Haltbarkeitsprognose mit KI

Das echte Ausmaß des Problems

Die Haltbarkeitsprognose ist einer der stillen Kostentreiber in der Lebensmittelproduktion, niemand spricht darüber, weil er unsichtbar ist. Du druckst ein MHD, der Käse ist noch vollkommen genießbar, aber er ist längst aus dem Verkauf.

Laut den Zahlen, die Deutschland für 2022 an die EU-Kommission gemeldet hat, fallen entlang der gesamten Kette jedes Jahr rund 10,8 Millionen Tonnen Lebensmittelabfälle an. Mehr als die Hälfte davon, 58 Prozent oder 74,5 Kilogramm pro Kopf, entsteht in Privathaushalten. Auf die Verarbeitung entfallen 15 Prozent (1,6 Millionen Tonnen), auf den Handel 7 Prozent (0,8 Millionen Tonnen). Wie viel davon auf zu früh angesetzte MHDs zurückgeht, weist die Statistik nicht aus. In deinem Betrieb findest du es heraus, wenn du Abschriften nach Grund verbuchst.

Das spezifische Problem der Haltbarkeitsprognose hat vier Schichten:

1. Zu konservative MHDs. Hersteller arbeiten mit Sicherheitspuffern: Das MHD liegt bewusst vor dem Tag, an dem das Produkt seine Eigenschaften tatsächlich verliert. Rechtlich sauber, betriebswirtschaftlich teuer. Ein Joghurt, der tatsächlich 45 Tage stabil bleibt, bekommt ein MHD von 35 Tagen, und weil der Handel eine Mindestrestlaufzeit verlangt, fällt er entsprechend früher aus dem Verkauf, obwohl er noch einwandfrei ist. Wie groß dieser Puffer bei euch ist, sagt euch kein Branchenwert, sondern der Vergleich eurer MHDs mit euren Lagertests.

2. Zu optimistische MHDs. Die andere Seite derselben Medaille: Ein Produkt wird unter Bedingungen gelagert, die der Hersteller nicht vollständig kontrolliert. Die Kühlkette reißt auf halber Strecke, die Luftfeuchtigkeit im Zielmarkt liegt höher als angenommen, der Transport dauert länger. Das Produkt verdirbt schneller als kalkuliert. Das Ergebnis: Reklamationen, im schlechtesten Fall ein Rückruf.

3. Manuelle Tests sind teuer und langsam. Um ein neues Produkt oder eine Rezepturvariante zu prüfen, führt ein Labor Lagertests durch, 4 bis 12 Wochen, je nach Produkttyp. Beschleunigte Verfahren (erhöhte Temperatur) gibt es, taugen aber nicht für jeden Produkttyp. Eine Haltbarkeitsstudie beim Fraunhofer IVV kostet laut unserer Toolseite typischerweise 10.000 bis 30.000 Euro je Produktkategorie. Für verzehrfertige Produkte, in denen Listerien wachsen können, sind solche Untersuchungen keine Kür: Art. 3 Abs. 2 VO (EG) 2073/2005 verpflichtet den Hersteller erforderlichenfalls, die mikrobiologischen Kriterien über die gesamte Haltbarkeitsdauer zu überprüfen. Ein Modell kann diese Untersuchungen gezielter machen, ersetzen kann es sie nicht.

4. Lagerungsvarianz bleibt außen vor. Dasselbe Produkt hält unterschiedlich lange, je nachdem, ob es bei 4 oder bei 8 Grad gelagert wird, wie lang der Transportweg ist, wie hoch die Luftfeuchtigkeit im Lager schwankt. Ein generisches MHD kann diese Varianz nicht abbilden. Es ist ein pauschaler Wert, obwohl die Realität dahinter kontinuierlich variiert.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5)
Eine Haltbarkeitsprognose spart keine tägliche Arbeitszeit. Sie kostet in der Einführungsphase sogar zusätzliche Stunden, Datenbereitstellung, Modelltraining, Integration in die Produktionsplanung. Der eigentliche Nutzen ist indirekt: weniger Aufwand für Reklamationsbearbeitung und Rückrufe. Das ist reale Entlastung, aber nicht das, was man bei „Zeitersparnis” normalerweise meint. Verglichen mit Rechnungsverarbeitung oder Meeting-Protokollen bleibt die direkte Einsparung marginal.

Kosteneinsparung, hoch (4/5)
Hier liegt der Hebel. Wer jedes Jahr 25 Tonnen Käse wegen zu konservativem MHD aussortiert, verliert nicht den Verkaufspreis, sondern das, was in der Ware steckt. Bei angenommenen 7 Euro Herstellkosten je Kilogramm sind das 175.000 Euro. Realistisch gewinnt ein Modell 30 bis 40 Prozent davon zurück, also 52.500 bis 70.000 Euro im Jahr. Mit einem schlanken Aufbau (Szenario 3 unten) liegt der Break-even bei 7 bis 12 Monaten, mit einer Enterprise-Plattform für eine einzelne Produktgruppe wird er nie erreicht. Anders als bei der Allergenkennzeichnung, wo der Nutzen vor allem ein Compliance-Risiko abfedert, ist das hier ein direkter Kostenhebel.

Schnelle Umsetzung, niedrig (2/5)
Das ist der Knackpunkt. Allein die Datenvorbereitung verschlingt 10 bis 16 Wochen, der größte Teil der Projektzeit geht in Datenbeschaffung, Bereinigung und Feature-Engineering. Das eigentliche Modelltraining dauert danach nur zwei bis vier Wochen. Bis zum produktiven Betrieb vergehen insgesamt fünf bis acht Monate, ähnlich lang wie bei der Rezepturverwaltung mit ihrer Datenmigration. Die Komplexität steckt nicht in der KI, sondern in der Qualität der historischen Daten.

ROI-Sicherheit, mittel (3/5)
Der ROI hängt von drei Faktoren ab, die man selten vollständig in der Hand hat. Erstens: Wie hoch ist der tatsächliche Verschwendungsanteil? Hoher Lagerumschlag reduziert das Problem, lange Distributionswege verschärfen es. Zweitens: Wie stabil sind die Lagerbedingungen? Bei einer perfekt kalibrierten Kühlkette ist der KI-Nutzen marginal. Drittens: Wie gut sind die historischen Daten? Lückenhafte Sensorlogs lassen das Modell auf Rauschen trainieren. Anders als bei der Qualitätskontrolle per Bildanalyse, wo jede Fehlerrate direkt messbar ist, bleibt der Nutzen hier indirekter und länger vom Kontext abhängig.

Skalierbarkeit, mittel (3/5)
Die klassische Einschränkung bei ML-Modellen für physische Produkte: Jede Produktkategorie braucht ihr eigenes Modell. Käse folgt anderen Regeln als Joghurt, Joghurt anderen als Konserven. Bei einem Sortiment mit 50 Produkten sind es in der Praxis 10 bis 15 Modelle, nicht 50, clustern lässt sich zwar, aber nicht beliebig. Das ist effizienter als Einzeltests, aber nicht so elastisch wie eine rein digitale Lösung. Wer das Sortiment erweitert, erweitert auch den Modellbetrieb.

Richtwerte, stark abhängig von Produkttyp, Lagerbedingungen und Qualität historischer Daten.

Was ein KI-Modell für Haltbarkeitsprognose konkret macht

Ein Haltbarkeitsprognose-Modell ist im Kern ein Predictive-Analytics-System, das die Haltbarkeit aus messbaren Eingaben vorhersagt, nicht intuitiv, sondern mathematisch.

Das System arbeitet in drei Schritten:

1. Datensammlung und -aufbereitung, der lange Teil. Das Modell braucht historische Daten: Produktionschargen, exakte Temperaturverläufe in der Lagerung (minutengenau, nicht als Tagesmittel), Luftfeuchtigkeit, pH-Wert und Wasseraktivität des fertigen Produkts, Lagerdauer, und, der entscheidende Teil, wann der Verderb tatsächlich eingetreten ist. Diese Informationen liegen meist verstreut vor: ERP-System, IoT-Sensorik im Lager, Laborprotokolle, Excel-Listen, handgeschriebene QS-Notizen. Die Integration und Bereinigung dauert Wochen, und dieser Schritt frisst in der Regel den größten Teil der Gesamtprojektzeit.

2. Feature-Engineering, die relevanten Variablen finden. Nicht jeder Messwert ist gleich wichtig. Ein Modell für Käse stellt zum Beispiel fest: Lagertemperatur ist kritisch, Luftfeuchtigkeit ebenfalls, der Luftdruck dagegen hat keinen Einfluss. Das Modell lernt, welche Messwerte tatsächlich prädiktiv sind. Hier hilft das Fraunhofer IVV , das Institut katalogisiert produktspezifische Haltbarkeitsfaktoren wie Temperaturempfindlichkeit, Gasdurchlässigkeit der Verpackung und Oxidation.

3. Training und kontinuierliches Feedback. Das Modell wird mit den historischen Daten trainiert und sagt dann voraus: „Diese Charge wird unter den aktuellen Lagerbedingungen 92 Tage haltbar bleiben.” Im Pilotbetrieb vergleichst du die Prognosen mit echten Verderb-Ereignissen. Miss die Güte in Tagen, nicht in Prozent: Wie weit liegt die Prognose im Mittel neben dem tatsächlichen Verderbzeitpunkt, und wie oft liegt sie auf der zu optimistischen Seite? Die zweite Zahl ist die sicherheitsrelevante. Ist sie zu hoch, justierst du den Sicherheitspuffer nach, bis sie passt.

Das Ziel ist nicht, die KI blind entscheiden zu lassen. Die produktive Form ist Modellvorhersage plus Sicherheitsmarge, KI-gestützte Optimierung, nicht KI-gesteuerte Produktion. Das MHD legt weiterhin der Hersteller fest und verantwortet es, ein Verbrauchsdatum für leicht verderbliche Produkte setzt ihr nie allein nach Modell.

Konkrete Werkzeuge, was wann passt

DataRobot , die Enterprise-Plattform (wenn: viele Prognoseaufgaben im ganzen Unternehmen, großes Budget) DataRobot ist eine AutoML-Plattform, die den kompletten Ablauf abdeckt: Datenvorbereitung, Feature-Auswahl, Modellauswahl, Inbetriebnahme. Ein Haltbarkeitsmodell lässt sich damit in 4 bis 8 Wochen trainieren, statt in 3 bis 4 Monaten händischer Arbeit. Listenpreise gibt es nicht. Laut unserer Toolseite beginnen kleinere Deployments bei etwa 100.000 USD im Jahr, der Median realer Verträge liegt bei rund 212.000 USD. Für eine einzelne Haltbarkeitsprognose ist das zu teuer, sinnvoll erst, wenn dieselbe Plattform viele Prognoseaufgaben im Unternehmen trägt.

scikit-learn mit Python (Open Source), die flexible Eigenlösung (wenn: Data-Science-Kompetenz im Haus) Die klassische Kombination für Regressionsprobleme. RandomForest, Gradient Boosting oder XGBoost lassen sich selbst aufsetzen. Die reinen Infrastrukturkosten liegen bei 2.000 bis 5.000 Euro pro Jahr, dafür ist der Zeitaufwand hoch. Mit einem erfahrenen Team: 6 bis 10 Wochen. Ohne: auch mal 20 Wochen, wenn die Datenlage schlecht ist.

Azure ML , die Cloud-Variante (wenn: Microsoft-Ökosystem im Haus) Azure ML bietet AutoML mit guter Anbindung an gängige ERP-Systeme (SAP, Oracle über Azure-Konnektoren). Eine Grundgebühr gibt es nicht, bezahlt wird Rechenzeit. Für ein einzelnes Haltbarkeitsmodell bleibt das überschaubar, teuer wird es erst mit dauerhaft laufenden GPU-Clustern. Stärke: IoT-Sensorströme lassen sich direkt einspeisen, Live-Prognosen sind technisch schnell umgesetzt. Schwäche: Ohne Kostenbudget und Alarme im Azure-Portal laufen die Rechenkosten leicht aus dem Ruder.

AWS SageMaker , die Skalierungs-Plattform (wenn: sehr große Datenmengen und ML-Ops im Haus) SageMaker geht tiefer, ist aber auch aufwendiger. Eher für Unternehmen mit mehr als 100 Mitarbeitenden und vorhandener ML-Ops-Disziplin. Abgerechnet wird ebenfalls nach Rechenzeit, ein dauerhaft laufender Prognose-Endpoint kostet laut unserer Toolseite typisch 100 bis 500 Euro im Monat. Die Einarbeitung frisst zusätzliche Wochen.

Mimica Touch , die biotechnische Alternative (wenn: kein IoT-Budget, nur Regalindikation nötig) Mimica Touch ist keine KI, sondern ein Gel-Indikator auf dem Etikett: Die Gelschicht zerfällt abhängig von der tatsächlichen Lagertemperatur im gleichen Tempo wie das Lebensmittel, und die Oberfläche wird fühlbar holprig, wenn das Produkt nach dieser Temperaturbelastung als verdorben gelten muss. Der Indikator misst also die Temperaturgeschichte, nicht den Keimgehalt. Nicht für die Produktionsplanung gedacht, sondern für Transparenz am Verkaufspunkt. Der Preis liegt laut unserer Toolseite im niedrigen Cent-Bereich je Etikett, bei hoher Mindestabnahme. Sinnvoll als Ergänzung zu einem KI-Modell, nicht als Ersatz.

Fraunhofer IVV , das Beratungsangebot (wenn: neues Produkt, keine historischen Daten) Das Fraunhofer-Institut für Verfahrenstechnik und Verpackung liefert Simulationen und Labortests, die erste Haltbarkeitsdaten erzeugen. Du bekommst wissenschaftlich fundierte Grundlagen, auf denen sich später ein KI-Modell trainieren lässt. Kostet etwa 10.000 bis 30.000 Euro pro Produktstudie. Der richtige Einstieg, wenn du bei Null anfängst oder eine kritische neue Rezeptur abzusichern hast.

Datenschutz und Datenhaltung

Personenbezogene Daten spielen hier nur eine untergeordnete Rolle, es werden Produktdaten verarbeitet, keine Kundendaten. Relevant sind andere Fragen:

Betriebsgeheimnisse. Deine Haltbarkeitsprognosen und die konkreten Modellergebnisse sind schützenswert. Wenn das Modell feststellt „dieser Käse hält 110 Tage, nicht 90”, ist das ein Wettbewerbsvorsprung. Das Modell gehört damit entweder auf eigene Server (on-premises) oder in eine Private-Cloud-Umgebung mit EU-Hosting, nicht in eine geteilte SaaS-Instanz. Azure ML hat Rechenzentren in der EU. Bei DataRobot gibt es keinen EU-Standard, eine EU-Region muss im Vertrag ausdrücklich vereinbart werden.

IoT-Sensordaten. Wer Temperatur- und Feuchtefühler im Lager einsetzt, produziert kontinuierliche Datenströme. Die gängigen IoT-Plattformen (Azure IoT Hub, AWS IoT Core) speichern und verarbeiten in der Region, die ihr auswählt. Wählt eine EU-Region und schreibt sie in den Vertrag, nicht nur in die Marketingfolien.

Aufbewahrung und Löschung. Die Löschpflichten der DSGVO gelten nur für personenbezogene Daten. Temperaturverläufe und Chargenwerte gehören nicht dazu, Namen und Kürzel in QS-Protokollen schon. Praktikabler Ansatz: Produktdaten 24 bis 36 Monate aktiv für das Nachtrainieren halten, Personenbezüge vor dem Import ins Modell entfernen. Die Richtlinie gehört schriftlich in die IT-Dokumentation.

Was es kostet, realistisch gerechnet

Drei Szenarien, jeweils gerechnet auf eine Produktkategorie. Beispiel: Hartkäse, 25 Tonnen pro Jahr, die wegen zu konservativem MHD zu früh aus dem Verkauf genommen und abgeschrieben werden. Bei 10 Euro Verkaufspreis je Kilogramm sind das 250.000 Euro Umsatz, aber nicht 250.000 Euro Verlust. Verloren ist, was in der Ware steckt: Bei angenommenen 7 Euro Herstellkosten je Kilogramm sind das 175.000 Euro im Jahr. Setz hier eure eigene Kalkulation ein, und zieh ab, was ihr für die Ware als Verarbeitungsware noch erlöst.

Wie viel davon ein Modell zurückholt: realistisch 30 bis 40 Prozent, weil ein Teil der Abschriften gar nicht aus MHD-Vorsicht kommt, sondern aus Überproduktion oder schwacher Absatzplanung. Das sind 52.500 bis 70.000 Euro im Jahr.

Szenario 1: DataRobot, alles extern

• Einrichtung und Training: rund 30.000 Euro externe Beratung
• Laufend: Lizenz laut unserer Toolseite ab etwa 100.000 USD im Jahr, dazu Support
• Ergebnis: Die Lizenz allein kostet mehr, als das Modell in dieser einen Kategorie zurückholt. Break-even nie, solange DataRobot nicht viele weitere Prognoseaufgaben im Unternehmen trägt.

Szenario 2: Python mit Open-Source-Stack, selbst gemacht, mehr Zeit, weniger laufende Kosten

• Einrichtung und Training: 60.000 Euro (zwei Senior-Data-Scientists, 12 Wochen im Haus)
• Laufend: 500 Euro Hosting plus rund 3.000 Euro Modellpflege und Datenpipeline (20 Prozent einer Stelle), zusammen 3.500 Euro im Monat
• Kosten Jahr 1: 60.000 + 3.500 × 12 = 102.000 Euro
• Überschuss ab Jahr 2: 52.500 bis 70.000 minus 42.000 Euro laufend, also 10.500 bis 28.000 Euro im Jahr. Die Einrichtung ist damit nach gut zwei bis knapp sechs Jahren zurückverdient.

Szenario 3: Hybrid, Fraunhofer-Studie plus schlankes Cloud-Modell

• Fraunhofer-Modellierungsstudie für die erste Kategorie: 20.000 Euro (6 Wochen)
• Modelltraining auf Basis der Studiendaten durch einen Dienstleister, auf Azure ML oder SageMaker: 15.000 Euro (weitere 4 Wochen)
• Laufend: 100 bis 500 Euro Rechenzeit für den Prognose-Endpoint plus 1.000 Euro Support, zusammen 1.100 bis 1.500 Euro im Monat, also 13.200 bis 18.000 Euro im Jahr
• Überschuss: 52.500 bis 70.000 minus 13.200 bis 18.000 Euro, also 34.500 bis 56.800 Euro im Jahr. Die 35.000 Euro Einrichtung sind nach 7 bis 12 Monaten zurückverdient.

Was häufig schiefgeht:

• Die Rückgewinnung wird überschätzt. Wer mit 50 bis 60 Prozent rechnet, rechnet mit dem Idealfall. Die 30 bis 40 Prozent oben sind schon die realistische Annahme, nicht die vorsichtige.
• Die Datenvorbereitung dauert länger. 10 Wochen ist das Best-Case-Szenario. Mit fragmentierter IT-Landschaft werden daraus 16 bis 20.
• Das erste Modell ist ungenauer als beworben. Rechne damit, dass der Prognosefehler in Tagen zum Start deutlich größer ist als in der Präsentation des Anbieters.

Realistische Erwartung: Break-even nach 7 bis 12 Monaten mit dem schlanken Aufbau, wenn du ein substanzielles Abschriftenproblem hast. Liegt der Wert der wegen MHD aussortierten Ware zu Herstellkosten unter rund 80.000 Euro im Jahr, rechnet sich das Projekt in dieser Form nicht: Bei 30 bis 40 Prozent Rückgewinnung decken sich dann laufende Kosten und die über drei Jahre verteilte Einrichtung nicht mehr. Dann sind schlankere Mittel wie bessere Kühlkettenüberwachung der bessere erste Schritt.

Drei typische Einstiegsfehler

Fehler 1: Das Projekt starten, bevor die Daten tragen. Die häufigste Falle. Die Business-Case-Rechnung sieht gut aus, also wird begonnen. Die Daten sind aber lückenhaft, Sensorausfälle, fehlerhafte manuelle Einträge, Versionskonflikte zwischen Systemen. Das Modell wird trainiert und liefert Prognosen, aber sie sind unpräzise. Statt „92 Tage” sagt es „85 bis 100 Tage”, zu breit, um produktiv zu arbeiten. Drei bis vier Monate Datenvorbereitung vor dem Modelltraining sind nicht verhandelbar. Das ist die unspektakuläre Arbeit, die zwischen einem Modell im Einsatz und einem Modell in der Schublade steht.

Fehler 2: Das alte MHD-Wissen zu früh abschalten. Wenn das Modell fertig ist, kommen die Widerstände: „Alles schön, aber ich sehe den Käse an und sage dir, er hält nicht 100 Tage.” Die emotionale Komponente ist real, und sie hat in Jahrzehnten Erfahrung auch oft recht gehabt. Das Muster, das in der Praxis funktioniert: nicht sofort umstellen, sondern drei Monate parallel fahren. Das Modell sagt X, die bisherige Regel sagt Y, gedruckt wird Y, dokumentiert wird die Abweichung. Nach drei Monaten hast du datengestützte Evidenz und das Vertrauen im Team. Erst dann umstellen.

Fehler 3: Die Wartung vergessen. Das Modell wird trainiert, in Betrieb genommen, und liegen gelassen. Nach sechs Monaten hat sich die Produktionsanlage verändert, ein neues Rohstofflos kommt von einem anderen Lieferanten, die Rezeptur wurde leicht angepasst. Die Vorhersagen werden schleichend ungenau. Ein Haltbarkeitsmodell braucht mindestens alle drei Monate einen Retraining-Lauf. Das passiert nicht von allein, es muss als feste Aufgabe im Projektplan stehen, mit Verantwortlichkeit und Termin. Der tatsächliche Aufwand: zwei bis vier Arbeitstage pro Quartal. Wer das übersieht, hat in zwölf Monaten wieder da gearbeitet, wo er vor dem Projekt stand.

Was mit der Einführung wirklich passiert, und was nicht

Was passiert:

• Erste Euphorie (Woche 1–3). Geschäftsführung und Produktionsleitung sehen das Modell, verstehen die Logik, freuen sich auf die Einsparungen. Die Präsentationen sind gut.
• Datenlawine (Woche 4–8). Das Projektteam sitzt im ersten Rohdaten-Dump und stellt fest: Ein großer Teil der Sensorwerte sind Duplikate, Ausreißer oder Fehlwerte. Aus „10 Wochen Datenvorbereitung” werden 16. Die Planung rutscht um vier bis sechs Wochen nach hinten. Niemand findet das lustig.
• Pilotzweifel (Woche 12–16). Das erste trainierte Modell liefert Prognosen, die „merkwürdig” wirken. Ein Produkt, dem der Qualitätsleiter auf den ersten Blick 30 Tage zutrauen würde, sagt das Modell 50 Tage voraus. Jetzt muss entschieden werden: Lernen wir zu vertrauen, oder justieren wir das Modell nach? Diese Phase kostet emotional mehr als technisch.
• Vorsichtige Integration (Woche 20–24). Einführung parallel zu den bestehenden Regeln. Erst mitlaufen lassen, nicht ersetzen. Erst markieren, dann übernehmen.
• Volle Nutzung (ab Monat 6). Das Modell läuft in der Produktionsplanung mit. Die Abfallquoten sinken messbar, die MHD-Bestimmungen werden differenzierter, die Diskussionen im Team verlagern sich von „was glauben wir?” zu „was sagen die Daten?”.

Was nicht passiert:

• Kein „Plug and Play”. Das Marketing der AutoML-Anbieter suggeriert „vier Wochen, dann läuft’s”. In der Realität sind es fünf bis acht Monate bis zur produktiven Nutzung.
• Keine automatische Rückrufvermeidung. Das Modell sagt nicht „diese Charge ist verdorben”. Es sagt „diese Charge ist ein statistischer Ausreißer, bitte manuell prüfen”. Rückrufe werden nicht eliminiert, aber gezielter vermieden.
• Keine Einsparung an Stellen. Ein Arbeitsprozess wird digital unterstützt, nicht ersetzt. Es braucht weiterhin einen Menschen, der das Modell überwacht, neue Daten einordnet und das regelmäßige Nachtraining steuert.

Widerstandsmuster und was dagegen hilft:

Realistischer Zeitplan mit Risikohinweisen

Kritische Meilensteine:

• Nach Woche 8: Rohdaten-Qualität freigegeben
• Nach Woche 16: Mittlerer Prognosefehler in Tagen und Anteil zu optimistischer Prognosen liegen unter den Grenzen, die die QS vor dem Training festgelegt hat
• Nach Woche 24: Parallelbetrieb ohne Reibung
• Nach Woche 30: Abfallquote sinkt messbar

Häufige Einwände, und was dahintersteckt

Einwand 1: „Wir kennen unsere Produkte. Das braucht keine KI.”

Was dahintersteckt: berechtigtes Vertrauen in Erfahrung. Die meisten MHD-Festlegungen in einem eingespielten Betrieb sind rational und sicher, erfahrenes Personal trifft hier nicht schlecht.

Der Punkt: Erfahrung skaliert nicht mit der Varianz der Lagerbedingungen. Wenn die Kühlkette nicht konstant bei 4 Grad liegt, sondern zwischen 2 und 6 Grad schwankt, kann sich die Haltbarkeit je nach Produkt um Wochen verschieben, und das sieht der Käsemeister im Tagesgeschäft nicht. Ein Modell findet Muster in 24 Monaten Sensordaten, die ein einzelner Mensch nicht gleichzeitig im Kopf halten kann. Das ersetzt Erfahrung nicht, aber es ergänzt sie um etwas, das Erfahrung nicht leisten kann.

Einwand 2: „Das kostet zu viel, und der Nutzen ist unsicher.”

Was dahintersteckt: eine rationale Befürchtung. Die Break-even-Rechnung ist nicht trivial: Ist die wegen MHD aussortierte Ware zu Herstellkosten weniger als rund 80.000 Euro im Jahr wert, rechnet sich das Projekt tatsächlich nicht.

Der Punkt: Die Haltbarkeitsprognose ist nicht nur ein Abfallthema, sondern auch ein Planungsthema. An den Lagertests für ein neues Produkt führt kein Modell vorbei, für verzehrfertige Produkte mit Listerienrisiko verlangt sie Art. 3 Abs. 2 VO (EG) 2073/2005. Ein Modell, das eure bisherigen Produkte kennt, zeigt aber, welche Rezepturvarianten und Lagerprofile ihr zuerst testen solltet, und spart so Testrunden. Das taucht nicht auf der Abfallrechnung auf.

Einwand 3: „IoT-Sensorik ist zu teuer und zu aufwendig.”

Was dahintersteckt: die Sorge vor neuer Abhängigkeit von einer weiteren Technologieschicht.

Der Punkt: Ein Modell braucht nicht zwingend dichte IoT-Abdeckung. Es funktioniert auch mit chargenbasierten Daten: Produktionsdatum, Laborwerte zum Produktionsende, durchschnittliche Lagertemperatur, Lagerdauer. Das ist manuelle Dateneingabe, kein neues System, keine neue Infrastruktur. Die Prognosen werden damit ungenauer, ob sie trotzdem besser sind als eure pauschale Regel, zeigt der Parallelbetrieb.

Woran du merkst, dass das zu dir passt

✓ Du hast mehr als eine Produktkategorie und in mindestens zwei davon ein spürbares Abfallproblem ✓ Die Ware, die ihr wegen MHD aussortiert, ist zu Herstellkosten mehr als rund 80.000 Euro im Jahr wert ✓ Die MHD-Bestimmung stützt sich bislang auf Erfahrung und ältere Laborprotokolle, nicht auf systematische Messungen ✓ Im Lager sind zumindest Temperaturfühler vorhanden, auch wenn sie noch nicht in ein zentrales System einlaufen ✓ Dein IT-Budget lässt 50.000 bis 100.000 Euro für ein datengestütztes Projekt zu ✓ Das Team ist bereit, Entscheidungen auf Datenbasis zu treffen, nicht nur „wie immer”

Wann das nicht zu dir passt:

✗ Dein Produkt ist ein Schnelldreher mit mehr als zwei Umschlägen pro Monat, dann ist Haltbarkeit nicht der zentrale Hebel ✗ Deine Lagerbedingungen sind unkontrolliert oder extrem variabel (zum Beispiel offener Straßenhandel), das Modell wird nie zuverlässig sein ✗ Du hast keine historischen Verderb-Daten, nur MHD-Papierprotokolle, das Modelltraining wird zu unsicher ✗ Dein Unternehmen hat weniger als 20 Mitarbeitende, der Projekt-Overhead übersteigt den Nutzen ✗ Du erwartest, dass das Modell Lagertests ersetzt: Bei verzehrfertigen Produkten, in denen Listerien wachsen können (Weichkäse, Rohmilchkäse, Räucherfisch, Feinkostsalate), bleiben Haltbarkeitsuntersuchungen nach VO (EG) 2073/2005 Pflicht, ein KI-Modell ergänzt sie nur

Das kannst du heute noch tun

Schritt 1: Datenquellen inventarisieren (1–2 Tage). Schreib auf, wo deine historischen Daten sitzen: ERP-System, Sensorik im Lager, Excel-Listen im QS-Ordner, handgeschriebene Protokolle. Wer hat Zugriff? Wie zuverlässig sind die einzelnen Quellen? Diese Bestandsaufnahme ist die Grundlage für jedes realistische Angebot eines Dienstleisters.

Schritt 2: Den Abfall konkretisieren (1 Woche). Nicht „ungefähr 10 Prozent Abfall”, sondern: Welche Produkte wurden in den letzten 12 Monaten als Abfall verbucht, zu welchem Zeitpunkt, aus welchem Grund, in welchem finanziellen Volumen? Ohne diese Zahl ist jede ROI-Rechnung Fiktion.

Schritt 3: Eine Pilotkategorie auswählen (1 Tag). Nicht alle Produkte gleichzeitig. Eine Kategorie mit erkennbarem Abfallproblem und einigermaßen vollständigen Daten, zum Beispiel Hartkäse, Joghurt oder eine Konservenlinie. Diese erste Kategorie ist der Pilot. Erst wenn sie trägt, überträgst du das Modell auf die nächste.

Quellen & Methodik

• Bundesministerium für Landwirtschaft, Ernährung und Heimat: Lebensmittelabfälle in Deutschland, an die EU-Kommission gemeldete Zahlen für 2022, veröffentlicht am 24.02.2026: 10,8 Mio. Tonnen, davon 58 Prozent Privathaushalte, 15 Prozent Verarbeitung, 7 Prozent Handel
• VO (EG) Nr. 2073/2005 über mikrobiologische Kriterien für Lebensmittel, Art. 3 Abs. 2 und Anhang II: Untersuchungen der Hersteller über die gesamte Haltbarkeitsdauer
• Fraunhofer-Institut für Verfahrenstechnik und Verpackung (IVV): Shelf Life Simulation & Optimization, Forschung zu dynamischen Haltbarkeitsprognosen
• Rashvand et al., „Artificial intelligence for prediction of shelf-life of various food products: Recent advances and ongoing challenges”, Trends in Food Science & Technology (2025), Überblick zu ML-Modellen für die Haltbarkeitsprognose
• Springer: Machine Learning for Potato Shelf Life (2025), Fallstudie zur Gewichtung der Einflussgrößen (Temperatur dominiert)
• Kostenszenarien: eigene Rechnung. DataRobot, Fraunhofer IVV, SageMaker und Mimica Touch nach unseren Toolseiten, die Herstellkosten von 7 Euro je Kilogramm sind eine Annahme, die du durch eure Kalkulation ersetzt.