Bestellmengenprognose — Food Waste mit KI reduzieren

Das echte Ausmaß des Problems

In einem Stadtrestaurant mit 70 Sitzplätzen und sechs Tagen Öffnung pro Woche treffen jeden Montag dieselben Entscheidungen aufeinander: Was bestelle ich für das Wochenende? Wie viel Lachsfilet, wie viel Rinderhüfte, wie viel frisches Gemüse? Die Antwort basiert in den meisten Betrieben auf einer Mischung aus Erfahrung, Bauchgefühl und dem Blick auf die vergangene Woche — und genau das ist das Problem.

Denn die Vorwoche war Sonnenschein, 28 Grad und Stadtfest um die Ecke. Diese Woche kommt ein Regentief, kein Event, und Ferienbeginn zieht einen Teil der Stammgäste aus der Stadt. Der Küchenchef weiß das irgendwie — aber er kann es nicht quantifizieren. Die Bestellung läuft wie immer. Am Montag danach landet ein Teil der Ware im Müll, weil das Wochenende schwächer war als erwartet. Oder umgekehrt: Der Freitagabend läuft besser als gedacht, das Rinderfilet ist um 20:30 Uhr ausverkauft, und drei Tische müssen auf das günstigere Alternativgericht umgeleitet werden.

Beides kostet Geld — auf unterschiedliche Weise. Zu viel bestellt bedeutet Warenverlust. Der Wareneinsatz in der Gastronomie liegt branchenüblich zwischen 28 und 35 Prozent des Umsatzes. Liegt er höher, ist Food Waste eine der häufigsten Ursachen. Bei einem Restaurant mit 600.000 Euro Jahresumsatz entspricht ein Wareneinsatz von 33 Prozent rund 198.000 Euro — davon landen, Schätzungen aus der Branche zufolge, typischerweise 8 bis 12 Prozent als Abfall im Müll. Das sind 15.000 bis 23.000 Euro im Jahr, die nicht auf dem Teller landen. Zu wenig bestellt bedeutet ausverkaufte Gerichte — in der Fachsprache „86’d”. Jedes ausverkaufte Hauptgericht, das ein Gast nicht bestellen kann, ist entgangener Umsatz. Und häufige Fehlbestände hinterlassen einen bleibenden Eindruck: Wer zweimal nicht bekommt, was er will, kommt beim dritten Mal vielleicht gar nicht mehr.

Laut WWF und BMEL gehen in der deutschen Außer-Haus-Verpflegung jährlich rund 1,9 Millionen Tonnen Lebensmittel verloren. Der Anteil, der auf fehlerhafte Bestellmengen zurückgeht, ist erheblich. Das ist kein Hygieneproblem und kein Qualitätsproblem — es ist ein Prognoseproblem. Und Prognoseproblem sind genau das, was KI am besten löst.

Mit vs. ohne KI — ein ehrlicher Vergleich

Kennzahl	Ohne KI	Mit KI-Prognose
Prognosegenauigkeit bei Bestellmengen	60–70 %	85–93 %
Food Waste als Anteil am Wareneinsatz	8–15 %	4–7 %
Ausverkaufte Positionen pro Woche	5–12 % der Menükarte	1–3 % der Menükarte
Wöchentlicher Planungsaufwand im Einkauf	3–5 Stunden	45–75 Minuten
Reaktion auf Wetterveränderungen	Kein systematischer Einfluss	Automatisch eingerechnet

Diese Zahlen basieren auf Erfahrungen aus laufenden Projekten sowie veröffentlichten Angaben von Anbietern wie Apicbase und Kitro. Dein Betrieb kann abweichen — entscheidend ist das Muster, nicht die genaue Zahl.

Was KI-Bestellprognose konkret leistet

Ein KI-Prognosemodell für die Gastronomie lernt aus historischen Kassendaten. Es analysiert, welche Gerichte wann verkauft wurden — aufgeschlüsselt nach Wochentag, Uhrzeit, Monat, Saison und einer Reihe externer Faktoren, die das Modell automatisch einbezieht.

Was ein gut konfiguriertes System berücksichtigt:

• Wochentags- und Uhrzeitmuster: Donnerstags kommen in vielen Stadtrestaurants mehr Geschäftsessen, Sonntage laufen in familienorientierten Betrieben anders als Freitagabende.
• Saisonalität: Im Sommer verschiebt sich die Nachfrage hin zu leichteren Gerichten, Salaten, Kaltgetränken. Schmorgericht-Saison beginnt erfahrungsgemäß im Oktober.
• Wetterdaten: Über externe APIs wird die aktuelle Wetterprognose einbezogen — Regen reduziert Laufkundschaft messbar. Studien aus dem Bereich Außer-Haus-Konsum zeigen Rückgänge von 15 bis 30 Prozent bei Schlechtwetter.
• Lokale Events und Feiertage: Großveranstaltungen in der Nachbarschaft, Stadtfeste, Messen oder Schulferien verändern das Gastprofil systematisch.
• Eigene Aktionen und Sonderangebote: Wenn du jeden Mittwoch ein Pasta-Special anbietest, sieht das Modell die historische Nachfrageverschiebung und rechnet sie ein.

Das Ergebnis: Eine wöchentliche Bestellempfehlung pro Artikel und Kategorie — keine perfekte Vorhersage, aber eine deutlich präzisere als Bauchgefühl. Der Küchenchef oder Einkäufer bekommt einen Ausgangspunkt, den er mit eigenem Wissen ergänzt (angemeldete Firmenfeier für 30 Personen, Stammgast-Stammtisch) — und spart damit den Großteil der manuellen Kalkulationszeit.

Ein typisches Praxisszenario: Es ist Donnerstagabend, der Einkäufer bereitet die Bestellung für das Wochenende vor. Das System zeigt: Für Samstag wird aufgrund des angekündigten Sonnenwetters und des lokalen Open-Air-Events eine 20-prozentige Mehrnachfrage bei Grillgerichten und Salaten erwartet. Der Rinderbraten-Bedarf bleibt konstant, aber die Lachsfilet-Prognose liegt 15 Prozent über dem Vorwochenwert. Der Einkäufer justiert, bestätigt, schickt die Bestellung ab — in 30 Minuten statt zwei Stunden.

Konkrete Werkzeuge — was wann passt

Apicbase — Vollständige Restaurant-Management-Plattform mit integrierter Bestellprognose, Rezepturmanagement und Food-Cost-Tracking. Geeignet für Betriebe mit strukturierten Warenwirtschaftsdaten, idealerweise bereits mit digitalem POS-System. Preise auf Anfrage, typischerweise im Bereich 200–500 Euro/Monat je nach Modulgröße und Standortanzahl. Stärke: Alle Warenwirtschaftsprozesse in einem System.

MarketMan — Speziell auf Einkauf, Lieferantenmanagement und Bestandskontrolle ausgerichtet. Prognose-Modul auf Basis historischer Bestelldaten. Gut geeignet für Betriebe mit mehreren Lieferanten und komplexeren Einkaufsstrukturen. Ab ca. 150 Euro/Monat für Einstiegspläne. Stärke: Lieferantenanbindung und automatisierte Bestellauslösung.

Kitro — Spezialisiertes Food-Waste-Tracking-System mit KI-Analyse. Kitro wiegt und kategorisiert Abfälle automatisch über eine Kamera-basierte Erkennung und zeigt detailliert, wo und warum Verluste entstehen. Besonders wertvoll als Mess-Instrument: Wer nicht weiß, wo Food Waste entsteht, kann ihn nicht reduzieren. Preise auf Anfrage. Stärke: Detaillierte Datengrundlage für gezielte Maßnahmen.

Leanpath — Ähnlich wie Kitro auf Food-Waste-Messung spezialisiert, stärker verbreitet in größeren Betriebsrestaurants und Systemgastronomie. Integriert Schulungsfunktionen für Küchenpersonal. Gut kombinierbar mit Prognose-Tools als ergänzende Datenbasis. Stärke: Verhaltensänderung durch Transparenz.

Für die meisten mittelgroßen Einzelbetriebe ist der Einstieg über Apicbase oder MarketMan sinnvoll — beide verbinden Prognose mit operativem Einkaufsmanagement in einem System.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Je nach System und Ausgangslage: 500 bis 3.000 Euro. Der größte Teil davon ist nicht Technik, sondern Datenvorbereitung — Kassendaten bereinigen, Rezepturen erfassen, Warengruppen strukturieren. Wer bereits ein digitales POS-System mit API-Zugang betreibt, spart erheblich.

Laufende Kosten (monatlich)

• Software-Plattform: 150–500 Euro/Monat je nach Anbieter und Betriebsgröße
• Bei eigener KI-Lösung auf API-Basis: 50–200 Euro/Monat zusätzlich
• Interner Aufwand nach Einrichtung: ca. 1–2 Stunden/Woche für Prüfung und Anpassung

ROI-Rechnung — konkret

Restaurant mit 600.000 Euro Jahresumsatz, Wareneinsatz 32 Prozent (= 192.000 Euro):

• Aktuelle Schätzung Food Waste: 10 Prozent des Wareneinsatzes = 19.200 Euro/Jahr
• Reduktion durch KI-Prognose auf 5 Prozent: Einsparung ~9.600 Euro/Jahr
• Hinzu: Weniger ausverkaufte Gerichte — selbst wenn nur 2 Prozent mehr Umsatz realisiert werden (= 12.000 Euro/Jahr bei gleichem Deckungsbeitrag)
• Software-Kosten: ~2.400–6.000 Euro/Jahr
• Netto-Vorteil: 15.000–20.000 Euro/Jahr bei einem Mittelbetrieb

Die meisten Projekte amortisieren sich in drei bis sechs Monaten — abhängig von Betriebsgröße, Ausgangsniveau des Food Waste und gewähltem Anbieter.

Drei typische Einstiegsfehler

1. Kassendaten nicht bereinigen vor dem Start. Ein KI-Modell lernt aus historischen Daten — und übernimmt dabei auch Fehler. Falsche Tagesumsätze durch Stornierungen, fehlende Kategorisierungen oder Datenlücken durch Kassenausfälle korrumpieren das Modell von Anfang an. Die Empfehlung: Mindestens sechs Monate saubere Kassendaten als Grundlage sicherstellen, bevor die Prognose aktiviert wird. Wer das überspringt, bekommt Empfehlungen, die schlechter sind als Bauchgefühl.

2. Prognosen blind übernehmen ohne lokales Kontextwissen. Das Modell kennt historische Muster — aber nicht, dass nächsten Samstag ein Stammgast eine Firmenfeier für 35 Personen angemeldet hat, oder dass das lokale Sommerfest in diesem Jahr an einem anderen Wochenende stattfindet als im Vorjahr. KI-Prognose ist ein Ausgangspunkt, kein Autopilot. Der Einkäufer muss Empfehlungen aktiv prüfen und mit aktuellem Wissen abgleichen.

3. Nur Food Waste messen, Fehlbestände ignorieren. Viele Betriebe starten mit dem Ziel, Abfall zu reduzieren — und überschießen dabei. Das System empfiehlt weniger, der Einkäufer bestellt weniger, die Gerichte laufen am Wochenende schneller leer als erwartet. Ausverkaufte Positionen sind genauso ein Qualitätsproblem wie Waste — und oft das teurere. Wer Prognosen einsetzt, muss beide Kennzahlen im Blick haben und gezielt nachsteuern.

Realistischer Zeitplan mit Risikohinweisen

Phase	Dauer	Was passiert	Typisches Risiko
Datenvorbereitung	Woche 1–3	Kassendaten exportieren, bereinigen, Warengruppen strukturieren	Kassendaten sind lückenhaft oder uneinheitlich kategorisiert
System-Setup & Konfiguration	Woche 3–5	Plattform einrichten, historische Daten importieren, externe Faktoren konfigurieren	Integration mit bestehendem POS-System schlägt fehl oder erfordert Entwicklungsaufwand
Testphase mit manuellem Abgleich	Woche 5–8	Erste Prognosen laufen parallel zur gewohnten Planung, täglich Abgleich	Küchenpersonal ignoriert Prognosen, kein Feedback-Loop entsteht
Produktivbetrieb	Ab Woche 8–10	Prognose wird zur primären Planungsgrundlage, manuelle Korrekturen nur bei bekannten Abweichungen	Systemvertrauen fehlt — Team kehrt zu alten Gewohnheiten zurück
Optimierung & Feinabstimmung	Monat 3–6	Saisonale Muster und lokale Besonderheiten werden ergänzt	Zu frühe Erwartungen: Modell braucht Zeit, um saisonale Ausreißer zu lernen

Dein Aufwand während der Einführung: Eine bis zwei Stunden pro Woche für Datenpflege und Feedback. Keine speziellen IT-Kenntnisse notwendig bei Standardplattformen wie Apicbase oder MarketMan.

Häufige Einwände — und was dahintersteckt

„Unser Koch hat 20 Jahre Erfahrung — der weiß das auch so.”
Stimmt — für normale Wochen. Das Problem sind die Ausreißer: das lange Wochenende mit unerwartetem Schlechtwetter, der lokale Event-Kalender, der sich jedes Jahr verschiebt, die neue Konkurrenz um die Ecke, die einen Teil der Laufkundschaft abgezogen hat. Erfahrung ist wertvoll als Korrektiv, aber sie systematisiert keine Muster über 52 Wochen und 400 mögliche Einflussfaktoren gleichzeitig. KI und Erfahrung sind kein Entweder-oder.

„Wir haben keine ordentlichen Kassendaten.”
Das ist häufiger als man denkt — und oft weniger schlimm als befürchtet. In vielen Betrieben liegen ausreichend auswertbare Daten vor, auch wenn sie nicht perfekt strukturiert sind. Der erste Schritt ist immer eine Bestandsaufnahme: Was haben wir, was fehlt, was lässt sich nacherfassen? Oft reichen sechs Monate saubere Daten für eine erste brauchbare Prognose.

„Das funktioniert bei uns nicht — wir sind zu klein.”
Ab etwa 50 Sitzplätzen und sechs Öffnungstagen pro Woche rechnet sich KI-Prognose für die meisten Betriebe. Kleinere Betriebe mit sehr stabiler, gleichförmiger Nachfrage brauchen sie möglicherweise nicht — aber wenn saisonale Schwankungen, Events oder wechselndes Gästeprofil zum Alltag gehören, lohnt sich ein genauerer Blick unabhängig von der Betriebsgröße.

Datenschutz — was du wissen musst

Beim Einsatz von KI-Prognose-Systemen in der Gastronomie werden in der Regel keine personenbezogenen Gästeddaten verarbeitet — die Grundlage sind aggregierte Kassendaten (welche Gerichte wann in welcher Menge verkauft wurden), keine Kundennamen oder Zahlungsdetails. Das senkt die DSGVO-Komplexität erheblich.

Dennoch gilt: Sobald ein externer Dienstleister deine Kassendaten verarbeitet — auch aggregiert — ist zu prüfen, ob ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO erforderlich ist. Alle genannten Anbieter stellen AVV-Vorlagen bereit und bieten Verarbeitungsstandorte innerhalb der EU an. Wer auf Nummer sicher gehen will, sollte vor dem Vertragsabschluss explizit erfragen, ob Daten auf europäischen Servern verbleiben — das ist technisch verfügbar und sollte Standard sein.

Bei Integration mit Mitarbeiterdaten (z. B. Schichtpläne für bessere Prognosen) gilt die volle DSGVO-Sorgfaltspflicht. In diesem Fall empfiehlt sich eine kurze Abstimmung mit dem Datenschutzbeauftragten, bevor diese Daten einfließen.

Typisches Szenario

Ein Betriebsrestaurant mit 120 Plätzen in einem Gewerbegebiet bedient von Montag bis Freitag rund 80 bis 150 Mittagsgäste — abhängig davon, ob die benachbarten Firmen Homeoffice-Tage haben, Feiertage fallen oder Betriebsferien laufen. Die Einkaufsplanung war bisher Aufgabe der Küchenchefin: Sie überlegte Donnerstagabend, was sie für die nächste Woche braucht, schaute auf die vergangene Woche und schätzte grob. An Brückentagen schoss sie regelmäßig über das Ziel — zu viel Fleisch, zu viel Salat — weil die Belegschaft früher in den Feierabend geht und das Mittagstief stärker ausfällt als erwartet.

Nach der Einführung eines Prognosemodells, das POS-Daten mit einem Ferienkalender und den Firmenveranstaltungskalendern der Hauptkunden verbindet, lag die Prognosegenauigkeit in den ersten drei Monaten bei durchschnittlich 88 Prozent. Der Food Waste sank von geschätzten 11 Prozent auf unter 6 Prozent des Wareneinsatzes. Die Küchenchefin verbringt die Einkaufsplanung heute in 45 Minuten statt zwei Stunden — und hat das Gefühl, den Montag nicht mehr im Rückstand zu beginnen.

Woran du merkst, dass das zu dir passt

• Du oder dein Team verbringt regelmäßig mehrere Stunden pro Woche damit, Bestellmengen manuell zu kalkulieren — mit unsicherem Ergebnis.
• Am Ende jeder Woche landet ein spürbarer Anteil frischer Ware im Müll, ohne auf dem Teller gewesen zu sein.
• Gerichte laufen regelmäßig früher aus als der Abend — und Gäste müssen auf Alternativen verwiesen werden.
• Dein Wareneinsatz liegt konstant über 33 Prozent und du kannst nicht klar sagen warum.
• Saisonale Schwankungen, lokale Events oder Wettereinflüsse machen deine Planung unberechenbar.
• Du hast ein digitales POS-System im Einsatz und mindestens sechs Monate auswertbare Kassendaten.
• Nachhaltigkeit ist dir wichtig — du willst Food Waste nicht nur gefühlt, sondern konkret und messbar reduzieren.

Quellen & Methodik

Die Vergleichswerte in der Tabelle basieren auf Erfahrungen aus Implementierungsprojekten in der Gastronomie sowie veröffentlichten Angaben der genannten Anbieter. Branchenkennzahlen zu Wareneinsatz und Food Waste beziehen sich auf Daten des Deutschen Hotel- und Gaststättenverbands (DEHOGA), des WWF Deutschland und des Bundesministeriums für Ernährung und Landwirtschaft (BMEL). Kostenschätzungen reflektieren Stand April 2026 und können sich ändern. Amortisationszeiträume sind Richtwerte — tatsächliche Ergebnisse hängen von Betriebsgröße, Ausgangsniveau des Wareneinsatzes und Datenqualität ab.

---

Wenn du wissen willst, ob und wie viel Potenzial KI-Prognose in deinem Betrieb hat, ist ein kurzes Gespräch der sinnvollste nächste Schritt. In 30 Minuten können wir anhand deiner Kassendaten einschätzen, wie hoch dein aktueller Food Waste vermutlich ist, welches System am besten zu deiner Betriebsgröße passt und was realistisch erreichbar ist — ohne Verkaufsdruck, einfach um zu schauen ob es passt. Meld dich gern.