AI-ondersteunde EPR-naleving: evaluatie van gangbare LLM-modellen

Wetgeving | VerpakkingsManagement | maart 21, 2025

Tijdens de jaarlijkse PUMA-ledenbijeenkomst van het NVC Packaging Centre op de Brightlands Chemelot Campus gaven Alessandro Stephens (student Sociale Wetenschappen, Universiteit Maastricht) en Danilo Solcia (student Data Science en Kunstmatige Intelligentie, Universiteit Maastricht) een lezing over AI-ondersteunde EPR-naleving. Hun presentatie was gebaseerd op een evaluatie van antwoorden die verschillende gangbare Large Language Models (LLM’s) geven met betrekking tot de verschillen tussen EPR-wetgeving in de EU en de VS.

Alessandro Stephens en Danilo Solcia vertelden dat zij tijdens een conferentie over duurzame verpakkingen in Amsterdam opmerkten dat bedrijven nog weinig gebruikmaken van kunstmatige intelligentie in hun compliance-processen rondom Extended Producer Responsibility (EPR). Dit leidde tot hun onderzoeksvraag: kunnen bestaande AI-modellen betrouwbare informatie leveren over de naleving van EPR-wetgeving?

AI en ERP results

Vergelijking van wetgevingen

Stephens: 'Voor onze analyse kozen we bewust voor een praktische benadering. We hebben gekeken naar Californië en Nederland, twee regio’s met duidelijk verschillende wetgevingsstructuren. Ons doel was om te bepalen of AI-modellen accurate en bruikbare antwoorden kunnen geven die bedrijven daadwerkelijk ondersteunen bij naleving.'

De onderzoekers ontwierpen zes specifieke vragen (prompts), onderverdeeld in algemene en gedetailleerde categorieën. De vragen richtten zich onder andere op minimale drempelwaarden voor naleving, deadlines, recyclebaarheid en uitzonderingen binnen beide regio’s.

AI en ERP

Geteste AI-modellen

'We hebben meerdere bekende AI-modellen getest, zoals GPT-4 Omni, DeepSeek, Claude en Gemini’, vertelt Solcia. ‘Deze modellen verschillen aanzienlijk in hun aanpak en optimalisatie. Zo is GPT-4 Omni erg veelzijdig, terwijl Claude en DeepSeek zich meer richten op logisch redeneren en probleemoplossing. Gemini bleek vooral snel in het genereren van antwoorden, maar dit ging soms ten koste van kwaliteit en betrouwbaarheid.'

Belang van betrouwbare bronnen

Een opvallend resultaat van het onderzoek was het verschil in betrouwbaarheid van de gebruikte bronnen. Solcia: 'Niet elk model maakte even goed onderscheid tussen primaire, officiële bronnen zoals overheidsdocumenten, en secundaire bronnen zoals blogs of niet-officiële samenvattingen. Dit heeft uiteraard invloed op de bruikbaarheid van de antwoorden bij compliance-vraagstukken.'

AI en ERP prompts

Conclusies en aanbevelingen

Volgens Stephens tonen de resultaten aan dat AI-modellen potentieel hebben voor het ondersteunen van EPR-naleving, maar dat bedrijven kritisch moeten blijven: 'Het is essentieel dat bedrijven de herkomst van informatie verifiëren en begrijpen welk AI-model zij inzetten.'

Als vervolgstap pleiten Stephens en Solcia voor verdere training van AI-modellen met gespecialiseerde juridische datasets. Solcia tot slot: 'Door AI-modellen gericht te trainen met betrouwbare en geverifieerde informatie kunnen zij accurater en beter inzetbaar worden voor compliance-processen rond EPR-wetgeving.'