{"id":127445,"date":"2026-09-25T08:48:37","date_gmt":"2026-09-25T06:48:37","guid":{"rendered":"https:\/\/startupvalley.news\/de\/?p=127445"},"modified":"2026-09-25T08:48:39","modified_gmt":"2026-09-25T06:48:39","slug":"better-bites-prognose-ki-grosskuechen","status":"publish","type":"post","link":"https:\/\/startupvalley.news\/de\/better-bites-prognose-ki-grosskuechen\/","title":{"rendered":"Gegen Lebensmittelverschwendung: Wie better bites Gro\u00dfk\u00fcchen digitalisiert"},"content":{"rendered":"\n

better bites nutzt KI, um mit einer pr\u00e4zisen Prognose die Produktionsplanung in Gro\u00dfk\u00fcchen zu verbessern und Lebensmittel\u00fcbersch\u00fcsse zu reduzieren.<\/h2>\n\n\n\n

K\u00f6nnen Sie better bites kurz vorstellen und erz\u00e4hlen, wie die Idee f\u00fcr die KI-SaaS-Plattform entstanden ist?<\/h3>\n\n\n\n

better bites ist eine KI-SaaS-Plattform f\u00fcr Gro\u00dfk\u00fcchen. Wir prognostizieren, wie viele G\u00e4ste 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 sch\u00e4tzen. 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 M\u00fcnster angeschrieben. Von dort aus ist alles gewachsen.<\/p>\n\n\n\n

Wer steht hinter better bites, und wie erg\u00e4nzen sich Ihre Erfahrungen in Sales, Tech und Data Science?<\/h3>\n\n\n\n

Gegr\u00fcndet 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 K\u00fcchengespr\u00e4chen, sondern kann einsch\u00e4tzen, was mit den Daten eines Standorts machbar ist und was nicht. Umgekehrt entwickelt Nico nicht an der Praxis vorbei, weil er wei\u00df, welche Fragen aus den Betrieben kommen. In einem Feld, in dem Vertrieb und Produkt technisch eng zusammenh\u00e4ngen, spart das sehr viele Schleifen.<\/p>\n\n\n\n

Viele Gro\u00dfk\u00fcchen planen ihre Produktionsmengen noch auf Basis von Erfahrungswerten. Welches Problem m\u00f6chten Sie dabei konkret l\u00f6sen?<\/h3>\n\n\n\n

K\u00fcchenleitungen planen meist nach Vorjahreswerten und Bauchgef\u00fchl, und weil kaum jemand riskieren will, dass um 13 Uhr nichts mehr da ist, wird im Zweifel zu viel produziert. Nach Zahlen des Th\u00fcnen-Instituts landen so im Schnitt rund 10,8 Tonnen Lebensmittel pro Gro\u00dfk\u00fcche und Jahr im Abfall, umgerechnet \u00fcber 40.000 Euro Wareneinsatz. Das ist kein Erfahrungsproblem, sondern ein Datenproblem: G\u00e4stezahlen h\u00e4ngen 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.<\/p>\n\n\n\n

Ihre Prognosen reichen bis zu sechs Wochen in die Zukunft und arbeiten in 15-Minuten-Intervallen. Welche Faktoren sind f\u00fcr eine hohe Genauigkeit besonders entscheidend?<\/h3>\n\n\n\n

An erster Stelle steht die Datenhistorie des Standorts: mehrere Jahre Kassendaten mit Zeitstempeln sind die Grundlage daf\u00fcr, dass wir \u00fcberhaupt in 15-Minuten-Intervallen rechnen k\u00f6nnen. Danach kommt der Speiseplan, weil die Gerichtswahl die Nachfrage massiv verschiebt, gefolgt vom Semesterkalender, der in der Hochschulgastronomie der st\u00e4rkste Treiber \u00fcberhaupt ist. Wetter, Feiertage, Br\u00fcckentage und lokale Veranstaltungen erkl\u00e4ren dann die kurzfristigen Ausschl\u00e4ge. Entscheidend ist au\u00dferdem, dass wir pro Standort modellieren und nicht ein Durchschnittsmodell \u00fcber alle Mensen legen, denn zwei H\u00e4user derselben Stadt verhalten sich unterschiedlich. Und ganz praktisch ist die Datenqualit\u00e4t in unserer Datenbank entscheidend, ein gro\u00dfer Teil unserer Arbeit steckt in der Aufbereitung.<\/p>\n\n\n\n

better bites setzt bereits vor der Entstehung von Lebensmittel\u00fcbersch\u00fcssen an. Warum sehen Sie gerade in der Produktionsplanung einen besonders gro\u00dfen Hebel?<\/h3>\n\n\n\n

Der gr\u00f6\u00dfte Teil der Lebensmittel, die in einer Gro\u00dfk\u00fcche 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 Ans\u00e4tze setzen am Ende der Kette an, bei der Verwertung von Resten oder bei Appellen an die G\u00e4ste. Wenn die Entscheidung \u00fcber die Produktionsmenge aber besser wird, entsteht der \u00dcberschuss gar nicht erst. Das Wirksame daran ist, dass niemand sein Verhalten \u00e4ndern muss: keine kleineren Portionen, kein eingeschr\u00e4nktes Angebot, kein zus\u00e4tzlicher Arbeitsschritt f\u00fcr die K\u00fcche. Die Einsparung kommt allein aus einer besseren Planungszahl.<\/p>\n\n\n\n

Ihre Software l\u00e4uft aktuell an 42 Standorten mit rund 45.000 G\u00e4sten t\u00e4glich. Was haben Sie aus dem Einsatz im realen K\u00fcchenbetrieb gelernt?<\/h3>\n\n\n\n

Dass der K\u00fcchenalltag unberechenbarer ist, als jede Datenanalyse vermuten l\u00e4sst. Baustellen, Ausf\u00e4lle, kurzfristige Speiseplan\u00e4nderungen oder eine geschlossene Nachbarmensa verschieben Zahlen sofort, und ein Modell, das solche Sonderf\u00e4lle nicht kennt, verliert schnell an Glaubw\u00fcrdigkeit. Gelernt haben wir auch, dass eine Prognose in den Arbeitsablauf passen muss und nicht umgekehrt: Wer morgens um sechs an der Ausgabe steht, \u00f6ffnet kein Analysetool mit zw\u00f6lf Diagrammen. Deshalb sind unsere Ansichten bewusst schlicht und liefern die Zahl, die f\u00fcr den n\u00e4chsten Arbeitsschritt gebraucht wird. Fast alle Funktionen, die wir seitdem gebaut haben, stammen aus Gespr\u00e4chen mit K\u00fcchenleitungen, nicht aus unserem eigenen Kopf.<\/p>\n\n\n\n

Eine Prognose ist nur hilfreich, wenn K\u00fcchenleitungen ihr auch vertrauen. Wie schaffen Sie Akzeptanz f\u00fcr KI-basierte Entscheidungen im Arbeitsalltag?<\/h3>\n\n\n\n

Vertrauen entsteht bei uns \u00fcber Nachvollziehbarkeit, nicht \u00fcber Versprechen. Wir zeigen jedem Standort r\u00fcckblickend, was wir prognostiziert haben und was tats\u00e4chlich eingetreten ist, Tag f\u00fcr Tag. Nach einigen Wochen sehen die K\u00fcchenleitungen selbst, wie nah die Zahlen liegen, und ab da dreht sich das Verh\u00e4ltnis: Die Prognose wird zur Grundlage, das Bauchgef\u00fchl 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 K\u00fcche. Dazu kommt pers\u00f6nlicher Kontakt: Wir besuchen die Standorte, stehen in der K\u00fcche und sind erreichbar.<\/p>\n\n\n\n

Gewachsene Kassensysteme und unterschiedliche Datenstrukturen erschweren die Integration. Wie geht better bites mit dieser technischen Herausforderung um?<\/h3>\n\n\n\n

Wir haben uns bewusst dagegen entschieden, eine bestimmte Systemlandschaft vorauszusetzen. Der Einstieg funktioniert \u00fcber einen CSV-Export aus Kasse und Warenwirtschaft, wo eine Schnittstelle verf\u00fcgbar ist, binden wir per API an. Die eigentliche Arbeit liegt danach in der Aufbereitung, und genau daf\u00fcr gibt es bei uns eine dreimonatige Onboardingphase, in der wir die Daten analysieren, bereinigen und die ersten Prognosen simulieren. So merken beide Seiten fr\u00fch, ob die Datenlage tr\u00e4gt, bevor eine langfristige Entscheidung f\u00e4llt. Wichtig ist au\u00dferdem der Aufwand auf Kundenseite: F\u00fcr die IT der Einrichtung soll es bei wenigen Stunden bleiben, alles andere \u00fcbernehmen wir.<\/p>\n\n\n\n

Zu Ihren Kunden geh\u00f6ren mehrere Studierendenwerke. Welche besonderen Anforderungen bringt die Zusammenarbeit mit dem \u00f6ffentlichen Sektor mit sich?<\/h3>\n\n\n\n

Entscheidungen brauchen l\u00e4nger und laufen \u00fcber mehrere Stellen: Gesch\u00e4ftsf\u00fchrung, IT, Datenschutz und die K\u00fcchenleitung sitzen mit am Tisch, dazu kommen feste Budgetzyklen. Daf\u00fcr bekommt man Partner, die offen f\u00fcr neue Technologien sind sowie langfristig denken. In Deutschland gibt es 57 Studierendenwerke, die sich untereinander gut kennen. Eine Empfehlung aus diesem Netzwerk wirkt st\u00e4rker als jede Kampagne.<\/p>\n\n\n\n

Mehr als 90 Prozent Prognosegenauigkeit sowie Einsparungen bei Kosten, Lebensmitteln und CO2 sind zentrale Kennzahlen. Was unterscheidet better bites damit von anderen Ans\u00e4tzen gegen Lebensmittelverschwendung?<\/h3>\n\n\n\n

Bei uns ist die Umweltwirkung kein Nebeneffekt, sondern eine direkte Funktion der Softwarequalit\u00e4t: Je genauer die Prognose, desto weniger wird zu viel produziert. Das l\u00e4sst sich messen, pro Standort und Jahr sprechen wir von \u00fcber 10.000 Euro Einsparung, 2,8 Tonnen geretteten Lebensmitteln und rund 19 Tonnen weniger CO2. Viele andere Ans\u00e4tze dokumentieren Abfall oder verwerten ihn weiter, was sinnvoll ist, aber erst greift, wenn das Essen schon gekocht ist. Unser Unterschied liegt au\u00dferdem in der Spezialisierung: Wir sind auf die Betriebsstruktur der Hochschul- und Gemeinschaftsgastronomie zugeschnitten, mit Semesterlogik, Speiseplanzyklen und Kassenstruktur, statt ein allgemeines Prognosetool anzubieten.<\/p>\n\n\n\n

Als N\u00e4chstes wollen Sie Betriebsrestaurants erschlie\u00dfen und eine KI-gest\u00fctzte Speiseplanoptimierung entwickeln. Welche neuen M\u00f6glichkeiten entstehen dadurch f\u00fcr better bites?<\/h3>\n\n\n\n

Tats\u00e4chlich sind bereits drei Betriebsrestaurants live in unserer Software. Was uns dabei aufgefallen ist: Betriebsrestaurants haben dieselbe Grundstruktur wie Mensen, eine feste G\u00e4stebasis und einen t\u00e4glich wechselnden Plan, aber andere Treiber: Homeoffice-Quoten, Anwesenheitstage und Veranstaltungen im Unternehmen. Unsere Modelle lassen sich darauf \u00fcbertragen, und der Markt ist um ein Vielfaches gr\u00f6\u00dfer als der der Studierendenwerke. Die Speiseplanoptimierung ist der zweite Schritt: Bisher sagen wir voraus, was passieren wird, k\u00fcnftig geben wir eine Empfehlung, was \u00fcberhaupt auf den Plan geh\u00f6rt. Grundlage sind Absatzanteil, Wareneinsatz und Inhaltsstoffe je Gericht. Daraus wird sichtbar, welche Gerichte tragen, welche zu teuer f\u00fcr ihre Nachfrage sind und welche man streichen kann. Damit wird aus einem Prognosewerkzeug eine Planungsplattform f\u00fcr die gesamte K\u00fcche.<\/p>\n\n\n\n

Welche drei Ratschl\u00e4ge w\u00fcrden Sie anderen Gr\u00fcnderinnen und Gr\u00fcndern geben, die mit einer KI-L\u00f6sung eine etablierte Branche ver\u00e4ndern m\u00f6chten?<\/h3>\n\n\n\n

Erstens: Verliebt euch nicht in eure L\u00f6sung, sondern sucht das passende Problem. Wir haben mit der falschen Zielgruppe angefangen und sind erst durch Gespr\u00e4che in der richtigen Nische gelandet, das war die wichtigste Entscheidung \u00fcberhaupt. Zweitens: Ein enger erster Kunde ist mehr wert als zehn lose Kontakte. Das Studierendenwerk M\u00fcnster hat uns Daten, Branchenwissen und Glaubw\u00fcrdigkeit gegeben, und in einem vernetzten Segment \u00f6ffnet eine gute Referenz alle weiteren T\u00fcren. Drittens: Lasst euch auch f\u00fcr Testphasen bezahlen. Solange unsere Tests kostenlos waren, wurden sie nebenbei behandelt und weckten sogar Zweifel an der Qualit\u00e4t. Seit sie etwas kosten, arbeiten beide Seiten verbindlich zusammen.<\/p>\n\n\n\n

Bildcredits better bites<\/a><\/p>\n\n\n\n

Wir bedanken uns bei Mattis Sippel<\/a>\u00a0f\u00fcr das Interview<\/p>\n\n\n\n

Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.<\/p>\n\n\n\n