Landbouwgegevens zijn ‘gefragmenteerd, gedistribueerd, heterogeen en incompatibel’. Dat is het oordeel van een majoor Rapport van de Raad voor Landbouwwetenschappen en Technologie amper een jaar geleden gepubliceerd, en het helpt verklaren waarom AI heeft moeite om grip te krijgen op boerderijen. Andere data-intensieve industrieën, zoals de gezondheidszorg of de financiële dienstverlening, hebben datastandaarden vastgesteld, maar de landbouw beschikt niet over een universeel raamwerk voor de vertaling tussen de tientallen systemen die informatie op veldniveau genereren.
Dit is geen nieuwe observatie, maar de persistentie ervan is opmerkelijk. Terwijl consumententechnologie en bedrijfssoftware hun interoperabiliteitsproblemen jaren geleden grotendeels hebben opgelost, De landbouw genereert nog steeds enorme hoeveelheden informatie gevangen in onverenigbare silo’s. Onderzoeksinstellingen publiceren proefresultaten in inconsistente formaten, productfabrikanten gebruiken eigen naamgevingssystemen, boeren registreren observaties met lokale terminologie en detailhandelaren volgen de verkopen zonder deze te koppelen aan agronomische resultaten. Het resultaat is een industrie die beschikt over enorme hoeveelheden informatie die ze nauwelijks kan gebruiken.
“De landbouw heeft geen dataprobleem – het heeft een intelligentieprobleem”, merkt Ron Baruchi, CEO van Agmatixeen bedrijf dat domeinspecifieke AI bouwt voor de sector. “De gegevens bestaan. Wat ontbreekt is een infrastructuur die begrijpt wat het betekent.”
Volgens een McKinsey rapportHet implementeren van data-integratie en connectiviteit in de landbouw zou 500 miljard dollar aan waarde kunnen toevoegen aan het mondiale bbp – een verbetering van 7 tot 9% ten opzichte van de huidige projecties. Maar het vastleggen van die waarde vereist het oplossen van een probleem waar AI-platforms voor algemene doeleinden consequent mee hebben geworsteld.
WAAROM HORIZONTALE AI IN BOERDERIJEN BLIJFT MALEN
De aantrekkingskracht van het toepassen van grote taalmodellen op de landbouw ligt voor de hand: een boer zou kunnen beschrijven wat er in zijn veld gebeurt en direct advies krijgen over wat hij eraan kan doen, zonder inhuren een consultant of moeten wachten op een laboratorium. Maar de complexiteit van de landbouw breekt deze aanpak.
Terwijl een LLM getraind op internet weet misschien dat stikstof planten helpt groeien, het kan je niet vertellen dat de juiste hoeveelheid verandert afhankelijk van het groeistadium, de grond en wat er het voorgaande jaar op hetzelfde veld is geplant. Op dezelfde manier kan computervisie gewasstress identificeren, maar zonder contextuele kennis van weer, bodem en producttoepassingen betekent dat inzicht niet veel.
U kunt ChatGPT vragen over stikstofbemesting en een antwoord krijgen dat gezaghebbend klinkt. Maar als je je verdiept in de details – timing voor je bodemtype, interacties met je vorige gewas en productselectie op basis van lokale beschikbaarheid – vallen de aanbevelingen uiteen.
Hetzelfde CAST-rapport versterkt dit punt en merkt op dat veel boeren AI wantrouwen vanwege het ‘black box’-karakter ervan: modellen die voorspellingen doen zonder dat er een duidelijke verklaring achter zit. In de landbouw betekent een nauwkeurigheid van 90% op het gebied van een fungicidenaanbeveling dat u 10% van de tijd tegen een teler zegt dat hij het verkeerde product op het verkeerde moment moet spuiten.
INTELLIGENTIE OPBOUWEN VANAF DE GROND
Dit is waar een groeiend aantal bedrijven een andere aanpak hanteert: het bouwen van AI-systemen die specifiek zijn ontworpen voor de landbouw, in plaats van het achteraf inbouwen van instrumenten voor algemeen gebruik. In India gevestigd bijvoorbeeld Cropinondersteund door Google, heeft zijn eigen gewaskennisgrafiek samengesteld die 500 gewassen in 103 landen omvat en heeft onlangs een landbouwspecifiek microtaalmodel ontwikkeld. De Israëlisch-Amerikaanse startup Agmatix heeft zijn eigen landbouwintelligentiesysteem vanaf de basis opgebouwd – een aanpak die in concept weerspiegelt wat Palantir deed voor defensie- en inlichtingengegevens.
De kern van dat systeem is wat Agmatix ‘vooraf getrainde ontologieën’ noemt: raamwerken die landbouwrelaties coderen voordat klantgegevens het systeem binnenkomen. De AI-engine van Agmatix maakt gebruik van een neuro-symbolische architectuur, waarbij gestructureerde kennisgrafieken worden gecombineerd met machinaal leren. Landbouwrelaties – hoe specifieke meststoffen omgaan met specifieke bodems in specifieke groeifasen – worden gecodeerd door agronomen, gevalideerd door veldproeven en voortdurend verfijnd.
Wat dat in wezen betekent, is dat de AI niet helemaal opnieuw begint. Voordat het de gegevens van een boerderij raakt, hebben agronomen al geleerd hoe de landbouw werkt: welke meststoffen welke bodem beïnvloeden, hoe de behoeften van een gewas veranderen naarmate het groeit, en waarom wat vorig seizoen is geplant van belang is voor wat er daarna wordt geplant.
Volgens het bedrijf heeft het systeem meer dan 1,5 miljard datapunten uit veldproeven gestructureerd, waardoor wat datawetenschappers ‘semantische interoperabiliteit’ noemen ontstaat: het vermogen om te vertalen tussen verschillende databronnen omdat het systeem begrijpt wat de data betekenen, en niet alleen wat het zegt.
Maar het bouwen van betere technologie garandeert geen adoptie. McKinsey-partner Vasanth Ganesan merkte dit op in het rapport van het bedrijf 2024 Global Farmer Insights-enquête dat boeren “een duidelijkere ROI, lagere implementatie- en onderhoudskosten en eenvoudiger te installeren technologieën eisen” – klachten die zijn veroorzaakt door jarenlange landbouwtechnologie-instrumenten die te veel beloofden en te weinig leverden. Een aparte McKinsey-analyse ontdekte dat slechte gebruikerservaringen de acceptatie in de hele sector blijven belemmeren.
Baruchi zegt dat boeren goede redenen hebben om voorzichtig te zijn. “Boeren zijn CEO’s die actief zijn in een van de meest onvoorspelbare sectoren ter wereld”, vertelt hij Snel bedrijf. “Ze brengen elk seizoen de balans tussen biologische systemen, financiële risico’s en ecologische volatiliteit. De ROI-vraag is alleen moeilijk te beantwoorden als je platform geen verbinding kan maken tussen wat een teler toepast en wat er feitelijk in het veld gebeurt.”
WAAR HET WERKT
De aanpak is al actief in verschillende implementaties. BASF heeft met Agmatix samengewerkt aan digitale hulpmiddelen voor de detectie van gewasziekten, waaronder een onlangs aangekondigd project gericht op sojacysteaaltjes. Het bedrijf zegt dat telers die het voorspellingsplatform gebruiken de kosten van fungiciden met 15 tot 20% hebben verlaagd, terwijl de ziektebestrijding behouden bleef. De motor ervan drijft ook voorspellende ziekterisicomodellen aan in grootschalige rijteeltsystemen in de Verenigde Staten.
Een nationaal ministerie van Landbouw gebruikt het systeem om de beleidseffecten te modelleren voordat het wordt geïmplementeerd. Op het gebied van duurzaamheid werkt het RegenIQ-platform van Agmatix samen met grote voedingsmiddelen- en drankenbedrijven om te beoordelen welke regeneratieve praktijken meetbare resultaten opleveren in specifieke veldomstandigheden. Zo worden bijvoorbeeld de 150 koffieteeltlocaties in Brazilië in zes verschillende klimaatclusters ingedeeld, die elk een andere aanpak vereisen.
Cropin werkte ondertussen in maart 2025 samen met Walmart om de inkoop van verse producten op de Amerikaanse en Zuid-Amerikaanse markten te optimaliseren met behulp van AI-gestuurde opbrengstvoorspellingen en monitoring van de gewasgezondheid.
HET HARDE DEEL BLIJFT
Agmatix vertegenwoordigt een bredere verschuiving van horizontale AI-platforms naar domeinspecifieke oplossingen. Maar het is niet het enige bedrijf dat erop rekent dat de landbouw zijn eigen AI nodig heeft. De overname door John Deere van het luchtanalysebedrijf Sentera in mei 2025 suggereert dat de grootste spelers in de sector tot dezelfde conclusie zijn gekomen. De AI in de landbouwmarkt Volgens Mordor Intelligence zal de groei naar verwachting groeien van 2,55 miljard dollar in 2025 naar ruim 7 miljard dollar in 2030. Maar de adoptie blijft ongelijk: 81% van de grote landbouwbedrijven toont bereidheid om AI te adopteren, terwijl slechts 36% van de kleinere bedrijven van plan is hetzelfde te doen.
Adoptie van agrarische AI is in alle opzichten nog steeds traag, en het is niet moeilijk te begrijpen waarom. Het rapport van CAST inventariseert de belangrijkste obstakels waarmee de landbouw vandaag de dag nog steeds wordt geconfronteerd: hoge kosten, beperkte breedband op het platteland, onvoldoende training en onopgeloste vragen over data-eigendom. Deze uitdagingen worden steeds groter in een sector die voorheen geplaagd werd door overhypede technologiebeloften.
Maar de rugwind is reëel. Grote voedselbedrijven hebben toezeggingen gedaan om toeleveringsketens koolstofvrij te maken die onmogelijk kunnen worden nagekomen zonder gegevens op veldniveau. De volatiliteit van het klimaat maakt voorspellende instrumenten waardevoller. En een daling van de Amerikaanse overheidsuitgaven voor onderzoek en ontwikkeling in de landbouw – een daling met grofweg een derde ten opzichte van de piek in 2002 USDA-gegevens – creëert een vacuüm dat platforms uit de particuliere sector kunnen opvullen.
De vraag is niet of de landbouw een betere data-infrastructuur nodig heeft. Het gaat erom of de bedrijven die het bouwen de tijdslijnen voor de adoptie van patiënten in de landbouw lang genoeg kunnen overleven om een kritische massa te bereiken, en of de voordelen verder zullen reiken dan de grootste boerderijen die het zich al kunnen veroorloven om te investeren. Voor een industrie die verantwoordelijk is voor het voeden van 8 miljard mensen, is het vinden van dat evenwicht enorm belangrijk.
