Landwirtschaft. Warum die autonome Farm mit Integration beginnt

Die vernetzte Farm ist längst Realität

Die Digitalisierung der Landwirtschaft hat lange vor den aktuellen Diskussionen über künstliche Intelligenz begonnen. Viele Betriebe arbeiten mit elektronischer Tierkennzeichnung, Herdenmanagement-Software, Melk- und Fütterungstechnik, Aktivitäts- und Wiederkausensoren, Wetterstationen sowie Maschinen- und Flächendaten. Jedes dieser Systeme erfasst einen Ausschnitt des Betriebs. Der nächste Entwicklungsschritt besteht darin, Beobachtungen aus unterschiedlichen Quellen so zusammenzuführen, dass daraus eine belastbare Handlung entsteht.

Dahinter steht das Grundprinzip des Internet of Things, also der Vernetzung physischer Geräte über Datenverbindungen. Ein Sensor misst eine Veränderung, ein Gerät überträgt den Wert, Software vergleicht ihn mit einem Muster, und ein Mensch entscheidet, was zu tun ist. In der Tierhaltung trägt dieser Ansatz den Namen Precision Livestock Farming, auf Deutsch Präzisionstierhaltung. Ein Forschungsteam um Christopher Wathes und Daniel Berckmans wog bereits 2008 Chancen und Risiken der laufenden, automatischen Tierüberwachung gegeneinander ab.^[1] Berckmans beschrieb das Ziel 2017 als kontinuierliche Erfassung von Tierdaten, die Entscheidungen näher an das einzelne Tier bringt.^[2]

In der Praxis treffen dabei mehrere Generationen von Technik aufeinander: neue Cloud-Dienste neben älteren Steuerungen, proprietäre Herstellerplattformen neben standardisierten Maschinenanschlüssen, mobiles Internet neben Funklöchern. Ein landwirtschaftlicher Betrieb ist ein gewachsenes System aus Technik, Tieren und Menschen. Seine Geräte müssen zuverlässig funktionieren, auch wenn die Internetverbindung ausfällt. Neue KI-Funktionen setzen deshalb auf einer Infrastruktur auf, die zuerst verstanden werden muss. Hinzu kommen saisonale Arbeitsspitzen, wechselnde Mitarbeitende und Geräte, die viele Jahre im Einsatz bleiben. Eine Lösung, die nur unter Laborbedingungen funktioniert, scheitert im Stall schnell an Staub, Feuchtigkeit oder fehlender Netzabdeckung.

Die Bausteine sind da, ihre Verbindung fehlt noch.

^{Infografik: Die meisten Bausteine einer vernetzten Farm sind bereits im Einsatz, ihr Wert entsteht erst durch die Verbindung | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Betriebe und ihre Technologiepartner beginnt die nächste Stufe deshalb mit einer nüchternen Bestandsaufnahme. Welche Daten entstehen bereits? Wem gehören sie? Wie oft werden sie aktualisiert? Welche Systeme können sie lesen, und welche Aktionen dürfen sie auslösen? Erst mit diesen Antworten lässt sich beurteilen, ob ein KI-Agent einen echten Engpass beseitigt oder nur eine weitere Oberfläche erzeugt. Ein Sprachmodell, also eine KI, die Texte versteht und formuliert, kann verstreute Informationen zugänglich machen und Routinekommunikation abnehmen. Die physische Messung und die Verbindung zwischen Geräten muss es dagegen bereits vorfinden. Wer mit dem Agenten beginnt, ohne Datenlage und Zuständigkeiten zu kennen, riskiert eine eindrucksvolle Demonstration, die im Alltag zusätzliche Arbeit verursacht.

Die Ausgangsfrage lautet also, ob die digitalen Bausteine eines Hofs zusammenarbeiten und im Alltag einen nachvollziehbaren Nutzen erzeugen. Wie aus einzelnen Messwerten dafür verwertbare Information wird, zeigt das nächste Kapitel.

• Viele Höfe nutzen bereits Sensorik, Tierkennzeichnung und vernetzte Maschinen.
• Präzisionstierhaltung erfasst Tierdaten seit Jahren laufend.
• Ein Betrieb ist eine gewachsene Infrastruktur mit mehreren Technikgenerationen.
• Eine Bestandsaufnahme der Daten steht vor jeder KI-Investition.
• Ein Sprachmodell nutzt vorhandene Daten, Messungen muss es vorfinden.

Die intelligente Farm entsteht damit aus der Verbindung vorhandener Signale für einen konkreten betrieblichen Zweck. Genau dort setzen die folgenden Kapitel an.

Aus Daten müssen lesbare Situationen werden

Ein Messwert gewinnt erst im Zusammenhang an Bedeutung. Eine Kuh, die weniger frisst, kann krank sein, unter Hitzestress leiden, gerade ruhen oder auf eine Veränderung im Stallablauf reagieren. Ein Aktivitätssensor liefert ein Signal, aber keine Diagnose. Erst wenn Identität, Zeit, Ort, Vergleichswerte und Beobachtungskontext zusammenkommen, wird aus einer Abweichung eine Situation, die ein Mensch sinnvoll beurteilen kann.

Wie breit die möglichen Messgrößen sind, zeigt eine vielzitierte Übersichtsarbeit im Journal of Dairy Science. Niederländische Forschende werteten darin Sensorsysteme für das Gesundheitsmanagement in Milchviehbetrieben aus, von Bewegung und Wiederkauverhalten über Körpertemperatur bis zu Milchparametern. Sie ordneten die Systeme in Stufen von der reinen Messung bis zur Entscheidungsunterstützung ein und stellten fest, dass die meisten Arbeiten bei Messung und Auswertung stehen blieben, während die Stufe der Entscheidungsunterstützung kaum erreicht wurde.^[3]

Eine Übersichtsarbeit aus dem Jahr 2023 in der Fachzeitschrift Animals beschreibt Präzisionstierhaltung entsprechend als Zusammenspiel aus Sensoren, Algorithmen und Anwendungen, deren Wert vom Einsatzzweck abhängt.^[4] Für ein integriertes System braucht deshalb jeder Datenpunkt eine verständliche Herkunft: eine stabile Tier- oder Maschinenkennung, einen Zeitstempel, die Messmethode, die Einheit, die Aktualität und eine Aussage darüber, wie sicher die Zuordnung ist. Bei räumlichen Daten kommen Koordinatensystem und Position hinzu. Ohne diese Angaben kann eine Plattform viele Daten anzeigen, aber kaum zuverlässig entscheiden, ob zwei Beobachtungen dasselbe Tier, denselben Bereich oder denselben Vorgang betreffen.

Aus einer Zahl wird erst mit Kontext eine Situation.

^{Infografik: Identität, Zeit, Ort und Messqualität machen aus einem Signal einen Hinweis, den ein Mensch prüfen kann | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Betriebe und Lösungsanbieter wird das wichtig, sobald KI mehrere Quellen zusammenliest. Ein Sprachmodell kann eine Zusammenfassung formulieren oder Einträge aus Herdenmanagement und Arbeitsprotokollen finden. Es kann aber keine fehlende Sensorinformation nachträglich erzeugen und darf eine unsichere Zuordnung nicht als Tatsache ausgeben. Ein Beispiel: 20 Minuten ohne Bewegung lassen sich isoliert nicht bewerten. War das Tier im Liegebereich, wurde es im Melkstand registriert, ist der Sensor noch aktiv, und wie verhält sich dieses Tier üblicherweise zu dieser Tageszeit? Erst die Kombination aus Historie, Stallkontext und Messqualität ergibt einen sinnvollen Hinweis, den eine Person bei Bedarf vor Ort prüft.

Systeme sollten deshalb sichtbar machen, was gemessen, was abgeleitet und was unbekannt ist. Diese Lesbarkeit entscheidet, ob ein Alarm Vertrauen schafft oder Alarmmüdigkeit auslöst. Ein Alarm, der regelmäßig ohne Befund bleibt, wird nach wenigen Wochen ignoriert, auch wenn er im entscheidenden Moment richtig liegt. Warum die Verbindung der Quellen dabei die eigentliche Hürde ist, zeigt das nächste Kapitel.

• Ein Messwert wird erst im Kontext zu einer Information.
• Rohdaten brauchen Identität, Zeit, Ort und Messkontext.
• Ein Warnsignal ist ein Hinweis, die Diagnose stellt ein Mensch.
• KI kann fehlende Messungen nicht nachträglich erzeugen.
• Sichtbare Unsicherheit schafft Vertrauen in Warnungen.

Aus Zahlen werden damit prüfbare Situationen, und die Grenze zwischen Beobachtung, Interpretation und Diagnose bleibt klar erkennbar.

Die eigentliche Hürde heißt Integration

Auf vielen Höfen existieren die Bausteine bereits, doch sie sprechen nicht automatisch dieselbe Sprache. Ein Sensorhersteller führt seine Daten in einer eigenen App, der Melkroboter in einer anderen Plattform, das Maschinenterminal in einem dritten System. Der Landwirt sucht Informationen, wechselt zwischen Bildschirmen und stellt Zusammenhänge selbst her. Es entstehen Informationsinseln, die jeweils für sich funktionieren, gemeinsam aber kaum Zusammenhänge zeigen. Jede weitere App ohne klares Übergabemodell vergrößert dieses Problem.

Die Landwirtschaft kennt den Wert gemeinsamer Schnittstellen seit Langem. Die internationale Norm ISO 11783, in der Praxis als ISOBUS bekannt, legt ein Datennetz für Kommunikation und Steuerung zwischen Traktoren und Anbaugeräten fest. Sie beschreibt den Austausch zwischen Sensoren, Aktoren, Steuerungselementen und Anzeigeeinheiten.^[5] Das ist ein wichtiger Präzedenzfall, denn eine standardisierte Verbindung bringt Maschinen unterschiedlicher Hersteller in einen gemeinsamen Arbeitsablauf. ISOBUS deckt allerdings einen definierten Ausschnitt ab. Tierdatenbanken, Kameras, Stallklima, Arbeitsaufträge und autonome Roboter benötigen zusätzliche Schnittstellen.

Hinzu kommen Rechtsfragen. Seit dem 12. September 2025 gilt in der EU der Data Act. Er regelt den Zugang zu und die Nutzung von Daten, die bei der Nutzung vernetzter Produkte und verbundener Dienste entstehen.^[6] Welche Rechte im Einzelfall greifen, hängt von Produkt, Vertrag und Beteiligten ab. Klar ist: Wenn Betriebsdaten, Tierkennungen und Maschinenprotokolle in verschiedenen Verträgen stecken, wird aus technischer Kompatibilität noch keine praktische Zusammenarbeit der Systeme. Die Zugänglichkeit der Daten gehört deshalb früh in die Planung.

Integration ist eine Architektur, kein weiteres Dashboard.

^{Infografik: Verbindungen, ein gemeinsames Datenmodell und kontrollierte Aktionen bilden zusammen die Grundlage jeder vernetzten Farm | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Betriebe ergibt sich daraus eine Architektur aus drei Ebenen: verlässliche Verbindungen zu vorhandenen Systemen, ein gemeinsames Datenmodell mit Identitäten und Kontext sowie kontrollierte Funktionen, die Informationen in Aktionen überführen. Zwischen diesen Ebenen muss nachvollziehbar sein, wer etwas ausgelöst hat und auf welcher Grundlage. Dazu gehören geplante Ausweichwege für den Fall, dass ein Sensor ausfällt, die Verbindung abbricht oder eine Maschine ein Kommando nicht bestätigt. Ebenso wichtig ist die Frage, wie ein Betrieb den Anbieter wechseln kann, ohne seine Daten zu verlieren. Auch Versionsstände gehören dokumentiert, denn ein Software-Update an einer Maschine kann die Bedeutung eines Datenfelds verändern. Datensouveränität wird damit zur Voraussetzung für langfristige Investitionssicherheit.

Ein vernetzter Thermostat im Haushalt kommuniziert mit einer Heizung. Ein Hof ist komplexer, weil mehr Beteiligte, größere Flächen, lebende Tiere und sicherheitsrelevante Maschinen zusammenkommen. Das Prinzip bleibt dasselbe: Offene, geprüfte Übergaben sind wertvoller als ein weiteres isoliertes Dashboard. Welche Rolle KI-Agenten auf dieser Grundlage übernehmen können, zeigt das nächste Kapitel.

• Viele Hofsysteme arbeiten heute in getrennten Plattformen.
• ISOBUS zeigt, dass Maschinenstandards in der Landwirtschaft etabliert sind.
• Tierdaten, Kameras und Roboter brauchen weitere Schnittstellen.
• Der EU Data Act regelt seit 2025 den Zugang zu Gerätedaten.
• Ausweichwege und Datensouveränität gehören in jede Architektur.

Integration ist damit mehr als ein gemeinsamer Stecker. Sie verbindet Technik, Datenrechte und Verantwortung zu einem Ablauf, dem ein Betrieb vertrauen kann.

KI-Agenten verbinden Beobachtung und Arbeitsablauf

Ein klassisches Überwachungssystem meldet meist, dass ein Grenzwert überschritten wurde. Ein KI-Agent geht einen Schritt weiter. Gemeint ist eine Software, die auf Basis künstlicher Intelligenz mehrere Informationsquellen zusammenfasst, eine passende Aufgabe vorbereitet, die zuständige Person informiert und die Bearbeitung dokumentiert. Die Software liefert damit mehr als ein weiteres Signal. Sie koordiniert einen begrenzten Arbeitsablauf.

Im Herdenalltag könnte das so aussehen: Ein Sensor erkennt eine Veränderung im Aktivitätsmuster. Die Plattform prüft, ob für das identifizierte Tier weitere Beobachtungen vorliegen. Der Agent erstellt eine kurze Zusammenfassung, ordnet sie einer zuständigen Person zu und schlägt eine Kontrolle vor. Nach der Rückmeldung aktualisiert das System den Vorgang und fragt bei Bedarf eine tierärztliche Untersuchung an. Der Agent organisiert Informationen und Übergaben, die fachliche Beurteilung bleibt bei den Menschen. So entsteht ein geschlossener Kreislauf aus Beobachtung, Aufgabe, Rückmeldung und Dokumentation, der später auch für Auswertungen und Nachweise genutzt werden kann.

Die Forschung beschreibt diese Entwicklung als Übergang zur digitalen Tierhaltung. Suresh Neethirajan und Bas Kemp ordneten 2021 ein, wie Sensoren, Datenanalyse und künstliche Intelligenz in der Tierhaltung zusammenwirken.^[7] Eine 2026 erschienene Übersichtsarbeit in der Fachzeitschrift Animal Bioscience behandelt die Integration von KI und neuen Technologien als nächsten Schritt der Präzisionstierhaltung.^[8] Das Potenzial wächst, wenn verteilte Informationen in natürlicher Sprache zugänglich werden. Ein Betriebsleiter könnte fragen, welche Tiere heute mehrere Warnungen erhalten haben oder welche Kontrollaufgaben noch offen sind. Sprachmodelle eignen sich dabei als flexible Schnittstelle und Zusammenfasser. Echtzeitsteuerungen, sicherheitskritische Maschinenfunktionen und Diagnosen brauchen dagegen geprüfte, regelbasierte Komponenten und fachliche Validierung. Die Grenze verläuft dort, wo eine Fehlentscheidung Tiere, Menschen oder Maschinen gefährden kann.

Der Agent organisiert, der Mensch entscheidet.

^{Infografik: Ein KI-Agent verbindet Beobachtung, Aufgabe und Dokumentation, die fachliche Beurteilung bleibt beim Menschen | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Betriebe entscheidet sich der Nutzen eines Agenten an seiner Berechtigungsmatrix. Lesen, zusammenfassen, empfehlen, einen Arbeitsauftrag anlegen und eine Maschine starten sind unterschiedliche Rechte. Ein System kann zum Beispiel einen Kontrollauftrag automatisch vorbereiten, ihn aber erst nach Bestätigung durch eine berechtigte Person absenden. Jeder Schritt bleibt nachvollziehbar: Welche Beobachtung hat den Vorgang gestartet, warum wurde diese Person benachrichtigt, und was muss noch ein Mensch entscheiden? Solche Grenzen schaffen Vertrauen, weil Mitarbeitende wissen, was die Software selbstständig erledigt und wo sie bewusst die Kontrolle behalten.

Der Agent ist damit eine Koordinationsschicht, die so gut arbeitet wie die Daten, Regeln und Schnittstellen unter ihr. Ohne nachvollziehbaren Ablauf wird Automatisierung schwer zu kontrollieren und schwer zu verbessern. Was geschieht, wenn diese Schicht reale Maschinen einbezieht, zeigt das nächste Kapitel.

• KI-Agenten bündeln Informationen und koordinieren Aufgaben.
• Die fachliche Beurteilung bleibt bei den zuständigen Menschen.
• Sprachmodelle eignen sich als Schnittstelle und Zusammenfasser.
• Lesen, empfehlen und auslösen sind getrennte Rechte.
• Jeder Agentenschritt braucht einen nachvollziehbaren Nachweis.

Ein gut definierter Agent macht den Hof damit übersichtlicher und lässt die Verantwortung dort, wo sie hingehört.

Physical AI bringt Entscheidungen in die Farm

Sobald Software reale Geräte einbezieht, sprechen Fachleute von Physical AI, also künstlicher Intelligenz, die in der physischen Welt wahrnimmt und handelt. Auf dem Hof kann das ein autonomer Futterschieber sein, ein Melkroboter, ein fahrerloses Transportfahrzeug, eine Drohne zur Flächenbeobachtung oder ein Roboter für festgelegte Stallaufgaben. Diese Maschinen besitzen eigene Sensorik und lokale Steuerungen. Sie nehmen ihre Umgebung wahr, planen Bewegungen in einem begrenzten Aufgabenrahmen und führen sie aus. Viele dieser Maschinen sind bereits im Einsatz, oft jedoch als Einzellösungen mit eigener Bedienung.

Die Besonderheit liegt im physischen Umfeld. Eine Maschine bewegt sich zwischen Menschen, Tieren, Türen, Geräten und wechselnden Bodenbedingungen. Sie muss Objekte räumlich zuordnen, Bewegungen sicher planen und bei Hindernissen oder unklaren Beobachtungen in einen sicheren Zustand wechseln. Ein Stall stellt dabei höhere Anforderungen als eine aufgeräumte Fabrikhalle, denn Licht, Staub, Feuchtigkeit und Tiere, die sich unvorhersehbar bewegen, verändern die Lage laufend. Reaktionszeit der Steuerung, Qualität der lokalen Sensoren und ein verlässlicher Not-Aus sind dabei mindestens so wichtig wie die Intelligenz des übergeordneten Agenten. Standardisierte Kommunikation wie ISOBUS erleichtert koordinierte Abläufe, berechtigt aber keinen KI-Agenten, jede Maschine eigenständig zu kommandieren.^[5]

Die EU hat diese Entwicklung in ihre neue Maschinenverordnung aufgenommen, die ab dem 20. Januar 2027 gilt. Sie enthält Anforderungen an autonome mobile Maschinen, die in einem festgelegten Arbeitsbereich arbeiten und über eine Aufsichtsfunktion gestoppt, neu gestartet oder in einen sicheren Zustand gebracht werden können. Maschinen mit selbstlernendem Verhalten auf Basis von maschinellem Lernen müssen zudem von einer benannten Stelle geprüft werden, und ein Verbindungsabbruch darf nicht zu einer gefährlichen Situation führen.^[9] Für Hersteller autonomer Landtechnik entsteht damit ein klarer Planungshorizont.

Der Agent plant, die Maschine prüft und hält im Zweifel an.

^{Infografik: Physical AI braucht eine lokale Sicherheitssteuerung, die Kommandos ablehnen, abbrechen und an Menschen übergeben kann | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Betriebe und Landtechnikhersteller folgt daraus eine klare Architektur, in der Planung und Ausführung getrennt sind. Ein Agent kann einen Einsatz vorschlagen oder eine Aufgabe an ein freigegebenes Flottenmanagement übergeben. Die lokale Maschinensteuerung prüft anschließend, ob alle Bedingungen erfüllt sind, und kann das Kommando ablehnen, abbrechen oder an einen Menschen weitergeben. Arbeiten mehrere Maschinen zusammen, etwa Futterschieber, Reinigungsfahrzeug und Transportroboter, brauchen sie abgestimmte Wege, Prioritäten und Regeln für Begegnungen mit Tieren und Beschäftigten. Der Hof braucht gewissermaßen ein Orchester, in dem jedes Instrument eigene Noten und eine sichere Möglichkeit zum Anhalten hat.

Drohnen zeigen zudem, dass manche Fähigkeiten erst mit physischer Infrastruktur entstehen. Eine KI kann Tierbewegungen nur verfolgen, wenn eine Drohne oder Kamera die nötigen Bilddaten erfasst. Der Agent interpretiert vorhandene Daten, die Messplattform ersetzt er nicht. Wie diese Daten räumlich zusammenfinden, zeigt das nächste Kapitel.

• Physical AI verbindet Softwareentscheidungen mit realen Maschinen.
• Lokale Sicherheitssteuerung hat Vorrang vor dem übergeordneten Agenten.
• Die EU-Maschinenverordnung regelt ab 2027 autonome mobile Maschinen.
• Planung und Ausführung bleiben technisch getrennt.
• Daten entstehen nur dort, wo Sensoren und Kameras sie erfassen.

Physical AI wird damit zum Zusammenspiel aus Raumwahrnehmung, Kommunikation, lokaler Kontrolle und menschlicher Aufsicht.

Der digitale Zwilling macht den Betrieb lesbar

Ein digitaler Zwilling ist ein digitales Abbild von etwas Realem, mit dem sich arbeiten, prüfen und planen lässt. Auf dem Hof wäre er mehr als ein 3D-Modell des Stalls. Er verknüpft Tiere, Bereiche, Maschinen, Sensoren, Aufgaben und Betriebszustände in einer gemeinsamen räumlichen und zeitlichen Ansicht. Wer eine Warnung erhält, erkennt sofort, auf welches Tier sie sich bezieht, wo es sich zuletzt befand, welche Sensoren beteiligt waren und wer als Nächstes handeln soll. Damit beantwortet er die Frage, die im Alltag am häufigsten Zeit kostet: Was ist wo, und was ist als Nächstes zu tun?

Der räumliche Kontext ist für autonome Systeme grundlegend. Eine Punktwolke, also eine dreidimensionale Vermessung aus Millionen einzelner Punkte, oder ein Kamerabild wird erst nützlich, wenn Geometrie mit Bedeutung verbunden wird: Dieser Bereich ist ein Futtergang, diese Position gehört zum Melkstand, diese Markierung beschreibt ein bestimmtes Tier, dieser Weg ist für Fahrzeuge gesperrt. So wird aus einer Darstellung ein Arbeitskontext, den Menschen prüfen und Maschinen für klar definierte Aufgaben nutzen können.

Die Forschung arbeitet seit Jahren an diesem Ansatz. Tomas Norton, Daniel Berckmans und Kollegen beschrieben 2019 digitale Repräsentationen als Weg, wichtige Verhaltensweisen und Ereignisse systematisch zu erfassen und Tiere in wachsenden Betrieben näher an die Aufmerksamkeit des Landwirts zu bringen.^[10] Das 2024 vorgestellte Framework IUMENTA untersucht digitale Zwillinge einzelner Tiere und verknüpft Messungen mit Modellen biologischer Prozesse.^[11] Es handelt sich um einen Forschungsansatz. Vollständige, fachlich validierte Zwillinge für jedes Nutztier sind heute noch nicht verfügbar.

Der Zwilling zeigt nicht nur Orte, sondern auch, wie aktuell sie sind.

^{Infografik: Ein Farm-Zwilling wird zur Arbeitsoberfläche, wenn er Aktualität und Datenlücken genauso zeigt wie Tiere und Aufgaben | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Betriebe bedeutet das, den Umfang eines Farm-Zwillings klar zu begrenzen. Ein erster Anwendungsfall kann einen Stallbereich und einen Prozess abbilden, etwa Futteraufnahme, Klimaüberwachung, Tierbewegung oder Maschinenkoordination. Der Zwilling muss Aktualität und Datenlücken zeigen: Eine Position, die seit Stunden nicht aktualisiert wurde, darf nicht wie eine Live-Anzeige wirken, und widersprüchliche Quellen müssen erkennbar bleiben. Zudem verändert sich der Betrieb. Neue Trennwände, umgestellte Futterplätze oder eine neue Maschine machen ein Modell ohne Pflege schnell veraltet. Versionsstand, Aktualisierungsprozess und Verantwortlichkeit gehören deshalb von Anfang an zum Konzept. Ein kleiner, gut gepflegter Zwilling eines Stallabschnitts ist deshalb oft wertvoller als ein vollständiges, aber veraltetes Modell des ganzen Hofs.

Im besten Fall bündelt der Zwilling Informationen, macht Zusammenhänge sichtbar und wird zur gemeinsamen Arbeitsoberfläche für Mensch, Agent und Maschine. Ob die dort gezeigten Daten dem Tier tatsächlich dienen, ist eine eigene Frage, um die es im nächsten Kapitel geht.

• Ein Farm-Zwilling verknüpft Raum, Daten und Aufgaben.
• Geometrie wird erst mit Bedeutung zum Arbeitskontext.
• Forschungsansätze wie IUMENTA sind noch keine Gesamtsysteme.
• Aktualität und Datenlücken müssen sichtbar sein.
• Ein kleiner, gepflegter Zwilling schlägt ein großes, veraltetes Modell.

Der digitale Zwilling ergänzt damit den Gang durch den Stall und bündelt Informationen genau dort, wo sie gebraucht werden.

Tierwohl muss gemessen und geprüft werden

Tierwohl umfasst mehr als die Werte, die ein Sensor erfasst. Ein System kann Aktivität, Futteraufnahme oder Körperwerte messen und dennoch wichtige Aspekte übersehen: soziale Beziehungen, Komfort, Schmerz, Stress oder die Möglichkeit zu positivem Verhalten. Die entscheidende Frage lautet deshalb, ob die gemessenen Indikatoren die Lebensbedingungen des Tieres tatsächlich verbessern. Gerade die positiven Seiten des Tierlebens, etwa Ruhe, Spiel oder soziale Nähe, sind technisch schwerer zu erfassen als Krankheitsanzeichen.

Die Wissenschaft benennt Chancen und Risiken gleichermaßen. Präzisionstierhaltung kann Abweichungen früher sichtbar machen und die Aufmerksamkeit für einzelne Tiere erhöhen. Ein britisches Forschungsteam hat 2022 jedoch zwölf Risiken für das Tierwohl zusammengetragen, darunter technische Ausfälle und die Gefahr, dass Technik die direkte Beobachtung und den Kontakt zwischen Mensch und Tier verdrängt.^[12] Suresh Neethirajan beschrieb 2023 zudem die ethischen Fragen der digitalen Tierhaltung, von der Verantwortung für Daten bis zu den Folgen für die Beziehung zwischen Mensch und Tier.^[13] Beide Arbeiten machen deutlich, dass der Nutzen der Technik davon abhängt, wie sie im Alltag eingesetzt wird.

Jeder Wohlfahrtsindikator braucht deshalb eine fachliche Definition und eine Prüfung im Betrieb. Was bedeutet eine ungewöhnliche Fresspause im konkreten Stall? Wie groß muss eine Abweichung sein, bevor ein Mensch benachrichtigt wird? Wie oft liegt das System daneben, und welche Tiere oder Situationen erkennt es schlechter? Die Antworten müssen im realen Betrieb überprüft werden, nicht nur im Labor oder an einem ausgewählten Datensatz. Werden Warnungen zu häufig oder unverständlich, sinkt das Vertrauen. Ein Pilotbetrieb sollte deshalb von Beginn an festhalten, welche Warnungen sich bestätigt haben und welche nicht.

Messbarkeit und Tierwohl sind nicht dasselbe.

^{Infografik: Sensoren erfassen einen Teil des Tierwohls, den Rest sieht der Mensch bei der Beobachtung im Stall | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Betriebe heißt das, einen Pilot gleichzeitig an Tier-, Arbeits- und Systemkennzahlen zu messen. Dazu gehören die Zeit bis zur Kontrolle, bestätigte und unbestätigte Alarme, Reaktionszeiten, wiederholte Warnungen, tatsächlich ergriffene Maßnahmen und die Rückmeldungen des Hofteams. Wo möglich, sollten Indikatoren für positives Wohlbefinden ergänzt werden, statt ausschließlich Krankheit und Leistungsabweichung zu erfassen. Hinzu kommt die Frage, wie gewonnene Zeit genutzt wird: für gezielte Beobachtung und Pflege oder für mehr Tiere pro Beschäftigtem. Die technische Wirkung wird erst dann zu einer Verbesserung, wenn Mitarbeitende weiterhin Gelegenheit haben, einzelne Tiere wahrzunehmen.

Digitale Beobachtung ist wertvoll, wenn sie Aufmerksamkeit erweitert und bessere Entscheidungen ermöglicht. Ein Beweis für gute Haltung ist sie für sich genommen noch nicht. Wer in unklaren Momenten entscheidet, beantwortet das nächste Kapitel.

• Tierwohl umfasst mehr als messbare Körperwerte.
• Fehlalarme und übersehene Fälle müssen im Betrieb ausgewertet werden.
• Technik ergänzt die direkte Beobachtung und den Kontakt zum Tier.
• Gute Pilotprojekte messen Tier-, Arbeits- und Systemkennzahlen.
• Gewonnene Zeit sollte dem einzelnen Tier zugutekommen.

Technik unterstützt Landwirte dann am besten, wenn sie ein gutes Leben der Tiere ermöglicht und Tierwohl nicht auf das reduziert, was eine Kamera oder ein Halsband leicht messen kann.

Autonomie braucht klare Grenzen und Übergaben

Der entscheidende Test eines autonomen Systems ist der Moment, in dem etwas Unerwartetes geschieht. Ein Tier verhält sich anders als prognostiziert, ein Sensor liefert widersprüchliche Signale, eine Maschine erreicht einen gesperrten Bereich, oder die Verbindung zu einem anderen System bricht ab. Dann muss erkennbar sein, ob die Software weiterarbeitet, anhält oder eine Person hinzuzieht.

Eine gute Übergabe nennt die zuständige Person, die Dringlichkeit, den Grund des Alarms, die verwendeten Beobachtungen und den nächsten sicheren Schritt. Sie dokumentiert außerdem, was bereits erledigt wurde, sodass niemand bei null beginnen muss. Gerade für kleinere Betriebe ist das entscheidend: Ein Alarm nützt wenig, wenn unklar bleibt, wer ihn erhält, wie die Aufgabe bestätigt wird und wann sie als gelöst gilt. Beschäftigte müssen Empfehlungen verstehen, hinterfragen und übersteuern können.

Auch der rechtliche Rahmen setzt auf menschliche Kontrolle. Artikel 14 der europäischen KI-Verordnung, des AI Act, verlangt eine wirksame menschliche Aufsicht über KI-Systeme, die als Hochrisiko-Systeme eingestuft sind.^[14] Daraus folgt keine pauschale Einstufung jeder KI-Anwendung auf einem Hof, entscheidend sind Verwendungszweck und regulatorische Einordnung. Für autonome Maschinen gelten zusätzlich die Anforderungen der Maschinenverordnung an Aufsichtsfunktionen und sichere Zustände.^[9] Unabhängig davon ist menschliche Kontrolle in der Tierhaltung eine zentrale Gestaltungsanforderung.

Autonomie wächst Stufe für Stufe, die Aufsicht bleibt.

^{Infografik: Ein Hof führt Autonomie schrittweise ein und legt für jede Stufe Zuständigkeit und Rückfallmodus fest | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

^{Übersicht: Autonomiegrade nach der möglichen Folge einer Entscheidung, eigene Einordnung auf Basis der zitierten Quellen | Tabelle: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Betriebe ergibt sich daraus eine gestufte Einführung. Zuerst beobachtet und dokumentiert das System, dann gibt es Hinweise, danach führt es klar begrenzte Routinen aus, und erst nach nachgewiesener Zuverlässigkeit übernimmt es weitere Aufgaben. Für jede Stufe werden Verantwortungsbereich und Rückfallmodus festgelegt. Der Autonomiegrad richtet sich nach der möglichen Folge einer Entscheidung, wie die Übersicht unter der Grafik zeigt. Jede Entscheidung braucht eine klare Zuständigkeit, auch wenn der Grad der Aufsicht von Aufgabe zu Aufgabe verschieden ist.

Die richtige Frage lautet deshalb, welche Entscheidungen sicher automatisiert werden können, welche Eskalationsschwelle gilt und wie schnell eine qualifizierte Person eingreifen kann. Wie sich diese Gedanken in einem Bild verdichten, zeigt das folgende Video.

• Unerwartete Situationen sind der Härtetest für Autonomie.
• Übergaben nennen Person, Grund, Dringlichkeit und nächsten Schritt.
• Der AI Act verlangt menschliche Aufsicht über Hochrisiko-KI.
• Autonomie wird schrittweise und nach Folgen gestuft eingeführt.
• Menschen müssen Empfehlungen verstehen und übersteuern können.

Die Farm der Zukunft wird leistungsfähiger, wenn Technik den Menschen die richtigen Informationen zur richtigen Zeit liefert und Routinearbeit verlässlich übernimmt.

Vom Datenpunkt zur verständlichen Farm im Video

Ausgangspunkt dieses Beitrags war ein Video, das im Rahmen der täglichen Analysen von Ulrich Buckenlei auf LinkedIn erschien und eine lebhafte Fachdiskussion auslöste. Es zeigt, wie einzelne Tiere visuell markiert werden, Fütterungsinformationen im räumlichen Kontext erscheinen und ein Dashboard die Betriebsdaten zusammenführt.

Die Animation macht anschaulich, warum ein räumliches Bild mehr leisten kann als eine Liste aus Sensorwerten. Wer sofort erkennt, welches Tier und welcher Stallbereich gemeint ist, kann einen Hinweis leichter einordnen und eine Kontrolle gezielter planen. Sie ist als Zukunftsbild zu lesen. Ob jedes dargestellte Element bereits als integriertes Produkt verfügbar ist, lässt sich aus dem Video nicht ableiten.

Die Forschung zur kameragestützten Tierüberwachung bestätigt die Richtung und benennt zugleich offene Aufgaben. Eine systematische Übersicht zu bildbasierten Verfahren für Tiere auf großen Außenflächen beschreibt die technischen Herausforderungen in jedem Schritt der Bildverarbeitung.^[15] Eine Auswertung von 58 öffentlichen Bilddatensätzen für die Präzisionstierhaltung zeigt einen Mangel an hochwertig annotierten, vielfältigen Daten und fehlende Kontextinformationen.^[16] Berührungslose Sensorik gilt dennoch als wichtiger Baustein smarter Betriebe.^[17]

^{Video: Zukunftsbild einer vernetzten Farm mit markierten Tieren, räumlich eingeblendeten Fütterungsdaten und Betriebs-Dashboard | Visuals by original creators | Analyse, Sprechertext, Redaktion und Videobearbeitung: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Bemerkenswert ist, wie klar das Video die eigentliche Systemfrage stellt: Wie werden Bilddaten, Tieridentität, Herdenmanagement, Maschinenzustand und menschliche Rückmeldung zu einem nachvollziehbaren Arbeitsablauf? Genau darin liegt sein Wert als Ausgangspunkt für eine technische Diskussion.

Zur Einordnung gehört ebenso: Eine visuelle Markierung beweist noch nicht, dass ein Problem korrekt erkannt oder diagnostiziert wurde. Ein reales Projekt müsste die gezeigten Funktionen einzeln prüfen, Datenquellen benennen, Genauigkeit messen und klar zeigen, wo ein Mensch entscheidet.

• Das Video zeigt markierte Tiere und räumlich eingeblendete Daten.
• Räumliche Bilder machen Hinweise schneller verständlich.
• Die Animation ist ein Zukunftsbild, kein Produktnachweis.
• Bildbasierte Verfahren brauchen mehr vielfältige, annotierte Daten.
• Jede gezeigte Funktion muss im Betrieb einzeln geprüft werden.

Das Video macht sichtbar, was die Kapitel beschreiben: Die autonome Farm entsteht dort, wo Daten, Raum und menschliche Entscheidung zusammenfinden.

Sie kennen Ihren Hof, wir verbinden Daten und Raum

Ein erfolgreicher Farm-Pilot entsteht aus zwei Arten von Wissen. Der Betrieb kennt seine Tiere, Abläufe und Engpässe. Für die Umsetzung braucht es Erfahrung mit Schnittstellen, 3D-Daten, digitalen Zwillingen und räumlichen Oberflächen, die Menschen ohne lange Einarbeitung verstehen. Genau diese Verbindung bildet den Kern der Arbeit der VISORIC GmbH.

Seit mehr als 15 Jahren entwickelt das Münchner Expertenteam Anwendungen in 3D, KI und XR für Unternehmen vom Mittelstand bis zum DAX-Konzern. VISORIC führt Daten und Abläufe in einer verständlichen räumlichen Oberfläche zusammen und nutzt dafür die Plattform XR Stager, im Browser, auf großen Displays oder in XR. Für die Landwirtschaft heißt das: einen begrenzten Anwendungsfall konzipieren und seinen Nutzen gemeinsam mit den späteren Anwendern prüfen.

Hofwissen und Technologiewissen ergeben gemeinsam einen belastbaren Pilot.

^{Bild: Der Betrieb bringt Tiere, Abläufe und Ziele ein, das Expertenteam Daten, Raum und Schnittstellen | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Der Einstieg muss dabei nicht groß sein. Sinnvoll ist ein einzelner Prozess, in dem Daten bereits vorhanden sind, etwa die Priorisierung von Tierwohlkontrollen oder die Übergabe eines Maschinenhinweises an die richtige Person. Gemessen werden technische Qualität, Arbeitsaufwand und Reaktionszeit, bestätigte und übersehene Warnungen sowie die Wirkung auf Tierwohl und Kosten. Forschung aus Sicht der Landwirte zeigt, dass die Akzeptanz solcher Systeme von Gestaltung, Datenzugriff und tatsächlichem Nutzen abhängt.^[18] Auch Vertrauen und Risikowahrnehmung prägen, ob Betriebe Präzisionstechnik einsetzen.^[19] Eine Fallstudie aus Deutschland zeigt zudem, dass Investitionskosten die Verbreitung mitbestimmen.^[20]

• Bestandsaufnahme von Daten, Schnittstellen und Zuständigkeiten.
• Räumliche Oberfläche für einen klar begrenzten Stallbereich.
• Pilot mit vorab vereinbarten Kennzahlen und klaren Übergaben.

Gerade weil die EU mit ihrer ersten Nutztierstrategie 2026 die Widerstandsfähigkeit und Wettbewerbsfähigkeit der Tierhaltung in den Mittelpunkt gerückt hat, ist jetzt ein guter Zeitpunkt, vorhandene Bausteine gezielt zu verbinden.^[21]

Wie weit darf Autonomie auf Ihrem Hof gehen, wenn Tierwohl, Wirtschaftlichkeit und Verantwortung gleichzeitig zählen?

Sprechen Sie mit dem VISORIC Expertenteam in München. Gemeinsam sichten wir Ihre Datenlage, wählen einen geeigneten Prozess aus und entwickeln einen Pilot, der nach wenigen Wochen zeigt, ob er die tägliche Arbeit tatsächlich erleichtert.

Kontakt:

E-Mail: info@visoric.com
Telefon: +49 89 21552678

Quellen und Referenzen

1. Wathes, C. M., Kristensen, H. H., Aerts, J.-M., Berckmans, D. Is precision livestock farming an engineer’s daydream or nightmare, an animal’s friend or foe, and a farmer’s panacea or pitfall? Computers and Electronics in Agriculture 64(1), 2-10, 2008. doi.org/10.1016/j.compag.2008.05.005.
2. Berckmans, D. General introduction to precision livestock farming. Animal Frontiers 7(1), 6-11, 2017. doi.org/10.2527/af.2017.0102.

3. Rutten, C. J., Velthuis, A. G. J., Steeneveld, W., Hogeveen, H. Invited review. Sensors to support health management on dairy farms. Journal of Dairy Science 96(4), 1928-1952, 2013. doi.org/10.3168/jds.2012-6107.
4. Kleen, J. L., Guatteo, R. Precision Livestock Farming. What Does It Contain and What Are the Perspectives? Animals 13(5), 779, 2023. doi.org/10.3390/ani13050779.

5. ISO. ISO 11783-1:2017, Tractors and machinery for agriculture and forestry, Serial control and communications data network. Bestätigt 2023. iso.org/standard/57556.html.
6. Europäische Union. Verordnung (EU) 2023/2854 (Data Act) über harmonisierte Vorschriften für einen fairen Datenzugang und eine faire Datennutzung. eur-lex.europa.eu/eli/reg/2023/2854/oj.

7. Neethirajan, S., Kemp, B. Digital Livestock Farming. Sensing and Bio-Sensing Research 32, 100408, 2021. doi.org/10.1016/j.sbsr.2021.100408.
8. Tedeschi, L. O., Guarnido-Lopez, P., Menendez, H. M., Seo, S. Advancing precision livestock farming. Integrating artificial intelligence and emerging technologies for sustainable livestock management. Animal Bioscience 39(4), 2026. doi.org/10.5713/ab.25.0289.

9. Europäische Union. Verordnung (EU) 2023/1230 über Maschinen, einschließlich grundlegender Sicherheits- und Gesundheitsschutzanforderungen und sicherheitsrelevanter Steuerungen. Gilt ab 20. Januar 2027. eur-lex.europa.eu.

10. Norton, T., Chen, C., Larsen, M. L. V., Berckmans, D. Precision livestock farming. Building digital representations to bring the animals closer to the farmer. Animal 13(12), 3009-3017, 2019. doi.org/10.1017/S175173111900199X.
11. Youssef, A. et al. IUMENTA. A generic framework for animal digital twins within the Open Digital Twin Platform. arXiv-Preprint, 2024. arxiv.org/abs/2411.10466.

12. Schillings, J., Bennett, R., Rose, D. C. Twelve Threats of Precision Livestock Farming for Animal Welfare. Frontiers in Veterinary Science 9, 889623, 2022. doi.org/10.3389/fvets.2022.889623.
13. Neethirajan, S. The Significance and Ethics of Digital Livestock Farming. AgriEngineering 5(1), 488-505, 2023. doi.org/10.3390/agriengineering5010032.

14. Europäische Union. Verordnung (EU) 2024/1689 (AI Act), Artikel 14, Menschliche Aufsicht. eur-lex.europa.eu/eli/reg/2024/1689/oj.

15. Scott, S. D. et al. Systematic Literature Review of Vision-Based Approaches to Outdoor Livestock Monitoring with Lessons from Wildlife Studies. arXiv-Preprint, 2024. arxiv.org/abs/2410.05041.
16. Bhujel, A., Wang, Y., Lu, Y., Morris, D., Dangol, M. Public Computer Vision Datasets for Precision Livestock Farming. A Systematic Survey. arXiv-Preprint, 2024. arxiv.org/abs/2406.10628.
17. Yin, M., Ma, R., Luo, H., Li, J., Zhao, Q., Zhang, M. Non-contact sensing technology enables precision livestock farming in smart farms. Computers and Electronics in Agriculture 212, 108171, 2023. doi.org/10.1016/j.compag.2023.108171.

18. Krampe, C., Ingenbleek, P. T. M., Niemi, J. K., Serratosa, J. Designing precision livestock farming system innovations. A farmer perspective. Journal of Rural Studies 111, 103397, 2024. doi.org/10.1016/j.jrurstud.2024.103397.
19. Boyer, C. N., Cavasos, K. E., Greig, J. A., Schexnayder, S. M. Influence of risk and trust on beef producers‘ use of precision livestock farming. Computers and Electronics in Agriculture 218, 108641, 2024. doi.org/10.1016/j.compag.2024.108641.
20. Munz, J., Maurmann, I., Schüle, H., Doluschitz, R. Digital transformation at what cost? A case study from Germany estimating the adoption potential of precision farming technologies under different scenarios. Smart Agricultural Technology 9, 100585, 2024. doi.org/10.1016/j.atech.2024.100585.
21. Europäische Kommission. EU-Nutztierstrategie. A strategy for a resilient, competitive and sustainable livestock sector, 2026. agriculture.ec.europa.eu.
22. VISORIC Praxisprojekte in den Bereichen Digitale Zwillinge, Echtzeit-3D und Spatial Computing.
23. XR Stager Plattform für Echtzeit-3D, Digitale Zwillinge und industrielle Spatial-Computing-Anwendungen.