Künstliche Intelligenz im GaLaBau

Was ist Künstliche Intelligenz?

KI ist in unserem Alltag allgegenwärtig. Sie begegnet uns bei der Gesichtserkennung auf dem Smartphone, bei der Stauumfahrung mit Google Maps, bei personalisierten Musik- und Filmempfehlungen oder bei der Pflanzenerkennung anhand von Fotos. Auch der Begriff "Künstliche Intelligenz" ist nicht neu, sondern wurde bereits 1956 durch den amerikanischen Informatiker John McCarthy geprägt. Er verwendete ihn in einem Projektantrag für eine Konferenz am Dartmouth College. Im Rahmen der Veranstaltung wurden Programme präsentiert, die schon damals in der Lage waren, Schach und Dame zu spielen, mathematische Sätze zu beweisen und Texte zu interpretieren (vgl. Wichert 2021).

Das Europäische Parlament definiert Künstliche Intelligenz (KI) als "die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logisches Denken, Lernen, Planen und Kreativität zu imitieren. [. . . ] KI-Systeme sind in der Lage, ihre Umwelt wahrzunehmen, mit dem Wahrgenommenen umzugehen und Probleme zu lösen, um ein bestimmtes Ziel zu erreichen. [. . . ] Sie können ihr Handeln anpassen, indem sie die Folgen früherer Aktionen analysieren und autonom arbeiten" (Europäisches Parlament 2023).

Diese Definition beschreibt die sogenannte "schwache KI", die darauf abzielt, das menschliche Denken und technische Systeme zu unterstützen, um konkrete Anwendungsprobleme zu lösen. Im Gegensatz dazu steht die "starke KI", ein hypothetisches Konzept kognitiver Systeme, die komplexe Aufgaben selbstständig erledigen und sich ihrer selbst bewusst sein könnten. Solche Systeme existieren jedoch bislang nicht (s. Nilsson, 2009).

KI-Lösungen, wie sie heute existieren, sind eng mit den Teilbereichen des "Machine Learning" (dt. maschinelles Lernen) und "Deep Learning" (dt. mehrschichtiges Lernen) verknüpft. Bei Machine Learning werden Algorithmen darauf trainiert, Muster und Korrelationen in großen Datensätzen zu finden und damit Entscheidungen und Vorhersagen zu treffen. Diese Anwendungen verbessern sich kontinuierlich durch ihre Nutzung und werden umso präziser, je mehr Daten zur Verfügung stehen. Beispiele dafür sind personalisierte Produktempfehlungen oder Spam-Filter in E-Mail-Programmen.

Deep Learning ist eine Unterkategorie des Maschinellen Lernens und basiert auf künstlichen neuronalen Netzwerken, die dem menschlichen Gehirn nachempfunden sind. Im Gegensatz zu Maschinellem Lernen kann Deep Learning große Mengen unstrukturierter Daten verarbeiten, wie etwa bei der Erkennung von Pflanzen anhand von Bildern oder das Steuern von autonomen Fahrzeugen.

Generative KI ist ein Teilbereich des Deep Learning, der in der Lage ist, neue Inhalte wie Texte oder Grafiken auf Basis von Eingaben (Prompts) zu erzeugen. Bekannte Beispiele dafür sind ChatGPT und DALL-E von OpenAI. Die Funktionsweise dieser generativen Modelle basiert auf sogenannten Generative Pre-trained Transformers (GPT), die große Sprachmodelle (engl. Large Language Models, kurz LLMs) nutzen. Diese Modelle sind in der Lage, das wahrscheinlich nächste Wort oder den passenden Pixel basierend auf einem Eingabebefehl vorherzusagen. Um diese Leistung zu erbringen, sind sie auf die Rechenleistung von Grafikprozessoren (GPUs) angewiesen. Mit diesem Hintergrund lässt sich das enorme Wachstum des Grafikkartenherstellers NVIDIA erklären. Dieser hat sich zum Generalausstatter vieler KI-Rechenzentren entwickelt und konnte damit seinen Börsenwert um sagenhafte 460 Prozent auf 2,92 Billionen USD in den letzten 36 Monaten steigern. Im Vergleich mussten "klassische" Hersteller von Computerprozessoren wie Intel, deutliche Verluste hinnehmen (Stand: 1. September 2024).

KI im Kontext von GaLaBau 4.0

Wie die Digitalisierung ist auch die künstliche Intelligenz kein neues Phänomen, sondern ein Prozess, der seit Jahrzehnten andauert und auch in Zukunft voranschreiten wird.

Gegenwärtig befinden wir uns in der vierten industriellen Revolution. Das bedeutet, dass bisher manuelle Arbeitsschritte zunehmend durch neue digitale Technologien automatisiert werden und neue Geschäftsmodelle entstehen. Solche tiefgreifenden Veränderungen sind der Weltwirtschaft nicht fremd. Sie folgen der Tradition früherer industrieller Revolutionen – von der Dampfkraft über Elektrizität und Massenproduktion bis hin zur "Digitalen Revolution" der 1970er Jahre, als erste digitale Steuerungen eingeführt wurden.

Seitdem arbeitet auch der Garten- und Landschaftsbau daran, Informationen aus der physischen, analogen Welt in digitale Prozesse zu überführen, sprich zu "digitalisieren".

Mit den neuesten Fortschritten in Künstlicher Intelligenz und dem Internet der Dinge rückt die Vision von "GaLaBau 4.0" in greifbare Nähe.

Hintergrund: Begriff GaLaBau 4.0

GaLaBau 4.0 orientiert sich an dem Leitbild von Industrie 4.0. Es sieht vor, dass "…Durch die Verbindung von Menschen, Objekten und Systemen [. . . ] dynamische, echtzeitoptimierte und selbst organisierende, unternehmensübergreifende Wertschöpfungsnetzwerke [entstehen], die sich nach unterschiedlichen Kriterien wie beispielsweise Kosten, Verfügbarkeit und Ressourcenverbrauch optimieren lassen." (Dorst 2015).

Für die Bauwirtschaft und insbesondere den Garten-, Landschafts- und Sportplatzbau eignet sich die Definition nur bedingt. Grund dafür sind die maßgeblichen Unterschiede in den Wertschöpfungsprozessen im Vergleich zur stationären Industrie: Der GaLaBau produziert keine Massenprodukte in wetterunabhängigen Hallen, sondern fertigt Unikate in der freien Landschaft und bewegt sich dabei zwischen Dienstleistungen, Handwerk und Baugewerbe.

Um der Landschaftsbaubranche einen Leitgedanken anbieten zu können, sind dementsprechend inhaltliche und begriffliche Anpassungen der Definition nach DORST et al. (2015, S. 8) notwendig (siehe Kasten oben).

KI-Anwendungen im Garten- und Landschaftsbau

In der Praxis begegnen uns aktuell zwei Arten von KI-gestützten Anwendungen im Garten- und Landschaftsbau:

Typ 1: Künstliche Intelligenz in Produkten und Dienstleistungen

Diese KI-Lösungen können direkt erworben und genutzt werden, um bisher manuelle Arbeitsschritte zu erleichtern oder neue Geschäftsmodelle zu erschließen. Diese KI-Lösungen basieren auf externen Datenbanken, deren Inhalte bereits vorab durch Trainingsprozesse in die Lösung integriert wurden. Dadurch ist eine nachträgliche Integration eigener Daten nicht zwingend erforderlich. Ein Beispiel hierfür sind KI-basierte Pflanzplanungstools.

Typ 2: KI-Systeme mit internem Datamining

Diese Systeme konzentrieren sich darauf, Wettbewerbsvorteile zu generieren, indem sie betriebsinterne Daten analysieren und mit vortrainierten KI-Modellen auswerten. Hierbei werden eigene Datenbestände genutzt, um betriebliche Prozesse zu optimieren. Ein Anwendungsbeispiel sind KI-Kalkulationsassistenten.

Praxisbeispiele

1. Pollinator Pathmaker – Insektenfreundliche Pflanzplanung mit KI
   Das Projekt "Pollinator Pathmaker" ist ein künstlerisches und ökologisches Vorhaben, welches algorithmisch gestaltete Pflanzpläne und Pflanzenlisten erstellt. Dadurch sollen die Bedürfnisse von Bestäuberinsekten priorisiert werden. Die Webanwendung basiert auf wissenschaftlichen Erkenntnissen zu Pflanzenformen, Blühzeiten sowie den Präferenzen von Insekten, um biodiversitätsfreundliche Lebensräume zu schaffen. Die Gestaltung der Pläne erfolgt dabei nicht nach menschlichen ästhetischen Gesichtspunkten, sondern mit dem Ziel, die Fläche für Bestäuber zu optimieren. Die finale Einschätzung der gestalterischen Qualität obliegt jedoch weiterhin dem Menschen. Auch die Generierung von Entwurfsplänen und Varianten einer Freianlage mithilfe von KI könnte in Zukunft ähnlich aussehen.
2. Tevel – Obsternte mit fliegenden Drohnen
   Das israelische Unternehmen Tevel setzt autonome Drohnen ein, die in der Lage sind, den Reifegrad von Früchten wie Äpfeln, Pflaumen und Pfirsichen zu erkennen und diese zum optimalen Zeitpunkt zu ernten. Darüber hinaus überwachen die Drohnen den Gesundheitszustand der Pflanzen und identifizieren Pflegebedarf. Derartige Technologien könnten im Kontext des Garten- und Landschaftsbaus zur Bestandsüberwachung in Baumschulen sowie zur Erkennung und Behandlung von Pflanzenkrankheiten zum Einsatz kommen.
3. Effiziente Pflegetouren
   Ein simples, aber effizientes Beispiel für den Einsatz von KI ist die Routenplanung für Pflegerouten. In einem konkreten Anwendungsfall bestand die Aufgabe darin, 500 Stationen eines Energieversorgers effizient zu warten. Die Anwendung von KI-Technologien im Rahmen der Routenplanung ermöglichte die Berechnung verschiedener Szenarien sowie die Identifikation der optimalen Reihenfolge für die zu besuchenden Stopps. Dies führte zu einer Reduktion der Fahrstrecken sowie der damit verbundenen Kosten und einer Verringerung der Umweltbelastung.
4. Kalkulationsassistenten
   Die Vorkalkulation von Projekten im Garten- und Landschaftsbau kann durch KI unterstützt und beschleunigt werden. Ein Kalkulationsassistent vergleicht aktuelle Leistungsbeschreibungen mit bereits in der Branchensoftware bepreisten Positionen und berechnet die inhaltliche Übereinstimmung in Prozent. In der Folge entscheidet die Kalkulationsabteilung, welche der vorgeschlagenen Positionen in die weitere Bearbeitung einbezogen werden sollen. Die KI liefert hier eine Vorauswahl, während die endgültige Entscheidung beim Menschen bleibt.

Die eingangs im Artikel erwähnte Abkühlung des KI-Hypes aufgrund der bislang begrenzten Produktivitätssteigerungen in der betrieblichen Anwendung spiegelt sich auch im Garten- und Landschaftsbau wider. Bislang fehlen Innovationen, die das Potenzial besitzen, die Wertschöpfung im Sinne von GaLaBau 4.0 zu revolutionieren, oder sie befinden sich noch in der Entwicklung.

Die Definition von GaLaBau 4.0 wörtlich genommen bedeutet, dass die vierte industrielle Revolution in der Branche erst dann erreicht ist, wenn KI-Systeme wesentliche Prozesse der Auftragsabwicklung eigenständig übernehmen oder fundierte Entscheidungsvorlagen liefern können. In der Praxis würde dies bedeuten, dass KI den gesamten Baustellenablauf selbst organisieren kann – von der Akquise über die Arbeitsvorbereitung bis hin zur Abrechnung und Auswertung der erbrachten Leistungen. Ein solches KI-System müsste alle relevanten Datenströme innerhalb eines Betriebs überwachen und auswerten. Derzeit ist dies nicht nur im Garten- und Landschaftsbau Zukunftsmusik. Langfristig wird diese Entwicklung jedoch die technische Messlatte sein, um die Vision von Industrie 4.0 oder GaLaBau 4.0 zu verwirklichen.

Auf diesem Weg ist es entscheidend, die Ergebnisse von KI-Systemen stets kritisch zu hinterfragen. "Schwache" KI-Anwendungen, wie sie heute existieren, machen Fehler und neigen mitunter dazu, Antworten zu "halluzinieren", um ihrer Maxime, ein Ergebnis zu liefern, gerecht zu werden. Gleichwohl sind die Potenziale für die Zukunft enorm, wenn klar wird, was KI gut beherrscht und welche Routineaufgaben sich automatisieren lassen – sodass mehr Zeit für die eigentlichen Kernaufgaben bleibt. Die im Folgenden dargestellten KI-Potenziale entlang der Auftragsabwicklung im Garten- und Landschaftsbau erheben keinen Anspruch auf Vollständigkeit. Vielmehr soll durch die exemplarische Aufzählung eine Grundlage für weiterführende Überlegungen geschaffen werden (vgl. Tabelle 1).

Technische, menschliche und organisatorische Herausforderungen von GaLaBau 4.0

Nachdem in den vorangegangenen Absätzen die Potenziale und ersten Anwendungen von KI im Garten- und Landschaftsbau analysiert wurden, ist es nun essenziell, die damit verbundenen praktischen Herausforderungen zu beleuchten. Die erfolgreiche Implementierung von GaLaBau 4.0 erfordert nicht nur technisches Fachwissen, sondern auch die Berücksichtigung menschlicher und organisatorischer Faktoren.

Technische Herausforderungen – Datensilos

Eine der zentralen technischen Herausforderungen liegt in der Überwindung von Datensilos. In vielen Betrieben sind Informationen, etwa aus Tagesberichten, Eingangsrechnungen oder Fotodokumentationen, auf verschiedene Systeme verteilt. Diese Daten systematisch zu bündeln, um eine vollständige und kohärente Datengrundlage zu schaffen, ist häufig mit erheblichem Aufwand verbunden. Selbst der Einsatz von Branchensoftware führt oftmals nicht zu einem ganzheitlichen Zugriff auf alle relevanten Daten. Die Vorstellung einer zentralen KI, die sämtliche Datenströme integriert und daraus fundierte Handlungsempfehlungen ableitet, bleibt aktuell noch visionär. Die Lösung dieser Fragmentierung wird jedoch entscheidend sein, um das volle Potenzial von GaLaBau 4.0 ausschöpfen zu können (vgl. Abb. 6).

Menschliche Herausforderungen – Veränderungen auf individueller Ebene

Neben den technischen Aspekten stellt der menschliche Faktor eine wesentliche Herausforderung dar. Die Einführung von KI und digitalisierten Prozessen erfordert eine grundlegende Anpassung der Arbeitsabläufe, was bei vielen Mitarbeitenden Unsicherheiten und Widerstände hervorruft. Veränderungsprozesse verlaufen selten reibungslos, da sie oft eine Abkehr von gewohnten Strukturen und Routinen bedeuten. Hier ist es von zentraler Bedeutung, dass Führungskräfte den Wandel aktiv moderieren und mit einer klaren Kommunikation sowie Empathie begleiten. Die Akzeptanz neuer Technologien entwickelt sich schrittweise und erfordert Zeit.

Organisatorische Herausforderungen – Wandlungskoordinaten in Einklang bringen

Auf organisatorischer Ebene ist der Krüger-Kompass (s. Abb. 7) ein nützliches Managementwerkzeug, das Führungskräfte vor dem Start eines jeden Veränderungsprozesses nutzen können. Es geht dabei nicht um eine umfassende Unternehmensbefragung, sondern um die kritische Selbstreflexion. Dabei müssen drei zentrale Faktoren berücksichtigt werden: Veränderungsbedarf, Veränderungsbereitschaft und Veränderungsfähigkeit.

1. Veränderungsbedarf: Ein klarer Bedarf an Veränderung muss vorhanden sein. Nur wenn die Notwendigkeit der Veränderung deutlich erkennbar ist, lässt sich der Wandel zielgerichtet initiieren.
2. Veränderungsbereitschaft: Die Mitarbeitenden müssen bereit sein, den Veränderungsprozess zu unterstützen. Offene Kommunikation und die Einbindung der Belegschaft sind entscheidend, um Ängste und Widerstände zu minimieren.
3. Veränderungsfähigkeit: Das Unternehmen muss über die erforderlichen Ressourcen und Kompetenzen verfügen, um den Wandel umzusetzen. Fehlen diese Mittel, stagniert die Digitalisierung oder verläuft nur schleppend.

Wenn einer dieser Faktoren fehlt oder unzureichend ausgeprägt ist, entstehen typische Problemlagen:

• Veränderungsbedarf und -bereitschaft, aber keine Veränderungsfähigkeit: Das Unternehmen sieht die Notwendigkeit, verfügt jedoch nicht über die Mittel, sie umzusetzen.
• Veränderungsbedarf und -fähigkeit, aber keine Bereitschaft: Interner Widerstand verlangsamt oder blockiert die Umsetzung.
• Veränderungsbereitschaft und -fähigkeit, aber kein Bedarf: Veränderungen werden ohne klar erkennbaren Nutzen eingeführt.

Erst wenn diese drei Koordinaten im Einklang stehen, kann GaLaBau 4.0 erfolgreich implementiert und sein volles Potenzial realisiert werden (vgl. Winkler 2021, S. 55 ff.).

Eine These zum Schluss

"Gärtnern geht auch ohne Digitalisierung". Auch in 30 Jahren wird die Pflanzung eines Baumes mit den heute üblichen Arbeitsmitteln möglich sein. Die entscheidende Fragestellung, die sich jedes Unternehmen stellen muss, lautet jedoch: Bin ich in der Lage, meine Leistungen auf dem Markt zu positionieren und im erforderlichen Maße wettbewerbsfähig zu sein?

GaLaBau 4.0 stellt keinen statischen Zustand, sondern einen kontinuierlichen Prozess dar, welcher die fortlaufende Digitalisierung des eigenen Betriebs und somit die Anpassung an die sich wandelnden Rahmenbedingungen zum Ziel hat. Der Einsatz digitaler Werkzeuge und künstlicher Intelligenz darf dabei niemals Selbstzweck sein, sondern muss stets auf konkrete Unternehmensziele ausgerichtet sein. Gleichzeitig ist die Digitalisierung zu einer Daueraufgabe geworden. Die Bewältigung dieser Herausforderung erfordert die Entwicklung einer ganzheitlich wandlungsfähigen Organisation. Die effektivsten Methoden sind kleine, stetige Schritte, die sich nicht an der bloßen Verfügbarkeit digitaler Anwendungen orientieren, sondern darauf abzielen, ein betriebliches Problem zielgerichtet zu lösen.

Quellen

• Dorst, Wolfgang (2015): Übergreifende Darstellung Industrie 4.0. In: Plattform Industrie 4.0 (Hrsg.): Umsetzungsstrategie Industrie 4.0 – Ergebnisbericht der Plattform Industrie 4.0, S. 8-15. https://www.its-owl.de/fileadmin/PDF/Industrie_4.0/2015-04-10_Umsetzungsstrategie_Industrie_4.0_Plattform_Industrie_4.0.pdf (Abrufdatum: 05.07.2019)
• Efrati, Amir & Holmes, Aaron (2024): Why OpenAI Could Lose $5 Billion This Year — The Information, In: The Information: https://www.theinformation.com/articles/why-openai-could-lose-5-billion-this-year (Abrufdatum: 01.09.2024)
• Europäisches Parlament (2023): Was ist künstliche Intelligenz und wie wird sie genutzt?, In: https://www.europarl.europa.eu/topics/de/article/20200827STO85804/was-ist-kunstliche-intelligenz-und-wie-wird-sie-genutzt (Abrufdatum: 01.09.2024)
• Kagermann, Henning; Wahlster, Wolfgang; Helbig, Johannes (2013): Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0 – Abschlussbericht des Arbeitskreises Industrie 4.0.https://www.bmbf.de/files/Umsetzungsempfehlungen _Industrie4_0.pdf (Abrufdatum: 05.07.2019)
• Krüger, Wilfried (2009): Excellence in Change - Wege zur strategischen Erneuerung. 4., überarbeitete und erweiterte Auflage. Wiesbaden: Gabler/GWV Fachverlage GmbH, S. 70 und S. 157
• Menn, Andreas & Stölz, Thomas (2024): Das Ende des KI-Hypes, In: WirtschaftsWoche, https://www.wiwo.de/my/technologie/digitale-welt/kuenstliche-intelligenz-das-ende-des-ki-hypes-/29944190.html (Abrufdatum: 01.09.2024)
• Niesel, Alfred & Haderstorfer, Rudolf (2011): Unternehmensorganisation, Qualitätsmanagement. In: Haderstorfer, Rudolf; Niesel, Alfred; Thieme-Hack, Martin (Hrsg.): Der Baubetrieb – Landschaftsarchitektur und Landschaftsbau. 7. Auflage. Stuttgart: Eugen Ulmer Verlag, S. 25–52.
• Nilsson, Nils (2009): The Quest for Artificial Intelligence, In: Cambridge University Press, Abrufbar unter: https://ai.stanford.edu/~nilsson/QAI/qai.pdf, S. 388, 399, 429
• Schmidt, Horger & Buxmann, Peter (2019): Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens, in: Buxmann, Peter/Schmidt, Horger (Hrsg.): Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg., Heidelberg: Springer Gabler, 3–19
• Wichert, Andreas (2021): Künstliche Intelligenz, In: Spektrum Wissenschaft, https://www.spektrum.de/lexikon/neurowissenschaft/kuenstliche-intelligenz/6810 (Abrufdatum: 01.09.2024)
• Winkler, Lucas (2021): GaLaBau 4.0 – Organisation des digitalen Wandels im Garten- und Landschaftsbau, Berlin-Hannover: Patzer Verlag, S. 15.