Nederlandse pensioenfondsen en -uitvoerders hebben de afgelopen jaren een groot deel van hun aandacht gericht op de transitie naar de Wet toekomst pensioenen (Wtp). Ondertussen hebben technologische ontwikkelingen op het gebied van AI een vlucht genomen.
Voor partijen die inmiddels zijn overgegaan naar het nieuwe pensioenstelsel ontstaat er geleidelijk meer ruimte om naast de noodzakelijke IT-gerelateerde compliancevraagstukken naar verdere optimalisatie van de organisatie te kijken. Daarmee ontstaat een nieuwe vraag: hoe kan AI worden ingezet voor operational excellence van processen in de pensioenketen terwijl je in-control blijft?
Fool with a tool, is still a fool
AI is een middel, niet een doel op zich. Voordat we AI als antwoord op onze problemen zien, moeten we begrijpen dat AI een verzamelbegrip is voor verschillende soorten systemen. Iedere AI-technologie heeft zijn eigen krachten en zwaktes, wat het kan en doet, verschilt dus per geval. Op het moment van schrijven is de AI-tool Claude sterk in analyse van lange teksten en Datarails AI goed in spreadsheetanalyse.
Het antwoord op de vraag hoe een AI-systeem kan ondersteunen bij de uitvoering van processen, is dus afhankelijk van welk proces je precies wilt verbeteren. Daarbij is de context van een proces van belang, waaronder rollen, stakeholders, databronnen en applicatiestructuur. Naast het type AI-systeem is ook de mate van autonomie bepalend voor de manier waarop AI binnen een proces kan worden ingezet.
AI op het agentic-spectrum
De toepassing van AI-systemen in processen moet gezien worden in relatie tot niveau’s van autonomie. Grofweg zijn drie niveaus van autonomie te onderscheiden: human-in-the-loop (ondersteunend), human-on-the-loop (agentic workflows) en human-out-of-the-loop (autonome agent). Dit onderscheid moet echter gezien worden als een spectrum. Hoe meer beslissingsautonomie een AI-toepassing heeft, hoe groter of specifieker de rol is die zij binnen een proces van de pensioenketen kan vervullen.
Momenteel zien wij bij bestuursbureaus van pensioenfondsen voornamelijk taakgerichte toepassingen van AI-systemen. Het gaat hierbij om ondersteuning bij individuele taken waarbij de human-in-the-loop blijft. Denk daarbij aan het uitwerken van notulen door Microsoft CoPilot of het opstellen van (draft) e-mails door ChatGPT.
Als de mens on-the-loop of out-of-the-loop is, spreken we over ‘Agentic-systemen’. Daarbij kan een agentic workflow (on-the-loop) worden beschouwd als een gestructureerde reeks (‘workflow’) van handelingen (‘prompts’) waarbinnen zelfstandig beslissingen worden genomen die tot een (logische) uitkomst leiden.
Een daadwerkelijke ‘agent’ (out-of-the-loop) kan worden gezien als een digitale entiteit die zelfstandig binnen een afgebakend kader processen uitvoert, vervolgacties bepaalt en deze afhandelt.
Toepassing van AI
Pensioenfondsen en -uitvoerders beschikken over veel herhalende processen. Dat maakt de pensioensector geschikt voor de inzet van AI. Dit geldt voor zowel administratieve als operationele processen.
‘Chatbots’ kunnen ingezet worden voor deelnemerscommunicatie en beantwoording van deelnemer-specifieke vragen. Een chatbot op de openbare website van een pensioenfonds zal echter over andere (combinatie van) functionaliteiten moeten beschikken dan een chatbot op het persoonlijk portaal die ook gebruik maakt van individuele data-analyse. De mate van accuraatheid en concreetheid van de chatbot is dus steeds afhankelijk van de dataset waarover het achterliggende AI-systeem beschikt.
Ook valt te denken aan de toepassing in GRC-tooling (Governance, Risk en Compliance). Waar GRC-tooling door pensioenfondsen wordt ingezet om centrale monitoring van ketenpartners aantoonbaar uit te voeren, kan een AI toepassing dit werk vereenvoudigen en verbeteren. Zo kunnen AI-toepassingen (in-the-loop) al contracten uitlezen en de relevante monitoringvelden automatisch in de GRC-tool invullen. In een agentic workflow (on-the-loop) kan de toepassing (bewijs)rapportages uitlezen, compliance (gap-) analyses uitvoeren en informatieverzoeken opstellen en taken formuleren in de evaluatiecyclus van het risicobeheer. Een agent (out-of-the-loop) kan op basis van de uitkomsten zelfstandig informatieverzoeken doen aan ketenpartners.
De human-in-control
Naarmate de mens verder verwijderd raakt van de uitvoering en besluitvorming binnen een proces, wordt de vraag hoe de human-in-control blijft van operational excellence steeds urgenter. Het antwoord op deze vraag ligt bij een goed begrip van wat binnen welk(e) proces(sen) veranderd moet worden.
Pensioenfondsen en -uitvoerders die een Target Operating Model (TOM) of een beschrijving Administratieve Organisatie en Interne Controle (AO/IC) hebben opgesteld, beschikken over een goede basis voor de inbedding van AI in processen. Van belang is daarbij dat een duidelijke contextuele schets van een proces van invloed is op de voorwaarden die worden gesteld aan een AI-systeem. Daarnaast moet duidelijk zijn hoe de autonome eigenschappen van een specifiek AI-systeem zich verhouden tot dit proces.
Daarbij zijn onder meer de volgende vragen relevant: wie interacteert met de AI-toepassing (alleen medewerkers of ook leveranciers)? Welke gegevens worden gebruikt (publiek of persoonlijke deelnemersgegevens)? Welke databronnen vormen de basis voor het door AI uit te voeren proces? En wat is de beslislogica van het AI-systeem?
Operational excellence
Integratie van AI betekent dat éérst de juiste processen worden geïdentificeerd én heldere kaders worden opgesteld voor de inzet en eigenschappen van AI-systemen. Een TOM of AO/IC kunnen goed als uitgangspunt dienen voor de identificatie en het contextualiseren van processen voor de toepassing van AI. Operational excellence bereiken met AI betekent dat eerst de human-in-control is van de processen in de pensioenketen!
