Schaduw-AI in de voedingsindustrie: 44% meldt AI-gebruik zonder formele goedkeuring

Bijna de helft (44%) van de besluitvormers in de voedingsindustrie meldt gebruik van AI tools zonder formele goedkeuring van de eigen organisatie. Dat blijkt uit het Artificial Intelligence-onderzoek 2026 van Aptean, dat onderzoeksbureau Vanson Bourne uitvoerde onder 300 besluitvormers in de sector. Het gemiddelde over alle onderzochte sectoren ligt op 40%.

AI wordt in de voedingsindustrie dus volop gebruikt – alleen niet altijd via de route die de directie voor ogen heeft. In een sector die draait op receptuur, allergenen en traceerbaarheid is dat meer dan een IT-kwestie.

Medewerkers wachten niet op een AI-beleid

Schaduw-AI – het gebruik van tools die de organisatie niet heeft goedgekeurd – komt inmiddels voor op planningsafdelingen en op de productievloer. Het motief is meestal praktisch: mensen pakken de tool die hen helpt sneller te werken, handwerk te beperken of met meer zekerheid een beslissing te nemen.

In de voedingsindustrie weegt dat zwaarder dan in de meeste andere sectoren. Leveranciersgegevens, batch- en lotinformatie, receptuur, regels voor allergenenscheiding en traceerbaarheidsregistraties zijn gevoelige gegevens. Belandt daar iets van in een publieke AI-tool, ook per ongeluk, dan riskeert u een lek van vertrouwelijke informatie, een gat in de naleving en uitkomsten die u bij een audit niet kunt verantwoorden.

Het tweede risico is nauwkeurigheid. Een generieke AI-tool weet niet hoe een food manufacturer werkt. Omstellen, catchweight en lotcodes kent zo’n model hooguit als begrip, niet uit de praktijk, en de gaten vult het op met aannames die het overtuigend formuleert.

Neem een planner in een bakkerij met 40 SKU’s en twee allergeenomstellingen per dienst, die een publieke chatbot vraagt de productie van volgende week in te plannen. Het antwoord ziet er gestructureerd en stellig uit, maar kan fout zitten op precies de punten die alleen iemand met kennis van de allergenenmatrix opvallen. Dat is het werkelijke risico: een AI-tool die ver buiten zijn deskundigheid werkt.

Het enthousiasme is er, de strategie nog niet

Aan animo ontbreekt het niet. 84% van de onderzochte voedingsbedrijven zegt met AI bezig te zijn vanwege de kansen die het biedt, niet vanwege druk van concurrenten of de markt. Bedrijven zien mogelijkheden om verspilling te beperken, de leverbetrouwbaarheid (OTIF) te verbeteren, de naleving te versterken en marges te beschermen nu de operatie complexer wordt.

Er zijn ook al resultaten. Op operationele efficiëntie, levering op tijd en de nauwkeurigheid van de forecast scoort de voedingsindustrie beter dan het gemiddelde over alle sectoren, en 23% noemt AI inmiddels essentieel voor het werk en de besluitvorming.

Tegelijk heeft 22% nog geen AI-strategie of zit nog in de verkennings- of pilotfase – het hoogste aandeel van alle onderzochte sectoren. Dat staat haaks op de 83% die verwacht dat het eigen bedrijf zonder succesvolle AI-adoptie snel achterhaald raakt. Het onderzoek legt zelf het verband met de 44%: waar de strategie achterblijft bij de behoefte, zoeken medewerkers hun eigen oplossingen.

Een deel van het probleem is herkenning. Veel bedrijven gebruiken al AI in optische sorteermachines, planningstools en kwaliteitssystemen, maar zien dat als gewone automatisering. Wie niet weet waar AI al draait, kan het ook niet besturen.

Generieke AI kent de fabriek niet, branchespecifieke AI wel

63% van de voedingsbedrijven gebruikt generieke AI en 46% heeft AI ingevoerd die specifiek voor de sector is ontwikkeld; veel bedrijven doen allebei. Het verschil in resultaat is groot. Van de bedrijven met branchespecifieke AI zag 29% de nauwkeurigheid van de forecast het afgelopen jaar met 10% of meer verbeteren, tegenover 19% bij generieke tools. Ze noemen ook vaker een sterkere concurrentiepositie (39% tegenover 32%) en een betere motivatie van medewerkers (39% tegenover 33%) als het gebied waar AI het meest heeft opgeleverd.

Wie op een productievloer heeft gestaan, begrijpt waarom. Houdbaarheid, traceerbaarheid op lotniveau, batchregistraties, allergenenscheiding, productieplanning en de koelketen bepalen samen hoe een beslissing genomen moet worden. Voorraad kost niet alleen geld, hij verloopt ook – daarom is FEFO (first-expiry, first-out) een harde randvoorwaarde en geen voorkeur. Variatie in opbrengst kost marge die zich bij hoge volumes snel opstapelt. En bij een terugroepactie moet u binnen enkele uren zowel naar de leverancier als naar de afnemer kunnen herleiden. Een generiek model houdt met geen van die factoren rekening; een branchespecifiek model neemt ze als uitgangspunt.

Het budget volgt die logica niet altijd. Voedingsbedrijven besteden volgens het onderzoek gemiddeld 9% van hun jaaromzet aan AI, meer dan het gemiddelde over alle sectoren (8%). Toch zegt 54% dat strategische afstemming geen rol van betekenis speelt bij het vrijmaken van dat budget. Dan is de kans reëel dat een deel van het geld naar projecten gaat die geen enkel operationeel cijfer verbeteren.

De grootste hindernis zit in de data, niet in de AI

Het onderzoek laat weinig twijfel over wat bedrijven tegenhoudt. 81% noemt datakwaliteit en -toegang de grootste uitdaging, 78% ziet een gebrek aan governance als belangrijke rem, en 85% vindt het koppelen van AI aan bestaande bedrijfssystemen lastiger dan de AI zelf aan het werk krijgen.

Veel bedrijven ontdekken de gaten in hun ERP- of supply chain-data pas wanneer ze er AI op aansluiten. AI is vaak simpelweg het eerste systeem dat die gegevens nauwkeurig genoeg leest om de fouten zichtbaar te maken.

Datakwaliteit is dus het knelpunt. Maar niet alle gegevens in een levensmiddelenbedrijf zijn even rommelig. Batchregistraties, lotgenealogie, datumcodes, allergeenverklaringen en de historie van geblokkeerde partijen houdt u al nauwgezet bij, omdat een auditor erom kan vragen. Die registraties zijn volledig, omdat gaten tot auditbevindingen leiden, en voorzien van een tijdstempel en herleidbaar, omdat traceerbaarheid dat eist.

Dat is precies de schone, goed beheerde input die een AI-systeem nodig heeft. Toch wordt dat bewijsspoor vaak alleen gebruikt om achteraf aan te tonen wat er is gebeurd. Dezelfde registraties kunnen ook een forecast, een productieplanning, een kwaliteitsvoorspelling of een vroege uitzonderingsmelding voeden. Er hoeft weinig nieuws verzameld te worden; het werk zit in het ontsluiten en koppelen van wat er al ligt.

Europese voedingsbedrijven lopen achter op Noord-Amerika

In Europa – in dit onderzoek het Verenigd Koninkrijk, Frankrijk, Duitsland en Nederland – heeft 38% van de voedingsbedrijven die AI gebruiken of invoeren branchespecifieke tools in gebruik. In Noord-Amerika is dat 57%. Bij op maat gemaakte AI is het verschil kleiner: 42% tegenover 50%.

Ook de opbrengst loopt uiteen. 48% van de Noord-Amerikaanse bedrijven noemt snellere productlevering als het gebied waar AI het meest heeft geholpen, tegenover 31% in Europa. Voor omzetgroei is dat 45% tegenover 33%.

De druk is aan beide kanten van de oceaan gelijk: krappe marges, een groeiend aantal SKU’s en voortdurende audits. Het verschil zit in de keuze voor AI die voor de sector is gebouwd – en die keuze werkt alleen op een datafundament en governance die op orde zijn. De inhaalslag is daarom eerder een kwestie van volgorde dan van budget: eerst de data en de afspraken, dan de tools.

Vijf werkwijzen die een AI-programma onderscheiden van een pilot

1.      Kies AI die voor de voedingsindustrie is gebouwd. Generieke tools herkennen geen lotcodes of catchweights, en een beslissing over allergenenscheiding kunt u er niet aan toevertrouwen.

2.      Begin met de gegevens die u al bijhoudt voor audits. Batchregistraties, lottraceerbaarheid en datumcodes zijn de grondstof. Schoon ze op en koppel ze voordat u iets nieuws invoert.

3.      Koppel elk AI-project aan een operationeel cijfer, zoals giveaway, OTIF, forecastafwijking of de doorlooptijd van geblokkeerde partijen. Verbetert een project geen van die cijfers, dan is het een pilot en geen programma.

4.      Breng eerst in kaart waar uw teams vandaag al AI gebruiken. U kunt geen richting geven aan iets wat u nooit heeft gemeten.

5.      Richt AI op beslissingen, niet op dashboards. Nog een scherm dat het probleem van gisteren laat zien, voegt weinig toe. De waarde zit in een afwijking die vroeg genoeg zichtbaar wordt om er nog iets aan te doen.

Wie AI wil besturen, begint bij wat er al gebeurt

De voedingsbedrijven die het meeste uit AI halen, combineren branchespecifieke tools met een stevig datafundament en een duidelijk zakelijk doel.

Vertrouwen rustte in de voedingsindustrie ooit op het oog van de fabrieksmanager die over de vloer liep, en daarna op rapporten en dashboards. De volgende stap is voor bedrijven die precies kunnen zeggen met welke gegevens hun AI werkt, wie de toepassing heeft goedgekeurd en welke beslissing er beter door is geworden.

Het volledige onderzoek, inclusief de uitsplitsing per sector en regio achter alle cijfers in dit artikel, is te downloaden via https://www.aptean.com/nl-NL/resources/industry-insights/report/food-and-beverage-ai-report?utm_source=article&utm_medium=web&utm_campaign=fnb_ai_report_2026

Over het onderzoek: Vanson Bourne ondervroeg in het tweede kwartaal van 2026 in opdracht van Aptean 1.535 zakelijke besluitvormers in de Verenigde Staten, Canada, het Verenigd Koninkrijk, Nederland, Frankrijk en Duitsland, onder wie 300 uit de voedingsindustrie. Alle respondenten hebben invloed op beslissingen over ERP- of supply chain-systemen. Het onderzoek omvatte daarnaast tien diepte-interviews.

Bron: Aptean - partner FoodPro Network