Door Wim van Harten, em. hoogleraar aan de Universiteit Twente.

Inleiding van de redactie

Al jaren wordt de opkomst en introductie van AI in de gezondheidszorg als veelbelovend omschreven. Allerlei berichten over succesvolle pilots en zelfs wetenschappelijke publicaties reppen van toegevoegde waarde en besparingsmogelijkheden. De auteur van onderstaande beschouwing bestudeerde enkele recente internationale overzichtsartikelen over dit onderwerp. Spoiler: Of AI de zorg besparingen oplevert, dat blijft een vraagteken. Of AI wereldwijd kwaliteitsverbetering oplevert in het medisch handelen, kwam aan de orde in de Nieuwsbrief Zorg en Innovatie van 18 september 2026 (Krosse M de en G. Schrijvers, 2026).  

Effecten van AI op de gezondheidszorg in de VS

In een analyse van het US National Bureau of Economic Research werden op nationaal niveau besparingen van 510 procent mogelijk geacht, vooral in administratie en klinische productiviteit. Recent werd die analyse grondig overgedaan en kwam men tot eenzelfde besparingspotentieel bij volledige implementatie van in 2024 beschikbare AI. Het te behalen voordeel ligt voor de helft bij (onder andere de “claims processing” van) verzekeraars. Bij aanbieders zijn besparingen te bereiken in interne administratieve processen, kwaliteit- en veiligheid procedures en de efficiency van klinische processen. Gezien de enorme administratieve overhead bij zowel ziekenhuizen als verzekeraars in de VS, is een belangrijk deel van deze “winst” niet zomaar naar onze situatie te vertalen. Enkele (2-5%) procenten besparing op nationaal niveau zouden dan op de Nederlandse situatie van toepassing zijn.

Literatuur en wetenschappelijke reviews

Recent verschenen twee reviews, één over de lessen van andere industrietakken ten aanzien van kosten besparingen en één over kosteneffectiviteit van AI-applicaties in zorgprocedures. Van sectoren zoals de luchtvaart, retail en diverse anderen, kunnen we leren dat AI de meeste impact heeft in operationele efficiency, “resource forecasting” en procesverbetering. Minder verwacht men van bijvoorbeeld monitoring, patiënt informatie bots en dossier samenvattingen. Een zeer wisselend beeld dat op onderdelen afwijkt van eerdergenoemde publicaties.

De kosteneffectiviteit van AI-applicaties is nog niet uitgebreid onderzocht, maar toch wist men in een andere review 26 studies te vinden. Daarvan waren er negen kosteneffectief (en kosten besparend), zes neutraal en elf niet kosteneffectief (kosten verhogend). De uitkomsten waren vaak afhankelijk van aannames en de aard van de gekozen patiëntenpopulatie. De analyses zijn op patiënt niveau uitgevoerd, en het was niet duidelijk of en hoe de eventuele besparingen per patiënt ook daadwerkelijk tot effect in budget of zorgsysteem leiden.

Concluderend: een wisselend beeld m.b.t. mogelijke toepassingsgebieden en besparingen zijn zeker niet gegarandeerd.

Nuancerende beschouwingen uit vooral de VS

In 2026 verscheen in de NEJM Catalyst een kritisch artikel over de financiële effecten van AI op de zorgkosten in de Verenigde Staten. In het kort was de strekking dat er overwegend besparingen in de administratieve sfeer, in de logistiek van het ziekenhuis en op individueel casus-niveau te verwachten zijn, maar dat de kans op wezenlijke beïnvloeding van de stijging van de macrokosten klein is. De auteurs gaven als verklaring dat -als er al besparingen zijn- door de commercieel gedreven focus op productie, de inzet van AI eerder tot kostenstijging dan tot kostendaling zal leiden. Medicatie ontwikkeling gaat sneller en efficiënter en nieuwe middelen komen sneller op de markt. Productiviteitsstijging leidt tot meer productie en deze winst zal niet zomaar aan de verzekeraar worden “teruggegeven” en al helemaal niet tot premiedaling leiden. Breed inzetten op AI gedreven monitoring op afstand bij chronische aandoeningen en frequente/permanente zelfmetingen zullen door toevallige bevindingen, eerder tot meer zorgvraag leiden (in sommige publicaties al “Incidentaloom” genoemd). Door steeds sterkere marketing van makkelijker te ontwikkelen “AI gedreven direct to consumer care” geldt hetzelfde, een grotere kans op incidentele bevindingen en toenemende zorgvraag. Alleen in meer value-gedreven betalingsmodellen (waaronder budgettering, shared savings en bundled payments vallen) zijn volgens de auteurs wezenlijke besparingen te verwachten.

In een NEJM “perspective” werd zeer recent gesteld dat er weinig ”clinical workforce” reductie te verwachten is, omdat de toegankelijkheid verbetert, de hoeveelheid zorgvraag te groot is en automatisering van taken (tasks) niet verward moet worden met automatisering van vaardigheden (skills). Werken met evidence based AI is onvermijdelijk en rollen zullen veranderen, maar tot minder banen zal dat waarschijnlijk niet leiden.

Enkele voorbeelden uit Nederland.

De inzet van AI bij het beoordelen van long-CT scans van mesothelioom patiënten is door het Antoni van Leeuwenhoek ontwikkeld en in het EPD direct toegankelijk gemaakt. Er is kwaliteitsverbetering in de beoordeling van scans, accurater en sneller dan door de radioloog alleen en waarschijnlijk bespaart men op dure geneesmiddelen door sneller vast te stellen of behandelbaarheid nog aan de orde is. Een budget impact analyse zal daarom positief kunnen uitpakken, maar een kwestie is wel dat het dure-geneesmiddelen budget vaak separaat van het ziekenhuisbudget behandeld wordt.

Uit verschillende branches worden projecten over spraak-gestuurd rapporteren gemeld. In de gehandicapten zorg is dit erg context-afhankelijk en over besparingen is men vaak terughoudend. In het mProve samenwerkingsverband is een whitepaper over spraak-gestuurd rapporteren verschenen, waarin weliswaar de technologische en praktische stand van zeken wordt gegeven, en over werkdruk verlichting wordt gesproken, maar niet kwantitatief en niet in termen van geld. Als onderdeel van de contractering stimuleert Zilveren Kruis het gebruik van spraakherkenning, met de claim dat het 20% administratieve belasting scheelt. Als er tussen de 30 en 50% van de tijd aan administratie wordt besteed en de helft daarvan door spraakherkenning te beïnvloeden is, is dat dus 3 á 5 % (per ??) en opnieuw de vraag hoe dat budgettair en/of contractueel verwerkt wordt.

Ook wordt AI bij mProve gebruikt voor snelle toegang tot protocollen en dit leidt tot besparing van zoektijd; of dat in fte termen kwantificeerbaar is en op instellingsniveau tot besparingen leidt, is niet duidelijk.

Bij zorgverzekeraars gaat het om AI inzet voor met name declaratie verwerking en fraude detectie. Publicaties daarover zijn lastig te vinden en eerder van leveranciers dan van verzekeraars zelf.

Dit is slechts een handvol voorbeelden, maar ze hebben gemeen dat de technologie vrijwel altijd `veelbelovend` is en vaak tot besparing van tijd leiden. Wie de besparing “incasseert” of hoe dit in een business case of qua budget impact uitwerkt voor de aanbieder of de zorgverzekeraar, is vaak nog onduidelijk.

Kansrijke gebieden

Uit literatuur lijken administratie, operationele planning en detectie van afwijkingen in processen en beeldvorming de gebieden waar het meest effect te verwachten is. AI zal vooral geïntegreerd in diagnostiek of geïntegreerd in het EPD aangeboden moeten worden, willen mensen het ook daadwerkelijk gebruiken.

Als de helft van de AI-besparingen op onze zorgverzekeraars van toepassing is, zou dat voor 2-4 procent voor hun administratie kunnen gelden. Onderbouwde prognoses voor Nederland heb ik niet kunnen vinden. Omdat hun apparaatskosten relatief klein zijn als onderdeel van het macrobudget (2%), is dat landelijk niet snel merkbaar.

Voor de aanbieders ligt het ingewikkeld. Zoals aangegeven is er een aantal gebieden waar “winst” te halen is, maar vooralsnog ligt dat in elke instelling anders en zijn medewerkers soms ook kritisch. Als de introductie een succes wordt, is werkdruk vermindering natuurlijk mooi. Maar als het vertaald moet worden in echte besparingen, kost dat dan (een deel van) hun baan? Communicatie en overtuigingskracht zijn dan belangrijk voor een succesvolle implementatie. En als er besparingen zijn van bijvoorbeeld 30 minuten per dienst, hoe vertaal je dat in de begroting en ziet de verzekeraar er iets voor terug in het contract?

Ook over dit fenomeen verscheen een artikel onder de veelzeggende term “Time is not Money”, waarin nog eens scherp werd uitgelegd dat AI verschillende vormen van waarde oplevert; als tijd al bespaard wordt, is de vraag of dat te incasseren is. Het begint vaak bij werkdrukvermindering of reductie van “overtime” en die zijn door de instelling of zorgverzekeraar niet zomaar te verzilveren¹³.

Conclusies

In Nederland zal AI minder gebruikt worden om productie te verhogen, omdat wij dichter bij de value base/ capped budget benadering zitten dan in de VS. Bovendien is de administratieve overhead daar gigantisch, dus is er ook meer te besparen.

Naast andere vormen van toegevoegde waarde, ligt de potentiële winst vooral bij interne efficiency verhoging, die vaak niet zomaar te incasseren is en waar maar een deel van aan de verzekeraar wordt teruggegeven. Waarschijnlijk lukt dat laatste alleen via budgettaire druk op productiviteitsverbetering. Macro is daarom slechts een bescheiden en geleidelijk kosten drukkend effect te verwachten.

Het is daarnaast niet uit te sluiten dat de zorgvraag door meer incidentele bevindingen en door AI ondersteunde (internet-) aanbieders en influencers toeneemt.

Belangrijk is tenslotte ook hoe het toenemend AI gebruik de ecologische footprint beïnvloedt. Moet dit, in het licht van de Green Deal in de zorg, niet direct door compenserende investeringen worden begeleid en moet dat niet in deze analyses worden betrokken?

NB: Voor alle zekerheid heb ik mijn eigen bevindingen in Google AI laten beoordelen. Ook daar wordt als antwoord gegeven dat besparingen op macroniveau dubieus zijn.

Over de auteur

Wim van Harten leidt een onderzoeksgroep bij het NKI en is emeritus-hoogleraar aan de Universiteit Twente. Hij heeft meer dan 30 jaar ervaring als eindverantwoordelijk bestuurder in ziekenhuizen, tot recent als bestuursvoorzitter in Rijnstate. Daarnaast is hij oud-voorzitter en nog steeds actief bij de Organisatie van Europese Kankercentra (OECI) als trekker van de werkgroep Health Economics en bij het OECI Accreditatie programma. In 2023 was hij voorzitter van de landelijke visitatie van de Nederlandse Rechtspraak. Hij is Lid van de RvC van het Erasmus Centrum voor Zorgbestuur en extern adviseur bij het Grand Solutions Program van het Innovation Fund Denmark. Tevens is hij actief op het gebied van strategisch advies en interim werk. Hij is bereikbaar op w.v.harten@nki.nl

Zoektermen voor internet:

Wim van Harten, AI zorgkosten besparingen, Kosteneffectiviteit van kunstmatige intelligentie in de zorg, Financiele effecten van AI op macrozorgbudget, Administratieve lastenverlichting AI zorgverzekeraars, Spraakgestuurd rapporteren en werkdrukvermindering zorg, AI implementatie ziekenhuizen en mProve whitepaper, Productiviteitsstijging en incidentaloom AI diagnostiek, Value based healthcare en AI budgettering, Green Deal zorg ecologische footprint van AI, US National Bureau of Economic Research AI analyse