Schaubild: wie stark die Trefferquote bei der Pilzbestimmung einbricht, wenn der Fruchtkoerper nicht mehr optimal ausgepraegt ist

KI bei der Pilzbestimmung: Warum die Trefferquote genau dort einbricht, wo die Baumkontrolle stattfindet

Autor: Andreas Klocke, Sachverständiger für Baumstatik · zuletzt fachlich aktualisiert am 01.09.2026

Im Jahrbuch der Baumpflege 2026 steht eine Untersuchung, auf die wir gewartet haben. Niclas Geßner, Dirk Dujesiefken und Rolf Kehr haben zehn Apps und fünf KI-Systeme daraufhin geprüft, wie zuverlässig sie die Pilzfruchtkörper bestimmen, um die es bei der Baumkontrolle geht. Sechs erfahrene Gutachter bekamen als Kontrollgruppe dieselben Fotos. Das Ergebnis ist nicht das, was man erwartet, wenn man die Prozentanzeigen dieser Programme ernst nimmt.

Was geprüft wurde

Zehn Fruchtkörper von acht Arten, darunter Zunderschwamm, Rotrandiger Baumschwamm, Schwefelporling, Eichenfeuerschwamm und Brandkrustenpilz. Je Fruchtkörper drei standardisierte Fotos: schräg von oben, die Unterseite, und eine Ansicht des aufgeschnittenen Fruchtkörpers. Maßstäbe waren nicht dabei, Angaben zu Substrat, Standort oder Dimension ebenfalls nicht, damit alle Verfahren dieselbe Ausgangslage hatten. Stand der geprüften Programme: November 2025.

Zwei Fruchtkörper waren mit Absicht keine Lehrbuchexemplare: ein Rotrandiger Baumschwamm ohne den roten Rand, der ihm den Namen gibt, und ein absterbender, toter Schwefelporling. An diesen beiden entscheidet sich der Beitrag.

Die Zahlen

Balkendiagramm der Trefferquoten bei der Bestimmung des Schwefelporlings: erfahrene Gutachter 100 und 83 Prozent, Apps 79 und 42 Prozent, KI-Systeme 100 und 40 Prozent, jeweils für den optimalen und den absterbenden Fruchtkörper

Über alle zehn Fruchtkörper kamen die sechs Gutachter im Mittel auf 93 Prozent richtige Bestimmungen, die Apps auf 55 Prozent, die KI-Systeme auf 49 Prozent. Die Spannweiten sind erheblich, von 20 bis 70 Prozent bei den KI-Systemen und von 25 bis 95 Prozent bei den Apps. Die Autoren schreiben selbst dazu, dass die Stichprobe klein und die Streuung groß ist und die Mittelwerte deshalb nur orientierend zu lesen sind. Das gehört dazu, wenn man die Zahlen zitiert.

Interessanter als die Mittelwerte ist der Schwefelporling, weil er zweimal im Test steckte. Im optimalen Zustand bestimmten ihn die KI-Systeme zu 100 Prozent richtig und die Apps zu 79 Prozent. Derselbe Pilz, absterbend und tot: KI-Systeme 40 Prozent, Apps 42 Prozent. Die Gutachter fielen von 100 auf 83 Prozent. Bei ihnen kostet der Zustandswechsel also 17 Punkte, bei den digitalen Verfahren 37 bis 60.

Warum das nicht gegen die Technik spricht, sondern gegen ihren Einsatzort

Ein Bilderkennungssystem lernt aus Bildern, und Bilder von Pilzen zeigen fast immer schöne Pilze. Frisch, typisch gefärbt, gut ausgeprägt. Ein damit trainiertes System muss beim Lehrbuchexemplar gut sein, und es ist gut, siehe die 100 Prozent oben. Nur ist das nicht die Lage, in der wir stehen.

Wir sehen den Fruchtkörper im November am Stammfuß, verwittert, angefressen, halb vermoost, oft am falschen Ende seines Lebens. Der nicht optimale Zustand ist in der Baumkontrolle nicht die Ausnahme, sondern der Normalfall. Das heißt: Die Trefferquote bricht ausgerechnet dort ein, wo man das Werkzeug bräuchte. Ein Hilfsmittel, das genau in den einfachen Fällen sicher ist, löst kein Problem, denn die einfachen Fälle kann der geschulte Kontrolleur ohnehin.

Was die Systeme gar nicht sehen

Die Untersuchung nennt drei Lücken, die uns aus der Praxis sofort einleuchten. Erstens werten die meisten geprüften Systeme keinen Kontext aus: nicht Substrat, Standort, Zustand des Wirtsbaums, Fäuletyp oder Jahreszeit. Für uns ist genau das die halbe Bestimmung. Ein Fruchtkörper an der Buche am Stammfuß im Oktober ist eine andere Ausgangslage als derselbe Fund an der Birke im Kronenbereich.

Zweitens fehlt der Maßstab. Die Programme fragen keine Größenangabe ab, und ohne Referenz ist eine Konsole von acht Zentimetern von einer mit vierzig nicht zu unterscheiden.

Drittens, und das ist der Punkt mit der größten Sprengkraft für die Verkehrssicherheit: Holzzersetzende Schlauchpilze werden von diesen Systemen meist gar nicht erst als Pilz erkannt. Der Brandkrustenpilz wird in der Untersuchung ausdrücklich als solcher Fall genannt. Das ist der Pilz, der eine Moderfäule verursacht, der das Holz spröde macht und den Baum ohne die Vorwarnzeichen brechen lässt, die zähes weißfaules Holz oft noch gibt. Wenn ein Werkzeug ausgerechnet bei diesem Pilz nichts meldet, ist das Schweigen die gefährlichste aller Antworten, weil es sich wie Entwarnung anfühlt.

Die Prozentzahl auf dem Bildschirm

Diese Programme geben ihr Ergebnis gern mit einer Sicherheit an, „95 Prozent“ oder ähnlich. Die Autoren halten solche Werte für methodisch nicht belastbar, weil weder Trainingsdaten noch Algorithmen offengelegt oder geprüft sind. Die Zahl sagt, wie sicher sich das Modell ist, nicht wie oft es recht hat. Wer das verwechselt, dokumentiert eine Scheinsicherheit im Kataster.

In eigener Sache

Auf dieser Website steht selbst ein solches Werkzeug, unser Assistent Elias. Er war in der Untersuchung nicht dabei, es gibt für ihn also keine vergleichbare Trefferquote, und wir behaupten hier keine. Ein Beitrag über die Grenzen fremder Werkzeuge wäre unehrlich, wenn er die eigenen ausspart.

Zwei Unterschiede zum getesteten Feld sind uns aber wichtig, weil sie an den Lücken oben ansetzen. Der erste ist der Zuschnitt. Die Untersuchung merkt selbst an, dass viele der geprüften Apps ursprünglich für Speisepilze gebaut wurden, also für eine ganz andere Frage als die nach der Verkehrssicherheit. Unser Assistent ist auf die holzzersetzenden Arten am Baum zugeschnitten und darauf, was ein Befund für Stand- und Bruchsicherheit bedeutet.

Der zweite Unterschied ist, dass er nicht einmal antwortet und dann fertig ist. Reichen die Merkmale nicht, sagt er, was fehlt, und fordert es an: die Unterseite mit den Poren, die Ansatzstelle am Stammfuß, den Gesamtbaum mit Standort. Wo eine Reaktion am Objekt weiterhilft, fragt er danach, etwa nach der Verfärbung an einer angeritzten Stelle. Damit holt er sich einen Teil dessen, was den getesteten Systemen fehlt. Er nennt außerdem Gattung und Konsequenz statt einer Art, die aus einem Foto nicht zu halten wäre, und er entwarnt nicht.

Ob das die Trefferquote hebt, ist damit trotzdem nicht gesagt. Geprüft ist es nicht, und der Einwand dieses Beitrags gilt für unser Werkzeug genauso: Ein Bild bleibt ein Bild. Ein Vorschlag ist deshalb ein Vorschlag und keine Diagnose, und er ersetzt in keinem Fall den Blick des Kontrolleurs am Baum.

Was das für die Praxis heißt

Der Nutzen dieser Programme liegt nicht in der Bestimmung, sondern im Verdacht. Als Beleg im Kontrollformular taugen sie nicht. Wer eine Art dokumentiert, sollte dazuschreiben, woran er sie festgemacht hat, und nicht, welches Programm sie ihm genannt hat.

Bleibt die Art unklar und steht ein Verkehrssicherheitsurteil an, führt der Weg nicht über ein zweites Programm, sondern über die Merkmale am Objekt und im Zweifel über die eingehende Untersuchung. Denn für die Beurteilung zählt am Ende ohnehin nicht der Artname allein, sondern was der Pilz im Holz angerichtet hat. Das Fazit der Autoren trifft es genau: „KI-basierte Anwendungen und Apps sind eine wertvolle Ergänzung für die Baumkontrolle, ersetzen jedoch nicht die notwendige fachliche Qualifikation für die Pilzbestimmung.“

Eine Einschränkung zum Schluss, die im Aufsatz steht: Die Daten geben den Stand von November 2025 wieder, und die Autoren rechnen mit besseren Folgeversionen. Der Grund für den Einbruch ändert sich dadurch nicht. Solange ein Verfahren nur ein Bild sieht und weder Substrat noch Maßstab noch Baumzustand kennt, bleibt der schlecht ausgeprägte Fruchtkörper sein schwerster Fall. Und der bleibt unser Alltag.

Die Zahlen dieses Beitrags stammen vollständig aus der unten genannten Veröffentlichung. Eigene Auswertungen oder Vergleichsmessungen sind nicht eingeflossen.

Quellen und weiterführende Links