Sensor. Agent. Ventil. Closed Loop.
Ein autonomes System braucht drei Dinge: Wahrnehmung, Entscheidung, Aktion. Das klingt nach Robotik-Lehrbuch. Es ist aber auch exakt die Beschreibung eines gut funktionierenden Gartens — wenn man die richtigen Werkzeuge hat.
Ein Tensiometer misst nicht Feuchte in Prozent. Es misst Saugspannung — die Kraft die eine Pflanzenwurzel aufbringen muss um Wasser zu ziehen. 40 cbar heißt Stress. Der Sensor weiß es bevor man es sieht. Das ist Wahrnehmung.
Ein lokales VLLM bekommt täglich ein Foto: „Wie geht es dieser Pflanze?" Es antwortet strukturiert: Blattfarbe, Wuchsform, Schädlinge, Mangelsymptome. Ein Agent aggregiert Sensor + Bild + Wetterdaten und entscheidet: gießen oder nicht. Das ist der Loop.
Der richtige Sensor misst den richtigen Parameter — nicht den nächstliegenden. Bodenfeuchte in Prozent ist wenig aussagekräftig. Saugspannung in cbar ist Pflanzenphysiologie. EC-Wert misst Nährstoffverfügbarkeit, nicht Nährstoffgehalt. CO2-Konzentration zeigt Atemaktivität der Bodenbiologie.
| SENSOR | MISST | WARUM RELEVANT | HARDWARE |
|---|---|---|---|
| Tensiometer | Bodenwasserspannung (cbar) | Pflanzen-Stress direkt, nicht Bodenfeuchte | Irrometer, DIY-keramisch |
| Bodenfeuchte | volumetrisch (%) | Backup, günstig, kein Korrosionsproblem | kapazitiv, <€5 |
| EC / pH | Leitfähigkeit / Säure | Nährstoffverfügbarkeit, Hydroponik | Atlas Scientific |
| CO2 | ppm Kohlendioxid | Bodenbiologie-Aktivität, Indoor-Klima | SCD40 |
| Temp / RH | °C / % Luftfeuchte | VPD-Berechnung, Schimmelrisiko | SHT30, DHT22 |
| Licht / PAR | lux / µmol/m²/s | Photosynthese-Einschränkung | VEML7700, BH1750 |
| Kamera | Bild | VLLM Pflanzenbeurteilung täglich | ESP32-CAM (€5) |
Visual Language Models (VLLMs) sind der Game-Changer für Pflanzen-Monitoring. Kleine lokale Modelle laufen auf Raspberry Pi 5 oder M-Chip. Eine ESP32-CAM kostet fünf Euro. Das bedeutet: eine Kamera pro Pflanzgruppe, täglich automatisch bewertet, Verlauf protokolliert, Anomalien gemeldet.
Kein Bild verlässt das Netz. Kein Cloud-Call. Die Modelle können strukturierten JSON-Output — Pflanzengesundheit, Mangelbilder, Schädlinge, Wuchsform — direkt in Agenten-Pipelines verwertbar.
Gemma 4 (April 2026, Apache 2.0) ist das erste Google-Modell das multimodal lokal läuft — E4B (9.6 GB quantized) via Ollama. Native Tool Calls out-of-the-box. Eine Kamera, ein Modell, tägliche Pflanzengespräche.
Das Soil Food Web ist kein IoT-Problem — es ist ein biologisches System. Bakterien zersetzen organische Materie. Pilze bilden Mykorrhiza-Netzwerke die Mineralien transportieren. Nematoden regulieren Bakterienpopulationen. Protozoen geben Stickstoff frei wenn sie Bakterien fressen.
Das lässt sich kaum messen. Aber man kann es unterstützen — und beobachten. Der Agent-Usecase hier ist anders als im Bewässerungs-Loop: nicht Steuerung, sondern Beobachtung und langfristige Empfehlung.
FarmBot ist ein Open-Source-Präzisionslandwirt: ein CNC-Gärtner der über ein Hochbeet fährt, bewässert, pflanzt, jätet — und eine REST-API hat. Das macht ihn zur physischen Schnittstelle für Agenten: „Alle Reihen mit Trockenheitswert > 35 cbar gießen."
Das ist heute. Weiter gedacht: humanoide Roboter (Tesla Optimus, Unitree G1) können in einigen Jahren ernten, umpflanzen, beschneiden. Die Agenten-Architektur und das Daten-Modell das man heute baut — Sensordaten, Bildhistorie, Pflanzenprofile, Routinen — ist das Gehirn das dann einen körperlichen Arm bekommt.