Rezeptentwicklung und -optimierung mit KI

Das echte Ausmaß des Problems

Produktentwicklung im mittelständischen Lebensmittelbetrieb ist eine der ressourcenintensivsten Phasen — und gleichzeitig eine der am wenigsten strukturierten. Der Weg von der Idee bis zum produktionstauglichen Rezept verläuft oft in langen Schleifen: Idee → Grob-Kalkulation → Kochtest → Sensorik → Kalkulation anpassen → nächster Kochtest.

Laut Digital Food Monitor 2025 (Engel & Zimmermann / Hendrik Haase) setzen lediglich 14 Prozent der deutschen Lebensmittelunternehmen KI in der Produktentwicklung ein — obwohl es der Bereich mit dem größten Optimierungspotenzial ist. Die Mehrheit arbeitet noch mit Excel, handschriftlichen Notizen und persönlichem Erfahrungswissen.

Was das konkret kostet:

• Iterationsaufwand: Eine einzige Rezepturvariante auf Kosten, Nährwerte und Zutatenkompatibilität zu prüfen dauert je nach Dokumentationslage 2–4 Stunden manuell. Bei 15–20 Varianten in einer Entwicklungsrunde summiert das schnell auf eine Arbeitswoche.
• Blindflug-Kochtests: Wenn die Vor-Filterung fehlt, werden Varianten physisch getestet, die bei einem einfachen Kostencheck sofort ausgeschieden wären — Rohstoff- und Küchenzeitkosten für nichts.
• Wissen in Köpfen: Erfahrene Produktentwickler wissen, dass bestimmte Zutatenkombinationen funktionieren oder nicht — aber dieses Wissen ist selten dokumentiert. Wenn jemand geht, geht das Wissen mit.
• Zeitdruck trifft Komplexität: Wenn der Handel ein neues Listing fordert, der alte Lieferant einen Rohstoff einstellt oder eine Nährwertvorgabe verschärft wird, müssen Rezepturen oft unter Zeitdruck nachoptimiert werden — ohne systematisches Hilfsmittel.

Nestlé hat 2024/2025 berichtet, dass ihr KI-gestütztes Produktentwicklungssystem die R&D-Zeit für neue Konzepte von drei Monaten auf drei Wochen reduziert hat. Das sind Großkonzern-Zahlen mit eigens entwickelten Systemen und Millionenbudgets — aber das Prinzip, das dahintersteckt, funktioniert auch ohne Enterprise-Budget.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Eigeneinschätzung basierend auf Praxisberichten von mittelständischen Lebensmittelbetrieben; keine repräsentative Studie. Sensorische Validierung kommt hinzu und ist nicht abkürzbar.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Die größte Wirkung liegt in der Vorfiltierung: Varianten, die kalkulatorisch oder nährwerttechnisch nicht funktionieren, werden früh aussortiert — bevor teure Kochtests durchgeführt werden. In der Praxis berichten Produktentwickler von einer Halbierung der Zeit, die sie mit manueller Kalkulation verbringen. Das sind in vielen Betrieben 4–8 Stunden pro Woche, die direkt in die kreative Entwicklungsarbeit fließen. Vergleichbar hoch mit der Rezepturverwaltung, aber aus einem anderen Grund: dort Pflegeaufwand, hier Kalkulationsaufwand.

Kosteneinsparung — begrenzt (2/5)
Die direkten Kosteneinsparungen sind schwer zu isolieren. Weniger physische Testläufe bedeuten weniger Rohstoff- und Küchenzeitaufwand — aber wie viel davon dem KI-System zuzuschreiben ist, lässt sich kaum exakt messen. Der Hauptnutzen liegt im Zeitgewinn, nicht in der direkten Kostenreduktion. Ein optimiertes Rezept mit niedrigerem Einkaufspreis bringt einen messbaren Effekt — aber das ist eine einmalige Leistung, keine kontinuierliche Einsparung.

Schnelle Umsetzung — niedrig (2/5)
Das Potenzial ist real, aber der Weg dorthin erfordert Vorbereitung: Bestehende Rezepturen müssen strukturiert dokumentiert, Rohstoffpreislisten digitalisiert und Nährwertdaten zugänglich gemacht werden. Wer direkt mit ChatGPT oder Claude brainstormen will, kann in einem Tag anfangen — aber systematische Optimierung auf mehrere Zielvorgaben gleichzeitig braucht eine aufbereitete Datenbasis, und die entsteht nicht über Nacht. Realistisch sind 12–20 Wochen bis zur produktiven Nutzung mit echtem Nutzen.

ROI-Sicherheit — begrenzt (2/5)
Das ist der ehrlichste Score auf dieser Seite: Der ROI hängt nicht nur von der Qualität des KI-Einsatzes ab, sondern vom kommerziellen Erfolg des entwickelten Produkts. Wenn die neue Grillsauce vom Handel gut gelistet wird, war das beschleunigte Entwicklungsprojekt sehr wertvoll. Wenn das Produkt flopp, war der Zeitgewinn trotzdem real — aber schwer zu beziffern. Branchen mit häufigen Sortimentsinnovationen profitieren stärker als solche mit stabilen Rezepturen.

Skalierbarkeit — mittel (3/5)
Ein einmal aufgebautes System lässt sich auf andere Produktkategorien übertragen — aber jede Kategorie braucht ihre eigene Datenbasis, eigene Zielparameter und eigene Kalibrierung. Eine Saucenentwicklungs-Wissensbasis hilft wenig bei Backwaren. Trotzdem: Der methodische Aufbau — wie man Rezepturen strukturiert, wie man Optimierungsziele formuliert, wie man mit dem KI-Assistenten arbeitet — überträgt sich.

Richtwerte — stark abhängig von Unternehmensgröße, Innovationsfrequenz und Qualität der bestehenden Datenbasis.

Was der KI-Assistent konkret macht

Der Einsatz von Generativer KI in der Rezeptentwicklung funktioniert auf zwei Ebenen, die sich kombinieren lassen:

Ebene 1: Brainstorming und Ideengenerierung
Du beschreibst dem LLM das Zielprofil eines neuen Produkts — Geschmacksrichtung, Textur, Zielgruppe, Anforderungen (glutenfrei, vegan, low-sugar) — und bekommst strukturierte Vorschläge für Zutatenkombinationen und Formulierungsansätze zurück. Das ist kein Zaubertrick: Das Modell hat Wissen über Lebensmittelchemie, klassische Rezepturprinzipien und typische Zutatenkombinationen aus seinem Training. Es kann schnell Varianten eines Konzepts durchspielen, die du dann bewertest.

Ebene 2: Systematische Optimierung
Du stellst dem System eine konkrete Optimierungsaufgabe: “Diese Rezeptur hat 12 g Zucker pro 100 ml. Ich brauche sie auf maximal 8 g, ohne Süßungsmittel zu verwenden, und der Herstellungspreis soll nicht steigen.” Das Modell schlägt Substitutionen vor, erklärt deren Auswirkungen auf Textur, Geschmack und Haltbarkeit — und du prüfst die realistischsten Kandidaten im Kochtest.

Was das System nicht tut:
Es kalkuliert nicht automatisch durch. Es hat keinen direkten Zugriff auf deinen aktuellen Rohstoffpreiskatalog oder deine Nährwertsoftware — es sei denn, du gibst diese Daten explizit als Kontext mit. Wer das System produktiv nutzen will, lernt früh, Kontext zu strukturieren: Wie viele Zutaten, welche Preise, welche Nährwerte — und das alles kompakt genug, dass der Prompt nicht 10.000 Zeichen lang wird.

Konkret am Beispiel:
Statt 14 Varianten in zwei Tagen manuell zu prüfen, beschreibt Elena Hartmann dem Assistenten ihre Ausgangssituation, gibt die Zielvorgaben und die verfügbaren Zutaten als Kontext an — und bekommt eine priorisierte Liste von 6 Varianten zurück, nach wahrscheinlichem Kosten-Nährwert-Profil geordnet. Das sind 30 Minuten Arbeit statt zwei Tage. Die 6 Varianten prüft sie dann selbst gegen den aktuellen Preiskatalog und stellt 3 davon für den Kochtest zusammen.

Was die KI nicht kann: Sensorik bleibt Handarbeit

Dieser Punkt ist entscheidend genug für einen eigenen Abschnitt.

Kein KI-System kann schmecken. Kein Modell kann vorhersagen, ob eine neue Zutatenkombination in der konkreten Textur, beim Erhitzen oder im Zusammenspiel mit dem Verpackungsmaterial tatsächlich so schmeckt wie erhofft. Sensorische Validierung ist nicht abkürzbar — sie ist der unverzichtbare menschliche Anteil in der Rezeptentwicklung.

Was das konkret bedeutet:

• Verkürzt: Vorfiltierung und Ideation. Welche Varianten sind es wert, physisch getestet zu werden? Diese Frage beantwortet der KI-Assistent schneller als manuelle Kalkulation.
• Unverändert: Kochtest, Verkostungspanel, sensorische Evaluierung. Jede Vorzugsvariante muss durch den normalen Sensorikprozess — kein Shortcut.
• Neu: Bessere Hypothesen vor dem Test. Wenn du 3 gut begründete Varianten testest statt 12 halbgare Ideen, werden deine Kochtests produktiver.

Ein weiterer Grenzbereich: Flavorchemie. Wechselwirkungen zwischen Aromastoffen, Maillard-Reaktionen bei verschiedenen Temperaturen, Emulsionsstabilität — hier kann ein allgemeines LLM nützliche Hinweise geben, aber kein verlässliches Vorhersagemodell für ein konkretes Produkt liefern. Spezialisierte Plattformen wie die ATOM-Tools von Givaudan (für Aromahersteller, nicht für Lebensmittelbetriebe direkt) lösen dieses Problem mit proprietären Datenbanken — aber diese sind Enterprise-only und nicht für den Mittelstand gedacht.

Für Lebensmittelbetriebe, die mit natürlichen Rohstoffen und handwerklicheren Prozessen arbeiten, bleibt der iterative Kochtest mit qualifiziertem Sensorikpanel das Rückgrat der Entwicklung. KI beschleunigt die Vorbereitung — sie ersetzt nicht das Urteil.

Konkrete Werkzeuge — was wann passt

Die wichtigste Botschaft für den Mittelstand: Du brauchst keine spezialisierte Formulierungs-KI für 50.000 Euro Jahresbudget. Die allgemeinen LLMs liefern in dieser Anwendung bereits erheblichen Nutzen, wenn du lernst, sie richtig zu befragen.

ChatGPT — Der naheliegendste Einstieg. GPT-4o ist gut genug für Rezeptideation, Substitutionsvorschläge und erste Kalkulationshilfen, wenn du Kontext mitgibst. Die Custom-Instructions-Funktion (bei Plus) erlaubt es, ein Unternehmensprofil dauerhaft zu hinterlegen — Produktkategorien, häufige Rohstoffe, Nährwertziele. Kostet 20 Euro/Monat. Für erste Versuche ohne Commitment gibt es die kostenlose Variante.

Claude — Die bessere Wahl, wenn du längere Kontextdokumente mitgibst: vollständige Rohstofflisten, mehrere Rezepturdokumente gleichzeitig, Spezifikationssheets. Claude verarbeitet auch 200-seitige Kontexte konsistent — bei langen Rezepturdateien verliert ChatGPT manchmal Details in der Mitte. Claude Pro kostet ebenfalls 20 Dollar/Monat.

NotebookLM — Kostenlos, kein technisches Setup. Du lädst deine bestehenden Rezepturdokumente hoch — Rezepturkarten, Spezifikationen, Kochtest-Protokolle, Rohstoffinformationsblätter — und befragst diese Wissensbasis. NotebookLM antwortet quellengenau und zeigt an, welches Dokument die Information liefert. Das ist besonders wertvoll, wenn viel implizites Wissen in alten Rezepturakten steckt, das nie digitalisiert wurde.

Gemini — Alternative zu ChatGPT, besonders wenn du bereits Google Workspace nutzt. Gemini Advanced (mit Google One Premium) kann Dateien aus Google Drive direkt einlesen — das spart den Upload-Schritt für Teams, die ihre Rezepturen in Google Sheets pflegen.

Zusammenfassung: Wann welcher Ansatz

• Schneller Einstieg, erste Versuche, kein Budget → ChatGPT Free oder Plus
• Lange Kontextdokumente, komplexe Substitutionsanalysen → Claude Pro
• Bestehende Rezepturakten als Wissensbasis befragen → NotebookLM
• Google Workspace im Einsatz → Gemini Advanced

Spezialisierte KI-Plattformen für Lebensmittelformulierung (z. B. Givaudan ATOM, NotCo Giuseppe, Tastewise) sind Enterprise-Lösungen mit proprietären Datenbanken und individuellem Pricing — für den Mittelstand nur in Ausnahmefällen zugänglich und relevant.

Datenbasis aufbauen: die eigentliche Vorarbeit

Bevor der KI-Assistent in der Rezeptentwicklung produktiv sein kann, muss eine wichtige Frage beantwortet werden: Was gibt es als Kontext mitzugeben?

Die Qualität der KI-Ausgabe hängt direkt von der Qualität des mitgegebenen Kontexts ab. Ein allgemeines “Entwickle mir eine vegane Marinade” liefert generische Ergebnisse. Ein strukturiertes “Entwickle eine vegane Marinade mit diesen 12 verfügbaren Zutaten, diesen Preisen, diesem Nährwertziel und diesen sensorischen Anforderungen aus unserem bestehenden Sortiment” liefert verwertbare Ausgaben.

Das bedeutet konkret:

• Rohstoffkatalog strukturieren: Welche Zutaten stehen zur Verfügung, zu welchen Preisen, in welchen Gebindegrößen? Eine gepflegte, exportierbare Liste ist die Voraussetzung für jeden Kalkulationskontext.
• Nährwertziele definieren: Welche Grenzwerte gelten für welche Produktkategorien? Diese können als Checkliste in jeden Prompt eingehen.
• Bestehende Rezepturen erfassen: Die internen Erfolgsrezepturen sind das wertvollste Lernmaterial für das System — nicht weil das Modell lernt, sondern weil du beschreiben kannst, welches Profil du anstrebst.
• Kochtest-Protokolle digitalisieren: Warum wurde Variante 7 nicht weiterverfolgt? Diese Information ist Gold — wenn sie dokumentiert ist.

Der Aufbau dieser strukturierten Datenbasis dauert je nach aktuellem Reifegrad 4–12 Wochen. Wer diesen Schritt überspringt, bekommt ChatGPT-Antworten auf Basis allgemeinen Lebensmittelwissens — nützlich als Inspiration, aber nicht als verlässliche Optimierungsbasis.

Datenschutz und Datenhaltung

Rezepturdaten, Rohstoffpreise und Lieferantenkonditionen sind oft vertrauliches Unternehmens-Know-how. Bevor du diese Informationen in externe KI-Systeme eingibst, sind drei Fragen zu klären:

Trainiert der Anbieter auf deinen Daten?
ChatGPT (OpenAI) nutzt Eingaben aus dem Consumer-Bereich standardmäßig für Training — es sei denn, du deaktivierst das in den Einstellungen (Einstellungen → Datenschutzkontrollen → „Modell mit meinen Inhalten verbessern” abschalten). Im ChatGPT Plus/Team-Plan und über die API wird standardmäßig nicht trainiert. Claude trainiert laut Anthropic nicht auf API- und Enterprise-Eingaben, bei Consumer-Plänen gibt es ähnliche Einschränkungen wie bei OpenAI. NotebookLM von Google nutzt hochgeladene Dokumente nicht für das Training allgemeiner Modelle — eine wichtige Unterscheidung für sensible Inhalte.

Wo werden die Daten verarbeitet?
Alle drei primär empfohlenen Dienste verarbeiten Daten standardmäßig auf US-Servern. Für DSGVO-sensible Prozesse — insbesondere wenn personenbezogene Daten (z. B. Mitarbeiter-Testnotizen) enthalten sind — ist ein Auftragsverarbeitungsvertrag (AVV) zwingend. ChatGPT und Claude bieten AVVs im Business/Enterprise-Tarif an. NotebookLM hat keine dedizierte EU-Datenresidenz.

Was gehört nicht in externe Systeme?

• Vollständige Rezepturen mit präzisen Mengenangaben, wenn diese als Betriebsgeheimnis schützenswert sind
• Lieferantenkonditionen und Einkaufspreise, die wettbewerblich relevant sind
• Personenbezogene Daten aus Sensorikpanels (Namen von Verkostern, Gesundheitsdaten)

Pragmatische Lösung für den Einstieg: Arbeite mit abstrahierten Mengenangaben (Verhältnisse statt absolute Gewichte), pseudonymisierten Rohstoffbezeichnungen (intern: “Rohstoff A” statt Lieferantenname) und verzichte in externen Tools auf vollständige Rezepturen bis ein AVV vorliegt. Das reduziert das Risiko ohne den Einstieg zu blockieren.

Was es kostet — realistisch gerechnet

Einmalige Aufbaukosten

• Datenbasis aufbauen (intern): 4–12 Wochen Aufwand, typisch 20–40 Personenstunden für die Erststrukturierung
• Externe Begleitung (falls gewünscht): 3.000–8.000 Euro für Konzeption, Prompt-Engineering und Schulung der Produktentwickler
• Ohne externe Begleitung: deutlich günstiger, dafür längere Lernkurve

Laufende Kosten

• ChatGPT Plus: 20 Euro/Monat pro Person
• Claude Pro: 20 Dollar/Monat pro Person
• NotebookLM: kostenlos (mit Google-Konto)
• Gemini Advanced: 19,99 Euro/Monat (inklusive Google One)

Wie du den Nutzen tatsächlich misst
Die ehrlichste Kennzahl ist nicht die eingesparte Arbeitszeit (die ist real aber schwer isolierbar), sondern die Anzahl physischer Kochtests je fertigem Rezept. Wenn du heute im Schnitt 8 Kochtests brauchst, bis du eine Vorzugsvariante hast, und dieser Wert nach KI-Einsatz auf 5 sinkt — das sind 3 vermiedene Kochtests. Mit typischen Küchen- und Rohstoffkosten von 150–400 Euro je Kochtest ergibt das pro Entwicklungsprojekt eine messbare Einsparung.

Konservatives ROI-Szenario
Ein Betrieb mit 4–6 aktiven Entwicklungsprojekten pro Jahr, je 3 vermiedenen Kochtests, bei 200 Euro Kostensatz je Kochtest: ca. 2.400–3.600 Euro Einsparung an direkten Kochtest-Kosten — plus die Zeitersparnis bei der Vorfiltierung. Das amortisiert die Toolkosten (40–60 Euro/Monat für ein bis zwei Lizenzen) in den ersten Wochen. Der eigentliche Wert liegt jedoch im schnelleren Time-to-Market, der sich in Umsatz nur bei erfolgreichen Produkten manifestiert.

Drei typische Einstiegsfehler

1. Mit dem Tool starten, bevor der Kontext strukturiert ist.
Der häufigste Fehler: Jemand öffnet ChatGPT und fragt “Entwickle mir eine vegane Marinade”. Die Antwort ist generisch und nützlich wie ein Kochbuch — nicht wie ein Produktentwicklungsassistent. In der Auswertung von Pilotprojekten folgt danach fast immer das Urteil “KI funktioniert bei uns nicht” — obwohl der Prompt der eigentliche Fehler war. Gegenmaßnahme: Vor dem ersten Produktivprompt eine einseitige Kontextvorlage aufbauen — Zutaten, Preise, Nährwertziele, Einschränkungen — und diese bei jedem Entwicklungsauftrag mitschicken. Das dauert einmalig zwei bis vier Stunden und verdoppelt erfahrungsgemäß die Trefferquote der Vorschläge.

2. Die sensorische Validierung vernachlässigen.
Einige Betriebe springen auf Basis guter KI-Vorschläge direkt in die Produktion — ohne Kochtest, ohne Sensorikpanel. Das Ergebnis: Produkte mit korrektem Nährwert- und Kostenprofil, die den Handelskunden nicht überzeugen. Jeder vermiedene Kochtest spart zwar 150–400 Euro Küchen- und Rohstoffkosten — aber ein Produkt, das am Markt scheitert, kostet das Zehnfache. Gegenmaßnahme: Die Vorzugsvariante aus dem KI-Prozess wird immer durch den normalen Sensorikprozess geführt, bevor auch nur ein Produktionsansatz gemacht wird.

3. Das Wissen bleibt in Einzelprompts — wird nie strukturiert.
Viele Produktentwickler nutzen ChatGPT für einzelne Fragen und vergessen, die entwickelte Systematik zu dokumentieren: Welche Prompts funktionieren, welche Kontextstrukturen liefern gute Ergebnisse, welche Entscheidungen wurden auf Basis welcher KI-Ausgaben getroffen. Ohne diese Dokumentation ist der Nutzen an einzelne Personen gebunden — geht die verantwortliche Person, ist auch die Prompt-Systematik weg, und der nächste Kollege beginnt bei null. Gegenmaßnahme: Einen gemeinsamen Prompt-Baukasten in einem geteilten Dokument anlegen, spätestens nach dem dritten erfolgreichen Entwicklungsprojekt — nicht in Einzelchats vergraben.

Das stille Wartungsproblem:
Rohstoffpreise ändern sich, neue Zutaten kommen hinzu, Lieferanten fallen weg. Wer eine aufgebaute Rezepturdatenbasis (z. B. in NotebookLM) nicht regelmäßig aktualisiert, arbeitet nach einigen Monaten mit veralteten Preisen und nicht mehr verfügbaren Rohstoffen — und merkt es nicht, weil das System trotzdem zuversichtlich Vorschläge macht. Quartalsweise Überprüfung der Basisdaten sollte in der Einführungsplanung stehen, nicht in der “irgendwann”-Liste.

Was mit der Einführung wirklich passiert — und was nicht

Die Einführung eines KI-Assistenten in der Rezeptentwicklung trifft auf eine Berufsgruppe, die professionellen Stolz auf ihre sensorische Expertise hat — zu Recht. Wer jahrelang Produkte entwickelt hat und ein feines Gespür für Zutatenkombinationen mitbringt, erlebt einen KI-Assistenten zunächst als Fremdkörper oder sogar als Angriff auf die eigene Expertise.

Was wirklich hilft:

Kein KI-Assistent wird zum “Produktentwickler” — er ist ein besserer Taschenrechner und ein schnellerer Rechercheur, aber kein Ersatz für sensorisches Urteil und Erfahrungswissen. Diese Botschaft muss echte Überzeugung sein, keine Besänftigungsformel. Die besten Implementierungen, die in der Praxis berichtet werden, geschehen, wenn der KI-Einsatz von erfahrenen Entwicklern als Entlastung von stupider Kalkulationsarbeit erlebt wird — nicht als Bedrohung ihres Jobs.

Was in der Einführungsphase regelmäßig passiert:

• Die ersten Prompts funktionieren mittelmäßig. Das System liefert generische Antworten, weil der Kontext noch nicht strukturiert ist. Das führt zu Frustration. Lösung: Mit einem einzigen, gut vorbereiteten Entwicklungsprojekt beginnen — nicht mit dem komplexesten.
• Das Team wird heterogen reagieren. Manche Produktentwickler greifen schnell zum Tool und bauen eigene Systematiken. Andere warten ab. Das ist normal. Nicht alle müssen Poweruser werden.
• Die ersten Ergebnisse brauchen manuelle Nachprüfung. Vorschläge, die das System macht, müssen gegen den aktuellen Rohstoffkatalog und die geltenden Nährwertvorgaben geprüft werden — blind vertrauen ist falsch. Das Vertrauen wächst mit der Erfahrung, welche Vorschläge typischerweise gut sind.

Konkrete Empfehlungen für die Einführung:

• Mit einem freiwilligen Pilotprojekt starten — einer Person oder einem kleinen Team, das das Tool unter realen Bedingungen testet
• Die erste Anwendung auf einen konkreten Anlass fokussieren: ein neues Entwicklungsprojekt, einen Reformulierungsauftrag oder eine Rohstoffsubstitution
• Ergebnisse und Learnings nach 8–12 Wochen mit dem Team teilen — gemeinsam entscheiden, ob und wie weiter

Realistischer Zeitplan mit Risikohinweisen

Hinweis: Diese Zeitlinie gilt für den strukturierten Aufbau. Wer nur erste Versuche machen will — ChatGPT für eine einzelne Fragestellung nutzen — kann das sofort tun. Der Nutzen ist dann kleiner, aber der Einstieg ist ohne Vorlaufzeit möglich.

Häufige Einwände — und was dahintersteckt

„Das kann doch nicht zuverlässig sein — das erfindet doch einfach Rezepturen.”
Stimmt zum Teil. Ein allgemeines LLM erfindet keine falschen Mengenangaben — aber es generiert Vorschläge auf Basis allgemeinen Lebensmittelwissens, nicht auf Basis deines spezifischen Sortiments oder deiner spezifischen Rohstoffe. Die Lösung ist nicht blindes Vertrauen, sondern informiertes Nutzen: Die Vorschläge als Hypothesen verstehen, nicht als fertige Rezepturen. Das Modell liefert Richtungen — die Bewertung, ob diese Richtung funktioniert, ist deine Aufgabe.

„Wir haben das alles schon in Excel.”
Excel ist kein Nachteil — im Gegenteil. Ein gut gepflegtes Excel mit Rohstoffpreisen, Nährwerten und Mengenangaben lässt sich direkt als Kontext in einen Chat-Prompt einbinden oder in NotebookLM hochladen. Wer Excel hat, hat bereits den wichtigsten Inputdaten-Rohstoff für den KI-Einsatz.

„Unsere Rezepturen sind Betriebsgeheimnis — die gehen nicht in externe Systeme.”
Eine legitime Sorge, die eine differenzierte Antwort verdient: Für ersten Einstieg, Ideengenerierung und generische Substitutionsvorschläge brauchst du keine vollständigen Rezepturen eingeben. Du kannst mit abstrahierten Zutatenklassen (“pflanzliches Öl”, “Säuerungsmittel”) und Verhältnisangaben arbeiten. Für spezifischere Arbeit mit echter Datenbasis: AVV mit dem Anbieter abschließen, und die sensiblen Daten lokal in NotebookLM halten, das keine proprietäre Cloud-Trainingsdatenbank speist.

Woran du merkst, dass das zu dir passt

Das sind gute Zeichen:

• Du hast 5 oder mehr aktive Entwicklungsprojekte pro Jahr
• Deine Produktentwicklung verbringt mehr als 20 Prozent ihrer Zeit mit Kalkulation und Dokumentation statt mit der eigentlichen Formulierungsarbeit
• Ihr habt schon einmal eine Variante in den Kochtest geschickt, die bei einem Kostencheck sofort rausgefallen wäre
• Wenn ein erfahrener Produktentwickler das Unternehmen verlässt, verliert ihr substanzielles Wissen, das nicht dokumentiert ist
• Ihr bekommt regelmäßig externe Anforderungen (Reformulierung, Rohstoffsubstitution, neue Nährwertziele), die schnelle Reaktion erfordern

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 3–4 Entwicklungsprojekte pro Jahr. Der Aufbau einer strukturierten Datenbasis und das Erlernen produktiver Prompt-Systematiken sind Investitionen, die sich über viele Projekte amortisieren. Wer nur gelegentlich neue Rezepte entwickelt, profitiert kaum — ChatGPT als gelegentlicher Ideengeber funktioniert auch so, aber die systematische Optimierung lohnt nicht.

2. Keine strukturierte Dokumentation der bestehenden Rezepturen. Wenn Rezepturen nur in den Köpfen erfahrener Mitarbeitender existieren oder über fragmentierte, nicht exportierbare Formate verteilt sind, ist der erste Schritt kein KI-System, sondern Dokumentation. Wer diesen Schritt überspringt, gibt Geld für Tools aus, die auf chaotische Rohdaten reagieren — mit entsprechend chaotischen Ausgaben.

3. Kein sensorischer Validierungsprozess im Betrieb. KI-gestützte Rezeptentwicklung beschleunigt die Vorfiltierung — aber ohne konsequente Kochtests und Sensorikpanels schützt sie nicht vor schlechten Produkten. Wer keinen Sensorikprozess hat, sollte zuerst dort investieren. KI-Unterstützung ohne Sensorik ist wie ein schnellerer Weg zu einer möglicherweise falschen Destination.

Das kannst du heute noch tun

Öffne NotebookLM — kostenlos, kein Setup. Lade fünf bis zehn deiner bestehenden Rezepturkarten hoch (PDF oder Word). Stell dann die Frage: “Welche Zutaten tauchen in mehr als der Hälfte unserer Rezepturen auf?” und “Wenn wir Rohstoff X durch eine Alternative ersetzen müssten — welche Alternativen erscheinen in unseren bestehenden Rezepturen?”

Das ist ein 20-Minuten-Test, der dir zeigt, was das Konzept kann — bevor du einen Cent ausgibst.

Für die eigentliche Entwicklungsarbeit brauchst du einen strukturierten Prompt. Hier ist einer, den du direkt verwenden kannst:

Quellen & Methodik

• Digital Food Monitor 2025: Engel & Zimmermann / Hendrik Haase (2025). Erste umfassende Studie zur KI-Nutzung in der deutschen Lebensmittelwirtschaft. 14 % der Unternehmen setzen KI in der Produktentwicklung ein. Download: digitalfoodmonitor.com
• Nestlé R&D Zeitreduktion: Chief AI Officer Blog (2025): „From 3 Months to 3 Weeks: How Nestlé’s AI Revolutionized Food Innovation Forever”. Nestlé berichtet von der Kompression des R&D-Prozesses durch KI-gestützte Konzeptgenerierung. chiefaiofficer.com
• Givaudan ATOM-Plattform: Givaudan Taste & Wellbeing (2021/2024). Advanced Tools for Modelling: KI-gestützte Aromastoff-Formulierung für Großkunden. givaudan.com. Enterprise-only, nicht für den Mittelstand zugänglich.
• IFT Food Technology Magazine (2024): „How AI Is Revolutionizing Product Development”. Überblick über Praktikersicht und Limitierungen der sensorischen Vorhersage. ift.org
• Sensorische Limitierungen: Forward Fooding (2024): „The Predictive Recipe: AI-Powered Innovation in Food Formulation and Production”. Klar benannte Grenzen der Flavorchemie-Vorhersage durch allgemeine LLMs. forwardfooding.com
• Kosten und Preisangaben: Veröffentlichte Tarife ChatGPT Plus, Claude Pro, Gemini Advanced (Stand Mai 2026). Einrichtungskosten aus Erfahrungswerten mittelständischer KI-Projekte.

Du willst wissen, welcher der ersten Schritte für euren konkreten Betrieb am meisten Sinn ergibt? Meld dich — das klären wir in einem kurzen Gespräch.