Wer schon einmal überlegt hat, was gut zu Huhn passt, kennt die Vielfalt an Antworten – von Knoblauch über Kräuter bis zu Fleischbegleitern. Doch eine neue KI-Studie zeigt: Die Antwort hängt stark davon ab, ob die KI Rezepte oder chemische Eigenschaften der Zutaten gelernt hat.

Das Startup Kaikaku.AI hat drei fast identische KI-Modelle entwickelt, die sich nur durch ihre Trainingsdaten unterscheiden. Das erste Modell "Cooc" lernt aus Rezepten, also welche Zutaten oft zusammen verwendet werden. Das zweite Modell "Chem" basiert nur auf den chemischen Verbindungen der Zutaten, also ihren Geschmacksmolekülen. Das dritte Modell "Core" kombiniert beide Ansätze.

Unterschiedliche Antworten auf dieselbe Frage

Geben Sie "Huhn" als Suchbegriff ein, liefert "Cooc" Zutaten wie Knoblauch, Zwiebel und schwarzen Pfeffer – typische Begleiter in Rezepten. "Chem" hingegen schlägt Rind- oder Schweinefleisch vor, weil diese ähnliche Geschmacksprofile aufweisen. Bei "Basilikum" zeigt "Cooc" Zutaten wie Petersilie, Olivenöl und Parmesan an, die man oft zusammen in Pasta findet. "Chem" liefert dagegen verwandte Kräuter wie Oregano, Estragon und Rosmarin.

Diese Unterschiede verdeutlichen, wie wichtig die Datenbasis für KI-Ergebnisse ist. Während "Cooc" die kulinarische Tradition abbildet, zeigt "Chem" die molekulare Verwandtschaft der Aromen. Das dritte Modell "Core" verbindet beide Perspektiven.

Chemie als Schlüssel zu Geschmack und Nährwert

Interessant ist, dass das chemiebasierte Modell "Chem" sogar Eigenschaften wie süß, sauer oder bitter besser einschätzt, obwohl diese nicht explizit im Trainingsdatensatz enthalten sind. Auch Nährwerte wie Proteingehalt oder Fett werden zuverlässiger erkannt. Die chemischen Zusammenhänge scheinen der KI eine Art Abkürzung zu bieten, um komplexe kulinarische Konzepte zu verstehen.

Vielfalt der Küchen und Sprachen

Das Modell "Epicure" verarbeitet über 4 Millionen Rezepte aus sieben Sprachen, darunter Deutsch, Chinesisch, Russisch und Vietnamesisch. So entstehen Zutatencluster, die regionale Küchen wie Südasiatisch oder Westatlantisch klar voneinander trennen. Besonders deutlich trennt "Chem" diese Regionen anhand der chemischen Signaturen.

Eine praktische Funktion erlaubt es, eine Zutat wie "Reis" in Richtung einer bestimmten Küche zu verschieben. So erscheinen bei einer Verschiebung Richtung Südostasien Zutaten wie Curryblätter und verschiedene Linsen. Wird "Huhn" in Richtung westliche Küche gedreht, zeigt das Modell typische amerikanische Zutaten wie Hühnersuppe oder Ranch-Dressing.

KI in der Gastronomie: Mehr als nur Theorie

Kaikaku.AI betreibt in London ein Roboterrestaurant, das mithilfe eigener KI-Systeme Zutaten wiegt, portioniert und verwaltet. Ein Modell, das flexibel zwischen Rezept- und Molekülperspektive wechselt, könnte hier helfen, Menüs zu entwickeln, Zutaten zu ersetzen oder neue Standorte zu bedienen.

Ob diese Technik in der Praxis stabil funktioniert, bleibt abzuwarten. Die Daten sind in manchen Regionen dünn, und die Modelle können kulturelle Verzerrungen enthalten. Dennoch zeigt die Forschung eindrucksvoll, wie KI unterschiedliche Blickwinkel auf Essen eröffnen kann.

Was bedeutet das für Sie?

Für Entscheider:innen in KMU mit Gastronomie- oder Lebensmittelbezug bietet diese Entwicklung spannende Impulse. Die Kombination aus Rezeptwissen und molekularer Analyse könnte künftig neue Wege für Produktentwicklung, Menügestaltung und Lieferkettenmanagement eröffnen.

Auch wenn der Einsatz von KI in der Küche noch in den Kinderschuhen steckt, zeigt das Beispiel, wie Automatisierung und smarte Datenanalyse konkret Mehrwert schaffen können. Wer sich früh mit solchen Technologien beschäftigt, kann Wettbewerbsvorteile sichern und neue Geschäftsfelder erschließen.