Mittelstand vs Food-Konzern

Innovation trifft Realität: Warum ein farbiger Nutenstein gewinnt – und ein KI-System für 100 Millionen Dollar versagt

Zwei LinkedIn-Beiträge, zwei Innovationen, eine entscheidende Lektion über Jobs-to-be-Done

Prolog: Zwei Beiträge, die mehr erzählen als ihre Hashtags vermuten lassen

In meinem LinkedIn-Feed tauchten kürzlich zwei Beiträge auf, die ich sofort gespeichert habe – nicht wegen ihrer Reichweite, sondern wegen ihrer Aussagekraft als Kontrastpaar.

(Disclaimer: An beiden Entwicklungen war ich nicht beteiligt, alle Informationen, die für diesen Vergleich benutzt worden sind öffentlich zugänglich und der Vergleich beruht einzig und allein auf diesen Veröffentlichungen. Die Richtigkeit der Angaben habe ich nicht geprüft)

Der erste: Interesting Engineering berichtet, dass Chaac Pizza Northeast – einer der größten Pizza-Hut-Franchisenehmer der USA mit 111 Standorten an der Ostküste – gegen den Mutterkonzern klagt. Grund: ein KI-gestütztes Küchenmanagementsystem namens Dragontail, dessen Einführung 2024 das Unternehmen nach eigenen Angaben über 100 Millionen Dollar gekostet hat. Vorher lagen 90% der Lieferungen innerhalb von 30 Minuten. Nach dem Rollout: unter 50%. Das Umsatzwachstum in New York City kippte von +10,19% auf −9,78%.¹

Der zweite: Tim Freitag , Sales Director beim Weltmarktführer FATH Western Europe , postet fast beiläufig: „Die Katze ist aus dem Sack! Der Ball ist ins Loch gehüpft." Dann folgt die Erklärung: Nutensteinen – diesen millionenfach verbauten, in der Produktion allgegenwärtigen Verbindungselementen – wurden Farben zugeordnet. M3 = Grün. M4 = Blau. M5 = Gelb. M6 = Rot. M8 = Schwarz. Ein neuer Standard. „Zielgenaues Sortieren ist besser als Raten."²

Zwei Innovationen. Eine mit Millionenbudget, Konzernstrategie und KI-Hype. Eine mit Farbe und gesundem Menschenverstand. Und doch zeigt die JTBD-Linse klar: Nur eine davon hat den eigentlichen Job verstanden.

 Was ist der „Job" eigentlich? Eine kurze JTBD-Einführung

Das Jobs-to-be-Done-Framework, geprägt durch Clayton Christensen und systematisiert durch Tony Ulwick mit seiner Outcome-Driven-Innovation-Methodik, stellt eine radikal einfache Frage in den Mittelpunkt: Welchen Job „heuert" der Kunde ein Produkt oder eine Dienstleistung an, um ihn zu erledigen?

Dabei geht es nicht um demografische Daten, nicht um Produktmerkmale und schon gar nicht um Technologie. Es geht um den funktionalen Fortschritt, den ein Mensch in einem bestimmten Kontext erzielen will – und um die emotionalen und sozialen Dimensionen, die diesen Fortschritt begleiten.

Tony Ulwick beschreibt den Job über eine achtstufige Job Map:³

1. Definieren – Was wird geplant?

2. Lokalisieren – Welche Ressourcen/Infos werden benötigt?

3. Vorbereiten – Wie wird das Setup aufgebaut?

4. Bestätigen – Ist alles korrekt?

5. Ausführen – Der Kern der Tätigkeit

6. Überwachen – Läuft alles richtig?

7. Anpassen – Korrekturen vornehmen

8. Abschließen – Ergebnis sichern

9. 
   

Wer Innovation entlang dieser Schritte denkt und fragt, an welchem Schritt der Kunde am meisten leidet – also der größte Underserved Need liegt –, landet bei Lösungen, die funktionieren. Wer dagegen zuerst die Technologie denkt und dann rückwärts den Nutzen konstruiert, landet oft genau dort, wo Pizza Hut gelandet ist.

Fall 1: Dragontail – die KI, die den falschen Job erledigte

Die Technologie und ihr Versprechen

Dragontail Systems wurde 2021 von Yum! Brands (dem Mutterkonzern von Pizza Hut, KFC und Taco Bell) für 72,3 Millionen US-Dollar übernommen.⁴ Das israelisch-australische Unternehmen hatte damals bereits eine beeindruckende Bilanz: Die Technologie war in rund 1.500 Pizza-Hut-Restaurants in über 10 Ländern im Einsatz, und viele Standorte berichteten von positiven Effekten auf Lieferzeiten, Frische und Kundenzufriedenheit.⁵

Das System leistet Beeindruckendes: Es automatisiert den Küchenfluss, optimiert Backzeiten je nach Bestellkomposition, koordiniert Fahrer, plant Routen – und gibt Kunden ein Echtzeit-Tracking ihrer Bestellung.⁶ Auf dem Papier ein Traum für jede Lieferkette.

Was in New York schiefging

Chaac Pizza Northeast betreibt seine 111 Standorte stark auf Basis von DoorDash als Drittanbieter-Lieferdienst.⁷ Genau hier liegt der entscheidende Unterschied: Dragontail war ursprünglich für Restaurants mit eigenen Fahrerflotten entwickelt worden – ein Kontext, in dem die KI die Hoheit über Timing und Dispatch behält.

Im DoorDash-Modell jedoch sind die Fahrer unabhängige Subunternehmer. Und Dragontail gab ihnen etwas Gefährliches: Echtzeit-Einblick in den Küchenstatus. Die Fahrer sahen, wann eine Pizza fertig war – und nutzten dieses Wissen, um mehrere Bestellungen zu bündeln.⁸ Statt die fertige Pizza sofort zu nehmen, warteten sie bis zu 15 Minuten auf weitere Orders. Die Pizzen kühlten aus. Die Lieferzeiten explodierten. Die Kundenzufriedenheit kollabierte.

Das Ergebnis in Zahlen:⁹

- Pünktliche Lieferquote: von >90% auf <50%

- Pizza „Rack Time" (Zeit zwischen Ofen und Lieferung): von unter 5 auf bis zu 20 Minuten

- NYC Umsatzwachstum: von +10,19% auf −9,78%

- Klageforderung: >100 Millionen US-Dollar

Pizza Hut wurde laut Klage darüber informiert, soll aber die Nutzung des Systems trotzdem weiter vorgeschrieben haben – was Chaac als Verstoß gegen den Franchise-Vertrag und mangelnde „reasonable business judgment" wertet.¹⁰

Die JTBD-Analyse: Welchen Job hat Dragontail nicht verstanden?

Wenden wir die Job Map an. Der funktionale Hauptjob des Endkunden lautet simpel: „Ich möchte eine heiße Pizza schnell zu mir nach Hause bekommen, ohne selbst aktiv werden zu müssen."

Schauen wir auf die kritischen Schritte:

Schritt 5 – Ausführen (Execute): Die Pizza wird gebacken. Dragontail optimiert genau hier – und zwar gut.

Schritt 6 – Überwachen (Monitor): Der Kunde trackt seine Bestellung. Dragontail liefert das. Klingt gut.

Schritt 7 – Anpassen (Modify): Hier versagt das System komplett. Das „Modify" findet nicht beim Kunden statt – sondern beim Fahrer. Und der Fahrer hat einen anderen Job: Er will seine Touren effizient bündeln, um seinen Stundensatz zu maximieren. Dragontail hat unbeabsichtigt den Job des Fahrers optimiert – auf Kosten des Jobs des Kunden und des Franchisenehmers.

Der eigentliche Underserved Need bei Chaac war nicht technologische Optimierung des Küchenoutputs. Es war die Koordination zwischen eigenem Küchentakt und dem Verhalten externer Drittfahrer – ein Schnittstellenproblem, das Dragontail in seinem ursprünglichen Kontext (eigene Fahrer) gar nicht kannte.

Das ist klassisches JTBD-Versagen: Die Technologie hat den richtigen Job im falschen Kontext übernommen. Wie es in einem treffenden Artikel zur KI und JTBD heißt: „Start with the job, not the tech. Don't sell AI. Solve the problem your customer is hiring you to fix."¹¹

Warum floppe ich, obwohl die Technik gut ist? Die drei Kardinalfehler

1. Fehlende Kontextdifferenzierung: Eigene Fahrer vs. Gig-Economy-Fahrer sind grundverschiedene Systemumgebungen. Der Job des Franchise-Operators lautet nicht „KI einsetzen", sondern „meine Lieferperformance kontrollieren und verbessern". Mit DoorDash-Fahrern als Dritten verliert er genau diese Kontrolle – und die KI beschleunigt diesen Kontrollverlust.

2. Top-down-Rollout ohne Pilotvalidierung im Kontext: Eine Konzernmutter, die eine Einheitslösung für alle Franchisenehmer vorschreibt, ignoriert, dass unterschiedliche Franchisenehmer unterschiedliche Jobs haben – und unterschiedliche Systembedingungen.

3. Optimierung einer Metrik statt Outcome: Dragontail optimierte messbare Küchenparameter. Aber der Kunden-Job ist nicht „kurze Backzeit" – er ist „heiße Pizza pünktlich im Haus". Zwischen diesen beiden Zielen liegt eine Systemschnittstelle, die nicht mitbedacht wurde.

Wie könnte es gefixt werden?

Das Problem ist behebbar – aber nicht mit mehr KI, sondern mit besserem Job-Verständnis:

- Fahrer-Zugriff konfigurierbar machen: Echtzeit-Küchenstatus darf nicht standardmäßig an Drittanbieter-Fahrer übertragen werden. Franchisenehmer müssen konfigurieren können, welche Daten an wen gehen.

- Kontext-basiertes Deployment: Vor dem Rollout in DoorDash-abhängigen Märkten hätte ein Pilot mit expliziter Messung der relevanten Outcome-Metriken (Delivery-to-door-Zeit, Temperaturbewertung, Kundenzufriedenheit) stehen müssen.

- Franchise-Operator als Stakeholder einbinden: Der Franchisenehmer hat einen eigenen Job – seinen Betrieb profitabel zu führen. Wenn das System seinen Job nicht unterstützt, wird er es ablehnen. Ein partizipativer Entwicklungsprozess hätte das Drittfahrer-Problem frühzeitig aufgedeckt.

Fall 2: Der farbige Nutenstein – die stille Revolution im Maschinenraum der Welt

Was ist ein Nutenstein – und warum sollte dich das interessieren?

Nutensteinen nach DIN 508 sind kleine, oft unterschätzte Helfer in Maschinen, Vorrichtungen, Werkzeugmaschinen und Aluminiumprofil-Konstruktionen. Sie gleiten in T-förmige Nuten und schaffen ein Widerlager für Schrauben – ein Universalelement in der industriellen Fertigung.¹² Sie existieren in verschiedenen Gewindegrößen: M3, M4, M5, M6, M8 und darüber hinaus. Alle sehen – zumindest auf den ersten Blick – nahezu identisch aus.

Genau darin liegt das Problem. In der Praxis passiert es tagtäglich in Produktionsumgebungen weltweit: Ein Monteur greift in eine Schublade oder Tüte, zieht einen Nutenstein heraus, montiert ihn – und merkt erst beim Anziehen der Schraube oder beim nächsten Fehler, dass er die falsche Größe erwischt hat. Neuansetzen, suchen, sortieren, kontrollieren. Multipliziert mit Tausenden von Montageschritten pro Tag entsteht daraus massive unsichtbare Verschwendung – in Lean-Sprache: Muda.

Tim Freitag bringt es auf den Punkt: „Ab jetzt gilt: zielgenaues Sortieren ist besser als raten."² Und sein Unternehmen hat genau das realisiert: Nutensteinen erhalten eine Farbkodierung nach Gewindegröße – M3 = Grün, M4 = Blau, M5 = Gelb, M6 = Rot, M8 = Schwarz – und setzt damit einen neuen Standard.

Die JTBD-Analyse: Welchen Job erledigt der farbige Nutenstein?

Der funktionale Job des Monteurs in diesem Kontext lautet: „Ich möchte beim Zusammenbau einer Vorrichtung oder Konstruktion sicher und schnell die richtige Befestigungskomponente verwenden, ohne Fehler und ohne Zeitverlust durch Kontrolle."

Gehen wir durch die Job Map:

Schritt 2 – Lokalisieren: Der Monteur sucht den richtigen Nutenstein. Bisher: visuell kaum unterscheidbar, Aufwand durch Messung oder Beschriftungsprüfung. Mit Farbcode: sofortiger visueller Abgleich.

Schritt 4 – Bestätigen: Stimmt die Größe? Bisher: manuell prüfen oder darauf hoffen. Mit Farbcode: die Farbe bestätigt sofort – kein zusätzlicher Schritt nötig.

Schritt 7 – Anpassen: Fehler korrigieren, wenn falsche Größe verwendet. Bisher: oft erst beim Anziehen oder später bemerkt. Mit Farbcode: Fehler werden vor der Ausführung verhindert – klassisches Poka-Yoke.

Die Lösung adressiert den stärksten Underserved Need im Montageprozess: das fehlerfreie, schnelle Identifizieren von Gleichteilen mit minimal unterschiedlichen Spezifikationen.

Poka-Yoke: die Methode hinter dem Geistesblitz

Poka-Yoke (jap.: „Fehler vermeiden") ist eine der zentralen Methoden des Toyota Production System und des Lean Manufacturing.¹³ Das Prinzip ist radikal simpel: Gestalte Prozesse so, dass Fehler entweder gar nicht erst entstehen können

(Prevention) oder sofort sichtbar werden (Detection) – bevor sie Schaden anrichten.

Es gibt drei klassische Poka-Yoke-Methoden:

1. Kontaktmethode: Physische Form verhindert Fehler (z. B. Stecker, die nur in einer Richtung passen)

2. Festwertmethode: Eine bestimmte Anzahl oder Menge wird erzwungen

3. Bewegungsschrittmethode: Eine Reihenfolge wird zwingend eingehalten

Die Farbkodierung des Nutensteins ist eine visuelle Kontaktmethode – keine physische, aber eine kognitive Barriere. Die Farbe macht den Fehler vor seiner Entstehung sichtbar. Der Monteur sieht sofort, ob er den richtigen Stein in der Hand hält. Kein Messen, kein Raten, kein doppeltes Prüfen.

Was Tim Freitag und sein Team mit dem Hashtag #FATHfirst ankündigen, ist nichts weniger als der Versuch, einen De-facto-Standard zu setzen – ähnlich wie die Farbcodierung von Widerständen in der Elektrotechnik oder die Farbmarkierung von Schläuchen und Kabeln in der Hydraulik. Wer einmal mit farbcodierten Nutensteinen gearbeitet hat, will nie wieder zurück.²

Warum wird dieser Ansatz ein Erfolg?

Aus JTBD-Perspektive sind die Erfolgsindikatoren klar:¹⁴

1. Der Job ist präzise verstanden.

Der Monteur will nicht „bessere Nutensteinen". Er will sicher, schnell und fehlerfrei montieren. Die Farbkodierung reduziert den kognitiven Aufwand an Schritt 2 (Lokalisieren) und Schritt 4 (Bestätigen) auf nahezu null. Der Underserved Need ist exakt getroffen.

2. Die Lösung erzeugt keinen neuen Aufwand.

Das ist entscheidend. Eine schlechte Innovation löst ein Problem, schafft aber gleichzeitig neue Probleme – wie Dragontail, das zwar den Küchenfluss optimierte, aber eine neue Fehlerquelle durch unkontrollierte Fahrerdaten schuf. Die Farbe am Nutenstein erzeugt null Zusatzaufwand. Sie ist einfach da.

3. Netzwerkeffekt und Standardisierungspotenzial.

Wenn ein Weltmarktführer diesen Standard einführt und kommuniziert, entsteht Zugkraft auf Wettbewerber, Lieferanten und Normungsgremien. Ein Standard, der sich einmal etabliert hat, ist nahezu unumkehrbar. JTBD-Denker nennen das einen Lock-in durch Nutzerzentriertheit – nicht durch Technologie, sondern durch echten Mehrwert.

4. Skalierbarkeit ohne Systemabhängigkeit.

Die Innovation ist in jedem Produktionskontext sofort einsetzbar. Sie braucht keine IT-Infrastruktur, keine Schulung, keine Schnittstellen zu Drittsystemen. Sie funktioniert beim kleinsten Handwerksbetrieb genauso wie in einer vollautomatisierten Fertigungslinie.

Der direkte Vergleich: Was die JTBD-Linse offenbart

Die Lektion: Innovation ist keine Frage des Budgets

Es wäre zu einfach, Dragontail als KI-Versagen abzuschreiben. Das System ist technologisch beeindruckend. In über 1.500 Restaurants weltweit funktioniert es offensichtlich – sonst hätte Yum! Brands es nie für 72 Millionen Dollar gekauft und so breit ausgerollt.⁵ Das Problem war nicht die Technologie.

Das Problem war ein klassischer JTBD-Blindspot: Der Job des Franchisenehmers Chaac Pizza Northeast war nicht identisch mit dem Job, den Pizza Hut mit Dragontail lösen wollte. Chaac's Job war: „Ich will meine Lieferperformance mit DoorDash-Fahrern kontrollieren und meine Kundenzufriedenheit sichern." Dragontail löste: „Ich will den Küchenfluss mit eigenen Fahrern optimieren." Diese Lücke – im JTBD so wichtig wie die Luft zum Atmen – wurde nie adressiert.⁷

Der farbige Nutenstein dagegen hat keinen einzigen Euro in eine Marktforschungsstudie investiert. Jemand hat einfach genau hingeschaut, welchen Schmerz Monteure täglich erleiden, und eine Lösung entwickelt, die diesen Schmerz direkt eliminiert. Das ist Outcome-Driven Innovation in ihrer reinsten Form.²

Tony Ulwick würde sagen: Wenn du die richtige Desired Outcome-Aussage des Nutzers kennst – „Minimiere die Zeit, die ich brauche, um den richtigen Nutenstein zu identifizieren" und „Minimiere die Wahrscheinlichkeit, beim ersten Griff die falsche Größe zu erwischen" – dann ist die Lösung fast zwingend. Farbe ist das denkbar direkteste Mittel, um beide Outcomes gleichzeitig zu erfüllen.

Was Product Manager und Innovationsverantwortliche daraus mitnehmen sollten

1. Technologie ist kein Jobersatz.

KI, Digitalisierung, Automatisierung – all das sind Mittel zum Zweck. Der Zweck ist immer der Job des Nutzers. Wer zuerst die Technologie wählt und dann den Job sucht, den sie lösen soll, läuft Gefahr, den Kontext zu verfehlen – mit millionenschweren Konsequenzen.¹

2. Kontext ist kein Detail – er ist alles.

Dragontail funktioniert. Aber nicht überall. Die Frage „Für welchen Kontext wurde diese Lösung designed?" muss vor jedem Rollout gestellt werden. In der JTBD-Sprache: Gleicher funktionaler Job, anderer Kontext = anderer Job. Wer das übersieht, baut eine Brücke über den falschen Fluss.

3. Die einfachste Lösung, die den Job erledigt, gewinnt.

Das klingt trivial, ist es aber nicht. In Innovationsprozessen neigen wir dazu, Komplexität mit Wert gleichzusetzen. Der farbige Nutenstein zeigt: Manchmal ist die revolutionärste Lösung die, die niemand erwartet hätte – weil sie so offensichtlich ist, sobald man den richtigen Job versteht.

4. Nutze die Job Map für Rollout-Entscheidungen.

Bevor du eine Innovation in einem neuen Markt, Kontext oder bei einer neuen Nutzergruppe einführst, frage: An welchem Schritt der Job Map entsteht durch unsere Lösung neuer Aufwand? Für Chaac hätte Schritt 6 (Monitor) die Antwort gegeben: „Das System gibt Dritten Kontrolle, die uns schadet." Diese Erkenntnis wäre im Pilot sichtbar geworden – wenn man sie gesucht hätte.

5. Der beste Innovationsmoment ist nicht die Produktpräsentation – es ist der Moment, wenn der Nutzer aufhört, ein Problem zu haben.

Tim Freitag schreibt: „Mit viel Innovation und einem Geistesblitz haben wir die kleine Revolution des millionenfach verwendeten Nutensteins vollzogen."² Kein großes Launch-Event. Keine Pressemitteilung. Nur ein LinkedIn-Post mit fünf Farben – und die stille Gewissheit, dass Monteure ab sofort weniger Fehler machen werden. Das ist der Moment, für den Innovation gemacht ist.

Epilog: Warum ich beide Beiträge gespeichert habe

Weil sie zusammen mehr erzählen als jedes Lehrbuch über Innovation. Auf der einen Seite ein Konzern mit fast unbegrenzten Ressourcen, der eine technologisch exzellente Lösung am falschen Ort einsetzt und dafür mit einer 100-Millionen-Dollar-Klage konfrontiert wird.¹ Auf der anderen Seite ein Weltmarktführer, der mit einem Geistesblitz und etwas Farbe einen millionenfach verbauten Standard verbessert – und dabei exakt das trifft, was Monteure täglich brauchen.²

Jobs-to-be-Done lehrt uns: Nicht die Innovation mit dem größten Budget gewinnt. Die Innovation gewinnt, die den richtigen Job am besten erledigt.

In diesem Sinne: Grün für M3. Blau für M4. Und ein klarer Kopf für den nächsten Innovationsprozess.

#JobsToBeDone #OutcomeDrivenInnovation #ProductManagement #Lean #PokaYoke #AIImplementation #Innovation #B2BInnovation #ProductStrategy

Fußnoten

¹ Tangalakis-Lippert, K. (2026, 18. Mai). Pizza Hut Faces Lawsuit From Franchisee Over AI System. Business Insider. https://www.businessinsider.com/pizza-hut-ai-system-dragontail-lawsuit-franchisee-2026-5

² Freitag, T. (2026). LinkedIn-Beitrag zur Farbkodierung von Nutensteinen. LinkedIn. https://www.linkedin.com/feed/update/urn:li:activity:7457387415368867840/

³ Ulwick, A. W. (2016). Jobs to be Done: Theory to Practice. Idea Bite Press. Siehe auch: HYPE Innovation (2024). A Deep Dive into the Jobs-to-be-Done Approach. https://www.hypeinnovation.com/blog/innovation-management-jobs-to-be-done-approach

⁴ Restaurant Dive (2021, 27. Mai). Yum to acquire AI-based company Dragontail Systems for $72.3M. https://www.restaurantdive.com/news/yum-to-acquire-ai-based-company-dragontail-systems-for-723m/600911/

⁵ Retail & Leisure International (2021, 8. September). Yum! Brands Completes Acquisition of Dragontail Systems. https://www.rli.uk.com/yum-brands-completes-acquisition/

⁶ Food on Demand (2021, 10. Juni). Acquiring Dragontail, Yum Brands Nabs Order Management & Delivery Tech. https://foodondemand.com/06102021/acquiring-dragontail-yum-brands-nabs-order-management-delivery-tech/

⁷ Fortune (2026, 19. Mai). Pizza Hut franchisee claims $100 million losses from 'cascading operational breakdowns' in AI adoption gone wrong. https://fortune.com/2026/05/19/pizza-hut-franchisee-lawsuit-ai-adoption-doordash-delivery-drivers/

⁸ Gizmodo (2026, 19. Mai). Pizza Hut Franchisee Sues Over AI Delivery System, Alleges $100 Million in Damages. https://gizmodo.com/pizza-hut-franchisee-sues-over-ai-delivery-system-alleges-100-million-in-damages-2000760645

⁹ The Independent (2026, 18. Mai). Pizza Hut's AI rollout has caused franchisee to lose $100 million. https://www.independent.co.uk/us/money/pizza-hut-ai-delivery-lawsuit-b2979021.html

¹⁰ Restaurant Business Online (2026, 12. Mai). Franchisee files lawsuit against Pizza Hut over mandatory tech. https://restaurantbusinessonline.com/technology/franchisee-files-lawsuit-against-pizza-hut-over-mandatory-tech

¹¹ Emmanuel, J. (2025, 2. Oktober). Innovation That Doesn't Fail: Lessons from 'Jobs to Be Done'. LinkedIn Pulse. https://www.linkedin.com/pulse/innovation-doesnt-fail-lessons-from-jobs-done-jade-emmanuel-8jaae

¹² Der Schraubenladen (2025). DIN 508 Muttern für T-Nuten – Nutensteine. https://shop.der-schraubenladen.de/DIN-508-Muttern-fuer-T-Nuten

¹³ REFA Institut (2023). Poka Yoke – Vermeidung unbeabsichtigter Fehler. https://refa.de/service/refa-lexikon/poka-yoke

¹⁴ ProductPlan (2026). Jobs-To-Be-Done Framework. https://productplan.com/glossary/jobs-to-be-done-framework