Syngenta zet op dit moment grootschalig kunstmatige intelligentie in om landbouwbeslissingen te verbeteren. Het bedrijf gebruikt algoritmen voor teeltadvies, gewasbescherming en veredeling, van veld tot supply chain. Doel is hogere opbrengst met minder water en middelen, en sneller handelen bij ziekten en plagen. Dit raakt ook aan Europese regels, zoals de AI-verordening en de AVG.
Syngenta versnelt landbouw-AI
Syngenta breidt zijn digitale aanpak uit van proefvelden naar commerciële teelt. De inzet varieert van beeldherkenning voor ziektedetectie tot voorspellende modellen voor opbrengst en plaagdruk. Het bedrijf combineert data uit satellieten, drones en sensoren met weergegevens. Zo ontstaat per perceel een advies dat met het seizoen meebeweegt.
De onderneming koppelt die inzichten aan praktische acties in het veld. Denk aan aangepaste dosering van gewasbeschermingsmiddelen en variabele bemesting. Dit moet verspilling verminderen en de kwaliteit van de oogst verbeteren. Tegelijk wil het de afhankelijkheid van ruwe aannames terugdringen.
Syngenta gebruikt hiervoor eigen digitale platformen, zoals Cropwise, en partneroplossingen. Een platform is de softwarelaag waar datasets, modellen en dashboards samenkomen. Telers en adviseurs krijgen daar concrete aanbevelingen, die ze kunnen accepteren of bijstellen. Zo blijft de mens verantwoordelijk voor de uiteindelijke keuze.
Datamodellen sturen teeltbeslissingen
De kern is een combinatie van computer vision en voorspellende modellen. Computer vision is software die beelden van blad en bodem analyseert om patronen te herkennen. Die analyses worden aangevuld met bodemmetingen en lokale weersverwachtingen. Samen vormen ze een actueel risicobeeld per gewasstadium.
Dat leidt tot zogenoemde variabele toediening in het veld. Hierbij krijgt elk deel van een perceel precies de hoeveelheid water, mest of middel die het nodig heeft. Machines voeren dit uit met taakkaarten en GPS-sturing. De verwachting is dat dit kosten scheelt en emissies verlaagt.
Belangrijk is dat modellen transparant en uitlegbaar zijn. Telers willen weten waarom een systeem een bepaald middel of tijdstip adviseert. Daarom tonen dashboards niet alleen een uitkomst, maar ook de gegevens erachter. Dit vergroot vertrouwen en helpt bij het nemen van uitzonderingen.
Precisielandbouw is het per deel van een perceel toedienen van water, mest of middelen op basis van data uit sensoren, beelden en modellen.
AI-verordening stuurt ontwerp
De Europese AI-verordening stelt eisen aan aanbieders en gebruikers van AI-systemen. Toepassingen voor teeltadvies vallen doorgaans in de categorie beperkt risico. Als AI is ingebouwd in landbouwmachines met veiligheidsfuncties, kunnen strengere regels gelden. Dan zijn documentatie, risicobeheer en toezicht zwaarder.
Daarnaast geldt de AVG voor data over bedrijven en personen op het land. Dat vraagt om dataminimalisatie, duidelijke doelen en versleuteling bij opslag en overdracht. Boeren moeten weten welke gegevens worden verwerkt en met wie die worden gedeeld. Praktisch betekent dit heldere contracten en opt-ins in apps en portals.
Voor Nederland speelt nog een extra punt: interoperabiliteit met bestaande machineparken. Standaarden zoals ISOBUS (ISO 11783) maken koppelingen met trekkers en spuitbomen mogelijk. Open API’s verkleinen het risico op leveranciersafhankelijkheid. Dit is relevant voor loonwerkers en coöperaties die met gemengd materieel werken.
Kwaliteit en bias blijven risico
AI is zo goed als de data waarop het is getraind. Modellen die vooral zijn getraind op één regio kunnen slechter presteren in andere bodemtypen of klimaatzones. Ook extreme weersomstandigheden zorgen voor zogeheten domeinverschuiving. Daarom is continue hertraining met lokale data nodig.
Uitlegbaarheid helpt bij fouten opsporen en corrigeren. Als een advies afwijkt van de praktijkervaring, moet duidelijk zijn welke indicatoren dat sturen. Human-in-the-loop, waarbij adviseurs aanbevelingen bevestigen of aanpassen, vangt dit op. Zo verbetert het systeem zonder blind te varen op het model.
Syngenta en partners testen daarom in meerdere teeltseizoenen en landen. Validatie in Nederlandse klei en zandgronden is anders dan in Zuid-Europese condities. Lokale proeven verkleinen het risico op systematische fouten. Dit is essentieel voor betrouwbaarheid en draagvlak.
Effect op middelen en uitstoot
Gerichtere toepassing van middelen kan emissies naar bodem en water verminderen. Dat sluit aan bij Europese doelen om gewasbeschermingsmiddelen terug te dringen. Minder overlap en drift verlagen kosten en milieu-impact. Ook watergebruik kan dalen door slimmere irrigatie.
Daarnaast kan AI helpen om logistiek en voorraadbeheer te optimaliseren. Beter plannen rond oogstmomenten beperkt voedselverlies. In de keten scheelt dit transportkilometers en energie. Zo werkt digitalisering door van perceel tot distributiecentrum.
De winst is niet gegarandeerd en hangt af van uitvoering. Onjuiste kalibratie of slechte sensorgegevens kunnen het effect tenietdoen. Daarom zijn periodieke audits en kalibraties nodig. Ook benchmarking tussen bedrijven houdt verwachtingen realistisch.
Nederlandse kansen en aandachtspunten
Nederlandse telers behoren tot de koplopers in precisielandbouw en glastuinbouw. Integratie met systemen van machinebouwers en teeltregistraties is daarom cruciaal. Koppelingen met platforms als Cropwise zijn alleen waardevol als data uitgewisseld kan worden. Anders ontstaat extra administratie voor de boer.
Samenwerking met kennisinstellingen zoals Wageningen University & Research kan validatie versnellen. Publiek-private proeven maken het effect in Nederlandse teelten meetbaar. Denk aan uien, pootaardappelen en suikerbieten, waar marges scherp zijn. Heldere resultaten maken investeringen beter te onderbouwen.
Tot slot vraagt brede uitrol om duidelijke spelregels voor data-eigendom. Boeren willen zeggenschap over hun perceeldata en afgeleide inzichten. Contracten moeten dit borgen en exit-mogelijkheden bieden. Zo blijft innovatie schaalbaar zonder lock-in.
