FSSC 22000 versie 6: kwaliteitsdata en traceerbaarheid slim vastleggen met AI

Wat versie 6 zwaarder maakt

FSSC 22000 versie 6 is niet zomaar een tekstuele update. Twee onderdelen vragen aantoonbaar meer dan de vorige versie. Ten eerste food safety culture: het schema verwacht een concreet plan voor voedselveiligheidscultuur, met aandacht voor communicatie, training, feedback en meetbaarheid. Cultuur is daarmee geen abstract begrip meer, maar iets waarvan u bij een audit moet kunnen laten zien dat u eraan werkt en dat u het opvolgt.

Ten tweede traceerbaarheid en het bijbehorende beheer van kwaliteits- en registratiedata. De keten moet in beide richtingen herleidbaar zijn, en de gegevens die dat onderbouwen moeten actueel, volledig en terugvindbaar zijn. Juist daar loopt het in de praktijk vast: de informatie bestaat vaak wel, maar staat verspreid over papier, losse bestanden en systemen die niet gekoppeld zijn. Bij een recall of een audit kost het samenrapen van die gegevens dan onnodig veel tijd.

Waar het handwerk nu zit

Voordat u naar AI kijkt, loont het om eerlijk in kaart te brengen waar de registratielast vandaan komt. In de meeste voedingsbedrijven zit die op een paar vaste plekken, en die plekken bepalen of digitalisering en AI-ondersteuning iets opleveren of alleen een extra systeem toevoegen.

• Overtypen: metingen en controles die op papier of in een machine staan en later handmatig in een systeem belanden, met kans op fouten.
• Zoeken bij een audit of recall: gegevens die kloppen maar verspreid staan, zodat het samenstellen van een dossier uren kost.
• Onvolledige of inconsistente invoer: velden die per medewerker of per ploeg anders worden ingevuld, waardoor rapportages later niet aansluiten.
• Signalen die te laat opvallen: een afwijking die pas bij de maandelijkse review zichtbaar wordt in plaats van op het moment zelf.

Waar AI de kwaliteitsdata lichter maakt

AI verandert de eisen van FSSC 22000 niet, maar kan het vastleggen en terugvinden van de onderbouwende data wel minder arbeidsintensief maken. De winst zit zelden in iets spectaculairs, en vrijwel altijd in het wegnemen van repeterend registratiewerk en in het eerder zichtbaar maken van afwijkingen.

• Registraties gestructureerd vastleggen: gesproken of geschreven notities van de vloer omzetten naar consistente velden, zodat controles niet later worden overgetikt.
• Documenten doorzoekbaar maken: specificaties, certificaten van leveranciers en batchdossiers zo ontsluiten dat u bij een vraag in seconden het juiste document vindt in plaats van in mappen zoekt.
• Afwijkingen eerder signaleren: patronen in meet- en controledata herkennen die wijzen op een trend, zodat een medewerker eerder kan bijsturen.
• Auditvoorbereiding versnellen: gevraagde bewijsstukken bij elkaar brengen tot een concept-dossier dat een mens controleert en aanvult.

Traceerbaarheid: van papier naar herleidbare data

De kern van traceerbaarheid onder versie 6 is herleidbaarheid: van grondstof naar eindproduct en terug, snel en volledig. AI kan hierbij helpen door versnipperde registraties aan elkaar te knopen en doorzoekbaar te maken, maar het fundament blijft de kwaliteit van de onderliggende data. Een model dat op onvolledige of foutieve registraties draait, geeft een vlot antwoord dat toevallig niet klopt, en dat is bij een recall gevaarlijker dan langzaam handmatig zoeken.

Begin daarom niet bij het model maar bij de gegevens: welke schakels legt u nu vast, waar zit de koppeling tussen batch, grondstof en controle, en waar ontbreekt die. Pas als die basis op orde is, voegt AI-ondersteuning betrouwbaar tempo toe. Vraag een leverancier bovendien altijd om te laten zien hoe een antwoord terug te voeren is op de bronregistratie, want zonder die herleidbaarheid heeft u aan een uitkomst bij een audit weinig.

Food safety culture blijft mensenwerk

Voedselveiligheidscultuur laat zich niet uitbesteden aan software. AI kan onderdelen ervan ondersteunen, bijvoorbeeld door trainingsdeelname bij te houden, afwijkingen te helpen registreren of terugkerende thema's uit meldingen zichtbaar te maken. Maar cultuur ontstaat op de vloer, in hoe leidinggevenden reageren op een melding en hoe serieus verbetervoorstellen worden opgepakt. Een dashboard vervangt dat niet.

De verstandige rolverdeling is dus: gebruik AI om de registratie en het overzicht rond cultuur lichter te maken, en houd de cultuur zelf bij de mensen. Zo blijft wat u bij een audit laat zien een afspiegeling van wat er werkelijk gebeurt, en niet alleen van wat een systeem heeft geregistreerd.

De mens beslist en tekent

Bij AIBA hanteren we als uitgangspunt dat de mens beslist en tekent. Voor kwaliteit en voedselveiligheid betekent dat concreet: een AI-systeem kan een registratie voorbereiden, een afwijking signaleren of een auditdossier samenstellen, maar de kwaliteitsverantwoordelijke beoordeelt, corrigeert en tekent. De verantwoordelijkheid onder FSSC 22000 blijft bij het bedrijf en zijn mensen, ongeacht welk hulpmiddel de data heeft geordend.

Sinds 2 februari 2025 verplicht artikel 4 van de EU AI Act (Verordening (EU) 2024/1689) organisaties bovendien om medewerkers die met AI-systemen werken voldoende AI-geletterdheid bij te brengen. Voor kwaliteits- en productiemedewerkers betekent dit dat zij moeten begrijpen hoe een systeem tot een signaal of samenvatting komt, waar de aannames en beperkingen zitten, en wanneer een uitkomst handmatig gecontroleerd of bijgesteld moet worden. Dat is precies de geletterdheid die een auditor van u mag verwachten zodra u AI in het kwaliteitsproces gebruikt.

Waar u praktisch begint

Begin klein en meetbaar. Kies één registratie- of traceerbaarheidsproces waar nu de meeste tijd of frustratie in zit, bijvoorbeeld de auditvoorbereiding of het terugvinden van batchgegevens, en leg eerst vast hoe het nu gaat: wie doet wat, hoe lang duurt het, en waar gaat het mis. Die nulmeting maakt achteraf zichtbaar of AI-ondersteuning daar echt tijd bespaart, in plaats van dat u afgaat op een belofte.

Wees kritisch op besparingsclaims van leveranciers. Het effect verschilt sterk per bedrijf, per productgroep en per staat van uw data, en een algemeen percentage zegt weinig over uw situatie. Vraag om een proef met uw eigen registraties. Onze gratis Praktijk Scan helpt dat eerste proces te kiezen en de nulmeting scherp te krijgen.