Künstliche Intelligenz in der Rinderzucht - der Engpass ist das PDF
Von Helmut Demmelhuber und Matthew Zonderop
Künstliche Intelligenz kann heute aus einem Foto eine lineare Exterieurbeschreibung ableiten,
Von Helmut Demmelhuber und Matthew Zonderop
Zuchtwerte zwischen dem deutschen und dem amerikanischen System umrechnen und für jede einzelne Kuh eine Anpaarung begründen. Woran sie in der Praxis scheitert, ist etwas anderes: In welcher Form Zuchtorganisationen ihre Daten herausgeben.
Es gibt in unserer Arbeit einen Hinweis, der uns selbst am meisten über den Stand der Technik verrät. Er steht auf unserer Werkzeugseite, direkt unter jeder einzelnen Anwendung, und lautet sinngemäß: Bitte sechs bis acht Tiere auf einmal, danach der nächste Schwung.
Nicht weil die Rechenleistung fehlt. Sondern weil genomische Daten den Landwirten überwiegend als einzelne PDF-Datenblätter zur Verfügung gestellt werden und nicht als strukturierter Gesamtexport. Die Analyse einer ganzen Herde in einem Durchgang scheitert nicht an der künstlichen Intelligenz. Sie scheitert an einem Dateiformat.
Das ist die kürzeste ehrliche Zusammenfassung dessen, wo wir heute stehen – und zugleich der Grund, warum die interessanteste Frage der nächsten Jahre keine technische ist.
Was heute bereits funktioniert
Wir haben in den vergangenen Monaten eine Reihe von Werkzeugen gebaut und als kostenlose Beta-Versionen öffentlich zugänglich gemacht. Nicht als Produkt, sondern um herauszufinden, was in der Praxis trägt. Vier Anwendungsfelder haben sich dabei als tatsächlich belastbar erwiesen.
Zuchtziele im Gespräch entwickeln. Ein Betriebsleiter weiß meist, was ihn stört, aber selten, wie er es gewichten soll. Ein Sprachmodell kann ein strukturiertes Interview führen, das aus diffusen Prioritäten ein messbares, betriebsspezifisches Zuchtziel macht – für Holstein, Jersey, Braunvieh und Fleckvieh jeweils in der Merkmalslogik der Rasse. Es braucht dafür keine einzige hochgeladene Datei. Die Leistung liegt nicht in der Rechnung, sondern im systematischen Nachfragen.
Einzelanpaarung auf Basis genomischer Zuchtwerte. Aus dem genomischen Datenblatt einer Kuh und den Bullenkarten aus dem Katalog entsteht eine begründete Anpaarungsempfehlung – auf Basis von RZG beziehungsweise TPI bei Holstein, JPI und NM$ bei Jersey, GZW bei Braunvieh. Das ist der Kern dessen, was ein Züchter früher am Küchentisch mit Katalog und Bleistift gemacht hat, nur schneller und mit mehr berücksichtigten Merkmalen.
Exterieurbeurteilung aus Fotos. Das ist die Anwendung, die Fachleute am meisten überrascht. Aktuelle Bildmodelle können eine Holsteinkuh nach dem System der linearen Beschreibung einordnen und eine Einstufung in EX, VG oder GP vorschlagen. Für Fleckvieh funktioniert dasselbe nach dem Fleckscore-System mit linearer 1-bis-9-Beschreibung und den vier Komplexnoten Rahmen, Bemuskelung, Fundament und Euter auf der Skala 68 bis 93.
In unseren Tests lag die Abweichung bei der linearen Bewertung auf Fotobasis meist bei maximal einem Punkt gegenüber der tatsächlichen Einstufung – abhängig von Bildqualität und Perspektive. Voraussetzung sind standardisierte Aufnahmen aus definierten Blickwinkeln, einschließlich der Hinterhand. In Kombination mit genomischen Profilen lässt sich damit auch eine Vorbewertung nach dem Triple-A-System erstellen.
Man muss dazu zwei Dinge sagen. Erstens: Das ersetzt keinen Einstufer und keinen Preisrichter. Ein Foto zeigt eine Momentaufnahme unter unkontrollierten Bedingungen; die Beurteilung eines Tieres im Stand, in Bewegung und im Herdenvergleich ist etwas anderes. Zweitens: Für eine erste Einordnung, für die Vorauswahl bei Jungtieren und für Betriebe ohne regelmäßigen Zugang zu einem Zuchtberater ist es bereits heute nützlich – auch weil es subjektive Tagesform relativiert. Genau in dieser Abstufung liegt der ehrliche Nutzen.
Rotationsstrategien für Embryotransfer. Der anspruchsvollste Fall, den wir bisher gerechnet haben. Für ein Spitzentier entsteht eine vollständige Strategie für die OPU- und ET-Nutzung über mehrere Zyklen: zunächst Spülungen mit sehr hohen Gesamtzuchtwerten, danach gezielte Ausgleichsbullen, anschließend Phasen für Sondermerkmale wie Polled, Rotfaktor oder Slick. Das ist eine Planungsaufgabe über mehrere Ebenen gleichzeitig – genau die Art von Problem, an der menschliches Arbeitsgedächtnis zuverlässig scheitert.
Übersetzung zwischen Zuchtwertsystemen. Ein Umrechner zwischen RZG und TPI klingt unspektakulär, löst aber ein reales Alltagsproblem. Wer amerikanische Genetik einsetzt, vergleicht ständig Zahlen, die nicht direkt vergleichbar sind. Ein Werkzeug, das diese Umrechnung mit Kalibrierung und Konsistenzprüfung vornimmt, verhindert genau die Fehler, die sonst unbemerkt in Entscheidungen einfließen.
Die Kette dahinter
Einzelne Werkzeuge lösen einzelne Fragen. Interessanter ist die Reihenfolge. Unter dem Dach der Zuchtplanung 360° greifen drei Schritte ineinander, und sie sind nicht beliebig vertauschbar.
Schritt 1 – Herdenanalyse 360°. Zuchtwerte, Genomdaten, Abstammungen und Herdenmanagementdaten fließen ein; heraus kommt eine Stärken-Schwächen-Analyse der Herde als Ganzes: genetische Hebel, Kuhfamilienmuster, Inzuchtentwicklung, Potenziale. Eine weiterführende Variante bildet Cluster innerhalb der Herde – etwa Schautiere, Leistungstiere und wirtschaftlich orientierte Tiere – und leitet daraus unterschiedliche Strategien für unterschiedliche Gruppen ab. Das ist praktisch relevant, weil kaum eine Herde einheitlich ist und die meisten Betriebe trotzdem einheitlich anpaaren.
Häufig zeigt sich dabei, dass bestimmte Merkmale gehäuft auftreten – nicht zufällig, sondern als Folge früherer Zuchtentscheidungen. Fundament, Eutergesundheit oder Fruchtbarkeit können über Generationen gezielt verbessert worden sein, manchmal aber auch unbeabsichtigt in eine ungünstige Richtung gedriftet. Beim Betrieb Carstens in Visselhövede wurden auf dieser Grundlage sämtliche genomischen Herdendaten ausgewertet und daraus eine Zuchtstrategie abgeleitet – bis hinunter zu erst-, zweit- und drittplatzierten Bullenempfehlungen je Einzeltier, praxistauglich für den Stallalltag.
Schritt 2 – Flexi-Herdenindex. Aus dem Zuchtziel wird eine Gewichtung, aus der Gewichtung eine betriebseigene Rangliste für Bullen, Kühe und Jungrinder. Statt eines allgemeinen Gesamtzuchtwertes entsteht ein Index, der Robotereignung, Langlebigkeit, Fruchtbarkeit, Klauengesundheit, Inhaltsstoffe oder Exterieur nach den Anforderungen des Betriebes berücksichtigt.
Schritt 3 – Flexi-Mating. Auf dieser Grundlage entsteht die Einzeltierentscheidung: welcher Bulle auf welche Kuh, unter Berücksichtigung von genetischen Stärken und Schwächen, Inzucht, Gesundheitsmerkmalen und Leistungsdaten. Ziel ist ausdrücklich nicht der höchste Einzelzuchtwert, sondern eine ausgewogene Herdenentwicklung.
Der Ablauf lässt sich in vier Worten zusammenfassen: Daten, Analyse, Gewichtung, Empfehlung. Wer bei der Empfehlung anfängt – und das ist in der Praxis der Normalfall – bekommt eine Antwort auf eine Frage, die er nie gestellt hat.
Der unbequeme Punkt an betriebsindividuellen Indizes
Wenn der Betriebsleiter die Gewichte setzt, optimiert das System auf seine Selbstwahrnehmung. Wer Klauengesundheit für sein Hauptproblem hält, gewichtet sie hoch – und übersieht möglicherweise genau das, was er ohnehin nicht auf dem Schirm hat. Ein allgemeiner Gesamtzuchtwert hat gegenüber einem individuellen Index einen unterschätzten Vorteil: Er enthält auch das, was der Einzelne gerade nicht für wichtig hält.
Die entscheidende Frage an jeden betriebsindividuellen Index ist deshalb nicht, wie fein er gewichtet, sondern ob er widersprechen darf – ob die gewählte Gewichtung gegen den Befund aus Schritt 1 geprüft und ein Widerspruch angezeigt wird. Ein System, das die Selbsteinschätzung ungeprüft übernimmt, verstärkt Fehler, statt sie zu korrigieren.
Wie das aussieht, wenn es funktioniert: In einer unserer ET-Auswertungen wurde ein Bulle klar ausgeschlossen, den der Autor persönlich sympathisch fand – mit einer züchterischen Begründung, die vollständig nachvollziehbar war. Das ist der Prüfstein. Nicht dass die Maschine recht hat, sondern dass sie sagen kann, warum. Ein System, das nur die eigene Vorliebe zurückspiegelt, ist wertlos. Eines, das widerspricht, ohne es zu begründen, ist gefährlich.
Dieselbe Kette, andere Halbkugel
Perfect Cow Breeding Solutions bildet in Neuseeland dieselbe Abfolge ab, nur in einer anderen Merkmalswelt. Grundlage sind die RAS-Listen des NZAEL, die Zuchtwerte BW, PW und TOP, genomische Zuchtwerte sowie Herdentestdaten; die wirtschaftliche Bewertung stützt sich auf Kennzahlen von DairyNZ. Kühe werden in Zuchtstufen eingeteilt, Bullenteams so zusammengestellt, dass sie das reale Herdenprofil ergänzen statt einen Durchschnitt.
Bemerkenswert ist ein Punkt, der die Systemgrenzen sichtbar macht: Ausländische Bullen werden auf das neuseeländische Herdenprofil abgebildet, bevor sie überhaupt in Frage kommen. Wer internationale Genetik ohne diese Übersetzung einsetzt, vergleicht Zahlen, die nichts miteinander zu tun haben.
Der Unterschied zum deutschen Ansatz ist nicht technischer, sondern struktureller Natur. Ein Weidebetrieb mit Blockkalbung kennt eine harte, jährlich wiederkehrende Selektionsschwelle: Wird die Kuh im Zeitfenster tragend oder nicht. Das verschiebt die Gewichte massiv in Richtung Fruchtbarkeit und funktionale Merkmale und verkürzt den Zeitraum, über den sich eine Kuh rechnen muss. Ein Index, der im Waikato hervorragend funktioniert, wäre für einen Roboterbetrieb in Baden-Württemberg wenig geeignet – und umgekehrt.
Zurück zum Engpass
Und damit zum eigentlichen Thema. Die technische Möglichkeit, große Herdenbestände KI-gestützt auszuwerten, ist vorhanden. Was fehlt, ist der Zugang zu den eigenen Daten in verarbeitbarer Form.
Genomische Befunde erreichen den Landwirt überwiegend als einzelne PDF-Datenblätter aus dem vit- beziehungsweise Netrind-System, ein Tier pro Datei. Für selbst gezogene Zuchtbullen stehen vollständige Exporte teilweise gar nicht zur Verfügung. Die Folge ist absurd: Ein Betrieb mit 300 genotypisierten Tieren besitzt 300 Dokumente, aus denen sich nur mit erheblichem Aufwand eine Tabelle machen lässt – während dieselben Daten bei der Zuchtorganisation selbstverständlich strukturiert vorliegen.
Der Vergleich mit Neuseeland macht die Größenordnung deutlich. Dort exportiert der Landwirt selbst eine standardisierte CSV-Datei aus MINDA, der zentralen Herddatenbank der Livestock Improvement Corporation, die nach Branchenangaben rund 93 Prozent aller Milchrinder des Landes erfasst: phänotypische Daten, genomisches Profil, Produktions- und Gesundheitsverlauf, Lebendgewichte, jede Laktationskurve. Eine Datei, herunterladbar. Auf dieser Grundlage rechnet ein neuseeländischer Sharemilker eine 900-Kuh-Herde über 26 Merkmale vor dem Mittagessen durch. Der Unterschied liegt nicht in der Technik. Er liegt im Zugang.
Dazu kommen unterschiedliche Bezugsbasen, Basisumstellungen und abweichende Merkmalsdefinitionen zwischen Organisationen und Ländern. Ein Modell, das diese Unterschiede nicht kennt, vergleicht Zahlen, die nicht vergleichbar sind, und formuliert das Ergebnis in makellosen Sätzen. Ein fehlerhaftes Excel-Blatt sieht fehlerhaft aus. Eine fehlerhafte KI-Antwort sieht aus wie eine Beratung.
Unsere Forderung ist deshalb nüchtern und konkret: strukturierte Exporte der eigenen Herddaten in einem maschinenlesbaren Standardformat, für jeden Betrieb, ohne Zusatzkosten. Nicht als Zugeständnis, sondern als Selbstverständlichkeit – es sind die Daten seiner Tiere. Wer diese Frage löst, bewegt in den nächsten fünf Jahren mehr als jeder neue Algorithmus.
Was in drei bis fünf Jahren realistisch dazukommt
Mehr züchtbare Merkmale. Für Deutsche Holsteins kamen im April 2025 mit der Umstellung auf das Single-Step-Verfahren RZPersistenz und RZFutterEffizienz hinzu; die Sicherheiten stiegen je nach Merkmal um bis zu 14 Prozent, am deutlichsten bei Gesundheits- und funktionalen Merkmalen. Hitzetoleranz und Methanreduktion befinden sich in Entwicklung. Jedes neue Merkmal erweitert den Raum, in dem ein betriebsindividueller Index überhaupt differenzieren kann.
Merkmale aus Daten, die ohnehin anfallen. Aus den MIR-Spektren der Milchkontrolle lassen sich indirekt Ketoserisiko über den Blut-BHB-Wert, Energiebilanz, Mastitis, Pansenazidose, Trächtigkeit und der tierindividuelle Methanausstoß ableiten. In Kanada und bei einzelnen deutschen Landeskontrollverbänden wird das bereits genutzt. Gemessen wird in jedem Betrieb monatlich – ausgewertet nur ein Bruchteil.
Bildbasierte Merkmalserfassung im Stall. Was heute noch als Einzelbildanalyse funktioniert, wird zur laufenden Erfassung. Forschungsarbeiten zur automatisierten Körperkonditionsbeurteilung zeigen zuverlässige Klassifizierung aus Kamerabildern, wobei die Rückansicht die besten Ergebnisse liefert. Der Gewinn liegt nicht in der Kamera, sondern darin, dass aus punktuellen Einstufungen Verläufe werden.
Sensordaten in der Anpaarung. Melkbarkeit, Zwischenmelkzeiten, Aktivitäts- und Wiederkaumuster liegen in vielen Betrieben vor und fließen in die Zuchtentscheidung praktisch nicht ein. Das ist weniger ein technisches als ein Schnittstellenproblem – siehe oben.
Und was nicht kommen wird
Kein Verfahren erzeugt Information, die nicht in den Daten steckt. Die Heritabilität eines Merkmals ist eine harte Grenze: Wo der genetische Anteil klein ist, bleibt die Vorhersage unsicher, gleichgültig wie modern gerechnet wird.
Sprachmodelle schätzen keine Zuchtwerte und sollten es nicht versuchen. Und sie erfinden, wenn man sie lässt. Die Forschung zu KI-Beratungssystemen in der Landwirtschaft benennt Halluzination als zentrales Risiko – besonders die kontextuelle Halluzination, bei der eine Auskunft in einer Region fachlich richtig und in einer anderen schädlich ist. Übertragen auf die Zucht: eine Empfehlung, die im neuseeländischen Weidesystem sinnvoll ist und im deutschen Roboterbetrieb Geld kostet. Genau deshalb bleibt die Verantwortung beim Betriebsleiter – und genau deshalb muss er die Empfehlung nachvollziehen können.
Der Engpass der nächsten Jahre liegt nicht bei der Rechenleistung. Er liegt bei zwei Fragen: Ob wir an unsere eigenen Daten kommen. Und ob aus besseren Zahlen auch bessere Entscheidungen werden.
Zum Autor
Helmut Demmelhuber ist Unternehmensberater mit Sitz in Tübingen, Baden-Württemberg, und Experte für den Einsatz von Künstlicher Intelligenz in der Rinderzucht. Er wuchs auf einem bayerischen Milchviehbetrieb auf und ist seit 2025 wieder aktiv als Holstein-Züchter tätig. Er berät Züchter und Zuchtorganisationen bei der praxisnahen Integration von KI in der Rinderzucht.
Kästen zum Beitrag
Kasten 1 · Was heute geht – und was nicht
Geht heute:
● Betriebsspezifisches Zuchtziel im strukturierten Interview entwickeln, ohne jede Datei
● Einzelanpaarung auf Basis genomischer Zuchtwerte (RZG/TPI, JPI/NM$, GZW)
● Stärken-Schwächen-Analyse und Clusterbildung innerhalb einer Herde
● Lineare Exterieurbeschreibung und Einstufungsvorschlag aus Fotos (Holstein: EX/VG/GP; Fleckvieh: Fleckscore)
● Umrechnung zwischen Zuchtwertsystemen mit Konsistenzprüfung
● Bullenauswahl und Spermamanagement auf Basis von Zuchtziel und Herdenanalyse
Geht heute nicht:
● Eine komplette Herde in einem Durchgang – Begrenzung auf sechs bis acht Datenblätter je Durchlauf
● Automatischer Datenabruf aus Herdenprogramm oder Zuchtorganisation
● Rückkopplung mit realen Nachzuchtergebnissen, weil die erste Töchtergeneration vier bis fünf Jahre braucht
Der Grund für die erste Einschränkung ist kein technischer, sondern ein Formatproblem: genomische Daten liegen dem Landwirt überwiegend als einzelne PDF-Datenblätter vor, nicht als strukturierter Export.
Kasten 2 · Drei Dinge, die alle „KI" heißen
In der Rinderzucht steht „KI" traditionell für künstliche Besamung. In diesem Beitrag ist künstliche Intelligenz gemeint. Innerhalb davon lohnt eine weitere Unterscheidung, weil die drei Ebenen unterschiedlich zuverlässig sind:
Statistische Lernverfahren – Grundlage der Zuchtwertschätzung. Ausgereift, geprüft, mit ausgewiesenen Sicherheiten.
Maschinelles Lernen und neuronale Netze – Mustererkennung in Bildern, Sensordaten und Spektren. In der Merkmalserfassung teils praxisreif, in der Zuchtwertvorhersage bislang mit nur graduellen Vorteilen gegenüber klassischen Verfahren.
Sprachmodelle – verarbeiten Text, führen Quellen zusammen, erklären Zusammenhänge. Nützlich in Aufbereitung und Beratung, ungeeignet für die Schätzung von Zuchtwerten, ohne Absicherung anfällig für plausibel klingende Fehler.
Kasten 3 · Die Frage entscheidet über die Antwort
Wer ein Sprachmodell mit pauschalen Anfragen füttert, bekommt pauschale Antworten. Vier Angaben heben die Qualität sprunghaft – man kann sie sich als Formel merken:
1. Wer bin ich? In welcher Rolle spreche ich? Betriebsleiter, Berater, Zuchtwart – aus welcher Perspektive heraus wird gearbeitet.
2. Worum geht es konkret? Betrieb, Herdengröße, Haltung, Melksystem, Zielgruppe, Rahmenbedingungen, Problem.
3. Was soll geschehen? Analysieren, vergleichen, strukturieren, erklären – und in welchem Format: Liste, Tabelle, Fließtext.
4. Wie soll das System denken? Als neutraler Analyst, erfahrener Berater, kritischer Sparringspartner.
Beispiel: „Ich bin Milchviehhalter und treffe Managemententscheidungen für meinen Betrieb. Mein Betrieb hält rund 150 Kühe und arbeitet mit Melkrobotern. Schlage mir fünf konkrete Maßnahmen zur Verbesserung des Fruchtbarkeitsmanagements vor und begründe jede kurz. Antworte als erfahrener, praxisnaher Berater für Fruchtbarkeits- und Herdenmanagement – fachlich fundiert und verständlich."
Zwei Ergänzungen, die in der Zucht besonders wichtig sind: Die zu verwendenden Datenquellen ausdrücklich begrenzen („verwende ausschließlich die Bullen aus den hochgeladenen Dateien, keine weiteren Listen oder Internetquellen"). Und das Zuchtziel jedes Mal mitgeben, statt es vorauszusetzen.
Kasten 4 · Fünf Fragen an jeden Anbieter
● Auf welcher Datengrundlage rechnet das System – und wie aktuell ist sie?
● Werden Zuchtwerte aus verschiedenen Quellen oder Bezugsbasen verglichen, und wie wird das korrigiert?
● Kann das System begründen, warum es zu einer Empfehlung kommt?
● Was passiert mit meinen Herddaten, und wer darf sie weiterverwenden?
● Woran würde ich erkennen, dass die Empfehlung falsch war?
Die letzte Frage ist die aufschlussreichste. Wer sie nicht beantworten kann, hat kein Entscheidungssystem gebaut, sondern eine Meinung.
Zu den Autoren
Helmut Demmelhuber ist Unternehmensberater mit Sitz in Tübingen, Baden-Württemberg, und Experte für den Einsatz von Künstlicher Intelligenz in der Rinderzucht. Er wuchs auf einem bayerischen Milchviehbetrieb auf und ist seit 2025 wieder aktiv als Holstein-Züchter tätig. Er berät Züchter und Zuchtorganisationen bei der praxisnahen Integration von KI in der Rinderzucht.
Matthew Zonderop bewirtschaftet als 50:50-Sharemilker eine Herde von rund 400 KiwiCross-Kühen bei Matamata im neuseeländischen Waikato und ist Gründer von Perfect Cow Breeding Solutions. Er wuchs in der neuseeländischen Weidewirtschaft auf und entwickelte aus der eigenen Stallpraxis heraus ein KI-gestütztes Anpaarungssystem, das heute auf mehreren neuseeländischen Betrieben eingesetzt wird. Er erstellt betriebsspezifische Anpaarungspläne über 26 Merkmale je Tier und stand 2025 im Finale der Innovation Awards der Fieldays.
Kommentare