AI als verlengstuk van je eigen expertise

Artificiële intelligentie, wat moet je daar nu eindelijk mee als voedingsproducent?Jacco van Son, manager Digital Tools bij Mérieux NutriSciences | ktba ziet hoeveel voordelen de technologie kan brengen, maar stelt ook vast hoe voedingsbedrijven worstelen met de implementatie binnen de organisatie. “Laat je niet afschrikken door het grootse en het onbekende. Begin er mee. Je zal er op de lange termijn niet aan ontsnappen. Want AI zal onmisbaar worden om slimmer, efficiënter en voedselveiliger te werken.”

De meeste kwaliteitsmanagers hebben ChatGPT wel al eens gevraagd om de belangrijkste aandachtspunten in nieuwe wetgeving voor hen samen te vatten. Met een goede prompt en een simpele druk op de knop, krijg je de antwoorden aangeleverd die je zocht. Maar je kan ook zoveel meer: een SOP opzetten, checklists maken voor interne audits, standaarden laten samenvatten, een procedure vergelijken met een GFSI eis, je op weg zetten met ingewikkelde voedselveiligheidsvraagstukken … “Werkt goed, maar eigenlijk is dat alles nog maar het tipje van de ijsberg. AI wordt pas echt interessant als je met je eigen data aan de slag gaat. Als je je eigen processen in kaart brengt, vertelt AI je waar je slimmer en efficiënter kan werken. Tools als ChatGPT of Gemini helpen je met andere woorden tot nieuwe inzichten te komen. Zie ze niet als een doel op zich, maar als een middel om je kwaliteitsbeheer te verbeteren. Om van controle naar regie te gaan, van onzekerheid naar wendbaarheid. AI kan bijvoorbeeld risico beredeneren als er een andere grondstof wordt ingekocht om zo een mogelijke recall te voorkomen.” 

Versterken wat er is

Over de noodzaak is van Son duidelijk. “Voedingsbedrijven zitten vaak al op een berg data. De hoeveelheden worden steeds groter, waardoor het ook steeds complexer wordt om daarin de juiste verbanden te ontdekken. Voor AI is dat een kleine moeite.” Hij geeft het voorbeeld van de uitvoering van de CSRD-wetgeving. “Alleen al de regels omtrent scope 3 emissies kunnen 100’en tot 1.000’en emissiebronnen bevatten. Hoe moet je dat als voedingsbedrijf nog bolwerken? Hoe weet je wat past er nu voor mij? De large language models die achter tools zoals ChatGPT zitten, zijn echter net gebouwd om enorme bergen aan data te analyseren. Ze kunnen wat er is verder versterken.” Bij KTBA profiteren ze daar zelf ook al van. “Denk aan het combineren van data uit labo en de omgeving om tot bevindingen te komen die handig kunnen zijn in een dynamische risicoanalyse. We zien AI als een verlengstuk van de expertise die we in huis hebben.”

Leiderschap cruciaal

Toch stelt van Son vast dat het onthaal in de voedingsindustrie voorlopig lauw is. En dat vindt hij doodzonde. “AI is ook best wel spannend, want je hebt het over voedselveiligheid. Dan kan je niet zomaar alles omgooien. Maar je moet er wel over nadenken hoe AI je kan helpen en je beleid er op afstemmen. Vandaag kan je er nog mee experimenteren, aftasten wat het jou oplevert. Morgen wordt het al serieuzer. De ontwikkelingen gaan zodanig hard, dat wie nu niet instapt, hopeloos achter de feiten aan zal hollen.” Dat het voor een kwaliteitsmanager echter niet zo evident is om er mee te beginnen, begrijpt van Son. “Hij heeft al zoveel taken om elke dag tot een goed einde te brengen … Het ontbreekt vaak aan tijd om een stap terug te zetten en te kijken waar de verbeterpunten binnen je organisatie liggen. Voor ons is leiderschap daarom een sleutelfactor in een succesvolle AI-integratie. AI is een hulpmiddel ter ondersteuning en efficiëntieverbetering, maar het is geen vervanging voor de fundamentele menselijke expertise, directe observatie van processen of het naleven van voedselveiligheidsprincipes. De intelligentie met AI is uiteindelijk nog steeds de mens die het toepast. Hij zet de koers, hij zit in de cockpit.” 

In drie stappen naar een succesvolle AI-implementatie

Maar hoe begin je daar dan mee? Van Son identificeert ten slotte drie stappen om je succes­vol op weg te zetten:

• Stap 1 Introductie van AI in de dagelijkse werkzaamheden als persoonlijke assistent per medewerker in de QA afdeling. Bepaal daarbij waar je AI voor wil inzetten, en wat je wil bereiken. Bepaal welke tools zijn toegestaan en hoe je omgaat met vertrouwelijke informatie. 
• Stap 2 AI laten werken met eigen bedrijfsdata, waardoor interne processen efficiënter worden en medewerkers sneller antwoorden krijgen op organisatie-specifieke vragen.
• Stap 3 AI inzetten om QA processen te verbeteren en analyses te doen op data zodat je dit kan gebruiken in rapportages en sturing.
   

“Data zijn belangrijk en voor AI geldt ‘value in, is value out’. Hoe meer je eigen data gebruikt, hoe meer waarde dat zal opleveren. Daar zal ook de meeste van je tijd naartoe gaan in elke AI-integratie: zorg dat de juiste data op een gestructureerde manier op de juiste plek terechtkomt. Daar helpen we onze klanten bij: om de juiste visie uit te tekenen en de data die ervoor nodig is te verzamelen”, besluit hij.