better bites nutzt KI, um mit einer präzisen Prognose die Produktionsplanung in Großküchen zu verbessern und Lebensmittelüberschüsse zu reduzieren.
Können Sie better bites kurz vorstellen und erzählen, wie die Idee für die KI-SaaS-Plattform entstanden ist?
better bites ist eine KI-SaaS-Plattform für Großküchen. Wir prognostizieren, wie viele Gäste an einem Tag kommen und welche Gerichte wie oft bestellt werden, bis zu sechs Wochen im Voraus. Auf dieser Basis planen Mensen und Betriebsrestaurants ihre Produktion, statt nach Erfahrungswerten zu schätzen. Weil wir selbst seit Jahren fast jeden Mittag in der Mensa essen, haben wir uns gefragt, wie so ein Betrieb eigentlich mehrere tausend Essen am Tag plant, und das Studierendenwerk Münster angeschrieben. Von dort aus ist alles gewachsen.
Wer steht hinter better bites, und wie ergänzen sich Ihre Erfahrungen in Sales, Tech und Data Science?
Gegründet haben Nico Nonnen und ich, Mattis Sippel. Nico verantwortet Technik und Modellentwicklung, ich Vertrieb und Kundenprojekte, beide mit Data-Science-Hintergrund. Das ist der eigentliche Vorteil: Ich sitze nicht als reiner Vertriebler in Küchengesprächen, sondern kann einschätzen, was mit den Daten eines Standorts machbar ist und was nicht. Umgekehrt entwickelt Nico nicht an der Praxis vorbei, weil er weiß, welche Fragen aus den Betrieben kommen. In einem Feld, in dem Vertrieb und Produkt technisch eng zusammenhängen, spart das sehr viele Schleifen.
Viele Großküchen planen ihre Produktionsmengen noch auf Basis von Erfahrungswerten. Welches Problem möchten Sie dabei konkret lösen?
Küchenleitungen planen meist nach Vorjahreswerten und Bauchgefühl, und weil kaum jemand riskieren will, dass um 13 Uhr nichts mehr da ist, wird im Zweifel zu viel produziert. Nach Zahlen des Thünen-Instituts landen so im Schnitt rund 10,8 Tonnen Lebensmittel pro Großküche und Jahr im Abfall, umgerechnet über 40.000 Euro Wareneinsatz. Das ist kein Erfahrungsproblem, sondern ein Datenproblem: Gästezahlen hängen gleichzeitig an Wetter, Semesterzeiten, Feiertagen, Veranstaltungen und dem Speiseplan des Tages. Diese Faktoren kann ein Mensch nicht parallel im Kopf verrechnen, ein Modell schon. Wir liefern deshalb keine Meinung, sondern eine belastbare Zahl als Planungsgrundlage.
Ihre Prognosen reichen bis zu sechs Wochen in die Zukunft und arbeiten in 15-Minuten-Intervallen. Welche Faktoren sind für eine hohe Genauigkeit besonders entscheidend?
An erster Stelle steht die Datenhistorie des Standorts: mehrere Jahre Kassendaten mit Zeitstempeln sind die Grundlage dafür, dass wir überhaupt in 15-Minuten-Intervallen rechnen können. Danach kommt der Speiseplan, weil die Gerichtswahl die Nachfrage massiv verschiebt, gefolgt vom Semesterkalender, der in der Hochschulgastronomie der stärkste Treiber überhaupt ist. Wetter, Feiertage, Brückentage und lokale Veranstaltungen erklären dann die kurzfristigen Ausschläge. Entscheidend ist außerdem, dass wir pro Standort modellieren und nicht ein Durchschnittsmodell über alle Mensen legen, denn zwei Häuser derselben Stadt verhalten sich unterschiedlich. Und ganz praktisch ist die Datenqualität in unserer Datenbank entscheidend, ein großer Teil unserer Arbeit steckt in der Aufbereitung.
better bites setzt bereits vor der Entstehung von Lebensmittelüberschüssen an. Warum sehen Sie gerade in der Produktionsplanung einen besonders großen Hebel?
Der größte Teil der Lebensmittel, die in einer Großküche verloren gehen, kommt nie bei einem Gast an. Es ist Ware, die produziert wurde, obwohl die Nachfrage an diesem Tag nicht da war. Die meisten Ansätze setzen am Ende der Kette an, bei der Verwertung von Resten oder bei Appellen an die Gäste. Wenn die Entscheidung über die Produktionsmenge aber besser wird, entsteht der Überschuss gar nicht erst. Das Wirksame daran ist, dass niemand sein Verhalten ändern muss: keine kleineren Portionen, kein eingeschränktes Angebot, kein zusätzlicher Arbeitsschritt für die Küche. Die Einsparung kommt allein aus einer besseren Planungszahl.
Ihre Software läuft aktuell an 42 Standorten mit rund 45.000 Gästen täglich. Was haben Sie aus dem Einsatz im realen Küchenbetrieb gelernt?
Dass der Küchenalltag unberechenbarer ist, als jede Datenanalyse vermuten lässt. Baustellen, Ausfälle, kurzfristige Speiseplanänderungen oder eine geschlossene Nachbarmensa verschieben Zahlen sofort, und ein Modell, das solche Sonderfälle nicht kennt, verliert schnell an Glaubwürdigkeit. Gelernt haben wir auch, dass eine Prognose in den Arbeitsablauf passen muss und nicht umgekehrt: Wer morgens um sechs an der Ausgabe steht, öffnet kein Analysetool mit zwölf Diagrammen. Deshalb sind unsere Ansichten bewusst schlicht und liefern die Zahl, die für den nächsten Arbeitsschritt gebraucht wird. Fast alle Funktionen, die wir seitdem gebaut haben, stammen aus Gesprächen mit Küchenleitungen, nicht aus unserem eigenen Kopf.
Eine Prognose ist nur hilfreich, wenn Küchenleitungen ihr auch vertrauen. Wie schaffen Sie Akzeptanz für KI-basierte Entscheidungen im Arbeitsalltag?
Vertrauen entsteht bei uns über Nachvollziehbarkeit, nicht über Versprechen. Wir zeigen jedem Standort rückblickend, was wir prognostiziert haben und was tatsächlich eingetreten ist, Tag für Tag. Nach einigen Wochen sehen die Küchenleitungen selbst, wie nah die Zahlen liegen, und ab da dreht sich das Verhältnis: Die Prognose wird zur Grundlage, das Bauchgefühl zur Gegenprobe. Wir kommunizieren dabei offen, wo ein Modell unsicher ist, statt jede Zahl als Wahrheit zu verkaufen, und die Entscheidung bleibt immer bei der Küche. Dazu kommt persönlicher Kontakt: Wir besuchen die Standorte, stehen in der Küche und sind erreichbar.
Gewachsene Kassensysteme und unterschiedliche Datenstrukturen erschweren die Integration. Wie geht better bites mit dieser technischen Herausforderung um?
Wir haben uns bewusst dagegen entschieden, eine bestimmte Systemlandschaft vorauszusetzen. Der Einstieg funktioniert über einen CSV-Export aus Kasse und Warenwirtschaft, wo eine Schnittstelle verfügbar ist, binden wir per API an. Die eigentliche Arbeit liegt danach in der Aufbereitung, und genau dafür gibt es bei uns eine dreimonatige Onboardingphase, in der wir die Daten analysieren, bereinigen und die ersten Prognosen simulieren. So merken beide Seiten früh, ob die Datenlage trägt, bevor eine langfristige Entscheidung fällt. Wichtig ist außerdem der Aufwand auf Kundenseite: Für die IT der Einrichtung soll es bei wenigen Stunden bleiben, alles andere übernehmen wir.
Zu Ihren Kunden gehören mehrere Studierendenwerke. Welche besonderen Anforderungen bringt die Zusammenarbeit mit dem öffentlichen Sektor mit sich?
Entscheidungen brauchen länger und laufen über mehrere Stellen: Geschäftsführung, IT, Datenschutz und die Küchenleitung sitzen mit am Tisch, dazu kommen feste Budgetzyklen. Dafür bekommt man Partner, die offen für neue Technologien sind sowie langfristig denken. In Deutschland gibt es 57 Studierendenwerke, die sich untereinander gut kennen. Eine Empfehlung aus diesem Netzwerk wirkt stärker als jede Kampagne.
Mehr als 90 Prozent Prognosegenauigkeit sowie Einsparungen bei Kosten, Lebensmitteln und CO2 sind zentrale Kennzahlen. Was unterscheidet better bites damit von anderen Ansätzen gegen Lebensmittelverschwendung?
Bei uns ist die Umweltwirkung kein Nebeneffekt, sondern eine direkte Funktion der Softwarequalität: Je genauer die Prognose, desto weniger wird zu viel produziert. Das lässt sich messen, pro Standort und Jahr sprechen wir von über 10.000 Euro Einsparung, 2,8 Tonnen geretteten Lebensmitteln und rund 19 Tonnen weniger CO2. Viele andere Ansätze dokumentieren Abfall oder verwerten ihn weiter, was sinnvoll ist, aber erst greift, wenn das Essen schon gekocht ist. Unser Unterschied liegt außerdem in der Spezialisierung: Wir sind auf die Betriebsstruktur der Hochschul- und Gemeinschaftsgastronomie zugeschnitten, mit Semesterlogik, Speiseplanzyklen und Kassenstruktur, statt ein allgemeines Prognosetool anzubieten.
Als Nächstes wollen Sie Betriebsrestaurants erschließen und eine KI-gestützte Speiseplanoptimierung entwickeln. Welche neuen Möglichkeiten entstehen dadurch für better bites?
Tatsächlich sind bereits drei Betriebsrestaurants live in unserer Software. Was uns dabei aufgefallen ist: Betriebsrestaurants haben dieselbe Grundstruktur wie Mensen, eine feste Gästebasis und einen täglich wechselnden Plan, aber andere Treiber: Homeoffice-Quoten, Anwesenheitstage und Veranstaltungen im Unternehmen. Unsere Modelle lassen sich darauf übertragen, und der Markt ist um ein Vielfaches größer als der der Studierendenwerke. Die Speiseplanoptimierung ist der zweite Schritt: Bisher sagen wir voraus, was passieren wird, künftig geben wir eine Empfehlung, was überhaupt auf den Plan gehört. Grundlage sind Absatzanteil, Wareneinsatz und Inhaltsstoffe je Gericht. Daraus wird sichtbar, welche Gerichte tragen, welche zu teuer für ihre Nachfrage sind und welche man streichen kann. Damit wird aus einem Prognosewerkzeug eine Planungsplattform für die gesamte Küche.
Welche drei Ratschläge würden Sie anderen Gründerinnen und Gründern geben, die mit einer KI-Lösung eine etablierte Branche verändern möchten?
Erstens: Verliebt euch nicht in eure Lösung, sondern sucht das passende Problem. Wir haben mit der falschen Zielgruppe angefangen und sind erst durch Gespräche in der richtigen Nische gelandet, das war die wichtigste Entscheidung überhaupt. Zweitens: Ein enger erster Kunde ist mehr wert als zehn lose Kontakte. Das Studierendenwerk Münster hat uns Daten, Branchenwissen und Glaubwürdigkeit gegeben, und in einem vernetzten Segment öffnet eine gute Referenz alle weiteren Türen. Drittens: Lasst euch auch für Testphasen bezahlen. Solange unsere Tests kostenlos waren, wurden sie nebenbei behandelt und weckten sogar Zweifel an der Qualität. Seit sie etwas kosten, arbeiten beide Seiten verbindlich zusammen.
Wir bedanken uns bei Mattis Sippel für das Interview
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.
