KI-Modelle liefern praxisnahe Erkenntnisse zur agroökologischen Pflanzenschutz

Generative Künstliche Intelligenz hat das Potenzial, wissenschaftliches Wissen zu demokratisieren und in klare, umsetzbare Informationen zu verwandeln. In der Agrar- und Lebensmittelwissenschaft wurde dieses Potenzial bisher kaum untersucht. In einer neuen Studie wurden die Fähigkeiten von großen Sprachmodellen (LLMs) – DeepSeek und der kostenlosen Version von ChatGPT – bei der Erzeugung von Wissen zum agroökologischen Pflanzenschutz getestet.

Für neun weltweit relevanten Schädlingen, Unkrautarten und Pflanzenkrankheiten wurden die Modelle auf Faktengenauigkeit, Datenkonsistenz und Umfang der bereitgestellten Informationen bewertet. DeepSeek zeigte dabei eine deutlich größere Reichweite: Es scannte 4,8 bis 49,7‑mal mehr Literatur und meldete 1,6 bis 2,4‑mal mehr biologische Kontrollagenten oder Managementlösungen als ChatGPT.

Die Ergebnisse von DeepSeek waren nicht nur umfangreicher, sondern auch qualitativ besser. Es lieferte 21,6 % höhere Wirksamkeitsschätzungen, wies eine bessere Übereinstimmung zwischen Labor- und Felddaten auf und zeigte realistischere Effekte von Schädlingsidentität und Managementtaktiken. Beide Modelle machten jedoch Fehler: Sie erzeugten fiktive Agenten oder Referenzen, berichteten über unwahrscheinliche ökologische Wechselwirkungen, vermischten alte und neue wissenschaftliche Nomenklatur und vernachlässigten wichtige Daten.

Trotz dieser Schwächen konnten beide LLMs die allgemeinen Wirksamkeitstrends korrekt wiedergeben. Die Studie betont, dass bei sorgfältiger menschlicher Aufsicht die Modelle ein mächtiges Werkzeug für die Entscheidungsfindung auf Farmebene darstellen und die wissenschaftliche Kreativität fördern können.