Plantaardig ‘gehakt’ en AI: zo voorkom je claims

Op 10-12-2025 tikte de NVWA producenten op de vingers vanwege één woord op een verpakking: ‘plantaardig gehakt’. Dat klinkt als een detail, maar het is het soort detail dat je kwartaal kan breken. Want in Nederland is ‘gehakt’ een wettelijk gereserveerde benaming: zonder vlees erin mag je het niet zo noemen.

Tegelijk speelt in Brussel een veel bredere discussie. In het Europees Parlement laait het debat over het verbieden van vlees- en ei-termen voor plantaardige alternatieven opnieuw op. Sommige Europarlementariërs willen het gebruik van woorden als ‘burger’, ‘worst’, ‘steak’ en zelfs ‘eidooier’ of ‘eiwit’ aan banden leggen. De Europese Commissie buigt zich er nog over, met een reactie pas richting 2027. Dat is ver weg, maar het effect is nu al voelbaar: teams in R&D, marketing en kwaliteitszorg willen wél opschalen, maar niet tegen juridische drijfzand aanlopen.

Dit past naadloos in onze reeks “AI in Landbouw en Voedselproductie”. Want als er één plek is waar AI direct geld, tijd en reputatie kan besparen, dan is het bij kwaliteit, compliance en ketensturing in de eiwittransitie. Mijn stelling: wie plantaardige producten wil laten groeien in België en Nederland, moet niet alleen aan smaak en prijs werken, maar ook aan datagedreven labelzekerheid.

Waarom één woord op een etiket zo’n groot probleem is

Antwoord eerst: voedselbenamingen zijn in de EU en in nationale wetgeving geen vrijblijvende marketingtaal, maar vaak juridische definities die consumenten beschermen.

De kern van het NVWA-signaal is simpel: consumenten moeten niet op het verkeerde been worden gezet. Het gaat om volksgezondheid, eerlijkheid en transparantie. Maar in de praktijk komt het neer op risico’s die bedrijven vaak onderschatten:

• Herlabelkosten: bestaande verpakkingen de shredder in, nieuwe drukgangen, voorraadverlies.
• Retailfrictie: retailers willen geen discussie met toezichthouders; je schapruimte staat onder druk.
• Reputatieschade: consumenten en media maken van “misleiding” snel “sjoemelen”.
• Interne vertraging: elk nieuw SKU belandt in rondes met legal, QA en marketing.

En dan is er nog de Europese dimensie. Als benamingen op EU-niveau strenger worden, kan een naam die vandaag nog kan, morgen ineens problematisch zijn. Dat is precies waarom je in 2025 al een systeem wil dat meebeweegt met regelgeving.

België vs. Nederland: dezelfde markt, andere gevoeligheden

Antwoord eerst: ook al is de interne markt Europees, handhaving en interpretatie verschillen per land en per categorie.

Voor Belgische producenten die in Nederland verkopen (of omgekeerd) is dit extra relevant. In de praktijk zie je dat:

• productteams één verpakking voor Benelux willen;
• legal per land nuanceert;
• retailers eigen “huisregels” hanteren;
• taal (NL/FR) de kans op ambiguïteit vergroot.

Dat is precies het soort complexiteit waar AI wél goed in is: grote hoeveelheden regels, teksten, uitzonderingen en versies consistent verwerken.

Wat AI concreet kan doen: van labelcontrole tot vraagvoorspelling

Antwoord eerst: AI helpt vooral door fouten vroeg te vangen, varianten sneller te testen en productie/voorraad af te stemmen op echte vraag.

Veel AI-discussies blijven hangen in abstracties. In plantaardige vleesvervangers is het juist heel tastbaar. Hier zijn vier plekken waar ik het meeste rendement zie.

1) AI als ‘label- en claims-firewall’

Antwoord eerst: met NLP (taalmodellen) kun je verpakkings- en webteksten automatisch scannen op risicowoorden en claimcombinaties.

Denk aan:

• verboden of gereserveerde benamingen (zoals ‘gehakt’);
• risicovolle associaties (“zoals rundvlees”, “identiek aan kip”, “beter dan vlees”);
• inconsistenties tussen voorzijde, ingrediëntenlijst en allergeneninformatie;
• meertalige verschillen (NL/FR/EN) die onbedoeld iets anders suggereren.

Een praktisch model werkt als volgt:

1. Je voedt het systeem met interne richtlijnen, wettelijke teksten, eerdere NVWA/inspectie-issues en retailer-eisen.
2. Marketing uploadt conceptteksten.
3. Het systeem geeft een risicoscore en markeert woorden/claims.
4. QA/Legal krijgen een kort rapport met alternatieven (bijv. “plantaardige rulstukjes” of “vegan minced-style”).

Belangrijk: AI neemt de beslissing niet over. Het geeft je een vroeg alarmsysteem, zodat je niet pas bij drukproef of (erger) bij handhaving ontdekt dat het mis zit.

2) Kwaliteitscontrole in productie: textuur is meetbaar

Antwoord eerst: computer vision en sensordata maken textuurafwijkingen in plantaardige producten objectief en voorspelbaar.

Plantaardige ‘gehakt-achtige’ producten vallen of staan met structuur: korrel, bite, sappigheid. Dat zijn eigenschappen die je met:

• camera’s (kleur, uniformiteit, grootteverdeling),
• weeg- en vochtmetingen,
• inline NIR-sensoren,
• procesparameters (temperatuur, mengtijd, shear)

kunt koppelen aan batchkwaliteit. AI kan patronen herkennen die mensen missen, bijvoorbeeld:

• “Deze combinatie van vochtgehalte + extrusietemperatuur geeft 18% meer kans op kruimeligheid.”
• “Leverancier B levert een eiwitconcentraat dat bij dezelfde instelling vaker kleurvariatie geeft.”

Voor de eiwittransitie is dit goud waard: je kunt sneller opschalen zonder dat je kwaliteitsproblemen krijgt zodra volumes omhoog gaan.

3) Vraagvoorspelling rond seizoenen (en ja: december telt)

Antwoord eerst: demand forecasting met AI voorkomt dat je te veel ‘innovatievoorraad’ opbouwt en te weinig winnaars produceert.

Op 21-12-2025 zit je midden in een typisch patroon: feestdagen, acties, schommelende winkelbezoeken, veel nieuwe producten in het schap. Vleesvervangers hebben daarbij een extra dynamiek:

• flexitariërs kopen anders dan vegans;
• promoties sturen trial sterk;
• reviews en social buzz kunnen een product in twee weken maken of breken.

AI-modellen die POS-data, promotiekalenders, weersinvloeden, concurrentieprijzen en online sentiment combineren, kunnen:

• productieplanning verbeteren;
• derving verlagen;
• servicegraad bij retailers verhogen.

Voor bedrijven in België met export naar Nederland/Frankrijk is dit extra nuttig: je ziet per land andere pieken en voorkeuren.

4) Ketenoptimalisatie: van veld tot fabriek tot schap

Antwoord eerst: AI helpt supply chain teams om grondstofvariatie (erwten, soja, veldbonen) te vertalen naar stabiele eindkwaliteit.

Plantaardige ketens zijn gevoelig voor variatie in:

• oogstjaar,
• eiwitgehalte,
• functionaliteit (waterbinding, gelvorming),
• prijs en beschikbaarheid.

Door grondstofdata te koppelen aan productprestaties kun je:

• recepturen adaptief maken (binnen bandbreedtes);
• leveranciers beoordelen op functionele KPI’s (niet alleen prijs);
• sneller alternatieven kwalificeren bij schaarste.

Dat is precies waar AI in landbouw en voedselproductie elkaar raken: precisiedata uit de teelt wordt direct relevant voor process control in de fabriek.

Benamingenstrijd: wat betekent dit voor je productstrategie?

Antwoord eerst: ga ervan uit dat naamgeving strenger wordt en bouw nu al een ‘future-proof’ naamarchitectuur.

De discussie over ‘burger’, ‘worst’, ‘steak’ en ‘ei’-termen gaat niet alleen over woorden. Het gaat over marktmacht en framing: wie mag de taal van het bord bepalen?

Mijn kijk: een verbod op bekende culinaire woorden lost consumentenverwarring niet op; het verschuift vooral de creativiteit naar eufemismen. Maar je kunt er wél strategisch mee omgaan.

Praktische aanpak: werk met drie lagen naamgeving

Antwoord eerst: combineer een juridisch veilige productnaam met een duidelijke bereidingscontext.

1. Juridische basisnaam (veilig, beschrijvend)
   • “plantaardige stukjes” / “plantaardige rul” / “op basis van erwteneiwit”
2. Culinaire context (hoe gebruik je het?)
   • “voor pasta”, “voor taco’s”, “voor ovenschotels”
3. Textuur- of smaakprofiel (wat ervaar je?)
   • “kruidig”, “gerookt”, “sappige bite”, “rul en licht”

Met AI kun je deze architectuur schalen over tientallen SKU’s en talen, zonder dat elke verpakking een juridisch project wordt.

People-also-ask: “Mag je dan helemaal geen vleeswoorden meer gebruiken?”

Antwoord eerst: nationaal en Europees beleid loopt uiteen; sommige termen zijn gereserveerd, andere vooral politiek omstreden.

Wat je wél zeker weet:

• sommige benamingen zijn in wetgeving of normering duidelijk afgebakend;
• handhaving kan plots intensiveren (zoals het NVWA-voorbeeld laat zien);
• EU-besluiten kunnen jaren duren, maar voorbereiding kost óók jaren.

Dus: plan op strengere interpretaties, maar blijf communicatief helder voor de consument.

Zo begin je morgen: een 30-dagen plan voor AI en compliance

Antwoord eerst: start klein met één risico—verpakkingstekst—en koppel daarna door naar productie- en vraagdata.

Week 1: Inventarisatie

• Verzamel alle live verpakkingen, webteksten en retailer listings.
• Markeer “risicowoorden” en claimtypes (vlees-termen, ei-termen, gezondheidsclaims).

Week 2: AI-scan op teksten

• Zet een NLP-check op (desnoods eerst intern als proof-of-concept).
• Maak een simpele output: rood/oranje/groen + suggesties.

Week 3: Koppel aan workflow

• Laat marketing pas verder als groen of met expliciete legal-acceptatie.
• Log elke uitzondering: die dataset wordt je interne “juridische kennisbank”.

Week 4: Breid uit naar kwaliteit of demand

• Kies één productlijn en één KPI: bijvoorbeeld batch-afkeur, vochtgehalte, of out-of-stock.
• Bouw een klein model dat correlaties zichtbaar maakt en test één verbetering.

Deze aanpak past goed bij middelgrote producenten: je hoeft niet meteen je hele fabriek te digitaliseren om al resultaat te zien.

De eiwittransitie groeit door—maar je marge verdwijnt zonder datasturing

De commotie rond ‘plantaardig gehakt’ laat zien hoe snel een productinnovatie kan botsen met wet- en regelgeving. En eerlijk: dat gaat vaker gebeuren. Niet omdat toezichthouders “tegen innovatie” zijn, maar omdat voedselveiligheid en consumentenvertrouwen de bodem onder de markt vormen.

AI is hier geen speeltje voor later. AI is je veiligheidsnet: voor labelclaims, voor consistente kwaliteit, voor een supply chain die grondstofvariatie aankan, en voor vraagvoorspelling die derving beperkt.

Werk je in België of Nederland aan plantaardige eiwitten en wil je opschalen zonder telkens terug naar de tekentafel te moeten? Dan is de vraag niet of je AI moet inzetten, maar waar je begint. Begin je bij de verpakking, of bij de fabriek—en hoe snel wil je van “plantaardige spaanders” naar stabiele groei?