Landbouwgegevens zijn ‘gefragmenteerd, gedistribueerd, heterogeen en incompatibel’. Dit is het oordeel van een majoor Verslag van de Raad voor Landbouwwetenschappen en Technologie iets minder dan een jaar geleden uitgebracht, en dat verklaart mede waarom AI heeft moeite om grip te krijgen op boerderijen. Andere data-intensieve industrieën, zoals de gezondheidszorg of de financiële dienstverlening, hebben datastandaarden vastgesteld, maar de landbouw heeft geen universeel raamwerk voor de vertaling tussen tientallen systemen die informatie op veldniveau genereren.
Dit is geen nieuwe waarneming, maar de persistentie ervan is opmerkelijk. Terwijl consumententechnologie en bedrijfssoftware hun interoperabiliteitsproblemen jaren geleden grotendeels hebben opgelost, De landbouw genereert nog steeds enorme hoeveelheden informatie gevangen in onverenigbare silo’s. Onderzoeksinstellingen publiceren proefresultaten in inconsistente formaten, productfabrikanten gebruiken eigen naamgevingssystemen, boeren registreren observaties met behulp van lokale terminologie en detailhandelaren volgen de verkopen zonder deze te koppelen aan agronomische resultaten. Het resultaat is een industrie die beschikt over enorme hoeveelheden informatie die ze nauwelijks kan gebruiken.
“De landbouw heeft geen dataprobleem; het heeft een intelligentieprobleem”, zegt Ron Baruchi, CEO van Agmatixeen bedrijf dat domeinspecifieke AI bouwt voor de sector. “De gegevens bestaan. Wat ontbreekt is een infrastructuur die begrijpt wat het betekent.”
Volgens een McKinsey rapportHet implementeren van data-integratie en connectiviteit in de landbouw zou 500 miljard dollar aan waarde kunnen toevoegen aan het mondiale bbp – een verbetering van 7 tot 9% ten opzichte van de huidige prognoses. Maar het vastleggen van deze waarde vereist het oplossen van een probleem waar AI-platforms voor algemene doeleinden consequent mee hebben geworsteld.
WAAROM HORIZONTALE AI blijft falen op boerderijen
De aantrekkingskracht van het toepassen van grote taalmodellen op de landbouw ligt voor de hand: een boer zou kunnen beschrijven wat er in zijn veld gebeurt en onmiddellijk advies krijgen over wat hij eraan kan doen, zonder werkgelegenheid een adviseur of het moeten wachten op een laboratorium. Maar de complexiteit van de landbouw breekt deze aanpak.
Terwijl één LLM De tekst die op internet is opgeleid, weet misschien dat stikstof planten helpt groeien, maar kan je niet vertellen dat de juiste hoeveelheid verandert afhankelijk van het groeistadium, de grond en wat er het jaar ervoor op hetzelfde veld is geplant. Op dezelfde manier kan computervisie gewasstress identificeren, maar zonder contextuele kennis van weer, bodem en producttoepassingen betekent dat inzicht weinig.
U kunt ChatGPT vragen over stikstofbemesting en een antwoord krijgen dat gezaghebbend klinkt. Maar als je dieper ingaat op de details (timing van je bodemtype, interacties met je vorige gewas en productselectie op basis van lokale beschikbaarheid) vallen de aanbevelingen uiteen.
Hetzelfde CAST-rapport versterkt dit punt en merkt op dat veel boeren AI wantrouwen vanwege het ‘black box’-karakter ervan – modellen die voorspellingen doen zonder duidelijke verklaringen erachter. In de landbouw betekent een nauwkeurigheid van 90% op het gebied van een fungicidenaanbeveling dat u 10% van de tijd tegen een teler zegt dat hij het verkeerde product op het verkeerde moment moet spuiten.
INTELLIGENTIE OPBOUWEN VANAF DE GROND
Dit is waar een groeiend aantal bedrijven een andere aanpak kiest: het bouwen van AI-systemen die specifiek zijn ontworpen voor de landbouw in plaats van het achteraf inbouwen van instrumenten voor algemene doeleinden. In India gevestigd bijvoorbeeld Cropinheeft, met steun van Google, zijn eigen grafiek van de gewaskennis samengesteld over 500 gewassen in 103 landen en heeft onlangs een landbouwspecifiek microtaalmodel ontwikkeld. De Israëlisch-Amerikaanse startup Agmatix heeft zijn eigen landbouwintelligentiesysteem helemaal opnieuw opgebouwd – een aanpak die, in concept, een weerspiegeling is van wat Palantir deed voor defensie- en inlichtingengegevens.
De kern van dat systeem wordt gevormd door wat Agmatix ‘vooraf getrainde ontologieën’ noemt: raamwerken die landbouwrelaties coderen voordat klantgegevens het systeem binnenkomen. De AI-engine van Agmatix maakt gebruik van een neuro-symbolische architectuur die gestructureerde kennisgrafieken combineert met machinaal leren. Landbouwomstandigheden – hoe specifieke meststoffen omgaan met specifieke bodems in specifieke groeifasen – worden gecodeerd door agronomen, gevalideerd door veldproeven en voortdurend verfijnd.
Wat dit in wezen betekent, is dat AI niet helemaal opnieuw begint. Voordat het de gegevens van een boerderij raakt, hebben agronomen al geleerd hoe de landbouw werkt: welke meststoffen welke bodem beïnvloeden, hoe de behoeften van een gewas veranderen naarmate het groeit, en waarom wat vorig seizoen werd geplant, van invloed is op wat er daarna wordt geplant.
Volgens het bedrijf heeft het systeem meer dan 1,5 miljard datapunten uit veldproeven gestructureerd, waardoor wat datawetenschappers ‘semantische interoperabiliteit’ noemen: het vermogen om te vertalen tussen verschillende databronnen omdat het systeem begrijpt wat de data betekenen, en niet alleen wat het zegt.
Maar het bouwen van betere technologie garandeert geen adoptie. McKinsey-partner Vasanth Ganesan merkte dit op in het rapport van het bedrijf Wereldwijde Farmer Insights-enquête 2024 dat boeren “een duidelijkere ROI eisen, lagere implementatie- en onderhoudskosten, en technologieën die gemakkelijker te configureren zijn” – klachten die zijn veroorzaakt door jarenlange landbouwtechnologie-instrumenten die te veel beloofden en te weinig leverden. Een aparte McKinsey-analyse ontdekte dat slechte gebruikerservaringen de acceptatie in de hele sector blijven belemmeren.
Baruchi zegt dat boeren goede redenen hebben om voorzichtig te zijn. “Boeren zijn CEO’s die actief zijn in een van de meest onvoorspelbare sectoren ter wereld”, zegt hij Snel bedrijf. “Ze brengen elk seizoen de balans tussen biologische systemen, economische risico’s en ecologische volatiliteit. De ROI-vraag is alleen moeilijk te beantwoorden als je platform geen verband kan leggen tussen wat een teler toepast en wat er feitelijk in het veld gebeurt.”
WAAR HET WERKT
De aanpak werkt al in meerdere implementaties. BASF werkt samen met Agmatix aan digitale hulpmiddelen voor de detectie van gewasziekten, waaronder een onlangs aangekondigd project gericht op sojacysteaaltjes. Het bedrijf zegt dat telers die het voorspellende platform gebruiken de kosten van fungiciden met 15 tot 20% hebben verlaagd, terwijl de ziektebestrijding behouden bleef. De motor zorgt ook voor voorspellende modellering van ziekterisico’s in grootschalige rijenteeltsystemen in de Verenigde Staten.
Een nationaal ministerie van Landbouw gebruikt het systeem om beleidsimplicaties te modelleren vóór de implementatie ervan. Op het gebied van duurzaamheid werkt het RegenIQ-platform van Agmatix samen met grote voedingsmiddelen- en drankenbedrijven om te beoordelen welke regeneratieve methoden meetbare resultaten opleveren onder specifieke veldomstandigheden – door bijvoorbeeld de 150 koffieteeltlocaties in Brazilië in te delen in zes verschillende klimaatclusters, die elk een andere aanpak vereisen.
Cropin werkte ondertussen in maart 2025 samen met Walmart om de inkoop van verse producten op de Amerikaanse en Zuid-Amerikaanse markten te optimaliseren met behulp van AI-aangedreven opbrengstvoorspellingen en monitoring van de gezondheid van gewassen.
HET HARDE DEEL BLIJFT
Agmatix vertegenwoordigt een bredere verschuiving van horizontale AI-platforms naar domeinspecifieke oplossingen. Maar het is niet het enige bedrijf dat erop rekent dat de landbouw zijn eigen AI nodig heeft. De overname door John Deere van het luchtanalysebedrijf Sentera in mei 2025 suggereert dat de grootste spelers in de sector tot dezelfde conclusie zijn gekomen. De AI in de agrarische markt Volgens Mordor Intelligence zal de groei naar verwachting groeien van 2,55 miljard dollar in 2025 naar ruim 7 miljard dollar in 2030. Maar de adoptie blijft ongelijk: 81% van de grote ondernemingen toont bereidheid om AI te adopteren, terwijl slechts 36% van de kleinere bedrijven van plan is hetzelfde te doen.
Adoptie van agrarische AI is in alle opzichten nog steeds traag, en het is niet moeilijk te begrijpen waarom. Het rapport van CAST inventariseert de grootste belemmeringen waarmee de landbouw vandaag de dag nog steeds wordt geconfronteerd: hoge kosten, beperkte breedband op het platteland, ontoereikend onderwijs en onopgeloste problemen met betrekking tot data-eigendom. Deze uitdagingen worden steeds groter in een sector die voorheen geplaagd werd door overhypede technologiebeloften.
Maar de rugwind is reëel. Grote voedselbedrijven hebben toezeggingen gedaan om toeleveringsketens koolstofvrij te maken die onmogelijk kunnen worden nagekomen zonder gegevens op veldniveau. Klimaatvolatiliteit maakt voorspellingsinstrumenten waardevoller. En een daling van de R&D-uitgaven van de Amerikaanse overheid aan de landbouw – ongeveer een derde minder dan de piek in 2002, aldus USDA-gegevens – creëert een leegte die particuliere platforms kunnen opvullen.
De vraag is niet of de landbouw een betere data-infrastructuur nodig heeft. Het gaat erom of de bedrijven die het bouwen de tijdslijnen van de acceptatie door patiënten in de landbouw lang genoeg kunnen overleven om een kritische massa te bereiken, en of de voordelen verder zullen reiken dan de grootste landbouwbedrijven die het zich al kunnen veroorloven om te investeren. Voor een industrie die verantwoordelijk is voor het voeden van 8 miljard mensen is het vinden van dat evenwicht enorm belangrijk.
