ChatGPT, Claude & Co. sind keine Pflanzenärzte: Weshalb KI-Pflanzenanalysen ohne vollständigen Kontext gefährlicher Unsinn sind und Grower wieder lernen müssen, ihre Pflanzen selbst zu verstehen

Ein gelbes Blatt wird fotografiert. Zwei Bilder werden bei ChatGPT, Claude, Gemini oder einem anderen KI-System hochgeladen. Dazu kommt ein Satz wie:

„Was fehlt meiner Pflanze?“

Wenige Sekunden später erscheint eine ausführliche Antwort.

Calciummangel. Magnesiumdefizit. Überwässerung. Lichtstress. falscher pH-Wert. Nährstoffblockade. Zu wenig Dünger. Zu viel Dünger.

Die KI erklärt das Schadbild, nennt eine vermeintliche Ursache und liefert direkt einen Maßnahmenplan. Sie empfiehlt CalMag, eine Spülung, eine pH-Korrektur, mehr Dünger, weniger Wasser oder den Austausch des Substrats.

Die Antwort ist sauber gegliedert. Sie verwendet Fachbegriffe. Sie klingt logisch und selbstbewusst.

Und sie kann trotzdem vollständiger Bullshit sein.

Wir sagen es deshalb bei CannaSelection bewusst deutlich:

Allgemeine KI-Systeme sind derzeit keine verlässlichen Werkzeuge zur Diagnose von Cannabispflanzen. Wer aufgrund von zwei Bildern konkrete Behandlungen durchführt, betreibt keine Pflanzenanalyse. Er lässt ein statistisches Modell auf Basis unvollständiger Informationen raten.

Das Gefährliche daran ist nicht nur die falsche Antwort. Das Gefährliche ist, dass sie nach Fachkompetenz klingt.

Zuerst muss man verstehen, was eine KI überhaupt macht

ChatGPT, Claude und vergleichbare Systeme sind sogenannte generative Foundation Models. Häufig wird vereinfachend von Large Language Models, kurz LLMs, gesprochen.

Diese Modelle funktionieren nicht wie ein Lexikon, in dem eine Frage nachgeschlagen und anschließend eine geprüfte Fachantwort ausgegeben wird.

Während des Trainings werden sehr große Mengen an Texten, Bildern und anderen Inhalten verarbeitet. Das Modell lernt daraus statistische Beziehungen, Strukturen und Muster. Es lernt beispielsweise, welche Begriffe häufig gemeinsam auftreten, welche Erklärungen sprachlich plausibel wirken und wie eine bestimmte Art von Frage normalerweise beantwortet wird.

OpenAI beschreibt, dass seine Modelle unter anderem mit öffentlich verfügbaren Informationen aus dem Internet, lizenzierten Inhalten sowie von Menschen und Nutzern bereitgestellten oder erzeugten Daten entwickelt werden. Anthropic nennt für Claude ebenfalls eine Mischung aus öffentlich zugänglichen Internetinhalten, Daten von Drittanbietern, intern erzeugten Daten und weiteren Datensätzen.

Das Modell speichert diese Inhalte nach dem Training jedoch nicht wie eine durchsuchbare Datenbank. Es lernt mathematische Zusammenhänge innerhalb der Trainingsinformationen und erzeugt daraus eine wahrscheinlich passende Antwort. OpenAI beschreibt diesen Prozess sinngemäß als das Erlernen von Beziehungen innerhalb sehr großer Informationsmengen.

Vereinfacht gesagt:

Die KI weiß nicht, was deiner Pflanze fehlt. Sie berechnet, welche Antwort auf deine Eingabe wahrscheinlich passend klingt.

Das ist für viele Aufgaben beeindruckend leistungsfähig.

Es ist aber etwas vollkommen anderes als eine gesicherte biologische Diagnose.

Warum eine plausible Antwort noch lange keine richtige Antwort ist

Ein Sprachmodell wurde darauf trainiert, eine sinnvolle Fortsetzung zu erzeugen.

Fragt jemand:

„Meine Cannabispflanze hat braune Flecken. Was fehlt ihr?“

dann erkennt das Modell typische sprachliche Zusammenhänge:

• braune Flecken,

• Calcium,

• Magnesium,

• pH-Wert,

• Nährstoffaufnahme,

• CalMag,

• Überdüngung,

• Lichtstress.

Aus diesen Mustern entsteht eine Antwort.

Das Modell besitzt aber nicht automatisch die Informationen, die notwendig wären, um zwischen diesen möglichen Ursachen zu unterscheiden.

Es kennt weder den Wurzelballen noch die Wasserwerte. Es weiß nicht, wie in den vergangenen zwei Wochen gegossen wurde. Es weiß nicht, ob die Pflanze gerade umgetopft wurde, ob bereits CalMag gegeben wurde oder ob die vermeintlichen Flecken mechanische Schäden sind.

Trotzdem muss ein generatives Modell nicht zwangsläufig schweigen. Es kann fehlende Zusammenhänge durch eine plausible Erzählung ersetzen.

Das National Institute of Standards and Technology bezeichnet dieses Verhalten als „Confabulation“: Generative KI-Systeme können falsche Inhalte erzeugen und diese mit hoher Sicherheit präsentieren.

Genau das macht Pflanzenanalysen mit KI für Anfänger so problematisch.

Ein erfahrener Grower erkennt möglicherweise, dass eine Empfehlung nicht zum Substrat oder zur bisherigen Kulturführung passt.

Ein Anfänger erkennt häufig nur:

„Die KI hat gesagt, es sei Calcium.“

Und dann wird Calcium gegeben.

Auch eine KI mit Bilderkennung versteht keine Pflanze

Moderne Systeme wie ChatGPT oder Claude können neben Text auch Bilder verarbeiten. Deshalb entsteht schnell der Eindruck, sie würden ein Pflanzenfoto ähnlich beurteilen wie ein erfahrener Pflanzenpathologe.

Das ist falsch.

Multimodale Modelle verarbeiten visuelle Merkmale und verbinden diese mit sprachlichen Mustern. Sie können erkennen, dass ein Blatt gelblich ist, Flecken besitzt, sich einrollt oder eine bestimmte Form aufweist.

Das bedeutet aber nicht, dass sie automatisch verstehen, welcher biologische Prozess zu diesem Erscheinungsbild geführt hat.

Ein Blatt kann ähnlich aussehen bei:

• einem tatsächlichen Nährstoffmangel,

• einer gestörten Nährstoffaufnahme,

• einer überlasteten Wurzelzone,

• dauerhaft zu nassem Substrat,

• zu hoher Salzkonzentration,

• ungünstiger Transpiration,

• Licht- oder Hitzestress,

• Schädlingsbefall,

• mechanischer Beschädigung,

• natürlicher Alterung,

• genetischer Ausprägung.

Das Bild zeigt die sichtbare Folge.

Es zeigt nicht zwangsläufig die Ursache.

Selbst speziell entwickelte Modelle zur Erkennung von Pflanzenkrankheiten haben erhebliche Schwierigkeiten, wenn reale Bilder von den Bedingungen ihrer Trainingsdatensätze abweichen. Beleuchtung, Hintergrund, Kamerawinkel, Sorte, Entwicklungsstadium und Umgebung können die Zuverlässigkeit erheblich beeinflussen. In der Forschung wird dieses Problem als Domain Shift bezeichnet.

Das sind Modelle, die gezielt mit beschrifteten Pflanzenbildern entwickelt wurden.

ChatGPT, Claude und andere allgemeine KI-Systeme sind dagegen keine validierten Cannabis-Diagnosemodelle.

Die Fähigkeit, ein Bild zu beschreiben, ist nicht dasselbe wie die Fähigkeit, eine Pflanze zu diagnostizieren.

Cannabis ist für KI ein besonders schlechter Anwendungsfall

Cannabis war über Jahrzehnte in vielen Ländern verboten oder streng reguliert.

Das hatte erhebliche Auswirkungen auf Forschung, Datenqualität und die offene Dokumentation des professionellen Anbaus.

Regulatorische Hürden haben Cannabisforschung nachweislich erschwert. Wissenschaftliche Institutionen beschreiben unter anderem einen eingeschränkten Zugang zu geeignetem Pflanzenmaterial, komplexe Genehmigungsverfahren, begrenzte Finanzierung und fehlende Standardisierung als zentrale Probleme.

Dabei betrifft ein großer Teil der vorhandenen Cannabisforschung medizinische Wirkung, Wirkstoffe, Konsum und gesundheitliche Folgen.

Für die KI-gestützte Diagnose von Indoor-Cannabispflanzen wären jedoch ganz andere Datensätze notwendig.

Ein belastbares Diagnosemodell müsste Bilder mit umfangreichen und bestätigten Begleitinformationen verknüpfen:

• Genetik,

• Alter der Pflanze,

• Entwicklungsphase,

• Substratzusammensetzung,

• Topf- oder Beetvolumen,

• Wurzelzustand,

• Wasseranalyse,

• Gießhistorie,

• Düngestrategie,

• Temperaturverlauf,

• Luftfeuchtigkeit,

• Blatt- und Raumtemperatur,

• PPFD und DLI,

• Schädlingsstatus,

• Laboranalysen,

• bestätigte Ursache,

• dokumentierte Behandlung,

• tatsächliche Reaktion auf diese Behandlung.

Es müssten Tausende vergleichbare Fälle unter kontrollierten Bedingungen dokumentiert, fachlich beurteilt und langfristig begleitet werden.

Genau diese Datenbasis existiert für Cannabis nicht in der Breite und Qualität, die für eine zuverlässige allgemeine Bilddiagnostik notwendig wäre.

Stattdessen findet ein Modell im Internet häufig:

• Forenbeiträge,

• Reddit-Diskussionen,

• Growtagebücher,

• Herstellertexte,

• Produktwerbung,

• Blogartikel,

• Social-Media-Posts,

• falsch beschriftete Schadbilder,

• persönliche Einzelerfahrungen,

• voneinander abgeschriebene Mangeltabellen.

Das ist keine wissenschaftlich validierte Diagnosedatenbank.

Ja, auch Reddit und Foren gehören zum Informationsraum

Man muss sich bewusst machen, welche Art von Informationen im öffentlichen Internet vorhanden ist.

OpenAI bestätigt, dass öffentlich verfügbare Internetinhalte zu den verwendeten Datenquellen gehören. Seit Mai 2024 besteht zudem eine offizielle Partnerschaft zwischen OpenAI und Reddit, über die OpenAI auf strukturierte und aktuelle Reddit-Inhalte zugreifen kann.

Das bedeutet nicht, dass jede ChatGPT-Antwort direkt aus einem bestimmten Reddit-Kommentar stammt. Ein Modell kopiert normalerweise nicht einfach einen einzelnen Beitrag und nennt ihn als Quelle.

Es bedeutet aber sehr wohl, dass öffentliche Diskussionen, Community-Meinungen und nicht geprüfte Nutzerinhalte Teil des Informationsraums sein können, aus dem solche Systeme Muster lernen oder aktuelle Informationen beziehen.

Und gerade bei Grow-Themen muss man sich die Qualität dieser Ausgangslage ansehen.

In vielen Foren werden Pflanzenprobleme diagnostiziert, ohne dass Wasserwerte, Gießhistorie oder Substratzusammensetzung bekannt sind. Ein Nutzer schreibt „CalMag“, der nächste „Stickstoff“, der dritte „überwässert“.

Niemand untersucht die Wurzeln.

Niemand führt eine Substratanalyse durch.

Niemand dokumentiert zuverlässig, welche Maßnahme am Ende tatsächlich geholfen hat.

Trotzdem bleiben diese Beiträge öffentlich verfügbar und werden weiter zitiert, kopiert und zusammengefasst.

Wenn die Ausgangsinformationen aus Vermutungen, Halbwissen und falsch beschrifteten Bildern bestehen, kann daraus keine verlässliche Cannabisdiagnostik entstehen.

Ein Modell kann aus einer großen Menge schlechter Informationen eine sprachlich sehr gute Zusammenfassung erzeugen.

Die Informationen werden dadurch aber nicht automatisch wahr.

Der Mensch vor der KI ist häufig das zweite Problem

Selbst ein sehr leistungsfähiges Modell kann nur mit den Informationen arbeiten, die es erhält.

Und genau hier beginnt das nächste Problem.

Die meisten Grower geben der KI nicht den vollständigen Kulturverlauf. Sie geben das weiter, was sie selbst wahrnehmen.

Das sind zwei völlig unterschiedliche Dinge.

Ein Anfänger schreibt beispielsweise:

„Die Pflanze wird gelb, obwohl ich normal gieße.“

Was bedeutet „normal“?

• Wie viele Liter?

• In welchem Abstand?

• In welcher Topfgröße?

• Nach welchem Kriterium wird gegossen?

• Gibt es Drain?

• Wie schnell trocknet das Substrat?

• Wie stark ist es durchwurzelt?

• Wird die gesamte Oberfläche gleichmäßig bewässert?

• Ist das Substrat unten dauerhaft nass?

• Wie schwer ist der Topf vor und nach dem Gießen?

Der Nutzer glaubt möglicherweise, korrekt zu gießen. Deshalb erwähnt er sein Gießverhalten nicht als mögliche Fehlerquelle.

Die KI erhält folglich nicht den tatsächlichen Sachverhalt.

Sie erhält die subjektive Interpretation des Nutzers.

Dasselbe gilt für Aussagen wie:

• „Das Klima passt.“

• „Der pH-Wert ist korrekt.“

• „Die Lampe ist nicht zu stark.“

• „Die Erde ist hochwertig.“

• „Ich dünge nur wenig.“

• „Die Pflanze kann nicht überwässert sein.“

• „Es muss ein Mangel sein.“

Die KI sieht nicht den Grow.

Sie sieht die Erzählung des Growers über seinen Grow.

Wenn wichtige Informationen fehlen, kann das Modell sie nicht aus dem Bild herauszaubern.

Es füllt die Lücken stattdessen möglicherweise mit typischen Annahmen.

Mehr Kontext kann die Antwort verbessern aber keine Diagnose garantieren

Natürlich kann eine KI bessere Ergebnisse liefern, wenn sie umfangreiche und präzise Informationen erhält.

Wer Genetik, Pflanzenalter, Substrat, Topfvolumen, Wasseranalyse, Beleuchtung, Klima, Gießmengen, Düngung und zeitlichen Verlauf vollständig dokumentiert, ermöglicht eine deutlich bessere Einordnung als jemand, der nur zwei Bilder hochlädt.

Die KI kann dann beispielsweise:

• mögliche Ursachen strukturieren,

• Widersprüche in den Angaben aufzeigen,

• sinnvolle Rückfragen formulieren,

• eine Differentialdiagnose aufbauen,

• Messwerte miteinander vergleichen,

• eine Dokumentation zusammenfassen.

Das ist jedoch keine Rechtfertigung für blindes Vertrauen.

Auch mit mehr Kontext bleibt ein allgemeines Modell kein validierter Cannabisdiagnostiker. Es kann falsche Prioritäten setzen, unterschiedliche Anbausysteme vermischen oder aus einer falschen Nutzerangabe eine logisch klingende falsche Schlussfolgerung entwickeln.

Der entscheidende Unterschied lautet:

Mit gutem Kontext kann KI beim Denken unterstützen. Sie sollte aber nicht die Entscheidung übernehmen.

Genau daran scheitert die übliche Nutzung.

Die meisten Menschen geben nicht sämtliche relevanten Informationen ein. Sie laden ein Foto hoch, erwarten eine eindeutige Antwort und handeln anschließend so, als sei eine Laboranalyse durchgeführt worden.

Eine Pflanze ist ein System und keine Sammlung einzelner Flecken

Cannabispflanzen reagieren auf das Zusammenspiel zahlreicher Faktoren.

Wasser beeinflusst den Sauerstoffgehalt im Wurzelraum.

Der Wurzelzustand beeinflusst die Nährstoffaufnahme.

Temperatur und Luftfeuchtigkeit beeinflussen die Transpiration.

Die Transpiration beeinflusst den Transport bestimmter Nährstoffe.

Die Lichtintensität verändert Wasser- und Nährstoffbedarf.

Die Substratstruktur bestimmt, wie sich Wasser und Sauerstoff im Topf verteilen.

Ein sichtbares Symptom kann deshalb am Ende einer langen Kausalkette stehen.

Eine Pflanze kann beispielsweise Zeichen eines Mangels zeigen, obwohl der entsprechende Nährstoff ausreichend im Substrat vorhanden ist.

Die Ursache kann stattdessen sein:

1. Das Substrat bleibt dauerhaft zu nass.

2. Die Wurzelzone erhält zu wenig Sauerstoff.

3. Die Wurzelfunktion wird beeinträchtigt.

4. Die Nährstoffaufnahme verschlechtert sich.

5. Auf den Blättern entstehen vermeintliche Mangelsymptome.

Die KI erkennt das Schadbild und empfiehlt zusätzlichen Dünger.

Dadurch wird erneut gegossen, die Salzkonzentration erhöht und das eigentliche Problem weiter verschärft.

Die sichtbare Beobachtung war richtig.

Die Interpretation war falsch.

Im Living Soil wird das besonders gefährlich

Living Soil ist ein biologisch aktives System.

Nährstoffverfügbarkeit, mikrobielle Aktivität, organische Substanz, Feuchtigkeit, Sauerstoffversorgung, Wurzeln und Substratstruktur hängen unmittelbar zusammen.

Trotzdem erleben wir regelmäßig KI-Empfehlungen wie:

• Living Soil gründlich spülen,

• den EC-Wert sofort erhöhen,

• bei Flecken pauschal CalMag geben,

• mineralischen Dünger nach Schema zuführen,

• den pH-Wert jedes Gießwassers aggressiv korrigieren,

• mehrere organische und mineralische Produkte kombinieren,

• vermeintliche Defizite unmittelbar mit Einzelnährstoffen behandeln.

Einzelne dieser Maßnahmen können in bestimmten Situationen sinnvoll sein.

Ohne Kenntnis des gesamten Systems sind sie aber keine Diagnose.

Sie sind Aktionismus.

Besonders problematisch ist, dass KI häufig Informationen aus mineralischen, organischen und hydroponischen Systemen zusammenführt. Die ausgegebene Antwort kann aus jedem Bereich einzelne richtige Aussagen enthalten und als Gesamtempfehlung trotzdem vollkommen falsch sein.

Es entsteht eine Art fachliches Mischprodukt:

• ein bisschen Hydroponik,

• ein bisschen organischer Anbau,

• ein bisschen Living Soil,

• ein bisschen Herstellerbeschreibung,

• ein bisschen Reddit.

Sprachlich passt alles zusammen.

Biologisch ergibt es keinen Sinn.

KI macht aus einem kleinen Problem schnell einen Fail-Grow

Eine Cannabispflanze benötigt Zeit, um auf Veränderungen zu reagieren.

Ein bereits geschädigtes Blatt wird nach einer Korrektur nicht zwangsläufig wieder grün. Ein Symptom kann von einem Problem stammen, das mehrere Tage zurückliegt. Manche Auffälligkeiten stagnieren bereits und müssen nur weiter beobachtet werden.

KI-Antworten enden jedoch fast immer mit einer Handlungsempfehlung.

Dadurch entsteht das Gefühl, sofort etwas tun zu müssen.

Der typische Verlauf sieht dann so aus:

1. Die KI erkennt einen vermeintlichen Calciummangel.

2. CalMag wird gegeben.

3. Nach zwei Tagen sieht das alte Blatt unverändert aus.

4. Eine zweite KI vermutet Überdüngung.

5. Das Substrat wird gespült.

6. Anschließend wird ein pH-Problem vermutet.

7. Der pH-Wert wird korrigiert.

8. Danach wird erneut nachgedüngt.

Innerhalb weniger Tage wurden sämtliche relevanten Variablen verändert.

Anschließend kann niemand mehr nachvollziehen:

• was ursprünglich passiert ist,

• welche Maßnahme sinnvoll war,

• welche Maßnahme neue Schäden erzeugt hat,

• ob überhaupt ein Eingriff notwendig gewesen wäre.

Ein erheblicher Teil misslungener Grows entsteht nicht durch das erste Problem, sondern durch die hektische Reaktion darauf.

KI beschleunigt diesen Aktionismus.

Wer nur noch die KI fragt, lernt seine Pflanze nie kennen

Das größere Problem ist nicht technisch.

Es ist menschlich.

Wir beobachten bei CannaSelection seit der Legalisierung immer häufiger, dass Grower keine Kulturhistorie mehr liefern.

Sie schicken zwei Bilder und erwarten eine fertige Lösung.

Es fehlen:

• Genetik,

• Alter,

• Topfvolumen,

• Substrat,

• Wasserwerte,

• Lichtwerte,

• Klima,

• Gießmenge,

• Düngung,

• zeitliche Entwicklung,

• bereits durchgeführte Maßnahmen.

Auf Rückfragen folgt häufig Ratlosigkeit.

Nicht weil diese Informationen absichtlich zurückgehalten werden, sondern weil sich viele Grower nie damit beschäftigt haben.

Sie wissen nicht, wie viel Wasser sie genau geben.

Sie kennen ihre Wasserwerte nicht.

Sie können nicht erklären, warum sie ein Produkt einsetzen.

Sie haben keinen Verlauf dokumentiert.

Sie beobachten nicht, welche Blätter zuerst betroffen waren.

Sie möchten keine Pflanze verstehen.

Sie möchten eine Antwort.

Aber genau so funktioniert Pflanzenbau nicht.

Growen bedeutet, das Warum zu verstehen

Wer eine Pflanze kultiviert, sollte bei jeder Maßnahme erklären können:

• Warum verwende ich dieses Substrat?

• Wie hält und verteilt es Wasser?

• Wie gelangt Sauerstoff an die Wurzeln?

• Woher kommen die Nährstoffe?

• Wie werden sie pflanzenverfügbar?

• Warum gieße ich heute?

• Warum gebe ich diese Wassermenge?

• Welches Ziel hat dieser Input?

• Woran erkenne ich, ob die Maßnahme funktioniert?

• Welche Nebenwirkungen kann sie haben?

Kann jemand diese Fragen nicht beantworten, sollte er nicht die nächste KI-Empfehlung umsetzen.

Er sollte zunächst sein eigenes System verstehen.

Eine KI kann zu nahezu jeder Idee eine fachlich klingende Begründung formulieren.

Aber eine gute Formulierung macht eine schlechte Maßnahme nicht sinnvoll.

Wer Bullshit eingibt, unvollständige Informationen liefert oder die entscheidenden Faktoren selbst nicht kennt, erhält am Ende häufig nur besser formulierten Bullshit zurück.

Beschäftigt euch mit Pflanzen statt mit Prompts

Wer zuverlässig growen möchte, muss sich mit den Grundlagen beschäftigen:

• Pflanzenphysiologie,

• Pflanzenschadbilder,

• Wurzelgesundheit,

• Bewässerung,

• Substratstruktur,

• Bodenbiologie,

• Licht,

• Transpiration,

• Temperatur,

• Luftfeuchtigkeit,

• Wasserchemie,

• Nährstoffkreisläufe.

Das klingt aufwendiger als ein Foto-Upload.

Es ist aber der einzige Weg, dauerhaft gute Entscheidungen zu treffen.

Ein Grower muss nicht jede biochemische Reaktion auswendig kennen. Er muss aber verstehen, dass ein Symptom mehrere Ursachen haben kann und eine Pflanze niemals unabhängig von ihrem System betrachtet werden darf.

Er muss lernen, seine Pflanze zu lesen:

• Wie steht das Blatt?

• Wie fühlt es sich an?

• Wie entwickelt sich der Neuaustrieb?

• Wie schnell trinkt die Pflanze?

• Wie reagiert sie nach dem Gießen?

• Ist das Problem statisch oder breitet es sich aus?

• Betrifft es alte oder junge Blätter?

• Ist nur eine Pflanze oder der gesamte Bestand betroffen?

Diese Informationen entstehen nicht durch einen Prompt.

Sie entstehen durch tägliche Beobachtung.

Unsere klare Empfehlung

Wir raten ausdrücklich davon ab, ChatGPT, Claude, Gemini oder andere allgemeine KI-Systeme als Grundlage für die Diagnose und Behandlung von Cannabispflanzen zu verwenden.

Insbesondere sollte niemand aufgrund einer KI-Antwort:

• sofort nachdüngen,

• Living Soil spülen,

• mehrere Inputs gleichzeitig einsetzen,

• organische und mineralische Strategien vermischen,

• den pH-Wert hektisch verändern,

• funktionierende Abläufe vollständig umstellen,

• einzelne Messwerte über die Pflanze stellen.

Eine KI kann deinen Topf nicht anheben.

Sie kann nicht fühlen, ob das Substrat verdichtet ist.

Sie riecht keine anaerobe Wurzelzone.

Sie kennt die Entwicklung der vergangenen Tage nicht.

Sie sieht nicht, wie sich die Pflanze während der Dunkelphase verhält.

Sie weiß nur, was du ihr erzählst und was auf einem begrenzten Bildausschnitt erkennbar ist.

Sie kennt deinen Grow nicht. Deshalb sollte sie ihn auch nicht steuern.

Warum der Grow Doctor anders arbeitet

Der Grow Doctor von CannaSelection wurde bewusst nicht als vermeintlicher KI-Pflanzenarzt aufgebaut.

Er soll nicht aus zwei Bildern eine spektakuläre Diagnose erfinden.

Er führt Grower stattdessen strukturiert durch Symptome und relevante Einflussfaktoren.

Dabei wird unter anderem eingegrenzt:

• welcher Pflanzenteil betroffen ist,

• ob alte oder junge Blätter Symptome zeigen,

• wie das Schadbild aufgebaut ist,

• welche Ursachen grundsätzlich infrage kommen,

• welche Bedingungen zusätzlich geprüft werden müssen,

• welche Ursachen systematisch ausgeschlossen werden können.

Das ist der entscheidende Unterschied.

Der Grow Doctor verspricht keine magische Sofortantwort.

Er bringt den Grower dazu, genauer hinzusehen und die richtigen Variablen zu prüfen.

Denn Pflanzendiagnostik ist kein Bilderquiz.

Sie ist ein Ausschlussverfahren.

Back to the Roots

Guter Eigenanbau beginnt nicht mit ChatGPT, Claude und Co.

Er beginnt mit Neugier, Beobachtung und der Bereitschaft, Verantwortung für ein lebendes System zu übernehmen.

Wer ausschließlich ein fertiges Produkt möchte, aber weder Prozesse verstehen noch Zeit in seine Pflanzen investieren will, sollte ehrlich hinterfragen, ob Eigenanbau überhaupt das richtige Projekt ist.

Sofern die rechtlichen und medizinischen Voraussetzungen für eine Versorgung bestehen, kann der Gang über die Apotheke am Ende günstiger, kontrollierbarer und qualitativ verlässlicher sein als ein schlecht verstandener Indoor-Grow.

Und das sagen wir, obwohl standardisierte Apothekenqualität aus unserer Sicht nicht das Ziel des Eigenanbaus sein sollte, sondern allenfalls dessen unterster Vergleichsmaßstab.

Eigenanbau kann deutlich mehr leisten.

Aber nur dann, wenn der Grower bereit ist, sich mit der Pflanze zu beschäftigen.

Unser Fazit

ChatGPT, Claude und andere generative Modelle sind beeindruckende Werkzeuge.

Sie können Informationen strukturieren, Texte aufbereiten, Messwerte vergleichen und bei vollständigem Kontext mögliche Hypothesen ordnen.

Sie sind aber keine Cannabis-Pflanzenärzte!

Sie wurden nicht mit einer umfassenden, wissenschaftlich validierten Cannabis-Schadbilddatenbank trainiert. Sie kennen weder dein individuelles Setup noch deine Kulturhistorie. Ihre Antworten basieren auf statistischen Mustern aus sehr unterschiedlichen Quellen – darunter potenziell auch Foren, Community-Diskussionen, Herstellerinhalte und falsch eingeordnete Schadbilder.

Das Ergebnis kann plausibel klingen und trotzdem vollständig falsch sein.

Deshalb lautet unser Rat:

Hört auf, eure Pflanzen von allgemeinen KI-Systemen diagnostizieren zu lassen.

Lernt eure Pflanzen kennen.

Versteht euren Boden.

Kennt euer Wasser.

Dokumentiert eure Maßnahmen.

Beobachtet Veränderungen.

Und hinterfragt jedes Mal, warum ihr etwas tut.

Ein Grow wird nicht besser, weil eine Antwort innerhalb von zehn Sekunden erscheint.

Er wird besser, wenn der Grower versteht, was in seinem System tatsächlich passiert.