Gegen Lebensmittelabfall hilft erst die Waage, dann die KI

Wer nach Belegen dafür sucht, dass Künstliche Intelligenz die Lebensmittelverschwendung eindämmt, stößt zuerst auf Prozentzahlen. Sie sind griffig, sie klingen nach Messung, und sie wandern von der Pressemitteilung in den Branchenbeitrag und von dort in die Fachliteratur weiter. Selten wird dabei gefragt, wer sie eigentlich erhoben hat. Genau diese Frage lohnt sich.

„KI-Systeme reduzieren Food Waste um bis zu 60%“ — so fasst ein Branchenbeitrag den Stand der Dinge zusammen. In Profiküchen seien bis zu 60 Prozent weniger essbare Lebensmittelabfälle drin, im Einzelhandel durchschnittlich rund 15 Prozent; für das Zürcher Startup KITRO nennt derselbe Text zusätzlich jährliche Kosteneinsparungen zwischen 2 und 8 Prozent. Am Ende des Beitrags steht allerdings ein Hinweis des Autors: Der Artikel sei nach eigenem Wissen und mit KI-Recherchen bei Perplexity und Gemini manuell zusammengestellt worden.

Ähnlich verhält es sich mit dem Fall, der in den hier ausgewerteten Quellen am häufigsten auftaucht. Ein Gastronomie-Magazin berichtet, Ikea habe im Jahr 2022 mithilfe der Kamera-Technik des Anbieters Winnow die Lebensmittelabfälle um 50 Prozent reduziert, die Emaar Hospitality Group sogar um 72 Prozent. Eine andere Darstellung nennt für die Ikea-Filiale im englischen Southampton 75 Prozent. Eine wissenschaftliche Übersichtsarbeit wiederum beziffert dieselbe Zusammenarbeit von Winnow und Ikea auf 30 Prozent binnen eines Jahres — und beruft sich dafür auf eine Fallstudie über Winnow Solutions. Drei sehr unterschiedliche Zahlen für im Kern dieselbe Geschichte.

Auch dort, wo eine begutachtete Studie die Zahlen trägt, ändert sich an ihrer Herkunft wenig. Eine Fallstudien-Untersuchung nahm mit Leanpath, Winnow und Kitro drei führende Anbieter aus der Hotellerie- und Gastronomiebranche in den Blick. Ihre Daten erhob sie, wie sie selbst schreibt, in halbstrukturierten Interviews mit leitenden Vertretern der jeweiligen Unternehmen. Entsprechend fällt der Befund zu Leanpath aus: Das Unternehmen senke den Lebensmittelabfall an Kundenstandorten typischerweise um 50 Prozent und die Einkaufskosten um bis zu 6 Prozent. Im Dank der Studie vermerken die Autorinnen und Autoren zudem der Transparenz halber, ihre eigene Einrichtung, die Oregon State University, sei selbst Kundin von Leanpath.

Das alles macht die Zahlen nicht automatisch falsch. Es macht sie aber zu etwas anderem, als sie zu sein scheinen: nicht zu unabhängig geprüften Messergebnissen, sondern zu Angaben derer, die die Technik verkaufen — weitergereicht, gerundet und mit jeder Station ein Stück weiter von ihrem Ursprung entfernt.

Beeindruckende Prozentzahlen zur Wirkung von KI in Großküchen gibt es reichlich. Die interessantere Frage ist, woher sie stammen — und wer sie erhoben hat.

Lange lautete die ehrliche Antwort: die Hersteller. In der Fachzeitschrift Waste Management hielten Forschende um Evangelia G. Sigala von der Harokopio-Universität Athen und der Fachhochschule Münster 2025 fest, dass es bis dahin keine begutachteten Studien zu vollautomatischen, KI-gestützten Systemen zur Abfallerfassung gab; verfügbar seien nur bruchstückhafte Einblicke aus grauer Literatur. Die kursierenden Wirksamkeitsangaben — 25 bis 70 Prozent in Hotels, 54 Prozent in Restaurants und Bistros, 41 bis 50 Prozent bei Betriebsgastronomen — stützen sich denn auch auf Angaben der Anbieter selbst, darunter eine persönliche Mitteilung von KITRO sowie Veröffentlichungen von Leanpath und Winnow.

Genau diese Lücke schließt die Studie. Die Forschenden installierten Abfall-Tracker in fünf Betrieben: in einem Restaurant innerhalb einer Ferienanlage und bei einem Betriebsgastronomen in Deutschland, in einem Hotel in der Schweiz und in zwei Hotels in Griechenland. Die Geräte wiegen den Abfall mit Hilfe von Bilderkennung und Deep-Learning-Algorithmen automatisch und sortieren ihn in Echtzeit optisch nach Bestandteilen — niemand muss mehr etwas von Hand notieren. In den Hotels lag der Ausgangswert bei 76,2 bis 121,0 Gramm Abfall je Mahlzeit.

Das gemessene Ergebnis: Die Installation der Geräte führte zu einer Reduktion des gesamten Abfalls je Mahlzeit um 23 bis 51 Prozent — spürbar, aber am unteren Rand dessen, was die Anbieterzahlen versprechen. In den Betrieben schärfte die Maßnahme das Bewusstsein des Personals und ermöglichte konkrete Eingriffe: weniger Überproduktion, regelmäßiges Nachfüllen des Buffets statt Vollbestückung, angepasste Portionen und Menüs, bessere Lagerung, Zubereitung auf Nachfrage und Schulungen.

Und dann ist da das unbequeme Detail, das die Autoren nicht verschweigen: In einem der untersuchten Betriebe stieg der Lebensmittelabfall um 13 Prozent. Zurückgeführt wird das vor allem auf äußere Umstände — die COVID-19-Pandemie — sowie auf geringe Motivation von Führungskräften und Personal. Wie unruhig die Rahmenbedingungen tatsächlich waren, zeigt der deutsche Betriebsgastronom: Vor der Pandemie versorgte er täglich rund 800 Menschen, in den Wintern 2021 und 2022 sank die Zahl auf knapp 150. Als die Messungen im Mai 2022 begannen, lag der Schnitt bei etwa 330 Gästen pro Tag, schwankte aber je nach Wochentag stark — Folge fortdauernder Ausgangsbeschränkungen und knapper Heizenergie.

Eine einzelne Feldstudie in fünf Häusern ist noch kein Beweis für eine ganze Branche. Aber sie zeigt, wie weit gemessene Wirkung und beworbene Wirkung auseinanderliegen können — und dass die Technik nur so gut wirkt wie der Betrieb, in dem sie steht.

Wenn in einer Profiküche nach der Einführung eines Abfallsystems weniger im Müll landet: War das die Künstliche Intelligenz? Die Frage klingt spitzfindig, entscheidet aber darüber, wofür ein Betrieb bezahlt. Denn zwischen einer Waage, die Abfall überhaupt erst sichtbar macht, und einer Kamera, die ihn selbstständig erkennt, liegen zwei sehr verschiedene Stufen von Technik.

Der Unterschied ist handfest. Bei automatischen Erfassungssystemen wiegt das Personal den Abfall und ordnet ihn per Menüauswahl am Bildschirm einer Kategorie zu; vollautomatische Geräte verbinden den Abfallbehälter mit Software, die per KI wiegt und die Abfallart selbst erkennt. Das ist mehr als Bequemlichkeit: Jede Erfassung kostet Aufwand, stört Abläufe und kann je nach Engagement des Personals die Mengen unterschätzen lassen.

Wie viel nun auf das bloße Hinsehen und wie viel auf die KI entfällt, hat eine Auswertung gestaffelter Tracker-Einführungen in mehr als 1.000 Profiküchen kausal getrennt. Erste Stufe: Tracker, bei denen das Personal die Kategorien selbst eingibt, senken den Abfall in den ersten drei Monaten nach Einführung um durchschnittlich 29 Prozent gegenüber Küchen ohne Einführung — ohne Umsatzrückgang. Getrieben wird der Rückgang von weniger Überproduktion. Er wächst von gut 12 Prozent im ersten Monat auf gut 29 Prozent über drei Monate. Diese 29 Prozent sind der Ertrag des Messens, nicht der KI.

Erst die zweite Stufe misst die KI selbst. Gegenüber Küchen, die weiter von Hand klassifizieren, bringt das Upgrade auf KI-Klassifikation im Mittel über zwölf Monate zusätzliche 30 Prozent, wiederum ohne Umsatzverlust. Addieren darf man die beiden Werte nicht: Sie beziehen sich auf unterschiedlich lange Zeiträume und auf unterschiedliche Vergleichsgruppen. Der Mechanismus dahinter ist einleuchtend. Handklassifizierte Tracker erfassen das Gesamtgewicht zuverlässig, doch ausgerechnet die großen Abfallereignisse bleiben überproportional oft ohne Kategorie. Die KI automatisiert die Zuordnung und legt offen, woher diese Ereignisse stammen — passend dazu fällt der Zusatzeffekt dort am größten aus, wo vor dem Upgrade besonders viel unkategorisiert blieb.

Küchen, die gleich mit dem KI-Tracker starten, verzeichnen über die ersten drei Monate durchschnittlich 37 Prozent weniger Abfall, davon rund 22 Prozent schon im ersten Monat, ebenfalls ohne entsprechenden Umsatzrückgang. Die Autoren schränken das selbst ein: Die Zahl stammt aus einer anderen Stichprobe und einem anderen Zeitraum und ist kein direkter Vergleich mit den beiden anderen Auswertungen.

Wie schnell die Unterscheidung verloren geht, zeigt ihre populäre Wiedergabe: In einem deutschsprachigen Überblicksartikel wird daraus eine Studie mit 900 Küchen, in der die Verschwendung „nach der Einführung von KI-Systemen“ um 29 Prozent sank und Computer-Vision-Upgrades weitere 30 Prozent brachten. Genau der methodische Punkt ist damit verschwunden — der erste Sprung gehört dem Messen, nicht der Maschine.

Wer beurteilen will, ob Künstliche Intelligenz gegen Lebensmittelabfälle wirklich viel bewegt, braucht einen Vergleichsmaßstab. Der liegt nicht bei null, sondern bei dem, was Maßnahmen erreichen, die ohne Algorithmen auskommen — Teller, Schilder, Waagen. Diese Perspektive ist unbequem, aber sie ist die einzige, in der sich eine Wirkungszahl einordnen lässt.

Das methodisch stärkste Beispiel kommt aus Norwegen. Eine in einer Übersichtsarbeit zum Gastgewerbe referierte Untersuchung von Kallbekken und Sælen (2013) umfasste 52 Hotels, davon 38 in einer Kontrollgruppe. Getestet wurden zwei sogenannte Nudges, also kleine Anstöße, die das Verhalten ohne Verbote verändern sollen: kleinere Teller am Buffet und Schilder mit sozialen Hinweisen, die Gäste ermunterten, das Buffet ruhig mehrfach anzusteuern. Die kleineren Teller senkten den Abfall um 19,5 Prozent, die Hinweisschilder um 20,5 Prozent. Dazu vermerkt die Übersicht Einsparungen von 50 norwegischen Kronen je Kilogramm und Hotel, minimale Umsetzungskosten und keine Einbußen bei der Zufriedenheit der Gäste. Entscheidend ist hier weniger die Höhe des Effekts als das Design: Eine echte Kontrollgruppe trennt die Wirkung der Maßnahme von allem, was sich ohnehin verändert hätte. Genau daran fehlt es auf der KI-Seite häufig. Auch eine ökonometrische Arbeit zu Smart-Scale-Trackern stellt fest, dass die bisherige Evidenz zur Abfallmessung überwiegend auf einfachen Vorher-Nachher-Vergleichen beruht.

Ein zweiter Hebel steckt in der Verpackung. Im Forschungsprojekt „STOP waste – SAVE food“ (2016 bis 2020) wurde an sechs konkreten Beispielen ausgewertet, wie eine längere Mindesthaltbarkeit auf die Abfallmenge wirkt: Im Schnitt senkte eine Verdoppelung der Mindesthaltbarkeit die Abfallrate im Handel um etwa 40 Prozent, eine Verdreifachung um etwa 80 Prozent. Die Auswertung warnt allerdings selbst vor Gegeneffekten — längere Haltbarkeit kann dazu verleiten, mehr gleichzeitig anzubieten oder einzukaufen und länger zu lagern, wodurch die Abfallmenge wieder steigt.

In der Betriebsgastronomie schließlich hat das Forschungsinstitut Thünen ausgerechnet das Schlichteste als wirksame Methode identifiziert: das Abfallmonitoring. Dabei werden Lebensmittelabfälle gewogen und ihr Ursprung erfasst, um zu ermitteln, wo Gegenmaßnahmen am meisten bringen. Zusammen mit der Sensibilisierung des Personals, flexibleren Speiseplänen, angepassten Portionsgrößen und dem Angebot, Reste mitzunehmen, ließen sich nach Experteneinschätzung 30 bis 50 Prozent der Abfälle in der Außer-Haus-Versorgung vermeiden.

Diese Werte stammen aus verschiedenen Settings — Hotelbuffet, Handelsregal, Betriebskantine — und aus unterschiedlich strengen Designs; gegeneinander aufrechnen lassen sie sich nicht. Sie machen aber deutlich, dass eine KI-Lösung sich nicht gegen Untätigkeit behaupten muss, sondern gegen kleinere Teller und eine Waage.

Wenn von „KI gegen Lebensmittelabfall“ die Rede ist, klingt das nach einer einzigen Technik. Dahinter stecken zwei recht verschiedene Verfahren: eines, das in die Zukunft rechnet, und eines, das hinschaut, was im Müll landet. Ihre Schwachstelle liegt nicht im Algorithmus, sondern in den Daten.

Das erste Verfahren ist die Bedarfsprognose. Solche Systeme verarbeiten große Datenbestände — Verkaufsaufzeichnungen, historische Trends und äußere Einflüsse wie Wetterlagen und saisonale Schwankungen -, um die Nachfrage vorherzusagen und Überbestellungen zu vermeiden. Eine Supermarktkette kann daraus ein virtuelles Abbild jeder einzelnen Filiale erstellen, das die künftige Kaufentwicklung simuliert — einbezogen werden auch Google-Trends, Wetterdaten und das Einkaufsverhalten der Kundschaft je Filiale und Produkt. Wie banal der Mechanismus ist, zeigt ein Beispiel: Ist schönes Wetter angesagt, verkaufen Supermärkte viel Grillgut, und fleischverarbeitende Betriebe können ihre Schlachtmenge entsprechend anpassen. Aus Kundenverhalten, Warenbestand und Mindesthaltbarkeitsdatum lassen sich zudem tägliche Preisanpassungen ableiten, statt kurz vor Ablauf drastisch zu reduzieren.

Das zweite Verfahren sitzt am Abfalleimer: Anfangs werden die Kamerafotos im Hintergrund von Hand beschriftet, um standortspezifische Trainingsdaten zu erzeugen und die Trefferquote genau an diesem Ort zu prüfen. Erst danach verfügt der Standort über ein eigens trainiertes, automatisiertes Bilderkennungssystem, das den in den Mülleimer geworfenen Gegenstand erkennt. Der Gewinn liegt vor allem in der Sichtbarkeit: In den drei Monaten vor einer Umstellung machten nicht zugeordnete Vorfälle nur rund drei Prozent der erfassten Abfallereignisse aus, aber etwa 26 Prozent des erfassten Abfallgewichts. Gerade die großen Wegwerfvorgänge fielen also aus der Statistik — nach der Umstellung war die Zuordnung praktisch vollständig.

Damit ist die Grenze beider Verfahren benannt. Ein KI-System funktioniert nur so gut wie die Informationen, die ihm zur Verfügung stehen; sind Verkaufszahlen oder Lagerbestände ungenau, fällt es der Software schwer, verlässliche Vorhersagen zu treffen, und fehlende oder unvollständige Daten aus der Vergangenheit beeinträchtigen den Einsatz erheblich. Solche Modelle brauchen große, hochwertige Datensätze, die kleineren Betrieben mit kurzer Datenhistorie oft fehlen, und Echtzeit-Eingaben wie Sensorwerte können ungenau oder gestört sein.

Und nicht jeder veröffentlichte Leistungswert stammt aus dem Betrieb. Ein Verpackungs- und Lagersteuerungssystem erreicht in einer Fachpublikation einen Gesamt-Leistungswert von 94 Prozent gegenüber herkömmlichen Verfahren — allerdings wird das Verderbsrisiko darin durch eine synthetische Zustandsübergangsfunktion abgebildet, also durch ein Rechenmodell statt durch gemessene Sensor- oder mikrobiologische Daten; deren Einbindung ist erst für künftige Ausbaustufen vorgesehen. Auch bei Schätzmodellen für Nachernteverluste hängen die Ergebnisse spürbar von den zugrunde liegenden Annahmen ab, und Erhebungen aus unterschiedlichen Jahren laufen Gefahr, nicht mehr repräsentativ zu sein.

Wer solche Zahlen liest, sollte also zwei Fragen stellen: Woher kamen die Daten, und wurde gemessen oder gerechnet?

Software, die Verschwendung verhindern soll, ist selbst nicht kostenlos: Sie braucht Rechenzeit, Strom und Geräte, und all das muss hergestellt werden. Wer wissen will, ob unter dem Strich etwas gewonnen ist, muss beide Seiten gegeneinander aufrechnen.

Untersucht wurde „Foodforecast“, ein maschinell lernender Software-Dienst der deutschen Foodforecast Technologies GmbH für Bäckereien. Er wertet historische Verkaufsdaten aus und automatisiert die tägliche Bestellung, um Überproduktion zu vermeiden. 2022 sanken die Retouren nach Verkaufsberichten im Schnitt um 30 Prozent, überwiegend bei Brot und Brötchen. Die Bilanz zieht die Systemgrenze bewusst weit: Sie erfasst die ML-Pipeline mit Datenverarbeitung, Modelltraining und Deployment ebenso wie die Hardware dahinter — die Cloud-Infrastruktur und die Arbeitsplatzgeräte, die das Team im Homeoffice nutzt, jeweils samt Herstellung. Das ist der eigentliche Fortschritt: Eine frühere Untersuchung von Principato und Kolleginnen verglich zwar Kantinenabfälle vor und nach Einführung eines KI-Werkzeugs, ließ den Eigenaufwand der KI aber weg.

Wo dieser Aufwand steckt, überrascht. Das viel diskutierte Modelltraining ist es nicht: Von den Cloud-Effekten der ML-Operationen entfallen rund zwei Drittel auf die Datenverarbeitung, etwa 30 Prozent auf die Inferenz und nur 3 bis 6 Prozent auf das Training. Den Löwenanteil machen ohnehin die Stütztätigkeiten des Betreibers aus, vor allem Laptops und Monitore. Ihr Anteil schwankt je nach Wirkungskategorie: von 53 Prozent bei Energiebedarf und Treibhauswirkung über 87 Prozent beim Rohstoffverbrauch bis zu 97 Prozent in der Kategorie FE. Bei diesen Geräten dominiert die Herstellung, nicht der Betrieb.

Wie viel vermiedene Retoure braucht es, bis sich der Eigenaufwand amortisiert? Diesen Break-even gibt es nicht in der Einzahl. Er reicht von rund einer Tonne beim Energiebedarf im ersten Szenario bis zu 186 Tonnen beim Rohstoffverbrauch im dritten. Die Szenarien unterscheiden sich darin, was mit den Retouren sonst geschähe — energetische Verwertung im einen, Lebensmittelspende im anderen Fall. Der Rohstoffverbrauch fällt dabei durchweg aus dem Rahmen: 40,21, 40,90 und 185,90 Tonnen, konsequent eine Größenordnung über den übrigen Kategorien. Der Grund liegt in der Hardware, die auf Kunststoffe, Metalle und kritische Rohstoffe angewiesen ist, während Backwaren-Retouren diese kaum beanspruchen. Über alle Kategorien und Verwertungsszenarien hinweg übertrifft der Nutzen den Eigenaufwand dennoch um eine bis drei Größenordnungen.

Ein Freibrief ist das nicht. Die UN-Umweltbehörde UNEP hält fest, dass der Umweltfußabdruck der KI unabhängig vom Einsatzzweck erheblich bleibt: Rechenzentren verbrauchen große Mengen Strom und Wasser und stützen sich auf oft nicht nachhaltig abgebaute Mineralien. Eine im Dezember 2025 verabschiedete Resolution der UN-Umweltversammlung fordert die Mitgliedstaaten auf, den möglichen ökologischen Schaden der KI zu minimieren — auch dort, wo sie ökologisch nützt.

Ob eine Gesellschaft tatsächlich weniger Lebensmittel wegwirft, lässt sich nur an einer Zahl ablesen, auf die sich alle einigen können. Genau das soll der Food Loss Index leisten, der amtliche Maßstab hinter dem entsprechenden Nachhaltigkeitsziel der Vereinten Nationen. Nur misst dieser Maßstab nicht alles — und nicht überall gleich verlässlich.

Der Index erfasst Verluste ab Ernte beziehungsweise Schlachtung, aber nur bis vor die Einzelhandelsstufe, die er ausdrücklich ausschließt. Was bei Lagerung, Transport und Verarbeitung verloren geht, zählt mit, auch bei importierten Mengen; was im Supermarktregal oder in der heimischen Küche verdirbt, fällt aus dem Bild. Dafür gibt es einen zweiten Indikator, den Food Waste Index für Einzelhandel und Verbraucherebene. Direkt vergleichen oder zusammenzählen lassen sich beide nicht, weil sie unterschiedlich aufgebaut sind.

Schmal ist auch die Warenbasis: zehn Schlüsselprodukte in fünf Hauptgruppen, zwei je Gruppe. Der Index ist ein gewichteter Index mit fester Basis nach Laspeyres-Art, wie er in der amtlichen Statistik verbreitet ist. Die Gewichte stammen aus dem Produktionswert des Basisjahrs und bleiben dort fixiert; als Basisjahreswert dient der Durchschnitt der Jahre 2014 bis 2016. Weil nach wirtschaftlichem Wert gewichtet wird, neigt sich das Ergebnis zu den höherwertigen Erzeugnissen. Methodisch gilt der Index als Tier-II-Indikator: Die Methodik ist beschlossen, die nächsthöhere Stufe setzt dagegen voraus, dass die Länder ausreichend Daten melden. Die FAO selbst nennt ihre Schätzungen für einzelne Land-Produkt-Paare hoch unsicher und erst regional oder global aggregiert stabiler. Als globale Größenordnung steht: 13,8 Prozent des wirtschaftlichen Werts der weltweit erzeugten Lebensmittel gehen zwischen Hof und Einzelhandel verloren.

Wie schwer der Wirkungsnachweis fällt, zeigt der Bundesrechnungshof am deutschen Beispiel. Die Wirkung der Kampagne „Zu gut für die Tonne“ bleibt unklar, so sein Befund von 2025. Schon 2014 konnte er nicht nachweisen, dass die Kampagne Lebensmittelabfälle verringerte, und empfahl, sie nicht fortzuführen. In seinen Bemerkungen von 2016 beanstandete er Vorbereitung und Durchführung; der Rechnungsprüfungsausschuss des Haushaltsausschusses nahm das im Februar 2017 zustimmend zur Kenntnis und forderte messbare Erfolgskriterien. 2019 wurde die Kampagne neu ausgerichtet. Geblieben sind Lücken: Was eine Fokusgruppenbefragung konkret ergab und was sie zum Ziel beitrug, die Verschwendung pro Kopf auf Einzelhandels- und Verbraucherebene bis 2030 zu halbieren, ist nicht bekannt. Das Ziel von rund 17 000 Webseitenbesuchen pro Monat hält der Rechnungshof gemessen am Mitteleinsatz für wenig ambitioniert. Nach mehr als zehn Jahren Laufzeit genüge es nicht, nur die Sichtbarkeit zu betrachten; adressiert werden müsse die tatsächliche Wirkung auf die Abfallmengen.

Der amtliche Maßstab endet damit dort, wo ein Großteil der öffentlichen Debatte einsetzt — und wo Politik auf Aufklärung setzt, fehlt der Mengennachweis.