Bij Univé bouwden medewerkers zelf 1.500 GPT's

Samenvatting:

• OpenAI zette deze week een Nederlandse klant op zijn site: Univé, een van de grootste coöperatieve verzekeraars van het land, met miljoenen leden.
• 97 procent van de ChatGPT Enterprise-licenties is geactiveerd en 85 procent van die gebruikers werkt er elke week mee, gemiddeld veertig prompts per week.
• Medewerkers maakten zo'n 1.500 eigen GPT's voor schade, acceptatie, finance, HR, juridische zaken, IT en klantenservice.
• Een agent bereidt dierenschadeclaims voor: dossier samenstellen, dierenartsfacturen nalopen, polisvoorwaarden checken, ontbrekende stukken markeren. De schadebehandelaar beslist nog steeds zelf.
• De rechten volgen de onderliggende systemen, dus de AI ziet niets wat de medewerker zelf niet al mag zien. Dat is de kopieerbare les, niet het percentage.

De meeste AI-uitrollen die ik van dichtbij zie, stranden op hetzelfde punt: de licenties zijn gekocht en een half jaar later gebruikt de helft ze niet. Bij Univé is 97 procent van de ChatGPT Enterprise-licenties geactiveerd en werkt 85 procent van die mensen er elke week mee, gemiddeld veertig prompts per gebruiker. Dat staat in de klantcase die OpenAI afgelopen vrijdag publiceerde.

Lees die cijfers met de bron erbij. Een klantverhaal op de site van de leverancier is verkoopmateriaal, geen audit. Univé heeft de getallen zelf aangeleverd en niemand van buiten heeft ze nagerekend. Interessanter dan de percentages is de volgorde die ze aanhielden, want die kun je wel overnemen.

Eerst de leiding, daarna de techniek

Univé behandelde AI niet als een IT-project. Het hele management ging eerst naar aparte AI-sessies, en niet om een demo te zien. De vraag daar was hoe het werk zelf zou veranderen en wat een leidinggevende dan moet doen. Pas daarna kwamen de licenties.

"Most organisations try to scale AI by building more solutions. We chose to scale AI by creating more builders."

— Yous van Halder, Director Data & AI bij Univé (klantcase)

Dat is precies het verschil tussen een tool uitrollen en een organisatie leren werken. Wie meer oplossingen bouwt, houdt een centrale afdeling met een wachtrij. Wie meer bouwers maakt, krijgt 1.500 GPT's die door de mensen zijn gemaakt die het werk kennen.

Medewerkers hoefden voor een nieuw idee ook geen business case te schrijven. Ze kregen toestemming, structuur en vrijgeroosterde tijd om hun eigen werk opnieuw in te richten. Dat laatste is waar de meeste organisaties het laten liggen: toegang geven kost een licentie, tijd geven kost roostercapaciteit.

Governance vooraf, niet achteraf

Het tweede dat opvalt: de vangrails stonden er vanaf dag één. Enterprise-authenticatie, privacybeoordelingen, beveiligingsreviews, doorlopende monitoring en duidelijk belegde menselijke verantwoordelijkheid.

Het scherpste onderdeel daarvan is een principe dat je in elke AI-uitrol kunt kopiëren: de rechten van de AI volgen de rechten van de onderliggende systemen. Een medewerker die een bepaald dossier niet mag inzien, krijgt het ook niet via de assistent. Klinkt vanzelfsprekend, gaat in de praktijk vaak mis zodra iemand een connector aanzet naar een gedeelde schijf waar historisch te veel op staat.

Bij Univé werd die strengheid geen rem. Omdat de kaders vooraf helder waren, durfden mensen te experimenteren zonder eerst aan iemand te vragen of het mocht.

Wat een agent doet en wat de mens doet

Het meest concrete voorbeeld zit bij dierenschade. Een Workspace Agent stelt het dossier samen, loopt de dierenartsfacturen na, controleert de polisvoorwaarden, markeert wat ontbreekt, signaleert afwijkingen en levert een navolgbare aanbeveling. Werk dat eerst uren voorbereiding kostte, ligt nu in minuten klaar voor een besluit.

Het besluit zelf blijft bij de schadebehandelaar, die volledig verantwoordelijk blijft voor elke uitkomst. Bij acceptatie werkt het net zo: voordat de acceptant inlogt, staat de werkvoorraad al gesorteerd, met de ontbrekende documenten en de risicosignalen erbij.

Die scheiding is het hele model. De agent verzamelt en structureert, de professional oordeelt. Draai je dat om en laat je de AI beslissen omdat het sneller lijkt, dan zit je bij een verzekeraar meteen in de categorie geautomatiseerde besluitvorming, met alle uitlegplicht die daarbij hoort.

Voor je eigen organisatie is de bruikbare vraag deze week dus niet welk model Univé gebruikt. Het is: welk proces bij jou kost elke week uren aan verzamelen en structureren voordat iemand er een oordeel over velt? Dat is het proces waar je moet beginnen, en je hoeft er geen 1.500 GPT's voor te bouwen.

Volgende Stap

De volgorde die hier werkt, eerst het management, dan de kaders, dan de medewerkers, is precies waar wij organisaties mee helpen. Wil je weten hoe dat er bij jou uitziet? Plan een vrijblijvend gesprek.

Headerbeeld: OpenAI.