Pluimveevoerprijzen stagneren: grip met AI op kosten

De voerprijs is weer zo’n post waar je niet omheen kunt. In 2025 zagen veel pluimveehouders maandenlang dalingen, maar die lijn is in het najaar duidelijk afgevlakt. Bij legmeel ging de prijs van bijna € 40,00 per 100 kg (maart) naar € 36,10 per 100 kg (september) en bleef daarna hangen. Ook bij vleeskuikenkorrel zakte de prijs langer door, tot in november, maar de ruimte omlaag werd kleiner.

Dat voelt misschien als “even pas op de plaats”, maar in de praktijk betekent het iets anders: je kunt niet meer rekenen op vanzelf goedkopere voeders. En precies daarom past dit onderwerp perfect in onze serie AI in Landbouw en Voedselproductie: als de markt niet meer meewerkt, moet je je sturing slimmer maken.

Wat ik bij bedrijven steeds opnieuw zie: wie zijn voer- en productiedata goed vastlegt, kan met relatief eenvoudige AI-analyses (en soms zelfs al met slimme dashboards) sneller reageren op prijsdruk, grondstofschommelingen en voerefficiëntie. Niet met grote woorden, maar met kleine beslissingen die op jaarbasis wél tellen.

Waarom de prijsdaling bij pluimveevoer stokt

De kern is simpel: grondstoffen bepalen de bodem van je voerprijs, en die bodem lijkt bereikt.

In de markt zie je twee duidelijke bewegingen die de daling afremmen:

1. Graanprijzen lijken een bodem te hebben bereikt. Als tarwe/maïs niet verder daalt, kan mengvoer niet structureel blijven dalen.
2. Eiwitprijzen trekken aan, mede doordat China grotere volumes sojabonen uit de VS wil kopen. Meer vraag betekent meestal: minder prijsruimte.

Voor pluimveehouders is dat extra relevant omdat voer vaak de grootste kostenpost is. Een voerprijs die stagneert, drukt direct op marge—zeker als eier- of vleesprijzen niet in hetzelfde tempo meebewegen.

Raapschroot vs. sojaschroot: de stille verschuiving

Een interessant detail uit de praktijk: raapschroot wordt een steeds serieuzere concurrent van sojaschroot, vooral omdat het vaak goedkoper is. In havens zoals Rotterdam zie je dat terug in overslagstromen.

Dat betekent niet dat iedereen morgen volledig moet overschakelen. Het betekent wél: de ruimte om te optimaliseren zit vaker in je grondstoffenmix en formulering dan in “even wachten op betere prijzen”.

Wat stagnerende voederprijzen concreet doen met je bedrijfsvoering

De directe impact is voorspelbaar: als voer niet goedkoper wordt, moet je winst komen uit efficiëntie, betere planning of betere verkoopcondities. Maar de indirecte impact wordt vaak onderschat.

Hier zijn drie effecten die ik in gesprekken met ondernemers het vaakst hoor:

• Meer onzekerheid in cashflow: je koopt voer in tegen prijzen die niet dalen, terwijl je opbrengstprijs volatiel blijft.
• Minder ‘buffer’ voor tegenvallers: een slechtere koppel, hogere uitval of lagere leg kan je resultaat sneller onderuit halen.
• Meer druk op technische resultaten: voerconversie (FCR), uniformiteit, groei/legcurve en gezondheid worden nóg bepalender.

Seizoenseffect: december is zelden “rustig”

Op 21-12-2025 zitten veel bedrijven in de eindejaarsmodus: feestdagen, logistiek die krapper wordt, minder slachtdagen, soms wisselende vraag. Juist dan wil je geen verrassingen in je voerkosten of voorraad.

Stagnerende prijzen maken dat je strategie rond voorraad (wel/niet vastleggen), contracten en recepturen meer aandacht vraagt dan in een dalende markt.

Waar AI écht helpt: van marktdata naar voer- en marge-sturing

AI is geen magische knop. Maar in voer- en kostenbeheer is AI vaak wél praktisch, omdat je al veel data hebt: facturen, leveringsbonnen, silo-niveaus, voeropname, productie, klimaat, diergewicht, eiergewicht, uitval.

De belangrijkste winst: AI maakt je besluitvorming sneller en consistenter, vooral wanneer er veel variabelen tegelijk schuiven.

1) Prijsmonitoring en inkoopmomenten voorspellen

Met AI-ondersteunde prijsmonitoring combineer je:

• historische grondstofprijzen
• valutabewegingen
• seizoenspatronen
• interne verbruiksdata

Daar komt geen perfecte voorspelling uit, maar wél iets waardevols: een waarschijnlijkheidsband.

Een bruikbare uitspraak voor de werkvloer: “We voorspellen geen prijs, we voorspellen risico.”

Praktisch resultaat: je koopt niet “op gevoel”, maar op basis van signalen. Bijvoorbeeld: wanneer graan stabiliseert en eiwit aantrekt, kan het slim zijn om (een deel van) eiwitcomponenten eerder vast te leggen, terwijl je energiegrondstoffen korter aanhoudt.

2) Receptoptimalisatie: goedkoper voeren zonder prestaties te slopen

Veel bedrijven durven (begrijpelijk) niet te veel te rommelen aan voer. Toch is er vaak ruimte voor optimalisatie, zeker als alternatieven zoals raapschroot aantrekkelijker worden.

AI kan hier helpen met:

• scenario’s (wat als soja +5% stijgt?)
• constraint-based formulering (nutriënten, aminozuren, grenzen aan grondstoffen)
• prestatie-impact (op basis van historische koppels)

Belangrijk: dit werkt alleen als je het koppelt aan technische data. Goedkoper voer dat 1–2 punten FCR kost, is vaak alsnog duurder.

3) Voerconversie en afwijkingen vroeg signaleren

Veel stallen ontdekken een verslechterende voerconversie pas laat: als de koppel al “uit de pas” loopt.

Met eenvoudige machine learning (of zelfs slimme statistiek) kun je:

• afwijkende voeropname per dag detecteren
• relatie leggen met klimaat (temperatuur, RV, ventilatie)
• een alarm geven als het patroon afwijkt van “normaal” voor die leeftijd

Daarmee pak je problemen eerder: water, voerstructuur, darmgezondheid, stress, lichtschema.

4) Ketenbrede sturing: van voerprijs naar productprijs

In België (en ook in Nederland) zie je steeds meer ketenconcepten met eisen rond herkomst, CO₂, antibioticagebruik en voercomponenten. Dat kan spannend zijn, maar het is óók een kans.

AI in de voedselvoorzieningsketen helpt om:

• voerkeuzes te koppelen aan footprint-rapportage
• marges per concept/afnemer te vergelijken
• contractafspraken te onderbouwen met data

Als voerprijzen stagneren, wordt dit relevanter: je marge komt dan vaker uit conceptwaarde en minder uit “goedkoop inkopen”.

Praktische aanpak: zo begin je deze winter (zonder IT-project)

Je hoeft echt niet meteen een datawarehouse te bouwen. Een werkbare start in de komende 30 dagen:

1. Maak één waarheidstabel
   • per levering: datum, type voer, prijs/100 kg, leverancier, silo, batch
2. Koppel minimaal één prestatietabel
   • leg%/eiergewicht of groei/FCR per week
3. Definieer 3 KPI’s die je elke week bekijkt
   • voerprijs (actueel vs. 3 maanden gemiddelde)
   • technische prestatie (FCR of voer/100 eieren)
   • marge-indicator (op basis van eigen opbrengstprijs)
4. Zet drempels voor actie
   • bijvoorbeeld: bij +€ 0,75/100 kg voer binnen 4 weken → scenario op recept/inkooptiming

Wat daarna vaak vanzelf gebeurt: je ziet patronen waar je eerder overheen keek. En dát is precies waar AI handig wordt—AI is sterk in patronen vinden in rommelige realiteit.

Veelgestelde vragen (zoals ik ze in de praktijk hoor)

Is AI alleen interessant voor grote integraties? Nee. Juist bij middelgrote bedrijven is de winst vaak snel zichtbaar, omdat er al genoeg data is maar de analyse nog handmatig gebeurt.

Heb ik sensoren nodig in de stal? Niet per se. Start met inkoop- en productiedata. Sensoren (voer/water, klimaat) maken het beter, maar zijn geen voorwaarde.

Gaat AI mijn voeradviseur vervangen? Als je het goed doet: nee. AI maakt de voorbereiding scherper. De adviseur blijft nodig voor interpretatie, gezondheid, randvoorwaarden en praktijkkeuzes.

Wat dit betekent voor 2026: sturen op marge wordt standaard

De boodschap achter stagnerende pluimveevoerprijzen is niet ingewikkeld: de makkelijke meevaller is op. Als grondstoffen bewegen (graan bodem, eiwit omhoog), komt kostenbeheersing vooral uit betere sturing.

In onze serie AI in Landbouw en Voedselproductie past dit perfect: AI helpt je om markt- en staldata te verbinden en sneller te kiezen tussen vastleggen, variëren in grondstoffen, of bijsturen op prestaties. Het doel is niet “high-tech”, het doel is rust in je beslissingen.

Wil je dit concreet maken voor je eigen bedrijf? Begin klein: zet je voer- en prestatiedata netjes naast elkaar en kies één plek waar je wekelijks op stuurt. Als je die discipline hebt, is de stap naar AI-ondersteunde voorspelling en optimalisatie ineens veel minder groot.

En nu de vraag die er echt toe doet: als de voerprijs de komende maanden licht oploopt, weet jij dan vooraf welke knop je als eerste indrukt—inkoop, recept, of techniek?