KI-gestützte Getränkekarte und Weinberatung

Das echte Ausmaß des Problems

Getränke sind der margenstärkste Teil eines Restaurantbesuchs: Ein Wein für 32 Euro hat häufig einen Wareneinsatz von 8–12 Euro — eine Rohertragsmarge von 62–75 Prozent. Das sind 20–25 Prozentpunkte mehr als auf den meisten Hauptgerichten. Trotzdem werden Getränke selten systematisch optimiert — weder hinsichtlich des Sortiments noch hinsichtlich der Empfehlungsqualität.

Das Grundproblem: Gute Weinempfehlungen sind an das Wissen einzelner erfahrener Mitarbeitender geknüpft. In einer Branche mit 40–60 Prozent Jahresfluktuation bedeutet das: Das Getränkeumsatz-Niveau eines Restaurants schwankt stark mit der Dienstplan-Zusammensetzung. An Abenden mit erfahrenem Service: hohe Getränkeumsätze. An Abenden mit weniger erfahrenem Personal: deutlich weniger.

Laut DEHOGA-Kennzahlen liegt das optimale Getränke-zu-Speisen-Verhältnis für Restaurantbetriebe zwischen 35 und 45 Prozent des Gesamtumsatzes. Viele Betriebe liegen bei 20–28 Prozent. Die Lücke ist direkt in Deckungsbeitrag übersetzbar.

Das dritte Problem ist die Getränkekarten-Optimierung. Welche Weine werden am häufigsten empfohlen und bestellt? Welche stehen auf der Karte und werden nie verkauft? Welche Kombinationen funktionieren tatsächlich? Ohne Datenanalyse bleibt das Bauchgefühl — und das bevorzugt, was man kennt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — sehr niedrig (1/5)
Dieser Use Case erzeugt keinen relevanten Zeitgewinn. Er beschleunigt nichts — er verbessert die Qualität und den Umsatz von etwas, das bisher schlechter gemacht wurde. Niedrigster Zeitwert in der Kategorie, klar.

Kosteneinsparung — mittel (3/5)
Umsatzsteigerung statt Kostenreduzierung: 8–15% mehr Getränkeumsatz ist real erreichbar (Schätzwert aus Praxisberichten) — bei konsequenter Einführung und guter Service-Adoption. Das entspricht bei einem Betrieb mit 200.000 Euro Jahresgetränkeumsatz 16.000–30.000 Euro Mehrertrag. Mittelfeld in der Kategorie.

Schnelle Umsetzung — hoch (4/5)
Ein KI-Beratungsassistent (ChatGPT mit Weinkarten-Kontext) ist heute nutzbar — keine Integration, keine Technik, kein Setup. Vollständige Kassendaten-basierte Analyse und Upselling-Training: 2–4 Wochen.

ROI-Sicherheit — mittel (3/5)
Der Upselling-Effekt ist messbar: Getränkeumsatz vor und nach Training vergleichbar. Aber: Der Effekt hängt direkt von der Service-Adoption ab. Wenn Servicekräfte die KI-Tools nicht nutzen oder die Empfehlungen nicht aktiv umsetzen, bleibt der ROI aus.

Skalierbarkeit — mittel (3/5)
Schulungsinhalte (Wein-Food-Pairings, Produktwissen) sind einmalig erstellbar und für beliebig viele Mitarbeitende nutzbar. Aber die tatsächliche Upselling-Leistung bleibt personenabhängig — KI kann trainieren, nicht ersetzen.

Richtwerte — stark abhängig von aktuellem Getränke-Umsatzanteil, Sortimentsqualität und Service-Team-Qualität.

Was das System konkret macht

Schritt 1 — Getränkekarten-Analyse
Aus Kassendaten wird analysiert: Welche Weine werden am häufigsten bestellt? Welche haben hohe Marge aber niedrigen Abverkauf? Welche Kombination von Gericht + Wein funktioniert tatsächlich — gemessen an Bestelldaten, nicht an Annahmen? Dieses Bild zeigt, welche Teile des Sortiments aktiv empfohlen werden sollten und welche überprüft werden müssen.

Schritt 2 — Speise-Getränke-Pairing-Datenbank aufbauen
Alle Gerichte auf der Karte werden mit passenden Getränkeempfehlungen verknüpft: Welche Weine passen zu diesem Gericht (nach Geschmacksprofil), welche sind in welchem Preissegment verfügbar, welche Alternativen gibt es für Nicht-Trinker? Diese Datenbank wird einmalig mit KI-Unterstützung erstellt und steht dem Servicepersonal jederzeit abrufbar zur Verfügung.

Schritt 3 — Service-Training mit KI-Assistent
Neue und erfahrene Servicekräfte können die Pairing-Datenbank interaktiv nutzen: „Gast bestellt Kabeljau mit Zitronen-Kapern — welche drei Weinempfehlungen in aufsteigendem Preissegment?” Das KI-System antwortet sofort mit Begründung. Das trainiert nicht nur den Abruf — es vermittelt Wissen, das mit der Zeit sitzen bleibt.

Schritt 4 — Laufende Optimierung
Monatliche Analyse der Getränke-Abverkaufsdaten: Werden die empfohlenen Weine tatsächlich verkauft? Gibt es neue Favoriten, die auf die Karte kommen sollten? Gibt es Positionen, die seit drei Monaten niemand bestellt hat?

Konkrete Werkzeuge — was wann passt

ChatGPT — Als Wein-Beratungsassistent: Gericht eingeben, drei passende Weinempfehlungen mit Begründung bekommen. Mit einem guten Systemprompt (Weinkarte als Kontext) in 30 Minuten einsatzbereit. Ab 0 Dollar. Bestes Preis-Leistungs-Verhältnis für den Einstieg.

Claude — Besonders stark bei nuancierteren Empfehlungen und längeren Beschreibungen: Für die Entwicklung von Tasting-Notes, Schulungstexten und vertiefendem Weinwissen für das Servicepersonal. Ab 20 Euro/Monat.

Notion AI — Als Pairing-Datenbank mit KI-Funktion: Alle Gerichte und Getränkeempfehlungen in einer Notion-Datenbank verwalten, KI-gestützte Updates bei Kartenänderungen. Gut für Teams mit mehreren Servicekräften. Im Notion-Team-Plan enthalten.

Julius AI — Für Kassendaten-Analyse: Welche Weine werden mit welchen Gerichten bestellt? Welche Positionen haben hohen Abverkauf, welche werden kaum bestellt? Visualisierungen für die wöchentliche Review. Ab 20 Dollar/Monat.

Canva — Für die Umsetzung: Pairing-Empfehlungen als schöne Tischkärtchen oder digitale Menü-Beilagen gestalten. KI-Textfunktion direkt integriert. Ab 0 Euro.

Datenschutz und Datenhaltung

Bei der Getränkekarten-Optimierung und dem Servicepersonal-Training werden keine personenbezogenen Kundendaten verarbeitet. Die DSGVO-Relevanz ist minimal.

Wenn Kassendaten für die Analyse genutzt werden: aggregierte Abverkaufsdaten ohne Kundenbezug — kein AVV erforderlich. Bei Tools, die im Auftrag Unternehmensdaten verarbeiten (z. B. Weinkarte als Datenbasis in ChatGPT), empfiehlt sich ein AVV nach Art. 28 DSGVO — alle genannten Anbieter stellen Vorlagen bereit.

Besonderheit: Rezepturgeheimnisse und Einkaufspreise sollten auch hier nicht unverschlüsselt in externe KI-Systeme eingegeben werden, wenn sie als Betriebsgeheimnisse gelten.

Was es kostet — realistisch gerechnet

Einstieg (ChatGPT als Pairing-Assistent)

• ChatGPT Plus: 20 Dollar/Monat
• Einmalige Einrichtungszeit (Weinkarte als Kontext einpflegen): 2–4 Stunden
• Ergebnis: Servicepersonal kann auf jedem Smartphone sofort Empfehlungen abrufen

Vollständig (Julius AI + Notion AI + ChatGPT)

• Julius AI: 20 Dollar/Monat
• Notion AI: ca. 10 Euro/Nutzer/Monat (Team-Plan)
• ChatGPT Plus: 20 Dollar/Monat
• Gesamt: ca. 60–80 Euro/Monat
• Vollständige Analyse, Datenbank und Training in einem System

ROI-Beispiel:
Restaurant mit 500.000 Euro Jahresumsatz, aktuelles Getränke-zu-Speisen-Verhältnis: 24% = 120.000 Euro Getränkeumsatz. Ziel: 32% durch aktives Upselling = 160.000 Euro. Differenz: 40.000 Euro. Rohertragsmarge auf Getränke 65%: +26.000 Euro Rohertrag/Jahr. Tool-Kosten: 720–1.000 Euro/Jahr. Netto: 25.000 Euro zusätzlicher Rohertrag — wenn der Service mitzieht.

Vier typische Einstiegsfehler

1. KI-Empfehlungen ohne Service-Training einführen.
Ein Pairing-Dokument auf dem Server — das nie jemand aufruft — ändert nichts. Die Wirkung entsteht nur, wenn das Servicepersonal die Empfehlungen kennt, versteht und aktiv am Tisch nutzt. Kurze tägliche Team-Brief-Sessions (5 Minuten: „Heute empfehlen wir zu den Fischgerichten den Grünen Veltliner, weil…”) multiplizieren den Effekt.

2. Upselling-Empfehlungen zu aggressiv einsetzen.
Gäste spüren den Unterschied zwischen echtem Servicewissen und Verkaufsdruck. Wenn Servicekräfte mechanisch KI-Empfehlungen aufsagen ohne persönliche Überzeugung, wirkt das unecht. Ziel ist nicht: „Sie sollen mehr bestellen”, sondern: „Sie sollen besser beraten werden, was zum Gericht passt.” Der Umsatzeffekt folgt dem Qualitätsgewinn.

3. Getränkekarte nicht auf Basis der Analyse anpassen.
Wenn die Analyse zeigt, dass 30% des Weinsortiments nie bestellt wird, aber trotzdem Lagerplatz und Working Capital bindet, ist das ein Optimierungssignal. Wer diese Erkenntnis ignoriert und das Sortiment nicht anpasst, lässt den Haupthebel ungenutzt. Weniger, aber besser auswählbare Weine — mit echtem Empfehlungspotenzial — schlagen eine unübersichtliche Großkarte.

4. Pairing-Datenbank nach Erstellung nicht aktuell halten.
Menüs wechseln, Weine wechseln, Lieferanten wechseln. Wer die Pairing-Datenbank einmalig aufbaut und dann nicht aktualisiert, schickt Servicekräfte mit veralteten Empfehlungen an den Tisch. Beim nächsten Saisonwechsel oder Sortimentswechsel: Datenbasis als erstes aktualisieren — bevor die neuen Gerichte auf die Karte kommen.

Was mit der Einführung wirklich passiert

Das Servicepersonal reagiert auf KI-gestütztes Weintraining meist mit Skepsis: „Das kann mir nichts beibringen, was ich nicht schon weiß.” Das stimmt für erfahrene Mitarbeitende — für die ist der Assistent eine schnelle Referenz bei Zweifelsfällen. Für neue Mitarbeitende ist er ein echter Beschleuniger: statt Monate auf die erste sichere Weinempfehlung zu warten, können sie in Woche vier schon souverän beraten.

Der zweite typische Effekt: Wenn die Kassendaten-Analyse zeigt, welche Weine tatsächlich gekauft werden, entsteht oft eine Diskussion über die Karte selbst. „Warum haben wir den Barbera, wenn ihn in sechs Monaten niemand bestellt hat?” Diese Fragen sind wertvoll — sie führen zu echten Optimierungen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser Personal kennt die Weinkarte — das brauchen wir nicht.”
Das trifft auf erfahrene Mitarbeitende zu — für die ist der KI-Assistent eine Ergänzung, kein Ersatz. Aber jedes Mal, wenn eine erfahrene Servicekraft in Urlaub ist, eine neue Kraft einspringt oder das Team rotiert, ist der Qualitätsverlust bei Weinempfehlungen sofort spürbar. Das System macht das Wissen unabhängig von einzelnen Personen.

„Gäste wollen keine KI-Empfehlungen.”
Gäste wollen kompetente Empfehlungen — egal woher das Wissen kommt. Wenn Jonas sicher und überzeugend empfiehlt, interessiert es den Gast nicht, dass Jonas gerade seinen Tablet-Assistenten gefragt hat. Entscheidend ist die Empfehlungsqualität, nicht der Prozess dahinter.

Woran du merkst, dass das zu dir passt

• Dein Getränke-zu-Speisen-Verhältnis liegt unter 30 Prozent.
• Neue Servicekräfte brauchen lang, bis sie souverän Wein empfehlen — und in dieser Zeit verpassen sie Upselling-Chancen.
• Du hast eine gute Weinkarte, aber Service-Mitarbeitende empfehlen immer wieder dieselben drei Standard-Weine.
• Weinempfehlungen variieren stark zwischen verschiedenen Servicekräften — vom Qualitätslevel her.

Wer weniger davon profitiert: Betriebe ohne eine eigene Weinkarte oder mit minimalem Getränkesortiment (Imbiss, Fast Casual) — dort fehlt die Grundlage für strukturierte Empfehlungen. Betriebe, bei denen das Serviceteam noch nicht stabil ist: KI-Weintraining vor stabiler Servicequalität aufzubauen hat keine Grundlage — erst die Basisqualität sichern. Und Betriebe mit hoher Service-Fluktuation, in denen Empfehlungswissen ohnehin nicht langfristig verankert werden kann: Dort lohnt sich der Aufbau der Pairing-Datenbank erst, wenn die Teamstabilität gegeben ist.

Das kannst du heute noch tun

Richte in 30 Minuten einen Wein-Beratungsassistenten ein — nutze diesen Prompt und passe ihn an deine Weinkarte an:

Quellen & Methodik

• DEHOGA-Kennzahlen (2024): Optimales Getränke-zu-Speisen-Verhältnis (35–45 % des Gesamtumsatzes), branchenübliche Rohertragsspannen bei Getränken.
• Branchenpraxis: Upselling-Potenzial bei Weinempfehlungen basiert auf Erfahrungswerten aus Gastronomie-Beratungsprojekten.
• ROI-Beispiel: Eigene Modellrechnung auf Basis typischer Betriebsgrößen. Tatsächliche Ergebnisse stark von Service-Adoption abhängig.
• Kostenschätzungen für Tools: Stand April 2026.