Uw claim-AI herkent schade feilloos. Maar weet niet of die schade echt is.

Ik had twee foto's van dezelfde zilveren sedan open op één scherm. De linker was een echte deuk in het achterste zijpaneel, ontstaan door een schram op een parkeerplaats. De rechter was nooit bij een ongeluk betrokken geweest — iemand had een schone foto in een diffusiemodel gestopt en gevraagd om er schade aan toe te voegen. De vouw, de schaduw onder de rand, de manier waarop de lak het licht ving: allemaal gegenereerd, niets ervan fysiek.

Ik haalde ze allebei door het schadetaxatiemodel dat we aan het uittesten waren. Beide kwamen terug als echte schade. Beide kregen een ernstscore. Beide kregen een reparatieraming. De valse kreeg, als er al iets was, een iets schonere aflezing, omdat de gegenereerde schade netter was dan de rommeligheid van de echte wereld.

Dat was de ochtend waarop ik begreep dat verzekeringsclaim-AI en deepfakedetectie twee volkomen verschillende problemen zijn, en dat vrijwel iedereen in de markt het eerste oplost terwijl men stilzwijgend aanneemt dat het ook het tweede dekt. Dat is niet zo. Een schadetaxatiemodel vraagt hoe ziet dit eruit? Het vraagt niet was dit echt? En in 2026 is dat gat de plek waar het geld naar buiten wandelt.

Uw schadetaxatie-AI beoordeelt inhoud. Fraude leeft in authenticiteit. Dat zijn niet dezelfde as, en nauwkeurigheid op de ene levert u niets op voor de andere.

Het dreigingsmodel veranderde stilletjes en de tools niet

De meeste claim-AI werd ontworpen in een tijd waarin het ergste wat kon gebeuren een verkeerd getal was — een raming die $400 te hoog of te laag uitviel. Dat was het hele risico-oppervlak: de nauwkeurigheid van de raming. Leveranciers concurreerden erop, inkoopteams beoordeelden erop, en iedereen werd er beter in.

Toen werden de inputs aanvalbaar. Iedereen met een telefoon kan nu een foto maken van een onbeschadigde auto en een vrij beschikbaar model vragen om er een verkreukelde bumper in te injecteren, compleet met plausibele belichting en reflecties. De schaal hiervan is niet theoretisch. Pogingen tot deepfakefraude stegen met 2.137% over drie jaar, en zij vertegenwoordigen nu 6,5% van alle gedetecteerde identiteitsfraude in de financiële en betalingswereld. Specifiek in de verzekeringssector gingen door AI versterkte fraudegevallen in de VS van minder dan 20.000 in 2022 naar meer dan 80.000 in 2025.

Het meest concrete getal dat ik heb gezien komt uit het VK. In april 2025 onthulden autoverzekeraars daar dat fraudeurs diffusiemodellen gebruikten om krassen en barsten in onschuldige foto's te injecteren, waardoor de gemiddelde uitkeringen met ongeveer £13.000 per incident werden opgeblazen. Dat is geen afrondingsfout op een verzekeringsportefeuille. Dat is een structureel lek.

En consumenten verzetten zich niet bepaald. Uit het fraudeonderzoek van Verisk van maart 2026 bleek dat 36% van de consumenten zou overwegen een claimafbeelding te wijzigen, en onder Gen Z klimt dat cijfer naar 55%. Ondertussen rapporteert 98% van de verzekeraars nu een sterke toename van gemanipuleerde media die verband houden met AI-tools. Het aanbod aan tools is oneindig, het moreel risico is nu mainstream, en het taxatiemodel aan de andere kant leest inhoud als waarheid.

Ik heb het eerste stuk besteed aan het bouwen van het verkeerde ding

Hier is het deel waar ik niet trots op ben. Toen we begonnen, positioneerde ik het product als een beter schadetaxatiemodel. De marktleiders waren de lat, dus ik wilde eroverheen. Tractable, dat $185M ophaalde en meer dan een miljard dollar aan claims verwerkt, adverteert met rond de 95% nauwkeurigheid. CCC Intelligent Solutions draait een raming-tot-uitbetalingspijplijn bij meer dan 125 verzekeraars en overschreed een miljard aan omzet. De voor de hand liggende zet was om net iets nauwkeuriger te zijn dan dat en te verkopen op het verschil.

Ik nam dat kader mee in een gesprek met een claimleider bij een middelgrote verzekeraar, en het antwoord was een beleefde versie van dat hebben we al. En het was het juiste antwoord. Nog een procentpunt schadetaxatie-nauwkeurigheid was een vitamine, geen pijnstiller. Wat dat team zorgen baarde was niet of hun ramingen 94% nauwkeurig waren in plaats van 96%. Het was hoeveel van de foto's die die ramingen voedden überhaupt echt waren.

Dat gesprek kostte me ongeveer een maand aan overtuiging. We hadden helemaal naar de verkeerde as toe gebouwd. Het inzicht dat alles wat erna kwam terugverdiende was simpel en een beetje vernederend: een nauwkeuriger inhoudsmodel maakt het fraudeprobleem erger, niet beter, omdat het een zelfverzekerder goedkeuringsstempel verleent aan een verzonnen afbeelding. Hoe beter uw model is in het aflezen van schade, hoe schoner de uitbetaling op de vervalsing.

Dus we stopten met concurreren op nauwkeurigheid en begonnen te bouwen voor authenticiteit. Dat betekende dat we elke claimfoto niet behandelden als te scoren gegevens, maar als te authenticeren bewijs — gemeten en bewaard.

Waarom werkt "voeg gewoon een deepfakedetector toe" niet?

Het eerste instinct dat iedereen heeft — inclusief het onze — is om een deepfakedetector aan de voorkant van de pijplijn te schroeven. Er is een bekende forensische techniek genaamd PRNU, kort voor photo-response non-uniformity. Elke camerasensor heeft een zwakke, unieke ruisvingerafdruk, en als een afbeelding werd gesynthetiseerd in plaats van vastgelegd, ontbreekt die vingerafdruk of klopt hij niet. In een lab is het elegant.

In een echte claimpijplijn valt PRNU alleen uit elkaar. Telefoonfoto's worden gecomprimeerd, opnieuw opgeslagen, door de berichtenapp gehaald die de polishouder gebruikte om ze te versturen, en nabewerkt voordat ze ooit bij u aankomen. Dat alles smeert de sensorvingerafdruk uit, en de techniek is bovendien rekenkundig zwaar. Op zichzelf is hij simpelweg niet concurrerend met moderne generatie. De verzekeraars weten dat dit lastig is, en daarom zegt slechts 32% van de verzekeraars dat zij zich zeer zeker voelen over het detecteren van deepfakes, en meldt 76% dat de gemanipuleerde inzendingen die zij zien steeds geavanceerder worden.

Het detectieprobleem is niet "hebben we een deepfakemodel." Het is dat detectie in een apart product zit dan taxatie, zodat de authenticiteitscontrole en de schadecontrole eigenlijk nooit met elkaar praten.

Dit is het structurele gat waar ik elke verzekeraar naartoe zou wijzen, en het is de reden dat we forensische computervisie voor de gehele claimbewijs-pijplijn bouwden in plaats van een op zichzelf staande detector. Verisk publiceert uitstekend fraudeonderzoek en draait sterke analytics, maar zijn detectie is achteraf — hij vuurt na inzending, los van de schadetool. VAARHAFT doet doelgebouwde beeldfraudescoring met metadata-analyse en heatmaps voor schade-experts, maar doet geen enkele schadetaxatie, dus u draait twee leveranciers die geen model delen. Tractable en CCC doen de taxatie prachtig en leveren helemaal geen deepfakedetectie. De verzekeraar eindigt met het aan elkaar naaien van authenticiteit en taxatie over leveranciers heen, en de naad ertussen is precies waar een verzonnen afbeelding overleeft.

Het eerlijke antwoord is niet één detector. Het is een ensemble — forensiek op sensorniveau, plus segmentatie die redeneert over de vraag of de schade fysiek consistent is (het soort controle waarbij een dieptescattingsstap een deuk markeert waarvan de geometrie niet door de belichting kan worden verklaard, wat precies is waar een schone diffusievervalsing zichzelf verraadt), plus een echte bewijsketen — allemaal binnen hetzelfde systeem dat de raming produceert.

De dreiging die ik niet zag aankomen waren wij

Een tijdlang dacht ik dat het hele probleem extern was — fraudeurs aan de buitenkant, onze pijplijn aan de binnenkant, een muur ertussen. Toen betrapten we onszelf op het aanrichten van de schade.

Een polishouder had een foto van een gedeukt achterste zijpaneel geüpload via een mobiele app. Onze beeldpijplijn draaide, net als veel pijplijnen, een "verbeterings"-stap om telefooncameraruis op te schonen vóór de taxatie. De upscaler, getraind om afbeeldingen er beter uit te laten zien, interpreteerde de deuk als ruis en gladde een deel ervan weg. De schade-expert zag een schonere, minder beschadigde auto dan de polishouder daadwerkelijk had gefotografeerd. We waren niet aangevallen. We hadden zelf stilletjes het bewijs gewijzigd.

Dat was het moment waarop de juridische dimensie tot me doordrong, en het is de expertise waarmee ik nu elk verzekeraarsgesprek leid. Volgens de Amerikaanse wet is het wijzigen van bewijs dat relevant is voor een gerechtelijke procedure spoliation, en opzet redt u niet. De toets is niet "had u goede bedoelingen door de foto te verbeteren." De toets is of synthetische pixels — pixels die de camerasensor nooit heeft vastgelegd — werden geïntroduceerd voordat iemand het origineel bewaarde. Als een afgewezen claim tot een rechtszaak leidt en uw workflow het origineel heeft overschreven met een door AI gewijzigde versie, dan kijkt u aan tegen instructies voor nadelige gevolgtrekking, sancties of een kort geding.

Elke pijplijn waar generatieve AI een claimafbeelding aanraakt — upscaling, ruisonderdrukking, "verbetering" — draagt dit risico, en de meeste verzekeraars hebben er nooit op geaudit. De oplossing in ons systeem werd een regel die we niet breken: de originele, door de sensor vastgelegde afbeelding wordt bewaard, gehasht en nooit overschreven; elke transformatie gebeurt op een kopie met een gelogd herkomstspoor. De verbetering kan nog steeds plaatsvinden. Het kan alleen niet gebeuren met de enige kopie waar een rechtbank ooit om zal vragen.

De toezichthouders accepteren niet langer "de black box van de leverancier deed het"

De twee dreigingen — synthetische fraude die binnenkomt, bewijsspoliation die binnenin plaatsvindt — botsen met een nalevingsomgeving die snel tanden kreeg.

De NAIC Model Bulletin, nu aangenomen door 24 staten, vereist gedocumenteerd AI-bestuur, uitlegbare claimbeslissingen en doorlopende modelmonitoring. De AI Act van Colorado treedt in werking op 30 juni 2026, en een overtreding wordt behandeld als een oneerlijke of misleidende handelspraktijk. De EU AI Act classificeert verzekerings-AI als hoog risico met een handhavingsdeadline in augustus 2026 en boetes tot €35 miljoen of 7% van de wereldwijde omzet. En de NAIC zal naar verwachting dit jaar een modelwet introduceren over het toezicht op externe leveranciers.

Die laatste is de stille aardbeving. Een verzekeraar is aansprakelijk voor de uitkomsten van een externe AI — "het model van onze SaaS-leverancier besliste het" is geen verweer dat een toezichthouder of een rechtbank accepteert. Een verzekeraar die een black-boxscore gebruikt om een claim af te wijzen, kan de uitleg die toezichthouders nu eisen niet leveren. Een verzekeraar wiens pijplijn het bewijs heeft gewijzigd, kan het origineel dat een rechtbank eist niet leveren. Beide zijn dezelfde tekortkoming in twee kostuums: u heeft geen controle, kunt niet uitleggen, en heeft niet bewaard.

Dit is ook waarom ik sceptisch ben over de route waarbij een grote systeemintegrator het geheel draait. De grote firma's zijn oprecht goed in Guidewire- en Duck Creek-integratie en in het schrijven van risicoraamwerken. Maar zij bevelen platformleveranciers aan en integreren die; zij bouwen geen maatwerk forensische computervisie. Hun AI-werk is LLM-gericht — copiloten en agentische triage — en een opdracht loopt van $500K tot $5M met een aanlooptijd van zes tot achttien maanden voordat enig model een live claim aanraakt. U kunt een jaar en een zevencijferig budget uitgeven en nog steeds een black box vasthouden die u niet aan Colorado kunt uitleggen.

"Maar vertraagt dit niet de straight-through-verwerking?"

Dit is het bezwaar dat ik het meest krijg, en het is een terecht bezwaar. De hele branche duwt richting straight-through-verwerking — toonaangevende autoverzekeraars mikken op 70–90% STP op eenvoudige personenautoclaims, en IDC voorspelt dit jaar een STP-percentage van 65% over auto's en woningen heen. Schade-experts zijn duur; het punt van de AI is om mensen weg te houden van de routineclaims.

Mensen nemen aan dat forensische authenticatie wrijving is die STP weer omlaag trekt. Het is het tegenovergestelde. De snelste manier om een straight-through-programma om zeep te helpen is één publiekelijk bekende fraudering of één spoliation-sanctie — daarna krijgt elke claim een tweede blik van een mens "gewoon voor de zekerheid," en stort uw automatiseringspercentage in. Authenticatie is wat u in staat stelt om de poort open te houden. Wanneer het systeem kan certificeren dat een afbeelding echt, ongewijzigd en herkomst-gelogd is, dat is de claim die u veilig automatisch kunt goedkeuren. U voegt geen controlepunt toe; u verdient het recht om er een over te slaan.

Een claim waarvan u kunt bewijzen dat hij echt is, is een claim die u veilig kunt uitbetalen zonder dat een mens er ooit aan raakt.

En de economie is niet subtiel. Autofraude voegt al ongeveer $900 per jaar toe aan de premie van elke polishouder, en goed uitgevoerde computervisie zal naar verwachting de kosten van claimverwerking met $12 miljard per jaar verlagen. Niets daarvan komt tot stand als de afbeeldingen die binnengaan verzonnen zijn en de originelen die uitgaan gewijzigd zijn.

Waarop zou een claimleider eigenlijk moeten testen?

Een claim-VP nam me ooit mee door haar leveranciersbeoordelingsraster — een keurige scorekaart van nauwkeurigheid, integratie, uitrol, prijs. De kolom "deepfakedetectie" was leeg bij elke leverancier op de shortlist. Niet laag gescoord. Leeg. Niemand had het gebouwd, dus niemand werd erop beoordeeld, dus het viel volledig buiten de evaluatie. Dat is de valkuil: u kunt een grondige inkoop draaien en nooit één keer testen op de dreiging die daadwerkelijk groeit.

Dus de kolom die ik zou toevoegen vraagt iets wat de nauwkeurigheidsscore niet kan: kan de tool u vertellen of een afbeelding authentiek is, en niet alleen wat hij afbeeldt? Vanaf daar stoppen de vragen over prestaties en beginnen ze over bewijs te gaan. Zal hij zijn redenering blootleggen — het segmentatiemasker, de forensische signalen — of geeft hij u gewoon een getal om te vertrouwen? De originele sensorafbeelding moet overleven met een herkomstspoor dat u aan een rechter zou kunnen voorleggen. En onder dat alles ligt de eigendomsvraag: draait u uw eigen model en data, of huurt u een gedeeld, niet-fijngetuned model dat u niet op uw portefeuille kunt afstemmen of aan uw toezichthouder kunt uitleggen?

De verzekeraars die de komende twee jaar doorkomen zullen niet degene zijn met de nauwkeurigste schaderamingen. Het zullen degene zijn die voor een toezichthouder, een schade-expert en uiteindelijk een rechter kunnen staan en bewijzen dat de pixel waarop zij uitbetaalden echt was toen de sluiter afging — en dat zij hem daarna nooit hebben aangeraakt. Als u wilt zien hoe wij forensische computervisie voor precies dat bouwden, staat het er allemaal.

Ik bewaar die twee foto's van de zilveren sedan op mijn bureaublad. Eén was een echt ongeluk. Eén is nooit gebeurd. Het model kon ze niet uit elkaar houden, en voor het grootste deel van de branche kan het dat nog steeds niet. De hele taak, zo blijkt, ging nooit over het beter zien van de schade. Het ging over in staat zijn om, met bewijs, te zeggen welke van de twee waar was.