De blinde vlek van de kleine verzekeraar

TL;DR

• 60% ziet AI niet als belangrijk, bijna 80% gebruikt het al. Perceptie en praktijk lopen uiteen — en dat gat is het echte risico, niet het AI-gebruik zelf.
• Bij kleine verzekeraars mist 61% de capaciteit om te beginnen. Niet over een paar jaar, maar nu al — en die achterstand loopt sneller op dan een pilot van drie maanden kan inhalen.
• Zes EIOPA-principes liggen al klaar sinds 2021. Databeheer, eerlijkheid, menselijk toezicht, proportionaliteit, robuustheid en uitlegbaarheid — geen technische wenslijst, maar goed bestuur.
• Governance is geen rem maar een vangnet. DNB ziet vooral tekortschieten in vastlegging en monitoring — niet te weinig AI, maar ongecontroleerde AI.
• Vanaf 2 augustus 2026 wordt het scherper. Risicobeoordeling en premiebepaling bij levens- en zorgverzekeringen vallen dan onder de zwaarste EU AI Act-eisen.

De Nederlandsche Bank kwam vorige maand met nieuwe cijfers over AI bij verzekeraars. Slechts 40% van de middelgrote spelers ziet AI als van belang voor het verdienmodel. Bij de kleine verzekeraars mist 61% zelfs de capaciteit om te beginnen.

Niet over een paar jaar. Dat speelt nu al. En het is precies de blinde vlek waar de toezichthouder al voor waarschuwt.

Wat DNB precies zag

De cijfers komen uit een onderzoek dat DNB deze maand met de sector deelde: verzekeraars en AI (opent in nieuw venster). De toezichthouder splitste verzekeraars op naar impactklasse: groot, middelgroot, klein. En er zit een duidelijke lijn in. Hoe kleiner de verzekeraar, hoe kleiner de rol die AI in de plannen speelt.

Bij de grote verzekeraars vindt iedereen investeren in AI belangrijk voor het toekomstige verdienmodel. Bij de middelgrote spelers zakt dat naar 40%. Bij de kleine naar 55%. En de capaciteit om er echt iets mee te doen ligt nog lager: bij de kleine verzekeraars heeft maar 39% structureel mensen en middelen vrijgemaakt. De rest heeft dat niet.

Dit cijfer wordt trouwens vaak verkeerd naverteld. "De helft van de verzekeraars doet niks met AI", hoor je dan. Zo simpel is het niet. Het cijfer gaat niet over wie AI gebruikt. Het gaat over wie het belangrijk vindt, en wie de capaciteit heeft om er iets mee te doen. Juist dat onderscheid legt de blinde vlek bloot.

Tegelijk gebeurt er iets opvallends in dezelfde cijfers. Bijna 80% van de grote en middelgrote verzekeraars had begin 2025 al één of meer AI-toepassingen draaien. AI wordt dus wél gebruikt. Alleen wordt het niet als strategisch gezien, en bij de kleinste spelers ontbreekt de basis om überhaupt mee te komen.

Dat is de eerste scheur. Een sector die AI in de praktijk al inzet, maar het in de bestuurskamer nog niet serieus neemt. Perceptie en gebruik lopen uiteen. En dat gat is geen detail. Dat is een risico.

Afwachten voelt veilig. Het is het niet.

In 35 jaar verzekeringen heb ik dit patroon vaker gezien. Een nieuwe technologie komt op, de grote partijen bewegen eerst, en de kleinere spelers wachten af tot het "bewezen" is. Klaverblad maakte er zelfs zijn slogan van: "Als je maar lang genoeg gewoon blijft, word je vanzelf bijzonder." Bij online distributie ging het zo. Bij data-gedreven acceptatie ging het zo. En telkens bleek afwachten achteraf duurder dan meedoen.

Het lastige aan AI is het tempo. Een kleine verzekeraar die vandaag besluit "wij kijken het nog even aan" neemt een beslissing waarvan de rekening pas over twee jaar op tafel komt. Tegen die tijd heeft de concurrent zijn schadeproces deels geautomatiseerd, zijn acceptatie aangescherpt en zijn klantcontact sneller gemaakt. Inhalen lukt dan niet meer met een pilot van drie maanden.

Ik schreef eerder dat 95% van de AI-pilots niks oplevert. Dat klinkt als een argument om te wachten tot het rustiger wordt. Het is het tegenovergestelde. De 5% die wél geld verdient, komt van organisaties die vroeg begonnen, fouten maakten en daarvan leerden. Die leercurve koop je niet achteraf in. Je bouwt hem op, of je hebt hem niet.

En er is een tweede reden waarom afwachten geen strategie is. De regels liggen er al.

De zes principes die de toezichthouder al klaarlegde

Hier zit het deel dat veel bestuurders missen. Je hoeft het wiel niet zelf uit te vinden. EIOPA, de Europese toezichthouder voor verzekeraars, stelde al in 2021 zes principes op voor verantwoord AI-gebruik in de sector. DNB gebruikt die als maatstaf, onderdeel van de bredere AI-governance die het van verzekeraars verwacht. Iets meer dan 70% van de verzekeraars houdt er in de eigen governance rekening mee. Bijna een derde dus niet.

Die principes klinken zwaar, maar ze zijn in gewone taal uit te leggen. Kort langs de zes:

Data governance en vastlegging. Je moet weten waar de data vandaan komt waarmee je model traint, of die data klopt en representatief is, en je moet vastleggen welke keuzes je onderweg maakte. Geen black box zonder logboek. Een acceptatiemodel dat is getraind op oude schadedata uit één regio is geen neutraal model. Het heeft een geheugen dat je moet kunnen navertellen.

Eerlijkheid en non-discriminatie. Een model mag klantgroepen niet stelselmatig benadelen. Als je acceptatie- of premiemodel bepaalde postcodes of leeftijden onbedoeld uitsluit, is dat jouw verantwoordelijkheid, niet die van het algoritme. En "de computer deed het" is voor een klant die wordt geweigerd geen antwoord.

Menselijk toezicht. Er moet altijd een mens zijn die de uitkomst kan beoordelen en kan ingrijpen. AI adviseert. Bij wat er echt toe doet, een afwijzing, een hoge premie, een fraudesignaal, beslist een mens.

Proportionaliteit. De zwaarte van je controle past bij het risico van de toepassing. Een chatbot die veelgestelde vragen beantwoordt vraagt minder waarborgen dan een model dat bepaalt of iemand een levensverzekering krijgt. Dit principe is ook je bescherming: je hoeft niet elke toepassing even zwaar op te tuigen.

Robuustheid en prestaties. Het model moet doen wat het moet doen, ook als de omstandigheden veranderen. Een model dat vandaag goed werkt kan over zes maanden afdrijven, bijvoorbeeld als het klantgedrag verschuift. Je moet dat blijven meten, niet één keer bij de oplevering afvinken.

Transparantie en uitlegbaarheid. Je moet kunnen uitleggen waarom het model tot een besluit kwam. Aan de klant die wordt afgewezen. En aan de toezichthouder die ernaar vraagt.

Lees ze nog eens terug. Dit is geen technische wenslijst. Dit is goed bestuur, toegepast op software die beslissingen neemt over je klanten. En de toezichthouder scherpt de lijn aan. In augustus 2025 publiceerde EIOPA een formeel standpunt over AI-governance en risicobeheer, met één belangrijke boodschap: er komen geen compleet nieuwe regels bij. De bestaande wetgeving voor verzekeraars geldt gewoon ook voor AI. Je kunt het nalezen in de EIOPA Opinion on AI governance and risk management (opent in nieuw venster).

Governance is geen rem. Het is je snelste route.

De reflex bij veel directies is dat governance de rem is en innovatie het gaspedaal, en dat die twee om voorrang vechten. Ik denk dat het precies omgekeerd zit.

De reden dat AI-projecten stranden is zelden dat de techniek niet werkt. Het is dat niemand vooraf heeft nagedacht over wie verantwoordelijk is als het misgaat, hoe je merkt dat het misgaat, en hoe je uitlegt wat er gebeurde. Dat zijn precies de vragen die deze zes principes stellen. Governance is niet de tegenstander van een goed AI-project. Het is de checklist die het overeind houdt.

En juist hier ziet DNB het misgaan. De toezichthouder constateerde dat verzekeraars de ontwikkelstappen onvoldoende vastleggen en na ingebruikname te weinig monitoren of het model nog doet wat het moet doen. Ze bouwen sneller dan ze controleren.

Dat is het echte gevaar. Niet te weinig AI, maar ongecontroleerde AI.

Wie de principes vroeg omarmt, bouwt niet langzamer. Die bouwt met een vangnet, en durft daardoor juist meer. Ik bouw zelf AI-tools, zonder klassieke developersachtergrond, en de les is telkens dezelfde: de projecten die de mist ingaan zijn niet de ambitieuze. Het zijn de projecten waar niemand controleert wat het model precies doet. Een verzekeraar heeft dat vangnet al binnen handbereik. Het ligt klaar in zes principes.

Klein zijn is geen excuus

Het tegenargument dat ik het vaakst hoor van kleinere verzekeraars: dit is iets voor de grote jongens. Wij hebben geen data-scientists, geen apart AI-team, geen budget om een governance-afdeling op te tuigen. Dus laten we het aan de markt over.

Ik snap de reflex. Maar hij klopt niet, om twee redenen.

De eerste is dat proportionaliteit juist voor jou werkt. Je hoeft geen zware governance-machine te bouwen voor een simpele toepassing. Een kleine verzekeraar met een handvol AI-toepassingen kan met een overzichtelijke aanpak al voldoen: weet wat er draait, wijs een verantwoordelijke aan, leg de belangrijkste keuzes vast. Dat is geen afdeling. Dat is discipline.

De tweede reden is ongemakkelijker. Veel kleinere verzekeraars bouwen geen eigen AI, maar kopen toepassingen in bij externe leveranciers. Dat voelt als een manier om het risico bij een ander te leggen. Dat is het niet. De klant is jouw klant. De polis is jouw polis. En de verantwoordelijkheid voor een eerlijke, uitlegbare beslissing blijft bij jou, ook als het model van een leverancier komt. "Onze softwarepartij regelt dat wel" is geen governance. Het is een aanname die je niet hebt gecontroleerd.

Wie inkoopt in plaats van bouwt, heeft die zes principes juist harder nodig, niet minder. Want je moet aan je leverancier precies de vragen stellen die je anders aan je eigen team zou stellen. Kun je uitleggen hoe dit model tot een besluit komt? Wat gebeurt er als het afdrijft? Wie grijpt in als het misgaat?

Wat dit betekent voor jouw directietafel

Concreet, wat kun je maandag doen?

Begin niet bij de techniek. Begin bij de vraag welke AI-toepassingen al in je organisatie draaien, wie ervoor verantwoordelijk is, en of iemand controleert of ze nog goed werken. Bij bijna 80% van de middelgrote verzekeraars draait er al iets. De kans is groot dat het antwoord op "wie houdt dit in de gaten" ongemakkelijk lang uitblijft.

Leg daarna de zes principes naast je bestaande toepassingen. Niet als afvinklijst, maar als gespreksstof voor het MT. Waar zit het menselijk toezicht? Waar kun je uitleggen hoe een besluit tot stand kwam, en waar niet? Welke toepassing raakt een klant direct in de portemonnee, en verdient dus de zwaarste waarborgen? Je hoeft niet alles tegelijk op te lossen. Je moet wel weten waar je staat.

En houd de kalender in de gaten. Vanaf 2 augustus 2026 gelden onder de Europese AI-verordening strengere eisen voor hoog-risicotoepassingen. Voor verzekeraars vallen daar de risicobeoordeling en premiebepaling bij levens- en zorgverzekeringen onder. Dat is niet een uithoek van het bedrijf. Dat is het hart van het verzekeringsvak. De sector gebruikt dit soort zware toepassingen in Nederland nog beperkt, en dat is precies het moment om de basis op orde te brengen: nu, voordat het moet.

De verzekeraars die vandaag beginnen met vastleggen, toezicht en uitlegbaarheid, hoeven volgend jaar niet in paniek te schakelen. Ze hebben het huiswerk al gedaan.

De 60% die AI niet belangrijk vindt voor het verdienmodel, en de bijna 30% die de principes negeert, maken dezelfde denkfout. Ze zien AI als een technische keuze die nog wel even kan wachten. Het is een bestuurskeuze die allang loopt. De vraag is niet of AI jouw verzekeringsbedrijf raakt. De vraag is of jij aan het stuur zit als het gebeurt.

Bronnen

* De cijfers over AI-gebruik, capaciteit en governance bij Nederlandse verzekeraars, plus de kritiek op vastlegging en monitoring: DNB, verzekeraars en AI (opent in nieuw venster) * De zes principes voor verantwoord AI-gebruik in verzekeringen: EIOPA, Artificial Intelligence Governance Principles, juni 2021 (opent in nieuw venster) * Het formele standpunt dat bestaande wetgeving ook op AI van toepassing is, zonder compleet nieuwe regels: EIOPA Opinion on AI governance and risk management, augustus 2025 (opent in nieuw venster) * Waarom de meeste AI-pilots stranden en wat de winnende minderheid anders doet: AI-pilots laten slagen * De slogan waar Klaverblad zijn merk op bouwde: Klaverblad-campagne (opent in nieuw venster)