AI op bijproducten: lagere voerkosten rond kerst

In de week vóór kerst gebeurt er elk jaar iets voorspelbaars in de varkenshouderij: de planning wordt krapper, het transport onregelmatiger en het voer mag niet stilstaan. Precies daarom vallen berichten over ruimere beschikbaarheid van bijproducten extra op. Half december 2025 werd duidelijk dat aardappelverwerkers de productie hebben opgevoerd, waardoor aardappelstoomschillen ineens ruimer beschikbaar zijn en in prijs wat terugzakken.

Dat klinkt als “mooi meegenomen”, maar ik kijk er anders naar. Dit is een datapunt dat je kunt benutten. Want wie brij voert met bijproducten weet: de echte winst zit niet in één goedkope vracht, maar in structureel slimmer inkopen, plannen en bijsturen. En daar komt AI in beeld.

De kern: bijproducten zijn waardevol, maar grillig—qua aanbod, drogestof, logistiek en prijs. In dit artikel laat ik zien hoe je met AI en data-analyse die grilligheid omzet in een concreet voordeel: lagere voerkosten, minder gedoe rond feestdagen, en stabielere prestaties in de stal.

Waarom stoomschillen rond de feestdagen strategisch zijn

Stoomschillen zijn geen “restje”; ze zijn een ankergrondstof in veel brijrantsoenen. Ze brengen energie, volume en vaak een gunstige prijs per kVEM (of per kg drogestof) vergeleken met sommige mengvoercomponenten.

Rond kerst en oudjaar spelen drie dingen tegelijk:

1. Productie- en transportcapaciteit daalt (minder diensten, aangepaste openingstijden, chauffeursplanning).
2. Vraag blijft doorlopen (varkens eten elke dag, brijinstallatie ook).
3. Voorraad- en houdbaarheidsrisico wordt groter (temperatuur, verblijftijd, schommelingen in DS).

Het nieuws dat aardappelverwerkers “het gaspedaal dieper intrappen” is daarom relevant: ruimer aanbod maakt de kerstdip in bevoorrading makkelijker te overbruggen. Maar alleen als je het ook goed organiseert.

Het misverstand: “goedkoop beschikbaar” = “automatisch voordeel”

Veel bedrijven zien een prijsdaling en zetten meteen extra volume vast. Soms pakt dat goed uit. Soms niet.

Wat er misgaat:

• DS of voedingswaarde varieert, waardoor je rantsoen stiekem verschuift.
• Opslag/voersnelheid is niet afgestemd op extra aanvoer.
• Logistiek loopt vast in een korte week.

Goedkoop inkopen is pas winst als je het ook zonder prestatieverlies kunt voeren.

De echte uitdaging: bijproducten zijn variabel (en dat kost geld)

Bijproducten zijn per definitie afhankelijk van de voedselverwerkende industrie. Aardappelverwerkers, brouwerijen, bakkerijen en suikerindustrie hebben hun eigen pieken en dalen. De varkenshouder heeft daar weinig controle over, maar wel over de manier waarop hij erop anticipeert.

Variatie zie je op vier niveaus:

• Beschikbaarheid: aanbod kan weken krap zijn en dan ineens ruim.
• Prijs: stijgt bij krapte, daalt bij ruim aanbod of acties (zoals kerstkorting).
• Samenstelling: drogestof, zetmeel, vezel, zout, vet—het kan per batch verschillen.
• Logistiek: leverfrequentie, venstertijden, transportafstand, wachttijden.

Elke variatie heeft een financiële kant. Bijvoorbeeld:

“Een rantsoen dat op papier klopt, kan in de praktijk 1–2% slechter groeien als DS en energie onopgemerkt schuiven. Dat lijkt klein, maar op jaarniveau tikt het hard door.”

AI is hier niet ‘leuk’, maar praktisch: het helpt je variatie sneller zien en beter vertalen naar beslissingen.

Waar AI in de praktijk het verschil maakt (zonder gedoe)

AI-toepassingen in de varkenshouderij werken het beste als ze aansluiten op bestaande routines: voerbonnen, labuitslagen, brijcomputerdata, silo- en tankniveaus, leverbetrouwbaarheid.

Hier zijn vijf toepassingen die in België en Nederland steeds realistischer worden—ook voor middelgrote bedrijven.

1) AI-gestuurde inkoop: voorspellen wanneer “ruim” weer “krap” wordt

Het meest directe voordeel: beter inkopen op het juiste moment.

Een simpel AI-model kan historische gegevens combineren zoals:

• leverprijzen per bijproduct (per week/maand)
• productie-indicatoren uit de keten (bijv. seizoenspatronen in aardappelverwerking)
• leverbetrouwbaarheid per leverancier
• eigen verbruik en voorraadcapaciteit

Uitkomst: een koopadvies (“nu vastleggen voor 3 weken” of “wacht nog 7–10 dagen”).

Niet perfect, wél beter dan onderbuik. Zeker in december, als één gemiste levering direct stress geeft.

2) Rantsoenoptimalisatie met variabele drogestof

In brijvoer zit de winst vaak in details: DS-stabiliteit = voercontrole.

AI kan brijdata (flowmeters, mengtijden, opnamepatronen) koppelen aan:

• DS-metingen (handmeter of NIR, indien beschikbaar)
• batchinformatie en labuitslagen

Daarmee kun je:

• automatisch bijsturen in dosering (kg product → kg DS)
• sneller detecteren dat een batch “natter” is dan normaal
• prestatie-afwijkingen eerder signaleren

Praktisch voorbeeld: als stoomschillen ineens 2 procentpunt lager in DS zitten, kan je systeem voorstellen om de hoeveelheid (of aanvullende component) aan te passen om dezelfde energie te voeren.

3) Logistiek rond feestdagen: leverrisico’s kwantificeren

Dit is een ondergewaardeerde toepassing. Rond kerst is het niet alleen de prijs; het is het risico op niet-leveren.

AI kan leveranciers en routes scoren op:

• historische punctualiteit
• variatie in levertijden
• kans op afzegging bij korte weken

En daar rolt iets simpels uit:

• minimale veiligheidsvoorraad (in dagen)
• beste leverdag/venster
• alternatief bijproduct dat qua prijs/energie het dichtst in de buurt komt

Dat scheelt vooral “brandjes blussen” tussen 24 en 31 december.

4) Van afval naar waarde: ketens slimmer koppelen

In onze serie AI in Landbouw en Voedselproductie komt één thema steeds terug: de keten is net zo belangrijk als het erf.

Bijproducten zijn een perfect voorbeeld van circulaire economie:

• de voedingsindustrie verlaagt afvalkosten
• de veehouderij krijgt betaalbare nutriënten
• de regio houdt meer waarde lokaal

AI kan matching verbeteren tussen aanbod en vraag:

• realtime beschikbaarheid (volume, kwaliteit, locatie)
• dynamische prijsstelling op basis van transportafstand
• bundeling van vrachten om lege kilometers te beperken

De winst is dubbel: lagere voerkosten én minder CO₂ per ton product, puur door betere planning.

5) Kostenreductie: sturen op “€/kg groei” in plaats van “€/ton bijproduct”

De meest volwassen stap is ook de meest winstgevende.

In plaats van te sturen op “stoomschillen zijn goedkoop”, stuur je op:

• voerkosten per kg groei
• voerconversie (VC)
• uitval en gezondheidsindicatoren

AI kan correlaties blootleggen tussen:

• bijproductmix + DS-variatie
• brijopnamepatronen
• klimaatdata in de stal
• groeiresultaten per afdeling

Dan krijg je een advies dat echt telt: welke bijproductcombinatie levert onder jouw omstandigheden de laagste kostprijs per kg groei?

Zo begin je: een praktisch stappenplan in 30 dagen

Je hebt geen futuristische stal nodig om hier profijt van te hebben. Je hebt vooral data-discipline nodig.

Week 1: inventarisatie (klein beginnen)

• Verzamel 12 maanden aan: voerbonnen, bijproductprijzen, leverdata
• Noteer per product: leverancier, gemiddelde DS (als je die hebt), bewaarbaarheid
• Maak een overzicht van voorraadcapaciteit (tanks, kuub, dagen)

Week 2: standaardiseer je registraties

• Eén naam per bijproduct (geen vijf varianten in Excel)
• Vaste eenheid: €/ton product én €/ton DS (als DS bekend is)
• Leg leverbetrouwbaarheid vast: op tijd / te laat / niet geleverd

Week 3: eerste ‘AI-light’ analyse

Zelfs met eenvoudige tooling kun je al veel:

• seizoenspatronen in prijs herkennen
• leveranciers vergelijken op leverzekerheid
• scenario’s maken voor kerstdip (wat als 1 levering uitvalt?)

Week 4: automatiseren waar het pijn doet

Kies één automatisering die direct rust geeft:

• automatische voorraadmelding (onder X dagen)
• DS-correctie in brijrecepten
• alternatief-productlijst met nutritionele equivalenten

Mijn ervaring: bedrijven die dit doen, voelen binnen een maand meer controle. Niet “meer data”, maar minder verrassingen.

Veelgestelde vragen die ik vaak hoor

Werkt AI ook als je weinig data hebt?

Ja, zolang je consequent begint te registreren. Met 3–6 maanden nette data kun je al bruikbare patronen zien. Kwaliteit van data wint van hoeveelheid.

Is dit alleen interessant bij grote bedrijven?

Nee. Juist middelgrote bedrijven met brijvoer voelen de pijn van variatie en logistiek. Een kleine verbetering in planning en DS-sturing kan al snel renderen.

Is het niet riskant om meer bijproducten te voeren?

Het risico zit niet in bijproducten, maar in onzichtbare variatie. Meet (DS/kwaliteit), registreer, en stuur bij. Dan wordt het juist voorspelbaarder.

Wat deze ‘kerstkorting’ je eigenlijk vertelt

De boodschap achter het nieuws over ruimere stoomschillen is simpel: de markt beweegt sneller dan je weekplanning. Vandaag is het krap en duur, volgende maand is er ineens ruimte en korting.

Wie daar structureel van wil profiteren, moet stoppen met alleen “bijproducten kopen” en beginnen met bijproducten managen als een datagedreven proces. AI helpt je om:

• schommelingen eerder te zien,
• rantsoenen stabiel te houden,
• logistiek rond feestdagen te beheersen,
• en uiteindelijk de voerkosten per kg groei omlaag te krijgen.

Als je de varkenshouderij in 2026 en verder robuust wilt houden, is dit precies het soort optimalisatie dat wél haalbaar is: nuchter, meetbaar en direct gekoppeld aan je kostprijs. Welke bijproductbeslissing neem jij straks op basis van data in plaats van gevoel?