MyMenu AI

Die community-basierte Ernährungs-KI.

Projektdurchführung

Aleksandar Aleksic, Julie Lacher, Nikita Sudakov, Niklas Westhauser, Sophie Tschöke, Innovations- und Transferkompetenz

Einführung

  • MyMenu AI ist der erste KI-Begleiter, der Restaurantbesuche für Menschen mit spezifischen Ernährungszielen oder Unverträglichkeiten stressfrei macht.
  • Problem: Unvollständige/unklare Allergen- und Inhaltsstoffangaben auf Speisekarten.

Zielsetzung 

  • Vision: Jedem Gast personalisierte, sichere, gesundheitsorientierte Speiseauswahl ermöglichen.
  • Innovation schaffen: Community-basierte Analyse-Plattform, die per OCR & NLP jede beliebige Speisekarte in Echtzeit digitalisiert.

Methodik

Technisches Konzept:

  • Frontend: Flutter (Cross-Plattform: iOS, Android, Web)
  • State Management: Riverpod
  • Backend: Supabase (PostgreSQL, Auth, Storage)
  • KI-Integration: Google Gemini 2.5 Flash (Bild-/Speisekartenanalyse)
  • Ablauf: Profil anlegen → Speisekarte fotografieren → KI-Analyse (OCR/NLP) → Abgleich mit Nutzerprofil → personalisierte Menüanzeige

Evaluationsmethodik:

  • Mixed-Methods-Design: qualitative Thinking-Aloud-Studie (10 Proband:innen) und quantitative Online-Befragung (größere Stichprobe)
    Zunächst qualitative Thinking-Aloud-Tests (n = 10) zur Identifikation grundlegender Usability-Probleme, anschließend quantitative Hauptbefragung basierend auf dem Technology Acceptance Model (TAM) zur statistischen Prüfung von Perceived Usefulness und Perceived Ease of Use.
  • Stichprobe und Auswertung: Rekrutierung über Hochschulverteiler sowie themenspezifische Online-Communities von 142 Rückläufern verblieben nach Bereinigung n = 102 valide Fälle, die mittels deskriptiver Statistik und zweier linearer Regressionsmodelle zur Prüfung von sechs Hypothesen ausgewertet wurden.

Ergebnisse

App-Prototyp MyMenu AI

App-Prototypen MyMenuAI

 

Ergebnisse der Evaluierung

  • Bedienbarkeit, Struktur und Icons wurden durchweg positiv bewertet (Ø bis 4,28/5), doch die Regressionsanalyse zeigt: Keiner der sechs Usability-Aspekte hat einen signifikanten Einfluss auf die Nutzungsabsicht (R² = 0,146).
  • Der wahrgenommene Nutzen erklärt 71,2 % der Varianz der Nutzungsabsicht (R² = 0,712) allen voran die Erleichterung der Gerichtsauswahl (β = 0,431) und das Vertrauen in die KI-Empfehlungen (β = 0,351).
  • Mit einem Mittelwert von nur 2,43 (Median 2) ist das Vertrauen in automatisierte Sicherheitsmarkierungen der schwächste Wert der gesamten Befragung, Nutzer wünschen sich weiterhin persönliche Nachkontrolle.
  • Die zukünftige Nutzungsabsicht liegt im Mittel bei nur 3,06 (Median 3) bei hoher Streuung (SD = 1,32), die Zielgruppe teilt sich klar in überzeugte Befürworter und Skeptiker.
  • 80 % der Befragten würden die App nur bei vollständiger Kostenfreiheit nutzen, lediglich 19 % wären bereit, 0,99–2,99 € monatlich zu zahlen (Stichprobe: n = 102 nach Bereinigung von 142 Rückläufern).

Zusammenfassung

  • Community-basierte KI-App zur personal-isierten Unterstützung bei der Speise- auswahl in Restaurants.
  • Hohe Nutzerakzeptanz durch intuitive Bedienung und passgenaue ergonomische Gestaltung
  • Abbau von Informationsdefiziten und Entlastung bei spezifischen Ernährungsrestriktionen.

Fazit & Ausblick

  • Usability: Die App ist intuitiv gestaltet und entspricht genau den Erwartungen der Nutzer an das Design und die Handhabung.
  • Mehrwert als Haupttreiber: Eine hohe Benutzerfreundlichkeit ist zwar notwendig, aber allein nicht ausreichend. Die Nutzungsabsicht hängt primär vom wahrgenommenen funktionalen Mehrwert ab.
  • Verbesserung der KI-Genauigkeit bei Allergen-/Diätfiltern (höchste Priorität laut Nutzerfeedback). Und Erweiterung fehlender Ernährungsoptionen (z. B. Zöliakie explizit auswählbar machen).
  • Performance-Optimierung des Scan-Vorgangs (kürzere Ladezeiten, klare Fehlermeldungen).

Downloads