AI in verzekeringen? Eerst je data op orde

Sophie Jansen · 2026-03-18

Je hoort het overal: AI gaat de verzekeringswereld revolutioneren. Maar een nieuw rapport van Autorek, een aanbieder van AI-oplossingen, schetst een ander beeld. Het blijkt dat de sector eerst een flinke digitale opruiming moet houden voordat kunstmatige intelligentie echt kan gaan werken. Het rapport 'Insurance Operations & Financial Transformation 2026' is gebaseerd op een enquête onder 250 managers in het Verenigd Koninkrijk en de Verenigde Staten. De resultaten zijn behoorlijk confronterend. Het toont aan dat trage afwikkelingsprocessen en gefragmenteerde data de grootste bottlenecks zijn. ### De harde cijfers over inefficiëntie De managers gaven aan dat hun bedrijven worstelen met structurele problemen: - 14% van de operationele budgetten gaat op aan het corrigeren van handmatige fouten - 22% ziet de complexiteit van reconciliatie (afstemming) als een belangrijke kostenpost - Ongeveer 22% koppelt inefficiënties aan governance- en auditrisico's - Bijna de helft van de bedrijven heeft afwikkelingscycli van meer dan 60 dagen En dat terwijl het transactievolume de komende twee jaar met zo'n 29% zal stijgen. De operationele kosten lopen daardoor alleen maar verder op. Het rapport wijt dit aan handmatige verwerking, versnipperde datasystemen en de inherente complexiteit van moderne verzekeringsoperaties. Het gekke is: deze problemen zijn al langer bekend. Toch verandert er weinig. Het voelt een beetje als weten dat je huis een opknapbeurt nodig heeft, maar blijven uitstellen tot het echt niet meer kan. ### De kloof tussen verwachting en realiteit Hier komt het pijnpunt. Maar liefst 82% van de verzekeraars verwacht dat AI de sector gaat domineren. Dat is een overweldigend aantal. Maar de realiteit? Slechts 14% heeft AI volledig geïntegreerd in hun operaties. Zes procent gebruikt helemaal geen AI. Er zit dus een enorme kloof tussen wat men hoopt en wat er daadwerkelijk gebeurt. Waarom lukt het niet? ### Wat zijn de grootste barrières? Het rapport wijst drie hoofdproblemen aan: 1. **Integratie van legacy-systemen**: Oude systemen die niet met elkaar praten 2. **Gefragmenteerde data**: Informatie die overal en nergens staat 3. **Beperkte interne expertise**: Te weinig mensen die weten hoe AI werkt Die gefragmenteerde data is een echte spelbreker. Het beïnvloedt complete data governance frameworks, waardoor die ook versnipperd raken. Bedrijven beheren gemiddeld 17 verschillende databronnen. En na fusies of overnames wordt dat alleen maar erger. > 'Elke vorm van automatisering, AI of deterministisch, geplaatst op een gefragmenteerde architectuur en een gebroken datalaag, schaalt niet goed zonder dat de kosten stijgen.' ### Waar moet je beginnen? De auteurs zien wel degelijk kansen. AI kan kosten positief beïnvloeden en de schaalbaarheid verbeteren. Vooral het aanpakken van handmatige foutcorrectie en reconciliatiefouten biedt potentie. Ze adviseren om reconciliatieprocessen als eerste proeftuin te gebruiken. Het is een afgebakend, regelgebaseerd domein waar automatisering snel resultaat kan opleveren. Denk aan het automatisch matchen van betalingen en facturen – werk dat nu vaak handmatig en foutgevoelig is. ### De structurele uitdaging Het echte probleem zit dieper. Er is een tegenstelling tussen gestructureerde workflows (zoals reconciliatie) en versnipperde databronnen die handmatig onderhouden moeten worden. Die combinatie creëert complexiteit die zich vertaalt in kosten en langere doorlooptijden. Bedrijven die deze problemen op structureel niveau aanpakken, zullen een grotere prestatiekloof creëren ten opzichte van concurrenten. Data-standaardisatie en goed governance gaan vooraf aan schaalbare automatisering. En uiteindelijk zal die automatisering de reconciliatiekosten verlagen. AI kan de complexiteit van gefragmenteerde data en softwarelagen aanpakken waar regelgebaseerde automatisering, zoals RPA (Robotic Process Automation), tekortschiet. Cloudgebaseerde AI-platforms, in plaats van in-house oplossingen, worden genoemd als mogelijke uitweg. Het komt erop neer: je kunt wel de nieuwste AI-tools kopen, maar als je data een chaos is, heeft het weinig zin. Eerst opruimen, dan pas vernieuwen. Dat is de les voor elke verzekeraar die serieus met AI aan de slag wil.