AI helpt mengvoerbedrijven door stikstofdruk heen

Op 05-12-2025 werd publiek wat in de sector al langer voelbaar is: stikstofbeleid werkt door tot diep in de keten, ook bij bedrijven die zélf geen stal hebben. Twee mengvoerbedrijven, Fransen Gerrits en P. Bos Veevoeders, vechten in hoger beroep met de Staat over één kernvraag: hebben zij recht op nadeelcompensatie voor afzetverlies door beëindigingsregelingen in de veehouderij?

Die juridische route is begrijpelijk—maar ook traag, kostbaar en onzeker. En ondertussen draait de fabriek niet voller. De realiteit? De winst zit voor mengvoerbedrijven de komende jaren minder in gelijk krijgen, en meer in slimmer sturen. Daar komt AI in beeld.

In deze editie van onze serie AI in Landbouw en Voedselproductie zoom ik in op wat dit conflict ons leert over ketenrisico’s, en vooral: hoe AI mengvoerbedrijven helpt om stikstofdruk, vraaguitval en compliance om te zetten in betere besluitvorming—zonder dat je je strategie hoeft te bouwen op rechtszaken.

Wat er echt op het spel staat: ketenrisico in tonnen en euro’s

De inzet is concreet en meetbaar: volgens het artikel liep P. Bos Veevoeders tot dusver 36.000 ton afzet mis door de LBV-regelingen; Fransen Gerrits 350.000 ton. Samen gaat het om € 19 miljoen aan schade door onderbezetting en misgelopen winst.

Dat soort volumes zijn geen ruis. Ze raken drie fundamentele knoppen in een mengvoerbedrijf:

• Capaciteitsbenutting: onderbezetting maakt je kostprijs per ton hoger.
• Voorraad- en grondstoffenrisico: minder afzet, terwijl contracten en posities al lopen.
• Regionale afhankelijkheid: als je afzet sterk lokaal is, is “even verschuiven” naar andere markten vaak een papieren oplossing.

De Staat redeneert dat krimp van de veestapel valt onder “normaal ondernemersrisico” en dat deelname aan regelingen vrijwillig is. De mengvoerbedrijven stellen juist dat beleid “zwabbert” en daarmee bedrijfsaanpassing onmogelijk maakt.

Mijn standpunt: beide verhalen kunnen tegelijk waar zijn, maar ze helpen je operationeel niet. De vraag die wél helpt is: hoe bouw je een bedrijf dat kan blijven draaien als beleid, klantbasis en volumes sneller bewegen dan je organisatie?

Waarom stikstofbeleid voor mengvoerbedrijven extra lastig is

Mengvoer zit precies in het midden van de keten. Je hebt te maken met boeren (vraag), grondstoffenmarkten (aanbod/prijs), en regelgeving (randvoorwaarden). Stikstofbeleid maakt die drie tegelijk instabiel.

De “vrijwillige” krimp voelt niet vrijwillig

Formeel beslist de veehouder. Praktisch spelen onzekerheid over vergunningen, financiering en opvolging mee. Daardoor ontstaat een effect dat je bij meer beleidsterreinen ziet: de keuze is juridisch vrijwillig, maar economisch gestuurd. Voor mengvoerbedrijven maakt die nuance weinig uit: de order valt weg.

Regionale concentratie werkt tegen je

Veel voerbedrijven zijn historisch regionaal gegroeid: logistiek, relaties, specialismen, ruwvoergebieden. Dat is efficiënt in stabiele tijden. In beleidsgedreven krimp wordt het een kwetsbaarheid.

Je kunt niet “even” digitaliseren zoals een dienstverlener

Onderbezetting in een fabriek los je niet op met een nieuw dashboard. Je moet aan knoppen draaien zoals recepturen, productmix, logistiek, grondstoffeninkoop, contractering en verkoop. AI is hier geen speeltje, maar een plannings- en beslismotor.

Van rechtszaal naar regelkring: waar AI direct waarde levert

AI helpt vooral waar beslissingen herhaaldelijk genomen worden onder onzekerheid. Precies het probleem bij stikstofbeleid: volumes verschuiven, maar je moet elke week blijven plannen.

Hieronder staan vier toepassingen die ik in de praktijk het meest kansrijk vind voor mengvoerbedrijven.

1) AI-vraagvoorspelling: eerder zien welke tonnen verdwijnen

Kernpunt: betere forecasting maakt krimp niet weg, maar geeft je tijd om te reageren.

In plaats van “historische afzet + seizoenscorrectie” kun je AI-modellen voeden met signalen uit de keten, zoals:

• klantsegment (melkvee, vleesvarken, pluimvee)
• regio en nabijheid van kwetsbare natuur/vergunningdruk
• bedrijfskenmerken (omvang, leeftijd ondernemer, opvolging)
• aankoopgedrag (frequentie, mix, prijsgevoeligheid)
• externe signalen (regeling-openstellingen, publieke data, financieringsrente)

Wat levert het op?

• eerder bijsturen in inkoopposities
• slimmer capaciteitsplannen (shiftplanning, onderhoud, campagnes)
• gerichtere sales (waar is groei nog wél te vinden?)

Een voerbedrijf dat 6–12 maanden eerder betrouwbare volumescenario’s heeft, koopt simpelweg beter in en plant rustiger. Dat is geld.

2) Recept- en productmixoptimalisatie: stikstofdruk vertalen naar voerkeuzes

Kernpunt: voer is een stuurknop op emissies, maar ook op prestaties en kosten.

AI kan recepturen optimaliseren op meerdere doelen tegelijk, bijvoorbeeld:

• voederconversie / groei / melkproductie
• kostprijs per kg product
• ruw eiwit/aminobalans (N-efficiëntie)
• beschikbaarheid en prijsvolatiliteit van grondstoffen
• klanteisen (concepten, GMO-vrij, regionaal, etc.)

In een stikstofgevoelige context wordt dit relevanter: boeren zoeken (en moeten soms aantonen) dat ze efficiënter met stikstof omgaan. Mengvoerbedrijven kunnen daarin partner zijn—met producten én meetbaarheid.

Praktisch voorbeeld van een AI-aanpak:

1. Verzamel prestaties (leveringen, voederwaardes, groei/melkdata waar beschikbaar).
2. Train modellen die respons op receptwijzigingen voorspellen.
3. Laat een optimizer duizenden varianten doorrekenen binnen nutritionele grenzen.
4. Koppel dit terug naar productontwikkeling en accountmanagement.

Dat gaat verder dan “laag eiwit” als marketingkreet. Het wordt onderbouwde sturing.

3) Emissie- en compliance-monitoring als service (ketenbreed)

Kernpunt: als beleid vraagt om aantoonbaarheid, wordt data een product.

Mengvoerbedrijven hebben een unieke positie: ze kennen afleveringen, recepturen, productcodes, klanten en logistiek. Met AI kun je die datastroom omzetten naar praktische inzichten, zoals:

• voergerelateerde N-excretie-indicatoren (proxy’s)
• benchmarking per klantsegment
• waarschuwingen bij afwijkingen (plots hogere eiwitopname, andere grondstofkwaliteit)
• rapportages die boeren helpen richting adviseur, ketenprogramma’s of financier

Belangrijk: dit vraagt om zorgvuldige afspraken over data-eigenaarschap en privacy. Maar als je het goed doet, ontstaat iets waardevols: compliance die de boer minder tijd kost, en jou een sterkere klantrelatie oplevert.

4) Slimme netwerkplanning: logistiek en productie in een krimpende regio

Kernpunt: krimp betekent niet alleen minder tonnen, maar ook een andere geografie.

AI kan helpen bij:

• routeoptimalisatie met veranderende drop-dichtheid
• herallocatie van klanten naar productielocaties
• scenario’s voor depotlocaties en laadmomenten
• onderhoudsplanning afgestemd op seizoenen en volumepieken

Dat klinkt operationeel, en dat is het ook. Maar juist daar verdwijnt of verschijnt marge.

Een realistisch stappenplan: zo begin je zonder mega-IT-project

Je hoeft niet eerst “AI-ready” te zijn om waarde te pakken. Wat wél werkt is klein beginnen, maar niet vrijblijvend.

Stap 1: Kies één probleem met euro-impact

Goede startpunten voor mengvoerbedrijven onder stikstofdruk:

• forecasting per regio/segment (verlies vroeg zien)
• receptoptimalisatie voor N-efficiëntie + kostprijs
• logistieke herplanning bij lagere drop-dichtheid

Stap 2: Maak data bruikbaar (niet perfect)

Meestal kun je al starten met:

• historische leveringen (tonnen, klanten, producten)
• recepturen en grondstofprijzen
• productie- en logistieke constraints

AI faalt zelden door “te weinig data”; vaker door onduidelijke definities (wat is een klantsegment?), of doordat data verspreid zit zonder eigenaar.

Stap 3: Bouw scenario’s in plaats van één voorspelling

Stikstofbeleid is geen stabiele trend. Werk daarom met 3 scenario’s:

• basis: huidige uitstroom door regelingen
• versneld: extra uitkoop/vergunningdruk
• stabilisatie: uitstel/afzwakking en langere overgang

AI is dan je rekenmachine die consequent doorrekent wat dit doet met tonnen, capaciteit en marge.

Stap 4: Zet governance neer (wie mag wat beslissen?)

Als AI zegt “productmix wijzigen” of “inkooppositie afbouwen”, moet helder zijn:

• wie accordeert
• welke KPI’s leidend zijn
• hoe je achteraf evalueert

Zonder die afspraken blijft AI een rapport, geen stuurmiddel.

Veelgestelde vragen uit de sector (en duidelijke antwoorden)

Helpt AI om stikstofregels ‘op te lossen’?

Nee. AI maakt regels niet milder, maar het maakt je respons sneller en beter onderbouwd. Dat verschil bepaalt of je marge behoudt.

Is dit vooral interessant voor boeren, niet voor mengvoerbedrijven?

Onjuist. Mengvoerbedrijven zitten op een van de rijkste datapunten in de keten: je ziet wat er gevoerd wordt, wanneer en waar. Dat is directe input voor planning, productontwikkeling en klantwaarde.

Gaat dit banen kosten?

Het verschuift vooral werk. Minder brandjes blussen, meer sturen op scenario’s, data en klantresultaat. De bedrijven die dit goed aanpakken, bouwen juist sterkere teams rondom operatie, nutrition en data.

De stelling waar ik wél achter sta

Rechtszaken kunnen richting geven, maar ze zijn geen bedrijfsstrategie. Als stikstofbeleid en ketenkrimp je volumes raken, is het verstandig om óók een route te hebben die binnen 90 dagen resultaat geeft.

AI biedt die route—mits je het inzet op de plekken waar de euro’s zitten: vraagvoorspelling, receptoptimalisatie, compliance als service en netwerkplanning.

Wil je dit in 2026 oppakken, begin dan klein: één use-case, één dataset, één team. En maak het meetbaar: tonnen beter gepland, kosten per ton omlaag, of aantoonbaar betere N-efficiëntie bij klanten.

De vraag die ik je wil meegeven: als de komende 12 maanden nog eens 10–20% van je regionale volume verschuift, wil je dan gelijk krijgen—of wil je gelijk blijven draaien?