Inkoopteams willen prognoses die ze tegenover een CFO kunnen verdedigen. Dat is een hogere lat dan een grafiek met een lijn erin. Het betekent weten wat er achter die lijn zit: welke invoer het model gebruikt, waar die vandaan komt, en waarom de curve vanochtend bewoog terwijl hij gisteren stil bleef.
Dit artikel loopt stap voor stap door hoe Vesper zijn AI-prijsprognoses bouwt: de architectuur, de vier invoerlagen en de databronnen die samenkomen in één specifieke prognose, die van Amerikaanse WPC80 in instantkwaliteit, het toonaangevende wei-eiwitconcentraat dat wordt gebruikt in sportvoeding, RTD en verrijkte voeding.
Als de methodologie achter AI-grondstofprognoses altijd als een black box heeft gevoeld, is dit het artikel dat hem openmaakt.
Een prognose van Vesper lezen: wat je voor je hebt
De grafiek hierboven is de prognosewidget zoals vastgelegd op 29 april 2026, voor Amerikaanse WPC80 instant, geprijsd in USD per pond, verankerd op de eigen VPI-benchmark van Vesper op EXW-basis. Er zijn vier elementen af te lezen.
De doorgetrokken blauwe lijn is de historische prijsreeks, waarop Amerikaanse WPC80 instant de afgelopen twaalf maanden daadwerkelijk is verhandeld. De gestippelde lijn die begint waar de historische reeks eindigt, is de AI-prognosecurve, die de prijs zes maanden vooruit projecteert. De gearceerde band rond de gestippelde lijn is het betrouwbaarheidsinterval, de bandbreedte die het model op elk punt van de prognose aannemelijk acht. Hoe smaller de band, hoe zekerder het model.
Beweeg de muis over een willekeurig punt op de historische lijn en een tooltip toont twee getallen naast elkaar: de werkelijke prijs op die datum, en wat het model er een maand eerder voor had voorspeld. Op 12 november 2025 bijvoorbeeld voorspelde het model een maand vooruit $6,07/lb tegenover een werkelijke prijs van $6,35/lb, een afwijking van 4,4 %. Op 15 april 2026 was de prognose $10,38/lb tegenover een werkelijke prijs van $10,80/lb, een afwijking van 3,9 %. Beide hadden de richting goed, en beide vielen binnen de gemiddelde foutmarge van het model. Dit is de nauwkeurigheidscontrole die in het product zelf zit: elke koper kan het model steekproefsgewijs tegen de werkelijkheid houden zonder het scherm te verlaten.
Het cijfer van 96 % historische nauwkeurigheid rechts vat dat patroon samen over de afgelopen twee jaar aan prognoses van één maand vooruit op deze reeks. De maatstaf is MAPE (de gemiddelde absolute procentuele fout), wat betekent dat het model gemiddeld tot op ongeveer vier procent van de gerealiseerde prijs kwam. Met de schakelaar bekijk je hetzelfde nauwkeurigheidscijfer voor horizonnen van drie, zes en twaalf maanden; de nauwkeurigheid loopt terug naarmate de horizon zich uitstrekt, wat je van elk eerlijk prognosemodel mag verwachten.
Over alle 4.000+ grondstofreeksen die Vesper dekt liggen de gemiddelden over het hele platform op 97 % bij één maand, 94 % op drie maanden, 91 % op zes maanden, 88 % op negen maanden en 85 % op twaalf maanden: de nette terugloop die een eerlijk model hoort op te leveren. Voor Amerikaanse WPC80 instant specifiek lezen de cijfers 96 % bij één maand, 88 % op drie maanden en 80 % op zes maanden. Het gat tussen WPC80 en het platformgemiddelde wordt groter naarmate de horizon zich uitstrekt, en dat is op zichzelf informatief: WPC80 is beweeglijker dan de gemiddelde grondstof in de dekking van Vesper, dus het model wordt hier op langere horizonnen zwaarder op de proef gesteld dan bij, zeg, een stabielere benchmark voor kaas of boter.
Dan nu het deel waar de meeste geïnteresseerden antwoord op willen: hoe wordt die gestippelde lijn getekend?
De architectuur: foundation models voor tijdreeksen
De prognoses van Vesper zijn gebouwd op foundation models voor tijdreeksen, een architectuur die weerspiegelt hoe large language models voor tekst werken, maar dan toegepast op numerieke data door de tijd heen.
Foundation models worden voorgetraind op enorme datasets uit veel domeinen voordat ze jouw specifieke grondstof ooit zien. Voor LLM’s zijn dat miljarden pagina’s tekst. Voor tijdreeksen zijn het miljarden datapunten uit financiële markten, energieprijzen, weerpatronen, landbouwopbrengsten en een lange lijst andere datasets door de tijd heen. Tegen de tijd dat het model specifiek op Amerikaans WPC80 wordt bijgetraind, heeft het al geleerd hoe aanbodschokken, seizoenspatronen, vraagcycli en regimewisselingen er in prijsdata doorgaans uitzien, ook als het daarvoor nog nooit één waarneming van WPC80 had gezien.
Dat is een betekenisvolle architectuurkeuze. Oudere prognosemethoden, ARIMA, exponentiële afvlakking, vroege machine-learningmodellen, behandelen elke grondstof als een gesloten systeem. Ze leren van de geschiedenis van die ene reeks en trekken die door. Foundation models dragen patroonkennis juist over tussen reeksen. Daarom kan een prognose voor een relatief nicheproduct als WPC80 instant, dat in lagere volumes wordt verhandeld dan, zeg, boter of melk klasse III, toch putten uit patronen die het model zich eigen heeft gemaakt uit duizenden verwante en onverwante reeksen.
Het model wordt daarna verrijkt met de eigen trainingsdata van Vesper en bijgetraind op de specifieke dynamiek van agrarische grondstoffen. Het resultaat is een prognoselaag die van opzet transparant is: gebruikers zien de invoer en de aannames die de curve voeden, in plaats van een uitkomst uit een black box te krijgen.
Waar de AI-prognoses van Vesper op de schaal van methoden staan
Grondstofprijzen voorspellen is geen nieuw vak. De methoden die inkoopteams kennen, liggen op een schaal waarop de aanpak met foundation models voortbouwt in plaats van vervangt.
Het meest basale niveau is uitsluitend fundamenteel: balansen van vraag en aanbod, inflatiecijfers, energieprijzen, wisselkoersen, weer. Dat is de standaard van het analistenbureau, en er klopt veel van. Een geavanceerder niveau legt daar technische indicatoren overheen: RSI, bollingerbanden, MACD, voortschrijdende gemiddelden, stochastische oscillatoren en vergelijkbaar gereedschap, geleend uit de financiële markten en toegepast op grondstofreeksen. Beide niveaus kunnen door mensen worden gedaan, met spreadsheets en zorgvuldigheid.
Prognose met kunstmatige intelligentie begint waar de menselijke aanpak ophoudt. Ze omvat alles wat fundamentele data en technische indicatoren bieden, en voegt daar drie dingen aan toe die een handmatig proces niet bereikt: correlaties tussen grondstoffen over duizenden verwante en onverwante reeksen, patronen die de machine binnen die correlaties afleidt, en “aangeleerde” indicatoren die het model zelf vindt, verbanden tussen variabelen die geen handboek zou hebben aangewezen. Op dat niveau werken de prognoses van Vesper, over ruim 4.000 grondstofprijsreeksen.
Het punt is niet dat oudere methoden fout zijn; ze zijn fundament. Kunstmatige intelligentie telt erbij op, en de winst in nauwkeurigheid is wat je verwacht wanneer elke laag nieuwe informatie toevoegt.
De vier invoerlagen achter een prognose
Eenmaal getraind gebruikt het model vier categorieën invoer om de curve vooruit te produceren. Voor Amerikaanse WPC80 instant zien die lagen er zo uit.
Prijspatronen. Het beginpunt is de reeks zelf, het historische verloop van Amerikaanse WPC80 instant op de VPI van Vesper. Daaromheen leest het model ook aanpalende en verwante reeksen: WPC 34, WPI, MPC, caseïne, lactose, prijzen van Amerikaanse kaasblokken en melk klasse III op de CME. WPC80 wordt niet los verhandeld. Wei is een bijproduct van kaasmaken, dus de kaaseconomie werkt rechtstreeks door in de beschikbaarheid van wei. WPI en WPC 34 zijn substituten op verschillende niveaus van proteïnegehalte; schuiven kopers omhoog of omlaag op die proteïneladder, dan bewegen die reeksen mee en pikt het model het verband op.
Marktfundamenten. Dit is de laag van vraag en aanbod, en daar zit het grootste deel van de verklarende kracht. Voor Amerikaanse wei-eiwitten neemt het model data op uit het USDA NASS Milk Production-rapport (maandelijks), het USDA Dairy Products-rapport (maandelijkse productie van kaas, boter, NFDM en wei), het USDA Cold Storage-rapport (voorraden zuivelproducten) en exportdata van USDA FAS (waar de Amerikaanse wei naartoe gaat; China, Mexico en Zuidoost-Azië zijn de volumedragers). Ook Europese productiedata van het Melkmarktobservatorium van de EU en zuivelcijfers van DCANZ in Nieuw-Zeeland komen binnen, omdat het wereldwijde aanbod de Amerikaanse exportprijs beïnvloedt. Voerkosten uit de CBOT-reeksen voor maïs, sojaschroot en DDGS komen in het model omdat ze de marge van de melkproductie bepalen, die het melkaanbod bepaalt, dat verderop het weiaanbod bepaalt.
Technische indicatoren. Het model leest klassieke technische signalen toegepast op de WPC80-reeks: MACD voor momentum, voortschrijdende gemiddelden voor de trendrichting, RSI voor overgekochte en oververkochte condities, naast bollingerbanden en stochastische oscillatoren. Elk daarvan is ook rechtstreeks zichtbaar voor gebruikers in de technische-analyseweergave van Vesper, maar voor de prognose voeden ze het model. Op zichzelf zijn ze niet doorslaggevend, maar ze scherpen prognoses op korte horizon aan wanneer er tussen twee USDA-rapporten weinig fundamentele data is.
Macro-economische indicatoren. Bredere signalen die de prijsvorming van grondstoffen over categorieën heen beïnvloeden: de index van de Amerikaanse dollar (die de exportconcurrentiekracht van Amerikaanse wei bepaalt), energieprijzen (een wezenlijke productie-input voor het sproeidrogen van wei) en macrosignalen van de vraag die vastzitten aan functionele voedingscategorieën. Waar Vesper data van partners heeft, bijvoorbeeld vrachttarieven van Upply of data over productiekosten in de sector van IBISWorld, komt die hier ook binnen.
Het model weegt alle vier de lagen samen. Geen enkele invoer dicteert de curve.
Wat de technische laag nu laat zien op Amerikaanse WPC80
Doordat Vesper de technische laag rechtstreeks in het platform toont, kan een koper dezelfde signalen lezen die het model leest. Voor Amerikaanse WPC80 instant ziet het beeld er eind april 2026 zo uit.
De prijs wordt verhandeld op $10,90/lb, ruim boven zowel het voortschrijdend gemiddelde over 100 dagen ($8,81/lb) als dat over 150 dagen ($7,98/lb). Op jaarbasis staat hij 126 % hoger. Het MACD-signaal is opwaarts op +1,2, met positief momentum dat nog verder opbouwt. De RSI staat op 100, sterk overgekocht, ruim voorbij de grens van 70 die doorgaans aangeeft dat een markt op de zaken vooruitloopt.
Samen gelezen beschrijven die signalen een markt die hard is opgelopen, is losgekoppeld van zijn middellangetermijntrend en nu tekenen van uitputting laat zien aan het eind van de cyclus. Of de volgende beweging nu een zijwaartse consolidatie is of een scherpere terugval, de technische laag vertelt kopers dat het opwaartse potentieel dun is geworden.
Dat is hetzelfde beeld dat de AI-prognosecurve in de prognosewidget tekent: een geleidelijke daling over de komende zes maanden terwijl de prijs terugloopt richting trend. De fundamentele laag en de technische laag zijn het eens over de richting, en dat is wat overtuiging geeft in de curve. Zouden ze van mening verschillen, dan zou de prognose die spanning weerspiegelen en zou de betrouwbaarheidsband breder worden.
Dit is waar technische indicatoren zich voor inkoopwerk echt uitbetalen. Niet als losstaande handelssignalen, maar als realiteitstoets op het fundamentele beeld. De zuivelfundamenten kunnen een hogere prijs ondersteunen; technische indicatoren vertellen je of de markt die al heeft ingeprijsd.
Waar de data vandaan komt
De data-architectuur van Vesper is bewust gelaagd, zodat elke invoer tot haar bron is na te trekken. De prognose voor Amerikaanse WPC80 staat boven op een stapel die loopt van openbare referentiedata, via gelicentieerde data en partnerdata, tot eigen benchmarks.
De openbare laag omvat USDA-rapporten, AHDB, ZuivelNL, Kempten en de vergelijkbare instanties in de regio’s waar Vesper actief is, dezelfde primaire bronnen die Amerikaanse inkoopteams al vertrouwen. De futureslaag voegt CME (zuivel, granen, vee), EEX (Europese boter en mageremelkpoeder) en NZX (Nieuw-Zeelandse zuivel) toe. De partnerlaag brengt gelicentieerde data binnen van Oilworld, Fastmarkets, IBISWorld, Barchart, Upply en Euronext. De eigen laag is de Vesper Price Index, onafhankelijke benchmarks voor nicheproducten waar geen openbare prijsvorming bestaat, inclusief de reeks WPC80 instant die dit artikel verankert.
Voor een prognose van Amerikaanse WPC80 specifiek is de VPI de primaire prijsreeks, is het USDA Dairy Products-rapport het primaire aanbodsignaal, is melk klasse III op de CME het primaire signaal voor de melkeconomie, en verankeren CBOT-maïs en sojaschroot de laag van de voerkosten. Dezelfde logica geldt voor alle 4.000+ producten die Vesper dekt: andere grondstof, andere mix van openbare rapporten, futurescontracten, partnerbronnen en eigen indices, maar hetzelfde architectuurprincipe.
Waarom de AI- en de analistenvisie gescheiden blijven
Eén ontwerpbeslissing is het benoemen waard: Vesper scheidt de AI-prognose bewust van het commentaar van de analisten.
De AI-prognosecurve is per constructie vrij van analistenmening. Ze weerspiegelt de data en alleen de data. Het analistenteam van Vesper schrijft er marktrapporten in gewone taal naast, het waarom achter de beweging, maar de visie van de analist wordt nooit in de curve zelf gemengd.
De reden is het vertrouwen van inkoopteams. Vraagt een koper wat Vesper denkt dat er de komende zes maanden met WPC80 gebeurt, dan zijn er twee antwoorden, en de koper ziet ze allebei. De AI zegt het een, de analist het ander, en waar ze het eens zijn, is de overtuiging groot. Waar ze uiteenlopen, is dat een signaal om te graven. Concurrenten die de AI- en de analistenvisie tot één uitkomst mengen, halen dat signaal weg, en inkoopteams hebben ons herhaaldelijk verteld dat juist die scheiding het vertrouwen in de prognose opbouwt.
Hoe je de grafiek leest voor inkoopbeslissingen
Twee delen van de grafiek tellen het zwaarst wanneer een koper een termijnverplichting opzet: de betrouwbaarheidsband op de curve vooruit, en de tooltips met historische voorspellingen op de lijn van het verleden.
In de betrouwbaarheidsband speelt de inkoopbeslissing zich werkelijk af. Een smalle band vroeg in de prognosehorizon die verderop breder wordt, is de normale vorm: het model is zekerder over volgende maand dan over het derde kwartaal van volgend jaar, en dat hoort ook zo. Wordt de band ongewoon snel breder, dan geeft het model aan dat de invoer tegenstrijdige signalen afgeeft en moet je meer bijstellingen in volgende prognoses verwachten. Blijft de band ongewoon smal, dan is de invoer eensgezind en is de overtuiging groot. Wie voor het derde kwartaal een fysieke termijnverplichting aangaat, wedt niet dat de prijs precies op de gestippelde middenlijn landt, maar stemt de dekking af op de bandbreedte die de band beschrijft.
De tooltips met historische voorspellingen zijn hoe de geloofwaardigheid van die band in de eerste plaats wordt verdiend. Of het kopcijfer van 96 % iets betekent voor jouw team, is veel makkelijker te beoordelen nadat je vijf of tien oude voorspellingen hebt nagelopen op een reeks die je daadwerkelijk inkoopt. Kies een paar maanden uit de afgelopen twee jaar, beweeg de muis over de lijn en lees het paar van voorspeld en werkelijk. Heeft het model jouw grondstof goed gevolgd, dan volgt de overtuiging om op de curve vooruit te handelen vanzelf.
Waar dit op neerkomt
Een betrouwbare grondstofprognose heeft drie dingen die samenwerken: een modelarchitectuur die kan generaliseren over reeksen heen, een transparante stapel invoer die tot bekende databronnen is na te trekken, en de discipline om de AI-curve en de menselijke analistenvisie gescheiden te houden, zodat elk op eigen merites kan worden beoordeeld.
