Kan data de verzekeraar redden van AI-fraude?
Foto’s, facturen en verklaringen vormen al jarenlang belangrijk bewijs bij verzekeringsclaims. Generatieve AI maakt het echter steeds eenvoudiger om overtuigende documenten en beelden te produceren die nooit echt hebben bestaan. Daarmee ontstaat voor verzekeraars een nieuw probleem: hoe bepaal je nog of een claim geloofwaardig is wanneer het individuele bewijsstuk nauwelijks van echt te onderscheiden is?
De strijd tegen AI-fraude vraagt daarom om meer dan betere detectie van synthetische documenten. Data over claims, transacties, relaties en terugkerende patronen kunnen helpen om de context rond een claim te beoordelen. Daarbij wordt ook samenwerking tussen verzekeraars interessanter, mits organisaties verbanden kunnen onderzoeken zonder privacy en rechtsbescherming uit het oog te verliezen.
Een beschadigde koffer, een gestolen telefoon of een geannuleerde reis. Wie schade claimt bij een verzekeraar, wordt gevraagd bewijs aan te leveren. Foto’s, facturen, aankoopbewijzen, medische verklaringen en andere documenten helpen om aannemelijk te maken dat de schade daadwerkelijk heeft plaatsgevonden.
Generatieve AI begint dat vertrouwde uitgangspunt behoorlijk ingewikkeld te maken. Een foto hoeft niet meer gemaakt te zijn, een factuur hoeft niet meer afkomstig te zijn van een leverancier en zelfs een medische verklaring kan overtuigend worden nagebootst. De technologie waarmee teksten, afbeeldingen en documenten worden gegenereerd, wordt zo goed en toegankelijk dat het voor een schadebehandelaar steeds moeilijker wordt om uitsluitend aan het bewijsstuk zelf te zien of het authentiek is.
Nederlandse verzekeraars merken dat inmiddels in de praktijk. Het Verbond van Verzekeraars ziet dat generatieve AI het mogelijk maakt om overtuigende vervalsingen veel eenvoudiger te produceren en dezelfde fraude vervolgens op grote schaal te herhalen. Fraudeurs kunnen bovendien dezelfde technieken en templates tegelijkertijd bij verschillende organisaties inzetten.
De voor de hand liggende reactie is om betere technologie te ontwikkelen waarmee synthetische documenten kunnen worden herkend. Dat zal zeker nodig zijn, maar misschien ligt een belangrijk deel van de oplossing ergens anders. Naarmate het individuele bewijsstuk gemakkelijker kan worden vervalst, wordt de informatie rondom dat bewijsstuk namelijk steeds waardevoller.
Een reis die vijf keer werd vergoed
Een voorbeeld uit de Nederlandse verzekeringspraktijk laat goed zien wat er verandert.
Een fraudeur gebruikte AI om een factuur voor een dure reis te genereren en maakte daarnaast twee valse doktersverklaringen waaruit moest blijken dat de reis wegens ziekte niet kon doorgaan. De claim van ongeveer €30.000 werd geaccepteerd.
Vervolgens werd dezelfde claim bij vier andere verzekeraars ingediend en opnieuw uitgekeerd. Pas bij de zesde poging viel een verzekeraar op dat de handtekeningen op de medische verklaringen wel erg veel op elkaar leken. Op dat moment was dezelfde reis al vijf keer succesvol geclaimd voor in totaal ongeveer €150.000.
Dit voorbeeld is interessant omdat het probleem niet alleen zit in de kwaliteit van de vervalsing. Voor iedere verzekeraar afzonderlijk kon een ogenschijnlijk geloofwaardig dossier op tafel liggen. Wanneer de verschillende claims naast elkaar zouden zijn gelegd, was waarschijnlijk veel eerder een ander beeld ontstaan.
Daarmee raakt AI-fraude aan een klassiek datavraagstuk. Een individuele waarneming kan volkomen normaal lijken, terwijl het patroon waarin die waarneming voorkomt uitzonderlijk is.
Van documentcontrole naar patroonherkenning
Verzekeraars zullen vanzelfsprekend moeten blijven onderzoeken of bewijsstukken authentiek zijn. Metadata, beeldanalyse en technieken voor deepfake-detectie kunnen daarbij helpen. Tegelijkertijd wordt het steeds riskanter om fraudedetectie uitsluitend rondom de authenticiteit van één document te organiseren.
Bij de beoordeling van een claim kan daarom breder worden gekeken naar het patroon waarin die claim voorkomt. Het moment van indienen, bedragen, leveranciers, rekeningnummers, apparaten, polisgegevens en historisch claimgedrag kunnen gezamenlijk informatie opleveren die in het individuele document niet zichtbaar is. Met data-analyse, machine learning en netwerkanalyse kunnen vervolgens verbanden worden onderzocht die voor een individuele schadebehandelaar nauwelijks herkenbaar zijn.
De vraag verschuift daarmee geleidelijk van de authenticiteit van één factuur, foto of verklaring naar de geloofwaardigheid van het geheel aan gebeurtenissen rondom een claim.Dat is een wezenlijk verschil. Een perfect gegenereerde factuur kan misschien nauwelijks meer van echt te onderscheiden zijn, terwijl het veel moeilijker wordt om tegelijkertijd een volledig geloofwaardig patroon van transacties, relaties en gebeurtenissen te construeren.
De fraudeur kijkt niet naar één verzekeraar
Juist daar ontstaat een beperking wanneer iedere verzekeraar uitsluitend naar zijn eigen data kijkt. Een fraudeur kan dezelfde werkwijze, documenten of synthetische beelden immers bij verschillende verzekeraars gebruiken, terwijl iedere organisatie slechts een deel van het totale patroon ziet.
Het Verbond van Verzekeraars wijst erop dat fraudeurs dezelfde technieken en templates bij meerdere organisaties inzetten en dat patronen daardoor soms pas zichtbaar worden wanneer informatie sectorbreed wordt gedeeld. Bij synthetische paspoortfoto’s zijn bijvoorbeeld wereldwijd terugkerende templates aangetroffen, die onder andere herkenbaar zijn aan overeenkomsten in de achtergrond van de afbeeldingen.
Dat maakt samenwerking tussen verzekeraars steeds relevanter. Niet omdat iedere organisatie al haar klant- en claimdata zomaar met andere partijen zou moeten delen, maar omdat het herkennen van overeenkomsten tussen verschillende datasets informatie kan opleveren die binnen de afzonderlijke organisaties nooit zichtbaar zou worden.
De beste informatie voor het herkennen van fraude hoeft daarmee niet noodzakelijk binnen de grenzen van één verzekeraar te liggen.
Kun je samenwerken zonder alle data te delen?
Daarmee komen we bij een belangrijk probleem. Verzekeraars beschikken over gevoelige persoonsgegevens en kunnen niet simpelweg alle claims samenbrengen in één enorme database om vervolgens te kijken wat een algoritme ervan vindt.
Privacy, proportionaliteit en rechtsbescherming stellen terecht grenzen aan wat mogelijk en wenselijk is.
Juist daarom zijn technologieën interessant waarmee organisaties gezamenlijk patronen kunnen onderzoeken zonder noodzakelijk alle onderliggende persoonsgegevens met elkaar te delen. Het Verbond experimenteert bijvoorbeeld met Privacy Enhancing Technology om dubbele claims bij verschillende verzekeraars te kunnen herkennen. Als toepassing wordt onder meer gekeken naar het dubbel claimen van ziekte binnen collectieve verzuimverzekeringen.
Rechtstreekse uitwisseling van claimgegevens is door privacyregels beperkt, terwijl dergelijke technologie mogelijkheden biedt om toch bepaalde overeenkomsten te onderzoeken. Dat maakt het technologisch interessant.
De oplossing hoeft niet te bestaan uit één centrale database waarin alle informatie van alle verzekeraars terechtkomt. Er kunnen ook modellen ontstaan waarbij organisaties bepaalde kenmerken of overeenkomsten kunnen onderzoeken zonder de volledige achterliggende datasets met elkaar uit te wisselen.
De waarde zit dan niet in zoveel mogelijk data verzamelen, maar in het verantwoord kunnen leggen van de juiste verbanden.
AI kan ook aan de andere kant helpen
Generatieve AI maakt fraude schaalbaarder, maar dezelfde ontwikkeling geeft verzekeraars ook nieuwe mogelijkheden om grote hoeveelheden informatie te analyseren en afwijkende patronen eerder te herkennen.
Het Verbond beschrijft inmiddels expliciet hoe AI kan worden gebruikt om deepfake-fraude te bestrijden. Daarbij gaat het niet alleen om technische detectie, maar om een combinatie van systemen die signalen herkennen en medewerkers die vervolgens beoordelen wat die signalen betekenen. Volgens het Verbond wordt het voor medewerkers steeds minder realistisch om zelf te leren herkennen of beeldmateriaal synthetisch is; belangrijker wordt dat zij weten wanneer aanvullende verificatie nodig is en hoe signalen uit detectiesystemen moeten worden meegenomen in hun besluitvorming.
Dat is een belangrijk onderscheid. Een afwijkend patroon is immers niet hetzelfde als fraude. Iemand kan meerdere keren kort achter elkaar schade hebben omdat er daadwerkelijk meerdere incidenten hebben plaatsgevonden. Een document kan afwijken omdat een buitenlandse leverancier een ander format gebruikt en een uitzonderlijke transactie kan volkomen legitiem zijn.
Hoe beter algoritmen worden in het vinden van afwijkingen, hoe belangrijker het daarom wordt om zorgvuldig vast te stellen wat die afwijkingen daadwerkelijk betekenen.
Meer AI vraagt ook om betere beheersing
Dat wordt extra relevant omdat AI binnen de verzekeringssector inmiddels breed wordt toegepast. Volgens onderzoek van De Nederlandsche Bank had begin 2025 bijna 80% van de grote en middelgrote Nederlandse verzekeraars één of meerdere AI-toepassingen in gebruik binnen reguliere bedrijfsprocessen.
DNB ziet tegelijkertijd dat de governance rondom deze toepassingen nog in ontwikkeling is. Iets meer dan 70% van de onderzochte verzekeraars houdt in de AI-governance rekening met principes zoals data governance, fairness, menselijk toezicht, proportionaliteit, robuustheid en uitlegbaarheid. Uit verdiepende onderzoeken bleek echter ook dat beslissingen en uitgevoerde stappen niet altijd volledig worden vastgelegd. Ook is monitoring na ingebruikname nog niet overal voldoende ingericht.
De strijd tegen AI-fraude kan daardoor niet eenvoudig worden opgelost door aan de kant van de verzekeraar steeds meer AI in te zetten. De modellen waarmee verdachte patronen worden geselecteerd, moeten zelf eveneens betrouwbaar functioneren en zorgvuldig worden beheerst.
Daarmee ontstaat een combinatie waarin data en technologie helpen om eerder en gerichter te signaleren, terwijl professionele beoordeling noodzakelijk blijft om te bepalen welke betekenis aan zo’n signaal moet worden gegeven.
Van bewijsstuk naar digitale context
Verzekeringen zijn voor een belangrijk deel gebaseerd op vertrouwen en bewijs. Wanneer iemand stelt dat een kostbare camera is gestolen, helpt een aankoopfactuur om aannemelijk te maken dat die camera daadwerkelijk bestond. Wanneer een reis wegens ziekte wordt geannuleerd, ondersteunt een medische verklaring het verhaal achter de claim.
Generatieve AI vermindert de bewijskracht van dergelijke documenten niet automatisch, maar maakt het wel noodzakelijk om kritischer te kijken naar de context waarin ze worden gebruikt.
Daar kunnen data een steeds grotere rol spelen. Niet alleen door te onderzoeken wat er in één document staat, maar door transacties, gebeurtenissen en relaties met elkaar te verbinden en te beoordelen of daar een logisch patroon uit ontstaat.
Voor verzekeraars betekent dit waarschijnlijk dat data-analyse steeds verder naar voren schuift in het claimproces. Individuele claims kunnen worden bekeken in de context van eerdere claims, bekende fraudepatronen en andere relevante signalen, waarbij aanvullende verificatie wordt ingezet wanneer de combinatie van gegevens daar aanleiding toe geeft.
De oplossing ligt daarmee niet simpelweg in het verzamelen van steeds meer data. De waarde ontstaat wanneer verschillende gegevens op een verantwoorde manier met elkaar kunnen worden verbonden, afwijkende patronen eerder zichtbaar worden en een fraudespecialist vervolgens kan beoordelen wat die signalen daadwerkelijk betekenen.
Data als tegenwicht voor synthetisch bewijs
Volledig voorkomen zal verzekeringsfraude waarschijnlijk nooit lukken. Generatieve AI verlaagt bovendien de drempel om geloofwaardige vervalsingen te maken en maakt het mogelijk om dezelfde werkwijze op veel grotere schaal toe te passen.
Tegelijkertijd laat iedere claim ook digitale sporen achter. Naarmate fraude wordt opgeschaald, ontstaan meer transacties, relaties en terugkerende kenmerken die met data kunnen worden onderzocht. Juist daarin kan een belangrijk tegenwicht ontstaan tegen een wereld waarin het individuele bewijsstuk steeds eenvoudiger synthetisch kan worden geproduceerd.
Daarvoor zullen verzekeraars wel verder moeten kijken dan één document en soms ook verder dan hun eigen organisatie. Sectorbrede samenwerking, betrouwbare data, privacyvriendelijke analysetechnieken en AI kunnen gezamenlijk helpen om verbanden eerder zichtbaar te maken, waarna een professional uiteindelijk moet beoordelen wat die verbanden betekenen.
Ik denk dat AI-fraude daarmee vooral de manier waarop verzekeraars naar bewijs kijken gaat veranderen. Naarmate een foto, factuur of verklaring gemakkelijker kan worden gegenereerd, neemt de waarde toe van de data eromheen. De samenhang tussen transacties, relaties en gebeurtenissen kan daardoor steeds belangrijker worden om onderscheid te maken tussen een geloofwaardige claim en een kunstmatig geconstrueerd verhaal. Interessant vakgebied!