Een jaar geleden sloot ConsoTrust, specialist in artificiële intelligentie voor compliance, verwerking en analyse van productinformatie, zich aan bij de AGENA3000-groep. Maak kennis met Julien Doyen en Julien Boyer, medeoprichters van ConsoTrust, die zich dagelijks inzetten voor productdatakwaliteit.

Wat inspireerde jullie om ConsoTrust op te richten, en waar kwam het idee vandaan?

« ConsoTrust was niet ons eerste idee. Als ouders van kinderen met allergieën wilden we aanvankelijk een applicatie ontwikkelen die consumenten met voedselallergieën en intoleranties helpt om producten te vinden die passen bij hun beperkingen.

Toen we deze applicatie ontwikkelden en data opvroegen bij fabrikanten en distributeurs, realiseerden we ons dat de datakwaliteit zo slecht was dat we de applicatie niet zonder risico konden lanceren.

Met onze expertise hebben we vervolgens controles opgezet op allergeneninformatie om de consistentie met ingrediëntenlijsten te verifiëren. Deze controles bleken interessant voor de fabrikanten en distributeurs die ons data toestuurden, zo is ConsoTrust ontstaan.

Naast de applicatie Allergobox* hebben we ConsoTrust ontwikkeld: een platform voor datavalidatie en compliance.

Aanvankelijk richtten we ons uitsluitend op allergenen, omdat dat ons eerste werkterrein was. Geleidelijk, op verzoek van fabrikanten en distributeurs, hebben we ons werk uitgebreid naar andere attributen: wettelijke informatie, logistieke gegevens, enzovoort. Ons werkgebied is daardoor veel breder geworden dan alleen allergenen.

Sinds 2019 hebben we deze controle- en monitoringactiviteiten vormgegeven via ConsoTrust. »

*Allergobox : gratis webportaal gewijd aan voedselallergieën en -intoleranties.

Welke grote uitdagingen pakt ConsoTrust aan met zijn diensten en voor wie zijn die bedoeld?

« Met ConsoTrust identificeren we drie grote uitdagingen: 

• Datakwaliteit: Betrouwbare data die voldoet aan de regelgeving. Bij allergenen mag foutieve informatie bijvoorbeeld geen risico vormen voor de consument.
• Productiviteit: Fabrikanten beheren data nog steeds grotendeels handmatig, met veel invoerwerk. Het doel is om processen te automatiseren, zoals het verzamelen van data door documentextractie of het automatisch berekenen van verrijkingen, zodat medewerkers dit niet handmatig hoeven te doen.
• Ondersteuning van bedrijfsprocessen: Denk aan benchmarking, omzetverbetering, het monitoren van concurrentie, het stimuleren van innovatie, enzovoort. Dit soort toepassingen is alleen mogelijk als de data van hoge kwaliteit is. »

Wat zijn in de praktijk de gevolgen van slechte productdatakwaliteit? 

« De impact van slechte datakwaliteit groeit exponentieel, omdat we steeds meer data moeten beheren. Bovendien zijn er tegenwoordig veel meer productattributen dan tien jaar geleden. Hoe meer attributen, hoe groter de kans op fouten, en hoe groter de impact ervan.

Er zijn verschillende soorten gevolgen :

• Regelgevend risico: informatie moet correct zijn volgens de INCO*-verordening. Fouten kunnen leiden tot sancties door overheidsinstanties en dus tot financiële risico’s
• Gezondheids- en consumentenrisico: bij allergenen kan het risico zelfs levensbedreigend zijn, de grootste angst van elke fabrikant
• Imagorisico: wanneer productinformatie niet klopt, wekt dat wantrouwen. Het vergeten van een additief kan consumenten doen denken dat een merk niet transparant is.
• Commercieel risico: consumenten baseren hun keuzes op deze informatie. Met apps zoals Yuka kan foutieve data bijvoorbeeld leiden tot een lagere score. »

*INCO : Europese verordening over voedselinformatie voor consumenten. 

Zien jullie een groeiende interesse bij bedrijven in productdatakwaliteit?

« Ja, die interesse groeit, maar vooral omdat het een verplichting is. Zowel overheden als klanten (distributeurs) kunnen sancties opleggen wanneer data onjuist is. » 

Hoe verklaren jullie dat fouten zo vaak terugkomen in product sheets? 

« Dat komt vooral door data-invoer. De kwaliteit van productdata hangt af van de betrouwbaarheid van de bron. 

Data doorloopt meerdere systemen voordat deze op een e-commercesite terechtkomt. Onderweg kan de informatie verslechteren, verouderd raken of door handmatige ingrepen worden aangepast. 

Er zijn twee belangrijke oorzaken van fouten. Aan de ene kant, data-invoer (verouderde gegevens, invoerfouten, verwisselde attributen) Hoe meer informatie er moet worden ingevoerd, hoe groter de kans op fouten. 

Aan de andere kant, hoe meer systemen data passeert, hoe groter de kans op desynchronisatie en gemiste updates. » 

Wie is aansprakelijk bij fouten in allergeneninformatie op een website van een distributeur? 

« Wettelijk gezien is de eigenaar van de data, de fabrikant, verantwoordelijk. Maar in de praktijk zijn alle partijen betrokken, omdat fabrikanten en distributeurs met elkaar verbonden zijn. 

Fouten kunnen ook bij de distributeur ontstaan, doordat data verschillende systemen doorloopt. Het komt vaak voor dat een fabrikant correcte data aanlevert, maar dat uiteindelijk andere informatie op de website van de distributeur verschijnt. Bijvoorbeeld wanneer een retailer niet de nieuwste versie van een product sheet gebruikt of bijbehorende visuals niet bijwerkt. 

Met ConsoTrust bieden we grote meerwaarde door alles-in-één-oplossingen aan te bieden die deze verschillende systemen vervangen. » 

Artificiële intelligentie is overal. Wat onderscheidt jullie van concurrenten?

« Wij zijn al zeer ver gevorderd met artificiële intelligentie en werken er bijna sinds het begin mee. We hebben onze eigen modellen die toonaangevend zijn in de retailsector. 

Bij ConsoTrust praten we minder over AI dan partijen die er minder mee doen. Wij focussen vooral op de bedrijfsuitdagingen van onze klanten, want AI is slechts een middel, het resultaat is wat telt.

Zo beschikken we over zeer performante en realtime betrouwbare modellen voor data-extractie. Onze prioriteit is om dankzij AI steeds sneller in te spelen op steeds meer klantuitdagingen. » 

Wat zijn de ontwikkelprioriteiten van ConsoTrust voor 2026? 

Sinds september 2025 zijn de teams van ConsoTrust volledig geïntegreerd in de teams van AGENA3000. Hun expertise versterkt het domein Product Ecosystem Automation van de groep, dat PIM-, PDM- en AI-oplossingen omvat.