Kunt u AI vertrouwen voor het beoordelen van verzekeringsclaims?

Het probleem

Een grote verzekeraar vroeg zijn AI om een foto van een zwaar gedeukte achterbumper te "verbeteren". De AI wiste de schade volledig en leverde een brandschone, fictieve afbeelding van een onbeschadigde auto. Dit is het inmiddels beruchte "Pristine Bumper"-incident. De verzekeraar had een generatieve AI-tool — gebouwd op dezelfde technologie die ook achter Stable Diffusion en DALL-E zit — ingebouwd in zijn mobiele schade-app. Toen een verzekerde na een aanrijding een foto uploadde, interpreteerde de AI het vervormde metaal als visuele ruis. De AI streek de deuk digitaal glad en verving die door de strakke lijnen van een perfecte carrosserie.

Vervolgens weigerde de geautomatiseerde schade-engine de claim. Zijn reden: nul zichtbare schade. De verzekerde, starend naar een wrak in de oprit, spande een rechtszaak aan wegens kwade trouw. De verzekeraar hield een digitaal gewijzigd document over dat rechtstreeks inging tegen de fysieke realiteit.

Dit was geen bug. De AI deed precies waarvoor hij ontworpen was. Deze modellen leren van miljarden afbeeldingen dat een "auto" een glad, symmetrisch object is. Een deuk lijkt een fout om te herstellen, geen bewijs om te bewaren. Als uw schadeworkflow generatieve AI gebruikt voor beeldverwerking, dan bestaat ditzelfde faalpatroon ook vandaag in uw systeem. De vraag is of het al is afgegaan — en of u het zou merken als dat zo was.

Waarom dit belangrijk is voor uw bedrijf

De financiële en juridische blootstelling hier is niet hypothetisch. Ze is structureel. Elke keer dat een generatieve AI-tool een claimfoto wijzigt, loopt uw organisatie het risico dat het juridische systeem bewijsvernietiging noemt — het wijzigen of vernietigen van documenten die relevant zijn voor een gerechtelijke procedure. Rechtbanken kunnen sancties opleggen, de jury instrueren over nadelige gevolgtrekkingen, of een summary judgment uitspreken tegen de partij die het bewijs vernietigd heeft.

Dit is wat dat betekent voor uw balans en uw bestuurskamer:

• Procesmultiplier. Het whitepaper identificeert een procesrisico van $7,2 miljard verbonden aan door AI veroorzaakte bewijsfouten in de verzekeringssector. Eén rechtszaak wegens kwade trouw naar aanleiding van één gewijzigde foto kan miljoenen kosten. Reken dat door op duizenden dagelijkse claims, en u ziet de blootstelling.
• Regulatorische aansprakelijkheid die u niet kunt delegeren. De NAIC Model Bulletin over AI-gebruik door verzekeraars schrijft nu voor dat verzekeraars een schriftelijk AI-governanceprogramma moeten voeren. Cruciaal is: u kunt verantwoordelijkheid niet uitbesteden aan uw AI-leverancier. Als een tool van derden hallucineert of discrimineert, is de verzekeraar aansprakelijk. Meerdere staten hebben deze richtlijn al overgenomen.
• EU AI Act-classificatie. Voor verzekeraars met wereldwijde activiteiten classificeert de EU AI Act AI die wordt gebruikt voor verzekeringsrisicobeoordeling van personen als Hoog Risico. Dat activeert strenge eisen voor datagovernance, automatische logging van gebeurtenissen en menselijk toezicht.
• Kwetsbaarheid voor fraude. Dezelfde generatieve AI die echte schade wist, stelt fraudeurs ook in staat om nep-schade te fabriceren. Criminelen gebruiken nu text-to-image-tools om ingedeukte bumpers of brandschade toe te voegen aan foto's van onbeschadigde voertuigen. Menselijke beoordelaars presteren niet beter dan willekeur bij het detecteren van hoogwaardige deepfakes. Uw huidige verdediging is waarschijnlijk ontoereikend.

Het "Pristine Bumper"-incident kostte één verzekeraar haar geloofwaardigheid en een rechtszaak. Uw blootstelling is elke keer hetzelfde wanneer een generatieve tool uw bewijsketen raakt.

Wat er echt onder de motorkap gebeurt

Om te begrijpen waarom dit steeds blijft gebeuren, moet u één belangrijk verschil begrijpen. Er zijn twee fundamenteel verschillende soorten AI: generatief en discriminatief. Generatieve AI creëert nieuwe content. Discriminatieve AI analyseert wat er al bestaat. De verzekeringssector heeft analyse nodig, maar blijft steeds creatie-tools kopen.

Denk er zo over na. Een generatieve AI is als een portretschilder die schildert hoe een auto er zou moeten uitzien. Een discriminatieve AI is als een forensisch onderzoeker die meet hoe de auto er werkelijk uitziet. U zou nooit een portretschilder vragen om als deskundige getuige op te treden. Maar dat is in essentie wat er gebeurt wanneer u generatieve beeldverwerking inbouwt in uw schadeproces.

Het technische faalpatroon heet inpainting. Generatieve modellen werken door statistische patronen te leren. In hun trainingsdata verschijnen auto's overwegend met gladde, gave oppervlakken. Wanneer het model een deuk ziet — een hoogfrequente verstoring van het verwachte patroon — behandelt die die als ruis. Zijn wiskundige doel is een output produceren die eruitziet als een "normale auto-afbeelding". Dus vult hij de gedeukte pixels op met gladde. Hij "geneest" de schade.

Dit proces draait op diffusiewiskunde, waarbij het model de introductie van ruis omkeert om een "schoon" signaal te herstellen. Een deuk lijkt op ruis voor deze modellen. Ze verwijderen die. Bij kunstrestauratie is dat een feature. Bij verzekeringsclaims is het geautomatiseerde bewijsvernietiging. Het model vervangt de rommelige, dure realiteit van een crash door een plausibele, goedkope fictie.

Het probleem stapelt zich op wanneer u vertrouwt op API-wrappers van derden. De meeste InsurTech-tools bouwen hun eigen AI niet. Ze sturen uw data naar algemene modellen die geen enkel begrip hebben van indemnity, botsingsfysica of forensische normen. Als de modelleverancier zijn weights bijwerkt om "esthetischer" te worden, kan uw schadebeoordelingstool deuken agressiever beginnen weg te gummen — en u hebt nul controle over die wijziging.

Wat werkt (en wat niet)

Beginnen we met wat in de praktijk faalt.

Generieke generatieve AI-wrappers: Deze tools behandelen schade als visuele ruis en verwijderen die. Ze wijzigen pixels en creëren zo bewijsvernietigingsrisico. Ze zijn vatbaar voor deepfake-fraude omdat ze content evalueren, niet de fysica van hoe een afbeelding tot stand kwam. Er wordt verwezen naar een faalpercentage van 99% in de context van de ongeschiktheid van deze tools voor forensisch werk.

Eenvoudige beeldclassificatoren: Standaard classificatiemodellen (zoals ResNet) geven een binair antwoord — "beschadigd" of "niet beschadigd". Ze kunnen u niet vertellen waar de schade zit, hoe diep een deuk gaat, of of de foto een deepfake is. Dat niveau van vaagheid overleeft geen uitdaging in de rechtszaal.

Alleen menselijke beoordeling op schaal: Mensen zijn slecht in het detecteren van door AI gegenereerde vervalsingen. Ze introduceren bovendien subjectieve variabiliteit. Twee schade-experts die naar dezelfde deuk kijken, kunnen verschillende ernstscores geven. Subjectiviteit kunt u niet auditen.

Dit is wat werkt — een deterministische forensische aanpak die analyseert zonder te wijzigen:

1. Invoer — Bewijsvergrendeling. De originele foto wordt gehasht met SHA-256-versleuteling op het moment dat die binnenkomt. De AI leest de afbeelding maar schrijft er nooit naar. Metadata — tijdstempel, GPS-coördinaten — wordt vergrendeld aan het bestand. Dit creëert een bewijsketen die in de rechtszaal standhoudt.

2. Verwerking — Analyse in drie lagen. Ten eerste identificeert en brengt semantische segmentatie — een techniek waarbij de AI elke individuele pixel classificeert — schadegrenzen in kaart. Die kan u vertellen dat een kras 14 centimeter lang is en een deuk 45 vierkante centimeter aan oppervlakte beslaat. Ten tweede meet monokulaire diepteschatting — het berekenen van 3D-geometrie uit een 2D-foto — de deukdiepte en het -volume. Een steile dieptegradiënt wijst op een scherpe kreukel waarbij onderdeelvervanging nodig is. Een flauwe gradiënt betekent dat paintless dent repair mogelijk volstaat. Ten derde detecteert analyse van speculaire reflectie — het bestuderen van hoe licht van het carrosserieoppervlak weerkaatst — onzichtbare schade zoals hageldeuken of eerdere reparaties die standaard AI volledig mist.

3. Uitvoer — Gestructureerd, auditabel rapport. Het systeem produceert een JSON-rapport met beschadigde onderdelen, ernstscores en reparatie-of-vervangen-aanbevelingen op basis van uw geconfigureerde bedrijfsregels. Alle analyses worden opgeslagen als aparte sidecar-bestanden, gekoppeld aan de hash van de originele afbeelding. Aan het originele bewijs wordt niets gewijzigd.

Dit moet uw complianceteam horen. De analyse-overlay kan aan en uit worden gezet. De schade-expert blijft de mens in de loop met finale beslissingsbevoegdheid — een cruciale veilige haven onder de EU AI Act. Elke verwerkingsstap wordt gelogd. U kunt precies uitleggen waarom een claim is goedgekeurd of afgewezen, tot op pixelmetingen nauwkeurig. Dat is het verschil tussen een systeem dat regulatorisch toezicht overleeft en één die uw volgende rechtszaak creëert.

Als uw huidige AI-leverancier zegt dat ze "AI voor claims" gebruiken, vraag dan welk soort. Als het antwoord generatie, verbetering of welk proces dan ook inhoudt dat nieuwe pixels in uw bewijs schrijft, draagt u risico dat u mogelijk niet hebt ingeprijsd.