Getränkehersteller setzen auf KI für neue Geschmacksrichtungen

Künstliche Intelligenz zieht vom Labor in den Verkostungsraum um, und Getränkeunternehmen setzen sie ein, um Geschmacksdaten auszuwerten, die Produktentwicklung zu beschleunigen und jüngere Konsumenten mit Lust auf neue Aromen anzusprechen. Brennereien, Brauereien, Weingüter und Händler testen Machine-Learning-Systeme, die chemische Profile, Verbraucherbewertungen und Verkaufsdaten auslesen und dann Zutatenkombinationen vorschlagen können, die sich mit höherer Wahrscheinlichkeit am Markt durchsetzen.

Der Wandel ist Teil eines breiteren Trends in der Alkoholbranche, Forschungszyklen zu verkürzen und schneller auf veränderte Nachfrage zu reagieren. Globale Marken stehen unter Druck von Verbrauchern, die seltener trinken, zu Produkten mit geringerem Alkoholgehalt greifen oder nach markanteren Geschmacksprofilen suchen. Zugleich wollen Unternehmen Werkzeuge an die Hand bekommen, die ihnen helfen zu entscheiden, welche Rezepturen sie testen sollen, bevor sie Geld in Pilotchargen und Sensorikpanels investieren.

Zu den ersten prominenten Beispielen gehörte der Spirituosenbereich. In Schweden arbeitete Mackmyra mit dem finnischen KI-Unternehmen Fourkind zusammen, um Intelligens zu entwickeln, einen Whisky-Blend auf Basis von Machine Learning. Das System wurde mit früheren Rezepturen der Destillerie, Verkaufsdaten und Verkostungsfeedback trainiert. Anschließend verfeinerten menschliche Blender das Ergebnis, bevor der Whisky 2019 auf den Markt kam. Später gewann das Produkt bei einem Wettbewerb 2020 eine Goldmedaille und verlieh dem Projekt damit Glaubwürdigkeit über seinen Neuheitswert hinaus.

In Großbritannien nutzte Circumstance Distillery ein neuronales Netz namens Ginette, um Monker’s Garkel zu entwickeln, das die Brennerei als KI-gemachten Gin bezeichnete. Das System wurde mit botanischen Profilen und Gin-Rezepturen sowie Namensideen und Etikettenkonzepten gefüttert. Die Destillerie nahm dennoch manuelle Feinjustierungen vor, darunter Änderungen beim Alkoholgehalt und beim botanischen Gleichgewicht. Das Ergebnis zeigte, wie künstliche Intelligenz nicht nur für die Formulierung, sondern auch fürs Branding eingesetzt werden kann.

Auch große Konzerne investieren. Diageo übernahm 2022 Vivanda, um Flavor-Mapping-Technologie ins eigene Haus zu holen. Das FlavorPrint-System von Vivanda fragt Verbraucher nach ihren Vorlieben für Frucht-, Gewürz- und Kräuternoten und erstellt daraus ein Geschmacksprofil, das für Empfehlungen und Produktentwicklung genutzt werden kann. Diageo hat erklärt, solche Werkzeuge einsetzen zu wollen, um regionale Präferenzen besser zu verstehen und Produkte für unterschiedliche Märkte zuzuschneiden.

Auch Aromenhäuser gehen diesen Weg. Givaudan hat seine Plattform ATOM als Möglichkeit beworben, Trial-and-Error bei der Formulierung zu reduzieren. Nach Angaben des Unternehmens hilft das System dabei zu erkennen, welche Zutaten einen Zielgeschmack unterstützen oder schwächen, und kann Kombinationen vorschlagen, die den Erwartungen der Verbraucher entsprechen und zugleich die Entwicklungszeit verkürzen. In einem vom Unternehmen genannten Fall half ATOM dabei, einen Snack-Geschmack mit 33% weniger Salz zu entwickeln, ohne die Geschmacksqualität zu beeinträchtigen.

Die Technologie beruht auf Daten, die Getränkeunternehmen bislang nicht immer miteinander verknüpft haben. Sensorikpanels liefern strukturierte Verkostungswerte. Chemische Analysen zeigen, welche Verbindungen in einem Wein, Bier oder Spirituosenprodukt vorhanden sind. Verbraucherbewertungen ergänzen Begriffe zu Aroma, Körper und Abgang. Verkaufsdaten zeigen schließlich, was Menschen tatsächlich kaufen. Künstliche-Intelligenz-Systeme kombinieren diese Eingaben, um Muster zu erkennen, die Menschen möglicherweise übersehen.

In der Praxis bedeutet das: Modelle können mit Tausenden von Verkostungsnotizen oder Hunderten chemischer Marker aus Gaschromatografie-Tests trainiert werden. Sie können auch Texte aus Online-Bewertungen oder Social-Media-Beiträgen auswerten, um herauszufinden, was Verbraucher nach eigener Aussage mögen. Manche Systeme nutzen Gradient Boosting oder neuronale Netze, um vorherzusagen, ob eine Rezeptur bei Blindverkostungen gut abschneidet. Andere verwenden generative Modelle, um neue Blends vorzuschlagen, indem sie aus erlernten Geschmacksmustern sampeln.

Die akademische Forschung hat dazu beigetragen, das Feld voranzubringen. An der Universität Genf setzten Forscher künstliche Intelligenz auf chemische Daten von Bordeaux-Weinen ein und berichteten, ihr Modell habe im kontrollierten Test den jeweiligen Weingutsbetrieb hinter jeder Probe mit 100% Genauigkeit identifizieren können. In einer weiteren Studie zum Thema Bier kombinierten Forscher chemische Messwerte, Sensorikdaten und Verbraucherbewertungen von rund 250 Bieren. Ihr Modell übertraf herkömmliche statistische Methoden und half dabei, Verbindungen zu identifizieren, die bei Zugabe zu einer Bierrezeptur bessere Blindverkostungswerte erzielten.

Brauer waren besonders aktiv, weil sie ohnehin mit großen Mengen an Prozessdaten arbeiten. AB InBev hat Machine Learning eingesetzt, um die Konsistenz und Geschwindigkeit der Filtration im großen Maßstab zu verbessern. Nach Angaben des Unternehmens verkürzte ein Pilotprojekt die Filtrationszeit um 40% bis 50%, während zugleich die Konsistenz zwischen den Chargen verbessert wurde. Ein solcher operativer Gewinn ist wichtig, weil schon kleine Verbesserungen in einem globalen Braunetzwerk erhebliche Kosten sparen können.

Auch Händler und Empfehlungsplattformen sind Teil des Trends. Wein-Apps wie Vivino nutzen Machine Learning, um Nutzer mit Flaschen zusammenzubringen, die ihnen gefallen könnten – basierend auf Bewertungen und früherem Verhalten. Andere Start-ups wie Preferabli und Tastry erstellen Geschmacksprofile aus Expertenbeschreibungen, Chemiedaten und Verbraucherfeedback, um Weine zu empfehlen oder bei der Produktplatzierung zu helfen.

Tastry hat erklärt, große Datensätze von Verbrauchergaumen zu nutzen, um vorherzusagen, wie unterschiedliche Trinker auf einen Wein oder ein Bier reagieren werden. Aromyx verfolgt einen anderen Ansatz und versucht Geschmack und Geruch mithilfe von Biosensoren zu digitalisieren und diese Profile dann mit den Vorlieben von Käufern abzugleichen. Das Ziel ist ähnlich: subjektive Geschmacksentscheidungen in Daten umzuwandeln, die sich für Produktdesign und Vertrieb nutzen lassen.

Der Reiz liegt auf der Hand für Unternehmen, die Gen-Z-Verbraucher erreichen wollen; diese bevorzugen tendenziell Neuheiten, intensive Aromen und Convenience-Formate wie Dosen-Cocktails und Ready-to-drink-Getränke. Branchenforschung hat gezeigt, dass jüngere volljährige Trinker häufig fruchtbetonte Aromen, internationale Einflüsse und Optionen mit geringerem Alkoholgehalt suchen, die dennoch vollständig schmecken. Das hat Produzenten in Richtung tropischer Fruchtnoten, Gewürzmischungen und anderer Kombinationen gedrängt, die frisch wirken, ohne allzu ungewohnt zu sein.

Doch künstlicher Intelligenz sind bei Getränken Grenzen gesetzt. Geschmack ist subjektiv und wird von Kultur, Alter und Region geprägt. Ein Modell, das überwiegend auf Daten westlicher Verbraucher trainiert wurde, funktioniert in Asien oder Lateinamerika möglicherweise nicht gut genug ohne Anpassung. Unternehmen sorgen sich zudem um den Datenschutz, wenn sie Kundenumfragen oder Bewertungsdaten nutzen, um Geschmacksprofile aufzubauen.

Hinzu kommen regulatorische Fragen. Wenn ein Algorithmus eine neue botanische Mischung oder Zutatenkombination vorschlägt, müssen Produzenten weiterhin die Lebensmittelsicherheitsvorschriften und Kennzeichnungsgesetze in jedem Markt erfüllen, in dem sie verkaufen. Für KI-erzeugte Rezepturen gibt es in den meisten Rechtsordnungen bislang keine besondere Rechtskategorie; Unternehmen müssen sie daher wie jede andere neue Formulierung behandeln.

Auch geistiges Eigentum ist ein Thema. Getränke-Rezepturen werden oft als Geschäftsgeheimnisse statt über Patente geschützt; künstliche Intelligenz verkompliziert jedoch die Frage des Eigentums dann noch einmal zusätzlich, wenn Software bei der Entwicklung der Formel hilft. In den meisten Fällen kontrolliert das beauftragende Unternehmen oder der menschliche Entwickler mit Steuerungsfunktion die Rechte; Juristen sagen jedoch, dass Verträge vor Projektbeginn klar formuliert sein müssen.

Für kleinere Produzenten ist die Einstiegshürde niedriger als früher: Cloud-basierte Tools machen Machine Learning inzwischen zugänglicher. Ein Weingut oder eine Brennerei braucht kein vollständiges internes Data-Science-Team mehr, um mit KI-gestützter Entwicklung zu experimentieren. Es kann externe Plattformen nutzen oder mit Anbietern zusammenarbeiten, die bereits über Geschmacksdatenbanken und Modellierungswerkzeuge verfügen.

Das ist einer der Gründe dafür, dass das Interesse über große multinationale Konzerne hinaus wächst. Produzenten sehen künstliche Intelligenz nicht als Ersatz für Winzerinnen und Winzer sowie Brauer oder Destillateure an – sondern als Möglichkeit، Entscheidungen schneller einzugrenzen und mehr Ideen mit weniger Ausschuss zu testen. In einer Branche، in der schon ein gescheiterter Produkteinführung Monate Arbeit und erhebliches Kapital kosten kann، zieht dieses Versprechen rasch Aufmerksamkeit auf sich – quer durch Kategorien von Whisky und Gin bis hin zu Bier، Wein und Handels-Empfehlungen.