AI maakt mest een verdienmodel in 2026 (ook voor varkens)

€140.000 per jaar aan mestafzet op één gemiddeld vleesvarkensbedrijf. Dat is geen detail in de boekhouding; dat is een strategische dreun. Tel daar een prijsval van varkensvlees van ongeveer €1,90 naar €1,35 per kilo bij op (na de Chinese vergeldingsheffing in 2025), en je ziet waarom veel ondernemers nu al naar 2026 kijken met het gevoel dat de rek eruit is.

Tegelijk hoor je aan de akkerbouwkant een andere toon: daar wordt mest steeds vaker gezien als een noodzakelijke (en soms zelfs aantrekkelijke) voedingsbron, zeker nu kunstmest duur en politiek gevoelig blijft. De spanning is duidelijk: waar de ene sector mest “kwijt moet”, moet de andere sector het er juist van hebben.

In deze editie van de serie AI in Landbouw en Voedselproductie trek ik een harde conclusie: 2026 wordt niet vooral gewonnen met harder werken, maar met slimmer sturen op data. AI kan het verschil maken tussen “mest als kostenpost” en “mest als grondstof”, door nauwkeuriger te plannen, beter te voorspellen en minder verlies te accepteren.

Waarom 2026 vooral om mest, stikstof en marges draait

De kern: mest is tegelijk een waardevolle nutriëntenbron én een duur logistiek/regelgevingsprobleem. Die paradox wordt scherper door drie trends die in 2026 samenkomen.

1) De kostendruk verschuift van voer naar afzet en regels

Varkenshouders kennen de vuistregel: voer is vaak zo’n 60% van de kostprijs. Als voer 2% goedkoper wordt, voel je dat wel, maar het zet geen zoden aan de dijk als mestafzet explodeert. In 2025 werd mestafzet bij vleesvarkenshouders een dominante kostenpost — met bedragen die je normaal alleen ziet bij grote investeringen.

Het gevolg: optimalisatie moet breder dan voerefficiëntie. Wie alleen op voer stuurt, mist de echte pijn.

2) Marktrisico’s komen sneller binnen dan je kunt bijsturen

De prijsval na week 37 in 2025 laat zien hoe snel externe politiek (heffingen, handelsdruk, “dumping”-discussies) doorwerkt in je saldo. Biggenexport die richting Spanje “minimaal halveert” (zoals in de sector wordt verwacht) werkt dan extra door in de keten: meer aanbod hier, druk op prijzen daar.

Het gevolg: je hebt scenario’s nodig, geen lineaire begroting.

3) Akkerbouwers hebben nutriënten nodig, maar willen controle

Akkerbouwers willen stikstof, fosfaat en organische stof — maar wel precies, passend binnen gebruiksnormen, bodemtype, perceelgeschiedenis en gewasdoel. Onzekere samenstelling, timingproblemen en aansprakelijkheid (bij overschrijding of uitspoeling) maken mest “lastig”, ook als het op papier goedkoop lijkt.

Het gevolg: mest wordt pas aantrekkelijk als je het meetbaar en planbaar maakt.

De echte kans: mest als grondstofketen (met AI als stuurman)

De belangrijkste verschuiving die ik zie: we moeten stoppen met mest behandelen als ‘afval dat weg moet’. Mest is een grondstofstroom — en elke grondstofstroom kun je modelleren, optimaliseren en verwaarden.

Van ‘afzet’ naar ‘allocatie’: het verschil in mindset

Bij afzet is de vraag: “Waar kan ik het kwijt tegen de laagste prijs?”

Bij allocatie is de vraag: “Welke fractie, met welke samenstelling, naar welk perceel, op welk moment, tegen welke totale ketenkosten én risico’s?”

Dat klinkt theoretisch, maar dit is precies waar AI sterk in is: veel variabelen tegelijk wegen.

Wat AI hier concreet toevoegt

AI (in de praktijk: voorspelmodellen + optimalisatie + goede datakoppelingen) kan:

• Nutriënten voorspellen op basis van staltype, voerregime, diercategorie, seizoen en opslagcondities.
• Transport en planning optimaliseren: routes, timing, beschikbare capaciteit en wachttijden bij verwerkers.
• Ketenafspraken onderbouwen: met meet- en voorspelbaarheid durven akkerbouwers eerder vaste contracten aan.
• Risico’s berekenen: kans op uitspoeling, weersvensters, perceelgevoeligheid.

De winst zit zelden in één “slimme knop”. Hij zit in het stapelen van 2–5% verbeteringen: minder afkeur, betere timing, minder kilometers, betere benutting.

AI in de praktijk: 5 toepassingen die je in 2026 geld opleveren

Hier zijn vijf toepassingen die ik bij goed gerunde bedrijven het meest logisch vind — omdat ze direct aan mestkosten, nutriëntenbenutting en regelgeving raken.

1) Voer–mest-koppeling: sturen op excretie, niet alleen op groei

Antwoord: wie excretie meeneemt in voerbeslissingen, verlaagt mestdruk zonder productie te slopen.

Met AI-gestuurde rantsoenoptimalisatie (zeker bij zeugen- en vleesvarkensbedrijven met variatie in batches) kun je naast voederconversie ook sturen op:

• verwachte N- en P-excretie per diercategorie
• variatie tussen rondes
• effect van bijproducten op mestkwaliteit

Praktisch: je maakt een bedrijfsdashboard waarin “kostprijs per kg groei” én “mestkosten per dierplaats” samenkomen. Dat voorkomt dat je voer bespaart maar mestkosten opblaast.

2) Slimme bemestingsplanning voor akkerbouw: perceel als ‘nutriëntenklant’

Antwoord: akkerbouwers verdienen aan mest als ze precies weten wat ze krijgen en waar het het meeste oplevert.

AI combineert bodemdata (pH, organische stof, beschikbare nutriënten), teeltdoelen en gewasstadium met historische opbrengsten om te adviseren:

• welke mestsoort/fractie past
• welke dosering per zone
• welk toedienmoment het beste is

Hier wordt precisielandbouw echt praktisch: niet “mooie kaartjes”, maar minder verspilling en minder risico op normproblemen.

3) “Weervenster”-modellen: timing is vaak meer waard dan product

Antwoord: de timing van uitrijden bepaalt een groot deel van de benutting en het risico.

Met lokale weersverwachtingen, bodemvochtmodellen en perceeltoegankelijkheid kun je plannen rond:

• kans op berijdbaarheid
• risico op afspoeling/uitspoeling
• optimale opname door het gewas

Een nuchtere observatie: veel mestketens verliezen geld op ‘paniekbeslissingen’ in korte vensters. AI helpt je eerder kiezen en rustiger plannen.

4) Kwaliteitsborging: van ‘vertrouwen’ naar ‘bewijs’

Antwoord: meetbaarheid maakt mest verhandelbaar.

AI is geen lab, maar kan wél:

• labuitslagen vertalen naar praktische doseringen
• afwijkingen detecteren (bijvoorbeeld opvallende schommelingen in gehaltes)
• partijen koppelen aan herkomst (voer, stal, opslag)

Dat geeft ruimte voor prijsdifferentiatie: betere, consistente mest/fracties kunnen een betere “plaatsingswaarde” krijgen bij akkerbouwers.

5) Scenario’s voor 2026: wat als export halveert?

Antwoord: scenario’s maken je sneller, niet paranoïde.

Een eenvoudig AI/analytics-model kan doorrekenen wat er gebeurt als:

• biggenexport naar Spanje halveert
• mestafzetkosten +20% gaan
• varkensprijs 10–20 cent per kilo daalt

Doel: vooraf beslissen welke knoppen je dan draait (bezetting, aflevermoment, mestcontracten, verwerking, samenwerking met akkerbouwers). Dit voorkomt dat je pas reageert als de markt al wegzakt.

Zo start je zonder IT-project: een 30-dagen aanpak

De meeste bedrijven lopen niet vast op “AI”, maar op rommelige data en onduidelijke doelen. Dit werkt wél, ook als je klein begint.

1. Kies één euro-doel

   • Voor varkens: “mestafzetkosten per jaar omlaag met X%”
   • Voor akkerbouw: “nutriëntenbenutting omhoog, kunstmest omlaag met X kg N/ha”

2. Maak je datalijst kort en haalbaar

   • mestafzetfacturen (€/ton, €/rit, afstand)
   • basisgegevens mestanalyses (N/P/K, droge stof)
   • perceelindeling + teeltplan
   • weersdata (lokaal) en uitvoermomenten

3. Bouw één dashboard dat iedereen snapt Een simpel wekelijks overzicht met 6–10 KPI’s is beter dan een “dataplatform” dat niemand opent.

4. Leg één ketenafspraak vast op basis van data Bijvoorbeeld: vaste levering van een specifieke fractie aan één akkerbouwer, met afgesproken bandbreedtes en timing.

5. Evalueer op 3 cijfers: kosten, risico, rust Ja, rust is ook een KPI. Minder spoedritten en minder discussies over gehaltes maken je bedrijf beter bestuurbaar.

Veelgestelde vragen die ik nu al krijg (en mijn antwoord)

“Is AI niet alleen voor grote bedrijven?”

Nee. De winst zit juist vaak bij middelgrote bedrijven die veel zelf regelen. Start klein: één proces (mestplanning), één dataset (facturen + analyses), één doel.

“Gaat regelgeving dit niet toch blokkeren?”

Regels zijn streng, maar data maakt naleving eenvoudiger. Wie kan aantonen wat waar, wanneer en met welke samenstelling is uitgereden, staat sterker — ook richting afnemers.

“Wat betekent dit voor samenwerking varkenshouder–akkerbouwer?”

Meer samenwerking, maar strakker. Minder ‘losse handel’, meer afspraken op kwaliteit, timing en logistiek. AI helpt om die afspraken concreet te maken.

Mest wordt in 2026 óf je grootste kostenpost óf je slimste keten

De boodschap uit de marktontwikkelingen is helder: varkenshouders krijgen het in 2026 lastiger, en akkerbouwers zullen steeds meer naar mest kijken om hun bodem en bemesting rond te krijgen. Dat is geen comfortabele situatie, maar wel een kans om de keten anders te organiseren.

Ik geloof dat AI in mest- en nutriëntenmanagement in 2026 het meest praktische AI-domein in de landbouw is: dicht op de euro’s, dicht op regelgeving, dicht op de dagelijkse operatie. Als je nu begint, kun je volgend jaar al profiteren van betere planning, minder verspilling en betere onderhandelingspositie.

Welke stap durf jij als eerste te standaardiseren: mestkwaliteit, timing, of ketenafspraken?