Kurze Antwort: KI kann aus deinen Reifedaten ein realistisches Erntefenster prognostizieren, aber sie kann keine Beere verkosten — behandle sie also als Planungswerkzeug, nicht als Urteil. Der Erntezeitpunkt ist die einzelne Qualitätsentscheidung mit der größten Hebelwirkung, die ein Winzer trifft, und es ist eine, bei der ein Modell dir wirklich helfen kann, das Risiko zu senken.
Warum sich der Erntezeitpunkt zu modellieren lohnt
Lies zu früh und du bekommst grünen, unterfärbten Wein mit scharfer Säure; lies zu spät und du verlierst Frische, gewinnst Alkohol und riskierst Rosinieren. Das Ziel bewegt sich täglich. Rotweine werden oft um 22–26 °Brix gelesen und Weißweine um 19–23 °Brix je nach Stil, wobei der pH-Wert meist bei etwa 3,2–3,6 landet. °Brix sagt grob den potenziellen Alkohol voraus, sodass die Zuckerkurve allein deinen fertigen Wein bereits einschränkt. Das Problem ist, dass Reife mehrdimensional ist — Zucker, titrierbare Säure, pH-Wert und phenolische (physiologische) Reife — und diese bewegen sich nicht im Gleichschritt.
Ein Prognosemodell verdient sich seinen Lohn, indem es jede dieser Kurven nach vorn projiziert. Gegeben die jüngste Probenhistorie einer Parzelle und eine Wettervorhersage schätzt es, wann Brix, TA und pH-Wert deine Zielbereiche treffen, und reicht dir dann ein Fenster statt einer einzelnen Vermutung.
Erst messen: die Daten, die es zum Funktionieren bringen
Das ist ein Data-Science-Problem, bevor es ein KI-Problem ist. Das Modell ist nur so gut wie deine Probendisziplin. Du willst eine konsistente Reihe von Messungen auf Parzellenebene durch Véraison und Reifung: °Brix, TA in g/L, pH-Wert und — wo du es bekommen kannst — phenolische oder Aromanotizen aus sensorischen Beerenprüfungen. Lege Wetter darüber (Wärmesumme, Niederschlag, Vorhersagehöchstwerte) und ein paar Jahre Parzellenhistorie, damit das Modell die Persönlichkeit jeder Parzelle lernt.
Die wichtigsten Merkmale sind meist die Veränderungsrate und das jüngste Wetter, nicht nur die heutige Zahl. Eine Parzelle, die in einer Hitzespitze 1,5 °Brix pro Woche gewinnt, verhält sich ganz anders als eine, die bei kühlen, bedeckten Bedingungen langsam ansteigt. Wenn du das nie systematisch protokolliert hast, fang dort an — siehe Sammle deine Daten vor der KI. Ein ordentliches Probenprotokoll über drei Saisons wird ein ausgefeilteres Modell schlagen, das mit Raterei gefüttert wird.
Wo es bricht
Die phenolische Reife ist die ehrliche Grenze. Zucker ist günstig und schnell zu messen; Tannin- und Aromareife sind es nicht, und sie hinken oft der Zuckerkurve hinterher. Ein hauptsächlich auf Brix trainiertes Modell wird dir bereitwillig sagen, eine Parzelle sei bereit, während die Kerne noch grün und die Tannine adstringierend sind. Deshalb ist das eine Prognosehilfe, kein Autopilot.
Das Wetter ist der andere Unsicherheitsfaktor. Ein Modell projiziert eine glatte Reifekurve; eine Hitzespitze, ein Hagelsturm oder eine frühe Regenfront kann sie in 48 Stunden umschreiben, und Krankheitsdruck nach Regen kann dich zwingen, vor der Zuckerreife zu lesen. Dann gibt es die harten Beschränkungen, die das Modell nie sieht — Verfügbarkeit von Erntehelfern, Tankplatz und die Pressenwarteschlange. Eine Prognose, die sagt „Parzelle 7 ist Donnerstag optimal”, ist nutzlos, wenn deine Mannschaft das ganze Wochenende ausgebucht ist. Das Modell engt die Entscheidung ein; es trifft sie nicht.
Wie generative KI hineinpasst
Das Prognosemodell spuckt Zahlen aus; ein Winzer will eine Empfehlung. Hier hilft ein generativer KI-Copilot. Gefüttert mit den neuesten Probendaten, den projizierten Kurven und der Wettervorhersage kann ein LLM sie zu einem Briefing in einfacher Sprache verschmelzen: „Parzelle 7 ist auf Kurs zu 24 °Brix in etwa fünf Tagen, TA hält bei 6,2 g/L; das Lesefenster öffnet sich etwa Mittwoch–Freitag, aber die Samstags-Hitzespitze spricht für das frühere Ende. Tanninreife hinkt noch hinterher — verkoste die Kerne, bevor du dich festlegst.” Das verwandelt eine Tabellenkalkulation in eine Entscheidung, auf die du um 6 Uhr morgens im Weinberg reagieren kannst, mit ehrlich benannten statt vergrabenen Vorbehalten. Es kann auch die Erntenotiz für jede Parzelle entwerfen, sodass die Begründung für den nächsten Jahrgang aktenkundig ist.
Die umfassendere Frage, ob Modelle den fertigen Wein vorhersagen können, ist in Kann KI die Weinqualität vorhersagen? lesenswert — der Erntezeitpunkt ist eines der stärksten Glieder in dieser Kette.
Das Fazit
Ein Reifemodell verwandelt verstreute Proben und eine Wettervorhersage in ein vertretbares Erntefenster, was genau die Planungshebelwirkung ist, die den meisten Kellereien fehlt. Aber Zuckerreife ist nicht Aromareife, das Wetter schreibt die Kurve um, und dein Gaumen trifft die endgültige Entscheidung. Nutze das Modell, um das Fenster einzuengen — und geh dann das Obst verkosten.
Teil des Tracks Winemaking & AI. Verwandt: Kann KI die Weinqualität vorhersagen?.
Häufig gestellte Fragen
Kann KI mir den genauen Tag der Lese sagen? Nein. Sie kann ein Fenster prognostizieren — typischerweise wenige Tage breit — und es aktualisieren, wenn neue Proben und Wetterdaten eintreffen. Die endgültige Entscheidung kommt weiterhin aus dem Verkosten der Beeren und deiner Logistik.
Welche Daten brauche ich, um die Reife vorherzusagen? Eine Reihe von Proben auf Parzellenebene über die Reifeperiode: Brix, titrierbare Säure, pH-Wert und idealerweise phenolische Notizen, plus Wetter. Konsistente Probennahme schlägt sporadische Hightech-Messung.
Warum widerspricht das Modell dem, wie die Trauben schmecken? Weil Zuckerreife und phenolische Reife sich nicht immer decken. Ein hauptsächlich auf Brix trainiertes Modell kann Reife ausrufen, bevor Tannine und Aromen aufgeholt haben.