Letselschades resulteren vaak in dikke dossiers vol ongestructureerde data. Een ideale testcase voor de inzet van AI-agents, bedacht verzekeraar a.s.r. Een jaar later werken ruim honderd schadespecialisten dagelijks met hun nieuwe digitale collega. Chief Data Officer Maarten Kramer van a.s.r. vertelt over zijn belangrijkste learnings.
Na verschillende klant- en datagerichte functies binnen a.s.r. trad Maarten Kramer ruim drie jaar geleden aan als eerste Chief Data Officer van de verzekeraar. Kramer begreep toen al hoe belangrijk een goede datahuishouding is voor de gehele organisatie.
“Elke grote organisatie neemt dagelijks vele duizenden beslissingen”, vertelt hij. “Met solide data kun je die beslissingen beter onderbouwen naar je medewerkers én je klanten. Zo ontstaat meer vertrouwen: een groot goed voor verzekeraars.”
Vanuit de beheersing van die ‘defensieve’ kant kreeg Kramer ook steeds meer ruimte voor de offensieve kant: hoe haal je meer waarde uit je data? De doorbraak van ChatGPT bracht die ontwikkeling in een stroomversnelling. Om die te kunnen bijhouden, formeerde a.s.r. een eigen multidisciplinair team. De verzekeraar besteedde ook veel aandacht aan het selecteren van een externe specialist, in dit geval de Amsterdamse AI-consultant Rewire.
Realistische visie en doelen
“We zochten nadrukkelijk naar een echte businesspartner, die niet alleen ‘even een rapportje produceert’, maar echt ownership pakt en doorgaat tot er een concreet resultaat staat”, motiveert Kramer. “Natuurlijk mét een heldere visie op onze business én een aantal realistische doelen.”
Omdat leren voor Kramer en zijn team in eerste instantie centraal stond, wilden ze geen lange trajecten vooraf uittekenen, maar binnen drie maanden een sterk proof of concept neerzetten.
“Samen met de experts van Rewire formuleerden we het idee om een AI-agent in te zetten om meer waarde te halen uit de enorme hoeveelheid data waarover a.s.r. beschikt. We zoomden daarbij specifiek in op de enorme hoeveelheid documenten in onze letselschadedossiers.”
“Als de schade-expert ‘in één oogopslag’ ziet wat er in een dossier speelt, levert dat direct winst op.”
“Dit is een typisch kernproces voor verzekeraars”, vervolgt hij. “Er gebeurt iets ingrijpends in iemands leven, met mogelijk grote gevolgen en financiële impact. Tegelijk is het een echt expertisevak, waarbij we vanwege de grote hoeveelheid werk ook met externe capaciteit werken.”
Daar zat dus enorme potentie in. Kramer benadrukt echter direct dat ‘meer efficiëntie’ niet het belangrijkste doel was van de verzekeraar. “Dat is de optimale ondersteuning voor onze experts en betere dienstverlening voor onze cliënten”, legt hij uit.
“We zijn ooit van papier naar e-mails en pdf’s gegaan, en dankzij GenAI kunnen we die documenten nu daadwerkelijk lezen en structureren. Letselschadezaken hebben vaak een lange looptijd, met veel correspondentie, rapportages en andere communicatie. Overzicht houden wordt daardoor steeds moeilijker.”
Dikke stapel dossiers
Naarmate procedures langer lopen, worden de dossiers immers steeds omvangrijker. Bij elke nieuwe ontwikkeling moeten de betrokken schade-experts zich daar opnieuw in verdiepen. Het inzetten van op Large Language Models (LLM’s) gestoelde agents kon die enorme hoeveelheid informatie veel sneller toegankelijk maken.
In de woorden van Kramer: “Als de schade-expert ‘in één oogopslag’ ziet wat er in een dossier speelt, levert dat direct winst op. Maar natuurlijk moet je die agent dan wel eerst op die taak voorbereiden.”
In letselschade gespecialiseerde AI-agents worden immers niet ‘plug and play’ geleverd. Kramer legt uit hoe a.s.r. dat aanpakt: behandel een agent als een nieuwe medewerker, en begin bij de sollicitatie.
“In dit geval was dat een test om te kijken of de agent die hoeveelheid data überhaupt kon verwerken”, vertelt hij. “Daarna werd de agent een starter die we stap voor stap moesten opleiden. Je geeft instructies en laat je experts doorlopend feedback geven. Door dat proces zorg je er direct ook voor dat de kennis in de hoofden van je medewerkers stukje bij beetje wordt ‘gecodificeerd’.”
Elke afdeling werkt met regels en afspraken die iedereen normaal vindt en impliciet toepast, maar die nergens specifiek zijn vastgelegd. Zonder die kennis is het voor een AI-systeem heel lastig om zelfstandig naar concrete doelen toe te werken.
“Heel simpel voorbeeld: in het begin constateerde de agent op basis van communicatie van een advocaat dat a.s.r. aansprakelijk was. Maar natuurlijk moet a.s.r. de aansprakelijkheid zelf bepalen. Dat moet je dus heel expliciet bepalen en vastleggen in de aansturing van de agent.”
Opsplitsen naar expertise
Tijdens de training bleek al snel dat de inzet van één enkele AI-agent tekortschoot. “Die moest simpelweg te veel instructies verwerken om alle aspecten van een dossier goed te kunnen beoordelen”, legt Kramer uit. “Dan wordt het onbeheersbaar en gaat de kwaliteit omlaag.”
“Daarom zijn we gaan opsplitsen naar expertisegebied. Zo kwamen we uit op meerdere inhoudelijke agents, die elk vanuit een eigen blik hetzelfde dossier lezen. Bijvoorbeeld juridisch, medisch en met focus op de thuissituatie. Daarboven zit een overkoepelende agent die de bevindingen samenbrengt tot één overzichtelijk dossierbeeld voor onze collega’s.”
“Net als mensen maken AI-modellen fouten. Daarom ligt de uiteindelijke beslissing altijd bij onze menselijke collega’s.”
Om die medewerkers mee te krijgen, is vertrouwen volgens Kramer minstens zo belangrijk als techniek. Daarom is alle prompting bijvoorbeeld samen met de medewerkers ontwikkeld.
“Net als mensen maken AI-modellen fouten. Daarom ligt de uiteindelijke beslissing altijd bij onze menselijke collega’s. We zorgen bovendien dat medewerkers makkelijk kunnen controleren welke informatie door de agent is gegenereerd. Juist door die transparantie en volledige betrokkenheid vanaf dag één bouw je het vertrouwen op dat succesvolle adoptie vereist.”
Nieuwe digitale collega’s
Ruim een jaar na de aftrap werken alle 120 medewerkers op de letselschadeafdeling nu dagelijks met hun nieuwe ‘digitale collega’s’. Kramer heeft nog geen concrete cijfers om de resultaten te staven. “Maar de eerste indrukken op de werkvloer zijn zeer positief”, stelt hij.
“Voor mij staat vast dat we onze medewerkers hiermee een zeer waardevolle steun in de rug geven. Die heeft zeker positieve impact op de inzet van hun vakmanschap, de snelheid en de kwaliteit waarmee ze hun werk verrichten. Hier gaan onze klanten in de toekomst ongetwijfeld ook van profiteren.”
Zelf is de Chief Data Officer vooral heel enthousiast over de vele nieuwe inzichten die binnen bereik komen nu alle informatie zo goed is gestructureerd. Dat zou bijvoorbeeld de weg kunnen openen naar waardevolle financiële analyses. Bijvoorbeeld om de schadelast beter te beheersen of preciezer te bepalen welke bedragen a.s.r. moet reserveren.
“Samenvattend maakt dit ons proces overal transparanter. En dat is natuurlijk niet alleen in ons belang, maar vooral ook in dat van onze klanten.”