Die Agrarwirtschaft hat sich in den letzten Jahren stark gewandelt. Durch die Fortschritte im Bereich neuer Technologien und die Digitalisierung wurde dieser Weg geebnet. Vor drei Jahren haben wir schon einmal einen Blick auf die aktuellen Entwicklungen der Branche geworfen. Im Folgenden wollen wir näher beleuchten, welche Fortschritte und Trends inzwischen zu beobachten sind.

In der Landwirtschaft 4.0 lag der Fokus auf der Vernetzung von Maschinen und der Erhebung einer großen Menge an Daten. Landwirte integrierten Technologien wie GPS und Sensoren, um effizienter zu arbeiten. Besonders die gesteigerten Möglichkeiten der Datenanalyse lieferte wertvolle neue Einblicke. Durch die sich anschließende Vernetzung und erste Schritte in Richtung Automatisierung von Maschinen wurde in dieser Phase der Grundstein für die weiterführende Evolution zur Landwirtschaft 5.0 gelegt, wo Maschinen zunehmend autonom und „intelligent“ agieren dürften.

Von künstlicher Intelligenz hin zu autonomen Entscheidungen

Das Schlagwort Landwirtschaft 5.0 steht also gleichbedeutend für die fortschreitende Evolution der digitalen Landwirtschaft. Während in der Phase 4.0 die Technik im Fokus stand, wird es in der Landwirtschaft 5.0 darum gehen, den Menschen wieder stärker in den Mittelpunkt zu rücken. So dürften beispielsweise beim Anbau von Lebensmitteln digitale Technologien zukünftig nicht mehr nur auf den dadurch erreichbaren quantitativen Ertrag abzielen, sondern auch darauf, die Qualität der Produkte steigern. Das Thema Nachhaltigkeit drängt sich in den Vordergrund. Und das ist gut so. Zunehmende Trockenperioden führen auch in unseren Breitengraden dazu, dass durch den stetig sinkenden Grundwasserspiegel erntereiches Wachstum auf den Feldern immer schwieriger wird. Der Anbau von Lebensmitteln muss folglich resilienter gestaltet werden, um dem etwas entgegenzusetzen.

Auch mithilfe kleiner Lösungen lassen sich schon nachhaltige Wirkungen erzielen. Im Jahr 2020 beispielsweise wurde eine App gelaunched, die es Landwirten auf recht einfache Weise ermöglicht, ihre Felder besser zu bewässern, ohne eigens Sensoren oder andere Technik auf ihren Flächen installieren zu müssen. Auf der Grundlage von tagesaktuell erhobenen Datensätzen kann die im Hintergrund aktiv werdende KI relevante Faktoren erkennen. Alles, was Landwirt*innen hierzu tun müssen: die eigenen Felder in einer Karte der App eintragen und die Anwendung aufs Smartphone laden. Mithilfe künstlicher Intelligenz lässt zukünftig aufgrund einer guten Datenlage sehr konkret und ad hoc festgestellt werden, an welchen Stellen gutes Wachstum möglich ist, wo es unter Umständen für die geplante Saat an wichtigen Nährstoffen mangelt oder wo es für eine Aussaat gerade zu trocken erscheint.

Auch der allgemeine Hype um die KI ChatGPT trägt in die Branche. Seit dem Frühsommer zielt eine Initiative mit der Plattform agriGPT darauf ab, das Potenzial von Large Language Modells (LLMs) für die Agrarindustrie zu erforschen. Zum einen wurde hierzu eine Frontend-Schnittstelle erstellt, die mit ChatGPT interagiert. Die API ist fein abgestimmt, integriert sowohl öffentliche als auch interne Daten und bringt diese in den gewünschten agrartechnischen Kontext. Parallel dazu arbeitet man bereits daran, ein speziell für die Landwirtschaft konzipiertes LLM zu erstellen.

Überhaupt gibt es inzwischen eine ganze Reihe an Projekten, bei denen künstliche Intelligenz für eine präzisere Landwirtschaft ins Spiel kommt. Einen kleinen Überblick dazu verschafft die Projektförderungsseite der Bundesanstalt für Landwirtschaft und Ernährung. Von beispielsweise einer Blattlausidentifikation mittels KI, KI-gesteuerter Robotertechnik zum autonomen Abernten über eine KI-gesteuerte Plattform zwecks Klassifikation und Sortierung von Pflanzensamen bis hin zur Entwicklung eines mobilen und modularen Prototypen zur visuellen Qualitätserkennung durch künstliche Intelligenz in der Lebensmittelindustrie: Die Bandbreite an Ideen ist schon jetzt riesig.

Diesen technikgetriebenen Ansatz für die Zukunft in der Landwirtschaft verfolgt auch das kürzlich geschaffene „Joint Lab Künstliche Intelligenz & Data Science“. Das gemeinsame Programm von der Universität Osnabrück und dem Leibniz-Institut für Agrartechnik und Bioökonomie (ATB) zielt darauf ab, anwendungsspezifische KI- und Data Science-Technologien zu erforschen und daran angelehnt Entsprechungen für die Praxis zu finden.

Wenn die Entwicklungen so fortschreiten, dürfte die Landwirtschaft von morgen so aussehen, dass beispielweise Drohnen und Roboter nicht nur die Daten sammeln, sondern in diesem Zusammenspiel auch eigenständige Entscheidungen aus diesen ableiten – also nicht nur Unkraut oder Schädlinge erkennen, sondern auch direkt eine gezielte Gegenmaßnahme ab- und einleiten können. Mithilfe von KI-Technologie dürften sich Landwirte dann auf weit mehr als nur das Wetter als Referenz stützen, wann genau gepflanzt oder geerntet werden soll, um die besten Erträge zu erzielen. Und auch der Umweltschutz dürfte perspektivisch durch präzisierte Bewirtschaftungsmethoden enorm geschont werden, wenn Ressourcen wie Wasser und Dünger automatisiert eingespart werden.

Landwirtschaft übergreifend denken

Genau wie in anderen Bereichen und Branchen auch, sollte das „Smart“ in Farming aber nicht in Insellösungen gedacht werden. Mit der offenen Datenplattform Agri-Gaia etwa wurde ein Ökosystem geschaffen, das eine solche Entwicklung verhindern kann. Denn die Optimierung bestehender Prozesse in der Landwirtschaft ist die eine Sache. Eine andere, ob diese auch langfristig dem tatsächlichen Bedarf entsprechen.   

Neben der Technologie selbst wird auch der anstehende Generationenwechsel bei den Höfen einen maßgeblichen Anteil an der Transformation der Landwirtschaft haben. Die jungen Landwirt*innen zeigen sich innovativer Technik gegenüber meist sehr aufgeschlossen. Sie verstehen, dass diese sie dabei unterstützen kann, ihren Betrieb effizienter UND nachhaltiger zu gestalten. Die Agrarwirtschaft von morgen braucht genau dieses Mindset. Und dazu das notwendige Kapital, um in neue technologische Lösungen und Maschinen investieren zu können.

Computer, die wie Menschen agieren, dazulernen und komplexe Probleme in Sekundenschnelle lösen können: Künstliche Intelligenz kommt bereits in vielen Bereichen erfolgreich zum Einsatz. Auch Banken setzen immer mehr auf künstliche Intelligenz und Machine Learning, um Prozesse zu optimieren und ihren Kunden maßgeschneidertes Banking anbieten zu können.

Multi-Channel im Kundenservice: Sprachassistenten und Chatbots erobern die Herzen

Kunden erwarten heute schnelle Reaktionen vom Kundenservice und die Möglichkeit zwischen unterschiedlichen Kanälen in der Kommunikation mit ihrer Bank wählen zu können. Je nach Nutzertyp und Anliegen steht den meisten Bankkunden Telefon, E-Mail oder das Kontaktformular auf der Internetseite zur Verfügung. Alle diese Kanäle haben eins gemeinsam: Am anderen Ende der „Leitung“ sitzt ein Mensch, der die Anfragen beantwortet.

Als Ergänzung zum telefonischen Kundenservice werden in einigen Banken bereits Chatbots genutzt, um Kundenanfragen in Echtzeit zu beantworten. Ob „Herbie“ in der DKB oder IBMs „Watson“ bei der Consorsbank: Die digitalen Assistenten befinden sich noch in der Testphase und können lediglich allgemeine Fragen zu Produkten und Finanzthemen beantworten. Denn: Vor dem Start eines Chatbots werden diese vom Menschen „trainiert“, und so mit Daten, Fragen und Antwortmöglichkeiten gefüttert. Schließlich muss der digitale Assistent dazu in der Lage sein, unabhängig von der Formulierung des Kunden eine Absicht zu erkennen und die entsprechende Hilfestellung zu geben. Durch Interaktionen lernt der intelligente Chatbot hinzu und kann die Antworten kontinuierlich optimieren.

Für die Zukunft ist denkbar, dass der digitale Assistent nicht nur Fragen beantwortet, sondern auch Prozesse anstößt: die Beantragung einer neuen Kreditkarte oder die Bestellung einer Ersatz-PIN bei Verlust beispielsweise. Dennoch gilt: Chatbots können und sollen die „echten“ Mitarbeiter im Kundenservice nicht ersetzen, sondern lediglich unterstützen und entlasten. Die Bearing-Point-Studie „Mensch & Maschine im Kundenservice“ zeigt, dass fast drei Viertel der Endverbraucher die Möglichkeit des persönlichen Kontakts mit einem Servicemitarbeiter für sehr wichtig bis wichtig halten. Nur 23 Prozent können sich demnach mit einer durchweg digitalen Kommunikation im Kundenservice anfreunden.

Datenanalyse für individuelle Beratung und passgenaue Angebote

Die Entwicklung im Bereich KI bietet, über die Vorteile für den direkten Kundenservice hinaus, weitere Ansätze für die Kundenansprache. Bewegt sich ein Kunde auf der Internetseite, um sich zu informieren, kann im Hintergrund die künstliche Intelligenz der Banken arbeiten und dem Kunden nur die für ihn relevanten Informationen zeigen. Solche personalisierten Webseiten erstellt etwa das Unternehmen Adtelligence. Je nachdem über welches Endgerät, zu welcher Uhrzeit oder an welchem Ort ein Kunde auf die Internetseite zugreift, werden gezielt die richtigen Inhalte mit passenden Produkten angezeigt. Das erhöhe die Kundenzufriedenheit und somit auch die Wahrscheinlichkeit eines Vertragsabschlusses (Quelle: Handelsblatt, 03.08.2018).

Mit Einwilligung der Kunden könnten bereits vorhandene Daten besser ausgewertet und für noch individuellere Produktangebote und Dienstleistungen verwendet werden. Registriert die KI zum Beispiel, dass ein Kunde im Ausland Bargeld abhebt, könnten ihm Versicherungsinformationen oder Mietwagenrabatte für den Urlaubsort per Push-Benachrichtigung aufs Smartphone gesendet werden. Eine Bank testet ein intelligentes System, das umfassende Informationen aus der Presse zu hauseigenen Unternehmenskunden sammelt. Basierend auf der Nachricht, dass ein Unternehmen beispielsweise einen Standort in China aufbauen möchte, könnte die Bank – mit vorheriger Zustimmung des Kunden – gezielt Beratungsleistungen rund um den internationalen Zahlungsverkehr oder zu möglichen Geschäftspartnern in China anbieten.

Mit dem Robo-Advisor zum richtigen Aktienportfolio

Für Verbraucher war der Zugang zum Aktienmarkt lange nur über Kreditinstitute oder Börsenmakler möglich. Mit Hilfe eines sogenannten Robo-Advisors kann nun jeder Kunde ein Aktienportfolio besitzen, meist bereits ab einem geringen Investitionsbetrag und gegen eine schmale Gebühr. Robo-Advisor sind vollautomatisierte Programme, die Geld nach standardisierten Formeln und der Risikobereitschaft des Kunden an Kapitalmärkten anlegen. Häufig übernimmt ein Algorithmus die Erstellung sowie die laufende Überwachung und Anpassung der Portfolios. Dahinter steckt nur indirekt ein Mensch, denn die Anbieter der Robo-Advisor handeln nicht mit dem Geld der Anleger, sondern schreiben schlicht die Algorithmen zur Steuerung des Anlageportfolios. Eine Vision für die Zukunft ist, dass der Robo-Advisor zu einem tatsächlichen Anlageberater wird. Statt lediglich ein passendes, bereits vorgefertigtes Portfolio für den Kunden auszuwählen, soll die künstliche Intelligenz später einmal den Kunden so genau kennen, dass er ihn aktiv bei Anlageentscheidungen unterstützen und beraten kann.

Interne Prozessoptimierung entlastet Mitarbeiter

Vor etwa zwei Jahren hat BNP Paribas ein Data Science and Artificial Intelligence Lab eingerichtet. In diesem Forschungszentrum arbeiten Datenwissenschaftler, Entwickler und Webdesigner daran, das Potenzial der künstlichen Intelligenz zu erforschen. Ihre Entwicklungen werden in Form von Programmierschnittstellen (APIs) in die Praxis umgesetzt. Das Zentrum hat bereits praktische Anwendungen hervorgebracht. Dazu gehört ein automatisiertes System zur Vertragsanalyse, das es ermöglicht, Verträge mit einer Länge von bis zu 150 Seiten in Sekundenschnelle zu „lesen“ und zu verstehen. Für die Mitarbeiter, die für die Sicherstellung der Compliance dieser Dokumente zuständig sind, bedeutet das eine enorme Zeitersparnis.