Eine Zahl zu nennen ist einfach. Sie belastbar zu machen, ist die eigentliche Arbeit. EquiPrice Pro durchläuft dafür ein mehrstufiges Verfahren — hier zeigen wir Ihnen, was im Hintergrund passiert, bevor Sie einen Value Report erhalten.
Sie machen strukturierte Angaben zu Alter, Rasse, Ausbildungsstand, Turniererfolgen und weiteren Merkmalen — und können zusätzlich frei formulierten Text sowie Fotos hinzufügen.
Warum das wichtig ist: Freitext enthält oft entscheidende Information, die kein Formularfeld abbildet. Der Unterschied zwischen „das Pferd ist auf S3-Niveau gelaufen“ und „die Mutter des Pferdes ist auf S3-Niveau gelaufen“ ist wertmäßig riesig — ein einfaches Textwerkzeug behandelt solche Sätze oft nahezu gleich, weil es nur auf Ähnlichkeit prüft, nicht auf Bedeutung. EquiPrice Pro ist darauf ausgelegt, genau diesen Unterschied korrekt zu erfassen.
Jedes hochgeladene Foto wird automatisch geprüft: Zeigt es überhaupt ein Pferd? Bilder, die das nicht tun, fließen nicht in die Bewertung ein.
Ist ein Pferd erkennbar, wertet ein spezialisiertes Bildanalyse-Modell das Foto aus und berechnet daraus einen visuellen Aussagewert. Dieser Wert fließt zusätzlich zu den übrigen Angaben in die Bewertung ein: Je aussagekräftiger das Bildmaterial, desto stärker kann es die Einschätzung mit beeinflussen.
Praktischer Hinweis: Laden Sie nach Möglichkeit klare, aussagekräftige Fotos des Pferdes hoch — das verbessert die Grundlage für die Bewertung.
Das Modell arbeitet mit deutlich mehr Information, als das Formular auf den ersten Blick abfragt: Einbezogen werden rund 48 Merkmale, obwohl Sie nur etwa 15-16 Angaben direkt eintragen. Die zusätzliche Information entsteht durch zwei Quellen:
Warum Ihre Angaben hier den Unterschied machen: Diese zusätzlichen Merkmale kann das System nur aus dem herauslesen, was Sie tatsächlich schreiben. Ein knapper Freitext liefert kaum verwertbare Zusatzinformation. Eine präzise Beschreibung mit konkreten Fakten — etwa der genauen Anzahl an Platzierungen — verbessert die Datengrundlage spürbar und damit auch die Genauigkeit der Bewertung.
In dieser & letzter Saison 23 Platzierungen mit Amateur in regionalen Dressurprüfungen der Kl. M**, davon 4 Siege; Ausbildungsstand bis zur Kl. S: sichere Piaffe und Passage sowie Galopppirouetten, Einer-Wechsel angefangen; einfach zu reitendes Amateur- und Juniorenpferd.
M-platziert, bis S ausgebildet.
Die eigentliche Wertermittlung übernimmt ein eigens trainiertes Machine-Learning-Modell — keine allgemeine Sprach-KI. Ihre Anfrage durchläuft dabei nicht eine einzelne Berechnung, sondern mehrere, leicht unterschiedlich getunte Modellvarianten. Aus den Ergebnissen wird ein Mittelwert gebildet, anschließend werden Ausreißer an den Extremwerten kalibriert. Ein Mindestwert-Mechanismus verhindert zusätzlich unplausibel niedrige Ausreißer.
Ein kurzer Blick auf die Methodik: Das Machine-Learning-Modell arbeitet deterministisch — bei gleichen Eingabedaten liefert es stets dasselbe, reproduzierbare Ergebnis, weil es feste, aus tausenden realen Fällen gelernte Zusammenhänge anwendet. Das nachgelagerte Sprachmodell (Schritt 5) arbeitet dagegen stochastisch — es wägt Wahrscheinlichkeiten ab und kann bei denselben Eingaben in engen Grenzen unterschiedliche, aber jeweils plausible Einschätzungen liefern. Genau deshalb übernimmt das Sprachmodell nicht die eigentliche Preisberechnung, sondern die Rolle der unabhängigen Kontrollinstanz: Es prüft das reproduzierbare Ergebnis auf Plausibilität, ohne dessen Verlässlichkeit zu ersetzen.
Warum mehrere Modelle statt eines: Ein einzelnes Modell kann in Randbereichen — sehr hohe oder sehr niedrige Preise — stärker danebenliegen. Mehrere unabhängig trainierte Varianten gemeinsam zu betrachten und zu mitteln, macht das Ergebnis robuster gegen Einzelfehler.
Ein Sprachmodell hat unzählige Dressurtexte gelesen und „weiß“ aus der Theorie, dass fliegende Wechsel in der M-Dressur sauber und taktrein sein sollen. Sagt man ihm „die Wechsel waren sauber“, schlussfolgert es richtig, aber allgemein: „Das spricht für eine solide Ausbildung — das macht das Pferd tendenziell wertvoller.“ Mehr als diese plausible, lehrbuchhafte Einschätzung kann es nicht liefern, weil es weder weiß, wie groß dieser Effekt am Markt tatsächlich ist, noch, wie diese einen „sauberen Wechsel“ im Vergleich zu tausenden anderen M-Dressurpferden einzuordnen sind.
Das Machine-Learning-Modell hat stattdessen tatsächlich rund 78.000 Pferde gesehen, darunter tausende Dressur-Ergebnisse, und kann daraus ableiten, wie stark sich „saubere Wechsel“ in dieser Menge an echten Fällen tatsächlich auf den erzielten Preis auswirken — kalibriert an echten Marktdaten, nicht an allgemeinem Ausbildungswissen.
Die Stärken liegen also an unterschiedlichen Stellen: Das Sprachmodell versteht Bedeutung und Zusammenhänge in Freitext hervorragend — deshalb übernimmt es bei EquiPrice Pro die strukturierte Auswertung von Freitextangaben. Die eigentliche Preisberechnung stützt sich dagegen auf das Machine-Learning-Modell, weil nur dieses auf einer derart breiten Menge realer Vergleichsfälle kalibriert ist. Genau diese Kombination — Sprachverständnis für die Eingabe, kalibriertes Marktwissen für die Bewertung — liegt EquiPrice Pro zugrunde.
Hier unterscheidet sich EquiPrice Pro grundlegend von einfachen KI-Werkzeugen: Der errechnete Preis wird nicht einfach ausgegeben, sondern aktiv herausgefordert. Ein zweites, separat arbeitendes KI-System erhält den ermittelten Preis, alle strukturierten Daten und den Freitext — und bildet daraus unabhängig eine eigene Einschätzung mit Bandbreite, ohne das erste Ergebnis einfach zu übernehmen.
Hält der errechnete Preis dieser Gegenprüfung stand, wird er bestätigt. Wird er infrage gestellt, weil er deutlich außerhalb der plausiblen Bandbreite liegt, greift die Einschätzung der Zweitmeinung stattdessen. Diese Gegenprüfung greift überdurchschnittlich häufig bei sehr hochpreisigen Pferden, wo die Datenbasis naturgemäß dünner ist.
Gesundheitliche Angaben fließen strukturiert in die Bewertung ein. Die Einordnung orientiert sich an anerkannter Fachliteratur zur Wertminderung bei gesundheitlichen Befunden und wirkt sich, wo relevant, entsprechend auf das Ergebnis aus.
Sie erhalten nicht nur eine einzelne Zahl, sondern eine nachvollziehbare Bewertungsgrundlage: die zentrale Marktwerteinschätzung mit Bandbreite, die Einordnung in eine Vergleichsgruppe, die wichtigsten wertbeeinflussenden Faktoren und verständliche Erläuterungen zum Ergebnis.
Nicht ein Schritt, sondern sieben. Bildprüfung und -bewertung, strukturierte Merkmalsaufbereitung, mehrere unabhängig trainierte Modellvarianten mit Kalibrierung, eine strukturierte Freitextauswertung und eine unabhängige, separat arbeitende Zweitmeinung, die das Ergebnis aktiv herausfordert und bei Bedarf korrigiert. Diese Sorgfalt lässt sich nicht mit einem einzelnen Prompt nachbilden.
Value Report Mockup
Value Report Mockup
Fragen Sie nach der Datengrundlage: Wie viele und welche Vergleichspferde fließen ein? Arbeitet das System mit einem eigens trainierten Modell oder nur mit einer allgemeinen Texterzeugung? Gibt es eine unabhängige Kontrollinstanz, die das Ergebnis prüft? Je mehr Stufen und Kontrollen ein Verfahren hat, desto eher steckt eine belastbare Methodik dahinter.
In der Regel erhalten Sie Ihren Value Report innerhalb von 24–48 Stunden.
Nein. Der Value Report ist eine datenbasierte, unabhängige Zweitmeinung und dient als zusätzliche, valide Entscheidungsgrundlage. Er ersetzt keine rechtsverbindliche Begutachtung durch einen vereidigten Sachverständigen.
Nein. Der Value Report ist eine datenbasierte, unabhängige Zweitmeinung und dient als zusätzliche, valide Entscheidungsgrundlage. Er ersetzt keine rechtsverbindliche Begutachtung durch einen vereidigten Sachverständigen.
Schreiben Sie uns einfach eine Nachricht und wir melden und zeitnah bei Ihnen zurück.
