KI-gestützte Vorhersage der Konsumentenbeliebtheit von Kaffee anhand sensorischer Daten

Warum Ihr täglicher Kaffee „genau richtig“ schmeckt

Kaffeeliebhaber wissen, dass manche Tassen beinahe magisch wirken, während andere blass bleiben — selbst wenn sie gleich aussehen. Diese Studie stellt eine einfache Frage mit großen Folgen für Trinkende und Röster gleichermaßen: Lassen sich Daten und künstliche Intelligenz (KI) nutzen, um vorherzusagen, ob Menschen eine Tasse schwarzen Filterkaffee tatsächlich mögen, allein basierend auf dem Geschmack und der Zubereitung? Indem sie aufschlüsselt, welche sensorischen Merkmale am wichtigsten sind, weist die Forschung den Weg zu verlässlich schmackhafterem Kaffee für ein breites Spektrum an Geschmäckern.

Wie die Forschenden all den Kaffee verkosteten

Um zu untersuchen, was Genuss antreibt, wertete das Team eine große Verbraucherstudie mit 27 verschiedenen schwarzen Filterkaffees neu aus — alle aus denselben Bohnen, aber mit unterschiedlichen Einstellungen für Stärke, Extraktion und Temperatur zubereitet. Insgesamt bewerteten 118 regelmäßige Kaffeetrinker, wie sehr ihnen jede Probe auf einer neunstufigen Skala gefiel. Sie beurteilten außerdem, ob drei Empfindungen — Gesamteindruck der Geschmacksintensität, Säure und Mundgefühl — „zu wenig“, „zu viel“ oder „gerade richtig“ waren, und kreuzten an, welche von 17 Geschmacksbeschreibungen (wie „süß“, „nussig“ oder „fruchtig“) auf jede Tasse zutrafen. Zusätzlich wurden die Aufbrühungen im Labor auf Eigenschaften wie Säuregehalt (pH), gesamtlösliche Feststoffe und andere Brühparameter gemessen.

Die wenigen Geschmacksindikatoren, die am meisten zählen

Anstatt vorauszusetzen, welche Merkmale wichtig sind, ließen die Forschenden die Daten sprechen. Sie ordneten jede gemessene Variable danach, wie stark sie mit den Gefälltnispunkten der Personen korrelierte, und nutzten dabei mehrere statistische und maschinelle Lernmethoden. Über alle Probanden hinweg kristallisierten sich drei einfache sensorische Eindrücke als stärkste Prädiktoren des Gefallens heraus: ob die Geschmacksintensität als „gerade richtig“ empfunden wurde, ob die Säure als „gerade richtig“ wahrgenommen wurde, und ob der Kaffee als süß empfunden wurde. Tassen, deren Geschmacksstärke oder Säure deutlich neben dem Ziel lagen — also entweder zu schwach oder zu stark — erzielten tendenziell niedrigere Bewertungen. Süß schmeckende Kaffees und solche, die mit Noten wie Zartbitterschokolade, Röst- und Nussaromen beschrieben wurden, wurden generell stärker gemocht, während säuerliche, verbrannte und bittere Eindrücke das Gefallen minderten. Interessanterweise stimmten chemische und physikalische Messgrößen wie Brühtemperatur selten allein mit dem Gefallen überein, abgesehen vom pH-Wert, bei dem weniger saure (höherer pH) Kaffees in einigen Datensichten bevorzugt wurden.

Der KI beibringen, zu erraten, ob Ihnen eine Tasse gefallen wird

Mit diesen priorisierten Merkmalen trainierte das Team KI-Modelle, um entweder die Gefälltnispunkte einer Person vorherzusagen oder einfach zu entscheiden, ob sie eine bestimmte Kaffeeprobe mögen oder nicht. Bemerkenswerterweise zeigte sich, dass bereits drei Eingaben — wahrgenommene Geschmacksintensität, wahrgenommene Säure und wahrgenommene Süße — ausreichten, um verlässliche Vorhersagen zu treffen. Ein Modell, das nur diese drei sensorischen Hinweise nutzte, sagte Like-gegen-Dislike in etwa drei Vierteln der Fälle korrekt voraus und konnte die Gefälltenswerte im Durchschnitt auf etwa einen Punkt der neunstufigen Skala genau schätzen. Selbst wenn die Modelle nur mit objektiven Brühmessungen gefüttert wurden, wie gesamtlösliche Feststoffe, pH, Eingießtemperatur und ein Maß für titrierbare Säure, schnitten sie deutlich besser als Zufall ab bei der Vorhersage, welche Aufbrühungen bei Verbrauchern Anklang finden würden.

Nicht alle Kaffeetrinker wollen dasselbe

Natürlich sind Kaffeepräferenzen berüchtigt persönlich. Um dem nachzugehen, entwickelten die Forschenden eine neue Methode, Konsumenten danach zu gruppieren, wie das Gefallen jeder Person mit bestimmten Geschmacks-Tags stieg oder fiel. Sie verwandelten jede Versuchsperson in einen „Präferenz-Fingerabdruck“, der erfasste, wie stark sie dazu neigte, Kaffees zu mögen oder nicht zu mögen, die als süß, geröstet, fruchtig usw. beschrieben wurden. Mithilfe einer Clustertechnik identifizierten sie zwei Hauptsegmente. Eine Gruppe tendierte zu klassischen Komfortnoten wie Zartbitterschokolade, geröstet, nussig und Karamell. Die andere Gruppe war offener für teeartige, fruchtige, blumige und zitrusartige Aromen und toleranter gegenüber bestimmten bitteren oder sauren Elementen. Überraschenderweise verknüpften die beiden Segmente manchmal dieselben Brühveränderungen — etwa höhere Stärke oder höheren pH-Wert — mit unterschiedlichen sensorischen Eindrücken, was darauf hindeutet, dass Menschen denselben Kaffee buchstäblich unterschiedlich erleben können.

Was das für Ihre nächste Tasse bedeutet

Für alltägliche Kaffeetrinker ist die Botschaft erfreulich einfach: Die am besten bewerteten schwarzen Filterkaffees finden eine ausgewogene Mitte. Sie besitzen genug Geschmacksintensität, um befriedigend zu sein, aber nicht überwältigend, Säure, die lebendig, aber nicht scharf oder langweilig wirkt, und einen allgemeinen Eindruck von Süße, oft verknüpft mit schokoladigen oder gerösteten Noten statt mit Zucker. Diese Studie zeigt, dass KI diese Präferenzen mit nur wenigen sensorischen Hinweisen erfassen und nutzen kann, um vorherzusagen, welche Brühungen Menschen gefallen werden. Für Röster, Cafés und Heimbrühende könnte das schließlich intelligentere Werkzeuge bedeuten, um Rezepte auf verschiedene Geschmackssegmente abzustimmen — egal, ob Sie eine sanfte, nussige Komforttasse oder eine etwas abenteuerlichere, fruchtige und blumige Zubereitung bevorzugen.

Zitation: Gunning, M., Laforgue, M.P.S., Guinard, JX. et al. AI-driven prediction of consumer liking of coffee from sensory data. npj Sci Food 10, 142 (2026). https://doi.org/10.1038/s41538-026-00779-7

Schlüsselwörter: Kaffeepräferenz, sensorische Analyse, Verbraucherbeliebtheit, maschinelles Lernen, Brühstärke und Säure