De agrarische sector heeft een ritme dat weinig andere sectoren kennen. Een boekjaar telt niet twaalf gelijke maanden, maar een groeiseizoen, een oogst, een periode van rust. Data die in april wordt verzameld, zegt iets anders dan data uit oktober. Dat maakt AI-volwassenheid in deze sector geen kwestie van een momentopname. Een organisatie kan er op papier goed voorstaan in de winter en in de zomer alsnog vastlopen, simpelweg omdat de druk op de operatie dan anders verdeeld is.
Daarnaast is de sector opvallend gelaagd. Aan de ene kant staan grote coöperaties en verwerkende bedrijven met eigen IT-afdelingen en datateams. Aan de andere kant staan familiebedrijven en individuele ondernemingen waar de bedrijfsvoering in hoofden zit, niet in systemen. Beide vormen komen voor onder één sectornaam, en dat betekent dat een uitspraak over "de agrarische sector" al snel te grof is. De verhouding tussen deze twee vormen bepaalt meer over de gemiddelde volwassenheid dan enige technologische ontwikkeling.
Bij veel agrarische bedrijven ontbreekt niet de ambitie, maar de basis waarop AI zou moeten rusten. Sensordata uit het veld, weersinformatie, voorraadgegevens en administratie bij de boekhouder leven vaak in gescheiden systemen die niet met elkaar praten. Dat is een datamanagement-vraagstuk, en het is een van de dimensies die in de volwassenheidsmeting als fundamenteel geldt — niet omdat dat een voorkeur is, maar omdat een organisatie zonder samenhangende data geen AI-toepassing kan dragen die op die data moet vertrouwen.
Ook de IT-infrastructuur loopt uiteen. Een melkveehouderij met automatische melkrobots heeft al jaren met sensoren en dataverwerking te maken, terwijl een akkerbouwbedrijf misschien alleen een boekhoudpakket en een weerapp gebruikt. Dat verschil in uitgangspositie is niet goed of fout, maar het bepaalt wel welke stap logisch is. Een bedrijf dat al sensordata verzamelt, staat voor een andere vraag dan een bedrijf dat nog moet bepalen welke data het eigenlijk wil vastleggen.
De organisatiedimensie voegt daar een eigen laag aan toe. In familiebedrijven ligt beslissingsbevoegdheid vaak bij één of twee mensen, wat besluiten snel kan maken, maar ook betekent dat AI-volwassenheid sterk samenhangt met wat die persoon weet en wil. Bij coöperaties en grotere verwerkers speelt eerder de vraag hoe beslissingen tussen leden, bestuur en uitvoering worden verdeeld — en of daar structuur in zit die een plot-ronde zichtbaar zou maken.
Toepassingen die interessant klinken voor de sector — voorspellend onderhoud van machines, opbrengstvoorspelling, geautomatiseerde sortering — hangen allemaal af van wat eronder ligt. Zonder infrastructuur die metingen betrouwbaar vastlegt en zonder data die consistent is over seizoenen heen, blijft een AI-toepassing een experiment dat werkt zolang de omstandigheden meewerken. Dat is precies waarom de fundamentele dimensies voorrang hebben: niet als beleidskeuze, maar als volgorde die uit de praktijk volgt. Wie hier meer over wil lezen, vindt een uitwerking in waarom de fundamentele dimensies eerst moeten.
Deze volgorde geldt niet alleen in de landbouw. Andere sectoren met zware operationele kern en verspreide besluitvorming laten vergelijkbare patronen zien, zoals te lezen is in hoe ver de energiesector staat met AI-volwassenheid en in hoe ver de vastgoedsector staat met AI-volwassenheid. Ter vergelijking: sectoren met van oorsprong digitale processen, zoals beschreven in hoe ver de ICT-sector staat met AI-volwassenheid, starten doorgaans met een ander uitgangspunt voor infrastructuur en data, wat laat zien hoe groot de spreiding tussen sectoren kan zijn.
Voor een CEO of COO in de agrarische sector is de waarde van een volwassenheidsmeting niet dat ze een cijfer oplevert om mee te pronken, maar dat ze zichtbaar maakt waar de spreiding tussen mensen in de organisatie zit. Ziet de operationeel manager de datasituatie anders in dan de eigenaar? Denkt de IT-verantwoordelijke — als die er is — dat de infrastructuur klaar is, terwijl de mensen op de vloer dagelijks tegen handmatige omwegen aanlopen? Een plot-ronde waarin meerdere mensen apart scoren, legt die verschillen bloot voordat ze een pilot laten stranden.
Juist in een sector waar besluitvorming vaak bij weinig mensen ligt, is het waardevol om te zien of die mensen het eigenlijk met elkaar eens zijn over waar de organisatie staat. Een adviseur op het erf, een bedrijfsleider in het magazijn en een IT-contactpersoon bij de coöperatie kunnen alle drie een andere inschatting hebben van hoe volwassen de datamanagementkant is. Die spreiding zichtbaar maken is een eerste stap, geen eindpunt.
Zodra duidelijk is waar de organisatie op deze dimensies staat, verschuift de vraag vanzelf van gereedheid naar inhoud: welk deel van het dagelijkse werk zou AI daadwerkelijk kunnen overnemen, gegeven die gereedheid? Dat is een andere vraag dan deze pagina beantwoordt. De werkscan van FTE TO AI rekent per taak uit welk deel van het werk voor overname in aanmerking komt, en sluit daarmee aan op wat een volwassenheidsmeting eerst in kaart brengt. Wie alvast wil nadenken over hoe zo'n inventarisatie eruit hoort te zien, kan starten bij wat er in een besluiten-inventaris hoort, als voorbereiding op het moment dat de fundamenten op orde zijn.
De volwassenheidsmeting van hybridresourcing is in aanbouw. Wie de plot-ronde wil gebruiken zodra deze beschikbaar is, kan zich aanmelden voor de wachtlijst.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.