Key Takeaways
Allive ersetzte die 10- bis 30-minütige manuelle Hanfsamenanalyse durch eine KI-gestützte Inspektion, die Ergebnisse in Sekundenschnelle liefert.
Die Aussortierung grüner Schalen, die zuvor bis zu 2 Stunden pro Probe dauerte, ist nun in Sekunden abgeschlossen. Dies verändert die tägliche Kapazität des Labors um ein Vielfaches.
Ein 6-monatiges Pilotprojekt brachte ein hanfspezifisches KI-Modell mit über 30 Verunreinigungsklassen (darunter Mutterkorn, Sklerotien, Ambrosia, Raps, Schneckenklee) und einer Gesamtgenauigkeit von 93,25 % bei 100 % der Produktionsproben hervor.
Bei oxidierten Hanfsamen stimmte das System bis auf 0,03 Prozentpunkte mit den Laborergebnissen überein (Labor 1,54 % vs. System 1,57 %).
Der Product Compliance Manager von Allive beschreibt den Wandel als Übergang vom 'Schauen' zum 'Messen' – Qualität als Fakt, nicht als Meinung.
Die Qualitätskontrolle in Echtzeit unterstützt nun Produktionslinien, die 500 kg Hanfrohmaterial pro Stunde reinigen.
Jede Inspektion erzeugt einen jederzeit abrufbaren digitalen Bericht, in dem jedes Objekt segmentiert und klassifiziert ist. Ein Live-Beispiel aus der Produktionslinie von Allive (6.251 erkannte Körner) ist im Beitrag verlinkt.
JSC Allive ist einer der größten vertikal integrierten Produzenten von Industriehanf in Europa und beliefert die Lebensmittel- und Gesundheitsmärkte in der EU, den USA, Kanada und Japan. Dies sind Märkte, die keine Kompromisse dulden. Der Product Compliance Manager von Allive, Tadas Brazdauskas, formuliert es treffend:
Wir sind nicht einfach nur ein weiteres Hanfunternehmen. Wir sind ein Unternehmen, bei dem Qualität kein Marketing ist. Sie ist eine tägliche Entscheidung. Wir bedienen Märkte ohne Kompromisse, also machen wir selbst auch keine.
- Tadas Brazdauskas, Product Compliance Manager
Ende 2025 starteten Allive und GrainODM ein strukturiertes, sechsmonatiges Pilotprojekt, um die manuelle Hanfsamenqualitätsprüfung durch eine KI-gestützte Inspektion zu ersetzen. Sechs Monate und zwölf wöchentliche Überprüfungszyklen später ist der beschriebene Prozess keine visuelle Einschätzung mehr. Es ist eine digitale Präzisionsmessung. Oder, wie Tadas es später in dieser Geschichte ausdrückt: Qualität ist zu einem Fakt geworden, nicht zu einer Meinung.
Dies ist die Geschichte dieses Wandels, erzählt mit den Worten der Personen, die ihn vorangetrieben haben: Tadas und Emilija Nugarienė, Junior Laboratory Manager bei Allive.
Der Moment, in dem der manuelle Prozess an seine Grenzen stieß
Entweder wir ändern den Prozess, oder der Prozess wird unser Wachstum bremsen.
- Tadas Brazdauskas, Product Compliance Manager
Die Hanfinspektion bei Allive war früher vollständig manuell. Jede Verunreinigung wurde einzeln gezählt und gewogen, dann in Journale eingetragen und in Excel kopiert – mit dem ständigen Risiko von Übertragungsfehlern auf jedem Schritt dieses Weges.
„Eine Standardprobe dauerte etwa 10 Minuten“, erinnert sich Emilija. „Aber einige Prozesse, wie das Aussortieren und Zählen grüner Schalen, konnten bis zu zwei Stunden in Anspruch nehmen. An einem typischen Tag fielen 20 bis 30 Analysen an, abhängig von der Produktion.“
Der eigentliche Druck entstand durch extreme Sonderfälle. Das Aussortieren und Zählen grüner Schalen in einer einzigen Probe konnte bis zu zwei Stunden dauern. Mit der KI-Inspektion ist dieselbe Prüfung nun in Sekunden abgeschlossen. Es ist ein Paradigmenwechsel, der nicht nur die Dauer einzelner Aufgaben verkürzt, sondern fundamental verändert, was ein Labor physisch an einem Tag leisten kann.
Bei einer Produktionsrate von rund 500 kg gereinigtem Hanfrohmaterial pro Stunde bei Allive bedeutet ein langsames Labor auch eine langsame Produktionslinie. Jedes zusätzliche Kilogramm mit ungewisser Qualität stellt ein Risiko für die anspruchsvollen Exportverpflichtungen dar.
Der Engpass bestand nicht in einer einzelnen langsamen Probe. Es ging um die Frage, ob die Qualitätskontrolle mit dem Wachstum des Unternehmens mithalten konnte.
Was wäre diese Zeitersparnis bei Ihrem Durchsatz wert?
Allive analysierte durchschnittlich 20 bis 30 Proben pro Tag mit jeweils 10 bis 30 Minuten Aufwand. Berechnen Sie, wie viele Arbeitsstunden und wie viel Durchsatz Sie in Ihrem eigenen Betrieb zurückgewinnen könnten, wenn Sie die manuelle Prüfung ersetzen.
Zum ROI-Rechner →Warum Allive eine Plug-and-Play-KI ablehnte
Hanfsamen sind kein Weizen. Die Verunreinigungen, die Allive aufspüren muss (Fremdsamen, oxidierte Kerne, unreife Samen, Schalen und Schalenfragmente, Schmutz), überschneiden sich in Farbe, Form und Größe massiv mit sauberen Samen. Standardmäßige Computer-Vision-Modelle, die auf klassisches Getreide trainiert sind, scheitern an dieser Überschneidung.
Wir suchten weniger nach Technologie als vielmehr nach den klugen Köpfen dahinter.
- Tadas Brazdauskas, Product Compliance Manager
„Wenn ein Partner Ihr Produkt nicht versteht, wird auch KI nicht helfen“, sagt Tadas. „Hanfsamen sind nicht einfach Weizen. Die Verunreinigungen können in Farbe, Form und Größe sehr ähnlich sein. Es war für uns entscheidend, dass das Modell mit den Verunreinigungen trainiert wird, die wir über einen langen Zeitraum gesammelt haben, und dass unsere Erfahrung mit einfließt.“
Dieser Ansatz definierte den Rahmen. Es würde keine einfache Softwareinstallation werden. Es war ein gemeinsames Entwicklungsprojekt.
Einblicke in das sechsmonatige Pilotprojekt
Die Struktur des Pilotprojekts war bewusst praxisnah angelegt. Das Labor von Allive lieferte Proben, annotierte Grenzfälle und markierte Fehlklassifizierungen. GrainODM trainierte das Modell jede Woche neu und spielte Updates ein. Dieser Rhythmus lief von Oktober 2025 bis März 2026, begleitet von formellen wöchentlichen Überprüfungen, die in einem 96-seitigen gemeinsamen Prüfprotokoll dokumentiert wurden. Dort sind alle Beobachtungen, Modelländerungen und gelösten Edge Cases detailliert erfasst.
Die Lernkurve des Modells lässt sich am besten an einer speziellen Klasse nachvollziehen. In den ersten Wochen wurden Verunreinigungen, die nicht eindeutig einer trainierten Klasse entsprachen, in einer Sammelkategorie „Sonstige Samen“ zusammengefasst. Bei einer Charge in Woche 2 meldete das System 260 Objekte unter „Sonstige Samen“, während das Labor 6 gezählt hatte. Am Ende des Pilotprojekts war dieser Sammelbehälter durch mehr als dreißig spezifische Klassen ersetzt worden – darunter Mutterkorn, Sklerotien, Ambrosia, Raps, Schneckenklee, Ölrettich, Behaarte Wicke, Ackerrettich, Filzige Klette, Ampfer-Knöterich, Flughafer, Weizen, Senf und Labkraut –, allesamt gruppiert unter den drei Kategorien, die das QC-Framework von Allive nutzt: allergene, gefährliche und schädliche Verunreinigungen.
Bis Februar 2026 erreichte das Modell eine Gesamtgenauigkeit von 93,25 % bei 100 % der Produktionsproben über das gesamte Klassenset. Bei einer bestimmten Verunreinigungsart, für die Allive exportkritische Schwellenwerte überwacht – oxidierte Hanfsamen – stimmte das System bis auf 0,03 Prozentpunkte mit den Laborergebnissen überein (Labor 1,54 % vs. System 1,57 % im Durchschnitt über neun Proben).
Dieselbe Hanfsamenprobe bei Allive, vor und nach der GrainODM KI-Inspektion: unbehandelter Probenteller im Vergleich zu segmentierten und klassifizierten Erkennungen.
Emilija beobachtete die Fortschritte aus der Perspektive des Labors. „Während des Pilotprojekts wurde das System immer besser. Mit jedem Update erkannte es unsere Samentypen und Verunreinigungen präziser. Es war offensichtlich, dass das Team aktiv mit unseren Daten arbeitete und sich die Genauigkeit des Modells stetig verbesserte.“
„Wir waren anspruchsvoll. Und es ist gut, dass sie dem standgehalten haben“, sagt Tadas. „Das Modell wurde mit unseren Daten trainiert, und wir waren tief in den Prozess involviert. Einige Dinge dauerten länger, als wir erwartet hatten, aber unsere eigenen Erwartungen wuchsen ebenfalls mit der Zeit. Das war kein ‚Kaufen und Benutzen‘. Es war ein ‚Gemeinsam aufbauen‘.“
Aus dem Labor: Geschwindigkeit und Beweiskraft
Emilija bearbeitet jeden Tag Hanfproben. Ihre Routine umfasst das Zählen von Verunreinigungen, das Sortieren unreifer und geschälter Samen, die Dokumentation sowie die Prüfung der Produktionslinie. Sie hat den klarsten Blick darauf, wie die Arbeit aussah, bevor und nachdem die KI im Labor Einzug hielt.
Für sie war die erste Veränderung physisch spürbar. „Was mich am meisten überraschte, war die Geschwindigkeit. Ergebnisse in ein paar Sekunden. Es war ein offensichtlicher Unterschied zu der manuellen Arbeit, die wir bis dahin geleistet hatten.“
Neben der Zeitersparnis stellten sich jedoch zwei Dinge im Alltag als wichtiger heraus, als beide Seiten zu Beginn prognostiziert hatten.
Strukturierte Kategorien im Bericht. „Es ist sehr komfortabel, dass die Ergebnisse in einer strukturierten Tabelle geliefert werden“, sagt Emilija, „in der die Kategorien – allergene, gefährliche, schädliche Verunreinigungen – und ihre Summen klar ersichtlich sind.“ Es gibt keinen Interpretationsspielraum mehr zwischen der Analyse und der Frage eines Auditors.
Ein Datensatz, den Sie versenden können. Jede analysierte Probe behält ihren vollständigen, interaktiven Bericht. Wenn ein Käufer oder Prüfer eine Charge anzweifelt, sendet Allive ihm die Datei. Sie öffnen diese, zoomen hinein und sehen exakt das, was auch das Labor gesehen hat. Es gibt schlichtweg nichts mehr zu diskutieren.
Interaktiven Bericht öffnen →
Eine der nützlichsten Funktionen ist die Möglichkeit, das Probenfoto zu speichern und es später erneut zu analysieren, falls Fragen oder Unstimmigkeiten zur Qualität auftauchen.
- Emilija Nugarienė, Junior Laboratory Manager
Jeder, der in einer Qualitätssicherungsrolle arbeitet, weiß, was das wert ist. Ein fotogestützter Nachweis verwandelt eine stundenlange Diskussion in eine fünfminütige Antwort.
Aus Sicht des Managements: Qualität als Fakt
Tadas betrachtet die Transformation von einer anderen strategischen Flughöhe.
Qualität ist zu einem Fakt geworden, nicht zu einer Meinung.
- Tadas Brazdauskas, Product Compliance Manager
„Wir arbeiten mit landwirtschaftlichen Rohstoffen, bei denen selbst ein erfahrener Spezialist nicht alles bemerken kann, besonders nach vielen manuellen Analysen. Die Augen werden müde. Das System erkennt Dinge, die wir mit bloßem Auge übersehen würden, und es erstellt einen digitalen Datensatz jedes einzelnen Fundes.“
Die zweite große Veränderung betrifft das Timing. Manuelle QC fungierte als nachträglicher Bericht. Die KI-Inspektion läuft nun parallel zur Reinigungslinie. „Jetzt können wir die Analysen direkt während des Prozesses durchführen, jeden Tag. Wenn Sie 500 kg gereinigtes Rohmaterial pro Stunde produzieren, ist die Reaktionszeit entscheidend. Was früher ein langsamer Prozess war, ist nun ein Qualitätsmanagement in Echtzeit. Weniger Abweichungen, weniger Nacharbeit, geringere Kosten.“
Tadas fasst das Vorher und Nachher in einem Satz zusammen: „Früher haben wir mit unseren Augen gearbeitet. Jetzt arbeiten wir mit Daten.“
Was Allive Branchenkollegen rät, die über Automatisierung nachdenken
Drei Dinge ragen aus Tadas’ Antwort heraus. Erstens, die Dringlichkeit. Zweitens, das Verständnis von Automatisierung als strategische Richtung und nicht bloß als Kauf. Drittens, der Faktor Mensch.
Wenn Sie noch darüber nachdenken, ist es eigentlich schon zu spät. Es ist keine Wahlmöglichkeit mehr. Es ist die Richtung, in die es geht.
- Tadas Brazdauskas, Product Compliance Manager
„Bei der Automatisierung geht es nicht nur um Zeitersparnis. Sie verändert die Natur der Arbeit selbst. Wir haben die Monotonie beseitigt und den Mitarbeitern mehr Verantwortung und mehr Raum für Wachstum gegeben. Das ist ein größerer Wert als reine Effizienz – nicht nur Produktivität, sondern auch Motivation. Arbeite intelligent, nicht hart. Das Wichtigste ist, einen Partner zu wählen, der diesen Weg mit Ihnen gemeinsam gehen will, denn dann ist das Ergebnis nicht einfach nur Technologie. Es ist ein echter geschäftlicher Wandel.“
Emilijas Fazit aus Laborsicht ist ruhiger, schlägt aber in dieselbe Kerbe:
Solche Werkzeuge werden ein untrennbarer Bestandteil der täglichen Arbeit werden. Sie ergänzen die Expertise der Fachkräfte und steigern die Effizienz massiv.
- Emilija Nugarienė, Junior Laboratory Manager
„Eine Technologie wie diese spart erheblich Zeit, erhöht die Zuverlässigkeit der Ergebnisse und standardisiert sie“, fügt sie hinzu.
Diese Unterscheidung ist wichtig. Bei Allive hat die KI-Inspektion das Labor nicht ersetzt. Sie hat dem Labor ein zweites Paar Augen gegeben, das niemals müde wird und seine Arbeitsweise jederzeit transparent belegen kann.
Für die Hanfindustrie
Das Pilotprojekt von Allive ist ein einzelner Datenpunkt, kein industrieweites Urteil. Aber es setzt einen klaren Maßstab. Für ein Unternehmen, das Premium-Hanfzutaten in Märkte liefert, die keine Kompromisse zulassen, ist eine rein manuelle Qualitätskontrolle kein sicherer Standard mehr. Die Erwartungen der Käufer verschieben sich in Richtung digitaler Nachweise pro Charge, und Hanf folgt damit exakt dem Weg, den Getreide vor einem Jahrzehnt eingeschlagen hat.
Für detaillierte Hintergrundinformationen (welche Verunreinigungsklassen Hanflabore überwachen, welche Standards in der EU, den USA, Kanada und Japan gelten und wie man einen Partner für KI-Inspektion bewertet), lesen Sie unseren Leitfaden zur Hanfsamenqualitätsprüfung. Für die Vorgeschichte vom September 2025, wie diese Partnerschaft begann, finden Sie hier unsere ursprüngliche Ankündigung. Einen breiteren Überblick darüber, wie KI-gesteuerte Analysatoren funktionieren, bieten unsere Artikel Getreideanalysatoren erklärt und der Leitfaden zur Getreidereinheitsprüfung.
Wenn Sie einen Hanfbetrieb führen und verstehen möchten, wie ein sechsmonatiges, maßgeschneidertes Modelltraining für Ihr Produkt aussehen könnte, buchen Sie ein 30-minütiges Gespräch, nutzen Sie unseren ROI-Rechner, um zu sehen, was der Ersatz der manuellen Sortierung bei Ihrem Durchsatz wert sein könnte, oder öffnen Sie einen Live-Probenprüfbericht, um die Art von digitalem Datensatz zu erleben, den Allive jetzt bei jeder Charge generiert.
Häufig Gestellte Fragen
Das Pilotprojekt lief über sechs Monate, von Oktober 2025 bis März 2026, mit wöchentlichen Überprüfungen zwischen dem Qualitätsteam von Allive und dem Modelltrainingsteam von GrainODM. Die Iterationen wurden in einem 96-seitigen gemeinsamen Prüfprotokoll dokumentiert, in dem die wöchentlichen Beobachtungen, Modelländerungen und gelösten Sonderfälle festgehalten sind.
Bis Februar 2026 erreichte das Modell eine Gesamtgenauigkeit von 93,25 % bei 100 % der Produktionsproben über mehr als dreißig Verunreinigungsklassen hinweg. Speziell bei oxidierten Hanfsamen stimmte das System bis auf 0,03 Prozentpunkte mit den Laborergebnissen überein (Labor 1,54 % vs. System 1,57 % im Durchschnitt über neun Proben).
Eine standardmäßige manuelle Probenanalyse dauerte von Anfang bis Ende etwa 10 bis 30 Minuten, abhängig von der Probe und einschließlich der Dateneingabe. Extreme Fälle wie das Sortieren und Zählen grüner Schalen konnten bis zu zwei Stunden pro Probe dauern. Mit der KI-Inspektion liefern dieselben Prüfungen nun Ergebnisse in Sekundenschnelle.
Verunreinigungen in Hanfsamen ähneln den Samen selbst oft in Farbe, Form und Größe. Standard-Getreidemodelle scheitern daran, diese zuverlässig zu trennen. Allive trainierte das GrainODM-Modell mit der eigenen Verunreinigungsbibliothek, die aus jahrelanger Erfahrung in der Hanfproduktion aufgebaut wurde.
Jede analysierte Probe generiert einen digitalen Bericht mit dem Originalbild, den erkannten Verunreinigungskategorien (allergen, gefährlich, schädlich), den Zählungen und einem Zeitstempel. Berichte können später wieder geöffnet werden, um Qualitätsstreitigkeiten zu klären oder Audit-Fragen zu beantworten.
Die Reinigungslinie von Allive verarbeitet etwa 500 kg gereinigtes Hanfrohmaterial pro Stunde. Die KI-Inspektion unterstützt nun Qualitätsentscheidungen in Echtzeit bei diesem Durchsatz.
Das Modell von Allive wurde in einem sechsmonatigen strukturierten Pilotprojekt mit wöchentlichen Überprüfungszyklen trainiert. Dieser Zeitplan spiegelt die Komplexität wider, Hanfverunreinigungen zu separieren, die den Samen selbst so stark ähneln. Betriebe mit einfacheren Klassen können Produktionsreife schneller erreichen, während stark variable Produktmixe möglicherweise längere Iterationsphasen benötigen.
Ja. GrainODM erzeugt digitale Inspektionsberichte (einschließlich des annotierten Probenbildes, der Zählungen pro Klasse, der Summen und des Zeitstempels), die exportiert und in bestehende Laborinformations- oder Qualitätsmanagementsysteme integriert werden können. Der Umfang der Integration wird während der Pilotphase definiert.
Ein Pilotprojekt geht in den laufenden produktiven Einsatz über, sobald die Genauigkeitsziele auf den Proben des Kunden erreicht sind. Das Modell bleibt wartbar, was bedeutet, dass neue Verunreinigungsklassen oder Produktlinien durch zusätzliche Trainingszyklen hinzugefügt werden können, anstatt ein neues Werkzeug anschaffen zu müssen.
The New Standard in Grain Purity Analysis
Data, not guesswork. Learn how GrainODM sets a new benchmark for digital grain inspection.