Kunstmest, koersdruk en AI: zo verklein je risico’s

Op 17-12-2025 stapte de Vereniging van Effectenbezitters (VEB) naar de rechter om de plannen rond kunstmestproducent OCI te blokkeren. De kern van het conflict: een grootaandeelhouder die OCI via een aandelenruil wil laten opgaan in een ander familiebedrijf, terwijl kleinere beleggers volgens de VEB “klem” komen te zitten.

Die rechtszaak lijkt op het eerste gezicht vooral beleggersnieuws. Ik zie iets groters: dit is een risicoverhaal over één van de meest kritische inputs in voedselproductie — stikstofkunstmest — en over de vraag wie de prijs betaalt als machtsverhoudingen verschuiven. In onze reeks AI in Verzekeringen en Risicomanagement is dat precies de brug: volatiliteit in toeleveringsketens, prijsschokken en governance-risico’s vertalen zich rechtstreeks naar verzekerbaarheid, premie, financiering en bedrijfscontinuïteit.

En ja: AI kan dat risico meetbaar maken én verlagen. Niet door juridische conflicten weg te poetsen, maar door afhankelijkheid van kunstmest te verminderen, nutriënten slimmer te sturen en transparantie te vergroten—op het erf, in de keten en in de portefeuille.

Wat de VEB–OCI-zaak blootlegt: marktmacht is een landbouwrisico

De directe boodschap van het nieuws is helder: de VEB vindt dat de grootaandeelhouder van OCI (Nassef Sawiris) minderheidsaandeelhouders benadeelt via een aandelenruil met Orascom Construction. Het bezwaar draait om waardering, zeggenschap en verhandelbaarheid (aandelen vooral in Abu Dhabi). Beleggers zouden geen cash krijgen en bij niet-meedoen resteert verkoop op een dalende beurskoers.

De relevante laag voor landbouw en verzekeringen zit daaronder: als een dominante partij een strategisch inputbedrijf van een Europese beurs kan halen, verandert het speelveld voor transparantie, toezicht en toegang tot kapitaal. Dat werkt door in:

• Prijsrisico: kunstmestprijzen reageren sterk op energieprijzen en geopolitiek; minder markttransparantie helpt niemand.
• Beschikbaarheidsrisico: een verschuiving van eigendom en strategie kan productie, distributie en prioritering beïnvloeden.
• Concentratierisico: hoe afhankelijker regio’s en teelten zijn van een beperkt aantal producenten, hoe groter het systeemrisico.

Voor verzekeraars en risicomanagers is dit herkenbaar. Het lijkt op een klassiek patroon: governance- en liquiditeitsrisico bij één partij wordt ketenrisico voor iedereen erachter.

Waarom dit juist nú speelt (en waarom december ertoe doet)

Eind december is in de landbouw geen “nieuwsarme periode”. Het is het moment waarop veel bedrijven vooruitkijken naar het nieuwe teeltjaar, budgetten vastleggen en inputcontracten evalueren. Tegelijk lopen beleidsdossiers (stikstof, nitraat, emissies) richting deadlines rond 01-01.

Dat maakt kunstmest extra gevoelig:

• Boeren willen zekerheid over beschikbaarheid en prijs.
• Banken willen onderbouwde begrotingen.
• Verzekeraars willen meetbare risicoreductie (minder uitspoeling, stabielere opbrengsten, minder claims door extreem weer).

Als je in zo’n context een juridisch conflict ziet rond een grote kunstmestspeler, dan is de boodschap: reken niet op “business as usual”. Het risico moet je actief managen.

AI in precisielandbouw: minder kunstmest nodig zonder opbrengstdip

Het meest concrete antwoord op afhankelijkheid is simpel: je verlaagt de vraag. Niet met slogans, maar met metingen, modellen en uitvoering op perceelsniveau. AI-gedreven precisielandbouw is hier praktisch, omdat het drie problemen tegelijk aanpakt: variatie in de bodem, timing van bemesting en onzekerheid door weer.

1) Variabel bemesten op basis van data (niet op gevoel)

AI-systemen combineren data uit bodemanalyses, satellietbeelden, sensoren, opbrengstkaarten en managementhistorie om stikstofbehoefte per zone te voorspellen. Dat voorkomt het klassieke patroon: “zekerheidshalve” overal dezelfde gift.

Wat je in de praktijk ziet bij bedrijven die dit serieus doen:

• Minder overbemesting in sterke zones
• Gerichter bijsturen in zwakke zones
• Eerlijkere evaluatie na de oogst: wat werkte echt?

Voor verzekeraars is dit interessant omdat het leidt tot lager milieu- en compliance-risico en vaker tot stabielere opbrengsten bij wisselende weersomstandigheden.

2) Beslissen op het juiste moment: weer + bodemvocht + groeistadium

De “juiste hoeveelheid” is maar de helft. Timing bepaalt of stikstof in het gewas belandt of in het grondwater. AI kan hier het verschil maken door:

• korte-termijn weersverwachtingen te koppelen aan bemestingsvensters
• bodemvocht en temperatuur mee te nemen (mineralisatie en opname)
• groeistadium te herkennen via beelddata

Een nuttige stelregel die ik vaak hanteer: hoe onzekerder het weer, hoe kleiner je doses en hoe vaker je meet. AI maakt dat logistiek haalbaar.

3) Transparantie als nieuwe “verzekeringstaal”

Als bemesting data-gedreven gebeurt, ontstaat een audit trail: wanneer, waar, hoeveel, waarom. Dat heeft twee gevolgen:

1. Sterkere positie richting bank/afnemer/toezichthouder (je kunt keuzes uitleggen).
2. Betere verzekerbaarheid: risicoprofielen worden gebaseerd op gedrag en data, niet alleen op regio of teelt.

Dit sluit aan bij de trend in de Belgische verzekeringssector (en breder): van generieke premies naar dynamische, datagedreven risicobeoordeling.

Van landbouwdata naar verzekeringsdata: zo ziet AI-risicomanagement eruit

De stap van perceelsdata naar risicomodellen is kleiner dan veel mensen denken. In underwriting en portfolio management zijn dit de bouwstenen:

Risicosignalen die een verzekeraar wél kan gebruiken

• Variatie in stikstofgift (en afwijkingen t.o.v. plan)
• Bodemorganische stof en waterbergend vermogen
• Indicatoren voor uitspoelingsrisico (helling, grondsoort, neerslagpatronen)
• Gewasstressindices uit satellietbeelden
• Historische opbrengststabiliteit per perceel

Belangrijk: niet alles hoeft realtime. Voor veel producten volstaat een periodieke update (bijv. per kwartaal of per teeltfase) zolang de data betrouwbaar is.

Praktische toepassingen in verzekeringen

1. Underwriting op managementkwaliteit

   • Bedrijven met aantoonbaar precisiebemestingsbeleid krijgen een gunstiger risicoklasse.

2. Claimpreventie (risk engineering)

   • Proactieve alerts bij natte periodes of verwachte stikstofverliezen.

3. Parametrische oplossingen

   • Uitkering bij objectieve triggers (bijv. extreme neerslag in een kritieke bemestingsperiode), gecombineerd met preventieadviezen.

4. Fraudedetectie

   • Consistentiecheck tussen aankoopvolumes, toegediende hoeveelheden en perceelsoppervlak.

De rode draad: AI maakt risico’s meetbaar en dus stuurbaar. Dat is exact wat je wil als markt- en governance-onzekerheid toeneemt.

Wat boeren en ketenpartijen nu al kunnen doen (zonder groot project)

Je hoeft niet in één winter “AI-landbouw” te worden. Dit zijn stappen die ik in de praktijk het meest effectief vind—ook als je klein begint.

Voor boeren: 5 acties voor het teeltjaar 2026

1. Maak een nulmeting van stikstof-efficiëntie
   • Input (kg N) versus opbrengst en eiwit/kwaliteit per perceel.
2. Begin met zonekaarten
   • Gebruik beschikbare opbrengstdata of satellietkaarten om 3–5 zones te definiëren.
3. Koppel bemesting aan weerbeslissingen
   • Leg vooraf ‘stopregels’ vast bij neerslagkansen.
4. Leg beslissingen vast
   • Niet voor de administratie, maar voor je eigen leerproces én eventuele verzekeringsvoordelen.
5. Test één perceel intensief
   • Eén perceel als “leerlab” levert vaak meer op dan alles half.

Voor verzekeraars en makelaars: 4 snelle verbeteringen

• Vraag om managementdata, niet alleen om areaal (bemestingsplan + uitvoering)
• Ontwerp een korting voor aantoonbare precisiepraktijken (simpel, transparant)
• Werk met een dataminimum (welke 5 velden heb je echt nodig?)
• Bied risk engineering aan als service, niet als controle

Als je dit goed doet, ontstaat een win-win: minder risico, minder claims, lagere kosten in de keten.

Snippet om te onthouden: Als kunstmest een geopolitiek en governance-risico is, dan is precisiebemesting een risicostrategie—geen hobby.

Veelgestelde vragen (zoals ik ze krijg in risk-sessies)

Vermindert AI de kunstmestkosten altijd?

Nee. AI verlaagt vooral verspilling en variatie, en helpt je timing te verbeteren. Bij sommige teelten verschuift de winst meer naar opbrengststabiliteit dan naar pure kostenreductie.

Is dit alleen voor grote bedrijven?

Ook niet. Juist middelgrote bedrijven profiteren omdat een klein team met AI-ondersteuning sneller keuzes kan maken. Veel data (satelliet, weer) is bovendien schaalbaar en relatief goedkoop.

Wat als regelgeving verandert (nitraat, stikstof, doelsturing)?

Dan wordt datagedreven werken nóg waardevoller. Wie kan aantonen wat hij doet en waarom, heeft meer ruimte om te sturen en minder risico op onaangename verrassingen.

Waar dit naartoe gaat: van kunstmestdiscussie naar bewijslandbouw

De VEB–OCI-zaak gaat juridisch over aandeelhoudersbescherming. Maar in de landbouw raakt het aan iets wat ik steeds vaker zie: inputs worden strategisch, en strategie betekent risico. Als je bedrijfsresultaat te afhankelijk is van één volatiele input, dan betaal je vroeg of laat—via prijs, beschikbaarheid of regelgeving.

De uitweg is niet “geen kunstmest”, maar bewijslandbouw: meten, voorspellen, gericht toepassen en aantonen. Dat is precies de overlap tussen AI in landbouw en AI in verzekeringen en risicomanagement.

Wil je dit vertalen naar jouw bedrijf of portefeuille? Begin klein: één teelt, één perceel, één set beslisregels. Dan heb je vóór het voorjaar al iets dat je kunt sturen én verzekeren.

Welke keuze maak jij voor 2026: wachten tot de markt weer rustig wordt, of je risico’s zo organiseren dat onrust je minder raakt?