Künstliche Intelligenz in der Lebensmittelproduktion: Beispiele aus der Praxis

Künstliche Intelligenz arbeitet in Lebensmittelbetrieben heute vor allem als Werkzeug für Mustererkennung: Kameras erkennen fehlerhafte Ware, Prognosemodelle schätzen den Bedarf von morgen, Sensordaten zeigen, wann eine Maschine ausfallen könnte. Vollautomatische Fabriken, in denen KI alles steuert, sind die Ausnahme. Typisch ist ein Assistenzsystem, das Menschen schneller und genauer entscheiden lässt.

Dieser Artikel zeigt die wichtigsten Einsatzfelder mit Beispielen aus dem Betriebsalltag, nennt Voraussetzungen und Grenzen und erklärt den rechtlichen Rahmen. Den Überblick über weitere Verfahren bietet die Themenseite Neue Lebensmitteltechnologien.

Einsatzfelder im Überblick

Bereich	Was die KI macht	Datengrundlage	Nutzen	Grenze
Sortierung von Rohware	erkennt Fehler, Fremdmaterial, Farbe und Größe	Kamera- und Spektralbilder	gleichmäßige Qualität, weniger Handarbeit	neue Fehlerbilder müssen erst gelernt werden
Endkontrolle	prüft Form, Bräunung, Füllstand, Verschluss	Kamerabilder, Röntgen	weniger Reklamationen	Fehlalarme bei schwankender Ware
Etikettenprüfung	gleicht Etikett, Allergene und Datum mit dem Auftrag ab	Kamerabilder, Text, Produktionsdaten	weniger Fehletikettierung	nur so gut wie die hinterlegten Stammdaten
Absatzprognose	schätzt Mengen je Produkt, Tag und Filiale	Verkaufszahlen, Wetter, Feiertage, Aktionen	weniger Überproduktion und Retouren	Ausnahmesituationen schwer vorhersagbar
Vorausschauende Wartung	erkennt Verschleiß an Pumpen, Motoren, Lagern	Vibration, Temperatur, Stromaufnahme	weniger Stillstand	braucht Sensorik und Historie
Prozesssteuerung	empfiehlt Temperatur, Zeit, Mischverhältnis	Prozess- und Labordaten	stabilere Chargen, weniger Ausschuss	Rohstoffschwankungen, Validierung nötig
Rückverfolgbarkeit	verknüpft Chargen, Lieferanten und Kunden	Warenwirtschaft, Produktionsprotokolle	schnellere Eingrenzung im Ernstfall	lückenhafte Daten bremsen

Bildverarbeitung: Sortieren und Prüfen

Das am weitesten verbreitete Beispiel ist die optische Sortierung. Nüsse, Bohnen, Getreide, Beeren oder Kartoffeln laufen auf Bändern oder im freien Fall an Kameras vorbei. Die Software erkennt verfärbte, beschädigte oder fremde Teile, und Druckluftdüsen blasen sie in Sekundenbruchteilen aus. Moderne Systeme nutzen dafür nicht nur sichtbares Licht, sondern auch Nahinfrarot oder Hyperspektralkameras, die Unterschiede in der Zusammensetzung sichtbar machen. Lernende Verfahren helfen, wenn Fehler schwer in feste Regeln zu fassen sind, etwa bei natürlichen Farbschwankungen.

In der Endkontrolle prüfen Kameras zum Beispiel den Bräunungsgrad von Backwaren, die Form von Keksen, den Füllstand von Gläsern oder den Sitz von Deckeln. Röntgengeräte erkennen Fremdkörper wie Glas, Metall oder Knochen. Ein besonders wirksamer Einsatz ist die Etikettenprüfung: Falsch zugeordnete Etiketten mit fehlenden Allergenangaben sind ein häufiger Rückrufgrund. Systeme, die an der Linie lesen, ob Etikett, Zutatenliste und Datum zum laufenden Auftrag passen, setzen genau dort an.

Prognosen: Absatz planen, Verschwendung senken

Viele Lebensmittel sind nur kurz haltbar. Wer zu viel produziert, wirft weg; wer zu wenig produziert, verliert Umsatz. Prognosemodelle verbinden Verkaufszahlen der Vergangenheit mit Einflussgrößen wie Wochentag, Ferien, Wetter und Aktionen. Bäckereien mit vielen Filialen nutzen solche Systeme, um für jede Filiale und jedes Produkt die Backmenge zu planen und Retouren zu senken. Molkereien und Hersteller von Frischeprodukten setzen sie ein, um Rohstoffe, Personal und Schichten abzustimmen.

Die Modelle liefern Vorschläge, keine Gewissheit. Bei ungewöhnlichen Ereignissen, etwa einem plötzlichen Wetterumschwung oder einer Störung in der Lieferkette, bleibt die Erfahrung der Mitarbeitenden wichtig. Wie Prognosen in größere Strategien gegen Verschwendung passen, zeigt der Bereich Upcycling und Reststoffe.

Prozesssteuerung und vorausschauende Wartung

Produktionsanlagen liefern ständig Messwerte. Steigen die Vibrationen einer Pumpe oder die Stromaufnahme eines Motors langsam an, kann das auf Verschleiß hindeuten. Verfahren der vorausschauenden Wartung lernen das normale Verhalten einer Anlage und melden Abweichungen, bevor ein Ausfall entsteht. Für Lebensmittelbetriebe ist das doppelt wichtig, weil ein Stillstand nicht nur Zeit kostet, sondern bei verderblicher Ware auch Rohstoffe.

In der Prozesssteuerung empfehlen Modelle zum Beispiel Mischzeiten, Temperaturen oder Dosierungen, damit Chargen trotz schwankender Rohstoffe gleich ausfallen. Hier gilt eine wichtige Regel: Kritische Kontrollpunkte im HACCP-Konzept, etwa eine Erhitzungstemperatur, müssen festgelegte und validierte Grenzwerte haben. Ein lernendes System darf diese nicht eigenmächtig verschieben, ohne dass das Verfahren neu bewertet wird.

Rückverfolgbarkeit und Lebensmittelsicherheit

Nach Artikel 18 der EU-Basisverordnung muss jeder Lebensmittelunternehmer wissen, von wem er eine Zutat bezogen und an wen er ein Produkt geliefert hat. Digitale Systeme, die Chargen, Lieferanten, Maschinen und Kunden verknüpfen, machen es möglich, bei einem Problem schnell einzugrenzen, welche Ware betroffen ist. KI kann zusätzlich helfen, Auffälligkeiten in großen Datenmengen zu finden, etwa ungewöhnliche Laborwerte bei einem Lieferanten oder Muster, die auf Lebensmittelbetrug hindeuten.

Wie Rückrufe ablaufen und wie Verbraucher davon erfahren, beschreibt der Artikel Lebensmittelrückrufe: Warum es mehr werden und wie man informiert bleibt. Die Grundlagen von Hygiene, Kontrolle und Kennzeichnung bündelt die Themenseite Lebensmittelsicherheit.

Produktentwicklung

Auch in der Entwicklung neuer Produkte wird KI erprobt. Modelle durchsuchen Datenbanken zu Zutaten und ihren Eigenschaften und schlagen Kombinationen vor, etwa für pflanzliche Alternativen zu Milchprodukten oder für zuckerreduzierte Rezepturen. Andere Ansätze versuchen, Geschmack oder Textur aus Messdaten vorherzusagen. Ob ein Vorschlag funktioniert, zeigt sich aber erst in Küche, Technikum und Verkostung. KI verkürzt hier vor allem die Suche, nicht die Prüfung.

Beispiele aus dem Betriebsalltag

Wie das im Alltag aussieht, zeigen typische Anwendungen aus verschiedenen Branchen:

• Obst- und Gemüsepackbetrieb: Kameras erfassen jede Frucht von mehreren Seiten, bestimmen Größe, Farbe und Schalenfehler und verteilen sie automatisch auf Handelsklassen. Mitarbeitende kontrollieren Stichproben und kümmern sich um Grenzfälle.
• Fleischverarbeitung: Röntgensysteme messen an der Linie den Fettanteil von Fleischteilen und erkennen Knochensplitter. Daraus lassen sich Mischungen für Hackfleisch oder Wurst genauer zusammenstellen.
• Getränkeabfüllung: Prüfsysteme kontrollieren Füllhöhe, Verschluss und Etikett jeder Flasche, Leergutautomaten und Sortieranlagen erkennen Flaschentypen.
• Großküche und Gemeinschaftsverpflegung: Waagen und Kameras an der Geschirrrückgabe erfassen, welche Speisen in welchen Mengen zurückkommen. Die Auswertung hilft, Portionsgrößen und Speisepläne anzupassen.
• Bäckerei: Ein Prognosesystem schlägt jeden Abend die Backmengen für den nächsten Tag vor, die Filialleitung kann sie anpassen. Mit der Zeit lernt das System auch aus diesen Korrekturen.

Gemeinsam ist allen Beispielen, dass ein klar abgegrenzter Arbeitsschritt verbessert wird und Menschen die Ergebnisse weiter überwachen.

Voraussetzungen und Grenzen

Damit KI im Betrieb nützt, müssen einige Grundlagen stimmen:

• Datenqualität: Lückenhafte oder falsch zugeordnete Daten führen zu falschen Ergebnissen. Viele Projekte beginnen deshalb mit dem Aufräumen der Datenbasis.
• Training und Pflege: Ein Kamerasystem kennt nur die Fehler, die es gelernt hat. Neue Sorten, Lieferanten oder Verpackungen erfordern Nachtraining.
• Nachvollziehbarkeit: Für die Eigenkontrolle muss dokumentiert sein, wie ein System prüft und was bei Abweichungen passiert.
• Verantwortung: Die Verantwortung für sichere Lebensmittel bleibt beim Lebensmittelunternehmer, nicht beim Softwareanbieter.

Rechtlich kommen mehrere Ebenen zusammen. Die EU-KI-Verordnung (EU) 2024/1689 regelt KI-Systeme nach ihrem Risiko, ihre Pflichten gelten gestaffelt. Viele Anwendungen in der Produktion, wie Sortierung oder Absatzprognose, zählen nicht zu den Hochrisiko-Systemen. Anders kann es sein, wenn KI als Sicherheitsbauteil einer Maschine eingesetzt wird oder Entscheidungen über Beschäftigte trifft. Werden Personen erfasst, gilt die Datenschutz-Grundverordnung, und ein Betriebsrat hat bei technischen Überwachungseinrichtungen ein Mitbestimmungsrecht.

Checkliste für den Einstieg

• Ein konkretes Problem wählen, etwa Retouren, Fehletiketten oder ungeplante Stillstände.
• Prüfen, welche Daten schon vorhanden sind und wie zuverlässig sie sind.
• Eine messbare Zielgröße festlegen, zum Beispiel Ausschuss in Prozent oder Retourenquote.
• Mit einem Pilot an einer Linie oder in wenigen Filialen beginnen.
• Einbindung in HACCP-Konzept und Eigenkontrolle klären.
• Datenschutz, Betriebsrat und Vertragsfragen zu Datenrechten früh einbeziehen.
• Förderung prüfen: Digitalisierungs- und Innovationsprogramme von Bund und Ländern können Pilotprojekte unterstützen, mehr dazu im Beitrag zu Förderprogrammen für Food-Startups.

Fazit

Künstliche Intelligenz ist in der Lebensmittelproduktion keine Zukunftsvision mehr, sondern in Sortieranlagen, Prüfsystemen und Planungswerkzeugen bereits Alltag. Ihr größter Nutzen liegt dort, wo sie gleichmäßiger prüft als das menschliche Auge oder Muster in Daten findet, die sonst übersehen würden. Gute Daten, klare Ziele und die Einbindung in das Eigenkontrollsystem entscheiden darüber, ob ein Projekt im Betrieb wirklich hilft.