Vogelgriep in Altena: wat AI aan schade kan schelen

80.000 vleeskuikens ruimen omdat één bedrijf besmet is. Dat is de harde realiteit van vogelgriep—en precies waarom veel pluimveehouders ondertussen met een ongemakkelijke vraag zitten: waarom ontdekken we het pas laat genoeg dat ruimen de enige optie wordt?

Op 10-12-2025 werd vogelgriep vastgesteld op een vleeskuikenbedrijf in Uitwijk (gemeente Altena). Rond het bedrijf zijn direct zones ingesteld (3 km bescherming, 10 km bewaking) met vervoersverboden voor pluimvee, eieren, mest en gebruikt strooisel. Het was het 23e besmette bedrijf sinds oktober. Volgens het ministerie ging het om individuele besmettingen, zonder overdracht tussen bedrijven.

Dit soort nieuws komt in december extra hard aan. De keten staat onder druk richting de feestdagen, personeelsplanning is krap, en transportbewegingen zijn al strak getimed. Juist dan telt elke dag winst in detectie en besluitvorming. In deze editie van de reeks “AI in Landbouw en Voedselproductie” laat ik zien hoe AI in de praktijk kan helpen om vogelgriep sneller te signaleren, verspreiding beter te begrenzen en economische schade te beperken—zonder te doen alsof techniek alle problemen wegneemt.

Wat er in Altena gebeurde (en waarom zones zo ontwrichtend zijn)

De kern is simpel: een bevestigde besmetting triggert meteen een strak protocol. Ruiming op het bedrijf, beperkingen in de regio, en intensieve monitoring. In Altena lagen vier andere pluimveebedrijven binnen 3 km en twee binnen 10 km. Ook was er een (lichte) overlap met een eerdere 10 km-zone rond Streefkerk (besmetting 21-11-2025).

Die zones zijn logisch vanuit diergezondheid, maar operationeel zijn ze een mokerslag:

• Logistiek valt stil: eieren, kuikens, mest en strooisel mogen niet weg.
• Planning schuift: slachtmomenten, voerleveringen, servicebezoeken.
• Kosten lopen door: arbeid, energie, voer, en soms extra welzijnsmaatregelen.
• Markt- en contractrisico: leveringsafspraken komen onder spanning.

En dat alles terwijl je als ondernemer vaak niet “ziek” bent in de zin van zichtbare uitbraken in de omgeving. Dit is precies waar data en AI wél waarde leveren: niet door regels te vervangen, maar door eerder en gerichter te handelen.

Waarom ‘sneller ontdekken’ bij vogelgriep lastig is

Vogelgriep (hoogpathogeen) kan snel escaleren, maar het verraderlijke is dat vroege signalen soms lijken op “gedoe dat je in de winter vaker ziet”: iets meer uitval, iets minder voeropname, wat wisselende staltemperaturen door ventilatie-instellingen.

Vroege signalen zijn vaak zwak en verspreid

In de praktijk zitten de aanwijzingen niet in één meting, maar in een patroon:

• kleine stijging in dagelijkse uitval per afdeling
• afwijkend drink- en voerpatroon
• verandering in activiteit (meer stil, minder uniform)
• temperatuur- en CO₂-schommelingen door aangepast gedrag van dieren

Een mens ziet dat meestal pas als het meerdere dagen optelt. AI kan die puzzel sneller leggen, omdat het duizenden datapunten tegelijk kan vergelijken met het normale bedrijfspatroon.

De realiteit op veel bedrijven: data is er wel, maar blijft ongebruikt

Veel pluimveebedrijven hebben al sensoren (klimaatcomputer, watermeters, voerregistratie). Het probleem is vaak niet dat er geen data is, maar dat:

• data in silo’s zit (klimaat ≠ voer ≠ diergezondheid)
• alarmdrempels te grof zijn (veel valse meldingen)
• er geen benchmark is per stal/ronde/seizoen

AI wordt pas echt nuttig als je van “metingen” naar context gaat: wat is normaal op dinsdag in week 4 van de ronde, bij dit ras, bij deze bezetting?

AI in ziektebewaking: wat werkt wél op een pluimveebedrijf

De meest bruikbare AI-toepassingen bij vogelgriep zijn niet de “grote beloftes”, maar de stille systemen die elke dag meedraaien en afwijkingen spotten.

1) Anomaliedetectie op staldata (klimaat, water, voer)

Antwoord eerst: AI kan vogelgriep niet bevestigen, maar wél sneller een verdacht afwijkingspatroon herkennen.

Een goed anomaliedetectiemodel leert het normale ritme van jouw bedrijf en slaat aan bij combinaties zoals:

• wateropname daalt terwijl temperatuur en ventilatie stabiel zijn
• voeropname wijkt af van de groeicurve, zonder managementwijziging
• uitval stijgt net boven het “winterruis”-niveau, maar wel consistent

Praktisch advies:

• Start met 3 databronnen: water, uitval, klimaat. Dat is meestal al genoeg voor bruikbare signalen.
• Train op minimaal 6–10 rondes (of combineer met sectordata via integrator/voerleverancier).
• Werk met “waarschuwingsniveaus” (geel/oranje/rood) i.p.v. één alarm.

2) Computer vision: gedrag en uniformiteit meten

Camera’s in de stal worden steeds beter in het herkennen van patronen zoals clustering, minder beweging, of afwijkende spreiding rond voer- en drinklijnen.

Ik ben hier wel uitgesproken in: camera-AI is vooral waardevol als je het koppelt aan staldata. Alleen een “bewegingsscore” zonder context levert te veel valse alarmen op (denk aan lichtregimes, voermomenten, stalbezoeken).

Toepassing die ik vaak sterk vind:

• AI die afdeling-verschillen detecteert: afdeling A gedraagt zich ineens anders dan B en C, terwijl management gelijk is.

3) Regionale risico-inschatting: van kaart naar beslissing

Bij uitbraken spelen zones, overlapgebieden en transportstromen een enorme rol. AI kan helpen met scenario’s:

• Welke routes (voer, eieren, mest) kruisen risicogebieden?
• Waar zitten ‘contactpunten’ zoals vangploegen, servicebedrijven, laadplaatsen?
• Welke bedrijven hebben vergelijkbare risicoprofielen (nabij water, veel wildvogels, erfstructuur)?

Dit is precies de brug naar de bredere serie “AI in Landbouw en Voedselproductie”: AI optimaliseert niet alleen de stal, maar ook de voedselketen—van planning tot risicobeheersing.

Van detectie naar containment: zo maak je AI bruikbaar in je protocol

AI levert pas geld en rust op als het ingebed is in een werkbaar stappenplan. Anders blijft het een dashboard dat niemand opent.

Een praktisch 72-uursplan bij ‘AI-alert’

Antwoord eerst: definieer vooraf wat je doet bij een afwijking, anders heb je bij stress geen houvast.

Binnen 0–6 uur (triage)

• Controleer datakwaliteit: watermeter, registratie, instellingen.
• Loop een vaste checkronde (zelfde punten, zelfde volgorde).
• Noteer: uitval, mestbeeld, geluid, spreiding, ventilatiegedrag.

Binnen 6–24 uur (verifiëren en beperken)

• Splits stal in zones: beperk looplijnen en materialen.
• Extra hygiëne: laarzen/overall per afdeling, desinfectiepunten.
• Breng adviseur/dierenarts op de hoogte met objectieve data (grafieken per uur/dag).

Binnen 24–72 uur (beslissen)

• Herhaal metingen en vergelijk met referentierondes.
• Indien verdenking aanhoudt: escalatie volgens sector-/ketenafspraken.
• Leg alles vast: tijdlijn, acties, betrokkenen (handig richting verzekering/keten).

Het voordeel: je reduceert paniek en je maakt het proces auditbaar. Dat is precies wat je nodig hebt als zones, vervoersverboden en bedrijfscontinuïteit op het spel staan.

Veelgestelde vragen die ik nu vaak hoor (en mijn antwoord)

“Helpt AI ruimen voorkomen?”

Soms. Niet altijd. AI kan vooral tijd winnen: sneller opschalen, eerder testen, eerder contacten beperken. Bij hoogpathogene vogelgriep kan zelfs 24–48 uur verschil veel betekenen voor spreiding en logistieke schade.

“Is dit alleen haalbaar voor grote bedrijven?”

Nee, maar je moet wel slim starten. Begin klein met bestaande data (water/voer/uitval) en voeg pas later camera’s of externe databronnen toe.

“Krijg ik niet vooral valse alarmen?”

Als je alleen vaste drempels gebruikt: ja. Als je werkt met bedrijfs-specifieke baselines en combinaties van signalen: veel minder. Goed AI-ontwerp draait om minder meldingen, niet om meer.

Wat dit Altena-geval ons leert over digitalisering in pluimveehouderij

De feiten uit Altena zijn helder: een besmet bedrijf, een ruiming, zones en vervoersverboden. Maar de les eronder is groter: we managen dierziekten nog te vaak reactief, terwijl de sector al een berg bruikbare data heeft.

Als je één ding meeneemt uit deze post, laat het dit zijn:

AI is geen vervanging van veterinaire diagnose; het is een vroegwaarschuwingssysteem dat jouw beslissingen sneller en beter onderbouwd maakt.

Voor 2026 zie ik twee trends die je als ondernemer nu al kunt voorbereiden:

1. Strakkere keten-eisen rond biosecurity en datadeling (niet omdat men je wil controleren, maar omdat besmettingen de hele keten raken).
2. Praktische AI-toepassingen die in de achtergrond draaien: minder dashboards, meer automatische signalering en rapportage.

Wie nu begint met een nuchtere data-basis, staat bij de volgende uitbraak niet met lege handen.

Wil je weten waar je op jouw bedrijf de meeste winst pakt—detectie, planning, of regionale risico’s? Dan is een korte data-scan vaak al genoeg om de eerste stappen scherp te krijgen. Welke databron heb jij vandaag al draaien in de stal, maar gebruik je nog niet als vroegsignaal?