Honig im Labortest: Was die neue KI-Klassifizierung über die Herkunft verrät

Kurz gesagt: Eine am 26. September 2026 veröffentlichte Studie kombiniert physikalisch-chemische Honigdaten mit Machine Learning, um Mehrblüten- und Einblütenhonige zu unterscheiden. Leitfähigkeit, Zuckerwerte und stabile Kohlenstoffisotope gehörten zu den besonders informativen Merkmalen. Das Verfahren ist ein möglicher Laborfilter für die botanische Klassifizierung. Es weist aber weder automatisch zugesetzten Sirup nach noch bestimmt es sicher Land, Region oder Qualität eines beliebigen Glases.

Welche Frage das Modell beantwortet

Einblütenhonig stammt ganz oder überwiegend aus einer angegebenen Pflanzenquelle und muss deren sensorische, physikalisch-chemische und mikroskopische Merkmale aufweisen. Mehrblütenhonig vereint verschiedene Trachtquellen. Das Forschungsteam trainierte Modelle auf Messwerten bekannter Proben, damit sie diese beiden Klassen trennen. Die Aufgabe ist enger als eine vollständige Echtheitsprüfung.

Welche Daten in die Analyse eingingen

Untersucht wurden unter anderem elektrische Leitfähigkeit, Feuchte, Farbintensität, Glukose, zusammengefasste Fruktose- und Glukosewerte, weitere Zucker sowie Isotopenparameter. Eine Merkmalsauswahl sollte Informationen mit hohem Nutzen und geringer Redundanz finden. Danach verglich das Team Random Forest, neuronale Netze, Deep-Learning-Ansätze und ein genetisch optimiertes Ensemble. SHAP-Auswertungen machten sichtbar, welche Variablen die Einstufung besonders beeinflussten.

Was das Ergebnis bedeutet

Das hybride Modell erzielte laut Studie eine ausgewogene Klassifikationsleistung auf dem vorhandenen Datensatz und lag ähnlich wie Random Forest, während es andere Vergleichsmodelle übertraf. Entscheidend ist der Zusatz „auf dem vorhandenen Datensatz“: Ein Algorithmus erkennt Muster der Proben, an denen er entwickelt und geprüft wurde. Neue Ernten, Regionen, Pflanzenarten und Laborverfahren können die Verteilung der Messwerte verändern.

Welche Grenzen transparent bleiben müssen

Die Honigproben wurden von einem Unternehmen bereitgestellt, mit dem mehrere Mitautorinnen verbunden sind; die Veröffentlichung erklärt zugleich, es bestünden keine konkurrierenden Interessen. Für eine breite amtliche Anwendung wären unabhängige Datensätze, Ringversuche und festgelegte Entscheidungsgrenzen nötig. Außerdem lautet die Zielvariable nur Einblüten- oder Mehrblütenhonig. Ein falsch etikettiertes Herkunftsland oder zugesetzter Zuckersirup ist damit nicht automatisch erkannt.

Warum mehrere Methoden nötig sind

Honig ist eine variable Naturmatrix. Pflanzenquelle, Wetter, Erntezeit und Verarbeitung wirken auf Farbe, Wasser, Zucker und Leitfähigkeit. Deshalb stützen sich Kontrollen je nach Fragestellung auf Kombinationen aus Dokumentenprüfung, Pollenanalyse, Isotopenmethoden, chemischen Profilen und weiteren Verfahren. Machine Learning kann Muster bündeln, macht aus einem einzelnen Messwert aber keinen universellen Echtheitstest.

Was sich auf EU-Etiketten geändert hat

Seit 14. Juni 2026 müssen bei Honigmischungen die Ernteländer grundsätzlich in absteigender Reihenfolge mit ihrem Gewichtsanteil angegeben werden. Vor diesem Datum rechtmäßig etikettierte Ware darf noch bis zum Abverkauf der Bestände angeboten werden. Die EU-Kommission soll bis 14. Juni 2028 harmonisierte Analyseverfahren zum Nachweis verfälschten Honigs festlegen. Herkunftskennzeichnung und Laborprüfung lösen damit unterschiedliche Teile des Transparenzproblems.

Warum die Kontrolle relevant ist

In der EU-Aktion „From the Hives“ wurden 2021–2022 insgesamt 320 importierte Sendungen untersucht; 147 Proben oder 46 % galten als verdächtig auf Verfälschung. „Verdächtig“ ist dabei nicht identisch mit einem rechtskräftigen Betrugsnachweis. Die Gemeinsame Forschungsstelle betonte, dass kein einzelner Test genügt und auffällige Analysen durch Rückverfolgung und weitere Ermittlungen ergänzt werden müssen.

Vier Hinweise für den Einkauf

• Herkunft lesen: Bei neuen Mischungen helfen Länder und Anteile mehr als die alte Sammelangabe EU/Nicht-EU.
• Blütenangabe einordnen: Akazie, Raps oder Linde beschreibt die botanische Herkunft, ist aber kein Gesundheitsversprechen.
• Preis nicht als Beweis nehmen: Ein hoher oder niedriger Preis bestätigt allein weder Echtheit noch Verfälschung.
• Honig als Süße dosieren: Ideen findest du beim Frühstück und in den Rezepten nach Zutaten.

Fazit: guter Laborfilter, kein Wahrheitsautomat

Die Studie zeigt, dass eine Kombination aus klassischen Messwerten und interpretierbarem Machine Learning die botanische Grobklassifizierung unterstützen kann. Ihr Wert liegt im Screening und in der Priorisierung weiterer Prüfungen. Für Verbraucherinnen und Verbraucher bleibt das neue Herkunftsetikett die unmittelbarere Hilfe. Ein Modellresultat allein ersetzt weder amtliche Kontrolle noch Rückverfolgbarkeit.

Quellen und Aktualisierung

• Scientific Reports: Binary classification of multifloral honeys using hybrid ensemble optimization, veröffentlicht am 26. September 2026.
• EUR-Lex: Richtlinie (EU) 2024/1438, Herkunftskennzeichnung und Analyseauftrag.
• EU Joint Research Centre: Food fraud: How genuine is your honey?, Ergebnisse und Grenzen der EU-Kontrollaktion.
• Europäische Kommission: Honey 2021–2022, Dokumentation der koordinierten Aktion.

Autor: Kochzauber Redaktion. Informations- und Aktualisierungsstand: 27. September 2026. Der Beitrag unterscheidet botanische Klassifizierung, Herkunftsangabe und Betrugsnachweis. Das Titelbild ist ein redaktionelles Symbolbild.