‘AI biedt enorme kansen, maar we moeten bewust omgaan met de risico’s’
Wat zal de impact van artificiële intelligentie (AI) zijn op de landbouwsector? Het is voor velen koffiedik kijken. Jürgen Vangeyte, wetenschappelijk directeur bij het Instituut voor Landbouw-, Visserij- en Voedingsonderzoek (ILVO), ziet alvast heel wat potentieel. Wij blikten met hem vooruit.
Wat verstaat u onder AI?
AI is software die in staat is om te leren uit data en die in staat is om zelfstandig beslissingen of voorspellingen te maken. In plaats van zelf handmatig regels of kenmerken te definiëren, gebruik je een datagebaseerde aanpak, waarbij het algoritme zelf op zoek gaat naar patronen om een taak zoals classificatie, objectdetectie of segmentatie zo goed mogelijk uit te voeren.
In de klassieke benadering moesten we zelf algoritmes schrijven volgens een ‘als - dan - of’-principe. Dat betekende kenmerken uit de data halen en die dan finetunen op een specifieke dataset. Als er een vlekje op een plantje is, dan is de plant ziek. Vaak zagen we dat, zodra de omstandigheden veranderden – bijvoorbeeld het plantje was wat gegroeid, het licht viel anders, of de grond had een andere kleur – de prestaties van het algoritme sterk achteruitgingen.
AI werkt anders. Je geeft het systeem duizenden (drone)beelden, en het leert zelf wat een gezonde of zieke plant is.
Let wel, de klassieke aanpak heeft niet noodzakelijk zijn nut verloren. In sommige situaties blijft die wel degelijk relevant.
Mogelijkheden in de landbouw
Hoe kan AI ingezet worden in de verschillende takken van de landbouw?
AI vindt stilaan zijn weg in bijna alle takken van de landbouw.
In de veehouderij wordt AI bijvoorbeeld ingezet om diergedrag te volgen via camera’s en sensoren. Zo kan je vroegtijdig ziektes opsporen of afwijkingen in gedrag detecteren. Bij het ILVO werken we bijvoorbeeld aan een
In de plantaardige productie gebruiken we AI voor automatische onkruiddetectie, het herkennen van bladaantastingen, het detecteren van plagen. Deze resultaten kunnen worden gebruikt voor aansturing van een precisiespuitmachine of een precisieschoffel, en zelfs voor het aansturen van autonome robots op het veld. Het helpt ook bij het voorspellen van de opbrengst op basis van satelliet- of dronebeeldscans.
Ook voor bedrijfsbeheer biedt AI mogelijkheden, zoals prijsvoorspellingen, risicoanalyse en zelfs administratieve vereenvoudiging. Denk aan systemen die automatisch GLB-aangiftes voorbereiden op basis van bestaande data.
Tot slot is AI ook inzetbaar op milieuvlak. AI ondersteunt duurzamer water- en nutriëntengebruik, vermindert emissies en helpt bij klimaatdoelstellingen.
Toegankelijke data zijn een must
Is AI al geïmplementeerd in onze landbouwsector?
Eerlijk? AI zit vandaag nog niet op zijn volle potentieel in de landbouw. En dat komt vooral omdat we de nodige kwalitatieve en toegankelijke data missen. Een AI-algoritme is maar zo goed als de data waarmee je het voedt. Als we echt krachtige toepassingen willen bouwen, dan hebben we veel, diverse en betrouwbare data nodig. En daar wringt het schoentje vandaag nog.
Gelukkig zijn we daar niet blind voor. Op Europees niveau bouwen we momenteel aan een
Momenteel zien we immers dat er in Europa enorm veel waardevolle data ontstaan, maar die vloeien te vaak richting AI-systemen die buiten Europa ontwikkeld worden… waar wij nadien dan opnieuw voor betalen. Dat is niet duurzaam. Met de Data Space willen we dat omkeren: AI bouwen met Europese data, voor Europese landbouwers.
Bovendien is die datakwestie nog belangrijker in een sector zoals landbouw, waar je met levende systemen werkt. Een robot die microchips op een printplaat plaatst, kan dat op exact dezelfde manier in Vlaanderen als in Spanje. Maar een robot die een rijpe tomaat moet plukken in een serre, moet zich kunnen aanpassen aan verschillen in ras, licht, bodem of klimaat. Zonder toegang tot lokale data werkt dat niet goed.
Tegelijk zien we wel dat het gebruik van AI stilaan toeneemt, vooral bij koplopers. De brede implementatie blijft echter beperkt door de hoge kosten, complexiteit en datakoppelingen, maar de versnelling is ingezet. Met Data Space creëren we de motor die AI echt zal doen doorbreken binnen de landbouw.
Kansen maar ook risico’s
Bestaan er gevaren bij het gebruik of de inzet van AI?
AI in de landbouw biedt enorme kansen, maar we moeten tegelijk bewust omgaan met de risico’s. Niet alles wat technisch mogelijk is, is ook wenselijk of wettelijk toegestaan.
Europa neemt hierin het voortouw met de AI Act, die duidelijke regels stelt voor het gebruik van AI. Systemen die een hoog risico vormen – bijvoorbeeld omdat ze beslissen over subsidies of verzekeringen – moeten aan strengere voorwaarden voldoen, zoals transparantie, uitlegbaarheid en menselijke controle.
In landbouwcontext betekent dit dat AI vooral gebruikt wordt als beslissingsondersteunend systeem: de boer blijft eindverantwoordelijke, maar krijgt extra inzichten om betere keuzes te maken. Het is belangrijk dat landbouwers begrijpen ‘waarom’ een AI-systeem een bepaalde aanbeveling doet.
Op termijn zullen multimodale AI-modellen het mogelijk maken om een brede waaier aan databronnen – sensoren, weerdata, dronebeelden, marktinformatie… – overzichtelijk te combineren. Zo kunnen landbouwers sneller en efficiënter beslissingen nemen, zonder overrompeld te worden door de complexiteit van al die gegevens.
Een ander belangrijk aandachtspunt is datagebruik. AI werkt op basis van data, maar van wie zijn die data eigenlijk? Wie mag ze gebruiken, en waarvoor? Het risico bestaat dat landbouwdata – vaak gegenereerd door boeren zelf – zonder hun toestemming worden gebruikt, of zonder dat zij daar zelf voordeel uit halen. Daarom zetten we in Vlaanderen sterk in op data-eigenaarschap en vertrouwde datadeling, onder andere via het platform DjustConnect.
Er zijn ook andere risico’s. Zo kunnen slechte of eenzijdige data leiden tot verkeerde conclusies of fout beleid. AI kan ook bestaande machtsverhoudingen versterken als enkel grote bedrijven toegang hebben tot de technologie, wat de digitale kloof tussen kleine en grote boeren kan vergroten. Er is ook het risico dat Europese landbouwers afhankelijk worden van buitenlandse technologieën die niet transparant zijn of waarvan de werking moeilijk te controleren valt. Ten slotte, en niet onbelangrijk, bestaat er ook een risico op verlies van vakkennis als we te veel vertrouwen op technologie, waardoor de expertise van landbouwers zelf op de achtergrond raakt.
Hoe gaan we hier het best mee om?
Wij pleiten voor een aanpak waarin AI ondersteunend is, niet vervangend. Technologie moet vakmanschap versterken, niet uitschakelen.
In Vlaanderen speelt het ILVO een actieve rol in dit proces, met name binnen het Europese project AgriFoodTEF (
Wettelijk gezien laat de AI Act het gebruik van AI in de landbouw- en voedingssector toe, zolang de toepassing beantwoordt aan het bijbehorende risiconiveau. Voor toepassingen die geen directe impact hebben op mensen – zoals eenvoudige voorspellingsmodellen of planningssoftware – gelden lichte regels. Zodra AI beslissingen beïnvloedt met gevolgen voor mensen, zoals subsidies of verzekeringen, geldt het hoog-risico AI-regime. Dan zijn transparantie, menselijke controle en uitlegbaarheid verplicht, evenals CE-markering.
Om risico’s te beperken is het essentieel dat we niet alleen inzetten op technologische vooruitgang, maar ook op een ethisch en juridisch kader dat innovatie in goede banen leidt. De AI Act is hierin een krachtig instrument, en initiatieven zoals AgriFoodTEF verbinden regelgeving en innovatie op een constructieve en veilige manier.
Landbouwers als partners van innovatie
Wat is uw toekomstbeeld voor de landbouwsector?
We staan op een cruciaal momentum. AI en digitalisering veranderen niet enkel de manier waarop we aan landbouw doen, maar ook wie aan landbouw kan doen. Meer en meer kunnen anderen – zoals verwerkers, retailers of technologiebedrijven – een deel van de productie overnemen. Landbouw draait immers rond risico nemen, en AI maakt het mogelijk om dat risico steeds beter te beheersen. Daardoor wordt het voor andere spelers aantrekkelijker om zelf met landbouwproductie te starten.
Daarom moeten boeren vandaag de dag actief betrokken zijn in hoe die technologie wordt ontwikkeld en toegepast. Wie controle heeft over de data en de AI-modellen, heeft straks ook een stuk controle over de productie. En laat dat nu net een kernelement zijn van landbouw: autonomie, ondernemerschap en vakmanschap.
Er is echter nog een tweede punt, namelijk de waardecreatie in de keten. Boeren leveren steeds meer data aan – via sensoren, monitoring, bodemmetingen… – maar de opbrengst van die data komt zelden bij hen terecht. Dat moet anders. We moeten modellen ontwikkelen waarin de boer niet alleen leverancier is van grondstoffen, maar ook partner in innovatie.
Dit zet ons aan het denken over het landbouwbedrijf van de toekomst. Blijf je als landbouwer alleen actief op de vrije markt? Of zie je kansen in nieuwe samenwerkingen, bijvoorbeeld met de verwerkende industrie? Waarom zou een boer zelf alle dure technologie moeten aankopen, als het ook via precisielandbouw als een dienst kan worden gedeeld?
Ook samenwerking in producentenorganisaties – denk aan een moderne ‘coöperatie 2.0’ – wordt terug relevant. En dan is er nog de rechtstreekse verkoop en binding met de consument, waarin technologie ook nieuwe deuren opent. Of misschien ontstaan er zelfs franchisemodellen, waarin boeren telen volgens een formule, net zoals je vandaag een filiaal kan uitbaten.
Kortom, landbouwers zullen moeten openstaan voor nieuwe bedrijfsmodellen.
Administratieve vereenvoudiging
Kunnen tools zoals ChatGPT vandaag de dag al helpen?
Wat in elk geval nodig is om goed aan de slag te gaan met data, is een doorgedreven professionalisering. Data gebruiken betekent niet zomaar wat gegevens verzamelen. Ze moeten kwalitatief, betrouwbaar en correct gestructureerd ter beschikking worden gesteld. Dat vraagt ook een aanpassing van de interne bedrijfsvoering bij landbouwbedrijven én onderzoeksinstellingen. Wie met AI wil werken, moet dus ook investeren in datamanagement.
Generieke AI-systemen, zoals ChatGPT, zijn indrukwekkend. We moeten erkennen dat ze zelfs bij landbouwspecifieke vragen zoals “welke behandeling moet ik toepassen tegen een bepaalde aantasting” vaak al redelijk correcte en nuttige antwoorden geven. Ze zijn gebaseerd op goede praktijken en algemeen beschikbare kennis. En die systemen verbeteren razendsnel.
ChatGPT begrijpt echter de lokale context (nog) niet goed genoeg. Beleidsregels, taalgebruik, regionale voorschriften of klimaatomstandigheden zijn zaken waar generieke modellen tekortschieten. En precies daar liggen de kansen voor lokale, domeinspecifieke AI-modellen, die getraind zijn met data uit onze eigen regio, onze eigen praktijken en onze eigen landbouwrealiteit. Die lokale modellen zijn minstens even belangrijk. Ze kunnen samenwerken met grote AI-systemen, maar de kennis moet hier blijven: voor boeren, door boeren.
Wat is vandaag de dag het grootste potentieel van AI voor onze landbouwers?
Een klassiek antwoord zou zijn: de grootste winst zit in de efficiëntere inzet van middelen met als resultaat een hogere netto-opbrengst voor de landbouwer én een lagere impact op het milieu. Denk aan minder kunstmest, gerichtere gewasbescherming, minder antibiotica en meer tijdswinst. En dat klopt natuurlijk allemaal.
Persoonlijk zie ik echter nog meer potentieel in administratieve vereenvoudiging. Vandaag de dag zijn er al heel wat digitale tools beschikbaar – denk aan taakkaarten of perceelsregistraties – maar de drempel om ze effectief te gebruiken blijft voor veel landbouwers hoog. AI kan die drempel fors verlagen, door aangiftes, registraties en rapporteringen grotendeels automatisch op te maken, op voorwaarde natuurlijk dat de nodige data beschikbaar en toegankelijk zijn.
Technologie moet vakmanschap versterken, niet uitschakelen
De echte versnelling zie ik komen via de nieuwste generatie Large Language Models (LLM’s), zoals ChatGPT. Want stel je eens voor: in plaats van zelf een taakkaart te maken, kan een landbouwer straks gewoon tegen zijn tractor praten. “Breng mijn bemesting in kaart op basis van de opbrengstgegevens en bodemdata van vorig jaar.” En het systeem doet de rest. Wat vroeger uren papierwerk was, wordt zo een natuurlijk gesprek.
De volgende grote stap zijn multimodale AI-modellen. Dat zijn systemen die meerdere soorten gegevens tegelijk kunnen verwerken en combineren van satellietbeelden en drones tot bodem-scans, tekstadviezen en video van veldcamera’s. Zulke modellen kunnen complexe landbouwsituaties contextueel begrijpen en bruikbare, nauwkeurige suggesties geven. Dat maakt AI pas écht krachtig en toepasbaar in de praktijk.
Samenwerking is cruciaal
Hoe verloopt het onderzoek omtrent AI in Vlaanderen en in ons land?
Goh, we werken rond AI niet anders dan anders, namelijk met maximale samenwerking en altijd met als doel de Vlaamse landbouw- en voedingssector vooruit te helpen.
Klassiek zou je kunnen zeggen dat universiteiten het fundamentele onderzoek naar AI-algoritmes, robotica en dataverwerking doen, terwijl het ILVO zich richt op de praktijkgerichte toepassingen, en dat de praktijkcentra, zoals Inagro, werkten in het toegepast praktijkonderzoek in nauwe samenwerking met de eindgebruiker, de landbouwer.
Dat model is echter vandaag de dag te eenvoudig en achterhaald. Innovatie verloopt niet meer lineair. Tegenwoordig werken we allemaal samen in wat je een cocreatieve ‘living lab’-aanpak zou kunnen noemen. Daarbij worden boeren, onderzoekers, bedrijven en beleidsmakers van in het begin betrokken in het ontwikkelproces. We gebruiken verschillende methodes, maar delen allemaal hetzelfde doel: AI-oplossingen bouwen die we testen in de praktijk, in echte landbouwomstandigheden.
Deze aanpak is belangrijk, want we moeten opletten dat we de AI-toepassingen niet mooier voorstellen dan ze zijn. We kennen allemaal AI-systemen die indruk maken op demo’s of YouTube-filmpjes. Wanneer ze getest worden in de dagelijkse realiteit van de landbouwer, duiken er echter plots allerlei problemen op. Als de technologie dan faalt, ondermijnt dat het vertrouwen en vertraagt het de adoptie. Het is dus belangrijk dat we oplossingen bouwen die werken in het veld, en niet alleen op YouTube.
Een van onze grootste uitdagingen is om Europese innovaties naar de Vlaamse praktijk te brengen en om ervoor te zorgen dat onze boeren en de bedrijven rondom hen er ook écht waarde uit kunnen halen. Daarom speelt het ILVO ook een rol op het Europese niveau, waar we Vlaanderen mee op de kaart zetten als innovatieve regio. Denk aan de eerder aangehaalde uitbouw van Europese Landbouw Data Space. In dit Europese model komen een massa data beschikbaar voor AI-ontwikkelingen, maar blijven de data altijd in handen van de eigenaar. De boer beslist wie, wanneer en waarvoor toegang krijgt. Dat is essentieel als we willen dat AI-oplossingen betrouwbaar en breed gedragen zijn.
Om AI in Vlaanderen echt te laten doorbreken, is samenwerking cruciaal. Gelukkig staan we er niet alleen voor. In Vlaanderen werken we samen met sterke partners zoals VITO, Flanders Make, VIB en imec. Ook in Wallonië en Brussel zijn er belangrijke spelers, zoals onze tegenhanger in Wallonië, het CRA-W. Ik vergeet zeker nog meer waardevolle partners, die ik hier niet allemaal kan opnoemen, maar het is net die brede samenwerking die ervoor zorgt dat AI effectief zijn weg vindt naar het veld of de stal.
Waar staat Europa tegenover de rest van de wereld?
Europa loopt voorop als het gaat om ethische en juridische kaders voor AI in de landbouw. Denk aan de AI Act, de Data Governance Act, en aan initiatieven rond data-eigenaarschap en transparantie. Daarmee verschilt Europa duidelijk van bijvoorbeeld China of de Verenigde Staten, waar er meer ruimte is voor snelle technologische ontwikkeling, maar minder voor regelgeving en ethiek.
Tegelijk probeert Europa ook technologisch bij te benen via strategische programma’s, zoals de Europese AI-strategie, de uitrol van AI Factories en de oprichting van ‘Testing & Experimentation Facilities’ (TEF’s). Deze initiatieven moeten ervoor zorgen dat AI niet alleen goed gereguleerd is, maar ook concreet ontwikkeld, getest en uitgerold kan worden binnen de Europese context.
Wat Europa dringend nog moet doen, is schaalbaarheid creëren. Vandaag zie je dat start-ups, zoals het Vlaamse Croptic, hun AI-algoritmes lokaal trainen, maar al snel stuiten op beperkingen, zoals het gebrek aan data die makkelijk uitwisselbaar zijn, beperkte toegang tot andere Europese markten, enzovoort.
Daarom is het cruciaal dat Europa werkt aan één Europese markt voor data, die toegang geeft tot kwaliteitsvolle en uitwisselbare datasets over de landsgrenzen heen. Ook een geharmoniseerde regelgeving is noodzakelijk, zodat je niet telkens moet herbeginnen als je je product in een ander land wil lanceren. Ten slotte speelt ook de beschikbaarheid van kapitaal een rol, zodat ook jonge Europese bedrijven durven investeren in schaalvergroting.
