Jonathan Horn, CEO und Mitgründer von Treefera – Interview-Serie

Jonathan Horn, CEO und Mitgründer von Treefera, ist ein Technologie-Unternehmer und ehemaliger Investment-Banking-Executive mit tiefgreifender Expertise in Risikomanagement, künstlicher Intelligenz und groß angelegter Datenanalyse. Bevor er Treefera 2022 gründete, hatte er Führungspositionen bei J.P. Morgan und Citigroup inne, wo er sich auf Risiko, Daten und komplexe Finanzsysteme konzentrierte. Mit seinem Hintergrund in finanzgradigem Risikomodellierung startete Horn Treefera, um eine der größten Blindstellen in globalen Lieferketten anzugehen: die “erste Meile”, wo Rohstoffe entstehen. Unter seiner Führung ist das Unternehmen schnell zu einem führenden Anbieter von künstlicher Intelligenz-gesteuerter Lieferkettendaten geworden, das Unternehmen hilft, Echtzeit-Einblicke in Beschaffung, Umwelt-Risiken, Compliance-Anforderungen und betriebliche Widerstandsfähigkeit zu erhalten.

Treefera wurde 2022 in London gegründet und ist ein künstlicher Intelligenz-gesteuerter Lieferkettendatenanbieter, der sich auf die Transparenz der ersten Meile globaler Rohstoff-Lieferketten konzentriert. Sein proprietäres Daten-Gewebe kombiniert Satellitenbilder, räumliche und zeitliche Daten, künstliche Intelligenz-Modelle und Risikoanalyse, um Organisationen Echtzeit-Einblicke in Beschaffung, Compliance, Nachhaltigkeit und Lieferkettengesundheit zu bieten. Die Plattform hilft Unternehmen, alles von Entwaldungs-Exposition und Kohlenstoff-Auswirkungen bis hin zu Rohstoff-Beschaffungsrisiken zu überwachen, was zu fundierteren Entscheidungen in Beschaffung, Finanzen und Betrieb führt. Durch die Umwandlung von fragmentierten Umwelt- und Lieferketten-Daten in handhabbare Informationen zielt Treefera darauf ab, die Lieferkettengesundheit in einer zunehmend volatilen und regulierten Weltwirtschaft zu stärken

Sie gründeten Treefera nach leitenden Risiko-, KI- und Datenanalyse-Rollen bei J.P. Morgan und Citi. Welche spezifische Lücke sahen Sie in der Art und Weise, wie Unternehmen landwirtschaftliche und weiche Rohstoff-Risiken verstehen, die Sie davon überzeugten, dass Treefera existieren muss?

Natur-basierte Rohstoffe repräsentieren 2,1 Billionen US-Dollar des Welthandels, doch die Daten, die der Risikobewertung für diese Vermögenswerte zugrunde liegen, waren manuell, verzögert und strukturell ungenau. Durch die Arbeit mit Risiko-Modellen bei J.P. Morgan und Citi sah ich Preis- und Expositionsentscheidungen, die von Daten abhängig waren, die an der ersten Meile landwirtschaftlicher Lieferketten gesammelt wurden: von Hand gesammelt, anfällig für Auslassungen und oft Wochen oder Monate hinter der Realität. Sechzig Prozent des Lieferketten-Risikos entstehen an der ersten Meile, bevor Rohstoffe jemals einen Hafen oder eine Börse erreichen, doch genau dort war die Sichtbarkeit am geringsten.

Was mich dazu brachte, Treefera zu gründen, war die Konvergenz von zwei Dingen: dem Umfang des Problems und dem Eintreten von Werkzeugen, die in der Lage waren, es anzugehen. Die Auflösung und Abdeckung von Satelliten hatten einen Punkt erreicht, an dem man Feldzustände auf Feld-Ebene in großen Produktionsregionen mit minimalen Kosten beobachten konnte. Künstliche Intelligenz hatte sich so weit entwickelt, dass sie das rohe Signal in etwas finanziell interpretierbares umwandeln konnte. Niemand verband diese Punkte auf eine strenge, wissenschaftliche Weise. Unternehmen basierten ihre Risikobewertung immer noch auf Regierungsberichten, die Monate hinter den Bodenverhältnissen lagen, nationalen Durchschnittswerten, die lokale Variationen maskierten, und linearen Modellen, die Klimavolatilität nicht bewältigen konnten. Die Lücke zwischen dem, was bekannt war und dem, was wissen konnte, war enorm. Diese Lücke ist, wo Treefera sitzt.

Treefera wird oft als künstlicher Intelligenz-gesteuerter Informations-Plattform beschrieben, aber Ihr Ansatz ist explizit nicht auf LLMs zentriert. Wie erklären Sie den Unterschied zwischen vorhersehbarer KI für Lieferketten und den generativen KI-Systemen, die derzeit die Konversation dominieren?

Generative KI und große Sprachmodelle lösen ein grundlegend anderes Problem. Sie sind Produktivitäts-Tools: außerordentlich nützlich für die Vereinfachung wiederkehrender Aufgaben, wie das Erstellen und Zusammenfassen. Die kommerzielle Herausforderung für diese Systeme ist die Einführung, Menschen dazu zu bringen, ihre Arbeitsweise zu ändern. Das ist ein Markterziehungs-Problem, kein wissenschaftliches.

Treefera verwendet KI, um wissenschaftliche Probleme mit finanziell-gradigen Genauigkeitsanforderungen zu lösen. Unsere tiefen Lern-Modelle sind trainiert, um Satellitenbilder, Klimasignale und Pflanzenbiologie zu interpretieren, um Ertrags- und Produktionsflächen-Prognosen zu erstellen, die genau genug sind, um Kapitalzuweisungsentscheidungen zu informieren. Die Frage, die wir beantworten, ist nicht “Was sagt dieses Dokument?” Es ist “Was wird diese Region in drei Monaten ergeben, und wie sicher sollten Sie sein?” Das sind nicht dieselben Probleme und sie erfordern nicht dieselbe Klasse von Modell. LLMs sind für Sprache optimiert; unsere Modelle sind für die Interpretation der physischen Welt optimiert. Die Verwechslung der beiden führt dazu, das falsche Werkzeug für ein Problem zu verwenden, für das es nicht entwickelt wurde.

Viele KI-Unternehmen argumentieren, dass bessere Leistung mehr Rechenleistung, größere Modelle und besseren Zugang zu GPUs erfordert. Treefera scheint diese Annahme in Frage zu stellen. Was bedeutet “sparsames Rechnen” in der Praxis, und warum ist es wichtig für angewandte KI?

Die vorherrschende Annahme in KI ist, dass Skalierung Leistung bedeutet: mehr Parameter, mehr GPUs, mehr Cloud-Infrastruktur. Für angewandte KI in domänenspezifischen Kontexten ist diese Annahme falsch und sie produziert unnötige Kosten und Energieverschwendung.

Sparsames Rechnen bedeutet in der Praxis drei Dinge für uns. Erstens entkoppeln wir Rechenleistung von Zeit. Die meisten unserer Verarbeitungsaufgaben müssen nicht zu einem bestimmten Zeitpunkt erfolgen. Anstatt immer aktive Infrastruktur zu betreiben, identifizieren wir Zeiträume mit überschüssiger Netzwerkkapazität und borgen Rechenleistung während dieser Fenster.

Zweitens dezentralisieren wir Workloads. Anstatt alles durch einen einzelnen Cloud-Hub zu leiten, verteilen wir es auf ein Netzwerk von verfügbaren Knoten, einschließlich Blockchain-Infrastruktur, die erhebliche ungenutzte Kapazität in bestimmten Zeiträumen aufweist. Wenn ein Knoten ineffizient wird, leiten Aufgaben dynamisch um.

Drittens dimensionieren wir die Hardware richtig. Wir verwenden NVIDIA AG6 anstelle von Top-Tier-Chips, wo die Leistung für unsere Workloads bei einem Bruchteil der Energie und Kosten äquivalent ist. Der Grund, warum dies wichtig ist, liegt über Effizienz hinaus: Präzision. Sparsames Rechnen erzwingt Disziplin darüber, welche Berechnung man tatsächlich benötigt. Das produziert schlanke, interpretierbare Modelle – die Art von Modellen, die Finanz- und Betriebsentscheidungsträger tatsächlich verwenden können. Sie benötigen kein größeres Modell; sie benötigen eine genauere Antwort.

Ihre Plattform liefert angeblich vorhersehbare Ausgaben zu Erträgen, Landnutzung und Lieferketten-Risiken ohne auf immer aktive Cloud-Infrastruktur zurückzugreifen. Wie entkoppeln Sie Rechenleistung von Zeit und liefern dennoch kommerziell nützliche, nahezu Echtzeit-Intelligenz?

Nah-Echtzeit-Intelligenz und kontinuierliche Berechnung sind nicht dasselbe. Unsere Kunden benötigen wöchentlich aktualisierte Prognosen; sie benötigen nicht, dass die Rechenleistung, die diese Prognosen erzeugt, kontinuierlich läuft.

Wir kartieren unsere Verarbeitungszyklen auf den natürlichen Rhythmus der Daten. Satellitenbilder treffen auf einem bestimmten Rhythmus ein. Wetter-Eingaben aktualisieren sich auf einem bestimmten Rhythmus. Die analytischen Fragen, die unsere Modelle beantworten, sind auch von Rhythmus getrieben: Was ist die Ertragskurve für diese Region, was hat sich diese Woche in der angebauten Fläche geändert. Also planen wir Rechenaufträge im Voraus, um gegen diese Datenfenster zu laufen, und borgen Kapazität von dezentraler Infrastruktur während Zeiträume mit geringer Nachfrage. Die Ausgabe für den Kunden ist ein wöchentlicher Daten-Feed, der aktuell, handhabbar und modellbereit ist. Die Infrastruktur dahinter läuft nur, wenn es etwas Bedeutendes zu verarbeiten gibt. Diese Architektur ist auch widerstandsfähiger. Eine dezentrale Workload, die um fehlgeschlagene Knoten herumleitet, ist zuverlässiger als ein einzelner immer aktiver Server mit einem einzelnen Fehlerpunkt.

Landwirtschaftliche und weiche Rohstoff-Märkte verlassen sich immer noch stark auf verzögerte, umfrage-basierte oder fragmentierte Daten. Wie ändert KI die Art und Weise, wie Unternehmen, Banken, Versicherer und Händler Risiken bewerten, bevor sie in offiziellen Berichten sichtbar werden?

Das strukturelle Problem mit umfrage-basierter Berichterstattung ist, dass es rückblickend konzipiert ist. Sobald eine Regierungsbehörde eine Versorgungsschätzung veröffentlicht, sind die physischen Bedingungen, die ihr zugrunde liegen, Wochen oder Monate alt. Märkte, die auf diese Daten reagieren, reagieren auf Geschichte.

KI ändert das, indem sie die Informationsquelle von Umfragen auf direkte Beobachtung verlagert. Satellitenbilder, Klimasignale und Pflanzenentwicklungsdaten sind jetzt verfügbar, nicht in sechs Wochen, wenn ein Bericht kompiliert und veröffentlicht wird. Was unsere Modelle tun, ist, diese physischen Daten in die finanzielle Sprache zu übersetzen, die Händler, Versicherer und Analysten tatsächlich verwenden: Ertragsprognosen mit angegebenen Unsicherheitsintervallen, Produktionsflächen-Schätzungen mit wöchentlichen Updates, Stress-Scores, die Risiken am Ursprung quantifizieren, bevor sie in Preisen sichtbar werden.

Im Jahr 2022 flaggten unsere US-Mais-Modelle eine Abwärtsrevision fünf Wochen vor der Veröffentlichung durch die USDA. Im Januar 2025 legten unsere Modelle einen Stress-Score von 0,76 über Ghanas Kakaogürtel ab; COCOBOD revidierte seine Saisonprognose erst im Juni. Der Informationsvorteil ist nicht marginal; er ist strukturell. Unternehmen, die immer noch auf offizielle Berichte warten, um Liefer- und Preisentscheidungen zu treffen, operieren mit einer Verzögerung, die ihre Kontrahenten möglicherweise nicht teilen.

Die “erste Meile” von Lieferketten war historisch gesehen eines der undurchsichtigsten Gebiete für globale Unternehmen. Warum wird die Sichtbarkeit der ersten Meile jetzt so kritisch, insbesondere angesichts von Klimavolatilität, Regulierung und geopolitischer Unsicherheit?

Drei Kräfte konvergieren und jede ist individuell material.

Klimavolatilität erhöht die Häufigkeit und Schwere von Produktions-Schocks am Ursprung. Das gleiche Wetterereignis hat jetzt einen größeren Einfluss auf die Lieferkette, da Pflanzensysteme gestresster sind und extreme Ereignisse weniger vorhersehbar sind als aus historischen Durchschnitten. Lineare Risiko-Modelle, die auf historischen Normen basieren, sind strukturell nicht in der Lage, damit umzugehen. Man benötigt Echtzeit-Beobachtung, um zu sehen, was tatsächlich im Feld passiert.

Regulierung schafft einen direkten Haftungs-Link zwischen dem, was an der ersten Meile passiert, und dem, was ein Unternehmen verkaufen oder finanzieren kann. EUDR, CSRD, TCFD: Diese Rahmenwerke erfordern, dass Unternehmen wissen, mit Beweisen, wo ihre Rohstoffe herkommen und unter welchen Bedingungen am Ursprung. “Wir haben dem Lieferanten vertraut” ist keine vertretbare Position mehr. Diese Haftung treibt Rückverfolgbarkeit und Herkunft von einer Beschaffungs-Präferenz zu einer rechtlichen Anforderung.

Geopolitische Störungen haben es zu einem Vorstands-Risiko gemacht, wenn eine Region einen dominanten Anteil der globalen Versorgung eines Rohstoffs ausmacht und diese Region politisch oder physisch unzuverlässig wird. Unternehmen ohne Sichtbarkeit der ersten Meile haben keine frühzeitige Warnung, wenn der Markt bereits umgewertet hat.

Es gibt auch eine breitere Verschiebung im Daten-Ökosystem selbst. Der Start von Google Earth AI mit pan-tropischen Rohstoff-Karten – jährliche 10-Meter-Pflanzen-Fußabdrücke für Kakao, Kaffee, Palmöl und Gummi, als Open-Data veröffentlicht – ist ein nützlicher Indikator dafür, wohin sich die Dinge entwickeln. Die physische Welt wird zunehmend aus dem Weltraum lesbar, und die Nachfrage nach Lieferketten-Transparenz ist jetzt mainstream genug, um große Investitionen in Technologie anzuziehen. Treefera begrüßt das. Ein reicheres grundlegendes Daten-Layer erhöht den Boden für den gesamten Markt und schafft ein gemeinsames Bewusstsein, dass bessere Informationen nicht nur möglich, sondern verfügbar sind.

Was offene Entdeckungskarten nicht tun können, ist, die Intelligenz-Lücke zu schließen. Zu wissen, wo Pflanzen angebaut werden, ist nicht dasselbe wie zu wissen, wie sich diese Saison entwickelt, was die Bedingungen am Ursprung für Ihre Liefer-Exposition bedeuten oder wo Ihr Portfolio risikobehaftet ist. Die Übersetzung von Beobachtung in finanziell-gradige Erkenntnisse ist, wofür Treefera gebaut wurde.

Die Unwissenheit über die erste Meile war kommerziell tolerierbar, als die Welt vorhersehbarer war. Sie ist es nicht mehr.

Ihre Kundenbasis umfasst große Organisationen wie JP Morgan, Microsoft, Bayer und Anew. Welche sind die häufigsten Probleme, die Unternehmen mit Treefera lösen: Compliance, Lieferketten-Risiko, Prognose, Nachhaltigkeit, Beschaffung oder etwas anderes?

Das Kernproblem, das Unternehmen uns bringen, ist eine Version desselben: Sie haben erhebliche finanzielle Exposition gegenüber dem, was an der ersten Meile landwirtschaftlicher Lieferketten passiert, und keine zuverlässige Mechanismen, um es vorher zu sehen. Die spezifische Formulierung unterscheidet sich je nach Sektor.

Für Händler und Rohstoff-exponierte Finanzinstitute ist die Frage der Informationsvorteil: Liefer-Veränderungen sehen, bevor sie in Preisen oder offiziellen Daten erscheinen. Für landwirtschaftliche Kreditgeber und Versicherer ist es Risikobewertung; sie unterzeichnen oder finanzieren Operationen, deren Leistung direkt von Bedingungen abhängt, die sie nicht beobachten können. Für Konzerne mit Nachhaltigkeits- oder Compliance-Verpflichtungen ist die Frage der Beweis: mit vertretbaren Daten nachweisen, dass ihre Lieferketten die von Regulierungsbehörden und Kontrahenten geforderten Standards erfüllen.

Die traditionelle Antwort – dem Lieferanten vertrauen, auf den Regierungsbericht warten, den Konsens-Schätzwert kaufen – ist nicht mehr ausreichend. Die Präzision und Geschwindigkeit, die sie benötigen, existieren nicht im öffentlichen Daten-Ökosystem. Sie existieren an der ersten Meile.

Treefera hat ein 6-faches Wachstum von Jahr zu Jahr, null Abwanderung und eine überzeichnete Serie B innerhalb von zwei Jahren gemeldet. Was deutet dieses Maß an Unternehmensnachfrage nach KI-Systemen, die präzise, effizient und operationell fundiert sind, an, anstatt einfach nur groß angelegt?

Null Abwanderung ist das aussagekräftigste Signal. Umsatzwachstum kann kommerzielle Ausführung widerspiegeln; null Abwanderung spiegelt Produkt-Markt-Passung wider. Kunden, die die Daten für eine vollständige Saison verwendet, sie gegen ihre eigenen Modelle getestet und Entscheidungen auf ihrer Grundlage getroffen haben und dann verlängert haben, sagen uns, dass das Signal real ist und dass es ihre Betriebsweise ändert.

Es deutet auch auf erhebliche ungedeckte Unternehmensnachfrage nach KI hin, die präzise, überprüfbar und operationell integrierbar ist – Nachfrage, die von einer Landschaft, die stark von generativen Tools und großen allgemeinen Modellen geprägt ist, nicht bedient wird. Lieferkettengesundheits- und Risikoprofessionals benötigen eine Prognose mit einem angegebenen Unsicherheitsintervall, das sie in einem Risikoausschuss verteidigen können. Wenn diese Latte erreicht wird – domänen-spezifische Daten, finanziell-gradige Genauigkeit, transparente Methodik – priorisieren Unternehmen sie. Die überzeichnete Kapitalerhöhung spiegelt die Anerkennung von Investoren für dieselbe Dynamik wider: Der Markt ist groß, das Problem ist strukturell und die bestehende Daten-Infrastruktur wurde nicht gebaut, um es zu lösen.

Ausblickend, glauben Sie, dass die nächste Phase der angewandten KI weniger von Modell-Skalierung und mehr von operationeller Effizienz, domänen-spezifischen Daten und messbaren Geschäftsergebnissen definiert wird?

Ja, und der Beweis dafür ist bereits sichtbar.

Large-Scale-KI beginnt, die Grenzen dessen zu erreichen, was rohe Skalierung lösen kann. Das Hinzufügen von Parametern verbessert eine Ertragsprognose nicht, wenn die zugrunde liegenden Daten grob, verzögert oder geografisch falsch sind. Der marginale Wert von Rechenleistung nimmt ab, wenn der Engpass Daten-Qualität und domänen-spezifische Präzision ist, nicht Modell-Größe.

Die nächste Phase wird von domänen-spezifischen Trainingsdaten, richtig dimensionierten Modellen und überprüfbaren Ausgaben definiert. In Sektoren wie Landwirtschaft, Finanzen und Lieferkettengesundheit, wo Entscheidungen finanzielle und operative Konsequenzen haben, war die Frage nie “Wie groß ist das Modell?” Sie war “Wie zuverlässig ist die Antwort und wie schnell kann ich darauf reagieren?” Skalierung allein kann das nicht beantworten. Die Unternehmen, die in den nächsten fünf Jahren in angewandter KI führend sein werden, haben eigene Daten-Pipelines in die physische Welt aufgebaut, Modelle auf diesen Daten mit angemessener wissenschaftlicher Strenge trainiert und messbare Genauigkeit in Live-Bedingungen demonstriert. Die Technologie wird zunehmend zu einer Ware; die Daten und die domänen-spezifische Expertise sind es nicht.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Treefera besuchen.