Freshflow holt 10 Millionen Dollar für KI gegen Verderb im Frischehandel

Freshflow aus Berlin meldet eine Series-A-Finanzierung. Das Unternehmen entwickelt Software für Frischebereiche im Lebensmittelhandel – dort, wo falsche Bestände, Verderb und leere Regale zugleich Geld kosten.

Interessant ist an dem Fall vor allem das Einsatzfeld. Im Handel zählen Abschriften, Warenverfügbarkeit und die Frage, ob Beschäftigte einer Empfehlung im laufenden Betrieb folgen. Freshflow setzt bei Bestellungen und Nachschub für Produkte mit kurzer Haltbarkeit an.

Kapital für ein Problem, das jede Filiale kennt

Freshflow will das Kapital für Produktentwicklung und die Expansion in Europa einsetzen. Das passt zur Logik des Geschäfts: Wer Frischewaren disponiert, arbeitet mit schwankender Nachfrage, begrenzter Haltbarkeit und lokalen Besonderheiten.

Eine Bestellung, die zu hoch ausfällt, erhöht den Verderb. Fällt sie zu niedrig aus, fehlt Ware im Regal. Beide Fehler sind im Tagesgeschäft sofort sichtbar. Genau deshalb ist Frischelogistik ein harter Testfall für KI-Software. Eine brauchbare Prognose reicht nicht. Das System muss in den Ablauf einer Filiale passen.

Freshflow beschreibt sein Produkt als KI-gestützte Unterstützung für Nachschub und Bestellung. Die Software soll Disposition, Bestand und Abschriften in Frischebereichen zusammenbringen. Für ein Produktteam ist das ein brauchbarer Prüfstein: Die relevante Zielgröße existiert schon, bevor KI ins Spiel kommt.

Die Zahlen brauchen den richtigen Maßstab

Das Unternehmen verweist auf mögliche Effekte bei Verderb, Umsatz und der Akzeptanz von KI-Empfehlungen. Solche Angaben sind keine unabhängigen Marktstudien. Sie zeigen dennoch, woran Freshflow gemessen werden möchte.

Besonders wichtig ist die Akzeptanz im Filialalltag. Eine gute Prognose nützt wenig, wenn sie regelmäßig übergangen wird. Eine Empfehlung muss zur richtigen Zeit bei der Person landen, die bestellt. Sie muss sich außerdem gegen Erfahrung, Zeitdruck und lokale Routinen behaupten.

Ein sinnvoller Pilot vergleicht deshalb ähnliche Filialen über mehrere Bestellzyklen. Neben Abschriften und Verfügbarkeit sollte er dokumentieren, wann Beschäftigte eine Empfehlung überstimmen und ob die Begründung dafür später nachvollziehbar bleibt. So wird aus einer Modellkennzahl ein überprüfbarer Betriebsbefund.

Für den Rollout zählt auch, wie mit Ausnahmen umgegangen wird. Eine lokale Aktion, ein Lieferausfall oder ungewöhnliches Wetter können eine Empfehlung schnell entwerten. Die Filiale braucht dann eine einfache Möglichkeit, davon abzuweichen, ohne dass die Entscheidung als Störung verschwindet. Gerade diese Abweichungen zeigen später, ob dem System Kontext fehlt oder ob die Regel im Betrieb sinnvoll war.

Genau dort trennt sich im Handel ein interessantes System von einer netten Präsentation. Produktteams sollten deshalb nach mehr als Modellgüte fragen: Wie häufig werden Empfehlungen übernommen? Wann weichen Mitarbeitende ab? Und bleibt das System bei saisonalen Ausreißern oder knappen Beständen nachvollziehbar?

Warum der Frischehandel ein harter Markt ist

Hohe Verluste im europäischen Frischehandel machen das Feld attraktiv. Die betriebliche Logik ist klar: Schon kleine Verbesserungen bei Abschriften und Verfügbarkeit können über viele Filialen hinweg erheblich wirken.

Für Freshflow ist das zugleich Chance und Belastungsprobe. Das Produkt muss mit unterschiedlichen Sortimenten, Lieferzyklen, Aktionen sowie lokalen Wetter- und Feiertagseffekten umgehen. Seine Vorschläge müssen so ankommen, dass ein Team in der Filiale sie tatsächlich verwenden kann.

Ich würde die Runde nicht als Signal für einen pauschalen KI-Boom lesen. Sie zeigt vielmehr, warum Kapital dort weiter interessiert bleibt, wo ein Produkt eine bekannte Verluststelle mit einer überprüfbaren Kennzahl verbindet. Ob die versprochenen Effekte über Kunden und Märkte hinweg tragen, muss sich im Betrieb zeigen. Die Mindestregel bleibt einfach: weniger Abschriften, bessere Verfügbarkeit und eine Nutzung, die auch unter Alltagsdruck Bestand hat.