AI & de toekomst van de agrisector

Precisielandbouw koppelt waarnemingen steeds directer aan de uitvoering. Satellietbeelden, drones en bodemsensoren brengen verschillen in groei, vocht en ziektedruk binnen een perceel in kaart. AI herkent op de beelden waar een gewas achterblijft, waar een schimmel begint of waar onkruid staat. De kunstmeststrooier of de spuit krijgt een taakkaart en doseert per vak. Camera's op de spuitboom herkennen zelfs plant voor plant het onkruid en sturen de spuit alleen daarheen. De volgende stap is een akker die per plant wordt beheerd: elke plant een eigen geschiedenis van groei, ziekte en behandeling, bijgehouden door camera's op elke machine die over het land rijdt.

In een slimme stal draagt elk dier een sensor, of hangen er camera's die de dieren herkennen. Ze meten hoeveel een koe eet, herkauwt en loopt, hoe een varken hoest en hoe kippen zich over de stal verdelen. AI zet die metingen af tegen het normale patroon van het dier. Verandert het loop- of eetpatroon, dan krijgt de veehouder een melding, soms voordat hij zelf iets opmerkt. Dat kan wijzen op kreupelheid, uierontsteking of luchtwegproblemen, maar ook op het juiste moment van inseminatie. Welke aandoeningen vroeg worden herkend, verschilt per systeem. Zo worden ook veranderingen zichtbaar die tussen twee stalrondes ontstaan.

Landbouwrobots combineren beeldherkenning met fysiek werk, steeds vaker ook bij kwetsbare gewassen en vruchten. Op de akker rijden wiedrobots die onkruid herkennen en het mechanisch of met een laserstraal verwijderen, zonder spuiten; laserwieders zijn al te koop. In kassen plukken robots tomaten, en robots voor paprika en komkommer worden in de praktijk beproefd. Beeldherkenning bepaalt welke vrucht rijp is en waar de steel zit. Nu doet zo'n robot meestal één taak in één gewas. De volgende stap zijn robots die verschillende pluktaken kunnen leren, met grijpers die bij het gewas passen: dezelfde machine plukt in juni aardbeien en in september appels.

Genbewerking maakt gerichte aanpassingen in het erfelijk materiaal mogelijk, waarvan de waarde daarna in praktijkproeven blijkt. Zo ontstaan gewassen die beter tegen droogte of een schimmel kunnen, en dieren die niet ziek worden van een bepaald virus. De FDA keurde een genbewerking goed die varkens resistent maakt tegen het PRRS-virus. AI helpt veredelaars voorspellen welke genen een eigenschap bepalen en wat een aanpassing doet. De NGT-verordening gaat bepaalde genbewerkte planten na toetsing behandelen als gewoon veredelde planten; hun zaad krijgt een label. De volgende stap is een ras dat in de computer wordt ontworpen en in een paar jaar op het veld staat, in plaats van de tien tot vijftien jaar die veredeling nu vaak kost.

Lang stuurde een teler temperatuur, luchtvochtigheid, licht, CO₂, water en voeding op ervaring en met een klimaatcomputer. AI combineert nu metingen in de kas, camerabeelden van de planten, de weersverwachting en de energieprijs, en berekent welke instellingen de plant laten groeien volgens de teeltstrategie. Bij een groeiend aantal telers stuurt zo'n systeem het klimaat zelfstandig, binnen grenzen die de teler vastlegt. De teler bepaalt de doelen en kijkt naar het gewas. In internationale wedstrijden haalden AI-teams in een kas al meer oogst met minder energie dan ervaren telers. De volgende stap is een teler die tien kassen op drie continenten tegelijk aanstuurt, met AI als dagelijkse teeltmedewerker.

Fokken met data verbindt DNA-profielen steeds vaker met doorlopende metingen uit de stal. AI zoekt patronen in voeropname, beweging en methaanuitstoot, naast de kenmerken waarop fokkers al selecteren. Daarmee komen eigenschappen in beeld die voorheen moeilijk op grote schaal te meten waren. Welke eigenschappen zwaar wegen, blijft een keuze van fokkers en hun organisaties. De volgende stap is nauwkeuriger fokken op hittetolerantie en herstelvermogen, met gegevens uit duizenden stallen tegelijk. Bij de selectie telt dan steeds zwaarder mee hoe een dier onder veranderende omstandigheden blijft functioneren, nu hittestress met elke warmere zomer meer weegt.

Lang werd de uitstoot van ammoniak, methaan en lachgas berekend met vaste gemiddelden per dier of per hectare, en die laten verschillen tussen bedrijven maar beperkt zien. Sensoren in de stal meten nu continu de concentratie van gassen in de lucht, en modellen berekenen daaruit met de luchtstroom de uitstoot van de stal. AI legt verbanden met wat er op het bedrijf gebeurt: het voer, de mestopslag, de ventilatie, het moment van bemesten. Meten per bedrijf wordt nu op proefbedrijven en in praktijknetwerken beproefd. Een mogelijk vervolg is vergunningverlening en beloning op basis van de uitstoot van het eigen bedrijf, bepaald met metingen en modellen in plaats van vaste gemiddelden.

Hoeveel er van het land komt en wat het opbrengt, weet een teler traditioneel pas laat in het seizoen. AI combineert satellietbeelden van de groei, weergegevens, bodemkaarten en opbrengsten uit eerdere jaren, en voorspelt per perceel hoeveel en welke kwaliteit er geoogst wordt. In de kas tellen camera's de vruchten aan de plant en voorspellen ze de oogst per week. Coöperaties en handelaren voegen er marktgegevens aan toe en schatten zo de prijs, en een teler kan een deel van zijn oogst vooraf verkopen. Straks verkoopt een agent de oogst al tijdens de groei, per partij, met de herkomst en de gemeten kwaliteit erbij, aan de agent van een afnemer aan de andere kant van de wereld.

Een agent is AI die zelf een reeks handelingen uitvoert, in plaats van alleen een vraag te beantwoorden. Overheden en toeleveranciers beproeven nu AI-assistenten die boeren adviseren, vaak via de telefoon en in hun eigen taal. De volgende stap is een agent die ook uitvoert. Hij verbindt gegevens uit stal- en machinesystemen met planning en uitvoering: daalt de melkproductie, dan past hij de voerplanning aan; zakt de voerprijs onder de grens die de boer heeft gezet, dan bestelt hij bij; verschuift de oogstverwachting, dan plant hij de partij opnieuw in bij de verwerker en regelt hij het transport. Daarbij stemt hij af met de agents van afnemers en leveranciers. De boer bepaalt de doelen en de grenzen.

Een tool lost één probleem op. Een visie verandert een hele organisatie. AI-first is een manier van organiseren: AI en nieuwe technologie doen het werk dat mensen niet hoeven te doen, en mensen richten zich op de kern van hun vak. Sensoren meten dag en nacht in stal, kas en veld. AI helpt klimaat en voer bij te sturen, doorzoekt grote hoeveelheden beelden en zet afwijkingen op een korte lijst van wat aandacht vraagt. Een teler of veehouder beoordeelt die lijst, weegt ook gebeurtenissen mee die niet in de data staan en beslist. Per proces, bij het voeren en bij het kasklimaat, de vraag: wat doet AI, en wat blijft bij de boer? Betere sensoren en modellen kunnen steeds meer taken aan die nu nog bij medewerkers liggen.

Als AI en robots meer werk overnemen, ontstaan op en rond de boerderij banen die nu nog nauwelijks bestaan. De vlootbeheerder van een robotzwerm plant tientallen kleine machines over de percelen van verschillende bedrijven, en grijpt in als een robot vastloopt. De teler op afstand stuurt vanuit één plek meerdere kassen, soms op andere continenten. Een koolstof- en natuurmeter brengt in kaart wat een bedrijf vastlegt en herstelt, zodat het daarvoor betaald kan worden. En er komen trainers die een AI-model het oordeel van een ervaren boer leren: hoe een koe eruitziet die net niet lekker is, of wanneer een perceel echt berijdbaar is. De grens tussen boer, monteur en analist vervaagt.

Leiderschap in de agrisector betekent vooruitkijken en de eerste stap zetten. Leiders nemen het initiatief bij AI en nieuwe technologie, ook als nog niet alles vastligt. Ze schetsen een toekomstbeeld dat iedereen op het bedrijf begrijpt, van de medewerker in de stal tot de jonge opvolger, en maken dat met een kleine proef op het eigen bedrijf tastbaar. Zo inspireren ze familie, leden en medewerkers om mee te bouwen aan de landbouw van morgen. AI kan verschillende toekomsten naast elkaar doorrekenen. Welke richting het bedrijf kiest en hoe de mensen daarin meegaan, blijft het werk van leiders.

Opleidingen passen hun programma's aan, maar het werk verandert sneller. Organisaties die daar niet op willen wachten, bouwen een eigen toekomstacademie. Medewerkers die er al jaren werken, leren er werken met AI, data en nieuwe technologie, en nieuwe collega's krijgen er vanaf de start mee wat het vak morgen vraagt. Leiders leren er sturen op een organisatie waarin mensen en AI samenwerken. De lesstof verandert mee met het werk.

Klimaatverandering, schaarste en het tekort aan mensen zijn te groot voor één organisatie. Daarom werken organisaties als ecosysteem: met start-ups die nieuwe technologie brengen, wetenschappers die toetsen wat werkt, partners die gegevens bundelen voor betere voorspellingen en overheden die proefvelden en kennisprogramma's mogelijk maken. Kennis en machines gaan de hele wereld over, en elders zijn anderen soms al verder met een vraag die hier net opkomt. Door met buitenlandse partners te testen, komt een vernieuwing sneller in het eigen werk.