Food Waste stoppen mit KI-Bestellprognose

Das echte Ausmaß des Problems

Theresa ist kein Einzelfall. Das Umweltbundesamt beziffert die Lebensmittelabfälle in Deutschland auf 10,8 Millionen Tonnen jährlich (Stand 2022). Der Außer-Haus-Sektor — Restaurants, Kantinen, Catering — ist für rund 14 bis 17 Prozent davon verantwortlich: circa 1,5 bis 1,9 Millionen Tonnen Lebensmittel, die in deutschen Küchen jedes Jahr nie serviert werden.

Auf den einzelnen Betrieb heruntergebrochen: Eine professionelle Küche wirft im Schnitt zwischen 4 und 10 Prozent der eingekauften Lebensmittel weg — nicht durch Verderb, sondern durch Überproduktion und Fehlbestellung. Bei einem Restaurant mit 15.000 Euro monatlichem Wareneinsatz entspricht das 600 bis 1.500 Euro, die jeden Monat im Müll landen. Das sind Euros, die du bereits ausgegeben hast, bevor ein einziger Gast den ersten Bissen genommen hat.

Das Problem hat drei Quellen:

• Keine verlässliche Prognose: Wie viele Gäste kommen an einem konkreten Dienstagabend in drei Wochen? Das hängt vom Wetter ab, von lokalen Veranstaltungen, vom Wochentag, von der Saison — und von all dem gleichzeitig. Das menschliche Gehirn ist darin strukturell schlecht, weil es sich an markante Ereignisse erinnert (volles Stadtfest-Wochenende) und weniger an den grauen Durchschnittsdienstag danach.
• Der Sicherheitspuffer: Gastronomen bestellen lieber zu viel als zu wenig — der Schaden eines ausverkauften Gerichts ist sichtbar (enttäuschte Gäste, schlechte Bewertung), während der Schaden des Überrests unsichtbar ist (er landet still im Müll oder in der Mitarbeiterverpflegung).
• Fehlende Datengrundlage: Wer keine systematischen Verkaufsdaten hat oder diese nicht auswertet, entscheidet auf Basis von Erinnerungen statt auf Basis von Fakten.

Das Ergebnis: Aus dem Bauch bestellt, nicht aus dem System.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Schätzung auf Basis von 15.000 € monatlichem Wareneinsatz und 30-prozentiger Reduktion des Food Waste. Tatsächliche Einsparung abhängig von Betriebsgröße, aktueller Bestellgenauigkeit und Datenqualität.

Der Vergleich zeigt den wichtigsten Unterschied: KI spart weniger Zeit als der Dienstplan-Retter — aber es spart direktes Geld. Jede eingesparte Portion Überbestellung ist ein Euro, der nicht ausgegeben wird. Das ist der einfachste ROI-Hebel in dieser Kategorie.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die eigentliche Bestellplanung dauert statt 1–2 Stunden pro Woche nur noch 15–30 Minuten: Du überprüfst den KI-Vorschlag, passt einzelne Positionen an und sendest die Bestellung ab. Das ist real — aber im Vergleich zum Dienstplan-Retter oder dem Bewertungsassistenten kein dominanter Zeitgewinn. Der größte Wert liegt nicht in der eingesparten Planungszeit, sondern im verhinderten Schaden.

Kosteneinsparung — sehr hoch (5/5) Die stärkste Achse in dieser Kategorie. Lebensmittelkosten sind der direkteste und am leichtesten messbare Kostenhebel in der Gastronomie. Was du nicht kaufst, kostet nichts — anders als bei Dienstplan oder Bewertungsmanagement, wo der Nutzen indirekter ist. Bei einem Wareneinsatz von 12.000 bis 20.000 Euro monatlich entspricht eine Reduktion des Food Waste um 30 Prozent einem direkten Gewinn von 100 bis 300 Euro pro Woche.

Schnelle Umsetzung — mittel (3/5) Die KI braucht historische Kassendaten — mindestens 3 bis 6 Monate. Wer ein digitales Kassensystem hat und auf Verkaufshistorie zugreifen kann, ist in 3 bis 6 Wochen produktiv. Wer noch keine verlässlichen Daten hat, muss zunächst sauber erfassen. Schwieriger als Bewertungsmanagement (1–2 Wochen), vergleichbar mit Dienstplan (2–3 Wochen), wegen der Datenvoraussetzung etwas anspruchsvoller.

ROI-Sicherheit — sehr hoch (5/5) Der klarste ROI in dieser Branche. Du weißt, was du heute für Lebensmittel ausgibst, und du weißt morgen, was du weniger ausgegeben hast. Kein indirekter Effekt, keine Zuschreibungsfrage — der Unterschied zwischen dem alten Einkaufszettel und dem neuen ist bares Geld. Einzige Bedingung: Das System braucht 4 bis 8 Wochen zum Einlernen, bis die Prognosequalität zuverlässig ist.

Skalierbarkeit — hoch (4/5) Ein gut konfiguriertes Prognosemodell lässt sich ohne proportionalen Mehraufwand auf mehrere Standorte ausrollen. Wer eine Restaurantkette betreibt, kann die Intelligenz des Modells zentral pflegen und standortspezifisch anpassen. Einschränkung gegenüber dem Bewertungsassistenten: Bei Expansion kommen neue POS-Integrationen und lokal unterschiedliche Lieferantenbeziehungen dazu — das erfordert einmaligen Einrichtungsaufwand pro neuem Standort.

Richtwerte — stark abhängig von aktuellem Wareneinsatz, vorhandenem Kassensystem und Datenqualität.

Was ein KI-Bestellsystem konkret macht

Das Grundprinzip ist Predictive Analytics: Das System lernt aus Mustern der Vergangenheit, um Vorhersagen für die Zukunft zu machen.

Konkret heißt das: Das Modell bekommt Zugriff auf deine Kassendaten — welches Gericht wurde wann wie oft verkauft, bei welchem Wetter, an welchem Wochentag, in welcher Woche des Jahres. Dazu kommen externe Signale: der Wetterbericht für die nächsten sieben Tage, lokale Veranstaltungskalender (Stadtfeste, Konzerte, Fußballspiele), Schulferienkalender, Brückentage. Das Modell gewichtet all diese Faktoren gleichzeitig — nicht durch eine Formel, sondern durch Machine Learning, das lernt, welche Faktoren in deinem spezifischen Restaurant die stärkste Vorhersagekraft haben.

Das Ergebnis ist ein wöchentlicher Bestellvorschlag: nicht “bestelle 10 kg Rinderhüfte”, sondern “bestelle zwischen 7,5 und 9 kg Rinderhüfte — Konfidenz 87 Prozent, basierend auf ähnlichen Wetterbedingungen und dem Fußballspiel am Samstag”. Du siehst nicht nur die Empfehlung, sondern auch, warum das System so rechnet.

Was das in der Praxis bedeutet

Woche 1: Das System schlägt 8 kg vor. Du bestellst 9 kg — du traust dem System noch nicht ganz. Am Ende der Woche verbleiben 800 Gramm. Woche 3: Du bestellst 8,5 kg. Ende der Woche: 200 Gramm. Woche 8: Du bestellst die empfohlene Menge. Ende der Woche: nichts übrig, kein Engpass. Die Prognosegenauigkeit liegt in gut konfigurierten Systemen nach 2 bis 3 Monaten bei 85 bis 95 Prozent.

Der entscheidende Unterschied zu einer Excel-Tabelle mit Durchschnittswerten: Das Modell reagiert dynamisch auf kurzfristige Veränderungen. Wenn am Mittwoch ein überraschender Regentag ansteht, passt es die Schätzung für den Donnerstagsmittagsservice automatisch an. Kein Mensch macht das konsistent.

Was das System nicht kann

Es kann nicht Ereignisse vorhersagen, die noch nie passiert sind. Ein neues Konzertformat, das zum ersten Mal im Stadtkalender auftaucht, ist für das Modell eine Unbekannte. Und es kann keine Entscheidungen für dich treffen — der Bestellvorschlag ist eine fundierte Empfehlung, kein Befehl. Wer das System als Werkzeug behandelt und Korrekturen eingibt, verbessert das Modell langfristig. Wer die Empfehlungen blind übernimmt, bekommt durchschnittliche Ergebnisse.

Konkrete Werkzeuge — was wann passt

Es gibt sehr unterschiedliche Wege, eine KI-Bestellprognose einzurichten. Die richtige Wahl hängt stark davon ab, wie groß dein Betrieb ist und ob du bereits ein digitales Kassensystem nutzt.

MarketMan — für Restaurants mit mittlerem Budget und US-kompatiblem Kassensystem MarketMan verbindet sich direkt mit POS-Systemen wie Lightspeed, Square und Toast und erstellt automatische Bestellvorschläge auf Basis der Verbrauchsdaten. Zusätzlich siehst du in Echtzeit, welches Gericht auf welcher Marge läuft — wenn der Lachseinkaufspreis steigt, schlägt das System Alarm. Preis: Starter ab 199 USD/Monat, die eigentlich relevante Stufe (Growth mit Waste-Tracking und Rezeptkalkulation) liegt bei 249 USD/Monat. Wichtiger Hinweis: Die Oberfläche ist ausschließlich auf Englisch, kein deutschsprachiger Support, und die Daten liegen auf US-Servern. Für Betriebe, die bereits mit Lightspeed oder Square arbeiten, ist MarketMan trotzdem das stärkste Werkzeug für Einkaufsoptimierung.

Apicbase — für Restaurantgruppen ab 5 Standorten Apicbase ist das umfassendste Back-of-House-System für Multi-Standort-Gastronomie: Rezeptverwaltung, Lagerhaltung, Einkauf und Demand Forecasting in einer Plattform. Der KI-Assistent erlaubt natürlichsprachliche Abfragen direkt auf Live-Restaurantdaten. Preise nur auf Anfrage, kein öffentlicher Listenpreis. Ebenfalls nur auf Englisch, AWS-Hosting. Für einen Einzelstandort ist Apicbase das falsche Werkzeug — für eine Gruppe mit 5 oder mehr Betrieben ist es das vollständigste Angebot am Markt.

Kitro — für automatisches Waste-Tracking ohne manuelle Einträge Kitro ist kein Bestellsystem, sondern ein Mess-System: Eine Kamera mit KI sitzt im Abfallbehälter und erfasst automatisch, was weggeworfen wird — nach Gericht, Menge und Zeitpunkt. Damit schließt Kitro eine Lücke, die alle reinen Software-Lösungen haben: Es zeigt dir nicht nur, was du hättest weniger bestellen sollen, sondern auch, was auf dem Teller oder in der Küche wirklich weggeworfen wird. Das ist ein anderer Datenpunkt als die Verkaufsprognose — ergänzend, nicht konkurrierend. Preis: CHF 349/Monat (Business), EU-Datenhaltung, deutschsprachiger Support. Sinnvoll ab 100 Essen täglich; für kleinere Restaurants kaum wirtschaftlich.

DIY-Ansatz mit Kassendaten und ChatGPT / Claude — für kleine Betriebe ohne Budget Wenn du ein digitales Kassensystem nutzt, kannst du wöchentliche Verkaufsberichte als CSV exportieren und direkt in ChatGPT hochladen. Mit dem richtigen Prompt extrahiert das Modell Verkaufsmuster, erkennt Wetterkorrelationen und macht einen Bestellvorschlag — ohne Monatsgebühr und ohne Integration. Das ist keine vollautomatische Lösung, aber für Betriebe unter 10.000 Euro monatlichem Wareneinsatz ist es ein sinnvoller Einstieg. Den passenden Prompt findest du am Ende dieser Seite.

Zusammenfassung: Wann welcher Ansatz

• Einzellokal, kleines Budget → DIY mit ChatGPT und Kassendaten-Export
• Einzellokal, ernsthafter ROI gesucht, Lightspeed/Square vorhanden → MarketMan
• Zusätzlich Waste messen (nicht nur prognostizieren) → Kitro ergänzen
• 5 oder mehr Standorte → Apicbase evaluieren

Datenschutz und Datenhaltung

Die gute Nachricht: Eine Bestellprognose verarbeitet wenig personenbezogene Daten. Kassendaten enthalten Verkaufszahlen, Uhrzeiten, Tischbelegung und Zahlungsarten — keine Kundennamen, keine Zahlungsdaten, keine biometrischen Informationen. DSGVO-Risiken sind bei diesem Anwendungsfall überschaubar.

Trotzdem sind ein paar Punkte relevant:

MarketMan und Apicbase speichern Daten auf US-Servern. Das bedeutet: Ein Auftragsverarbeitungsvertrag (AVV) ist Pflicht, und Standardvertragsklauseln (SCC) nach Art. 46 DSGVO müssen vorliegen. Beide Anbieter stellen AVV-Vorlagen bereit, aber du musst sie aktiv anfordern. Für Kassendaten ohne Personenbezug ist das vertretbar — hole dir trotzdem die Unterlagen.

Kitro als Schweizer Unternehmen hat EU-äquivalenten Datenschutz: Die EU-Kommission hat die Schweiz als Land mit angemessenem Datenschutzniveau anerkannt. Kein Zusatzaufwand für den Datentransfer — der AVV wird trotzdem empfohlen.

DIY mit ChatGPT: Wenn du Kassendaten in ChatGPT hochlädst, gelten OpenAIs Nutzungsbedingungen. Aggregierte Verkaufszahlen ohne Personenbezug sind unkritisch. Lad keine Daten hoch, die Mitarbeiter-IDs, Trinkgeldzuordnungen oder andere personenbezogene Informationen enthalten.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• DIY-Ansatz (ChatGPT): praktisch null, 2–3 Stunden Setup
• MarketMan: 199–249 USD/Monat Laufzeit, Einrichtung ca. 4–8 Stunden mit POS-Integration
• Kitro: CHF 349/Monat (Gerät inklusive), ca. 2–4 Wochen Anlernphase
• Apicbase: Enterprise-Pricing auf Anfrage, Onboarding mehrere Wochen

Laufende Kosten (monatlich)

• DIY: 0 EUR (oder 20–25 EUR ChatGPT Plus, falls noch nicht vorhanden)
• MarketMan Starter: ca. 185 EUR (199 USD, April 2026)
• MarketMan Growth: ca. 230 EUR (249 USD, April 2026) — mit Waste-Tracking und Rezeptkalkulation
• Kitro Business: CHF 349 (~375 EUR) inkl. Hardware-Miete
• Apicbase: nur auf Anfrage, ab ca. 300 EUR/Monat für kleinere Setups

Was du dagegenrechnen kannst Restaurant mit 15.000 EUR monatlichem Wareneinsatz und 8 Prozent Food Waste: 1.200 EUR monatlich im Müll. Eine Reduktion um 35 Prozent spart 420 EUR monatlich. Bei MarketMan Growth (230 EUR) ist das im ersten Jahr bereits rentabel — selbst im konservativen Szenario mit 20 Prozent Reduktion sind es 240 EUR monatlicher Gewinn gegenüber den Systemkosten.

Wie du den Nutzen tatsächlich misst: Notiere vor dem Start zwei Zahlen — den monatlichen Wareneinsatz und den wöchentlichen Abfallwert (am einfachsten durch Wiegeprotokoll oder durch Differenz zwischen bestellter und verkaufter Menge für Frischware). Drei Monate nach dem Start: dieselbe Messung. Die Differenz ist dein ROI — nicht theoretisch, sondern tatsächlich.

Drei typische Einstiegsfehler

1. Ohne ausreichende Kassendaten starten. Das Modell braucht historische Verkaufsdaten — mindestens 3 Monate, besser 12 Monate für saisonale Muster. Wer mit lückenhaften Daten startet, bekommt lückenhafte Prognosen. Die Konsequenz ist nicht, dass das System gar nicht funktioniert — aber es braucht 2 bis 3 Monate länger zum Einlernen. Lösung: Vor dem Start prüfen, wie vollständig die Kassendaten sind. Fehlende Perioden (Systemwechsel, Registrierkassen-Ausfälle) bewusst benennen, damit das Modell damit umgehen kann.

2. Den Bestellvorschlag blind übernehmen, ohne ihn zu kalibrieren. Ein häufiger Fehler in den ersten Wochen: Das System liefert einen Vorschlag, der Betreiber übernimmt ihn ungeprüft. Dann passt etwas nicht — eine lokale Veranstaltung wurde im Kalender nicht gepflegt, ein Lieferant hat die Sorte gewechselt — und der Fehler wird dem System zugeschrieben. Ein Prognosemodell wird besser, wenn es Feedback bekommt: Was hast du anders bestellt? Warum? Diese Korrekturen solltest du konsequent erfassen, damit das Modell lernt.

3. Nur die Bestellung optimieren, den Warenverbrauch in der Küche ignorieren. Die häufigste Fehlerquelle ist nicht falsche Bestellung, sondern falsche Portionierung. Ein Restaurant mit MarketMan, das weiterhin Portionen nach Augenmaß ausgibt, wird wenig einsparen — denn die Prognose stimmt, aber die Küche überzieht trotzdem. Lösung: Bestelloptimierung und Portionskontrolle gemeinsam angehen. Kitro kann dabei helfen, indem es misst, was am Ende des Tellers tatsächlich übrig bleibt.

4. Das System wird eingerichtet und dann nicht gepflegt. Das ist der stille Tod aller Prognosesysteme. Ein Modell, das keine neuen Daten bekommt — weil das Kassensystem geändert wurde, die POS-Integration unterbrochen ist, oder Gerichte umbenannt wurden — gibt nach 6 Monaten Vorschläge, die auf veralteten Mustern basieren. Dabei merkt man es oft nicht sofort, weil die Qualität schleichend abnimmt, nicht mit einem Fehler. Richte dir eine monatliche Prüfung ein: Ist die Datenanbindung aktiv? Sind neue Gerichte erfasst? Hat die Prognosegenauigkeit abgenommen?

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einrichtung ist das Einfachste. Der schwierigere Teil ist die Verhaltensänderung.

Das Küchenpersonal, das “schon immer weiß, wie viel gebraucht wird.” Jeder erfahrene Koch hat ein Bauchgefühl, das oft gut funktioniert — und manchmal nicht. Wenn das KI-System einen deutlich anderen Vorschlag macht als die intuitive Schätzung, entsteht Reibung. Was hilft: Zeige das Modell als Werkzeug, nicht als Urteil. “Die KI sagt X, du sagst Y — lass uns beide drei Wochen beobachten.” In den meisten Fällen liegen beide Zahlen nahe beieinander, und das schafft Vertrauen.

Die “schlechten Wochen”, die das Modell angeblich verursacht hat. Wenn nach dem Start einmal Ware ausgeht, weil das System zu wenig prognostiziert hat, wird das sofort sichtbar — und dem neuen System zugeschrieben. Wenn das Modell zu viel prognostiziert und Ware weggeworfen wird, fällt das kaum jemandem auf, weil das der Status quo war. Dieser Asymmetrie-Effekt ist unvermeidlich. Begegne ihm mit zwei Dingen: einem Puffer-Protokoll (“wir bestellen bei unklaren Wochen pauschal 5 Prozent mehr”) und klarer Kommunikation, dass das Modell 4 bis 8 Wochen zum Einlernen braucht.

Was nicht passiert: Das System ordert nicht selbstständig ohne Rückfrage (außer du aktivierst das explizit), und es entscheidet nicht über Menüänderungen. Es macht Vorschläge, die du freigibst. Diese Entscheidungshoheit ist wichtig — und sie ist auch der Grund, warum das System keinen Widerstand aus der “KI nimmt Entscheidungen weg”-Perspektive erzeugt, wenn das von Anfang an kommuniziert wird.

Was konkret hilft:

• Eine Woche vor dem Start: gemeinsam mit dem Team die letzten 8 Wochen Bestelldaten ansehen und vergleichen, wie die tatsächliche Auslastung war. Das schafft Bewusstsein für das Problem.
• In den ersten 4 Wochen: die Abweichungen zwischen Vorschlag und tatsächlichem Bedarf gemeinsam im Wochenrückblick besprechen.
• Nach 8 Wochen: erste Kostenbilanz ziehen und transparent kommunizieren.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Die ersten 4 Wochen sind keine Nutzungsphase, sondern eine Lernphase. Wer nach 2 Wochen erwartet, dass das System perfekte Prognosen liefert, wird enttäuscht. Wer 8 Wochen konsequent mitarbeitet, hat dann ein Modell, das die eigene Küche kennt.

Häufige Einwände — und was dahintersteckt

„Ich habe 20 Jahre Erfahrung, ich weiß, wie viel ich brauche.” Das stimmt — und das ist das Problem. Erfahrung ist gut für das, was regelmäßig passiert: das normale Mittwochsmittagessen, das Standard-Wochenende. Sie versagt bei den Ausreißern in beide Richtungen: dem unerwarteten Hochbetrieb und dem unerwarteten Einbruch. KI ist nicht schlauer als du bei typischen Wochen — aber sie vergisst nicht, dass der letzte Regen-Donnerstag 30 Prozent weniger Gäste hatte.

„Das lohnt sich doch nur für große Ketten.” Im Gegenteil: Große Ketten haben Einkaufsspezialisten, die das manuell professionell machen. Als Einzelbetreiber hast du weder die Zeit noch die Ressourcen für systematische Datenanalyse. KI-Tools wie der DIY-Ansatz mit ChatGPT gibt dir das gleiche Instrument — ohne Mitarbeitergehalt dafür.

„Und wenn das System falsch liegt und ich keinen Fisch mehr habe?” Das passiert. Keine Prognose ist perfekt. Die Frage ist nicht “macht das System Fehler” — sondern “macht das System weniger Fehler als ich alleine”. In der Regel: ja. Und ein gutes System zeigt dir die Unsicherheit explizit: “Konfidenz 65 Prozent” bedeutet: Hier lieber mit kleinem Puffer bestellen. Dieses Signal fehlt beim Bauchgefühl vollständig.

Woran du merkst, dass das zu dir passt

• Du schätzt am Ende jeder Woche 1 bis 3 Mal ab, was noch weg muss, und findest Lebensmittel, die nicht mehr frisch genug für Gäste sind
• Dein Kassensystem erfasst Verkaufsdaten digital — du hast Zugriff auf eine Monatsübersicht nach Gericht
• Du bestellst bei mindestens einem Lieferanten wöchentlich Frischware (Fleisch, Fisch, Salat) und schätzt die Menge intuitiv ab
• Dein monatlicher Wareneinsatz liegt über 8.000 Euro — darunter sind die absoluten Einsparungen gering relativ zum Aufwand
• Du hast das Gefühl, mehr zu bestellen als nötig, weil Unterbestellung sichtbarer ist als Überbestellung

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

1. Kein digitales Kassensystem oder keine Verkaufshistorie. Ohne Kassendaten kein Modell. Wer noch mit Registrierkasse ohne Digitalisierung arbeitet oder Verkaufsdaten manuell erfasst, muss erst diesen Schritt machen. Das lohnt sich unabhängig von KI — und schafft dann die Voraussetzung für diesen Use Case.

2. Karte ändert sich täglich und vollständig. Restaurants mit echtem Tagesangebot ohne wiederkehrende Gerichte (z.B. rein saisonale Konzepte, die jeden Tag neu entwickelt werden) haben keine Musterbasis, die ein Modell lernen kann. Der Ansatz funktioniert für Gerichte, die mindestens 4 bis 6 Wochen im Angebot bleiben.

3. Wareneinsatz unter 5.000 Euro pro Monat. Dann sind die absoluten Einsparungen (typisch 100 bis 200 Euro/Monat) kleiner als der Aufwand für Einrichtung und Betrieb der Lösung. Hier hilft eher ein konsequentes Wiegeprotokoll als ein KI-System.

Das kannst du heute noch tun

Bevor du irgendeinen Euro ausgibst: Lass dir vom aktuellen Stand ein Bild machen. Exportiere aus deinem Kassensystem die Verkaufsdaten der letzten 8 Wochen als CSV oder Excel — fast jedes moderne Kassensystem hat diese Funktion. Lade die Datei in ChatGPT hoch und nutze den Prompt unten.

Was du in 20 Minuten weißt: Welche Gerichte und Wochentage die größte Streuung in deinen Verkaufszahlen haben — und damit, wo dein Prognose-Problem am größten ist. Das reicht, um zu entscheiden, ob das Thema einen ernsthaften Einstieg wert ist.

Quellen & Methodik

• Lebensmittelabfälle Deutschland 10,8 Mio. Tonnen (2022): Umweltbundesamt / Bundesministerium für Landwirtschaft und Ernährung (BMLEH), „Lebensmittelabfälle in Deutschland” — aktuelle Zahlen nach Sektoren. Außer-Haus-Sektor: 14–17 % des Gesamtvolumens (ca. 1,5–1,9 Mio. Tonnen).
• 4–10 % Wareneinsatzverlust durch Überproduktion: FreshTrack Resources (2024), „Restaurant Food Waste Statistics: How Much Is Your Kitchen Losing?”; bestätigt durch Restaurant HQ (2025) mit Benchmark-Wert 3.000–4.000 USD/Monat für ein 50-Sitzplatz-Restaurant.
• 30–40 % Waste-Reduktion durch KI-Prognose im ersten Jahr: GeekyAnts Blog (2024), „AI Demand Forecasting for Restaurants: Cut Food Waste & Boost Margins”; bestätigt durch Frontiers in Artificial Intelligence (2024), „Exploring the potential of AI-driven food waste management strategies”.
• Kitro-Benchmark 20–40 % Reduktion in 3 Monaten: Kitro GmbH, interne Kundendaten zitiert auf kitro.ch (verifiziert April 2026); LOWINFOOD-Studie (2023), „Evaluating the Kitro smart scale device for food waste management in German catering facilities”.
• Prognosegenauigkeit 85–95 %: GeekyAnts Blog (2024), eigene Einschätzung aus Implementierungsprojekten.
• MarketMan-Preise (199/249 USD/Monat): MarketMan offizielle Preisliste (verifiziert April 2026). Preisanstieg von 149 auf 199 USD im Starter-Plan 2024.
• Kitro-Preise (CHF 349/Monat): Kitro.ch Preisseite (verifiziert April 2026).

Du willst wissen, welches Tool für deine Betriebsgröße wirklich passt — und was ein realistischer erster Schritt wäre? Meld dich — das klären wir in einem kurzen Gespräch.