Fraunhofer IVV (Institut für Verfahrenstechnik und Verpackung)

Kurzfazit

Fraunhofer IVV ist kein Software-Tool, sondern ein öffentliches Forschungsinstitut, das die wissenschaftliche Grundlage für Haltbarkeitsprognosen liefert. Wenn du ein neues Lebensmittelprodukt hast und nicht weißt, wie lange es wirklich hält — oder wenn dein bisheriges Mindesthaltbarkeitsdatum (MHD) auf einer konservativen Schätzung statt auf Messdaten beruht — bekommst du hier beschleunigte Lagertests, validierte mathematische Modelle und eine Feature-Analyse, die zeigt, welche Variablen für deinen Produkttyp tatsächlich zählen. Das ist die ideale Datenbasis für ein eigenes KI-Modell, das später automatisiert prognostiziert. Was du nicht bekommst: ein fertiges, laufendes Software-Produkt. Das Institut liefert das Fundament, die Data-Science-Arbeit darauf machst du selbst oder mit einem Partner.

Für wen ist Fraunhofer IVV?

Lebensmittelhersteller mit neuen Produkten: Wer eine Produktkategorie auf den Markt bringt, deren Haltbarkeitsdynamik er nicht aus Erfahrung kennt (neue Rezeptur, neue Verpackung, pflanzliche Alternative), braucht belastbare Daten statt Bauchgefühl. Das Institut misst unter kontrollierten Bedingungen und liefert eine Haltbarkeitskurve, die du gegenüber Handel und Behörden vertreten kannst.

Unternehmen, die eigene KI-Haltbarkeitsprognosen bauen: Ein ML-Modell ist nur so gut wie seine Trainingsdaten. Fraunhofer IVV liefert genau das saubere, wissenschaftlich erhobene Fundament — inklusive der Information, welche Eingangsvariablen (Temperatur, Restfeuchte, Sauerstoffdurchlässigkeit der Folie) das Modell überhaupt braucht. Das spart später teure Fehlversuche im Data-Science-Team.

Hersteller hochpreisiger oder regulierter Produkte: Bei Säuglingsnahrung, Nahrungsergänzung oder Produkten mit pharma-ähnlichen Anforderungen ist eine zitierfähige, externe Validierung oft Pflicht. Die Neutralität eines öffentlichen Forschungsinstituts ist hier ein Argument, das ein kommerzieller Anbieter nicht liefern kann.

Qualitätsmanager, die MHD-Festlegungen überprüfen: Viele Unternehmen setzen das MHD aus Vorsicht zu kurz an und verschenken damit Umsatz und produzieren vermeidbaren Abfall. Eine Untersuchung kann zeigen, ob 30 oder 50 Tage realistisch sind — mit direkten Effekten auf Listung, Retouren und Foodwaste.

Weniger geeignet für: Gastronomie- und Handelsbetriebe, die ein laufendes Software-Tool suchen (dafür sind , oder die passenderen Werkzeuge), Start-ups mit knappem Budget und Time-to-Market-Druck, sowie alle, die eine schnelle Self-Service-Lösung statt eines mehrwöchigen Forschungsprojekts brauchen.

Preise im Detail

Leistung	Preisrahmen	Was du bekommst
Scoping / Erstgespräch	i. d. R. kostenfrei	Bewertung deiner Fragestellung, Vorschlag für ein Studiendesign
Shelf-Life-Studie (pro Produktkategorie)	ca. 10.000–30.000 €	Beschleunigte Lagertests, Messreihen, Haltbarkeitskurve, mathematisches Modell, Abschlussbericht
Verpackungs-/Permeationsanalyse	projektabhängig	Bewertung von Gaspermeation, Feuchte- und Lichtschutz, Folienauswahl
Begleitende ML-Datenvorbereitung	projektabhängig	Aufbereitung der Messdaten als Trainingsgrundlage, Feature-Empfehlung
Förderprojekte (z. B. ZIM, EU)	anteilig gefördert	Anteilige Förderung möglich, wenn das Projekt forschungsnah ist

Einordnung: Konkrete Listenpreise gibt es nicht — Fraunhofer arbeitet grundsätzlich mit individuellen Angeboten je nach Testumfang, Laufzeit und Komplexität. Die Spanne von 10.000 bis 30.000 € pro Produktkategorie ist ein realistischer Orientierungswert für eine vollständige Shelf-Life-Studie. Das klingt viel, relativiert sich aber schnell: Ein falsch (zu kurz) gesetztes MHD kostet bei einem gelisteten Produkt über die Laufzeit oft ein Vielfaches an entgangenem Umsatz und Foodwaste. Wer mehrere Kategorien untersuchen lässt, sollte aktiv nach Fördermöglichkeiten fragen — bei forschungsnahen Fragestellungen lassen sich Projekte teilweise über ZIM oder EU-Programme bezuschussen. Für ein einzelnes, simples Produkt mit gut bekannter Haltbarkeit lohnt sich der Aufwand dagegen selten.

Stärken im Detail

Wissenschaftlich validierte Modelle statt Faustregeln. Der Kern des Angebots ist die mathematische Modellierung des Verderbs — typischerweise über kinetische Ansätze, mit denen sich aus beschleunigten Tests auf reale Lagerbedingungen hochrechnen lässt. Statt „wir nehmen mal 30 Tage, das passt schon” bekommst du eine begründete, zitierfähige Kurve. Für die Argumentation gegenüber Handel, Auditoren und Behörden ist die Neutralität eines öffentlichen Instituts ein eigener Wert.

Beschleunigte Lagertests sparen echte Zeit. Wer Haltbarkeit in Echtzeit testen will, muss bei einem Produkt mit 12 Monaten MHD eben 12 Monate lagern. Das Institut arbeitet mit erhöhten Temperaturen und kontrollierten Stressbedingungen, um den Verderb gezielt zu beschleunigen und dann mathematisch auf Normalbedingungen zurückzurechnen. Das verkürzt die Untersuchung von Monaten auf Wochen — ein entscheidender Hebel bei der Produktentwicklung.

Feature-Analyse für dein KI-Modell. Der eigentliche Mehrwert für KI-Projekte: Das Institut sagt dir nicht nur, wie lange dein Produkt hält, sondern wovon es abhängt. Ist Schnittkäse vor allem temperaturempfindlich? Spielt die Sauerstoffdurchlässigkeit der Folie die Hauptrolle? Diese Information bestimmt, welche Sensoren und Eingangsvariablen dein späteres Prognosemodell überhaupt braucht — und erspart dem Data-Science-Team teures Ausprobieren.

Tiefes Verpackungs-Know-how. Das „V” im Namen steht für Verpackung, und das ist kein Zufall. Gaspermeation, Feuchtetransport, Lichtschutz, Migration von Verpackungsstoffen — das Institut bewertet die Verpackung nicht als Nebensache, sondern als integralen Teil der Haltbarkeit. Gerade bei nachhaltigen Mono- und Biopolymer-Verpackungen, deren Barriereeigenschaften noch wenig erprobt sind, ist dieses Wissen schwer anderswo zu bekommen.

Datenverarbeitung in Deutschland, ohne kommerzielle Verwertung. Als Institut der Fraunhofer-Gesellschaft (öffentlich-rechtlicher Träger) verwertet das Institut deine Produkt- und Geschäftsdaten nicht für eigene kommerzielle Zwecke. Standorte sind Freising und Dresden. Für Hersteller, die ihre Rezepturen und Spezifikationen ungern an einen kommerziellen Cloud-Anbieter geben, ist das ein relevanter Unterschied.

Schwächen ehrlich betrachtet

Es ist teuer und einmalig pro Kategorie. Jede neue Produktgruppe braucht eine eigene Untersuchung — die Ergebnisse für Hartkäse helfen dir bei Frischkäse nur begrenzt. Wer ein breites Sortiment hat, summiert schnell sechsstellige Beträge. Workaround: Priorisiere die Kategorien mit dem größten wirtschaftlichen Hebel (höchster Umsatz oder höchster Abfall) und übertrage die methodische Logik intern auf verwandte Produkte.

Der Zeitaufwand passt nicht zu jedem Markteinführungsplan. Selbst mit beschleunigten Tests dauert eine seriöse Studie inklusive Scoping, Probenlagerung, Messung und Berichtserstellung typischerweise sechs bis zwölf Wochen. Wer „nächsten Monat im Regal” stehen will, kann das nicht abwarten. Workaround: Frühzeitig beauftragen, parallel zur restlichen Produktentwicklung.

Du bekommst die Grundlage, nicht das fertige KI-Modell. Das ist der wichtigste Punkt für KI-interessierte Leser: Fraunhofer IVV liefert validierte Daten, Modelle und Feature-Empfehlungen — aber kein laufendes Prognosesystem, das danach automatisch im Betrieb mitläuft. Den Schritt von der wissenschaftlichen Grundlage zum produktiven ML-Modell musst du mit eigenem Data-Science-Team oder einem zusätzlichen Dienstleister gehen.

Kein Self-Service, kein Produkt. Es gibt keine Software, keinen Login, kein Abo. Alles läuft über Projektakquise, Angebote und Berichte. Wer ein schlankes Werkzeug für den Tagesbetrieb sucht, ist hier grundsätzlich falsch — das Institut ist ein Forschungspartner, kein Tool-Anbieter.

Regionaler Fokus. Die Service- und Sprachkompetenz ist klar auf den deutschsprachigen Raum ausgerichtet. Ein international agierender Konzern, der ein globales, einheitliches Service-Netzwerk braucht, bekommt das hier nicht — wohl aber eine wissenschaftlich erstklassige Untersuchung für den DACH-Markt.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Frischeprodukte im Handel KI-gestützt nachbestellen willst
Ablaufende Ware automatisch über das MHD herabpreisen willst
Lebensmittelsicherheit, HACCP und Rückverfolgbarkeit digital managen willst	oder
Einkauf, Rezeptur und Allergenkennzeichnung zentral steuern willst

Wichtig zur Einordnung: Diese Tools sind keine echten Ersatzlösungen für das, was Fraunhofer IVV macht — sie setzen die Haltbarkeit als bekannt voraus und arbeiten damit. Fraunhofer IVV steht eine Stufe davor: Es ermittelt die Haltbarkeit überhaupt erst wissenschaftlich. Erwähnenswert ohne eigene Tool-Seite sind außerdem das DIL (Deutsches Institut für Lebensmitteltechnik) und kommerzielle Lebensmittellabore (z. B. SGS, Eurofins), die ebenfalls Lagertests anbieten — meist standardisierter und schneller, aber ohne die Forschungstiefe und die KI-Feature-Beratung des IVV. Die ehrlichste Einordnung: Fraunhofer IVV ist die wissenschaftliche Quelle, die SaaS-Tools sind die operative Verwertung. Sinnvoll ist beides nacheinander, nicht das eine statt des anderen.

So steigst du ein

Schritt 1: Fragestellung schärfen und Kontakt aufnehmen. Beschreib im Kontaktformular der Website möglichst konkret: Produkttyp (z. B. Schnittkäse, vegane Streichcreme, Konserve), aktuelle Verpackung, bisherige MHD-Festlegung und deine eigentliche Frage — willst du das MHD verlängern, ein neues Produkt absichern oder Daten für ein KI-Modell erheben? Je präziser die Frage, desto präziser das Angebot.

Schritt 2: Scoping-Call und Studiendesign. Das Institut bewertet deine Fragestellung und schlägt ein Studiendesign vor: rein beschleunigte Tests, mathematische Modellierung oder ein hybrider Ansatz. Hier wird auch das Budget geklärt — und ob sich eine Förderung anbietet. Nutze dieses Gespräch, um klarzustellen, dass du die Ergebnisse später für ein KI-Modell verwenden willst; dann wird die Datenaufbereitung von Anfang an mitgedacht.

Schritt 3: Muster liefern und messen lassen. Du stellst Produktmuster und Spezifikationen bereit. Das Institut lagert kontrolliert und misst über die Laufzeit hinweg — mikrobiologisch, sensorisch und instrumentell (z. B. Gaszusammensetzung, Oxidationsmarker). Dauer typischerweise acht bis zwölf Wochen.

Schritt 4: Bericht auswerten und intern weiterverarbeiten. Du erhältst einen Abschlussbericht mit Haltbarkeitskurve, mathematischem Modell und einer Empfehlung, welche Variablen für die Prognose wichtig sind. Genau diese Variablen-Empfehlung ist der Übergabepunkt an dein Data-Science-Team: Sie definiert, welche Sensordaten dein produktives KI-Modell künftig braucht.

Ein konkretes Beispiel

Eine Käserei mit fünf Produktlinien will ihre MHD-Festlegungen optimieren. Sie beauftragt Fraunhofer IVV für zwei Kategorien — Hartkäse und Schnittkäse — mit einem Budget von rund 25.000 €. Das Institut lagert die Muster unter verschiedenen Temperatur- und Feuchteszenarien und liefert klare Ergebnisse: „Hartkäse hält bei 6 °C real 95 bis 100 Tage, nicht 90, wie bisher angenommen. Schnittkäse ist deutlich temperaturempfindlicher — jedes Grad Wärmung verkürzt die Haltbarkeit um zwei bis drei Tage.” Diese Erkenntnisse werden zur Trainingsgrundlage für ein eigenes ML-Modell, das aus Temperatur- und Lagerdaten künftig automatisch das realistische MHD prognostiziert. Ergebnis: Der MHD-Sicherheitsabschlag sinkt von 25 auf 12 Prozent, der Abfall geht um rund 20 Prozent zurück — und die Käserei hat eine wissenschaftlich abgesicherte Datenbasis, die sie gegenüber dem Handel vertreten kann.

DSGVO & Datenschutz

• Datenhosting & Standort: Verarbeitung in Deutschland. Standorte sind Freising (Giggenhauser Str. 35, 85354 Freising) und Dresden. Träger ist die Fraunhofer-Gesellschaft, ein öffentlich-rechtlicher Forschungsträger.
• Datennutzung: Deine Produkt-, Rezeptur- und Geschäftsdaten werden im Rahmen des beauftragten Projekts verarbeitet und nicht zu kommerziellen Zwecken weiterverwertet. Vertraulichkeit ist Teil der Projektvereinbarung.
• Geheimhaltung: Für die Übergabe von Rezepturen und Spezifikationen lässt sich eine Geheimhaltungsvereinbarung (NDA) abschließen — bei sensiblen Produktdaten dringend empfohlen, bevor Details geteilt werden.
• Personenbezug: In klassischen Shelf-Life-Projekten fallen in der Regel keine personenbezogenen Daten an — es geht um Produkt- und Messdaten. Eine Auftragsverarbeitung nach Art. 28 DSGVO ist daher meist nicht der relevante Rahmen; entscheidend sind Geheimhaltung und IP-Schutz.
• Empfehlung für Unternehmen: Kläre vor Projektstart schriftlich, wem die erhobenen Daten und das resultierende Modell gehören (IP-Rechte) und welche Vertraulichkeitsstufe gilt. Das ist bei einem Forschungspartner wichtiger als die klassische DSGVO-Frage.

Gut kombiniert mit

• — die von Fraunhofer gelieferten Messdaten und Feature-Empfehlungen lassen sich hier zu einem produktiven Prognosemodell trainieren. Das Institut liefert das „Was zählt”, die ML-Plattform das „Wie automatisiere ich es”.
• — sobald die wissenschaftlich ermittelte Haltbarkeit feststeht, kann ein dynamisches Pricing-System wie Wasteless ablaufende Ware automatisch und datenbasiert herabpreisen, statt mit pauschalen Rabatten zu arbeiten.
• — im Handel verbessert eine präzise Haltbarkeitsgrundlage die KI-gestützte Nachbestellung von Frischeware: Wer genauer weiß, wie lange Ware hält, kann enger disponieren und verschwendet weniger.

Unser Testurteil

Fraunhofer IVV verdient 4 von 5 Sternen. Als wissenschaftlicher Enabler für Haltbarkeitsprognosen ist das Institut erstklassig: validierte Modelle, beschleunigte Tests, tiefes Verpackungs-Know-how und — der für KI-Projekte entscheidende Punkt — eine Feature-Analyse, die zeigt, worauf ein späteres ML-Modell überhaupt achten muss. Die Neutralität und Datenverarbeitung in Deutschland sind weitere echte Vorteile. Den fünften Stern kostet die Realität des Angebots: Es ist teuer, einmalig pro Kategorie, langsam im Vergleich zum Time-to-Market-Druck mancher Hersteller — und es liefert bewusst nur die Grundlage, nicht das fertige Produkt. Wer das versteht und den Aufwand einplant, bekommt eine Datenbasis, die kein kommerzielles SaaS-Tool in dieser wissenschaftlichen Tiefe ersetzt. Für die richtige Zielgruppe — Hersteller neuer, hochwertiger oder regulierter Produkte und alle, die eine KI-Haltbarkeitsprognose seriös fundieren wollen — ist das Geld gut investiert.

Was wir bemerkt haben

• Mai 2026 — Das Institut bewirbt inzwischen explizit „digitale Tools für die Haltbarkeitsprognose” und KI-gestützte Lösungen (u. a. die Initiative KiOptiPack für KI in der Verpackungs-Kreislaufwirtschaft). Die klassische Lagertest-Dienstleistung wird damit zunehmend als Daten- und Modellgrundlage für unternehmenseigene KI-Projekte positioniert — genau die Rolle, in der das Institut für KI-Interessierte am spannendsten ist.
• Mai 2026 — Korrektur zu unserer früheren Einordnung: Das Institut hat zwei Standorte (Freising und Dresden), nicht nur Freising. Wir haben die Bewertung außerdem von 5 auf 4 Sterne angepasst — nicht weil die Qualität nachgelassen hätte, sondern weil ein einmaliges, teures Forschungsprojekt ehrlicherweise andere Trade-offs hat als ein laufendes Produkt. Die wissenschaftliche Substanz bleibt unverändert hoch.