Jonathan Horn, CEO en mede-oprichter van Treefera – Interviewreeks

Jonathan Horn, CEO en mede-oprichter van Treefera, is een technologie-ondernemer en voormalig investmentbankier met diepe expertise in risicobeheer, kunstmatige intelligentie en grootschalige data-analyse. Voordat hij Treefera in 2022 oprichtte, bekleedde hij senior leiderschapsrollen bij zowel J.P. Morgan als Citigroup, waar hij zich richtte op risico, data en complexe financiële systemen. Door zijn achtergrond in financiële risicobeheermodellen lanceerde Horn Treefera om een van de meest hardnekkige blindspots in wereldwijde toeleveringsketens aan te pakken: de “eerste mijl”, waar grondstoffen ontstaan. Onder zijn leiderschap is het bedrijf snel uitgegroeid tot een toonaangevende aanbieder van AI-gestuurde toeleveringsketenintelligentie, waardoor ondernemingen in realtime zicht krijgen op bronnen, milieurisico’s, nalevingsvereisten en operationele veerkracht.

Opgericht in Londen in 2022, is Treefera een AI-geactiveerde toeleveringsketenintelligentiebedrijf dat zich richt op het brengen van transparantie in de eerste mijl van wereldwijde grondstoffentoeleveringsketens. De eigen dataprint combineert satellietbeelden, ruimtelijke en temporele gegevens, AI-modellen en risicoanalyses om organisaties real-time inzichten te geven in bronnen, naleving, duurzaamheid en toeleveringsketenrisico’s. Het platform helpt bedrijven alles te monitoren, van boskapblootstelling en koolstofimpact tot grondstoffenrisico’s, waardoor beter geïnformeerde beslissingen kunnen worden genomen over inkoop, financiën en operaties. Door gefragmenteerde milieugegevens en toeleveringsketendata om te zetten in actiegerichte intelligentie, wil Treefera de veerkracht van toeleveringsketens versterken in een steeds meer volatiele en gereguleerde wereldwijde economie.

U hebt Treefera opgericht na senior risico-, AI- en data-analyserollen bij J.P. Morgan en Citi. Wat was de specifieke kloof die u zag in hoe ondernemingen landbouw- en zachte grondstoffenrisico’s begrepen, waardoor u ervan overtuigd raakte dat Treefera moest bestaan?

Natuurlijke grondstoffen vertegenwoordigen 2,1 biljoen dollar aan wereldhandel, maar de gegevens die ten grondslag liggen aan risicobeoordeling voor die activa waren handmatig, vertraagd en structureel onnauwkeurig. Door te werken met risicomodellen bij J.P. Morgan en Citi, zag ik prijs- en blootstellingsbeslissingen die afhankelijk waren van gegevens die afkomstig waren van de eerste mijl van landbouwtoeleveringsketens: verzameld met de hand, vatbaar voor weglating en vaak weken of maanden achter de realiteit. Zestig procent van het toeleveringsrisico ontstaat bij de eerste mijl, voordat grondstoffen een haven of een beurs bereiken, maar dat was precies waar de zichtbaarheid het dunst was.

Wat me ervan overtuigde om Treefera op te richten, was de convergentie van twee dingen: de omvang van het probleem en de komst van instrumenten die het konden aanpakken. De resolutie en dekking van satellieten hadden een punt bereikt waarop u gewasomstandigheden op veldniveau kon observeren in belangrijke productieregio’s tegen minimale kosten. AI had zich zo ver ontwikkeld dat het die ruwe signalen kon omzetten in iets financieel interpreteerbaars. Niemand verbond die punten op een rigoureuze, wetenschappelijk onderbouwde manier. Ondernemingen baseerden hun risicoprijzen nog steeds op overheidsrapporten die maanden achterliepen op de grondomstandigheden, nationale gemiddelden die lokale variatie maskeerden en lineaire modellen die klimaatvolatiliteit niet aankonden. De kloof tussen wat te weten was en wat bekend was, was enorm. Die kloof is waar Treefera zich bevindt.

Treefera wordt vaak beschreven als een AI-geactiveerd intelligentieplatform, maar uw aanpak is expliciet niet gericht op LLM’s. Hoe legt u het verschil uit tussen voorspellende AI voor toeleveringsketens en de generatieve AI-systemen die momenteel de conversatie domineren?

Generatieve AI en grote taalmodellen lossen een fundamenteel ander probleem op. Ze zijn productiviteitstools: buitengewoon nuttig voor het vereenvoudigen van repetitieve taken, zoals het opstellen en samenvatten van teksten. De commerciële uitdaging voor die systemen is adoptie, mensen ertoe brengen hun manier van werken te veranderen. Dat is een markteducatieprobleem, geen wetenschappelijk probleem.

Treefera gebruikt AI om wetenschappelijke problemen op te lossen met financiële precisie-eisen. Onze diepe leermodellen zijn getraind om satellietbeelden, klimaatsignalen en gewasbiologie te interpreteren om opbrengst- en productiegebiedsvoorspellingen te produceren die nauwkeurig genoeg zijn om kapitaalallocatiebeslissingen te informeren. De vraag die we beantwoorden is niet “wat zegt dit document?” maar “wat zal deze regio over drie maanden opleveren en hoe zeker moet u daarvan zijn?” Dat zijn niet dezelfde soort problemen en ze vereisen niet dezelfde soort model. LLM’s zijn geoptimaliseerd voor taal; onze modellen zijn geoptimaliseerd voor fysieke wereldinterpretatie. Het verwarren van de twee leidt ertoe dat de verkeerde soort instrument wordt toegepast op een probleem waarvoor het niet is gebouwd.

Veel AI-bedrijven beweren dat betere prestaties meer compute, grotere modellen en grotere toegang tot GPU’s vereisen. Treefera lijkt die aanname uit te dagen. Wat betekent “zuinig rekenen” in de praktijk en waarom is het belangrijk voor toegepaste AI?

De heersende aanname in AI is dat schaal prestaties gelijk is: meer parameters, meer GPU’s, meer cloud-infrastructuur. Voor toegepaste AI in domeinspecifieke contexten is die aanname onjuist en leidt het tot onnodige kosten en energieverlies.

Zuinig rekenen betekent in de praktijk drie dingen voor ons. Ten eerste koppelen we compute los van tijd. De meeste van onze verwerkingstaken hoeven niet op een specifiek moment te gebeuren. In plaats van altijd-aan-infrastructuur te draaien, identificeren we perioden van overcapaciteit in het netwerk en lenen we compute tijdens die vensters.

Ten tweede decentraliseren we workloads. In plaats van alles via een enkel cloud-hub te routeren, distribueren we over een netwerk van beschikbare knooppunten, waaronder blockchain-infrastructuur, die aanzienlijke idle-capaciteit heeft op bepaalde momenten. Als een knooppunt inefficiënt wordt, worden taken dynamisch omgeleid.

Ten derde rechtvaardigen we de hardware. We gebruiken NVIDIA (NVDA ) AG6 in plaats van top-tier-chips, waar de prestaties equivalent zijn voor onze workloads, maar tegen een fractie van de energie en kosten. De reden waarom dit belangrijk is, gaat verder dan efficiëntie: zuinig rekenen dwingt discipline af over welke berekening u werkelijk nodig heeft. Dat produceert magere, interpreteerbare modellen – het soort modellen dat financiële en operationele beslissers daadwerkelijk kunnen gebruiken. Ze hebben geen groter model nodig; ze hebben een nauwkeuriger antwoord nodig.

Uw platform levert blijkbaar voorspellende uitvoer op oogst, landgebruik en toeleveringsrisico zonder te vertrouwen op altijd-aan-cloud-infrastructuur. Hoe koppelt u compute los van tijd en levert u nog steeds commercieel bruikbare, near-realtime-inzichten?

Near-realtime-inzichten en continue berekening zijn niet hetzelfde. Onze klanten hebben wekelijks bijgewerkte voorspellingen nodig; ze hebben niet nodig dat de compute die die voorspellingen genereert, continu draait.

We kaarten onze verwerkingcycli aan de natuurlijke ritmes van de gegevens. Satellietbeelden arriveren op een cadans. Weersinvoer wordt bijgewerkt op een cadans. De analytische vragen die onze modellen beantwoorden zijn ook cadans-gedreven: wat is de opbrengsttraject voor deze regio, wat is er veranderd deze week in geplante oppervlakte. Dus plannen we compute-taken om te draaien tegen die gegevensvensters, waarbij we capaciteit lenen van gedistribueerde infrastructuur tijdens laag-vraagperioden. De uitvoer naar de klant is een wekelijkse gegevensfeed die actueel, actiegericht en modelklaar is. De infrastructuur erachter draait alleen wanneer er iets zinvols te verwerken is. Die architectuur is ook meer veerkrachtig. Een gedistribueerde workload die omleidt rond gefaalde knooppunten is betrouwbaarder dan een enkele altijd-aan-server met een enkel punt van falen.

Landbouw- en zachte grondstoffenmarkten vertrouwen nog steeds zwaar op vertraagde, enquête-gebaseerde of gefragmenteerde gegevens. Hoe verandert AI de manier waarop bedrijven, banken, verzekeraars en handelaren risico’s kunnen inschatten voordat ze zichtbaar worden in officiële rapporten?

Het structurele probleem met enquête-gebaseerde rapportage is dat het per definitie achterblijvend is. Zodra een overheidsinstantie een schatting van de aanbod publiceert, zijn de fysieke omstandigheden waarop het is gebaseerd, weken of maanden oud. Markten die op die gegevens reageren, reageren op geschiedenis.

AI verandert dat door de informatiebron te verschuiven van enquêtes naar directe observatie. Satellietbeelden, klimaatsignalen en gewasontwikkelingsgegevens zijn nu beschikbaar, niet over zes weken wanneer een rapport is samengesteld en gepubliceerd. Wat onze modellen doen, is die fysieke gegevens vertalen in de financiële taal die handelaren, onderwriters en analisten daadwerkelijk gebruiken: opbrengstvoorspellingen met gestelde onzekerheidsintervallen, productiegebiedschattingen met wekelijkse updates, stressscores die risico’s kwantificeren bij de oorsprong voordat ze in prijzen naar voren komen.

In 2022 vlagden onze US Corn-modellen een neerwaartse herziening vijf weken voordat de USDA de hunne publiceerde. In januari 2025 brachten onze modellen een stressscore van 0,76 naar voren in de cacaogordel van Ghana; COCOBOD herzag hun seizoensvoorspelling pas in juni. Het informatievoordeel is niet marginaal; het is structureel. Ondernemingen die nog steeds op officiële rapporten wachten om inkoop- en prijsbeslissingen te nemen, opereren met een vertraging die hun tegenpartijen niet hoeven te delen.

De “eerste mijl” van toeleveringsketens is historisch gezien een van de minst transparante gebieden voor wereldwijde ondernemingen. Waarom wordt eerste-mijl-zichtbaarheid nu zo kritiek, vooral met de toename van klimaatvolatiliteit, regelgeving en geopolitieke onzekerheid?

Drie krachten komen samen en elk is individueel materieel.

Klimaatvolatiliteit neemt de frequentie en ernst van productieschokken bij de oorsprong toe. Hetzelfde weerevenement heeft nu een groter toeleveringsimpact omdat gewassystemen meer gestrest zijn en extreme gebeurtenissen minder voorspelbaar zijn vanuit historische gemiddelden. Lineaire risicomodellen gebouwd op historische normen zijn structureel ongeschikt om daarmee om te gaan. U hebt real-time fysieke observatie nodig om te zien wat er werkelijk in het veld gebeurt.

Regelgeving creëert een direct aansprakelijkheidsverbinding tussen wat er bij de eerste mijl gebeurt en wat een onderneming kan verkopen of financieren. EUDR, CSRD, TCFD: deze kaders vereisen dat ondernemingen weten, met bewijs, waar hun grondstoffen vandaan komen en wat de omstandigheden bij de oorsprong waren. “We vertrouwden de leverancier” is geen verdedigbare positie meer. Die aansprakelijkheid duwt traceerbaarheid en herkomst van grondstoffen van een inkoopvoorkeur naar een wettelijke vereiste.

Geopolitieke verstoring heeft single-origin-afhankelijkheid tot een bestuurskamerrisico gemaakt. Wanneer een regio een dominante aandeel van de wereldwijde aanbod van een grondstof vertegenwoordigt en die regio politiek of fysiek onbetrouwbaar wordt, hebben ondernemingen zonder eerste-mijl-zichtbaarheid geen vroegwaarschuwingssysteem. Ze komen erachter wanneer de markt de prijzen al heeft herzien.

Er gebeurt ook een bredere verschuiving in de dataecosfeer zelf. De recente lancering van pan-tropische grondstoffenkaarten door Google (GOOGL ) Earth AI – jaarlijkse 10-meter gewasvoetafdrukken voor cacao, koffie, oliepalm en rubber, uitgegeven als open data – is een nuttige indicator van waar dingen heen gaan. De fysieke wereld wordt steeds meer leesbaar vanuit de ruimte en de vraag naar toeleveringsketentransparantie is nu mainstream genoeg om grote investeringen van big tech aan te trekken. Treefera verwelkomt dat. Een rijker fundamenteler datalayer verhoogt de ondergrens voor de hele markt en creëert gedeelde bewustzijn dat betere informatie niet alleen mogelijk is, maar beschikbaar is.

Wat open ontdekkingskaarten niet kunnen doen, is de intelligentiegap sluiten. Wetende waar gewassen worden geplant is niet hetzelfde als weten hoe dit seizoen zich ontwikkelt, wat omstandigheden bij de oorsprong betekenen voor uw toeleveringsblootstelling of waar uw portfolio risico loopt. De vertaling van observatie naar financiële precisie-inzicht is waar Treefera voor is gebouwd.

Eerste-mijl-ignorantie was vroeger commercieel acceptabel toen de wereld meer voorspelbaar was. Het is dat niet meer.

Uw klantenbestand omvat grote ondernemingen zoals JP Morgan, Microsoft (MSFT ), Bayer en Anew. Wat zijn de meest voorkomende problemen die ondernemingen proberen op te lossen met Treefera: naleving, toeleveringsrisico, voorspelling, duurzaamheid, inkoop of iets anders?

Het kernprobleem dat ondernemingen bij ons brengen is een versie van hetzelfde: ze hebben significante financiële blootstelling aan wat er bij de eerste mijl van landbouwtoeleveringsketens gebeurt en hebben geen betrouwbare mechanisme om het te zien voordat het hen kost. De specifieke kadering verschilt per sector.

Voor handelaren en grondstoffenblootgestelde financiële instellingen is de vraag informatievoordeel: toeleveringsverschuivingen zien voordat ze in prijzen of officiële gegevens verschijnen. Voor landbouwkredietverstrekkers en verzekeraars is het risicobeoordeling; ze verstrekken of financieren operaties waarvan de prestaties rechtstreeks worden bepaald door omstandigheden die ze niet kunnen observeren. Voor ondernemingen met duurzaamheids- of nalevingsverplichtingen is de vraag bewijs: aantonen, met verdedigbare gegevens, dat hun toeleveringsketens voldoen aan de normen die regulators en tegenpartijen nu vereisen.

De traditionele antwoord – vertrouw de leverancier, wacht op het overheidsrapport, koop de consensuschatting – is niet langer voldoende. De precisie en snelheid die ze nodig hebben, bestaan niet in het openbare datalandschap. Het bestaat bij de eerste mijl.

Treefera heeft 6x jaar-op-jaar-groei, nul churn en een overtekende Series B binnen twee jaar gerapporteerd. Wat suggereert dit niveau van adoptie over de vraag van ondernemingen naar AI-systemen die precies, efficiënt en operationeel gefundeerd zijn, in plaats van alleen grote schaal?

Nul churn is het meest sprekende signaal. Omzetgroei kan commerciële uitvoering weerspiegelen; nul churn weerspiegelt product-marktfit. Klanten die de gegevens voor een volledig seizoen hebben gebruikt, ze hebben getest tegen hun eigen modellen en hebben beslissingen genomen op basis daarvan, en vervolgens verlengd, vertellen ons dat het signaal echt is en dat het verandert hoe ze opereren.

Het wijst ook op significante onvervulde ondernemingsvraag naar AI die precies, controleerbaar en operationeel integreerbaar is – vraag die onvoldoende wordt bediend door een landschap dat zwaar is gewogen naar generatieve instrumenten en grote schaalmodellen. Toleveringsketen- en risicoprofessionals hebben een voorspelling nodig met een gestelde onzekerheidsinterval die ze kunnen verdedigen in een risicocomité. Wanneer die lat wordt gehaald – domeinspecifieke gegevens, financiële precisie, transparante methodologie – geven ondernemingen prioriteit aan het. De overtekende fondsenwerving weerspiegelt investeerdersherkenning van dezelfde dynamiek: de markt is groot, het probleem is structureel en de bestaande gegevensinfrastructuur was niet gebouwd om het op te lossen.

Kijkt u vooruit, gelooft u dat de volgende fase van toegepaste AI minder wordt gedefinieerd door modelgrootte en meer door operationele efficiëntie, domeinspecifieke gegevens en meetbare bedrijfsresultaten?

Ja, en het bewijs daarvoor is al zichtbaar.

Grote-schaal-AI begint de limieten te bereiken van wat ruwe schaal kan oplossen. Het toevoegen van parameters verbetert een oogstvoorspelling niet als de onderliggende gegevens grof, vertraagd of geografisch misgealigneerd zijn. De marginale waarde van compute neemt af wanneer de bottleneck gegevenskwaliteit en domeinprecisie is, niet modelgrootte.

De volgende fase zal worden gedefinieerd door domeinspecifieke trainingsgegevens, right-sized modellen en verifieerbare uitvoer. In sectoren zoals landbouw, financiën en toeleveringsketen, waar beslissingen financiële en operationele consequenties dragen, is de vraag nooit “hoe groot is het model?” geweest. Het was “hoe betrouwbaar is het antwoord en hoe snel kan ik erop reageren?” Schaal alleen kan dat niet beantwoorden. De bedrijven die de komende vijf jaar zullen leiden in toegepaste AI, hebben eigen datapipelines gebouwd naar de fysieke wereld, getraind op die gegevens met passende wetenschappelijke rigor en hebben meetbare precisie aangetoond in live-omstandigheden. De technologie wordt steeds meer een commodity; de gegevens en domeinexpertise zijn dat niet.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Treefera bezoeken.