Cosun-akkoord: zo maak je verduurzaming meetbaar met AI

Op 18-12-2025 werd een opvallend signaal afgegeven vanuit Den Haag: er liggen bindende maatwerkafspraken tussen het demissionaire kabinet en Royal Cosun over verduurzaming van meerdere fabrieken. De kern is concreet en lekker Nederlands: minder gas, meer elektrificatie, groen gas waar het kan, en beter sturen op emissies. Met een totale investering van €256 miljoen (inclusief maximaal €73 miljoen overheidsbijdrage) mikt Cosun in fase 1 op 167 kiloton CO₂-reductie.

Maar hier zit een tweede verhaal achter. Niet het persbericht-verhaal, maar het uitvoeringsverhaal. Want wie in 2025 met energie, netcongestie, vergunningen en CO₂-rapportages te maken heeft, weet: ambitie is het makkelijke deel. De echte vraag is hoe je dit soort afspraken in de praktijk betrouwbaar haalt—zonder dat het project verzandt in spreadsheets, aannames en late bijsturing.

Daar komt de rode draad van onze serie AI in Energie en Duurzaamheid binnen: AI maakt verduurzaming bestuurbaar. Niet als buzzword, maar als gereedschap om energieverbruik te voorspellen, processen te optimaliseren en doelstellingen te bewaken—juist in agrofood, waar marges dun zijn en het productieproces weinig stilstand duldt.

Wat staat er in de maatwerkafspraak met Cosun (en waarom dat telt)

De deal is relevant omdat hij laat zien dat verduurzaming in de agrofood-industrie verschuift van “goede intenties” naar juridisch en financieel afgebakende uitvoering.

Cosun verlaagt zijn uitstoot in fases. Fase 1 richt zich op fabrieken in Vierverlaten, Steenderen en Venray met als speerpunt: overstap van gas naar elektriciteit. In Venray wordt daarnaast geïnvesteerd in gecertificeerd groen gas. Naast CO₂ dalen ook ammoniak en NOx.

De bottleneck is niet de techniek, maar de randvoorwaarden

Elektrificatie is technisch vaak haalbaar. De bottleneck zit meestal in:

• Netcapaciteit en netaansluitingen (netcongestie blijft in veel regio’s een rem)
• Vergunningstrajecten en stikstof-/emissieafwegingen
• Beschikbaarheid en prijs van elektriciteit en groen gas
• Processtabiliteit: productkwaliteit mag niet schommelen door andere warmtebronnen

In de afspraken staat daarom expliciet dat de overheid niet alleen geld bijlegt, maar ook ondersteunt bij praktische zaken zoals vergunningen en netwerkaansluitingen. Dat is een belangrijk detail: het erkent dat de energietransitie in de industrie in 2025 net zo goed een logistieke en bestuurlijke puzzel is als een technische.

Waarom dit akkoord een mijlpaal is voor agrofood (ook buiten Cosun)

Dit akkoord is groter dan Cosun alleen, omdat het aantoont dat maatwerkafspraken nu ook expliciet openstaan voor “kleinere uitstoters”. Cosun is (na Nobian) het tweede bedrijf met een definitieve deal.

Van ‘top 20 uitstoters’ naar ketenbreed verduurzamen

Aanvankelijk mikte beleid vooral op de allergrootste industriële uitstoters. Logisch, want daar pak je snel volume. Alleen: agrofood is vaak geen staalfabriek. Het is een netwerk van verwerkers, coöperaties, logistiek en boerenbedrijven. De som van al die “middelgrote” installaties bepaalt óók of Nederland zijn klimaat- en stikstofdoelen haalt.

De impact van dit soort deals zit daarom op twee niveaus:

1. Direct: meetbare CO₂-reductie (167 kt in fase 1).
2. Indirect: een blauwdruk voor hoe andere voedselverwerkers hun businesscase rond krijgen—met subsidie, randvoorwaarden en harde KPI’s.

En daar wringt het meteen: KPI’s zijn pas bruikbaar als je ze continu en betrouwbaar kunt meten. Dat is precies waar AI en datagedreven monitoring waarde toevoegen.

AI als ‘uitvoeringsmotor’ onder verduurzaming: 5 toepassingen die echt werken

AI helpt vooral waar de complexiteit hoog is: veel sensordata, wisselende energietarieven, meerdere locaties, en processen die elkaar beïnvloeden. Bij een elektrificatieproject in de industrie is dat de dagelijkse realiteit.

Hier zijn vijf AI-toepassingen die ik in de praktijk het vaakst zie slagen—en die direct aansluiten op de keuzes in het Cosun-akkoord.

1) Energieverbruik voorspellen per lijn, shift en productmix

De beste energiebesparing begint met een simpele waarheid: je kunt niet sturen op wat je niet kunt voorspellen.

Met machine learning kun je het energieverbruik modelleren op basis van:

• productmix (bijv. type grondstof, drogestofgehalte)
• buitentemperatuur en luchtvochtigheid
• bezettingsgraad en draaitijd
• CIP-/reinigingscycli
• storingen en opstartmomenten

Het resultaat is een forecast die niet alleen “kWh per dag” zegt, maar ook: waar en waardoor pieken ontstaan. Dit helpt bij het plannen van productie op momenten met lagere CO₂-intensiteit van stroom (of lagere prijs), én bij het dimensioneren van elektrische assets.

2) Slim sturen op elektrificatie in een congestienet

Elektrificatie is geweldig—totdat de netbeheerder “nee” zegt. AI kan helpen om binnen contract- en netgrenzen toch maximaal te draaien, via:

• peak shaving (pieken afvlakken)
• load shifting (verbruik verplaatsen)
• aansturing van buffers (thermisch of elektrisch)
• optimalisatie van setpoints (zonder kwaliteitsverlies)

Praktisch betekent dit: je bouwt een systeem dat iedere 5–15 minuten een keuze maakt: wat kan nú elektrisch, wat later, wat moet via groen gas of bufferwarmte? Dat is geen luxe, dat is vaak het verschil tussen “plan gehaald” en “plan vertraagd”.

3) Emissies (CO₂, NOx, ammoniak) continu monitoren in plaats van achteraf verklaren

In veel organisaties is emissierapportage nog een maandelijkse of kwartaalmatige exercitie. Dat is te laat.

Met AI-ondersteunde monitoring kun je near-real-time:

• CO₂-emissie koppelen aan energiebronnen (stroommix, gas, groen gas)
• NOx en ammoniak correleren met procescondities
• afwijkingen signaleren (lekken, fout afgestelde branders, suboptimale processtappen)

Het verschil is bestuurbaarheid: je corrigeert in dagen, niet in maanden. En bij bindende afspraken is dat geen detail maar risicobeheersing.

4) Predictive maintenance op elektrische assets en warmtepompen (MVR)

In fase 2 worden o.a. MVR-warmtepompen genoemd. Warmtepompen en elektrische ketels hebben hun eigen failure modes: trillingen, vervuiling, lagers, rendement dat langzaam wegloopt.

Met predictive maintenance op basis van sensordata (temperaturen, druk, trillingen, COP/rendement):

• voorkom je ongeplande stilstand
• behoud je rendement (en dus CO₂-voordeel)
• verleng je levensduur van installaties

Belangrijk: onderhoud gaat dan van “kalender” naar “conditie”. Dat past veel beter bij fabrieken die 24/7 draaien.

5) Water- en energiebesparing combineren (één dashboard, één waarheid)

In de tweede fase wordt ook een waterbesparingsproject in Steenderen genoemd. Water en energie zijn in voedselverwerking bijna altijd gekoppeld (stoom, reiniging, koeling, warmteterugwinning).

AI kan hier helpen met:

• het vinden van verborgen correlaties (bijv. extra spoelwater → extra warmteverlies)
• optimalisatie van reinigingsregimes (CIP) op vervuilingsgraad i.p.v. vaste tijd
• detectie van lekkages en onverklaarbare baseloads

Een goed model levert vaak niet één besparing op, maar twee tegelijk: minder water én minder energie.

Wat bedrijven vaak verkeerd doen bij dit soort verduurzamingsafspraken

De meeste bedrijven falen niet op intentie, maar op uitvoering. Dit zijn de drie klassieke missers:

1) Te laat beginnen met datakwaliteit

AI is zo goed als de meetdata. Als meters niet goed gekalibreerd zijn, tags ontbreken of definities per locatie verschillen, krijg je discussies in plaats van sturing.

Regel: eerst meetplan en datadefinities, daarna pas modellen.

2) AI los zien van operations

Een model dat “advies” geeft maar niet landt in de dagelijkse aansturing (SCADA/MES/EMS) blijft een rapportje. Succesvolle teams koppelen AI aan:

• shift-overdracht
• dagstart
• onderhoudsplanning
• inkoop/energiecontracten

3) Alleen sturen op CO₂ en niet op productie-KPI’s

De fabriek wordt afgerekend op tonnen product, kwaliteit en leverbetrouwbaarheid. Een AI-aanpak werkt pas als hij laat zien: CO₂ omlaag zonder throughput omlaag. Of, als er wél trade-offs zijn: maak ze expliciet en kwantitatief.

Praktische routekaart: zo start je in 90 dagen met AI-gestuurde verduurzaming

Wie in agrofood verduurzaming wil versnellen, hoeft niet te wachten op “fase 2”. Dit is een aanpak die binnen drie maanden tractie geeft.

1. Week 1–2: kies 1 locatie + 1 doel
   • Voorbeeld: “elektrificatie van proceswarmte” of “peakreductie van 10%”.
2. Week 2–4: maak een meet- en datakaart
   • Welke meters zijn er? Welke ontbreken? Wat is de datakwaliteit?
3. Week 4–8: bouw een baseline + forecast
   • Eerst inzicht, dan optimalisatie.
4. Week 8–12: pilot met operator-feedback
   • Integreer in dagstart, test scenario’s, maak het simpel.
5. Na 90 dagen: schaal naar andere lijnen/locaties
   • Met dezelfde definities en governance.

Deze routekaart voorkomt dat AI een “IT-project” wordt. Het blijft een operations-project met data als gereedschap.

Wat dit betekent voor de landbouw- en voedselketen in 2026

De uitspraak van Cosun-CEO Hans Meeuwis—over een sterk verdienmodel, een relevant plantaardig portfolio en een toekomstbestendige keten—raakt de kern. Verduurzaming in agrofood is geen bijlage meer. Het is een concurrentievoorwaarde.

De stap van gas naar elektriciteit en groen gas schuift bovendien het zwaartepunt naar een nieuwe realiteit:

• elektriciteit wordt een primaire productiefactor
• netcapaciteit wordt een strategische beperking
• meetbaarheid (auditable data) wordt onderdeel van je license to operate

AI past precies in dat plaatje: als voorspelmachine, optimalisator en monitor.

Verduurzaming zonder datasturing is plannen maken. Verduurzaming mét AI is plannen uitvoeren.

Als jouw organisatie in 2026 bindende doelen krijgt—via subsidie, ketenafspraken of eigen ESG/KPI’s—dan wil je vóór die tijd één ding op orde hebben: een betrouwbaar stuurhuis voor energie en emissies.

Wil je sparren over welke AI-use-case bij jouw fabriek, coöperatie of keten het snelst waarde levert? Begin dan bij je grootste energie- of emissieknelpunt, niet bij de breedste datastrategie. Welke keuze maak jij als eerste?