Restoran Gıda İsrafı: %74'ü Tabakta, Yapay Zeka Ne Çözer?

Yüzde 74. Tarım ve Orman Bakanlığı'nın FAO ve Metro Türkiye ile birlikte yürüttüğü ölçüm projesinde, bir restoranda dört gün boyunca tartılan gıda israfının bu kadarı tabaktan döndü. Mutfak hazırlığında oluşan fire yüzde 19'du. Büfeden çöpe giden yalnızca yüzde 1.

Bu üç rakam, restoran gıda israfı hakkında satın alacağınız her çözümü değerlendirmek için yeterli bir çerçeve kuruyor. Çünkü yapay zeka talep tahmini, o yüzde 19'luk mutfak kalemine ve stok tarafına doğrudan müdahale eder. Yüzde 74'lük tabak kısmına neredeyse hiç dokunmaz.

Bunu baştan söylemek gerekiyor, çünkü piyasadaki iletişim tam tersi yönde ilerliyor. Bu yazı, bir restoranın israf tarafında yapay zekadan gerçekte ne bekleyebileceğini rakamlarla anlatıyor. Sektörünüze hangi yapay zeka uygulamalarının uyduğuna genel olarak bakmak isterseniz sektör sektör yapay zeka haritamız başlangıç noktası.

Restoranda gıda israfı ne kadar büyük bir kalem?

Ticari mutfaklar satın aldıkları gıdanın tipik olarak yüzde 4 ile 10'unu israf ediyor. Gıda maliyeti cironun yüzde 28-35'i olan bir işletmede bu, cironun yaklaşık yüzde 1-3,5'i demek. Net kâr marjının çoğu restoranda yüzde 10'un altında olduğu düşünülürse, israf kaleminin kârın üçte birine kadar çıkabildiği bir tablo çıkıyor.

Türkiye ölçeğinde tablo daha da büyük. Bakanlık kılavuzuna göre ülkede yılda 18,8 milyon ton gıda çöpe gidiyor, her gün 4,9 milyon adet ekmek atılıyor. Avrupa Komisyonu verisine dayanılarak aktarılan orana göre bu israfın yüzde 40'ı restoran, süpermarket ve otel gibi işletmelerde oluşuyor.

Aynı kılavuzdaki iki rakam sektörün alışkanlığını özetliyor: işletmelerin yüzde 85'i üretimlerine bir "sigorta payı" eklediğini kabul ediyor, ama yalnızca yüzde 32'sinin fazla gıda için bir bağış programı var. Yani fazladan üretmek standart, fazlayı değerlendirmek istisna.

İsraf nereden geliyor? Türkiye'de ölçülmüş kırılım

Uluslararası kaynaklar bu soruda birbiriyle çelişiyor, çünkü ölçüm sınırları farklı. İngiltere'den WRAP verisi konaklama ve gıda hizmetinde israfın yüzde 45'ini hazırlık, yüzde 34'ünü tabak, yüzde 21'ini bozulma olarak veriyor. ABD'den ReFED ise tabak artığını yüzde 69,6 gösteriyor.

Türkiye'de yapılan ölçüm ReFED'e yakın çıktı. Metro Türkiye projesinde üç işletme tartıldı:

• Restoran (4 gün): %74 tabak, %19 üretim, %6 büfeden personele, %1 büfeden çöpe
• Her şey dahil otel (4 gün): %54 tabak, %40 büfe, %6 üretim. Öğün kırılımında akşam yemeği tek başına israfın %45'ini oluşturdu
• Butik otel (3 gün): %65 tabak, %16 personel yemekhanesi, %15 büfe, %3 üretim

Kılavuz restorandaki israfın sebeplerini de sıralıyor ve bunlardan biri doğrudan bizim konumuz: geçmiş misafir sayısına göre bir üretim planı yapılmaması. Diğerleri porsiyon seçeneklerinin olmaması, tabakta kalanların takip edilmemesi ve depo ile sipariş sisteminde sistematik yönetim eksikliği. Kılavuzun genel sonucu şu: üretim ve depolama alanındaki israf restoranlarda yüzde 19, otellerde yüzde 5 civarında ve sebebi çoğunlukla "müşteri sayısını tam belirleyememek".

Yapay zeka talep tahmini, restoran israfının yüzde 19'unu hedefleyen bir araçtır. Yüzde 74'lük kısım menü tasarımı, porsiyon kararı ve mutfak kalitesiyle ilgilidir. Hangi kutuyu tarttığınızı bilmeden çözüm satın almayın.

Yapay zeka talep tahmini restoranda nasıl çalışır?

Sistem, geçmiş satış verinizi birkaç dış değişkenle birleştirip yarınki kapak sayısını ve ürün bazında beklenen satışı tahmin eder. Kullanılan girdiler standarttır: POS geçmişi (ürün ve öğün dilimi bazında), haftanın günü, resmî ve dinî tatiller, okul takvimi, hava durumu, yakındaki maç ve etkinlikler, mevsimsellik ve varsa rezervasyon verisi.

Çıktı ancak reçete katmanı varsa işe yarar. "Yarın 80 kapak" tahmini tek başına bir şey ifade etmez; bunu "6 kilo kıyma, 4 kilo tavuk" haline çeviren şey standart reçeteler ve verim faktörleridir. Reçeteniz yoksa tahmin, mutfağa bir sayı söyleyip bırakmaktan ibaret kalır.

Ramazan, Türkiye'ye özgü ve modelin öğrenmesi en zor değişkenlerden biri. Hem tarihi her yıl kayıyor hem de akşam ve gece talebini tamamen yeniden şekillendiriyor. Bu, en az bir tam yıllık veri gerekmesinin en somut sebebi.

Tahmin ne kadar doğru? Satıcı rakamıyla akademik rakam arasındaki fark

Burada iki ayrı dünya var ve aradaki fark iki kattan büyük.

Satıcı tarafı şunu söylüyor: yönetici sezgisi yüzde 22-28 hata payıyla çalışır, yedi günlük hareketli ortalama yüzde 18-24, geçen yılın aynı günü yüzde 16-22, otuz günlük veriyle eğitilmiş bir model yüzde 11-15, doksan günlükle yüzde 8-12. Bu tablo bir tahmin yazılımı satıcısının kendi ölçümü.

Bağımsız akademik tarafta ise sonuç daha ölçülü. Orta ölçekli gerçek bir restoranın üç yıllık satış verisiyle yapılan hakemli bir çalışmada, bir gün ileri tahminde en iyi sonuç yüzde 19,6 hata payıyla alındı. Dahası, bu sonucu veren model bir derin öğrenme mimarisi değil, basit bir doğrusal modeldi. Bir hafta ileri tahminde doğrusal modeller yüzde 20'nin üstüne çıktı.

Gerçekçi beklenti bu ikisinin arasında: yapay zeka yöneticinin sezgisini birkaç puan iyileştirir, sıfırlamaz. Türkiye'de tahmin modülü sunan bir POS sağlayıcısının kendi sayfasında bile "tahmin kesin değildir" ibaresi var. Bu dürüstlük, satın alma görüşmesinde aradığınız cümle olmalı.

Yapay zeka tahmininin işe yaramadığı durumlar

Beş durumda bu yatırım para kaybettirir:

• Menü sürekli değişiyorsa. Şef menüsü veya günlük menü uygulayan işletmelerde model öğrenecek istikrarlı bir sinyal bulamaz. On dört günden az geçmişi olan bir üründe tahmin yüzde 40'ın üzerinde sapabiliyor.
• Hacim çok düşükse. Günde birkaç porsiyon satan bir kalemde rastgelelik sinyali boğar; model gürültüyü öğrenmeye çalışır.
• POS verisi kirliyse. Tahminlerin en yaygın başarısızlık sebebi kötü model değil, temizlenmemiş geçmiş veri. Kritik ayrım şu: iptal edilen siparişler malzeme talebinden çıkarılmalı, çünkü malzeme tüketilmedi. İkram edilen siparişler ise veride kalmalı, çünkü mutfak malzemeyi kullandı. İkramları silerseniz sistematik olarak eksik sipariş verirsiniz.
• Reçete ve porsiyon standardı yoksa. Yukarıda anlattığımız çeviri katmanı olmadan tahmin aksiyona dönüşmez.
• Bir yıllık veri yoksa. Altı aylık veri en az bir mevsimsel döngüyü, muhtemelen bir bayramı ve yaz sezonunu tamamen kaçırır.

Kamera mı, sadece POS mu? İki bant arasında büyük fark var

Piyasada iki ayrı ürün kategorisi var ve karıştırılıyorlar.

Kamera ve tartı tabanlı israf ölçüm sistemleri çöp kovasının üstüne kurulur, atılan ürünü tanır ve tartar. Neyin, ne kadar, nerede atıldığını ölçerler; tahmin yapmazlar. Avrupalı sağlayıcılardan birinin yayınlanmış fiyatı saha başına yılda 5.000-8.000 euro bandında. Bu, tek şubeli bir restoran için büyük ihtimalle ekonomik değil; otel, catering ve zincir mutfaklarının aracı.

Sadece POS verisiyle çalışan tahmin yazılımları donanım gerektirmez. Türkiye'de adisyon ve POS paketleri butik işletmeler için aylık 700-1.500 TL bandında; tahmin modülü sunanların çoğu bunu ayrı fiyatlandırmıyor veya fiyatı yayınlamıyor.

Türk POS ekosisteminde durum şu: fire ve stok raporlaması yaygın, gerçek talep tahmini nadir ve yeni. Teklif alırken "yapay zeka destekli" ifadesinin arkasında ne olduğunu sorun. Cevap "geçmiş satışa göre uyarı veriyoruz" ise bu bir tahmin modeli değil, eşik bildirimi. İkisi de faydalı olabilir ama fiyatları aynı olmamalı.

Örnek hesap: geri ödeme kaç ay?

Rakamlar temsilidir, kendi verinizle değiştirin.

Aylık 300.000 TL gıda alımı yapan bir restoran düşünün, yıllık 3,6 milyon TL. İsraf oranını uluslararası bandın ortasından, yüzde 6 alalım: yılda 216.000 TL çöpe gidiyor.

Beklenen azalma için dürüst bir çıpa gerekiyor. Satıcılar yüzde 50 diyor. On iki ülkede 114 restoranı kapsayan bağımsız çalışmada ilk yıl ortalama azalma yüzde 26 çıktı. Türkiye'de akıllı tartı uygulaması yapan yerel bir sağlayıcının üç buçuk yıllık ortalaması yüzde 24. İstanbul'daki bir otelde iki yıl sonunda yine yüzde 24. Yüzde 25'i alalım.

Yıllık geri kazanım: 54.000 TL. POS tabanlı bir tahmin çözümünün yıllık maliyeti 20.000 TL civarındaysa geri ödeme beş ayın altında. Aynı işletmede yılda 6.000 euroluk bir kamera sistemi ise bu hesabı zorlar.

Bir kalemi atlamayın: Bakanlık kılavuzu, başlangıç aşamasında haftada toplam 5-10 saat personel zamanı ayrılması gerektiğini söylüyor. Bu, teklif tablosunda hiç görünmeyen ama en sık başarısızlık sebebi olan maliyet.

Yapay zeka olmadan elde edilen yüzde 26

Yukarıdaki 114 restoranlık çalışmanın en önemli detayı, uygulanan müdahalelerin ne olduğu: israfı ölçmek ve izlemek, personeli yeni saklama ve işleme prosedürlerinde eğitmek, menüyü yeniden tasarlamak. Üçünde de yapay zeka yok. Yatırılan her 1 dolara karşılık 7 dolar tasarruf sağlandı ve sahaların yüzde 75'inden fazlası yatırımını bir yıl içinde geri kazandı. Toplam yatırım her sahada 20.000 doların altında kaldı.

Piyasada dolaşan yüzde 50'lik azalma rakamlarının çoğu da aslında teknolojinin değil, ölçümün yarattığı davranış değişiminin sonucu. Sektörün en büyük ölçüm sistemi sağlayıcılarından biri bunu kendi blogunda açıkça söylüyor: ölçüm, veri toplama mekanizması olduğu kadar davranış değiştirme mekanizmasıdır. Mutfak personeli attığı gıdayı tartıp gördüğünde davranışını değiştiriyor.

Buradan çıkan pratik sonuç, yazının en pahalıya mal olabilecek tavsiyesi: önce ölçün, sonra tahmin satın alın. Çöp kovasını üçe ayırıp (hazırlık firesi, tabak artığı, bozulma) iki hafta tartmak size hiçbir yazılımın vermeyeceği bir şey verir: paranın nereden aktığını.

Fire oranı ve gıda maliyeti: sağlıklı bant nedir?

İsraf tartışmasının vergi ve muhasebe tarafında iki eşik var. Sektörde fire oranı için yüzde 3-5 bandı normal kabul ediliyor; üstü operasyonel bir sorun işaretidir. Gıda maliyeti (food cost) oranında ideal bant yüzde 25-35, üstü kârlılık sorunudur. Gıda ve işçiliğin toplamı olan prime cost ise cironun yüzde 60-65'ini aşmamalı.

2026'da bu denge Türkiye'de bozuluyor. Yeme içme sektöründe işçilik maliyetleri yıllık yüzde 34,2 arttı ve cironun yüzde 50'sine yaklaştı. Prime cost tavanı sabitken işçilik payı büyüyorsa, sıkıştırılabilecek tek kalem gıda tarafı kalıyor. İsraf yönetiminin 2026'da neden daha çok konuşulduğunun sebebi bu.

Fire hesabında yaygın bir formül hatası var, düzeltelim. İnternette dolaşan bazı kaynaklar fireyi "(teorik - gerçek) / teorik" diye veriyor. Doğrusu tersi: fire, gerçek tüketimin teorik tüketimi aştığı miktardır, yani (gerçek tüketim - teorik tüketim) / teorik tüketim. Reçeteye göre 100 kilo tüketmeniz gerekirken 106 kilo tükettiyseniz fire yüzde 6'dır. Bu ayrım küçük görünür ama raporunuzun işareti ters dönerse israfı iyileşme sanırsınız.

Artan gıdayı bağışlamak: vergi tarafı ne diyor?

Gıda bankacılığı yapan vakıf ve derneklere yapılan gıda bağışlarına KDV istisnası tanınmış durumda ve bağışlanan malın maliyet bedelinin tamamı gider yazılabiliyor. Dayanak, Gelir Vergisi Kanunu'nun 40. maddesi ve 251 sıra numaralı tebliğ. Faturaya "ihtiyaç sahiplerine yardım şartıyla bağışlandığından KDV hesaplanmamıştır" ibaresi yazılır.

Restoranlar için kritik koşul şu: vergi avantajı talep edebilmek için gıdanın halihazırda kâr amacıyla satılmamış olması gerekiyor. Yani bir banket için hazırlanmış ama servis edilmemiş yemek bağışlanabilir; vergi indirimine uygunluğu ise sözleşmedeki mülkiyet durumuna bağlı. Etkinlik için satın alınmış ama hiç hazırlanmamış gıdalarda durum daha net.

Bakanlık kılavuzunun kendi tespiti, buradaki boşluğu özetliyor: Türkiye'de otel ve restoranlarda yerleşik bir bağış operasyonu henüz kurulmuş değil. Fazla gıdayı indirimli satan yerel platformlar bu boşluğu kısmen dolduruyor; uluslararası muadili Türkiye'de faaliyette değil.

Peki siz ne yapmalısınız?

• İki hafta tartın. Üç kova: hazırlık firesi, tabak artığı, bozulma. Yazılım almadan önce kendi kırılımınızı öğrenin. Türkiye ortalaması yüzde 74 tabak diyor; sizinki farklı çıkabilir ve bu her şeyi değiştirir.
• Tabak artığı büyükse önce menüye bakın. Yarım porsiyon seçeneği, porsiyon küçültme ve en çok geri dönen üç kalemin reçetesini gözden geçirmek yazılımdan hızlı sonuç verir.
• Reçete ve verim faktörlerinizi standartlaştırın. Tahmin yatırımının ön koşulu bu. Reçete yoksa tahmin çıktısı mutfakta karşılığını bulamaz.
• Bir yıllık temiz POS veriniz yoksa basit yöntemle başlayın. Geçen yılın aynı günü artı hareketli ortalama, akademik çalışmalarda derin öğrenmeyi yenebilen bir yöntem. Veri biriktikçe geçiş yaparsınız.
• Fire oranınızı doğru formülle takip edin. Fire, gerçek tüketimin teorik tüketimi aştığı miktardır: (gerçek - teorik) / teorik. Sektörde yüzde 3-5 normal kabul ediliyor, üstü operasyonel bir sorun işareti. Vergi tarafında da önemli: normal üstü fire vergi matrahına eklenir.
• Teklif alırken azalma vaadini yazılı isteyin. Yüzde 50 diyen bir sağlayıcıdan referans işletme ve ölçüm yöntemi isteyin. Bağımsız verideki bant yüzde 24-26.

Restoran gıda israfı, çözümü yazılımla başlayan bir problem değil. Tartıyla başlayan bir problem. Yapay zeka o tartının işaret ettiği yüzde 19'luk kısımda gerçekten iyi iş çıkarıyor; ama hangi kısmın sizin yüzde 19'unuz olduğunu ancak siz ölçebilirsiniz.

QR menüden gelen sipariş verisini bu tür bir tahminin girdisine dönüştürmenin yolunu QR menü sonrası adım yazımızda anlatmıştık; stok tarafındaki tahmin mantığının perakendedeki karşılığı için stok yönetimi rehberimize bakabilirsiniz.