AI in pootgoed: 5 lessen uit Agrico’s groeijaar

€537 miljoen omzet in één boekjaar. Dat is wat pootgoedcoöperatie Agrico in 2024-’25 neerzet—voor het eerst boven een half miljard. Op papier lijkt het simpel: hogere prijzen, veel pootgoed in de juiste maat, sterke vraag uit export en industrie. Maar als je even doorrekent, zie je vooral iets anders: wie zijn teelt, kwaliteit en ketenplanning strak op orde heeft, wordt in een volatiele markt beloond.

En precies daar raakt dit verhaal de kern van onze serie “AI in Landbouw en Voedselproductie”. Want de realiteit in 2025 is dat extreme groeiseizoenen, ziektedruk (phytophthora) en geopolitieke betalingsrisico’s niet “incidenteel” zijn. Ze zijn onderdeel van je bedrijfsvoering. AI helpt je niet met een hogere aardappelprijs, maar wel met betere beslissingen vóórdat de markt en het weer je dwingen.

Wat Agrico’s recordomzet echt zegt over datagedreven landbouw

Agrico’s recordjaar komt uit een combinatie van markt en teelt: de uitbetaalprijs voor pootgoed ging naar €59,84 per 100 kg (28 mm opwaarts, incl. bovenmaat), ruim €15 hoger dan het jaar ervoor. Tegelijk zat 93% in de adviesmaat—een detail dat enorm doorwerkt in waarde.

Dit is de les: waarde ontstaat niet alleen bij tonnen per hectare, maar bij de juiste tonnen per hectare. In pootgoed draait het om maatverdeling, gezondheid, uniformiteit en leverbetrouwbaarheid. Dat zijn precies de factoren waar AI en precisielandbouw wél concreet grip op geven.

Ik ben daar vrij stellig in: bedrijven die alleen sturen op gemiddelde opbrengst, lopen in pootgoed achter de feiten aan. Je hebt een model nodig dat kwaliteit, sortering, risico en afzet meeneemt.

Waar AI in pootaardappelen het verschil maakt

AI-toepassingen in pootgoedteelt zijn in 2025 opvallend praktisch geworden. Denk aan:

• Opbrengst- en maatvoorspelling op perceelsniveau (niet alleen “veel of weinig”, maar: verwachte sortering)
• Ziekterisico-modellen voor phytophthora en alternaria, gekoppeld aan lokale weerdata
• Detectie van stress en opkomstproblemen via drone- en satellietbeelden
• Partij- en kwaliteitsvoorspelling richting bewaring en levering (koppeling met sensoren)

Het effect: je kunt eerder bijsturen—rassenkeuze, pootgoedklasse, loofvernietigingstiming, irrigatie, en zelfs contract- of afzetkeuzes.

Van “extreem groeiseizoen” naar voorspelbare teelt: zo helpt AI

Agrico benoemt extreme omstandigheden en relatief geringe hectare-opbrengsten. Dat is herkenbaar: meer piekbuien, langere droge periodes, grillige temperatuurcurves. De fout die veel bedrijven maken: ze reageren pas als het zichtbaar misgaat.

AI werkt beter als je het gebruikt voor scenario’s, niet voor achteraf-rapportages. Met andere woorden: niet alleen een dashboard, maar een systeem dat je opties doorrekent.

Praktisch scenario: sturen op maatverhouding

Stel: jouw doel is maximaal aandeel in de adviesmaat (zoals die 93% bij Agrico). Dan wil je weten welke knoppen het meest tellen:

1. Ras + pootgoedmaat: AI-modellen kunnen historische data koppelen aan rasprestaties per grondsoort.
2. Plantdatum en opkomstuniformiteit: variatie in opkomst = variatie in knolzetting = scheve sortering.
3. Watergift en stikstofstrategie: te laat water geven kan “groei inhalen” en de sortering verschuiven.
4. Loofmanagement: timing bepaalt knolgrootteverdeling.

Een goed AI-model maakt dit concreet: “Als je loofvernietiging 7 dagen vervroegt, verschuift je sortering X% richting adviesmaat, maar daalt tonnage Y%.” Dat is sturen.

Data die je nodig hebt (en die je vaak al hebt)

Voor pootgoedbedrijven is de instapdrempel lager dan men denkt. Je kunt al beginnen met:

• Perceelregistraties (bewerkingen, middelen, timing)
• Weerdata per locatie
• Opbrengst- en sorteerresultaten per partij
• Bodemkaarten, EC-scans, grondanalyses
• Bewaarsensordata (temperatuur, RV, CO₂)

De winst zit niet in “meer data”, maar in data die netjes gekoppeld is. AI zonder datakoppeling is vooral dure ruis.

Ketenoptimalisatie: waarom “groei in het buitenland” om AI vraagt

Agrico zet sterker in op groei buiten Nederland: richting 1.000 hectare pootgoed in Duitsland en Denemarken, en ook ambities in Frankrijk. Daarnaast groei met lokale partners van Kenia tot China en Australië. Dat is strategisch logisch, maar operationeel lastig.

Hoe verder je teelt- en afzetketen uit elkaar liggen, hoe waardevoller voorspelbaarheid wordt. AI is hier niet ‘nice to have’, maar de manier om:

• volumes en sortering vroegtijdig te ramen,
• logistiek te plannen,
• contractrisico’s te beperken,
• kwaliteit consistent te houden over regio’s.

AI in supply chain planning (voor pootgoed specifiek)

Pootgoed is geen bulkcommodity. Je plant niet alleen transport; je plant kwaliteit in de tijd. Een paar concrete toepassingen:

• Demand forecasting: afnemers (export/industrie) vragen andere rassen en klassen per seizoen.
• Partijmatching: AI kan partijen matchen aan klantvereisten op basis van verwachte parameters.
• Transport- en opslagoptimalisatie: minder omrijden, minder kwaliteitsverlies.
• Risico-alerts: als een regio achterloopt in groei of verhoogde ziektedruk heeft, gaat er vroeg een signaal naar planning en verkoop.

Wat ik vaak zie: bedrijven hebben wel goede teeltmensen én goede commerciële mensen, maar de brug ontbreekt. AI kan die brug zijn—mits je processen het toelaten.

Bio-aardappelen en phytophthora: AI als risicomanager

Bij BioSelect was er hoge phytophthora-druk. De omzet van biologische consumptieaardappelen kwam op €15 miljoen. Opbrengsten waren gemiddeld 18 ton/ha (biopootgoed) en 19 ton/ha (consumptie), met grote verschillen. Prijzen waren hoog (biopootgoed €95,20 per 100 kg, consumptie €77,50 per 100 kg), maar dat compenseerde de lagere opbrengst niet.

Dit is precies waarom ik AI in bio-teelt zo relevant vind: bio is kwetsbaarder voor ziekteschokken en heeft minder curatieve opties. Dan moet je preventie en timing perfect doen.

Wat AI in phytophthora-aanpak wel en niet doet

Wat het wél doet:

• Per perceel een infectierisico berekenen op basis van microklimaat (bladnat, temp, wind)
• Spuitmomenten (bio-middelen) strakker timen binnen je wettelijke en praktische kaders
• Vroege signalen geven via beeldherkenning (plekjes, stresspatronen)

Wat het niet doet:

• Een slecht rotatieschema wegtoveren
• Structurele perceelsproblemen oplossen zonder agronomische keuzes

De combinatie die werkt: teeltplan + risicomodel + consequente uitvoering. AI ondersteunt, maar discipline maakt de euro’s.

Financieel succes is óók risicobeheer: de Cuba-les

Agrico moest een voorziening treffen van €2,8 miljoen op leveringen aan Cuba vanwege betalingsonzekerheid. Dit stuk uit het jaarverslag is bijna een voetnoot, maar het is een harde realiteit: agribusiness draait niet alleen om teelt, maar om kredietrisico, geopolitiek en contractzekerheid.

AI kan hier verrassend nuttig zijn. Niet met een glazen bol, wel met betere signalen:

• Credit scoring op afnemers op basis van betaalgedrag en externe indicatoren
• Scenario’s voor blootstelling: “Wat gebeurt er met cashflow als regio X 90 dagen later betaalt?”
• Portefeuilleplanning: spreiding over landen/afnemers/rassen

Wie groeit in export, moet dit volwassen regelen. Anders verdampt je marge precies in de jaren dat je dacht te oogsten.

De investering in R&D: waarom €15 miljoen logisch is (en hoe AI past)

Agrico startte met de bouw van een nieuw researchcentrum: €15 miljoen investering, de grootste ooit voor het bedrijf. Dat is geen prestigeproject. Het is een antwoord op drie krachten:

1. Snellere veredeling en selectie (weer, ziektedruk, marktvraag)
2. Datagedreven kwaliteit (uniformiteit, houdbaarheid, robuustheid)
3. Opschaling naar meerdere landen met consistente standaarden

AI past hier naadloos in: van beeldanalyse in veldproeven tot het modelleren van genotype–fenotype-relaties en het voorspellen van prestaties per omgeving.

Als je in 2025 schaalbaar wilt zijn, investeer je niet alleen in hectares. Je investeert in het vermogen om elk jaar sneller betere keuzes te maken.

5 concrete stappen om dit jaar met AI te starten (zonder luchtfietserij)

Je hoeft niet meteen “alles slim” te maken. Begin bij beslissingen die geld waard zijn.

1. Kies één KPI die echt telt: bij pootgoed is dat vaak adviesmaat-aandeel, uitval, of partij-acceptatie.
2. Maak data koppelbaar: perceel → partij → bewaring → levering. Zonder die keten blijft het giswerk.
3. Start met een risicomodel: phytophthora of opbrengstvoorspelling per perceel. Eén model, strak toegepast.
4. Maak het onderdeel van werkoverleg: AI die niemand gebruikt, is een kostenpost. Plan vaste momenten.
5. Meet effect in euro’s, niet in ‘inzichten’: minder afkeur, betere sortering, minder bewaarverlies, betere planning.

Een simpele waarheid: AI rendeert pas als het je agenda verandert.

Wat nu: van “fantastisch jaar” naar voorspelbare groei

Agrico’s cijfers laten zien hoe waardevol kwaliteit, maatverhouding en marktpositie zijn: €537 miljoen omzet, €495 miljoen uit pootgoed, een recordprijs van €59,84 per 100 kg, en tegelijk de realiteit van bio-teeltrisico en exportbetalingsrisico.

Voor iedereen in akkerbouw en voedselketens is dit de les van december 2025: je kunt volatiliteit niet wegwensen, maar je kunt er wel beter op sturen. En AI is daar één van de meest praktische hulpmiddelen voor—zeker in pootaardappelen, waar “goed genoeg” zelden goed betaald wordt.

Als je dit leest en denkt: “Waar begin ik in mijn bedrijf?”—pak één teeltbeslissing die je elk jaar stress oplevert (sortering, phytophthora, planning, bewaring) en maak die meetbaar. Dan wordt AI geen hype, maar gewoon gereedschap. Welke keuze wil jij vóór het volgende seizoen voorspelbaarder maken?