AI op veevoerkrimp: slimmer sturen in de keten

De Nederlandse mengvoerproductie voor varkens en rundvee krijgt in 2025 een harde tik: volgens de prognose van de Europese federatie van mengvoerfabrikanten Fefac daalt varkensvoer in Nederland met 10% en rundveevoer met 5%. Op EU-niveau is het beeld veel vlakker: de totale mengvoerproductie in de EU-27 komt naar verwachting uit op 147,5 miljoen ton, een lichte stijging van 0,4%.

Dat contrast is precies waarom dit onderwerp nú relevant is, zo vlak voor de jaarwisseling (21-12-2025). Terwijl veel bedrijven plannen maken voor 2026, schuiven de randvoorwaarden onder onze voeten: regelgeving, dierziekten, marktvolatiliteit en maatschappelijke druk. De reflex is vaak: “Dan moeten we vooral efficiënter produceren.” Maar de werkelijkheid? Je kunt je niet efficiënt uit een onvoorspelbare keten werken zonder betere sturing.

In deze editie van onze serie AI in Landbouw en Voedselproductie kijk ik naar wat deze krimp in veevoerproductie betekent voor de voedselketen in Nederland en België, en vooral: hoe je met AI en data sneller, scherper en met minder risico kunt bijsturen.

Wat zegt de krimp echt over de keten?

De kern: Nederland krimpt in varkens- en rundveevoer, terwijl Europa gemiddeld stabiel blijft. Dat wijst op nationale factoren (beleid, structuur, sectorontwikkelingen) die zwaarder doorwegen dan de “Europese markt”. Voor ketenpartijen is dat geen statistiek, maar een signaal: beschikbaarheid, prijs, recepturen en logistiek kunnen sneller veranderen dan je contracten en planningen.

Fefac schetst daarbij sectorverschillen:

• Rundveevoer EU blijft stabiel op 41,6 miljoen ton. Nederland daalt 5%, Duitsland stijgt 3%.
• Varkensvoer EU daalt licht met 0,5% naar 47,3 miljoen ton. Nederland daalt 10%.
• Pluimveevoer EU groeit 1,5% naar 50,7 miljoen ton ondanks vogelgriepdruk.

Een simpele, maar bruikbare conclusie voor managers in voer, verwerking en retail: de keten verschuift niet overal gelijk. Daardoor ontstaan fricties. En frictie is waar marges verdampen.

Waarom dit ketenbreed pijn doet (ook buiten Nederland)

Nederland is een knooppunt in grondstoffen, logistiek en kennis. Als hier productievolume afneemt, krijg je doorwerking in:

• grondstoffeninkoop (timing, volumes, alternatieven)
• fabrieksbezetting (omstelverliezen, kosten per ton)
• transportplanning (minder voorspelbare ritten en levermomenten)
• voederstrategieën op het erf (meer variatie in samenstelling en beschikbaarheid)
• afnemerszekerheid (slachterijen, zuivel, integraties)

Voor België is dit extra relevant: veel Belgische ketenpartijen hangen direct of indirect samen met Nederlandse stromen (grondstoffen, premixen, kennis, handel). Een nationale krimp is dus al snel een regionale supply-chain-variabele.

Wat veroorzaakt die daling – en waarom AI daar wél iets mee kan

De bron noemt expliciet regelgeving als factor bij rundveevoer en wijst op dierziekten als structurele druk in Europa (zoals mond-en-klauwzeer en Afrikaanse varkenspest). Voeg daar bij:

• afbouw of herstructurering van veestapels
• strengere emissie- en mestkaders
• onzekerheid rond vergunningen
• prijsdruk en consumentenvoorkeuren

Veel daarvan kun je als individuele schakel niet “oplossen”. Maar je kunt er wel beter op anticiperen.

AI is vooral sterk in situaties waarin meerdere onzekerheden tegelijk spelen. Niet omdat AI de toekomst perfect voorspelt, maar omdat het sneller patronen ziet, scenario’s doorrekent en signalen oppikt die mensen missen.

Drie ketenproblemen die AI concreet kan aanpakken

1. Vraag- en volumeschommelingen: minder dieren betekent minder voer, maar niet lineair (andere rantsoenen, meer bijproducten, verschuiving naar andere diercategorieën).
2. Receptuur- en grondstofflexibiliteit: prijzen en beschikbaarheid van soja, granen, bijproducten en additieven wisselen continu.
3. Capaciteits- en logistieke stress: kleinere batches, meer productvarianten, hogere omsteltijden, last-minute orderwijzigingen.

AI helpt vooral door van “gemiddelde planning” naar dynamische planning te gaan.

AI in de mengvoerketen: 5 toepassingen die direct renderen

De snelste winst zit meestal niet in een futuristische robot, maar in besluitvorming. Hieronder vijf toepassingen die ik in de praktijk het vaakst zie werken bij voerbedrijven, coöperaties en ketenregisseurs.

1) Prognoses die verder gaan dan ‘vorig jaar + trend’

De klassieke forecast (Excel, historisch gemiddelde) breekt zodra beleid, diergezondheid of afzetkanalen verschuiven. Machine learning-modellen combineren juist meerdere signalen, bijvoorbeeld:

• orderhistorie en seizoenspatronen
• diercategorie-mix per regio
• grondstofprijzen en futures-indicatoren
• stalbezetting/krimpindicatoren (intern of via sectorinfo)
• productiecapaciteit en onderhoudsplanning

Resultaat: betere volumebeslissingen per fabriek en minder “brandjes” in planning.

Een goede AI-forecast geeft niet één getal, maar een bandbreedte met scenario’s: basis, krap, ruim.

2) Receptuur-optimalisatie onder echte randvoorwaarden

Formulering draait niet alleen om prijs per ton. Je moet rekening houden met:

• nutritionele eisen per dierfase
• beschikbaarheid en levertijden
• CO₂-footprint of duurzaamheidseisen
• kwaliteitsvariatie van bijproducten

AI kan helpen met multi-objective optimalisatie: goedkoper én stabieler én met lagere footprint, binnen jouw grenzen.

Praktisch voorbeeld: als een bijproduct rond de feestdagen goedkoper beschikbaar is (denk aan seizoensreststromen), kan AI voorstellen:

• waar het past in recepturen
• welke klanten het kunnen gebruiken
• welke kwaliteitsmetingen extra nodig zijn

3) Predictive maintenance en energie-sturing (zeker in de winter)

December en januari zijn maanden waarin energie- en onderhoudsissues extra pijn doen: piekbelasting, storingen, strakke levervensters.

Met sensordata op persen, molens en transportlijnen kun je storingen voorspellen en onderhoud plannen wanneer het het minste kost. Combineer dit met energieprijzen en je krijgt:

• lagere downtime
• voorspelbare leverbetrouwbaarheid
• lagere kosten per ton (zeker bij lagere volumes)

4) Kwaliteitscontrole met vision en anomaly detection

Krimp in volume betekent vaak: meer productvarianten, kleinere batches. Dat vergroot de kans op afwijkingen.

AI-toepassingen kunnen:

• afwijkende korrelstructuur detecteren
• vocht- of temperatuurpatronen signaleren
• ongebruikelijke labwaarden markeren vóór uitlevering

Belangrijk: niet om mensen te vervangen, maar om QA-teams te helpen focussen op echte risico’s.

5) Slimme ketenafstemming tussen boer, voerleverancier en verwerker

Dit is de stap waar veel partijen nog blijven hangen, omdat data “van niemand en iedereen” is.

Toch is hier de grootste ketenwinst te pakken. Als je feed, dierprestaties en afzet beter koppelt, kun je:

• voer beter afstemmen op doelen (groei, emissie, gezondheid)
• schommelingen dempen (minder pieken/dalen in vraag)
• sneller reageren op ziekte- of marktdruk

Een realistische start is een gezamenlijk dashboard met:

• verwachte voervraag (per week)
• leverbetrouwbaarheid en veiligheidsvoorraad
• grondstofrisico’s (prijs/levering)
• kwaliteits-KPI’s

Wat betekent dit voor 2026? Een nuchtere kijk op scenario’s

De krimp (10% varkensvoer, 5% rundveevoer) is niet alleen een “2025-issue”. Het is een signaal dat de Nederlandse voerketen in een andere modus komt: minder volume, meer variatie, meer onzekerheid.

Voor 2026 zie ik drie scenario’s die je als organisatie expliciet moet doorrekenen:

1. Gestage afbouw: volume daalt verder, focus op efficiency en niche-kwaliteit.
2. Schokscenario: extra beleidsingrepen of dierziektedruk veroorzaken plotselinge dalingen of handelsbeperkingen.
3. Herpositionering: minder bulk, meer speciale voeders, datagedreven ketenconcepten, lagere footprint.

AI is in alle drie scenario’s nuttig, maar om verschillende redenen:

• bij afbouw: kosten per ton beheersen
• bij schokken: sneller herplannen en risico’s beperken
• bij herpositionering: sturen op performance en waarde, niet alleen op volume

Praktische start: zo pak je AI in veevoer en supply chain wél goed aan

Veel AI-projecten stranden op één van deze twee punten: te grote ambities of te rommelige data. Mijn advies: begin klein, maar kies een probleem dat pijn doet.

Een werkbare 90-dagen aanpak

1. Kies één KPI die iedereen voelt: leverbetrouwbaarheid, voorraad, omsteltijd, afkeur, energie per ton.
2. Breng je datastromen in kaart: ERP, productie (SCADA), lab, logistiek, inkoop.
3. Maak één “minimum viable model”: forecast, receptuursuggestie of storingsvoorspelling.
4. Test in één fabriek of regio: niet meteen overal.
5. Borg eigenaarschap: wie neemt beslissingen op basis van het model?

Een kleine, maar cruciale keuze: bouw je AI rondom het werkproces, niet als extra dashboard dat niemand opent.

People also ask (in de praktijk)

Wordt mengvoer door AI automatisch goedkoper? AI maakt het vooral voorspelbaarder: minder spoedinkoop, minder omstelverlies, minder afkeur. Dat drukt kosten zonder dat je kwaliteit hoeft in te leveren.

Is AI haalbaar voor middelgrote voerbedrijven? Ja, mits je start met één use-case. De meeste waarde zit in betere planning en kwaliteitsbewaking, niet in een groot ‘moonshot’-platform.

Wat heb je minimaal nodig aan data? Orderhistorie, recepturen, batchdata, kwaliteitsmetingen en basislogistiek. Perfecte data bestaat niet; consistentie is belangrijker.

De krimp is geen eindpunt, maar een test voor ketensturing

De daling in Nederlandse productie van varkens- en rundveevoeders in 2025 is een duidelijke waarschuwing: stabiliteit in Europa betekent niet automatisch stabiliteit in jouw regio of keten. Wie in 2026 wil blijven leveren met gezonde marges, moet sneller kunnen schakelen dan de onzekerheid toeneemt.

AI is daarbij geen luxe. Het is simpelweg een manier om eerder te zien wat eraan komt, betere keuzes te maken onder druk en de keten minder fragiel te maken—van grondstof tot boer, en van boer tot verwerker.

Wil je dit concreet maken voor jouw organisatie? Begin met één vraag: welke beslissing nemen we vandaag op onderbuikgevoel, terwijl de data al in huis is? Daar zit meestal het eerste AI-project dat echt leads én resultaat oplevert.