22 KI-Use-Cases für Gastronomie: Beispiele aus der Praxis

Zu viel bestellt: Food Waste kostet die Gastronomie in Deutschland jährlich Milliarden. Zu wenig bestellt: Gerichte werden 86'd, Gäste sind enttäuscht. Beides kostet Geld und Nerven.

Gradient-Boosting- und LSTM-Prognosemodelle lernen aus historischen Verkaufsdaten und externen Faktoren wie Wetter und Feiertagen, wie viel von welchem Produkt an welchem Tag gebraucht wird.

Weniger Ware im Müll und seltener ausverkaufte Gerichte, weil die Bestellmenge aus den Verkaufsdaten kommt und nicht aus dem Bauchgefühl.

ChatGPT + CSV-Export (kein Setup, kostenlos)Spezialtool Apicbase oder MarketMan (ab 150 €/Monat)Custom ML-Modell auf eigener POS-Datenbasis

Speisekartentexte werden oft lieblos formuliert oder direkt vom Koch übernommen, dabei entscheiden Beschreibungen maßgeblich, ob ein Gericht bestellt wird.

Generative Large Language Models (LLMs) erstellen appetitanregende Beschreibungen auf Basis von Zutaten und Zubereitungsmethoden, optimieren die Reihenfolge von Gerichten und übersetzen in mehrere Sprachen.

30 Speisekartenpositionen in 3–6 Stunden statt 2–5 Tagen beschrieben, 5–15 % mehr Bestellungen bei gezielt überarbeiteten Gerichten, Übersetzungen ohne Extrakosten sofort verfügbar.

ChatGPT / Claude direkt (kein Setup)KI + Canva für Text und Layout kombiniertNotion AI für Betriebe mit Rezept-Datenbank

Bewertungen werden gelesen, aber selten systematisch ausgewertet, dabei stecken darin wertvolle Hinweise auf wiederkehrende Probleme und Stärken.

NLP-basierte Sentimentanalyse aggregiert alle Bewertungen, klassifiziert Themen automatisch und erkennt Trends, mit wöchentlichen Zusammenfassungen und KI-generierten Antwortvorschlägen.

Probleme werden früher erkannt und behoben, Stärken gezielt kommuniziert und die Antwortquote auf Bewertungen steigt von unter 20 % auf 60–90 % dank KI-generierten Antwortvorschlägen.

ChatGPT/Claude direkt (kein Setup, manuell)make.com-Workflow (automatisiert, ab 9 €/Monat)ReviewTrackers (Spezialtool, ab 50 $/Monat)

Dienstplanung in der Gastronomie kostet Führungskräfte wöchentlich Stunden und führt trotzdem zu Über- oder Unterbesetzung, mit Folgen für Kosten und Stimmung.

Constraint-basierte Optimierungsmodelle erstellen Dienstpläne, die Umsatzprognosen, Mitarbeiterwünsche und Arbeitszeitgesetze gleichzeitig als harte Nebenbedingungen verarbeiten.

Der Dienstplan entsteht in Minuten statt in Stunden, Personalkosten werden besser gesteuert und die Planung wird nachvollziehbar fairer.

ChatGPT als Planungsassistent (kein Setup, sofort nutzbar)Spezialtool Gastromatic/Planday (ab 40 €/Monat, 4–6 Wochen)Custom-Workflow via Make.com + Kassensystem-API

Neue Rezepte und Saisonmenüs entstehen oft ad hoc und ohne systematische Berechnung von Wareneinsatz und Marge.

LLM-basierte Ideengenerierung schlägt Rezeptkombinationen auf Basis von Saisonware vor, kalkuliert Wareneinsatz vor dem ersten Test und optimiert Rezepte iterativ hinsichtlich Kosten und Zubereitung.

Küchenchefs erhalten Inspiration, Rezepte sind vor dem Test bereits kalkuliert, Saisonmenüs entstehen in 3–5 Tagen statt 2–3 Wochen, und eine einzelne Rezeptanpassung kann 640 € mehr Marge pro Monat bringen.

ChatGPT + manuelles Kalkulationsblatt (kein Setup)ChatGPT + Apicbase (automatisierte Kalkulation)Dediziertes F&B-System mit KI-Modul

Allergenkennzeichnung ist Pflicht, aber aufwendig, besonders wenn sich Rezepte ändern oder neue Gerichte hinzukommen. Fehler können rechtliche Konsequenzen haben.

LLM-basierte Textanalyse (z. B. mit ChatGPT oder Claude) erkennt Allergene in Zutatenlisten und generiert automatisch konforme Allergen-Tabellen nach EU-Lebensmittelinformationsverordnung (LMIV).

Allergenkennzeichnung ist immer aktuell, der manuelle Aufwand pro Gericht schrumpft auf wenige Minuten, und das Bußgeldrisiko von bis zu 50.000 € wird durch die lückenlose Dokumentation beherrschbar.

ChatGPT / Claude direkt (kein Setup)Spezialtool AllergenCheck (ab 30 €/Monat)Apicbase mit integrierter Rezeptverwaltung

Preisvergleiche zwischen Lieferanten werden selten systematisch durchgeführt, Gastronomien bezahlen oft mehr als nötig, weil Wechsel zu aufwendig erscheint.

LLM-Assistenten (aktuelle Sprachmodelle wie ChatGPT oder Claude) formulieren Bestellungen und Verhandlungsanfragen; regelbasierte Extraktion und Tabellenvergleich erkennen Preisveränderungen automatisch und empfehlen optimale Bestellmengen.

Systematische Preisvergleiche senken den Wareneinsatz, und zwar genau in dem Maß, in dem Volumen neu verhandelt wird, nachrechenbar mit drei Angeboten auf dieselbe Artikelliste.

ChatGPT direkt (kein Setup, sofort nutzbar)Preisvergleich via Google Sheets + make.comSpezialsoftware Apicbase / MarketMan

Social Media ist wichtig für Restaurants, aber regelmäßig guten Content zu produzieren kostet Zeit, die Köche und Gastronomen schlicht nicht haben.

LLMs (aktuelle Modelle wie ChatGPT, Claude, Gemini) generieren auf Basis von Fotos, Tagesgerichten oder Events ansprechende Social-Media-Captions mit passenden Hashtags und Call-to-Actions, in Sekunden statt Minuten.

Posting-Frequenz steigt von 2× pro Monat auf 3–5× pro Woche, Caption-Aufwand sinkt von 20–40 auf 3–5 Minuten, bei rund 37 €/Monat Toolkosten statt 400–1.200 € für eine Agentur.

ChatGPT/Gemini direkt (kein Setup)Caption-KI + Planungstool (Buffer/Later)Vollintegriertes Social-Media-Management

No-Shows kosten Restaurants täglich Umsatz, gleichzeitig werden Tische oft suboptimal belegt, was die Kapazität unnötig einschränkt.

Regelbasierte Workflow-Automatisierung verschickt Erinnerungen, logistische Regression bewertet No-Show-Wahrscheinlichkeit je Buchung, und ein Constraint-Optimierungsalgorithmus belegt Tische nach Gruppengrößen und Auslastung.

Weniger No-Shows durch rechtzeitige Erinnerungen mit einfacher Absagemöglichkeit, bessere Auslastung und eine persönlichere Gästekommunikation.

Erinnerungsworkflow via make.com (ab 9 €/Monat)Spezialisiertes Reservierungssystem (TheFork, OpenTable)Vollintegriertes CRM + Auslastungsoptimierung

Viele Gastronomen wissen nicht genau, welche Gerichte Geld verdienen und welche nicht, weil die Kassendaten nie strukturiert ausgewertet werden.

LLM-gestützte Datenanalyse (ChatGPT, Claude) und statistische Algorithmen (Menu-Engineering-Modell nach Kasavana & Smith) werten Kassendaten aus, nach Deckungsbeitrag, Bestellhäufigkeit, Tageszeit und Saisonverlauf.

Entscheidungen über Speisekarte, Öffnungszeiten und Personal basieren auf Daten statt Bauchgefühl, gezielte Menüoptimierung verbessert die EBITDA-Marge messbar um 3–7 Prozentpunkte.

ChatGPT + CSV-Export (kein Setup)Julius AI / Power BI Dashboard (1–2 Tage Setup)POS-Integration mit automatischer Analyse

Restaurants vernichten täglich Lebensmittel, die sie zu viel produziert oder bestellt haben. Food Waste kostet Geld und schadet dem Betrieb, doppelt: Einkauf und Entsorgung.

Zeitreihenprognose-Algorithmen (gradient boosting auf Kassendaten) berechnen den Tagesbedarf je Gericht, CNN-gestützte Kamerasysteme (Kitro, Winnow) erfassen und kategorisieren Abfälle automatisch.

Weniger Lebensmittelabfall, niedrigere Einkaufskosten und ein Nachhaltigkeitsprofil, das sich mit gewogenen Zahlen belegen lässt.

ChatGPT-Analyse (manuell, kein Setup)Spezialsystem Kitro / Leanpath (automatisch)Full-Stack: Delicious Data / Winnow (Prognose + Tracking)

Negative Online-Bewertungen und Social-Media-Kommentare bleiben oft unbeantwortet oder werden zu spät gesehen, obwohl sie Buchungsentscheidungen direkt beeinflussen.

NLP-basiertes Monitoring erfasst alle Erwähnungen in Echtzeit, klassifiziert Dringlichkeit per Sentiment-Analyse und liefert LLM-generierte Antwortvorschläge für professionelles Reputationsmanagement.

Antwortzeit auf negative Bewertungen sinkt von Tagen auf Stunden, 94 Prozent der Gäste lesen Bewertungen vor dem Besuch. Krisensituationen werden früh erkannt und das Restaurantimage wird aktiv gepflegt.

Google Alerts + ChatGPT manuell (kostenlos)Mention.com oder ReviewTrackers (ab 29 $/Monat)Automatisierter Workflow via Make.com + LLM

Getränke sind der margenstärkste Teil eines Restaurantbesuchs, werden aber selten systematisch optimiert. Weinempfehlungen bleiben vom Wissen einzelner Servicekräfte abhängig.

LLM-gestützte Analyse der Kassendaten identifiziert Abverkaufsmuster, ein Retrieval-System mit Pairing-Datenbank liefert Servicekräften kontextgenaue Weinempfehlungen und trainiert neue Mitarbeitende in Echtzeit am Tisch.

Das Servicepersonal berät sicher statt nach Bauchgefühl, der Getränkeanteil am Umsatz und damit der Deckungsbeitrag pro Tisch wird messbar besser.

ChatGPT als Pairing-Assistent (kein Setup)Notion-Datenbank + KI-Training für das TeamKassendaten-Analyse via Julius AI + vollständiges Upselling-System

Küchenchefs schätzen den Tagesbedarf für Vorbereitung aus Erfahrung, bei Fehlschätzungen entsteht entweder Abfall oder Engpässe im Service.

Gradient-Boosting-Modelle (z. B. XGBoost) kombinieren historische Kassendaten, Reservierungen, Wochentag, Wetter und lokale Events zu einer tagesgenauen Mise-en-Place-Prognose pro Menükomponente.

Weniger Überproduktion in der Vorbereitung, weniger Engpässe in der Stoßzeit, und neue Köche finden sich schneller in die Mengenplanung ein.

ChatGPT/Claude manuell (kein Setup)Forecasting-SaaS wie Lineup.ai (POS-Integration)Enterprise-Suite wie Nory/Apicbase (Mehrstandort)

Einarbeitung neuer Servicekräfte hängt von verfügbaren erfahrenen Kollegen ab, ein knappes Gut in der Hochsaison. Schulungsstand variiert stark und ist nicht messbar.

LLM-basierter Lernassistent mit RAG auf Speisekarten- und Schulungsdokumenten stellt interaktive Quizfragen zu Gerichten, Allergenen und Weinen, gibt sofort Feedback und verfolgt den Lernfortschritt bis zur Servicebereitschaft.

Einarbeitungszeit um 30–50 % verkürzt, Schulungsstand messbar und reproduzierbar, erfahrene Mitarbeitende werden 2–3 Std./Woche entlastet.

ChatGPT/NotebookLM mit Speisekarte als PDFMobile Microlearning-App mit KI-QuizgeneratorLMS mit RAG, Fortschritts-Tracking, Zertifikaten

Menüpreise werden meist einmal im Jahr angepasst, zu selten für volatile Einkaufspreise. Viele Betriebe unterberechnen ihre Topgerichte und überberechnen Ladenhüter.

Regelbasierte KI-Kalkulations-Engine mit Regressionsanalyse vergleicht Wareneinsatzkosten aus dem ERP mit aktuellen Marktpreisen und Bestellfrequenz und schlägt konkrete Preisanpassungen mit Deckungsbeitragsauswirkung vor.

Deckungsbeitrag pro Gast um 5–12 % steigerbar, systematische Unterkalkulation erkennbar, Reaktionszeit auf Einkaufspreisänderungen sinkt von Monaten auf Tage.

CSV-Export aus Kasse + LLM-AnalysePOS-Tool mit Deckungsbeitrags-DashboardERP + Marktpreis-Feed + KI-Kalkulations-Engine

Anfragenbearbeitung per E-Mail bindet täglich 30–90 Minuten, zu viel für kleine Teams. Anfragen außerhalb der Öffnungszeiten bleiben oft stundenlang unbeantwortet.

KI-Assistent liest eingehende E-Mails, erkennt Anfragetyp und antwortet mit personalisierten Textbausteinen oder vollständigen Erstentwürfen zur finalen Freigabe.

Antwortzeit von Stunden auf Minuten reduziert, Standardanfragen laufen über fertige Entwürfe statt über Handarbeit, und die Teamkapazität bleibt bei den Gästen vor Ort.

E-Mail-Postfach-Integration + LLM-Klassifizierung + Template-Bibliothek + optionale Direktantwort mit Freigabe-Workflow.

Energie ist der drittgrößte Kostenfaktor in der Gastronomie, aber wenige Betriebe wissen, welche Geräte die größten Verbraucher sind und wo Einsparpotenziale liegen.

Smart-Meter-Anbindung + Anomalieerkennung per Machine-Learning-Modell (zeitreihenbasiert) identifiziert Spitzenlastzeiten, Standby-Verluste und ineffiziente Nutzungsmuster bei Öfen, Kühlung und Lüftung.

8–18 % Energiekosteneinsparung realistisch, Standby-Verluste um 20–30 % reduzierbar, CO2-Bilanz für Nachhaltigkeitskommunikation messbar verbesserbar.

Netzbetreiber-Portal mit ViertelstundenwertenKlemmsensoren + Cloud-Dashboard mit AlarmenSmart-Meter + ML-Anomalieerkennung je Gerät

HACCP-Dokumentation kostet in vielen Betrieben 30–60 Minuten täglich, rein administrativ, ohne Erkenntnisgewinn. Bei Prüfungen fehlen trotzdem häufig Nachweise.

IoT-Sensoren überwachen Kühltemperaturen kontinuierlich; regelbasierte Schwellenwert-Erkennung löst Sofortalarm aus; generative KI (LLM) erstellt HACCP-Konzeptentwürfe aus Betriebsbeschreibung, Dokumentation wird digital lückenlos geführt und ist exportierbar für jede Prüfung.

Dokumentationsaufwand um 70–80 % reduziert, Prüfvorbereitung von Stunden auf Minuten verkürzt, Temperaturabweichungen werden in Echtzeit gemeldet statt am nächsten Tag.

ChatGPT/Claude für HACCP-KonzeptentwurfChecklisten-App mit digitalen ProtokollenIoT-Temperatursensoren + Cloud + Alarm-Workflow

Veranstaltungsangebote erstellen dauert 1–3 Stunden pro Anfrage, für Kalkulation, Textformulierung und Formatierung. Bei vielen Anfragen bleibt Umsatzpotenzial liegen.

LLM (ChatGPT oder Claude) empfängt Veranstaltungsdetails (Personenzahl, Menü, Ausstattung) zusammen mit einer gepflegten Kalkulations-Tabelle, berechnet Posten und generiert ein fertiges Angebotsdokument in Ton und Struktur des Betriebs.

Angebotszeit von 1–3 Stunden auf 20–35 Minuten reduziert, Fehlerrate in der Kalkulation sinkt, mehr Anfragen pro Mitarbeiter bearbeitbar.

ChatGPT mit Kalkulations-Excel und PromptMake.com-Workflow mit LLM und PDF-AusgabeMICE-Plattform mit Self-Service-Konfigurator

Event-Caterer fahren feste Touren, die nicht auf Last-Minute-Standortänderungen und Echtzeit-Verkehrslage reagieren. Zu späte Lieferungen ruinieren Event-Anfänge und beschädigen Kundenbeziehungen.

ML-Routingalgorithmus (VRP mit Zeitfenstern) integriert Echtzeit-Verkehrsdaten, kurzfristige Adressänderungen und Fahrzeugkapazitäten. Fahrer erhalten automatisch aktualisierte Routen auf ihr Mobilgerät.

Pünktlichkeitsquote von 78% auf 92%+ steigerbar. Kraftstoffkosten durch optimierte Routen um 10–18% reduzierbar. Disponenten-Aufwand bei Störungen deutlich geringer.

SaaS-Routing-Tool (OptimoRoute, Routific)Webfleet mit Telematik-IntegrationCustom OR-Tools + HERE API + Fahrer-App

Regionalleiter von Restaurantketten haben weder die Zeit noch die Werkzeuge, 2.000–4.000 Bewertungen pro Quartal manuell auszuwerten. Qualitätsprobleme in einzelnen Standorten bleiben wochenlang unbemerkt, während die Zentrale Ursachenberichte einfordert.

Transformer-basierte Aspekt-Sentimentanalyse (ABSA) extrahiert aus Freitextbewertungen attributspezifische Themencluster (Wartezeit, Sauberkeit, Freundlichkeit, Portionsgröße) je Standort und Zeitraum, mit automatischer Weiterleitung an Filialeitung, Operations oder Menüteam.

Qualitätsprobleme in 24–48 Stunden statt nach 2–4 Wochen sichtbar. Bewertungsabdeckung steigt von ~10 % (manuell) auf 100 %. 4–8 Stunden Sichtungsaufwand je Regionalleiter pro Woche entfallen. Marktforschungskosten für Gästezufriedenheit partiell substituierbar.

LLM-Prompt auf exportierte Bewertungen (Einstieg)re:spondelligent SaaS (DACH-Standard)Custom NLP-Pipeline + Multi-Source-API + Dashboard