negocio · 4 min de lectura
Predicció de demanda amb IA en restaurants: evita malbaratament
Creuar vendes, reserves i calendari amb IA redueix el malbaratament i les ruptures d'estoc en restaurants. Casos reals, com funciona i quan compensa.
El malbaratament alimentari fora de la llar —bars, restaurants i comerç— suma 28,12 milions de quilos o litres l’any a Espanya, un 2,5% del total nacional, segons l’Informe Anual 2025 de Malbaratament Alimentari del MAPA. El mateix informe assenyala que el 41,5% de les persones admet malbaratar menjar fora de casa, la xifra més baixa en quatre anys, en un context en què la Llei 1/2025, d’1 d’abril, de prevenció de les pèrdues i el malbaratament alimentari obliga tota la cadena alimentària —proveïdors, distribució i hostaleria inclosa— a prendre mesures per reduir-lo. A Evicron, estudi d’IA i software a mida de Barcelona, la causa que més repetim a propietaris de restaurants no és la manca de voluntat: és comprar i cuinar a ull, sense saber quanta demanda real arribarà cada dia. La predicció de demanda amb intel·ligència artificial ataca just aquest punt.
Què és la predicció de demanda amb IA
Un model de predicció de demanda creua l’historial de vendes per plat o ingredient amb les variables que expliquen per què un dia es ven el doble que un altre: reserves confirmades, dia de la setmana, estacionalitat, esdeveniments locals o la previsió meteorològica. El resultat no és una xifra màgica, és una estimació raonada de quant caldrà comprar o produir demà, que substitueix el “per si de cas” que genera la major part del malbaratament a cuina. Com més net sigui l’historial de vendes que alimenta el model, més útil és la predicció des del primer mes.
Dos casos reals, amb xifres
No és una promesa futurista: ja hi ha cadenes que en mesuren el resultat. Blue Bottle Coffee va substituir les estimacions manuals de pastisseria de cada cafeteria per un sistema de previsió de demanda construït sobre Amazon SageMaker i va aconseguir una millora del 8% en la precisió de les comandes de pastisseria ja en el primer mes d’ús, segons documenta Provectus. Per la seva banda, Tiger Analytics va substituir el sistema de previsió heretat d’una cadena de menjar ràpid casual als EUA i Canadà per un model d’IA hiperlocalitzat per restaurant, i va aconseguir una reducció del 10% en malbaratament d’inventari i un 20% d’estalvi en costos de personal, en ajustar millor la plantilla a la demanda prevista de cada local.
Quines dades entren al model
En un restaurant o grup de restauració, un sistema de predicció de demanda ben plantejat sol combinar:
- Historial de vendes per plat o ingredient, no només el total del dia: el que de veritat importa per comprar és quant es consumeix de cada producte.
- Reserves confirmades i aforament, quan el negoci treballa amb reserva prèvia.
- Calendari i estacionalitat: festius, caps de setmana, esdeveniments locals o ponts que alteren el patró habitual.
- Variables externes, com la previsió meteorològica, que afecten de manera mesurable l’afluència a terrasses o el repartiment a domicili.
Amb aquests senyals, el sistema genera una previsió per categoria o ingredient, no “el que es vengui, es vengui”: començar per una sola categoria amb historial de vendes clar —per exemple, un ingredient peridor concret— redueix el risc d’una mala previsió mentre es valida el sistema.
Quan compensa (i quan no)
Té sentit plantejar un projecte de predicció de demanda quan es compleixen dues o més d’aquestes condicions:
- Gestiones diversos locals o un volum de compra diari rellevant, on un petit error de previsió es multiplica cada dia.
- Tens ingredients peridors cars o de vida curta, on comprar de més fa més mal que comprar de menys.
- Ja portes mesos anotant vendes i inventari en algun sistema (TPV, full de càlcul o ERP) que pot alimentar el model amb dades reals, no inventades.
- Vols ajustar torns de cuina i sala segons la demanda prevista, no segons una plantilla fixa cada dia.
Si tens un únic local, carta curta i la compra ja es fa a ull sense que ningú noti el problema, encara no cal res d’això: el retorn d’un model de predicció depèn del volum que gestiones, i en un negoci molt petit l’estalvi no compensa el projecte.
Com ho fem a Evicron
Treballem la IA per a hostaleria i restauració connectant el model de predicció a les teves pròpies dades de venda, reserves i, si cal, a l’inventari del teu TPV —no a un model genèric sense context de la teva carta—. El procés són quatre fases amb sprints setmanals i primera demo navegable a la setmana 2, i un projecte d’IA aplicada parteix de 6.000 €, amb pressupost tancat després d’una consultoria inicial gratuïta. Si el teu restaurant ja té diversos sistemes solts —TPV, full de torns, comandes de proveïdor— i vols que es parlin entre ells abans d’afegir predicció, pot tenir més sentit començar per un software a mida més ampli.
La decisió, en una frase
Comprar i cuinar a ull funciona fins que el volum creix o el marge s’estreny; a partir d’aquí, cada punt de malbaratament o de personal mal ajustat té un cost real i mesurable. Si vols saber quant malbaratament podries evitar amb les teves pròpies dades de venda, escriu-nos: la primera consultoria és gratuïta i responem en menys de 24 hores.