AI kan schadevergoedingen in de landbouw eerlijker maken

€42,5 miljoen. Dat is het minimale bedrag dat de Staat extra kwijt is na een uitspraak van het College van Beroep voor het bedrijfsleven (CBb) over de nadeelcompensatie voor 54 ex-nertsenhouders. En het meest prangende detail: de meeste betrokken ondernemers krijgen vóór 01-01-2026 te horen hoeveel ze ontvangen, omdat de Staat dit jaar nieuwe besluiten neemt die kortingen terugdraaien.

Dit dossier is meer dan een juridische staart van het nertsenverbod. Het is een leerboekvoorbeeld van wat er mis kan gaan in complexe regelingen: veel uitzonderingen, veel variabelen, veel emotie, en een hoge rekening als de uitvoering niet klopt. Precies daarom past het in onze serie “AI in Landbouw en Voedselproductie”. Want als we AI inzetten voor opbrengstvoorspelling en gewasmonitoring, waarom laten we financiële en regulatoire processen — waar boeren én overheid op vastlopen — dan nog zo vaak in Excel en handwerk hangen?

Wat er nu speelt: uitspraak, kortingen en een nieuwe deadline

De kern is helder: 54 ex-nertsenhouders gingen in beroep tegen hun nadeelcompensatie, kregen gelijk bij het CBb en krijgen daardoor een hogere schadevergoeding. Demissionair minister Femke Wiersma heeft aangegeven dat de meeste nieuwe besluiten nog in 2025 worden genomen, zodat voor veel ondernemers vóór 2026 duidelijk is waar ze aan toe zijn.

De twee ‘kortingen’ die teruggedraaid worden

De praktijk draait om specifieke rekenregels die in de oorspronkelijke besluiten tot een lagere compensatie leidden. In dit dossier gaat het onder andere om het terugdraaien van:

• NMR-korting (een toegepaste correctie in de berekening)
• Leegstandskorting (korting gerelateerd aan leegstand/gebruik van opstallen)

Het gevolg: herberekeningen, nieuwe beschikkingen en een groter totaalbedrag voor de Staat.

Waarom dit dossier zo duur kan worden

De extra kosten zijn niet alleen een kwestie van “meer uitkeren”. Ze komen vaak voort uit:

• heropening van berekeningen (kostenposten, afschrijvingen, restwaarden)
• juridische en uitvoeringskosten (bezwaar, beroep, herbeoordeling)
• precedentwerking (vergelijkbare dossiers willen dezelfde behandeling)

En er loopt nóg een staart: in een tiental zaken zijn er uitspraken over voergeldgevers en voergeldnemers in de nertsenhouderij. Als die financieel doorwerken, kan de tegenvaller verder oplopen.

De echte pijn: onzekerheid is ook schade (zeker in de landbouw)

Het meest onderschatte element in compensatieregelingen is niet het eindbedrag, maar de periode ervoor. Onzekerheid maakt plannen onmogelijk. In de landbouw is dat extra hard, omdat investeringen lang lopen en financiering vaak afhangt van voorspelbare kasstromen.

Wat onzekerheid concreet doet op een erf

In mijn ervaring (ook buiten dit specifieke dossier) zie je steeds hetzelfde patroon:

1. Bank en accountant willen duidelijkheid voordat er geherfinancierd wordt.
2. Investeringen worden uitgesteld: onderhoud, omschakeling, nieuwe stalbestemming.
3. Strategische keuzes blijven hangen: stoppen, doorstarten, verbreden, verhuren.
4. Mentale druk stapelt zich op: je bent “afgehandeld”, maar ook weer niet.

Dat is precies waar digitalisering en AI niet ‘nice to have’ zijn, maar gewoon rationeel beleid.

Waar AI wél direct waarde levert: sneller, consistenter, uitlegbaar

AI in de landbouw gaat vaak over drones, sensoren en robots. Terecht. Maar de grootste winst zit soms in iets minder zichtbaars: administratieve precisie.

1) AI als kwaliteitscontrole op compensatieberekeningen

De snelste toepassing is een controlelaag bovenop bestaande processen.

• AI kan beslisregels uit beschikkingen omzetten naar een consistent rekenmodel.
• Afwijkingen signaleren: “Deze leegstandskorting wijkt af van vergelijkbare dossiers met hetzelfde profiel.”
• Detecteren waar menselijke interpretatie doorschiet: onlogische nullen, ontbrekende posten, dubbele aftrek.

Het resultaat is niet “AI beslist”, maar: AI voorkomt dat je bij de rechter verliest door slordige uitvoering.

2) Scenario’s en voorspelbaarheid voor boeren (en financiers)

Een tweede, heel praktische toepassing is scenarioanalyse. Zeker wanneer dossiers lang lopen, willen ondernemers een bandbreedte:

• Wat is een conservatief/realistisch/optimistisch compensatiescenario?
• Welke variabelen hebben de meeste invloed? (bijv. restwaarde, leegstandsperiode, peildata)
• Welke documenten ‘bewegen’ het dossier het meest? (taxaties, bewijs investeringen, contracten)

AI kan hier helpen door historische dossiers te analyseren en te vertalen naar verwachtingsmanagement dat wél gebaseerd is op data, niet op onderbuik.

3) Sneller dossiers verwerken met taalmodellen (zonder de regie te verliezen)

In compensatietrajecten zit veel tekst:

• bezwaarschriften
• taxatierapporten
• beschikkingen
• Kamerbrieven, beleidsregels, uitvoeringskaders

Taalmodellen kunnen:

• stukken samenvatten in een standaard dossierprofiel
• relevante passages markeren (peildatum, investeringsmomenten, uitzonderingsgronden)
• checklists automatisch vullen

De winst zit vooral in doorlooptijd. En doorlooptijd is in dit soort dossiers vaak de grootste frustratie.

Een simpele stelregel: als twee juristen dezelfde regeling anders uitleggen, is het proces niet ‘complex’, maar ‘onvoldoende eenduidig ingericht’. AI kan die eenduidigheid afdwingen door structuur.

De randvoorwaarden: AI werkt alleen als je ‘uitlegbaarheid’ ontwerpt

Hier gaat het vaak mis. Men wil snelheid, maar vergeet dat compensatie een rechtsstatelijk proces is. Dus: transparantie boven magie.

Wat je minimaal moet regelen (vind ik)

• Uitlegbare modellen: welke variabelen, welke gewichten, welke regels?
• Audit trail: wie heeft wat aangepast, wanneer, en waarom?
• Menselijke beslisser blijft eindverantwoordelijk (zeker bij uitzonderingen)
• Datakwaliteit: peildata, definities, taxatiewaarden moeten consistent zijn
• Bias-controle: vergelijkbare gevallen moeten vergelijkbaar uitkomen

AI in regulering is niet spannend omdat het nieuw is, maar omdat het controleerbaar moet zijn.

“Maar we hebben te weinig data” — meestal niet waar

In veel agrarische regelingen bestaat de data al:

• beschikkingen en herzieningen
• betaalmomenten en bedragen
• objectkenmerken (locatie, opstallen, capaciteit)
• taxaties en waarderingen

Het probleem is zelden ‘geen data’, maar data in pdf’s en mappen, zonder standaardisatie. Juist daar zijn moderne AI-tools sterk: structureren, classificeren en normaliseren.

Van nertsen naar de rest van de landbouw: dit komt terug bij elke regeling

Wie denkt dat dit een eenmalig dossier is, kijkt te smal. De landbouw zit midden in een tijdperk van regelingen en transities: stikstof, mest, waterkwaliteit, diergezondheid, gebiedsprocessen, saneringen en innovatieregelingen.

Drie plekken waar dit direct relevant is (ook in België)

1. Omschakel- en investeringssteun: controle op voorwaarden, deadlines, bewijsstukken.
2. Compensatie bij beleidswijzigingen: voorspelbaarheid en gelijke behandeling.
3. Ketenoptimalisatie: als beleid de productie beïnvloedt, raakt het de hele voedselketen.

AI wordt in de voedselproductie vaak verkocht als productiviteitsverhaal. Ik ben ervan overtuigd dat het tweede verhaal net zo belangrijk is: vertrouwen. Eerlijke, consistente uitvoering maakt dat ondernemers weer durven investeren.

Praktische checklist: zo start je met AI in compensatie- of regelprocessen

Als je bij overheid, sectororganisatie, advieskantoor of ketenpartij werkt, dan is dit een haalbare start zonder groot IT-project.

1. Kies één proces met veel herhaling (bijv. herberekeningen of bezwaarsamenvattingen).
2. Definieer 20–30 vaste velden die elk dossier moet bevatten (peildatum, object, kortingstype, taxatiewaarde, etc.).
3. Laat AI documenten ‘lezen’ en velden voorstellen (mens valideert).
4. Bouw een afwijkingenrapport: waar wijkt dit dossier af van vergelijkbare dossiers?
5. Meet doorlooptijd en foutpercentages vóór en na.

Binnen 6–8 weken kun je vaak al aantonen of het werkt. En als het werkt, heb je ineens een argument dat iedereen begrijpt: minder bezwaar, minder beroep, sneller duidelijkheid.

Wat dit dossier ons leert richting 2026

De belofte dat de meeste ex-nertsenhouders vóór 2026 duidelijkheid krijgen, is op zichzelf goed nieuws. Maar het onderliggende systeemprobleem blijft: compensatie- en transitiebeleid strandt te vaak op uitvoering die te langzaam, te wisselend en te slecht uitlegbaar is.

Ik neem hier een duidelijke positie in: als de landbouwsector vraagt om voorspelbaar beleid, hoort daar ook voorspelbare uitvoering bij. AI kan dat afdwingen, mits je het inzet als kwaliteitsinstrument en niet als zwarte doos.

Wil je weten waar AI in jouw organisatie het snelst rendeert — in gewasmonitoring, opbrengstvoorspelling óf juist in subsidies, compensatie en compliance? Dan is het slim om te beginnen met een korte proces-scan: één regeling, één doorlooptijdknelpunt, één datastroom.

De vraag richting 2026 is niet of we meer regelingen krijgen. Die komen er. De vraag is: gaan we ze eindelijk zo uitvoeren dat boeren er een bedrijf op kunnen bouwen?