GrowMentor

Vier Zahlen sagen alles

Ein Foto rein, eine flüssig klingende Diagnose raus, die in vier von fünf Fällen nicht wirklich stimmt und sich trotzdem oft sicher gibt. Genau das merkt man als "macht viele Fehler".

Wie die App funktioniert

Im Kern steckt eine allgemeine KI, die Fotos anschaut und Texte schreibt (das Modell heißt Claude). Davor sitzen ein paar Bausteine. Handwerklich ist das gut gemacht, das ist nicht das Problem:

• Sorgfältige Anweisungen. Die KI wird angewiesen, nichts zu erfinden, Verwechslungen bewusst auszuschließen und bei jedem Bild zusätzlich auf ernste Probleme zu achten.
• Zweite Kontrolle. Ein zweiter, günstiger Durchlauf prüft jede fertige Antwort noch einmal auf gefährliche Fehler.
• Angeschlossene Suche, das ist die beworbene Wissensdatenbank. Zu jeder Anfrage werden ein paar ähnliche Fälle aus einer Sammlung herausgesucht und der KI mitgegeben.
• Die eigentliche Diagnose macht aber nicht diese Sammlung. Sie steckt in einer festen Liste, die direkt im Anweisungstext steht. Die gesuchten Fälle liegen nur lose daneben, die KI ist sogar angewiesen, sie im Zweifel zu ignorieren. Ein wirklich großes, dazulernendes Wissenssystem ist das nicht.

Die Testergebnisse im Detail

Der Ersteller hat drei Testreihen gemacht. Die realistischste ist die ernüchterndste. Der Unterschied liegt an den Fotos: Die 67-Prozent-Reihe besteht großteils aus Lehrbuch-Bildern und Infografiken, die Forum-Reihe aus echten Handy-Fotos von Nutzern.

Auf echten Fotos fällt die Trefferquote auf ein Fünftel, mehr als die Hälfte ist nur teils richtig, und fast jede vierte Antwort ist selbstbewusst falsch. Für ein Produkt, das Geld kostet und an Laien geht, ist die selbstbewusst falsche Antwort das eigentliche Risiko: Ärger, schlechte Presse, Rückerstattungen.

Die groß beworbene Wissensdatenbank

Hier ist das Versprechen am schwächsten, und die eigenen Zahlen des Erstellers widerlegen es:

Der Ersteller schreibt es in seinen eigenen Notizen selbst: "Nicht die KI ist der Burggraben, das Modell hat jeder."

Das jetzige System in Zahlen

Damit klar wird, wovon wir reden, hier die echten Werte aus dem Programmcode der App, nicht aus der Werbung:

Die groß beworbene Wissensdatenbank sind also rund 552 kurze Texteinträge. Und selbst die kommen fast nicht an, denn pro Diagnose sucht das System nur die 6 ähnlichsten heraus. Alles andere bleibt liegen.

Wenn wir dieses System einfach weiternutzen und wachsen wollten, laufen wir in mehrere feste Wände:

• Nur 6 Einträge kommen durch, egal wie groß die Datenbank ist. Ob 552 oder 500.000 Einträge, die KI bekommt immer nur 6 davon zu sehen. Die Datenbank größer zu machen bringt fast nichts, genau das zeigen die gemessenen 2 Punkte.
• Das Wissen steckt im Anweisungstext, und der ist begrenzt. Die eigentliche Diagnose-Liste liest die KI bei jeder Anfrage komplett mit. Da passt nicht beliebig viel rein, der Text hat eine Obergrenze, und je länger er wird, desto teurer und langsamer wird jede einzelne Anfrage.
• Jede Sitzung ist nur ein kurzes Gespräch, kein Gedächtnis. Für jeden Nutzer läuft nur ein zeitlich begrenztes Gespräch. Die KI merkt sich nichts dauerhaft und lernt nicht von selbst aus früheren Fällen. Es gibt kein gemeinsames Gehirn, das mit jedem Nutzer klüger wird. Bestätigte Fälle müsste man mühsam von Hand nachpflegen.
• 60 Sekunden, dann ist Schluss. Jede Anfrage muss in 60 Sekunden fertig sein, eine feste Grenze der gemieteten Plattform. Für eine saubere zweite Prüfung durch ein unabhängiges Modell reicht das nicht.
• Speicher auf Mietbasis wird zur Dauerkosten-Falle. Fotos und Daten liegen bei einem gemieteten Cloud-Dienst, der pro Gigabyte und Monat kostet. Wächst die Sammlung wirklich, Hunderte Gigabyte und später Terabyte, wird das dauerhaft teuer.
• Jede Diagnose kostet und hat ein Anfrage-Limit. Jede einzelne Diagnose ist ein bezahlter Aufruf bei einem fremden KI-Anbieter. Bei vielen Nutzern gleichzeitig läuft man zusätzlich in dessen Anfrage-Limits.

Warum das kein einfacher Fehler ist

Die 20 Prozent kann man nicht einfach nachbessern. Die verwendete KI ist ein Alleskönner. Aus einem einzigen Foto eine Pflanzenkrankheit zu erkennen ist aber eine Spezialaufgabe: Viele Ursachen sehen fast gleich aus, und genau darin sind Alleskönner-KIs schwach. Kein Trick am Anweisungstext hebt das über diese Grenze.

Warum ein eigenes Modell klar besser ist

Der wichtigste Punkt zuerst: Die Bild-Erkennung von Claude kann man nicht mit unseren eigenen Fotos nachschulen, der Anbieter erlaubt das nicht. Bessere Bild-Erkennung heißt also zwingend: ein eigenes, auf Cannabis spezialisiertes Modell. Genau da liegt der Hebel.

Die drei wichtigsten Gründe:

• Der echte Vorsprung sind die Daten, nicht die KI. Aus dem Seedsupplier-Umfeld gibt es schon über 1.150 echte Einsende-Fotos plus Forum- und Support-Fälle, viele mit der Antwort "was war es am Ende wirklich". Das ist genau das Übungsmaterial, das kein Konkurrent hat. Ein eigenes Modell macht daraus Genauigkeit, eine fremde Allzweck-KI kann das nicht.
• Ehrliche Sicherheit löst das teuerste Problem. Ein eigenes Modell sagt dir, wie sicher es ist. Damit kann man eine klare Regel setzen: sicher genug, dann Diagnose, sonst ehrlich "weiß nicht" und ab zum Menschen. Das beendet die 23 Prozent selbstbewusst falscher Antworten.
• Nicht ersetzen, sondern aufteilen. Das eigene Modell macht die schwere Bildarbeit, ChatGPT macht daraus einen guten Text. GrowMentor lässt heute eine einzige Allzweck-KI beides machen und ist genau beim Bild am schwächsten.

So sieht der Plan aus: zwei Modelle im Team

Zwei Modelle, jedes für das, was es am besten kann. Das eigene Modell erkennt das Problem auf dem Foto, ChatGPT schreibt daraus einen verständlichen Rat.

• Schritt 1, euer eigenes Modell (Foto). Auf unseren echten Fotos geübt. Es nennt die Diagnose und wie sicher es sich ist.
• Die Weiche. Ist es sicher genug, geht es weiter. Wenn nicht, sagt es das ehrlich und leitet zu einer zweiten Meinung. Aus der heutigen Schwäche wird ein Vorteil.
• Schritt 2, ChatGPT (Text). Das geprüfte Ergebnis geht an ChatGPT, das daraus einen freundlichen, klaren Rat im Ton eines echten Growers macht. Gute Texte sind ChatGPTs Stärke, und so ein kurzer Text kostet nur Bruchteile eines Cents, nicht wie heute ein teurer Foto-Aufruf jedes Mal.
• Der Lernkreis. Jeder bestätigte Fall geht zurück ins Übungsmaterial des eigenen Modells, das dadurch immer besser wird. Kontrolliert und geprüft.
• Die Wissensbasis wächst mit echten Fällen. Weil das Modell uns gehört, kann es zusätzlich echte, bestätigte Fälle aus vertrauenswürdigen Grower-Foren wie grower.ch sammeln. Ein automatisierter Browser loggt sich ein und liest mit, aber bewusst langsam und höflich, damit die Server der Foren nicht überlastet werden. So wächst mit der Zeit eine echte Falldatenbank, die GrowMentors starre Liste nie haben wird.

Eigener Rechner statt Miete

In der Lernphase, also bevor überhaupt Geld reinkommt, ist Mieten die teure Falle. Ein gemieteter Rechner mit starker Grafikkarte kostet ab dem ersten Tag rund 500 € im Monat, ununterbrochen, auch während das Modell nur übt und getestet wird. Ein solider eigener Einstiegs-Rechner (starke Grafikkarte, kräftiger Prozessor, viel Arbeitsspeicher) kostet einmalig ab etwa 1.500 €.

Nach rund drei Monaten hat sich der eigene Rechner gegen die Miete gerechnet, danach gehört er dir, ohne laufende Kosten. Als Grundstein zum ruhigen Üben und Lernen ist das der richtige Start. Größer machen kann man später immer noch, dann aber aus Einnahmen bezahlt, nicht auf Verdacht.

Dazu kommt der Speicherplatz, ein zweiter Kostentreiber, den man leicht übersieht. Genau die Fotosammlung, die unseren Vorsprung ausmacht, wird groß. Schon in der Lernphase kommen schnell mehrere Hundert Gigabyte an Fotos zusammen, und wenn die Sammlung wirklich gefüllt ist, sind es leicht mehrere Terabyte. Auf gemietetem Webspace zahlt man diesen Platz Monat für Monat, und die Rechnung wächst mit jedem Foto. In den eigenen Rechner steckt man einmal ein paar große Festplatten, das kostet einmalig wenig und ist dann erledigt. Einfach gesagt: je mehr Fotos wir sammeln, also je besser das Modell wird, desto teurer wird Mieten und desto klarer gewinnt der eigene Rechner.

Was passiert, wenn du den Rechner hast

Du kaufst den Rechner und lässt ihn zu mir schicken. Ab da mache ich alles, Schritt für Schritt:

1. Betriebssystem einrichten. Ein sauberes Linux mit den passenden Treibern, damit die Grafikkarte ihre volle Leistung fürs Üben bringt.
2. KI-Software installieren. Alle Programme, die zum Trainieren und Nutzen des Modells nötig sind, sauber eingerichtet.
3. Basis-Modell auswählen. Ich starte mit einem fertigen Modell, das schon Bilder versteht, und mache es dann zum Cannabis-Spezialisten, statt bei null anzufangen.
4. Lernphase. Eure echten Fotos werden beschriftet, das Modell darauf geübt, gemessen und nachgebessert, bis die Trefferquote stimmt. Das ist der Kern der Arbeit.
5. Steuerbare Weboberfläche. Eine einfache, geschützte Seite, über die du das Modell selbst nutzt: Foto hochladen, Diagnose bekommen, Rückmeldung geben. Mit Verwaltungsbereich, um Modell und Daten zu steuern.
6. ChatGPT anbinden. Als zweiter Schritt wird ChatGPT angeschlossen, das aus der Diagnose einen schönen, klaren Rat macht.
7. Betrieb und Lernkreis. Im Betrieb sammelt das System bestätigte Fälle und wird damit weiter besser. Größer machen kommt später, aus Einnahmen.

Ehrlich bleiben: der Aufwand

Damit nichts schöngeredet wird, ein eigenes Modell ist kein Selbstläufer:

Kurz gesagt

Ausgereift ist die App nicht. Als erste Testversion ordentlich gebaut, als verlässliches Diagnose-Produkt nicht. 20 Prozent wirklich richtige Treffer auf echten Fotos und 23 Prozent selbstbewusst falsche Antworten sind für ein Bezahlprodukt an Laien ein echtes Risiko. Die groß beworbene Wissensdatenbank hält den eigenen Tests nicht stand.

Der richtige Weg ist ein eigenes, spezialisiertes Modell. Nicht aus Prestige, sondern weil es die einzige Antwort auf eine Grenze ist, die eine Allzweck-KI nicht überwindet, und weil das Wichtigste, die beschrifteten Fotos, schon da ist. Der beste Aufbau ersetzt Claude nicht, er teilt die Arbeit: eigenes Modell fürs Foto, ChatGPT für den Text.