AI in de glastuinbouw en agri-food: waar begint u met yield-forecast en klimaatsturing

Waarom yield-forecasting het logische startpunt is

Oogstvoorspelling is geen nieuw vakgebied: telers schatten al decennia in hoeveel kilo's er een week vooruit van het gewas komen, op basis van ervaring, gewaswaarnemingen en historische patronen. AI verandert dat proces niet fundamenteel, maar voegt een tweede inschatting toe die gebaseerd is op meetbare patronen in klimaat- en groeidata in plaats van uitsluitend op ervaring.

Dat is waardevol omdat afnemers, verpakkingslijnen en arbeidsplanning allemaal vragen om een betrouwbare vooruitblik. Een model dat naast de ervaren teler meekijkt, kan afwijkingen signaleren die met het blote oog nog niet zichtbaar zijn, zodat de teler eerder kan bijsturen in plaats van achteraf corrigeren.

Welke data heeft u al, en wat ontbreekt er

De meeste bedrijven met een moderne klimaatcomputer beschikken al over de basis: temperatuur, RV, CO2-niveau en lichtsom, vaak per uur of zelfs per minuut gelogd. Voor een bruikbaar yield-forecast-model is dat een goed startpunt, maar in de praktijk ontbreekt vaak de koppeling met oogstregistratie in hetzelfde systeem of dezelfde tijdlijn.

• Klimaatdata uit de klimaatcomputer (temperatuur, RV, CO2, licht, watergift)
• Historische oogstregistratie, bij voorkeur per vak of afdeling en per dag
• Gewaswaarnemingen die nu op papier of in een los systeem staan
• Arbeidsuren rond oogst, voor koppeling van forecast aan planning

Klimaatsturing: AI als tweede paar ogen, niet als autopiloot

Klimaatcomputers sturen al automatisch op basis van vooraf ingestelde regels en setpoints. AI kan die sturing ondersteunen door patronen in de data te herkennen die wijzen op inefficiënt energiegebruik of suboptimale groeicondities, en dat als advies teruggeven aan de teler.

Het is belangrijk hier scherp te blijven op wat AI wel en niet doet: de teler stelt de teeltstrategie vast en beslist over aanpassingen, AI levert signalen en scenario's ter onderbouwing. Een systeem dat zelfstandig setpoints wijzigt zonder menselijke goedkeuring past niet bij deze aanpak en vraagt bovendien om zorgvuldige risicoafweging.

Oogst- en arbeidsplanning als vervolgstap

Zodra een yield-forecast enigszins betrouwbaar is, ontstaat een logische vervolgtoepassing: het koppelen van de verwachte oogst aan de planning van oogstpersoneel en verwerkingscapaciteit. Dit is vaak waar de tijdwinst het tastbaarst wordt, omdat planning nu vaak op ervaring en telefonisch overleg gebeurt.

Begin klein, bijvoorbeeld met één gewas of één afdeling, en breid pas uit als de voorspelling in de praktijk aantoonbaar houvast biedt bij het inplannen van mensen en middelen.

Kwaliteit, certificering en verantwoordelijkheid

Voor bedrijven die onder kwaliteitskaders als GlobalG.A.P. werken, blijft de teler eindverantwoordelijk voor teeltbeslissingen en registraties, ook wanneer AI-advies wordt gebruikt. AI-modellen vervangen geen certificeringseisen of teeltverantwoordelijkheid, maar kunnen wel helpen bij het vroegtijdig signaleren van afwijkingen die relevant zijn voor kwaliteitsborging.

Sinds 2 februari 2025 geldt daarnaast de AI-geletterdheidsverplichting uit artikel 4 van de EU AI Act: wie AI-systemen inzet of laat inzetten, moet zorgen dat betrokken medewerkers voldoende kennis hebben om die systemen op verantwoorde wijze te gebruiken. Voor een glastuinbouwbedrijf betekent dit concreet dat degene die het yield-forecast-advies leest en ernaar handelt, moet begrijpen waar het model op gebaseerd is en waar de grenzen liggen.

Waar u praktisch mee begint

Begin niet met een groots dataplatform, maar met de vraag welk besluit u wekelijks al op basis van schatting neemt, en of daar een tweede, datagedreven inschatting naast gelegd kan worden. Yield-forecasting op basis van bestaande klimaat- en oogstdata is voor de meeste bedrijven de meest haalbare eerste stap, met klimaatsturingsadvies en planningskoppeling als logische vervolgstappen zodra de eerste toepassing zijn waarde heeft bewezen.