf manuelle Umwege stoßen? Eine Plot-Runde, in der mehrere Personen getrennt bewerten, legt diese Unterschiede offen, bevor sie ein Pilotprojekt scheitern lassen.

Gerade in einem Sektor, in dem die Entscheidungsfindung oft bei wenigen Personen liegt, ist es wertvoll zu sehen, ob diese Personen sich eigentlich einig sind, wo die Organisation steht. Ein Berater auf dem Hof, ein Betriebsleiter im Lager und ein IT-Ansprechpartner bei der Genossenschaft können alle drei eine andere Einschätzung haben, wie ausgereift die Datenmanagementseite ist. Diese Streuung sichtbar zu machen, ist ein erster Schritt, kein Endpunkt.

Wenn sich die Frage zur eigentlichen Arbeit verschiebt

Sobald klar ist, wo die Organisation bei diesen Dimensionen steht, verschiebt sich die Frage von selbst von Bereitschaft zu Inhalt: Welcher Teil der täglichen Arbeit könnte KI angesichts dieser Bereitschaft tatsächlich übernehmen? Das ist eine andere Frage als die, die diese Seite beantwortet. Der Werkscan von FTE TO AI berechnet pro Aufgabe, welcher Teil der Arbeit für eine Übernahme in Betracht kommt, und schließt damit an das an, was eine Reifemessung zuerst erfasst. Wer bereits darüber nachdenken möchte, wie eine solche Inventur aussehen sollte, kann bei was in eine Entscheidungsinventur gehört beginnen, als Vorbereitung auf den Moment, in dem die Fundamente in Ordnung sind.