KI in der Bäckerei: Wie Prognosen echte Retouren senken

Vonadmin

Kaum eine Branche kennt das Spannungsfeld zwischen Frische und Verschwendung so genau wie das Bäckerhandwerk. Zu wenig gebacken, und die Kundschaft findet leere Regale vor. Zu viel gebacken, und am Abend wandert, was übrig bleibt, in die Tonne oder in die Resteverwertung. Dieser Artikel schaut auf die tatsächliche Ausgangslage der Branche, ordnet ein, was Prognosen leisten können – und was nicht – und zeigt, wo künstliche Intelligenz beim täglichen Dispositionsproblem realistisch ansetzt.

Eine Branche im Wandel

Der Zentralverband des Deutschen Bäckerhandwerks zählte zum 31. Dezember 2025 noch 8.659 Bäckereibetriebe in Deutschland – ein Rückgang von 2,8 Prozent gegenüber dem Vorjahr. Vor rund 60 Jahren, in der alten Bundesrepublik, waren es noch etwa 55.000 Betriebe. Heute betreiben die verbliebenen Betriebe im Schnitt deutlich mehr Filialen: Zusammen kommen sie auf rund 35.000 Verkaufsstellen, bei einem Gesamtumsatz von 18,14 Milliarden Euro im Jahr 2025 (plus 1,3 Prozent gegenüber dem Vorjahr) und durchschnittlich 232.000 Beschäftigten. Zugleich meldet der Verband für 2025 einen leichten Aufwärtstrend bei der Ausbildung: 4.593 Bäcker-Auszubildende (plus 12,1 Prozent) und 6.668 angehende Fachverkäuferinnen und Fachverkäufer (plus 11,8 Prozent) – ein vorsichtig positives Signal in einer Branche, die strukturell unter Druck steht. Der Verband selbst spricht in seiner Jahresbilanz von einer Branche, die zwar stabil bleibt, aber „zunehmend unter Druck“ gerät – durch hohe Energie- und Personalkosten und wachsende Bürokratielasten. Der Strompreis liegt nach Verbandsangaben noch immer knapp vier Cent pro Kilowattstunde über dem Niveau vor zehn Jahren, mit der Warnung vor einer „nächsten Energiekostenwelle“, sobald günstige Altverträge auslaufen.

Wo steht die Branche bei der Digitalisierung?

Belastbare, aktuelle Zahlen speziell zur KI-Nutzung im Bäckerhandwerk sind rar – eine Lücke, die an dieser Stelle auch offen benannt werden soll, statt sie mit einer erfundenen Zahl zu füllen. Die nächstliegende verfügbare Studie stammt von Bitkom und der Bundesvereinigung der Deutschen Ernährungsindustrie (BVE) aus dem Jahr 2019 und bezieht sich auf die Ernährungsindustrie insgesamt, nicht spezifisch auf das Bäckerhandwerk: Damals gaben 8 Prozent der befragten Unternehmen an, KI bereits einzusetzen, 15 Prozent planten dies. Cloud-Computing war mit 47 Prozent bereits deutlich verbreiteter. Zwei Drittel der Unternehmen nutzten zu diesem Zeitpunkt bereits irgendeine Form digitaler Lösungen, 60 Prozent verfolgten eine erkennbare Digitalstrategie. Diese Zahlen sind mittlerweile mehrere Jahre alt und beziehen sich auf Lebensmittelhersteller im weiteren Sinn, nicht auf Handwerksbetriebe – sie zeigen aber zumindest die Ausgangsrichtung: KI war schon vor der aktuellen Welle an Sprachmodellen ein Thema in der Branche, wenn auch mit überschaubarer praktischer Durchdringung.

Das Ausmaß der Verschwendung

Wie groß das Retourenproblem in der Branche tatsächlich ist, lässt sich an zwei unabhängigen Quellen ablesen. Der WWF Deutschland beziffert die jährliche Backwarenproduktion in Deutschland auf rund 4,5 Millionen Tonnen, von denen ein erheblicher Teil – rund 1,7 Millionen Tonnen – als Verlust anfällt, mit Retourenquoten von 1,5 bis teils über 20 Prozent je nach Filialgröße und -typ. Umgerechnet auf Ackerfläche und Klimawirkung entspricht das laut WWF rund 398.000 Hektar Anbaufläche und 2,46 Millionen Tonnen Treibhausgasen – Ressourcen, die für Backwaren aufgewendet wurden, die nie einen Kunden erreicht haben.

Noch konkreter wird das im BMBF-geförderten Forschungsprojekt REFOWAS (Reduce Food Waste), das die Kosten für einzelne Bäckereifilialen untersucht hat: Je nach Filialgröße wurden dort Retourenquoten zwischen 2 und rund 23 Prozent gemessen – mit dem bemerkenswerten Befund, dass kleinere Einzelfilialen tendenziell die niedrigsten, mittelgroße Betriebe teils die höchsten Quoten aufwiesen. Umgerechnet auf den Umsatzverlust ergibt das für einzelne Filialen einen mittleren fünfstelligen Betrag pro Jahr. Diese Zahl wird konsistent in der Fachpresse zitiert, auch wenn sie sich nicht mehr bis zur letzten Nachkommastelle im Originaldokument nachvollziehen lässt – als Größenordnung ist sie aber ein anschauliches Bild dafür, wie viel Geld in schlecht kalibrierten Bestellungen steckt, nicht nur in schlechten Zutaten oder schlechtem Handwerk.

Zum Vergleich: Insgesamt fallen in Deutschland laut Bundesministerium für Ernährung, Landwirtschaft und Heimat (BMLEH) jährlich rund 10,8 Millionen Tonnen Lebensmittelabfälle an (Datenjahr 2022) – der überwiegende Teil davon in privaten Haushalten. Backwaren sind damit nicht die größte Einzelquelle der Lebensmittelverschwendung in Deutschland, aber innerhalb des Lebensmittelhandwerks eine Branche, in der die Verschwendung besonders unmittelbar sichtbar ist: Sie passiert jeden Tag, in jeder Filiale, live am Regal.

Warum die klassische Disposition an ihre Grenzen stößt

Die tägliche Bestellmenge in einer Bäckereifiliale hängt von einer ganzen Reihe von Faktoren ab: dem Wochentag, dem Wetter, Feiertagen und Schulferien, lokalen Veranstaltungen, saisonalen Effekten und nicht zuletzt der historischen Verkaufsentwicklung der jeweiligen Filiale. Wer diese Bestellung aus dem Bauchgefühl heraus trifft – und sei es das erfahrenste Bauchgefühl im Betrieb – kann einzelne dieser Faktoren berücksichtigen, aber kaum systematisch alle gleichzeitig gegeneinander abwägen, Tag für Tag, Filiale für Filiale. Genau hier setzt eine statistische Bedarfsprognose an: Sie wertet historische Verkaufsdaten gemeinsam mit externen Faktoren wie Wetterdaten aus und liefert eine Bestellmenge, die sich objektiv nachvollziehen lässt, statt sich auf die Erfahrung einer einzelnen Person zu verlassen, die im Zweifel auch mal krank oder im Urlaub ist.

Wichtig für die Einordnung: Zahlen von Anbietern, die 20 bis 30 Prozent weniger Retouren durch KI-gestützte Prognosen versprechen, sind Angaben der jeweiligen Unternehmen selbst und keine unabhängig geprüften Studienergebnisse. Eine akademische oder verbandsseitig unabhängige Untersuchung speziell zur Wirksamkeit von KI-Bedarfsprognosen in deutschen Bäckereien gibt es bislang nicht in einer Form, die sich seriös zitieren ließe. Das bedeutet nicht, dass die Effekte nicht real sind – die Logik, dass eine datengestützte Prognose eine rein erfahrungsbasierte Schätzung in vielen Fällen präzisieren kann, ist plausibel und in der allgemeinen Prognoseliteratur gut belegt. Seriös ist aber, das als begründete Erwartung zu formulieren, nicht als bewiesene Garantiezahl.

Wie CI4U an diesem Problem ansetzt

CI4U prognostiziert den Tagesbedarf je Filiale auf Basis eines eigens konfigurierten statistischen Modells (ein verallgemeinertes lineares Modell, GLM), das bis zu 15 externe und interne Faktoren einbezieht – von Wetterdaten über Wochentag und Ferien bis zu historischen Verkaufsmustern der jeweiligen Filiale. Im Live-Betrieb erreicht das System einen mittleren Prognosefehler (MAPE) von unter 12 Prozent. Anders als bei vielen generischen KI-Werkzeugen ist dabei entscheidend, dass jede Empfehlung nachvollziehbar begründet wird: Welche Faktoren haben wie stark zur Prognose beigetragen, warum wird für einen bestimmten Tag mit einem höheren oder niedrigeren Bedarf gerechnet. Das Ziel ist nicht, der Bäckerei ihre Entscheidung abzunehmen, sondern die Grundlage für diese Entscheidung greifbar zu machen – inklusive der Möglichkeit, auf ungewöhnliche Ereignisse (ein lokales Radsportevent, eine Baustelle vor der Tür) gezielt hinzuweisen, wenn sie historisch einen messbaren Effekt hatten.

Ebenso wichtig: Die Verarbeitung dieser sensiblen Verkaufs- und Kundendaten erfolgt on-premise-fähig, also wahlweise vollständig im eigenen Netzwerk oder in einer dedizierten, isolierten Infrastruktur – nicht zwingend in einer geteilten Cloud eines fremden Anbieters. Für einen Familienbetrieb, der seine Verkaufszahlen naturgemäß als Geschäftsgeheimnis betrachtet, ist das keine Nebensache.

Was „unter 12 Prozent Prognosefehler“ eigentlich bedeutet

Der in der Prognoseliteratur am häufigsten verwendete Genauigkeitsmaßstab ist der MAPE (Mean Absolute Percentage Error) – er misst, wie weit eine Prognose im Durchschnitt prozentual vom tatsächlichen Bedarf abweicht. Ein MAPE von 12 Prozent bedeutet: Die Bestellprognose lag im Schnitt 12 Prozent über oder unter dem tatsächlichen Bedarf. Zur Einordnung existiert in der Prognoseliteratur eine seit Jahrzehnten verbreitete Faustregel, die auf C. D. Lewis‘ Buch „Industrial and Business Forecasting Methods“ (1982) zurückgeht: Werte unter 10 Prozent gelten demnach als hochgenaue Prognose, 10 bis 20 Prozent als gute Prognose, 20 bis 50 Prozent als vertretbar und Werte über 50 Prozent als ungenau. Diese Skala ist eine Orientierung, kein universelles Gesetz – was im Einzelfall als „gut“ gilt, hängt immer auch davon ab, wie stark die Nachfrage nach einem bestimmten Artikel naturgemäß schwankt. Ein Croissant an einem gewöhnlichen Dienstag lässt sich in aller Regel zuverlässiger vorhersagen als ein saisonales Sondergebäck rund um einen Feiertag.

Wichtig ist dabei auch, die Grenzen dieser Kennzahl zu kennen: MAPE reagiert empfindlich auf Artikel mit sehr geringen Verkaufsmengen – wird an einem ruhigen Tag nur eine Handvoll eines Produkts verkauft, kann schon eine einzelne Einheit Abweichung einen unverhältnismäßig hohen prozentualen Fehler erzeugen, obwohl der tatsächliche wirtschaftliche Schaden gering ist. Aus diesem Grund lohnt es sich, den MAPE nicht isoliert, sondern gemeinsam mit dem tatsächlichen Bestellvolumen zu betrachten – eine seriöse Prognoselösung sollte diesen Unterschied transparent machen, statt eine einzelne Kennzahl unkommentiert als Beweis für Genauigkeit zu präsentieren.

Mehr als nur Zahlen: der Kontext zählt

Eine Prognose ist nur so gut wie ihr Verständnis der Ausnahmen. Ein Fahrradclub, der seine jährliche Sommertour an einer bestimmten Filiale startet oder endet, führt dort historisch zu einem überdurchschnittlichen Bedarf an bestimmten Produkten – ein Muster, das eine reine Verkaufsdaten-Zeitreihe ohne externen Kontext nicht erkennen würde. Genau solche wiederkehrenden, aber nicht alltäglichen Ereignisse einzubeziehen, unterscheidet eine kontextbewusste Prognose von einer einfachen Fortschreibung vergangener Zahlen. Für Betriebe bedeutet das: Eine gute Prognose ersetzt nicht das lokale Wissen des Filialpersonals, sondern nimmt es systematisch mit auf – etwa über eine einfache Möglichkeit, angekündigte lokale Ereignisse ins System einzupflegen.

Fazit: eine reale Stellschraube in einer Branche unter Druck

Die Zahlen zeigen ein Bäckerhandwerk, das strukturell schrumpft, aber pro Betrieb wächst, unter Kosten- und Personaldruck steht und gleichzeitig – nach Studienlage zumindest im breiteren Lebensmittelgewerbe – noch am Anfang der KI-Nutzung steht. Retouren sind dabei eine der wenigen Stellschrauben, die Betriebe tatsächlich selbst in der Hand haben, ohne auf Energiepreise oder Arbeitsmarktentwicklungen warten zu müssen. Eine datengestützte, nachvollziehbare Bedarfsprognose ersetzt dabei nicht das Handwerk selbst – aber sie kann einen der teuersten blinden Flecken im Tagesgeschäft sichtbar und steuerbar machen.

Quellen

Ähnliche Beiträge