AI in de zuivel: wat leiderschap nu echt oplevert

2025 voelde voor veel boeren en voedselbedrijven als een jaar met de handrem erop. Nederland bleef op het stikstofslot, vergunningen bleven hangen, en politieke energie ging vooral naar onderlinge strijd. Toch gebeurde er iets belangrijks: de regie verschoof zichtbaar richting het bedrijfsleven. Niet uit luxe, maar uit noodzaak.

Dat zie je terug in de FoodAgriTop 50 2025, waar Jan Derck van Karnebeek (FrieslandCampina) de nummer 1-positie pakt. Die plek gaat niet over populariteit. Het gaat over impact. En precies daar zit een les die ik in deze serie “AI in Landbouw en Voedselproductie” vaak herhaal: AI-projecten slagen zelden op techniek; ze slagen op leiderschap, keuzes en ritme.

Waarom Van Karnebeek op 1 staat: sturen op marge én structuur

De kern: hij maakte harde keuzes om weer investeringsruimte te creëren. En dat is de enige manier waarop AI en datagedreven innovatie in de praktijk van de grond komen.

Vrij snel na zijn aantreden als CEO (2023) moest Van Karnebeek ingrijpen: FrieslandCampina draaide in 2023 een negatief resultaat. In 2024 verbeterde dat sterk, en in 2025 kwam er weer ruimte voor investeringen en strategische stappen.

De aanpak was herkenbaar voor iedereen die ooit een groot bedrijf door een lastig jaar moest trekken:

• Top en structuur reorganiseren (governance vóór groeiplannen)
• Kosten omlaag (met name kantoorfuncties: 900 banen in NL, 1.800 wereldwijd)
• Focus op “goed verdienen in de markt” (marge eerst, daarna ambities opschalen)

Dat klinkt misschien minder romantisch dan “duurzaamheid versnellen”, maar het is eerlijk. Zonder gezonde kasstroom is AI een pilot-circus. Met gezonde kasstroom wordt AI een strategisch wapen.

Wat dit betekent voor AI in voedselproductie

AI vraagt drie dingen die alleen met strak leiderschap lukken:

1. Datadiscipline (één waarheid, niet tien Excel-versies)
2. Besluitkracht (stoppen met projecten die niks opleveren)
3. Schaal (van proef naar proces)

Als een coöperatie met tienduizenden boerenleden weer “lucht” heeft, ontstaat er ruimte om te investeren in dataplatformen, kwaliteitsvoorspelling, supply chain-optimalisatie en precisievoering in de keten.

Fusie FrieslandCampina–Milcobel: schaal is geen ego, maar noodzaak

De kern: de fusie met Milcobel is vooral een antwoord op krimp en ketendruk. Minder melk, hogere kosten, strengere eisen en een grillige wereldmarkt vragen om robuustheid.

De fusie (in 2025 door leden geaccordeerd, op het nippertje) is in de bron de belangrijkste “wapenfeit”-reden voor plek 1. En strategisch gezien is het logisch: schaal maakt investeringen in AI en automatisering rendabeler.

Drie concrete AI-kansen die juist door fusies sneller haalbaar worden

1) Vraag- en prijsprognoses per marktsegment
Met grotere volumes en meer afzetkanalen wordt voorspellen belangrijker. AI kan helpen om:

• vraagpieken (bijv. sportvoeding/eiwitingrediënten) eerder te zien
• voorraden te optimaliseren
• marges per kanaal scherper te sturen

2) Kwaliteitsvoorspelling op melkniveau
Met meer fabrieken, leveranciers en recepturen groeit de variatie. AI-modellen kunnen (met de juiste data) voorspellen:

• eiwit/vet-variaties
• risico’s op afwijkingen in verwerking
• batchkwaliteit en houdbaarheid

3) Energie- en procesoptimalisatie in fabrieken
Zuivelverwerking is energie-intensief. AI kan procesparameters continu bijsturen om:

• energieverbruik per ton product te verlagen
• downtime te verminderen
• onderhoud voorspellend te plannen

Mijn standpunt: in de zuivel is fabrieks-AI vaak sneller renderend dan “AI op het erf”, simpelweg omdat data en sensoren al beter georganiseerd zijn in industriële omgevingen.

Stikstofslot en regelgeving: waarom AI juist dan versnelt

De kern: als vergunningen en ruimte schaars zijn, wordt efficiëntie een overlevingsstrategie. En efficiëntie is waar AI goed in is.

De bron schetst een politiek jaar vol beloftes, met weinig doorbraken op stikstof en PAS-melders. Tegelijk zie je dat begrippen als doelsturing politiek steeds meer terrein winnen (onder andere via LTO en andere sectorpartijen).

Doelsturing is een dataprobleem (dus ook een AI-kans)

Doelsturing betekent in de praktijk: niet sturen op middelvoorschriften, maar op meetbare uitkomsten. Bijvoorbeeld:

• emissies per bedrijf/ketenonderdeel
• mineralenbenutting
• biodiversiteitsindicatoren

Maar dan moet je wel:

• meten op een manier die standhoudt in beleid en controle
• data betrouwbaar en herleidbaar maken
• modellen uitlegbaar maken (geen “black box” bij conflicten)

AI kan hier helpen, maar alleen als je het combineert met meetstrategie, validatie en audittrail. Anders win je er geen vergunning of financiering mee.

Snippetwaardige waarheid: Doelsturing zonder datakwaliteit is gewoon wensdenken met een dashboard.

Wat de FoodAgriTop 50 zegt over innovatie: regie ligt bij ketens

De kern: de lijst laat zien waar slagkracht zit: bij ketenpartijen met geld, data en uitvoering.

In de top zie je sterke posities voor bestuurders uit coöperaties, banken, voerbedrijven en technologie. Ook valt op hoe vaak groei “over de grens” gezocht wordt. Dat is geen patriotisme-discussie; dat is simpelweg waar ruimte is.

Voor deze serie (AI in Landbouw en Voedselproductie, met blik op België) is dat relevant omdat:

• Belgische en Nederlandse ketens steeds meer verweven raken
• schaal en data-uitwisseling grensoverschrijdend worden
• AI-voordelen groter worden naarmate je ketenintegratie beter is

De zuivelketen is hierbij interessant: melkstromen, ingrediënten, logistiek en kwaliteitssystemen zijn al relatief strak georganiseerd. Daarom zie je AI in de zuivel vaak eerder opschalen dan in sectoren met versnipperde data.

“Eiwittransitie” in de praktijk: meer eiwit met minder impact

Van Karnebeek verwoordt het in de bron nuchter: het gaat niet om een simpele switch dierlijk naar plantaardig, maar om meer eiwit met minder impact, terwijl zuivel toegankelijk en betaalbaar blijft.

Daar zit een directe AI-haak:

• optimalisatie van recepturen (minder verspilling, betere nutritionele score)
• ketenplanning om CO₂- en energie-intensieve stappen te verminderen
• kwaliteitsborging zodat “duurzaam” niet leidt tot meer afkeur

Praktisch: zo begin je als zuivel- of ketenbedrijf met AI die wél blijft plakken

De kern: start niet met een model, start met een besluit dat je anders wil nemen. Dit is de aanpak die ik het vaakst zie werken.

1) Kies één probleem met harde euro-impact

Goede starters in zuivel en agro-industrie:

• vermindering van productverlies/afkeur (bijv. 0,3–1,0% verbetering is al groot)
• energie-optimalisatie per productielijn
• voorspellend onderhoud op kritieke assets
• vraagvoorspelling voor high-margin segmenten (ingrediënten, sportvoeding)

2) Organiseer data-eigenaarschap (niet alleen IT)

Zet één verantwoordelijke neer die kan beslissen over:

• definities (wat is “afkeur” precies?)
• datatoegang
• prioriteiten

3) Bouw “uitlegbaar” vanaf dag 1

Zeker met doelsturing en compliance is uitlegbaarheid geen luxe. Leg vast:

• welke variabelen het model gebruikt
• welke data zijn uitgesloten (privacy/contract)
• welke foutmarges acceptabel zijn

4) Maak het onderdeel van het werk, niet van een innovatiehoekje

AI hoort in:

• dagstart (productie)
• weekoverleg (planning)
• maandrapportage (kwaliteit en kosten)

Als het daar niet landt, wordt het een demo.

Wat je als lezer vandaag (21-12-2025) hiermee kunt doen

De laatste weken van het jaar zijn ideaal om scherp te plannen: budgetten, jaarplannen, KPI’s. Mijn advies: koppel je AI-roadmap aan één ketenknelpunt dat in 2026 sowieso pijn gaat doen—melkprijsdruk, energie, personeelskrapte of vergunningen.

De FoodAgriTop 50 2025 laat vooral dit zien: impact komt van mensen die kiezen, doorpakken en structuren bouwen die het volhouden als de markt tegenzit. Dat geldt in de boardroom, maar net zo goed op het boerenerf en in de fabriek.

Wil je AI inzetten in landbouw en voedselproductie, dan is de vraag niet “welke tool?”. De vraag is: welke beslissing wil je voortaan met data nemen, en wie durft daar eigenaar van te zijn?