De AI-techniek is klaar. Je proces is dat waarschijnlijk niet.
Twee jaar geleden was AI-automatisering een technologievraagstuk. Nu niet meer. Waarom de échte uitdaging zit in het herontwerpen van je processen — en wat dat concreet betekent voor claims, acceptatie en klantenservice.
In gesprekken met bestuurders horen we vrijwel altijd dezelfde vragen. Welk model is het beste? OpenAI of Anthropic? Eigen ontwikkeling of pakket? Hoe zit het met integratie naar onze polisadministratie? Stuk voor stuk redelijke vragen — en stuk voor stuk niet de vraag waar het echte werk zit.
De echte vraag stelt vrijwel niemand uit zichzelf, want hij voelt confronterender. Die vraag luidt: weten we eigenlijk precies hoe ons proces nu loopt?
Twee jaar geleden was de technologische kant van AI-automatisering nog de moeilijkste. Modellen waren beperkt, integraties wankel, betrouwbaarheid een gok. Op productieniveau iets werkends bouwen kostte maanden engineering en eindigde vaak in een prototype dat niet schaalde. Dat is veranderd. Snel.
Voor de typische verzekeringsoperatie — claimverwerking, klantenservice, documentverwerking, acceptatie van standaardrisico's — draait de techniek inmiddels op robuuste basistechnologie. De vraag is niet meer "kan dit?". De vraag is "hoe past dit in onze operatie?"
En die tweede vraag is geen technologievraag. Het is een procesvraag.
Wat er in 24 maanden veranderd is
Begin 2024 ging de meeste energie in AI-implementaties zitten in techniek. Hoe krijg je een model betrouwbaar in productie? Hoe voorkom je hallucinaties? Hoe haal je gestructureerde data uit een vrije e-mail? Hoe verbind je het aan je polisadministratie? Dat waren reële engineering problems.
Vandaag zijn dat grotendeels opgeloste vraagstukken. De volwassen modellen kunnen documenten lezen, gesprekken voeren en gestructureerde output leveren met een betrouwbaarheid die in 95% of meer van de standaardgevallen volstaat. Integratiepatronen zijn beschreven. Leveranciers bieden kant-en-klare connecties naar standaardpakketten als Anva, CSS, Novulo, HDN. Wat ooit drie maanden engineering kostte, kost nu drie weken configureren.
Tegelijkertijd is de bottleneck verschoven. Niet langer ligt die in wat de techniek kan. Maar in wat de organisatie aankan.
De fout die de meeste organisaties maken
We zien een terugkerend patroon. Een bestuurder leest over AI-automatisering, ziet bij concurrenten interessante use cases voorbijkomen, en formuleert een opdracht: "we willen onze claimafhandeling versnellen met AI." Een leverancier wordt gevraagd hoe lang dat zou kosten. Het traject start. En het mislukt.
Niet omdat de techniek niet werkt. Maar omdat de claim van twaalf dagen geen twaalf dagen duurt vanwege de behandeling.
Trek het uit elkaar. In een typische schadeclaim van twaalf werkdagen kalendertijd, gaat slechts dertig à zestig minuten op aan daadwerkelijk inhoudelijk werk: lezen van de melding, toetsen aan polisvoorwaarden, beslissen, communiceren. De resterende elf-en-een-halve dag bestaat uit iets anders.
Inhoudelijk werk
Lezen van de melding, toetsen aan polisvoorwaarden, beslissing, communiceren.
Wachttijden
Wachten op informatie van klant, wachten op interne afdelingen, wachten op leveranciersrapporten.
Handovers
Overdrachten tussen behandelaars, escalaties naar specialisten, terugkoppeling naar inkomende afdeling.
Dubbele controles & correcties
Vier-ogen-principe, foutherstel in adminsystemen, hercommunicatie na fouten.
Een AI-agent die de inhoudelijke beoordeling versnelt, brengt die dertig minuten terug tot dertig seconden. Maar de twaalf dagen worden nauwelijks korter, want het probleem zat nergens in die dertig minuten.
Dit is de kern. AI versnelt het werk, niet het wachten. AI vervangt menselijke besluitvorming, niet de afhankelijkheid van vier systemen die elkaar handmatig moeten bijwerken. AI handelt standaardgevallen af — maar als jouw proces zelf niet weet welk geval standaard is, kan AI het ook niet weten.
Daarom strandt naar schatting 88% van AI-pilots in deze sector voordat ze in productie komen. De techniek werkt. Het proces past niet.
De drie herontwerpen die het verschil maken
Wat de organisaties die wél resultaat boeken anders doen, valt uiteen in drie heroverwegingen. Geen daarvan is technisch. Allemaal moeten ze vóór de implementatie plaatsvinden.
Het werk zelf
Voordat je nadenkt over AI: breng je proces in kaart zoals het écht loopt, niet zoals het op papier staat. Dat zijn vrijwel altijd twee verschillende dingen.
Een procesbeschrijving zegt: "claim binnen, beoordeling, beslissing, uitkering." De werkelijkheid zegt: "claim binnen, klant belt drie dagen later omdat hij niets hoort, behandelaar zoekt op, ontdekt dat een gegeven ontbreekt, mailt klant, klant reageert na twee dagen, behandelaar moet opnieuw inlezen, beslissing wordt genomen, financieel systeem geeft fout, behandelaar belt collega, collega lost het de volgende ochtend op, klant krijgt bericht." Dat is geen proces — dat is een serie losse handelingen aan elkaar geketend door wachttijd.
Het herontwerp begint met de juiste vragen. Waar zit de wachttijd? Welke informatie moet eerder beschikbaar zijn? Welke beslissingen kunnen parallel in plaats van serieel? Welke handovers zijn er werkelijk nodig? Tachtig procent van de procesoptimalisatie zit hier — vóór AI in zicht is. Wie dit overslaat, automatiseert de twaalf dagen die hij niet wilde hebben.
De samenwerking met AI
De volgende vraag is verdeling. Wat doet de AI volledig zelfstandig? Wat doet de AI als voorbereiding voor een mens? Wat blijft volledig menselijk?
Dit is geen technische beslissing, maar een beleidsbeslissing. Drie factoren spelen mee: risico (een afwijzing met rechtsgevolg vraagt menselijke betrokkenheid, een statusupdate niet), complexiteit (een standaardgeval kan automatisch, een uitzondering nooit), en compliance (uitlegbaarheid, AVG artikel 22, sectorale zorgplicht).
Een goed herontwerp definieert per processtap expliciet: wie initieert het werk, wie voert het uit, wie controleert, wie keurt goed, wat gebeurt er bij twijfel, wat gebeurt er bij fouten. Niet in algemeenheden. Concreet, op stap-niveau. Dit is precies waar de meeste implementaties stranden — niet omdat het te complex is, maar omdat niemand het uitwerkt. De organisatie zegt "AI doet de claims", en hoopt dat de rest vanzelf goed komt. Het komt niet vanzelf goed.
De governance
De derde herontwerp is langetermijn. Een AI-agent is geen tool die je installeert en vergeet. Het is een werknemer die je continu moet monitoren, bijsturen en op de hoogte houden van wijzigingen in beleid of regelgeving.
Wie kijkt naar de prestaties? Hoe vaak? Wat zijn de signalen waarop je actie onderneemt? Wie heeft de bevoegdheid om de agent uit te zetten als hij verkeerd gaat? Hoe leer je van fouten? Hoe pas je het beleid aan als regelgeving verandert?
Dit zijn governance vragen — en gevestigde verzekeringsorganisaties weten hier veel meer van dan ze denken. Solvency II governance, IDD-distributiekwaliteit, BGfo-procesinrichting: het kader is er al. Het hoeft alleen toegepast te worden op de AI-laag. De vraag is niet of je dit inricht. De vraag is of je het inricht voordat je live gaat — of erna, als reactie op een incident.
Hoe dit er concreet uitziet
Neem een acceptatieproces voor een MKB-verzekering. Het oude proces: aanvraag binnen, acceptant beoordeelt op basis van zes criteria, vraagt eventueel extra informatie op, geeft beslissing. Doorlooptijd: gemiddeld drie dagen.
De technologische reflex is helder: zet AI op de beoordeling, doorlooptijd wordt drie minuten.
Het proces-herontwerp vraagt eerst andere dingen. Welke informatie moet vooraan in het proces beschikbaar zijn zodat geen tussenstap nodig is? Welke van de zes criteria zijn écht discriminerend voor het risico, en welke zijn historisch erin geslopen zonder onderbouwing? Welke acceptatieregels zijn werkelijk hard, en welke laten ruimte voor oordeel? Welke escalatiepaden bestaan al, en welke nieuwe ontstaan zodra AI in beeld komt?
Pas na deze analyse weet je waar AI waarde toevoegt: standaardrisico's binnen scherp gedefinieerde criteria automatisch beslissen, met heldere afbakening waar het naar een menselijke acceptant gaat. De doorlooptijd voor het standaardgeval wordt minuten. De doorlooptijd voor het complexe geval wordt korter, omdat de acceptant niet meer wordt afgeleid door routinewerk. De acceptatiequaliteit gaat omhoog omdat de regels expliciet zijn gemaakt. Het hele proces is beter — niet alleen sneller op één punt.
Dit is geen techniekverhaal. Dit is een procesverhaal, met AI als onderdeel.
Waarom dit voor de meeste organisaties moeilijk is
De procesanalyse die we hier beschrijven, klinkt logisch. Doe je hem zelfstandig, dan loop je in praktijk tegen drie problemen aan.
Het eerste probleem is betrokkenheid. Een procesmapping vereist input van de mensen die dagelijks in het proces zitten — claim handlers, acceptanten, klantenservicemedewerkers. Die hebben het al druk. Ze geven graag uitleg, maar de mapping moet daadwerkelijk gestructureerd worden gedaan. Op één been in de gang vragen "hoe doe jij dat eigenlijk?" levert geen bruikbare data op.
Het tweede probleem is blindheid. Mensen die al jaren in een proces zitten, zien de inefficiëntie niet meer. "Zo doen we dat hier" is geen procesbeschrijving, maar het wordt er vaak voor aangezien. Een buitenstaander met scherpe vragen brengt bovenwater wat een ingewijde niet meer ziet.
Het derde probleem is de vertaling naar techniek. Een procesmapping moet uiteindelijk uitmonden in een technische architectuur — welke AI-componenten, welke integraties, welke escalatiepaden, welke monitoring. Die brugfunctie tussen procesinzicht en technische implementatie is precies waar het misgaat. Procesconsultants leveren een rapport. Techneuten bouwen wat in het rapport staat. Niemand is verantwoordelijk voor of het ook werkt.
Bij Tableduck zijn dit precies de drie dingen die we doen. We mappen je processen samen met je team, ontwerpen waar AI waarde toevoegt en waar niet, kiezen en bouwen de techniek die past, en blijven na go-live verantwoordelijk voor monitoring, optimalisatie en aanpassingen aan veranderend beleid. Geen procesrapport dat in een la verdwijnt. Geen techniek die maand zes is achterhaald door een veranderd proces. Een doorlopende verantwoordelijkheid voor het geheel.
Tot slot
De technologie is voor de overgrote meerderheid van AI-toepassingen in verzekeringen geen probleem meer. Wie de techniek belangrijk maakt, kijkt naar het verkeerde stuk van de puzzel.
Wat in 2026 het verschil maakt, is procesvolwassenheid. Organisaties die hun werk eerst goed begrijpen — waar de wachttijden zitten, waar de beslissingen vallen, waar de uitzonderingen ontstaan — kunnen AI op de juiste plek inzetten en het resultaat krijgen waar de business case op gebouwd was. Organisaties die direct in de techniek duiken, automatiseren hun eigen complexiteit.
Het goede nieuws: het herontwerp is niet eindeloos en niet abstract. Drie tot vijf processen in detail in kaart brengen, scherpe keuzes maken over wie wat doet, en governance inrichten — dat is een traject van weken, niet maanden. En het loont zich onmiddellijk: het is geen voorwerk dat verloren gaat als AI tegenvalt. Het is voorwerk dat je proces beter maakt. Met of zonder AI.
De vraag is dus niet of je AI moet inzetten. De vraag is of je je proces opnieuw durft te bekijken voordat je dat doet.
De vijf belangrijkste conclusies
- De technologische bottleneck voor AI-automatisering in standaardprocessen bestaat in 2026 niet meer.
- AI op een onveranderd proces stapelen lost de wachttijden, handovers en complexiteit niet op — daar zit 95% van de doorlooptijd.
- Drie herontwerpen zijn nodig vóór implementatie: het werk zelf, de mens-AI verdeling, en de governance.
- De business case voor AI staat of valt met procesvolwassenheid, niet met modelkeuze.
- Procesherontwerp loont zichzelf direct terug — ook als AI later tegenvalt. Het verbetert je operatie sowieso.
Geen techniekpitch. Wel scherpe vragen over je processen, je wachttijden en waar AI wel of geen verschil maakt.
