Manulife zet AI-agents in voor financiële workflows

Sophie Jansen · 2026-03-11

Grote financiële instellingen hebben jarenlang geëxperimenteerd met kunstmatige intelligentie in kleine projecten. Vaak beperkt tot data-analyse of klantensupport. Maar de volgende fase lijkt iets operationelers te omvatten: systemen die actie kunnen ondernemen in bedrijfsprocessen. De Canadese verzekeraar Manulife gaat die richting op. Ze werken aan de implementatie van agent-gebaseerde AI-systemen in hun interne operaties. Het bedrijf bouwt deze mogelijkheden op een runtime-platform dat is ontworpen voor agentic AI. Dat is het type systeem dat taken kan uitvoeren in verschillende softwaretools en datasets. Manulife zegt dat deze inspanning deel uitmaakt van een breder plan om werk met hoge volumes te automatiseren en interne besluitvorming te ondersteunen. ### Van experiment naar operationele realiteit In een verklaring over het project zei het bedrijf dat ze verwachten dat AI-initiatieven tegen 2027 meer dan €920 miljoen aan waarde zullen genereren. Dat komt door productiviteitswinsten en workflow-automatisering. De verzekeraar investeert al jaren in AI, maar de huidige push richt zich op een diepere integratie van de technologie in de dagelijkse operaties. Manulife breidt het interne gebruik van generatieve AI-tools al uit. Het bedrijf heeft momenteel meer dan 35 generatieve AI-use cases in productie en plant dat aantal uit te breiden naar ongeveer 70 in de komende jaren. Ongeveer 75% van hun wereldwijde personeel gebruikt al op een of andere vorm generatieve AI-tools. Verzekeringsmaatschappijen verwerken enorme hoeveelheden gestructureerde data. Polisinformatie, claimsdossiers, onderwritingbeoordelingen en financiële rapporten gaan vaak door verschillende systemen en teams voordat een besluit wordt genomen. Deze processen creëren een omgeving waar automatiseringstools kunnen helpen bij taken zoals documentbeoordeling en interne rapportage. Manulife zegt dat hun nieuwe platform teams in staat stelt AI-agents te implementeren die kunnen interacteren met interne systemen en data. In plaats van te reageren op een enkele prompt zoals een chatbot, zijn deze agents ontworpen om reeksen taken in verschillende softwaretools en workflows te voltooien. - Een AI-agent kan bijvoorbeeld data verzamelen uit verschillende interne systemen - Vervolgens samenvattingen voorbereiden voor medewerkers die cases beoordelen - Het doel is de tijd die personeel besteedt aan informatie verzamelen te verminderen ### De uitdaging van implementatie op grote schaal De afgelopen twee jaar hebben veel bedrijven geëxperimenteerd met generatieve AI-tools voor taken zoals schrijven, coderen of documenten samenvatten. Analisten zeggen dat de volgende uitdaging is om deze mogelijkheden om te zetten in systemen die operationeel werk in grote organisaties kunnen ondersteunen. Een rapport van McKinsey's 2024 Global AI Survey vond dat ongeveer 65% van de organisaties nu generatieve AI gebruikt in ten minste één bedrijfsfunctie. Dat is een stijging van ongeveer een derde ten opzichte van het voorgaande jaar. Hetzelfde onderzoek merkt echter op dat slechts een klein deel van die implementaties volledige productie heeft bereikt in grote delen van het bedrijf. Veel blijven beperkt tot pilotprojecten of specifieke teams. > "De volgende fase van AI gaat niet over chatbots, maar over systemen die zelfstandig workflows kunnen uitvoeren en beslissingen kunnen ondersteunen." ### AI in gereguleerde financiële systemen Financiële instellingen staan voor extra hindernissen wanneer ze AI in productie proberen te nemen. De sector opereert onder strikt toezicht van regelgevers, wat sterke controles vereist rond datagebruik en besluitvormingstransparantie. Systemen die worden gebruikt voor onderwriting, risicoanalyse of investeringsbeslissingen moeten controleerbaar en uitlegbaar zijn. Die omgeving maakt governance en monitoring centraal in elke AI-implementatie. Een studie van Deloitte over AI in financiële dienstverlening merkt op dat banken en verzekeraars hun investeringen in modeltoezichttools, interne AI-beleidsregels en risicobeoordelingsprocessen verhogen terwijl ze automatisering uitbreiden. Organisaties proberen een balans te vinden tussen efficiëntiewinsten en regelgevende verwachtingen rond verantwoording en eerlijkheid. Manulife zegt dat het platform governance- en beveiligingscontroles bevat die bedoeld zijn om te beheren hoe AI-agents interacteren met interne systemen. De controles helpen bij het volgen hoe beslissingen worden geproduceerd en hoe data wordt gebruikt. Het is een delicate dans tussen innovatie en compliance, maar één die de toekomst van financiële dienstverlening zal vormgeven. De transitie van AI als experimenteel hulpmiddel naar een geïntegreerd onderdeel van kernworkflows is in volle gang. Voor professionals in de sector betekent dit niet alleen nieuwe tools leren gebruiken, maar ook begrijpen hoe deze systemen beslissingen ondersteunen in een sterk gereguleerde omgeving. De case van Manulife laat zien dat de voordelen aanzienlijk kunnen zijn, maar dat de weg naar implementatie zorgvuldig begaan moet worden.