AI in landbouw: lessen uit pauze Boerderij van de Toekomst

Op 18-12-2025 werd bekend dat de Boerderij van de Toekomst in Lelystad in 2026 grotendeels pauzeert omdat de subsidie is weggevallen. Dat klinkt als een ‘projectnieuwtje’, maar het is in feite een signaal over hoe kwetsbaar landbouwinnovatie is wanneer financiering, meetreeksen en praktijkproeven aan elkaar hangen.

En juist daarom is dit relevant voor onze serie “AI in Landbouw en Voedselproductie”. Niet omdat AI een magische geldkraan is, maar omdat AI kan helpen om innovatie minder afhankelijk te maken van één subsidieronde: door slimmer te plannen, risico’s eerder te zien aankomen, meetprogramma’s efficiënter te maken en de waarde van resultaten sneller zichtbaar te maken voor ketenpartners en financiers.

De realiteit? Een pauzejaar hoeft geen stilstand te zijn. Het kan een kans worden om je innovatie-aanpak volwassen te maken.

Wat er stilvalt (en waarom dat pijn doet)

De kern: in 2026 worden er op de locatie van Wageningen Plant Research in Lelystad geen nieuwe metingen gedaan en liggen onderzoeken stil, omdat het financiële fundament door het uitblijven van subsidie is weggevallen. Alleen het onderdeel Zuidoostelijk Zand loopt door. Het perceel in Lelystad krijgt een rustgewas (graan), met behoud van vaste rijpaden, zodat een doorstart in 2027 mogelijk blijft.

Dat is niet alleen vervelend voor de betrokken onderzoekers en partners. Het raakt ook de praktijk.

Waarom een pauzejaar innovatie extra duur maakt

Bij landbouwproeven is tijd geen bijzaak; tijd is de dataset.

• Meetreeksen breken: één ontbrekend seizoen kan trends maskeren (bodem, ziekte-druk, opbrengstschommelingen).
• Seizoensafhankelijkheid: je kunt een “gemist voorjaar” niet inhalen met extra meetdagen in de herfst.
• Praktijkvertrouwen: boeren en loonwerkers haken af als pilots te vaak stoppen/starten.

Mijn stelling: als we willen dat innovaties zoals strokenteelt, aangepaste rotaties en vaste rijpaden doorpakken, moeten we innovatie robuuster organiseren—met data, governance en financiering die niet bij één ‘nee’ instort.

Wat dit zegt over innovatie in de landbouw in 2025

De pauze in Lelystad staat niet op zichzelf. Eind 2025 zie je in Nederland en België dezelfde spanning:

• strengere eisen rond stikstof en nitraat
• druk op middelengebruik (mest, gewasbescherming)
• hogere rente/kapitaalkosten
• ketens die wel verduurzaming vragen, maar niet altijd meebetalen

De mythe: “Innovatie lukt wel met een paar demo’s”

Veel organisaties onderschatten hoeveel werk het is om innovatie te bewijzen op drie niveaus:

1. Agronomisch: werkt het in verschillende jaren en bodems?
2. Economisch: is het rendabel bij realistische prijzen en kosten?
3. Operationeel: past het in planning, arbeid, machinepark en teelttechniek?

Zonder doorlopende metingen blijft het te vaak bij een goed verhaal en een paar foto’s. Daar kun je geen brede adoptie op bouwen.

Waar AI concreet kan helpen: van proefveld naar voorspelbaar traject

AI in de landbouw is op z’n sterkst wanneer het drie dingen doet: variatie verklaren, beslissingen ondersteunen en bewijs sneller op tafel krijgen. Precies dat heb je nodig als financiering onzeker is.

1) AI voor risicobeheer van innovatie (voordat het misgaat)

Het grootste probleem bij innovatieprojecten is niet techniek. Het is voorspelbaarheid: budget, doorlooptijd, impact.

Met AI-gestuurde risicomodellen (denk aan probabilistische scenario’s) kun je vooraf inschatten:

• welke proeven de hoogste kans op ‘bruikbaar bewijs’ geven binnen 1 seizoen
• welke meetpunten essentieel zijn en welke ‘nice to have’
• welke externe factoren (weer, prijsvolatiliteit, regelgeving) je resultaten waarschijnlijk beïnvloeden

Een praktische aanpak die ik vaak zie werken:

• definieer per proef 3 beslisvragen (bijv. “daalt herbicidengebruik met X% zonder opbrengstverlies?”)
• koppel daar minimale databehoefte aan
• laat AI helpen om een meetplan met prioriteiten te optimaliseren

Resultaat: je bent minder kwetsbaar als je halverwege moet afschalen.

2) Slimmer meten: minder veldwerk, meer informatie

Proefvelden zijn meet-intensief. Maar niet elke variabele hoeft handmatig, elke week.

AI maakt “slimmer meten” mogelijk via:

• satelliet- en dronebeelden (biomassa, stress, variatie binnen stroken)
• sensoren op machines (rijpaden, werkgangen, dosering)
• bodem- en weerdata gecombineerd met groeimodellen

Belangrijk: AI vervangt het veld niet. Het verschuift veldwerk naar validatie in plaats van eindeloos registreren.

Als een project in een pauzejaar geen nieuwe metingen kan doen, is er nog steeds winst te boeken door:

• historische datasets op te schonen
• datadefinities te standaardiseren
• modellen te trainen op eerdere seizoenen

Dat is niet sexy, wel effectief.

3) Opbrengstvoorspelling en teeltkeuzes bij strokenteelt

Strokenteelt en aangepaste rotaties zijn interessant, maar complex. Je hebt te maken met randeffecten, wisselende schaduwwerking, plaagdruk en mechanisatiekeuzes.

AI kan helpen met:

• opbrengstvoorspelling per strook in plaats van per perceel
• detectie van ziekteplekken of onkruiddruk vroeg in het seizoen
• advies over variabele dosering (waar wel/niet ingrijpen)

Voor financiers en ketenpartners is dit cruciaal: het vertaalt “innovatie” naar kwantificeerbare KPI’s zoals kilogrammen, euro’s en inputreductie.

Hoe je een pauzejaar toch waardevol maakt: 6 concrete stappen

Als je in 2026 in een vergelijkbare situatie zit—project on hold, pilots in de wacht—dan kun je twee kanten op. Of je ‘wacht op geld’, of je gebruikt de tijd om je innovatieaanpak zo strak te zetten dat een doorstart sneller en overtuigender is.

Hier is wat in de praktijk werkt.

1) Maak een “minimum viable proefopzet”

Definieer wat je minimaal nodig hebt om in 2027 een harde conclusie te trekken.

• 2–3 primaire KPI’s
• 1–2 kritieke meetmomenten
• heldere stop/go-criteria

2) Bouw een dataruggengraat (ook zonder nieuwe metingen)

• één datamodel voor bodem, gewas, bewerkingen, input, opbrengst
• versiebeheer en datakwaliteitregels
• privacy/ownership-afspraken (zeker met meerdere partners)

3) Zet AI in voor heranalyse van bestaande jaren

Veel projecten hebben al jaren aan data, maar benutten 30%.

• zoek patronen die je eerder miste
• maak modellen die “variatie verklaren” (weer, bodem, strookpositie)
• vertaal resultaten naar simpele dashboards

4) Maak financiering minder binair

Subsidie ja/nee is een recept voor schokken. Meng liever:

• ketenbijdragen (verwerkers, retail, coöperaties)
• regionale fondsen
• kennis- of datapartnerships
• betalingen op basis van mijlpalen (deliverables)

5) Ontwerp pilots die ‘mee kunnen draaien’ op echte bedrijven

Als een centrale proeflocatie pauzeert, kun je delen van onderzoek verplaatsen naar praktijkbedrijven met:

• gestandaardiseerde protocollen
• remote sensing
• machine-data

Je verliest controle, maar wint schaal en relevantie.

6) Maak de waarde zichtbaar in taal van de boer én de bank

• boer: arbeid, risico, planning, storingen, bodem
• bank/financier: cashflow, volatiliteit, investeringsrendement
• keten: leveringszekerheid, residu, footprint, traceerbaarheid

AI helpt hier vooral door sneller te rekenen en scenario’s te onderbouwen.

Veelgestelde vragen (die ik nu al hoor)

“Als er in 2026 geen metingen zijn, is al het werk dan verloren?”

Nee. Het vertraagt, en meetreeksen krijgen een gat, maar bestaande data blijft waardevol. Met goede modellering kun je zelfs nieuwe inzichten uit oude seizoenen halen.

“Is AI niet te duur voor proefprojecten?”

AI wordt duur als je het ziet als ‘software aanschaffen’. Het wordt betaalbaar als je het koppelt aan één concrete beslissing: welke proef doen we wel/niet, en waarom? Dan verdient het zich terug in minder meetkosten en snellere conclusies.

“Wat is de eerste AI-toepassing met snel resultaat?”

Dat is meestal gewasmonitoring op basis van satelliet/dronebeelden gecombineerd met eenvoudige veldvalidatie. Je ziet sneller waar variatie ontstaat en waar je moet meten.

De echte les: innovatie moet tegen een stootje kunnen

De pauze van de Boerderij van de Toekomst in 2026 is vervelend, maar ook leerzaam. Het laat zien dat we innovatie nog te vaak organiseren als een project met einddatum, terwijl landbouw juist vraagt om continu leren over meerdere seizoenen.

Als we AI in landbouw serieus nemen—precisielandbouw, gewasmonitoring, opbrengstvoorspelling en ketenoptimalisatie—dan hoort daar ook een volwassen innovatie-aanpak bij: data op orde, meetplannen die prioriteren, scenario’s die kloppen en financiering die niet bij de eerste tegenwind omvalt.

Wil je in 2026 of 2027 een pilot rond strokenteelt, vaste rijpaden of inputreductie opschalen in België of Nederland? Dan is dit een goed moment om je datastromen en beslisvragen strak te trekken. Welke keuze wil jij volgend seizoen met cijfers (en niet op gevoel) kunnen maken?

CTA (lead): Wil je sparren over een AI-proof meetplan voor een proefveld of praktijkpilot (van datamodel tot dashboard)? Laat je gegevens achter en ik stuur je een compacte checklist die we in projecten gebruiken.