Definition: Speisenkarten-Rentabilität bezeichnet das Verhältnis zwischen Verkaufspreisen, Rohstoffkosten und Bestellhäufigkeit einzelner Gerichte in einem Gastronomiebetrieb. KI-Systeme analysieren diese Datenpunkte automatisiert, klassifizieren jede Position nach Profitabilität und Popularität und liefern konkrete Handlungsempfehlungen zur gezielten Steigerung des Deckungsbeitrags.

Warum Speisenkarten-Rentabilität über Gewinn oder Verlust entscheidet

In Restaurants, Hotels und Catering-Unternehmen liegt eine der größten ungenutzten Gewinnquellen oft direkt auf dem Tisch: die Speisekarte selbst. Speisenkarten-Rentabilität in der Gastronomie zu optimieren bedeutet nicht zwingend, Preise pauschal anzuheben – sondern präzise zu verstehen, welche Gerichte echten Deckungsbeitrag liefern und welche Positionen still Margen vernichten, ohne dass es der Betrieb bemerkt.

Laut einer Branchenerhebung von Toast (2025) nennen 43 % der Gastronomiebetreiber die Lebensmittelkosten als den größten Einzelfaktor, der ihre Profitabilität belastet – noch vor Personalkosten und Energiepreisen. Gleichzeitig bieten viele Betriebe Gerichte an, die kaum Deckungsbeitrag liefern, aber Küchen- und Lagerkapazitäten binden. Ein 80-sitziges Restaurant mit sieben schlecht rentierlichen Positionen auf einer 28-Gerichte-Speisekarte verschenkt in der Regel mehrere tausend Euro Deckungsbeitrag pro Monat – ohne es zu wissen.

Genau diesen blinden Fleck beseitigt KI-gestützte Speisenkarten-Rentabilitätsanalyse: Sie wertet Kassendaten, Einkaufspreise und Bestellmuster automatisch aus und macht sichtbar, wo Geld liegen gelassen wird.

Menu Engineering mit KI: Wie die automatisierte Analyse funktioniert

Menu Engineering ist eine datenbasierte Methode, die Gerichte nach zwei Dimensionen bewertet: Popularität (Bestellhäufigkeit) und Deckungsbeitrag (Verkaufspreis minus Rohstoffkosten). In der klassischen Variante führen Restaurantleiter diese Analyse quartalsweise manuell in Excel durch – mit Daten, die zu diesem Zeitpunkt bereits veraltet sind. KI-Systeme automatisieren den gesamten Prozess und liefern täglich aktualisierte Auswertungen.

Das KI-System verknüpft dabei mehrere Datenquellen gleichzeitig:

Kassensystem: Bestellhäufigkeiten und Umsätze je Gericht und Tageszeit
Warenwirtschaft: aktuelle Einkaufspreise und Rezeptkosten je Portion
Reservierungssystem: Besucherzahlen, Tischbelegungsgrad und Gästesegmente
Saisonkalender: Feiertage, regionale Events, saisonale Nachfrageschwankungen

Die KI erkennt Muster, die manuell kaum sichtbar sind: etwa, dass ein Pasta-Gericht freitagabends 40 % häufiger bestellt wird als dienstags – und gleichzeitig durch gestiegene Weizenpreise unter die Rentabilitätsschwelle gefallen ist. Wie sich solche Einkaufspreisveränderungen automatisch mit Rezeptkalkulationen verknüpfen lassen, zeigt unser Beitrag zur KI-gestützten Lagerverwaltung und Wareneinsatzsteuerung in der Gastronomie.

Ein mittelgroßes Restaurant mit 70 Sitzplätzen und einer Speisekarte mit 28 Gerichten führt eine KI-gestützte Rentabilitätsanalyse durch. Das System klassifiziert nach vier Wochen alle Positionen:

Kategorie	Anzahl Gerichte	Anteil am Umsatz	Anteil am Deckungsbeitrag
Stars (beliebt + rentabel)	8	42 %	58 %
Plowhorses (beliebt, wenig rentabel)	7	31 %	18 %
Puzzles (rentabel, selten bestellt)	6	14 %	16 %
Dogs (unbeliebt + unrentabel)	7	13 %	8 %

Die sieben „Dog"-Gerichte binden Lager-, Küchen- und Servicekapazitäten, liefern aber nur 8 % des gesamten Deckungsbeitrags. Werden diese gestrichen oder durch optimierte Varianten ersetzt, steigt der durchschnittliche Deckungsbeitrag je Bestellung um geschätzte 1,80 bis 2,40 Euro. Bei 250 Gästen täglich und 300 Öffnungstagen im Jahr ergibt das eine jährliche Mehrrendite von 135.000 bis 180.000 Euro – ohne eine einzige Preiserhöhung, allein durch gezielte Speisekarten-Bereinigung.

Analysen aus mehr als 1.000 Menu-Engineering-Projekten bestätigen: Restaurants erzielen durch konsequente Speisekarten-Optimierung bis zu 20.000 Euro zusätzlichen Jahresumsatz (Quelle: get-sides.de, 2024).

Die vier Gerichte-Kategorien und ihre Optimierungsstrategie im Detail

Das KI-System klassifiziert jede Position automatisch und schlägt konkrete Maßnahmen vor:

Stars – fördern und aktiv schützen

Stars sind hochfrequentiert und rentabel. Die KI empfiehlt, sie prominent auf der ersten Speisekartenseite oder in digitalen Menüs an erster Position zu platzieren. Gleichzeitig überwacht das System Rohstoffpreisschwankungen kontinuierlich, damit Stars nicht unbemerkt in die Plowhorse-Kategorie abrutschen.

Plowhorses – umkalkulieren oder marginal aufwerten

Diese Gerichte werden oft bestellt, sind aber wenig rentabel. Die KI analysiert die Kostenstruktur und schlägt vor: Portionsgröße leicht anpassen, eine günstigere Zutat substituieren oder den Verkaufspreis um 0,50 bis 1,00 Euro anheben. Oft reicht diese kleine Justierung, um ein Plowhorse dauerhaft zum Star zu machen.

Puzzles – Sichtbarkeit gezielt steigern

Rentable Gerichte, die kaum bestellt werden. Häufige Ursache: schlechte Platzierung in der Karte oder fehlende ansprechende Beschreibung. Die KI empfiehlt Maßnahmen zur Hervorhebung und analysiert, ob saisonale Tagesangebote die Bestellfrequenz messbar steigern können.

Dogs – streichen oder transformieren

Unrentable und selten bestellte Positionen sollten konsequent aus der Karte. Die KI identifiziert zudem, welche Rohstoffe dieser Gerichte sich sinnvoll in rentablere Rezepte integrieren lassen – zur Reduzierung von Foodwaste und zur Senkung der Einkaufskosten.

Saisonalität und Preisanpassung: KI reagiert in Echtzeit auf Marktveränderungen

Ein entscheidender Vorteil gegenüber manueller Analyse: KI-Systeme überwachen Einkaufspreise kontinuierlich und aktualisieren Rentabilitätswerte sofort. Steigen die Tomatenpreise im Winter, sinkt die Marge des Tomatensalats umgehend sichtbar im Dashboard – bevor der Betrieb es erst am Monatsende im Wareneinsatz bemerkt.

Laut dem globalen Marktbericht von DataIntelo (2024) wächst der Markt für KI-gestützte Speisekartenoptimierung mit einer jährlichen Rate von 19,8 % und wird bis 2033 ein Volumen von 7,12 Milliarden USD erreichen. Besonders Hotelketten und Catering-Unternehmen mit mehreren Standorten profitieren von zentralen Auswertungen über alle Betriebe hinweg – ein Standort-übergreifendes Benchmarking, das manuell kaum zu leisten wäre.

Für saisonale Betriebe – etwa Eventgastronomie oder Ferienhotellerie – erkennt die KI historische Nachfragemuster und erstellt Prognosen: Welche Gerichte laufen in der Hochsaison überproportional gut? Welche Rohstoffe sollten frühzeitig eingekauft werden, bevor die Preise steigen? Diese Verbindung zwischen Speisenkarten-Rentabilität und Einkaufsplanung schafft zusätzliche Einsparpotenziale, die unser Beitrag zur KI-gestützten Optimierung von Lebensmittelkosten in der Gastronomie vertieft.

Laut Toast (2025) planen bereits 81 % der befragten Gastronomiebetreiber, KI künftig verstärkt einzusetzen – 86 % fühlen sich im Umgang mit KI-Tools bereits sicher. Der Einstieg erfordert dabei keine aufwendige IT-Infrastruktur: Ein modernes Kassensystem mit Exportfunktion, eine Basis-Rezepturkalkulation und die Anbindung an die Warenwirtschaft reichen für erste automatisierte Auswertungen aus. Wer neben der Speisekarte auch das Gästefeedback systematisch auswerten möchte, findet in unserem Beitrag zur KI-gestützten Analyse von Gästebewertungen in Gastronomie und Hotellerie einen sinnvollen nächsten Schritt.

Fazit: Mehr Gewinn pro Gericht – ohne Preiserhöhungen

Speisenkarten-Rentabilität in der Gastronomie ist keine Frage des Bauchgefühls, sondern eine Frage der Datenlage. KI-gestütztes Menu Engineering macht sichtbar, welche Gerichte echten Deckungsbeitrag liefern – und welche Positionen still Margen vernichten. Für Restaurants, Hotelgastronomen und Catering-Unternehmen mit 10 bis 500 Mitarbeitenden bietet die Technologie einen direkten, messbaren ROI: höherer Deckungsbeitrag je Bestellung, weniger Foodwaste und eine Speisekarte, die konsequent auf Profitabilität ausgelegt ist. Die entscheidende Erkenntnis: Nicht das größte Angebot gewinnt – sondern das klügste.

Häufig gestellte Fragen

Was versteht man unter Speisenkarten-Rentabilität in der Gastronomie? Speisenkarten-Rentabilität beschreibt, wie profitabel einzelne Gerichte auf der Speisekarte eines Restaurants, Hotels oder Catering-Betriebs tatsächlich sind. Sie ergibt sich aus dem Verkaufspreis abzüglich der Rohstoff- und Herstellungskosten (Deckungsbeitrag), multipliziert mit der Bestellhäufigkeit. Gerichte mit hohem Deckungsbeitrag und hoher Nachfrage sind die wirtschaftlich wertvollsten Positionen auf jeder Speisekarte.

Wie unterscheidet sich KI-Menu-Engineering von klassischer manueller Analyse? Klassische Speisekarten-Analysen werden meist quartalsweise manuell in Excel durchgeführt und berücksichtigen selten aktuelle Einkaufspreise. KI-Systeme aktualisieren Rentabilitätswerte täglich, erkennen Muster in Bestell- und Preisdaten automatisch und geben priorisierte Handlungsempfehlungen – ohne manuellen Aufwand für Küchenleitung oder Geschäftsführung.

Welche Betriebe profitieren am meisten von KI-gestützter Speisenkarten-Optimierung? Besonders Betriebe mit umfangreichen Speisekarten (mehr als 20 Positionen), mehreren Standorten oder stark saisonal schwankender Nachfrage profitieren überproportional. Restaurants, Hotelketten und Catering-Unternehmen mit 10 bis 500 Mitarbeitenden erzielen in der Regel den schnellsten ROI, da die benötigte Datenbasis – Kassendaten und Rezepturen – meist bereits vorhanden ist.

Wie schnell zeigen sich messbare Ergebnisse nach der Umstellung? Nach der Erstanalyse – die bei vorhandenen Kassendaten typischerweise wenige Stunden dauert – sind erste Handlungsempfehlungen sofort umsetzbar. Messbare Verbesserungen im Deckungsbeitrag zeigen sich bei konsequenter Umsetzung erfahrungsgemäß innerhalb von vier bis acht Wochen nach der ersten Speisekarten-Anpassung.

Mehr zum Thema: Prozesse automatisieren mit KI – wo der Einstieg lohnt, zeigen Prozessmanagement für KMU - Einstieg ohne Berater-Budget und ROI Prozessoptimierung berechnen: Formel + 2 Beispiele | KIMpuls.

KI Speisenkarten-Rentabilität Gastronomie: Deckungsbeiträge je Gericht steigern