Landbouwgegevens zijn ‘gefragmenteerd, gedistribueerd, heterogeen en incompatibel’. Het was de beslissing van een majoor Verslag van de Raad voor Landbouwwetenschappen en Technologie werd bijna een jaar geleden gepubliceerd en het verklaart mede waarom AI heeft moeite om grip te krijgen in de landbouw. Andere industrieën die data intensief gebruiken, zoals de gezondheidszorg of de financiële sector, hebben datastandaarden vastgesteld, maar de landbouw ontbeert een universeel raamwerk voor het vertalen van tientallen systemen die informatie op veldniveau produceren.
Dit is geen nieuwe waarneming, maar de persistentie ervan is opmerkelijk. Hoewel consumententechnologie en bedrijfssoftware hun interoperabiliteitsproblemen enkele jaren geleden grotendeels hebben opgelost, De landbouw produceert nog steeds een enorme hoeveelheid informatie vastzitten in onverenigbare silo’s. Onderzoeksinstellingen publiceren proefresultaten in inconsistente formaten, productfabrikanten gebruiken eigen naamgevingssystemen, boeren registreren observaties met lokale terminologie en detailhandelaren volgen de verkopen zonder deze te koppelen aan agronomische resultaten. Het resultaat is dat een bedrijfstak over een enorme hoeveelheid vrijwel onbruikbare informatie beschikt.
“De landbouw heeft geen dataprobleem; het heeft een intelligentieprobleem”, zegt Ron Baruchi, CEO Agmatixeen bedrijf dat domeinspecifieke AI bouwt voor deze sector. “De gegevens zijn er. Wat ontbreekt is de infrastructuur om te begrijpen wat het betekent.”
Volgens McKinsey rapportHet implementeren van data-integratie en connectiviteit in de landbouw zou $500 miljard aan het mondiale bbp kunnen toevoegen – een stijging van 7 tot 9% ten opzichte van de huidige prognoses. Maar het bereiken van deze waarde vereist het oplossen van de problemen waarmee AI-platforms voor algemene doeleinden altijd te maken hebben gehad.
WAAROM HORIZONTALE AI BLIJFT FALEN IN DE LANDBOUW
De aantrekkingskracht van het toepassen van grote taalmodellen op de landbouw is duidelijk: een boer kan beschrijven wat er op zijn boerderij gebeurt en krijgt direct advies over wat hij eraan kan doen, zonder dat hij hoeft na te denken over wat hij moet doen. dienst consulent of moeten wachten op het laboratorium. Maar de complexiteit van de landbouw ontmoedigt deze aanpak.
Terwijl een LLM een getrainde tekst op internet weet misschien dat stikstof planten helpt groeien, maar kan je niet vertellen dat de exacte hoeveelheid verandert afhankelijk van het groeistadium, de grond en wat er het voorgaande jaar op hetzelfde veld is geplant. Op dezelfde manier kan computervisie stress bij planten identificeren, maar zonder contextuele kennis van het weer, de bodem en de producttoepassing zal die kennis niet veel betekenen.
U kunt ChatGPT vragen stellen over stikstofbemesting en antwoorden krijgen die gezaghebbend klinken. Maar als je je verdiept in de details – timing voor bodemtype, interactie met eerdere planten 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 dat er een duidelijke verklaring achter zit. In de landbouw betekent een nauwkeurigheid van 90% op het gebied van een fungicidenaanbeveling dat u boeren 10% van de tijd de tijd geeft om het verkeerde product op het verkeerde moment te spuiten.
BOUW INTELLIGENTIE VANAF DE KRAS
Dit is waar steeds meer bedrijven een andere aanpak kiezen: het bouwen van AI-systemen die specifiek zijn ontworpen voor de landbouw, in plaats van het achteraf inbouwen van instrumenten voor algemene doeleinden. Bijvoorbeeld degenen die in India zijn gevestigd Gewasdat wordt ondersteund door Google, heeft zijn eigen gewaskennisgrafiek gemaakt die 500 gewassen in 103 landen bestrijkt en heeft onlangs een landbouwspecifiek microtaalmodel ontwikkeld. De Israëlisch-Amerikaanse startup Agmatix heeft zijn eigen landbouwintelligentiesysteem helemaal opnieuw opgebouwd – een aanpak die, conceptueel gezien, een weerspiegeling is van wat Palantir doen voor defensie- en inlichtingengegevens.
De kern van het systeem is wat Agmatix een ‘getrainde ontologie’ noemt: een raamwerk dat boerderijrelaties codeert voordat klantgegevens het systeem binnenkomen. De Agmatix AI-engine maakt gebruik van een neuro-symbolische architectuur, die gestructureerde kennisgrafieken combineert met machinaal leren. Landbouwrelaties – hoe bepaalde meststoffen in bepaalde groeifasen met bepaalde bodems omgaan – worden gecodeerd door landbouwkundigen, gevalideerd door veldproeven en voortdurend verfijnd.
Dit betekent dat AI in principe niet helemaal opnieuw begint. Voordat landbouwgegevens worden besproken, leren agronomen hoe de landbouw werkt: welke meststoffen het bodemtype beïnvloeden, hoe de behoeften van een plant veranderen naarmate hij 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 veldtests verzameld, waardoor wat datawetenschappers ‘semantische interoperabiliteit’ noemen ontstaat: het vermogen om te vertalen tussen verschillende databronnen omdat het systeem de betekenis van de data begrijpt, en niet alleen wat erin geschreven staat.
Maar het bouwen van betere technologie garandeert niet de implementatie ervan. McKinsey-collega Vasanth Ganesan nam nota van zijn bedrijf Wereldwijde Farmer Insights-enquête 2024 dat boeren “een duidelijkere ROI eisen, lagere implementatie- en onderhoudskosten, en technologie die gemakkelijker op te zetten is” – grieven die gevormd zijn door landbouwtechnologie-instrumenten die jarenlang te veel hebben beloofd en te weinig hebben opgeleverd. Gescheiden McKinsey-analyse ontdekte dat een slechte gebruikerservaring de acceptatie in de hele sector blijft belemmeren.
Baruchi zei dat boeren goede redenen hadden om voorzichtig te zijn. “Boeren zijn CEO’s die in een van de meest onvoorspelbare sectoren ter wereld werken”, zei hij Snel bedrijf. “Ze brengen elk seizoen biologische systemen, financiële risico’s en ecologische volatiliteit in evenwicht. De vraag naar de ROI zal moeilijk te beantwoorden zijn als je platform geen verband kan leggen tussen wat een boer implementeert en wat er daadwerkelijk in het veld gebeurt.”
WAAR HET WERKT
Deze aanpak is in verschillende toepassingen toegepast. BASF heeft met Agmatix samengewerkt aan digitale hulpmiddelen om plantenziekten op te sporen, waaronder een onlangs aangekondigd project gericht op sojacysteaaltjes. Het bedrijf zegt dat telers die het voorspellingsplatform gebruiken de kosten van fungiciden met 15 tot 20% hebben verlaagd, terwijl de ziektebestrijding behouden bleef. De engine ondersteunt ook voorspellende modellering van ziekterisico’s in grootschalige rijteeltsystemen in de Verenigde Staten.
Het nationale ministerie van Landbouw gebruikt dit systeem om de impact van beleid te modelleren voordat het wordt geïmplementeerd. Op het gebied van duurzaamheid werkt het RegenIQ-platform van Agmatix samen met grote voedingsmiddelen- en drankenbedrijven om te beoordelen welke regeneratieve praktijken meetbare resultaten opleveren onder specifieke veldomstandigheden. Zo worden bijvoorbeeld de 150 koffieteeltregio’s in Brazilië in zes verschillende klimaatgroepen ingedeeld, 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-gestuurde opbrengstvoorspellingen en het monitoren van de plantgezondheid.
HET HARDE DEEL IS VAST
Agmatix vertegenwoordigt een bredere verschuiving van horizontale AI-platforms naar domeinspecifieke oplossingen. Maar zij zijn niet het enige bedrijf dat erop rekent dat de landbouw zijn eigen AI nodig heeft. De overname door John Deere van luchtanalysebedrijf Sentera in mei 2025 suggereert dat de grootste spelers in de sector tot dezelfde conclusie zijn gekomen. Dat AI op landbouwmarkten 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 boerderijen geeft aan bereid te zijn om AI te adopteren, terwijl slechts 36% van de kleine boerderijen van plan is hetzelfde te doen.
Adoptie van agrarische AI het is naar alle maatstaven nog steeds traag, en het is niet moeilijk te begrijpen waarom. Het CAST-rapport inventariseert de belangrijkste obstakels waarmee de landbouw vandaag de dag nog steeds wordt geconfronteerd: hoge kosten, beperkte breedband op het platteland, ontoereikende training en onopgeloste vragen over data-eigendom. Deze uitdagingen worden nog groter in een sector die voorheen gevuld was met overdreven technologische beloften.
Maar de rugwind is reëel. Grote voedselbedrijven hebben toezeggingen gedaan om toeleveringsketens koolstofvrij te maken die onmogelijk kunnen worden nagekomen zonder gegevens uit de praktijk. Klimaatvolatiliteit maakt voorspellingsinstrumenten nog waardevoller. En een daling van de Amerikaanse publieke uitgaven voor onderzoek en ontwikkeling in de landbouw – ongeveer een derde minder dan de piek in 2002, aldus USDA-gegevens – creëert een leegte die platforms uit de particuliere sector kunnen opvullen.
De vraag is niet of de landbouw een betere data-infrastructuur nodig heeft. De vraag is of de bedrijven die ze bouwen een voldoende lange tijdshorizon van landbouwadoptie kunnen overleven om een kritische massa te bereiken en of de voordelen verder zullen reiken dan de grootste boerderijen die al in staat zijn om te investeren. Voor een industrie die verantwoordelijk is voor de voedselvoorziening van 8 miljard mensen is het handhaven van dat evenwicht van cruciaal belang.
