Shahrear Roman, Hadi Hadi, Wyclife Agumba Oluoch, David Zilberman, Robert Finger und David Wuepper*
Smart-Farming-Innovationen können den Einsatz von Dünger, Pflanzenschutzmitteln, Treibstoff und Wasser senken. Ob sie sich verbreiten, hängt aber davon ab, ob sie sich für die Betriebe rechnen. In einer neuen Studie in PNAS (Roman et al., 2026) zeigen wir erstmals global und mit einer Auflösung von rund 5 km, wo das Potential dafür am grössten ist. Smart Farming kann bereits heute auf rund 42 Prozent der weltweiten Ackerfläche für zumindest einen Teil der Betriebe rentabel sein. Neben Einkommen, Infrastruktur und Feldgrösse spielt vor allem die Umweltpolitik eine grosse Rolle für die Rentabilität. In unseren Szenarien liegen zwischen einer starken und einer schwachen Umweltpolitik bis 2045 rund 500 Millionen Hektar Ackerland, auf denen sich Smart Farming lohnen könnte oder eben nicht.
Warum die Rentabilität entscheidet
Die Landwirtschaft muss mehr Nahrungsmittel mit weniger Umweltbelastung produzieren, und das in kurzer Zeit. Smart-Farming-Innovationen sind eine der wenigen Optionen, die grundsätzlich beides zugleich leisten können (Finger et al., 2019; Finger, 2023). Sie bringen Betriebsmittel dorthin, wo sie gebraucht werden, und vermeiden Überlappungen und Überdosierungen. Die Effekte sind gut dokumentiert. Zum Beispiel senken GPS-Lenksysteme den Treibstoffverbrauch um 6 bis 25 Prozent (Shockley et al., 2011; Jensen et al., 2012), Feldroboter können den Pflanzenschutzmitteleinsatz stark reduzieren und teilweise sogar ersetzen, und die teilflächenspezifische Stickstoffdüngung konnte die Lachgasemissionen in Studien um bis zu 34 Prozent verringern (Sehy et al., 2003; Balafoutis et al., 2017).
Allerdings tragen die Betriebe die Kosten, während der Umweltnutzens vor allem von großem gesellschaftlichem Wert ist. Die Entscheidung über eine Anschaffung einer neuen Technologie fällt auf dem Betrieb vor allem nach Erlösen, Betriebsmittelkosten, Investitionskosten und Risiko. Selbst wo sich die Technik theoretisch rechnet, verbreitet sie sich oft langsam. Im Vereinigten Königreich nutzte 2019 zum Beispiel rund ein Viertel der Betriebe teilflächenspezifische Ausbringung von Inputs, zehn Jahre zuvor waren es 13 Prozent. In Australien setzten 2021 nur 11 Prozent der grossen Getreidebetriebe teilflächenspezifische Düngung ein (McFadden et al., 2024). Bisher fehlte ein globales Bild davon, wo Smart Farming bereits rentabel ist und wie dies mit Umweltproblemen überlappt. Damit war auch schwer zu sagen, wo öffentliche Förderung am meisten bewirkt.
Daten und Vorgehen
Wir haben 4422 georeferenzierte Beobachtungen aus 67 Ländern zusammengetragen, wo Smart-Farming-Innovationen bereits eingesetzt werden und sich für die Betriebe lohnen. Rund 60 Prozent stammen aus einer weltweiten Befragung von Landwirtinnen und Landwirten, Herstellern und Forschenden (November 2023 bis August 2024), die profitable Einsatzorte auf einer digitalen Karte markiert haben. Die übrigen rund 40 Prozent stammen aus einer Meta-Analyse von Adoptionsstudien mit expliziten Kosten-Nutzen-Rechnungen. Mit diesen Daten haben wir ein Ensemble aus fünf Machine-Learning-Modellen auf 18 Prädiktoren trainiert (z.B. Einkommen, Bildung, Infrastruktur, Feldgrösse, Wetter und Umweltpolitik). Wir betrachten fünf Technologien: Applikationskarten, die automatisierte Ausbringung von Dünger und Pflanzenschutzmitteln, autonome Unkrautbekämpfung, GPS-Lenksysteme und autonome Bewässerung. Wir nutzen dazu einen Machine Learning Ansatz und verwenden nur einen Teil der Daten zum Training der Modelle, um diese am Rest der Daten zu validieren. Es zeigt sich, dass die Modelle diese räumlich zurückgehaltene Daten gut voraussagen, das heisst unsere Modelle einen hohen Erklärungsgehalt haben (AUC über 0,92 in einer räumlichen Kreuzvalidierung).
Fünf zentrale Ergebnisse
Erstens kann sich Smart Farming bereits heute auf rund 42 Prozent der weltweiten Ackerfläche, zumindest für manche Betriebe lohnen, d.h. auf etwa 500 von 1190 Millionen Hektar. Das Potenzial konzentriert sich auf Westeuropa, Nordamerika, Australien, Japan, Israel und Südkorea. Auf dem aktuellen sozioökonomischen Entwicklungspfad (SSP2) wächst der Anteil nur langsam, auf 46 Prozent bis 2035 und auf 50 Prozent bis 2045.
Zweitens findet das Wachstum nicht dort statt, wo das Potenzial um Umweltprobleme zu adressieren heute am höchsten ist. Die grössten Zuwächse erwarten wir in Ländern mit mittlerem Einkommen in Südamerika (v.a. Brasilien und Argentinien), Osteuropa, China sowie Süd- und Ostasien. In diesen Regionen fällt auch ein grosser Teil der weltweiten Belastung durch Dünger und Pflanzenschutzmittel an, und viele von ihnen leiden unter Wasserknappheit. Zudem liegen hier einige der Hotspots, in denen Landdegradation mit besonders grossen Ertragslücken einhergeht, z.B. Nordargentinien, Indien und Nordostchina. Weltweit ist eine um 10 Prozent stärkere Landdegradation mit rund 2 Prozent grösseren Ertragslücken verbunden (Hadi et al., 2026).
Abbildung 1. Das Globale Potential von Smart Farming Innovationen. Modelliert mit einem Ensemble raumbezogener Machine-Learning-Algorithmen bei einer räumlichen Auflösung von 5 km, jeweils getrennt für Applikationskarten in der Präzisionslandwirtschaft (A), die automatisierte Ausbringung landwirtschaftlicher Betriebsmittel (B), GPS-Lenkassistenz (C), automatisierte Unkrautbekämpfungsgeräte (D), automatisierte Bewässerungssysteme (E) sowie aggregiert über alle Innovationen (F).
Drittens ist die Umweltpolitik eines Landes der wichtigste Prädiktor dafür, ob sich Smart Farming lohnt. In allen fünf Algorithmen hat der Environmental Performance Index (EPI), ein Mass für die Qualität der Umweltpolitik eines Landes, die höchste mittlere Variablenwichtigkeit unter den 18 Prädiktoren. Er liegt vor Einkommen, Bildung, Infrastruktur, Feldgrösse und Agrarklima, und das Muster bleibt bestehen, wenn das Einkommen im Modell enthalten ist. Der Mechanismus liegt nahe: Wo Umweltauflagen greifen, ist es für den Betrieb mehr wert, keinen Dünger, keine Pflanzenschutzmittel und kein Wasser zu verschwenden.
Viertens verschiebt Umweltpolitik die Zahlen um mehr als ein Jahrzehnt. Wir haben die Projektionen neu berechnet und dabei jedem Land den besten bzw. den schlechtesten EPI-Wert seiner eigenen Einkommensgruppe der Weltbank zugewiesen. Der Massstab ist also kein globales Ideal, sondern ein Niveau, das strukturell vergleichbare Länder bereits erreichen. Bei starker Umweltpolitik lohnt sich Smart Farming 2035 auf 71 Prozent und 2045 auf 75 Prozent der Ackerfläche, bei schwacher Umweltpolitik nur auf 27 bzw. 31 Prozent. Der Unterschied beträgt 2045 rund 513 Millionen Hektar, etwa so viel wie die gesamte heute rentable Fläche. Zudem liegt der Wert für 2035 bei starker Umweltpolitik (71 Prozent) bereits deutlich über dem Wert für 2045 auf dem aktuellen Pfad (50 Prozent).
Fünftens bleibt das Potenzial in Subsahara-Afrika in allen Szenarien tief, auch in den optimistischen. Einkommenswachstum und bessere Umweltpolitik allein schliessen diese Lücke nicht. Ein wahrscheinlicher Grund ist, dass die heutigen Maschinen in und für grosse, kapitalintensive Betriebe in Nordamerika und Westeuropa entwickelt werden und nicht zu kleinbäuerlichen Strukturen passen (Moscona & Sastry, 2025). Das ist damit auch ein Problem der Forschung und Entwicklung und nicht nur eines des Einkommens.
Was heisst das für die Schweiz und Westeuropa?
Westeuropa gehört zu den Regionen, in denen sich Smart Farming heute schon lohnen kann. Zudem sind dort viele Umweltprobleme sehr gross, so dass die Technologie beitragen kann, diese zu lösen. Zum Beispiel trifft das Potenzial der automatisierten Düngerausbringung in Westeuropa auf eine hohe Stickstoffbelastung. Hier ist also eine Gelegenheit für win-win Situationen, was oft noch ungenutzt bleibt. Zum Beispiel weil klare Anreize und viele Risiken verbleiben. Für die Agrarpolitik ist das vor allem eine Frage der Ausgestaltung, und daraus folgen drei Punkte.
Erstens sollte die Politik den Umweltnutzen entlohnen. Ergebnisorientierte Agrarumweltzahlungen (zum Beispiel für Biodiversität oder vermiedene Verschmutzung) kombiniert mit Lenkungsabgaben auf Dünger und Pflanzenschutzmittel können starke Hebel sein, Innovationen dieser Art zu fördern. Ein Hindernis für die Einführung ergebnisorientierter Agrarumweltzahlungen war lange, dass sich Umweltergebnisse auf dem einzelnen Feld nur schwer und teuer messen liessen. Satellitendaten und andere Sensoren machen das zunehmend möglich, z.B. die automatische Erkennung von Pflügen und Mähen auf Schweizer Feldern mit frei verfügbaren Satellitenbildern (Wuepper et al., 2026b) oder auch das Messen von Biodiversität (Cord und Wätzold, 2026).
Zweitens sollten sich Programme am Zielbild für ein nachhaltigeres Agrarsystem orientieren und nicht an einer bestimmten Technologie. Feldroboter zeigen ihr Potenzial bisher vor allem in Westeuropa, und dort vor allem in herbizidintensiven Reihenkulturen wie der Zuckerrübe. US-amerikanische Betriebe begegnen der gleichen Herbizidresistenz dagegen mit kamerabasierten Spot-Sprayern, die für sehr grosse Felder gebaut sind. Allgemeiner hat bisher oft die Technik das Agrarsystem geprägt: Grössere Maschinen haben zu grösseren und einheitlicheren Feldern geführt, mit Kosten für Böden und Biodiversität. Wir haben deshalb an anderer Stelle vorgeschlagen, die Reihenfolge umzudrehen, d.h. zuerst ein Zielbild für ein nachhaltigeres Agrarsystem zu entwickeln und dann die dafür nötige Technik, zusammen mit passenden Politikinstrumenten und Geschäftsmodellen (Wuepper et al., 2026a).
Drittens kann auch Überregulierung das Potenzial zunichtemachen. Wenn für autonome Maschinen zu hohen administrativen Auflagen und Sicherheitsanforderungen gelten, verlieren sie leicht ihren wirtschaftlichen Vorteil. Hier lohnen sich sorgfältige Kosten-Nutzen-Analysen in beide Richtungen, die auch den Umweltnutzen einbeziehen
Implikationen über Europa hinaus
Für die internationale Agrar- und Entwicklungspolitik ergeben sich weitere Schlussfolgerungen. Erstens ist Umweltpolitik auch Technologiepolitik. Lenkungsabgaben, ergebnisorientierte Zahlungen und das Einhalten bestehender Regeln erhöhen die private Rendite nachhaltiger Produktionstechnik, und dieser Effekt sollte in der Bewertung solcher Massnahmen mitgezählt werden.
Zweitens sollte Förderung dort ansetzen, wo sich ökonomisches Potential und Umweltprobleme am stärksten überlagern, also dort, wo sich die Technik für den Betrieb beinahe rechnet und der öffentliche Nutzen gross ist. Unsere Karten zeigen diese Gebiete in einer Auflösung von rund 5 km und sind frei verfügbar.
Drittens lohnt es sich, in Ländern mit mittlerem Einkommen früh zu handeln. In Osteuropa, Südamerika und Asien entscheidet sich in den nächsten Jahren, welche Technologien sich etablieren, und Agrarsysteme bleiben danach oft über Jahrzehnte auf einem Pfad. Regulierung allein reicht dafür nicht, weil Smart Farming viel Kapital und Wissen erfordert. Sie muss mit Krediten, Beratung und Ausbildung verbunden werden.
Viertens sollte ein Teil der öffentlichen Agrarforschung auf Technik für kleinbäuerliche Systeme ausgerichtet werden. Programme der Entwicklungszusammenarbeit, die importierte Präzisionstechnik subventionieren, arbeiten gegen die strukturellen Bedingungen, die unser Modell abbildet. Aussichtsreicher ist der Transfer aus strukturell ähnlichen Ländern, z.B. aus Indien oder China, denn Innovationen verbreiten sich leichter zwischen Ländern mit ähnlichen Strukturen (Lerner et al., 2024).
Grenzen der Studie
Zwei Einschränkungen sind wichtig für die Interpretation. Erstens sind die Daten ungleich verteilt: Rund 77 Prozent der Beobachtungen stammen aus Ländern mit hohem Einkommen, und die Unsicherheit ist dort am grössten, wo Daten fehlen, gerade in Subsahara-Afrika. Die tiefen Werte dort sind deshalb eine Aussage über die betrachteten Technologien in ihrer heutigen Form und keine Prognose für zukünftige Technologieentwicklungen. Zweitens heisst «rentabel» in unserer Studie, dass sich eine Technologie für zumindest einen Teil der Betriebe an einem Ort lohnt, das können aber wenige Betriebe sein, und meistens ist die Eignung von Smart Farming-Technologien sehr betriebsspezifisch.
Insgesamt zeigt die Studie, dass sich Smart Farming auf einem grossen Teil der Ackerfläche lohnen kann, dass aber nicht von selbst kommt. Dies hängt zu einem grossen Teil davon ab, wie ernst ein Land seine agrarfokussierte Umweltpolitik nimmt.
Open Access Link zum Artikel: Roman, S., Hadi, H., Oluoch, W.A., Zilberman, D., Finger, R., Wuepper, D., 2026. Modelling the Global Potential of Smart Farming Innovations. Proceedings of the National Academy of Sciences (PNAS). https://doi.org/10.1073/pnas.2530081123
Daten, Code und Karten: https://doi.org/10.5281/zenodo.20703368 (CC BY 4.0)
*AutorInnen: Shahrear Roman, Hadi Hadi, Wyclife Agumba Oluoch und David Wuepper, Universität Bonn; David Zilberman, University of California, Berkeley; Robert Finger, ETH Zürich. Kontakt: wuepper@uni-bonn.de
Literatur
Balafoutis, A., et al., 2017. Precision agriculture technologies positively contributing to GHG emissions mitigation, farm productivity and economics. Sustainability 9(8), 1339.
Cord, A.F. and Wätzold, F., 2026. Next-generation agri-environment schemes: Integrating innovations in biodiversity monitoring, farming technologies and digital tools. Biological Conservation, 317, p.111761.
Finger, R., 2023. Digital innovations for sustainable and resilient agricultural systems. European Review of Agricultural Economics 50, 1277–1309.
Finger, R., Swinton, S.M., El Benni, N., Walter, A., 2019. Precision farming at the nexus of agricultural production and the environment. Annual Review of Resource Economics 11, 313–335.
Hadi, H., Ray, D.K., Borrelli, P., Gerber, J.S., Shokri, N., Roman, S., Wuepper, D., 2026. Land degradation is associated with larger crop yield gaps across global croplands. Nature Food 7, 678–687. https://doi.org/10.1038/s43016-026-01382-5
Jensen, H.G., Jacobsen, L.-B., Pedersen, S.M., Tavella, E., 2012. Socioeconomic impact of widespread adoption of precision farming and controlled traffic systems in Denmark. Precision Agriculture 13, 661–677.
Lerner, J., Liu, J., Moscona, J., Yang, D.Y., 2024. Appropriate entrepreneurship? The rise of China and the developing world. NBER Working Paper 32193.
McFadden, J., Erickson, B., Lowenberg-DeBoer, J., Milics, G., 2024. Global adoption of precision agriculture: an update on trends and emerging technologies. Proceedings of the 16th International Conference on Precision Agriculture.
Moscona, J., Sastry, K.A., 2025. Inappropriate technology: evidence from global agriculture. NBER Working Paper 33500.
Sehy, U., Ruser, R., Munch, J.C., 2003. Nitrous oxide fluxes from maize fields: relationship to yield, site-specific fertilization, and soil conditions. Agriculture, Ecosystems & Environment 99, 97–111.
Shockley, J.M., Dillon, C.R., Stombaugh, T.S., 2011. A whole farm analysis of the influence of auto-steer navigation on net returns, risk, and production practices. Journal of Agricultural and Applied Economics. https://doi.org/10.22004/ag.econ.100640
Wuepper, D., Möhring, N., Cord, A.F., Meijide, A., Storm, H., Qaim, M., Heckelei, T., Börner, J., Hadi, H., Kuhlmann, H., Stachniss, C., Ewert, F., 2026a. From technological fixes to systemic change: Vision-led innovation for Europe’s crop farming systems. Agricultural Systems 233, 104593. https://doi.org/10.1016/j.agsy.2025.104593
Wuepper, D., Wegner, J.D., Mileva, N., Bouchat, J., Chen, S., Ortiz-Bobea, A., Finger, R., 2026b. Harnessing satellite data for the next generation of agri-environmental policies. Environmental Research Letters 21, 011002. https://doi.org/10.1088/1748-9326/ae2d77
Source Beitragsbild: Taras Yasinksi / Pixabay
