Voedselformulering: hoe data en AI helpen bij het samenstellen van ons eten
Voedselformulering is het proces waarbij een voedingsmiddel wordt opgebouwd uit losse bouwstenen — eiwitten, vetten, koolhydraten, vezels, water, aroma's en additieven — zodat het eindresultaat precies de smaak, textuur, kleur en voedingswaarde krijgt die de maker voor ogen heeft. Vergelijk het met een bouwtekening voor een huis: de architect kiest niet alleen hoe het gebouw eruitziet, maar ook welke materialen op welke plek nodig zijn om het stevig, betaalbaar en comfortabel te maken. Bij voedsel werkt dat net zo, alleen zijn de bouwstenen eetbaar en moet het resultaat bovendien nog lekker smaken en lang genoeg goed blijven.
Van oudsher gebeurde dit vooral met vallen en opstaan: een voedseltechnoloog past een recept telkens een beetje aan, proeft het resultaat en herhaalt dat proces tientallen of honderden keren totdat het klopt. Denk aan een plantaardige kaas die net zo smelt als gewone kaas, of een chocoladereep met minder suiker die toch knapperig blijft. Nieuw is dat computers en kunstmatige intelligentie (AI) steeds vaker meehelpen: op basis van data voorspellen ze welke combinatie van ingrediënten waarschijnlijk het gewenste resultaat oplevert, nog vóórdat er iets in een testkeuken wordt gemaakt. Dat kan het aantal fysieke proefrondes flink verminderen.
Wat is het precies?
Voedselformulering begint met een doelprofiel: welke smaak, geur, kleur, textuur (het zogeheten mondgevoel, oftewel hoe iets aanvoelt in de mond), voedingswaarde en houdbaarheid moet het product hebben? Vaak is er ook een technische eis, zoals bestand zijn tegen bakken, invriezen of transport.
Vervolgens kijkt een formuleerder — mens of algoritme — naar een database van beschikbare ingrediënten en hun eigenschappen. Een eiwit uit erwten gedraagt zich bijvoorbeeld anders bij verhitting dan een eiwit uit melk; het ene bindt water goed, het andere geeft juist stevigheid. Deze eigenschappen worden vaak functionaliteit genoemd: wat een ingrediënt dóét in het geheel, los van de voedingswaarde.
Bij traditionele formulering combineert een expert deze kennis met ervaring en intuïtie. Bij data-gedreven formulering wordt dit aangevuld met modellen die, getraind op duizenden eerdere recepten en metingen, voorspellen welke ingrediëntencombinatie een bepaald doelprofiel het dichtst benadert. Sommige bedrijven gebruiken hiervoor machine learning: algoritmes die patronen leren uit data over molecuulstructuren, smaakpanels en chemische metingen, in plaats van vaste regels te volgen.
Na een voorspelling volgt altijd nog een fysieke test: het mengsel wordt daadwerkelijk gemaakt en beoordeeld, vaak door een sensorisch panel (getrainde proevers) of chemische analyses. Klopt het niet helemaal, dan gaat de uitkomst terug het model in, dat daarvan leert voor de volgende ronde. Pas als een recept op laboratoriumschaal werkt, begint de vaak lastige stap van opschalen naar fabrieksproductie, waarbij machines en processen heel anders werken dan een keukenmixer.
Wat wil men ermee bereiken?
Een belangrijk doel is gezondere voeding zonder dat mensen dat merken aan de smaak: minder zout, suiker of verzadigd vet in producten, terwijl het product nog steeds smaakt zoals consumenten gewend zijn. Dit wordt vaak reformulering genoemd en is een speerpunt van voedingsbeleid in veel landen, waaronder Nederland.
Een tweede drijfveer is de opkomst van plantaardige alternatieven voor vlees, zuivel en eieren. Het nabootsen van de smaak, geur en structuur van een dierlijk product met plantaardige grondstoffen is chemisch en technisch complex, en dat is precies waar geavanceerde formuleringstechnieken een verschil kunnen maken.
Daarnaast spelen snelheid en kosten een rol: het ontwikkelen van een nieuw voedingsmiddel kost traditioneel maanden tot jaren en honderden proefversies. Bedrijven hopen dat computermodellen dit proces kunnen verkorten en goedkoper maken. Ook duurzaamheid is een motief: door slimmer te formuleren kan soms met minder grondstoffen, water of CO2-uitstoot hetzelfde eindresultaat worden bereikt. Ten slotte wordt er geëxperimenteerd met formulering op maat — voeding afgestemd op de behoeften van een individu, bijvoorbeeld op basis van leeftijd, gezondheid of activiteitenniveau, al staat dat onderdeel nog in een pril stadium.
Voorbeelden uit de praktijk
Het Chileense bedrijf NotCo, opgericht in 2015, ontwikkelde een AI-systeem genaamd Giuseppe dat plantaardige ingrediënten zoekt die qua molecuulstructuur lijken op dierlijke producten, om zo plantaardige melk, mayonaise en andere producten te maken. In 2021 richtte NotCo samen met voedingsgigant Kraft Heinz een joint venture op om deze aanpak toe te passen op bestaande merken.
Het Amerikaanse Climax Foods (opgericht in 2019) gebruikt machine learning om plantaardige kaasvervangers te ontwikkelen die qua smelt- en smaakprofiel dicht bij echte kaas moeten komen, door duizenden combinaties van planteiwitten en -vetten te doorzoeken voordat er fysiek wordt getest.
Het eveneens Amerikaanse Shiru (opgericht in 2019) zet AI in om in de natuur voorkomende eiwitten te screenen op functionele eigenschappen — zoals schuimvorming of emulgerende werking — die interessant zijn voor voedselformulering, om zo sneller bruikbare ingrediënten te vinden dan met klassiek laboratoriumonderzoek.
In Nederland doet onderzoeksinstituut TNO al langer onderzoek naar reformulering, onder meer naar hoe zout en suiker in producten verminderd kunnen worden zonder verlies van smaak of houdbaarheid, deels ondersteund door voorspellende modellen. Ook Wageningen University & Research onderzoekt de opbouw van voedselstructuren (de zogeheten voedselmatrix) om te begrijpen hoe ingrediënten op microscopisch niveau samenwerken, kennis die weer wordt gebruikt om nieuwe formuleringen te ontwerpen.
Hoe ver is de techniek?
AI-ondersteunde formulering bevindt zich op dit moment vooral in de fase van versnellen en ondersteunen, niet van volledig vervangen. Modellen zijn goed in het voorspellen van meetbare, chemische eigenschappen, maar smaak en mondgevoel blijven notoir lastig te voorspellen omdat ze subjectief zijn en sterk afhangen van menselijke perceptie. Sensorische panels blijven daarom onmisbaar.
Een ander obstakel is data: goede voorspellingen vereisen grote hoeveelheden betrouwbare gegevens over ingrediënten en hun gedrag, maar veel van die data is bedrijfseigendom en wordt niet gedeeld. Dat maakt het voor kleinere spelers en onderzoekers lastiger om vergelijkbare modellen te bouwen.
Opschalen blijft eveneens een bottleneck: een recept dat in het lab perfect werkt, gedraagt zich in een fabriek met grote mengers, hoge temperaturen en lange transportlijnen vaak anders. Veel veelbelovende formuleringen sneuvelen daarom niet in het laboratorium, maar bij de opschaling naar massaproductie.
Ten slotte gelden er in de Europese Unie strikte regels voor nieuwe voedingsmiddelen en ingrediënten via de zogeheten Novel Food-verordening, die een uitgebreide veiligheidsbeoordeling vereist voordat een product op de markt mag komen. Dat proces kan jaren duren, ongeacht hoe snel een ingrediënt met AI is gevonden.
Wie werken eraan?
Naast de eerdergenoemde NotCo, Climax Foods en Shiru zijn er grote, gevestigde smaak- en ingrediëntenbedrijven zoals Givaudan en IFF (International Flavors & Fragrances) die eigen data-analyse en AI-tools inzetten om aroma's en functionele ingrediënten te ontwikkelen voor klanten in de voedingsindustrie. Ook multinationals als Unilever en Kraft Heinz investeren in computationele formuleringstools voor hun eigen merken.
In Nederland zijn Wageningen University & Research en TNO de belangrijkste kennisinstellingen op dit gebied, met onderzoek naar voedselstructuur, eiwittransitie en reformulering. Rond Wageningen en Ede is bovendien een cluster van foodtech-bedrijven en start-ups actief, vaak verbonden via het regionale netwerk FoodValley.
Op regelgevend niveau speelt de Europese Voedselveiligheidsautoriteit (EFSA) een centrale rol bij het beoordelen van nieuwe ingrediënten en voedingsmiddelen binnen de EU, terwijl in de Verenigde Staten vergelijkbare taken bij de FDA liggen. Vakverenigingen zoals het Amerikaanse Institute of Food Technologists (IFT) brengen wereldwijd voedseltechnologen samen en publiceren over ontwikkelingen op dit vakgebied.