AI en kringlooplandbouw: zo bouw je een gemengd bedrijf

Op 19-12-2025 verscheen een videoportret van opvolger Rik Beuling: in 2018 wilde hij het akkerbouwbedrijf van zijn ouders overnemen, er een gemengd bedrijf van maken, werken volgens kringlooplandbouw en minstens 50 hectare uitbreiden. Dat soort ambitie klinkt herkenbaar voor veel jonge ondernemers in landbouw en voedselproductie. En eerlijk: het is ook precies het soort plan dat vaak stukloopt op details.

Want een gemengd bedrijf met kringlopen is niet alleen “meer diversiteit”. Het is vooral: meer stromen, meer afhankelijkheden, meer keuzes per week. Mest, ruwvoer, stro, gewasrotatie, arbeidspieken, afzet, regelgeving. De goede boodschap: je hoeft het niet allemaal op gevoel te doen. AI in de landbouw wordt juist interessant wanneer je die complexiteit niet wilt wegduwen, maar bestuurbaar wilt maken.

In deze aflevering van onze reeks AI in Landbouw en Voedselproductie vertalen we het idee achter Riks droom naar een praktische routekaart: wat maakt kringlooplandbouw op een gemengd bedrijf haalbaar, waar gaat het vaak mis, en welke AI-toepassingen geven je echt grip—zonder dat je bedrijf verandert in een IT-project.

Waarom een gemengd bedrijf bij kringlooplandbouw past

De kern: een gemengd bedrijf maakt interne kringlopen mogelijk, waardoor je minder afhankelijk wordt van externe input (kunstmest, krachtvoer) en je bodem structureel kunt voeden.

Een akkerbouwer die ook vee heeft (of intensief samenwerkt met een veehouder) kan:

• Nutriënten beter sluiten: mest gaat terug naar het land, gewasresten en bijproducten worden voer of stro.
• Risico spreiden: teelt- en marktfluctuaties vangen elkaar deels op.
• Bodemgezondheid verbeteren: meer organische stof, gevarieerdere rotaties, minder ziektedruk.

Maar hier zit meteen de valkuil: een gemengd bedrijf is geen optelsom van twee takken. Het is één systeem met feedbackloops. Als je de mestplaatsing niet rondkrijgt, verandert je bouwplan. Als je ruwvoerkwaliteit tegenvalt, verschuift je rantsoen én je mestkwaliteit. Dat is precies waar data en AI kunnen helpen.

De harde realiteit: kringloop is management-intensief

Kringlooplandbouw vraagt om strakker sturen dan veel mensen verwachten.

Ik zie in de praktijk (zeker bij schaalvergroting of bedrijfsovername) drie knelpunten terugkomen:

1. Timing: mest uitrijden, oogsten, voederwinning en diergezondheid pieken tegelijk.
2. Variatie: bodemverschillen, perceelgeschiedenis, kuilkwaliteit en dierprestaties lopen uiteen.
3. Afstemming: beslissingen in teelt en veehouderij worden nog te vaak in aparte “kokers” genomen.

AI wordt nuttig zodra je het inzet als koppeling tussen die kokers.

Waar AI vandaag al waarde levert in kringlooplandbouw

De kern: AI is geen robot op het erf; het is besluitondersteuning op basis van data. Je gebruikt het om variatie te herkennen, verbanden te zien en opties door te rekenen.

1) Precisielandbouw: variatie benutten in plaats van bestrijden

Op gemengde bedrijven is perceelvariatie extra relevant, omdat je niet alleen opbrengst optimaliseert, maar ook:

• ruwvoerkwaliteit (VEM, eiwit, structuur),
• organische stofopbouw,
• stikstofefficiëntie,
• en uiteindelijk mestkwaliteit.

AI-gestuurde taakkaarten (variabele bemesting, zaaidichtheid, bekalking) zijn daarbij een logische stap. Niet omdat “meer data” leuk is, maar omdat je hiermee:

• te hoge bemesting voorkomt op sterke stukken,
• tekorten corrigeert op zwakke stukken,
• en je kosten voorspelbaarder maakt.

Praktisch voorbeeld: combineer bodemkaarten, opbrengstkaarten en satellietbeelden om binnen één perceel zones te maken. AI kan zones clusteren en voorstellen doen voor variabele input. De winst zit vaak niet alleen in kilo’s, maar in stabiliteit: minder uitschieters, minder verrassingen.

2) Gewasmonitoring en opbrengstvoorspelling: sturen vóór het te laat is

Kringlooplandbouw staat of valt met planning. Als je ruwvoervoorraad of stroproductie tegenvalt, voel je dat maanden later in je portemonnee.

AI-modellen voor opbrengstvoorspelling combineren doorgaans:

• weerhistorie en korte termijn weersverwachting,
• bodemtype en organische stof,
• teelthandelingen (zaaidatum, bemesting),
• vegetatie-indexen uit satelliet of drone.

Wat levert dat op?

• Je ziet in juni al of je in september ruwvoer tekort komt.
• Je kunt eerder schakelen: extra snede, alternatief gewas, bijsturen in bemesting, of tijdig inkopen.

En vooral: je houdt je kringloop doelgericht. Een kringloop die pas achteraf “klopt” is geen kringloop, maar boekhouding.

3) Voer- en mestmanagement: de echte kringloop zit in de stal

Als je kringlopen wilt sluiten, moet je de stal niet zien als eindstation, maar als verwerkingspunt.

AI kan hier helpen met:

• Rantsoenoptimalisatie op basis van kuilanalyse, melkgift, pensgezondheid en voeropname.
• Vroegsignalering (diergezondheid, tocht, klauwproblemen) via sensoren.
• Mestkwaliteit-inschatting op basis van voer, productie en samenstelling.

Een simpele, maar krachtige stap is het structureel koppelen van:

• kuilanalyses,
• voermenggegevens,
• melkgegevens,
• en mestanalyses.

AI vindt dan patronen: bijvoorbeeld dat een bepaald kuilvak consequent leidt tot lagere voeropname of dat een rantsoenwijziging de stikstofbenutting verslechtert. Dat zijn geen “leuke inzichten”; dat is geld én ruimte in je bemestingsplan.

Een goed gemengd bedrijf draait niet op maximale productie, maar op maximale benutting.

4) Arbeid en piekdruk: AI als planning-assistent

Veel opvolgers onderschatten niet de techniek, maar de werkorganisatie. Zeker rond oogst en mestseizoen.

AI kan planningen slimmer maken door:

• weerwindows door te rekenen,
• machine- en personeelsbeschikbaarheid mee te nemen,
• risico’s te kwantificeren (bodemverdichting, oogstverlies, uitspoelingsrisico).

Zelfs zonder “grote” AI: een goed ingerichte beslisregel-set met datakoppelingen is vaak al winst. Denk aan een melding: “Komende 72 uur is het beste venster voor drijfmest op percelen X en Y, gezien draagkracht en verwachte neerslag.”

Van droom naar uitvoering: 5 stappen voor opvolgers (en hun ouders)

De kern: begin niet met software, maar met de kringloopvraag die je wilt sturen. Daarna kies je pas tools.

Stap 1 — Teken je stromen uit (op één A4)

Maak een overzicht van:

• aanvoer: kunstmest, krachtvoer, stro, energie,
• interne stromen: mest, ruwvoer, bijproducten,
• afvoer: melk/vlees/gewassen, mestafzet (als die er is).

Zet er ruwe hoeveelheden bij. Je hoeft nog niet perfect te zijn; je wilt zien waar de grootste “lekken” zitten.

Stap 2 — Kies één stuurgetal per stroom

Voorbeelden die werken:

• stikstofbenutting (N-efficiëntie) per hectare,
• organische stofbalans per perceel,
• ruwvoerautonomie: % ruwvoer van eigen land,
• aankoop eiwit: kg per 1.000 kg melk,
• mestplaatsingsruimte: m³ die je intern kwijt kunt.

AI helpt pas als je weet wat “goed” is voor jouw bedrijf.

Stap 3 — Zorg dat data koppelbaar is (dit is het saaie, cruciale deel)

Een gemengd bedrijf gebruikt snel 5–10 systemen: boekhouding, managementprogramma, teeltregistratie, machines, sensoren.

Maak één keuze die je later dankbaar bent:

• werk met vaste perceelnamen en diergroepen,
• standaardiseer meetmomenten (kuilanalyse, mestanalyse),
• leg vast wie wat registreert en wanneer.

Stap 4 — Start klein: één AI-toepassing die binnen 90 dagen oplevert

Drie starters die vaak snel renderen:

1. Variabele bemesting op 1–3 percelen met duidelijke variatie.
2. Opbrengstvoorspelling voor ruwvoer om inkopen te voorkomen.
3. Vroegsignalering diergezondheid om behandelkosten en uitval te verminderen.

Als je binnen 90 dagen niets merkt, was het te breed of te complex.

Stap 5 — Maak het onderdeel van je opvolgingsplan

Bedrijfsovername is al spannend genoeg. Zet daarom expliciet in het plan:

• welke processen je wilt standaardiseren,
• wie beslissingen neemt (en wanneer),
• welke investeringen “must-have” zijn en welke wachten.

AI is geen doel op zich. Het is een manier om als opvolger sneller volwassen management te draaien.

Veelgestelde vragen (zoals ze écht op het erf klinken)

“Past AI wel bij kringlooplandbouw? Dat is toch juist ‘minder input’?”

Ja. Minder input vraagt om meer precisie. Als je minder kunstmest en krachtvoer wilt inzetten, moet je variatie beter lezen en verliezen sneller opsporen. Dat is precies waar AI goed in is.

“Moet ik meteen investeren in dure sensoren en software?”

Nee. Begin met wat je al hebt: perceeldata, kuilanalyses, mestanalyses, productiegegevens. Vaak zit de eerste winst in koppelen en consequent meten, niet in nieuw speelgoed.

“Wat is het grootste risico?”

Dat je te veel tegelijk wilt. Kringlooplandbouw + gemengd bedrijf + uitbreiding (zoals 50 hectare) is al een stevige combinatie. Voeg AI toe als versneller, maar houd de scope klein.

Wat Riks verhaal ons leert over de volgende generatie boeren

De kern: de nieuwe generatie wil systemen bouwen die kloppen—ecologisch én economisch. Riks wens voor een gemengd bedrijf met kringlooplandbouw past in een bredere beweging: minder afhankelijkheid, meer eigen regie, meer toekomstbestendigheid.

December is voor veel bedrijven een moment van balans opmaken: cijfers sluiten, plannen maken, investeringen doorspreken aan de keukentafel. Als je 2026 ingaat met kringloopambities, dan is mijn advies simpel: kies één kringloop die je dit jaar écht meetbaar beter wilt sturen, en zet daar AI of datagedreven management op.

Wil je dit concreet maken voor jouw bedrijf (akkerbouw, melkvee, gemengd of samenwerking in de regio)? Breng je stromen in kaart, kies 2–3 stuurgetallen en bepaal waar data je beslissingen sneller en zekerder maakt. Kringlooplandbouw zonder stuurinformatie is hopen. Met AI wordt het plannen.

Welke stroom op jouw bedrijf lekt het meest: nutriënten, voer, arbeid of energie—en wat zou er gebeuren als je daar de komende 90 dagen elke week op stuurt?