AI helpt agrarische diversificatie: van varken naar kip

Cranswick is een mooi voorbeeld van iets wat je in de sector steeds vaker ziet: een bedrijf dat diep geworteld is in één dierlijke keten (varkens), maar z’n groei en marge steeds vaker haalt uit een andere (kip) én uit aanpalende activiteiten. In het artikel van 08-12-2025 wordt dat scherp zichtbaar: Cranswick blijft sterk in varkens, is voor 55% zelfvoorzienend in de aanvoer van varkens, maar verdient ondertussen steeds meer met kip, plus huisdiervoeding en zelfs humus.

Dat is geen romantisch verhaal over “gewoon wat erbij doen”. Dit is keiharde bedrijfsvoering: risico spreiden, schaal benutten, en vooral sneller beslissen met betere data. En precies daar past deze post in onze reeks AI in Landbouw en Voedselproductie: als je diversifieert (van varken naar kip, of breder: van één keten naar meerdere), wordt je bedrijf geen simpele boerderij meer, maar een datagedreven operatie. Wie dat onderschat, betaalt leergeld.

Waarom ‘van varken naar kip’ zo logisch is (en toch vaak misgaat)

Diversificatie werkt pas als je de verschillen tussen ketens serieus neemt. Varkens en pluimvee lijken allebei “vlees”, maar in de praktijk zijn het twee totaal andere werelden qua biosecurity, planning, voer, contracten, slachtschema’s en prijsvorming.

Cranswick laat zien waarom kip aantrekkelijk is: de vraag is stabieler, de omloopsnelheid is hoger en de keten is vaak strakker gepland. Tegelijk is het een sector waar kleine verstoringen (voer, uitval, transport, slachtcapaciteit) direct doorwerken in je marge.

De grootste valkuil: sturen op gevoel in plaats van op variatie

Veel bedrijven sturen nog op gemiddelden: gemiddelde groei, gemiddelde voerconversie, gemiddelde uitval. Maar bij diversificatie is variatie je echte vijand. Eén stal die “net iets anders draait” kan op jaarbasis het verschil maken tussen winst en frustratie.

AI is hier niet bedoeld als hippe toevoeging, maar als beslissingsondersteuning: sneller zien wat afwijkt, voorspellen wat er gaat gebeuren, en ingrijpen vóór je KPI’s wegzakken.

Wat Cranswick ons leert over ketenflexibiliteit

Cranswick is van oorsprong een varkensbedrijf, maar haalt groei uit meerdere activiteiten. Dat vraagt om ketenflexibiliteit: volumes kunnen verschuiven, productmix aanpassen, en klanten bedienen met verschillende eisen. De extra twist: het bedrijf verkoopt ook meer aan het buitenland, maar blijft voorlopig vooral afhankelijk van de Britse markt.

Dat spanningsveld herken je in België en Nederland ook. Export is aantrekkelijk, maar het maakt je planning kwetsbaarder: wisselende specificaties, andere eisen rond kwaliteit en certificering, en grotere impact van logistieke verstoringen.

Zelfvoorzienendheid (55%) is een datapuzzel

Die 55% zelfvoorzienendheid in varkensaanvoer is strategisch: het geeft grip op continuïteit, kwaliteit en kosten. Maar “grip” ontstaat niet vanzelf. Het ontstaat door:

• betere voorspellingen van aanvoer en slachtgewicht
• scherpere monitoring van gezondheid en prestaties
• strakke afstemming tussen primaire productie en verwerking

AI helpt hier concreet door vraag en aanbod op elkaar te leggen: wat verwacht de markt over 6–12 weken, en welke dieren (of koppels) passen daar het best bij? Dat is ketenoptimalisatie, niet alleen stalmanagement.

Waar AI het verschil maakt bij diversificatie

AI helpt vooral op drie plekken waar diversificatie het meest pijn doet: planning, gezondheid en marge. Hieronder de praktische toepassingen die ik in de sector het meest effectief vind.

1) Opbrengstvoorspelling en prijsscenario’s (beslissen zonder koffiedik)

Als je uitbreidt naar kip, stap je vaak in andere contractvormen en prijscycli. AI-modellen kunnen historische prijzen, voerkosten, energie en seizoenspatronen combineren tot scenario’s.

Wat levert dat op?

• Best-case / base-case / worst-case marge per ronde
• gevoeligheidsanalyse: wat als voer +8% stijgt, of uitval +0,7%?
• betere timing van investeringen (stal, ventilatie, automatisering)

Belangrijk: je hoeft geen perfect model te hebben. Je hebt een model nodig dat eerlijk is over onzekerheid en je dwingt om aannames expliciet te maken.

2) Precisieveehouderij: vroege signalen in plaats van late schade

In pluimvee kan een kleine verslechtering in klimaatregeling of wateropname razendsnel escaleren. AI kan sensordata (temperatuur, CO₂, RV), voerverbruik, wateropname en groei koppelen aan afwijkingen.

Praktisch voorbeeld van zo’n AI-alarm:

• wateropname daalt 4% t.o.v. verwacht patroon
• CO₂ piekt structureel in de nacht
• groei blijft net achter

Zonder hulpmiddelen zie je dat vaak pas als de ronde al “gebroken” is. Met AI zie je het als een patroonbreuk en kun je bijsturen op ventilatie, lichtschema of voerstrategie.

3) Ketenoptimalisatie: minder verspilling, meer leverbetrouwbaarheid

Diversificatie betekent vaak ook: meer SKU’s, meer klanten, meer eisen. AI kan forecasten op klantniveau en productniveau, en helpen met:

• slacht- en uitsnijplanning (welke delen gaan waarheen?)
• voorraadoptimalisatie (minder derving in koelketen)
• transportplanning (minder lege kilometers)

Dit is waar veel winst ligt, zeker richting de feestdagen. In december zie je pieken in vraag, maar ook haperingen door capaciteit en logistiek. Bedrijven die hun keten data-first sturen, hebben simpelweg minder stress en betere marges.

Van strategie naar uitvoering: een 90-dagen aanpak

AI klinkt groot, maar je kunt klein beginnen. Dit is een aanpak die ik vaker zie werken bij bedrijven die van één keten naar meerdere groeien.

Stap 1 (week 1–2): kies één KPI die je pijn doet

Voor kip is dat vaak: uitval, voerconversie, uniformiteit, of energie per kg. Voor varkens: groei, uitval, antibioticagebruik, of leverbetrouwbaarheid.

Kies er één. Niet vijf.

Stap 2 (week 3–6): breng je data bij elkaar (zonder te “digitaliseren om te digitaliseren”)

Je hebt meestal al genoeg:

• stalcomputer- en sensordata
• voergegevens
• slachtgegevens
• productie- en uitvalregistratie
• energieverbruik

De truc is niet méér data, maar betere koppeling.

Stap 3 (week 7–10): bouw een simpel voorspelmodel + dashboards

Doel: elke week dezelfde vragen beantwoorden:

1. Lopen we op schema?
2. Waar wijken we af?
3. Wat is de meest waarschijnlijke oorzaak?
4. Wat is de goedkoopste ingreep die het meeste effect heeft?

Stap 4 (week 11–13): zet beslisregels neer

AI zonder beslisregels is een fancy rapport. Denk aan regels zoals:

• “Bij afwijking wateropname >3% twee dagen op rij: check nippels + klimaat.”
• “Bij CO₂-nachtpieken drie nachten: ventilatiecurve aanpassen.”
• “Bij verwachte marge < X: alternatieve afzetmix doorrekenen.”

Hier wordt AI een managementtool.

Veelgestelde vragen die ik krijg (en de korte antwoorden)

Werkt AI ook voor middelgrote bedrijven?

Ja, vaak juist beter dan bij hele grote organisaties, omdat je sneller kunt beslissen en bijsturen. Begin met één use-case en schaal pas op als het echt waarde oplevert.

Heb ik meteen sensoren en nieuwe systemen nodig?

Niet altijd. Veel bedrijven hebben al bruikbare data in bestaande systemen. De eerste winst komt meestal uit koppelen, opschonen en slim visualiseren.

Past dit binnen strengere regels en maatschappelijke druk?

Ja. AI kan helpen om aantoonbaar te sturen op welzijn, emissies en antibioticareductie, omdat je processen meetbaar maakt. Dat maakt audits en keteneisen concreter.

Wat je vandaag van Cranswick kunt meenemen

Cranswick’s beweging van varkens naar kip laat één ding glashelder zien: diversificatie is een dataprobleem voordat het een investeringsprobleem is. Je kunt een stal bouwen, maar zonder betere voorspelling, monitoring en ketenplanning ga je schommelen op marge en rust.

Voor agrarische bedrijven in België en Nederland die nadenken over verbreding of een switch in diercategorie, is dit het moment om AI niet te zien als IT-project, maar als bedrijfsvoering. Zeker richting 2026, met aanhoudende druk op kosten, regelgeving en marktvolatiliteit.

Wil je weten waar AI bij jouw bedrijf het snelst rendeert: in stalprestatie, in planning, of in ketenoptimalisatie? Welke keuze je maakt, zegt veel over hoe klaar je bent voor de volgende stap.