AI Governance voor Pensioenfondsen: Wtp-Transitie en DNB-Verwachtingen

De Nederlandse pensioensector staat voor een van de meest ingrijpende transformaties in haar geschiedenis. De Wet toekomst pensioenen (Wtp) verplicht pensioenfondsen om over te stappen van het huidige uitkeringsovereenkomst-stelsel naar een premieregeling met persoonlijke pensioenvermogens. Deze transitie — met een wettelijke deadline die snel nadert — vereist herberekening van miljoenen individuele aanspraken, fundamentele aanpassing van communicatiestrategieën en vergaande herziening van risicomanagementkaders.

Tegelijkertijd groeit de toepassing van kunstmatige intelligentie in de financiële sector in rap tempo. Voor pensioenfondsen biedt AI concrete mogelijkheden om de Wtp-transitie efficiënter, nauwkeuriger en deelnemervriendelijker te maken. Maar de inzet van AI in een sector die het spaargeld van miljoenen Nederlanders beheert, vereist uiterste zorgvuldigheid — zeker gezien de toenemende verwachtingen van De Nederlandsche Bank (DNB) op het gebied van AI-governance.

Dit artikel verkent hoe pensioenfondsen AI verantwoord kunnen inzetten tijdens de Wtp-transitie, welke governance-kaders daarvoor nodig zijn, en hoe de verwachtingen van DNB zich vertalen naar concrete maatregelen.

DNB-verwachtingen: van principes naar praktijk

DNB heeft de afgelopen jaren in toenemende mate aandacht besteed aan de risico's en kansen van AI-toepassingen bij onder toezicht staande instellingen. De Good Practice voor het gebruik van AI, gepubliceerd door DNB, beschrijft verwachtingen op het gebied van governance, risicomanagement, datakwaliteit en uitlegbaarheid van AI-modellen. Voor pensioenfondsen vertalen deze verwachtingen zich in vijf concrete aandachtsgebieden.

Modelgovernance en eigenaarschap. DNB verwacht dat pensioenfondsen voor elke AI-toepassing een duidelijke eigenaar aanwijzen op managementniveau, die verantwoordelijk is voor de werking, prestaties en risico's van het model. Dit gaat verder dan de traditionele modeleigenaarschapsstructuren die veel fondsen kennen vanuit hun ALM-modellen — AI-modellen vereisen doorlopende monitoring en periodieke hervalidatie vanwege hun adaptieve karakter.

Uitlegbaarheid en transparantie. Gezien de fiduciaire verantwoordelijkheid van pensioenfondsen jegens hun deelnemers, hecht DNB bijzonder belang aan de uitlegbaarheid van AI-gedreven beslissingen. Wanneer AI wordt ingezet bij processen die direct raken aan de belangen van deelnemers — denk aan de berekening van individuele pensioenvermogens of de communicatie over verwachte uitkeringen — moet het fonds kunnen uitleggen hoe het model tot zijn output is gekomen.

Datakwaliteit en databeheer. De kwaliteit van AI-output is direct afhankelijk van de kwaliteit van de inputdata. DNB verwacht dat pensioenfondsen beschikken over een robuust datagovernance-raamwerk dat de volledigheid, juistheid, tijdigheid en consistentie van data waarborgt. In de context van de Wtp-transitie, waarbij historische data over tientallen jaren moet worden verwerkt, is dit een bijzonder relevante eis.

Risicobeheersing en bias-detectie. AI-modellen kunnen onbedoelde bias bevatten die leidt tot systematische benadeling van bepaalde groepen deelnemers. DNB verwacht dat fondsen actief testen op dergelijke bias en maatregelen treffen om deze te mitigeren. Dit is met name relevant bij AI-toepassingen in deelnemerscommunicatie en -segmentatie.

Uitbesteding en ketenverantwoordelijkheid. Veel pensioenfondsen besteden operationele processen uit aan pensioenuitvoeringsorganisaties (PUO's) en vermogensbeheerders die in toenemende mate AI inzetten. DNB verwacht dat het fondsbestuur ook over de AI-toepassingen in de keten adequate oversight houdt, inclusief inzicht in de modellen die ketenpartners gebruiken en de risico's die daaraan verbonden zijn.

AI-use cases voor de Wtp-transitie

De Wtp-transitie genereert een reeks complexe opgaven waarvoor AI concrete meerwaarde kan bieden. De volgende use cases illustreren waar de technologie het verschil kan maken.

Asset-liability modeling en scenarioanalyse

De overgang naar persoonlijke pensioenvermogens vereist een fundamenteel andere benadering van asset-liability management. In plaats van collectieve dekkingsgraden moeten fondsen individuele pensioenvermogens modelleren, rekening houdend met leeftijdsafhankelijke beleggingsmixen, solidariteitsreserves en het invaren van bestaande aanspraken. AI — met name machine learning-technieken — kan de scenarioanalyses die hiervoor nodig zijn significant verrijken.

Traditionele ALM-modellen werken met een beperkt aantal vooraf gedefinieerde economische scenario's. Machine learning maakt het mogelijk om een veel breder spectrum van scenario's te genereren, inclusief staartrisico's en niet-lineaire correlaties die in conventionele modellen vaak worden onderschat. Dit levert het fondsbestuur rijkere informatie op voor de invaarbesluiten en de inrichting van de solidariteitsreserve.

Bovendien kan AI worden ingezet voor real-time monitoring van de individuele pensioenvermogens na de transitie. Afwijkingen van verwachte trajecten kunnen vroegtijdig worden gesignaleerd, waardoor het fonds proactief kan bijsturen in plaats van reactief te handelen.

Deelnemerscommunicatie en personalisatie

Een van de grootste uitdagingen van de Wtp-transitie is de communicatie naar deelnemers. Miljoenen Nederlanders moeten begrijpen wat de overgang betekent voor hun persoonlijke pensioensituatie — een boodschap die per definitie voor ieder individu anders is. Natural language generation (NLG) en generatieve AI bieden pensioenfondsen de mogelijkheid om gepersonaliseerde communicatie op schaal te produceren.

Concreet kan AI worden ingezet om individuele transitiedocumenten te genereren die in begrijpelijke taal uitleggen wat er verandert voor de specifieke deelnemer: wat was de oude aanspraak, wat wordt het verwachte nieuwe vermogen, welke factoren spelen een rol, en waar kan de deelnemer terecht met vragen. AI-gedreven chatbots en virtuele assistenten kunnen daarnaast worden ingezet om veelgestelde vragen te beantwoorden en deelnemers door complexe keuzescenario's te leiden.

De governance-uitdaging hierbij is evident: de gegenereerde communicatie moet feitelijk correct zijn, mag niet misleidend zijn, en moet voldoen aan de eisen die AFM stelt aan pensioeninformatie. Dit vereist robuuste validatieprocessen en menselijke controle op de AI-output, met name in de beginfase van de inzet.

Risicomanagement en fraudedetectie

De Wtp-transitie introduceert nieuwe risico's die vragen om aangescherpte monitoring. AI kan worden ingezet voor het detecteren van anomalieën in de transitieberekeningen, het identificeren van datakwaliteitsissues in historische deelnemersgegevens, en het monitoren van operationele risico's gedurende het migratieproces. Machine learning-modellen zijn bijzonder geschikt voor het herkennen van patronen die duiden op fouten of inconsistenties in grote datasets — precies het type controle dat nodig is bij het invaren van miljoenen individuele aanspraken.

Daarnaast kan AI bijdragen aan het versterken van de fraudedetectie, met name bij processen die gerelateerd zijn aan de waarde-overdracht tussen fondsen en de verwerking van life events die de persoonlijke pensioenvermogens beïnvloeden.

Een governance-raamwerk voor AI bij pensioenfondsen

Om AI verantwoord in te zetten — en te voldoen aan de verwachtingen van DNB — hebben pensioenfondsen een specifiek governance-raamwerk nodig dat aansluit bij hun bestaande governance-structuur en de eisen van de Pensioenwet. De volgende elementen zijn daarin essentieel.

AI-beleid op fondsniveau. Het fondsbestuur dient een expliciet AI-beleid vast te stellen dat de kaders beschrijft waarbinnen AI mag worden ingezet. Dit beleid omvat ten minste: de doelstellingen van AI-inzet, de risicotolerantie per type toepassing, de vereisten voor uitlegbaarheid en transparantie, de rollen en verantwoordelijkheden, en de procedures voor validatie en monitoring. Het beleid wordt periodiek geëvalueerd en aangepast aan voortschrijdende inzichten en regelgeving, waaronder de EU AI Act.

Risicoclassificatie van AI-toepassingen. Niet elke AI-toepassing draagt hetzelfde risico. Een model dat wordt gebruikt voor interne rapportage-automatisering heeft een ander risicoprofiel dan een model dat individuele pensioenvermogens berekent. Het governance-raamwerk dient een classificatiemethodiek te bevatten waarmee AI-toepassingen worden ingedeeld naar risiconiveau, met bijbehorende governance-eisen. De classificatie sluit aan bij de risicocategorieën uit de EU AI Act, maar wordt aangevuld met sectorspecifieke criteria die relevant zijn voor pensioenfondsen.

Validatie en monitoring. Voor elke AI-toepassing worden validatieprocedures ingericht die zowel voor als na deployment worden uitgevoerd. Pre-deployment validatie omvat onder meer backtesting, stresstesting en bias-analyse. Post-deployment monitoring omvat prestatiemeting, driftdetectie en periodieke hervalidatie. De frequentie en diepgang van monitoring zijn proportioneel aan het risiconiveau van de toepassing.

Ketengovernance. Pensioenfondsen die AI-toepassingen uitbesteden aan PUO's of andere ketenpartners, dienen contractueel vast te leggen welke governance-eisen gelden voor de AI-modellen die namens het fonds worden ingezet. Dit omvat rapportageverplichtingen, auditrechten en escalatieprocedures bij incidenten of prestatieproblemen.

Compliance-overwegingen: EU AI Act en sectorale regelgeving

Pensioenfondsen opereren in een steeds complexer regelgevingslandschap als het gaat om AI. Naast de DNB Good Practice is de Europese AI-verordening (EU AI Act) van toenemend belang. AI-toepassingen die worden ingezet voor kredietwaardigheids- of risicobeoordeling van natuurlijke personen worden onder de EU AI Act als hoog-risico geclassificeerd, met vergaande eisen op het gebied van conformiteitsbeoordeling, documentatie en menselijk toezicht.

Voor pensioenfondsen is de vraag relevant of AI-toepassingen die worden ingezet bij de berekening van individuele pensioenvermogens of bij beslissingen over de toewijzing van compensatie uit de solidariteitsreserve onder deze hoog-risicocategorie vallen. Een voorzichtige interpretatie zou dit bevestigen, gezien de potentiële impact op de financiële belangen van individuele deelnemers.

Pensioenfondsen doen er daarom verstandig aan om hun AI-governance proactief in te richten op het niveau dat de EU AI Act vereist voor hoog-risicotoepassingen. Dit omvat onder meer het opstellen van een risicobeheersysteem, het bijhouden van technische documentatie, het inrichten van datakwaliteitsmanagement, het waarborgen van menselijk toezicht, en het implementeren van procedures voor post-market monitoring.

Aan de slag: prioriteiten voor fondsbestuurders

De combinatie van Wtp-transitie, toenemend toezicht en groeiende AI-mogelijkheden vraagt om actie. Voor fondsbestuurders en CRO's zijn de volgende stappen prioritair:

1. Breng uw huidige AI-landschap in kaart. Inventariseer welke AI-toepassingen reeds worden ingezet — zowel intern als bij ketenpartners. Veel fondsen ontdekken dat er meer AI in hun processen zit dan ze vermoedden, met name bij uitbestede operationele activiteiten.
2. Stel een AI-beleid vast op fondsniveau. Wacht niet tot de regelgeving u inhaalt. Een proactief AI-beleid versterkt niet alleen uw compliance-positie, maar geeft ook richting aan de organisatie bij het evalueren van AI-initiatieven.
3. Identificeer Wtp-gerelateerde use cases. Bepaal waar AI de meeste waarde kan toevoegen aan uw specifieke transitie-uitdagingen. Focus op toepassingen die zowel operationele efficiëntie als deelnemerservaring verbeteren.
4. Investeer in kennis en capaciteit. Zorg dat het fondsbestuur en de sleutelfunctionarissen voldoende begrip hebben van AI-risico's en -kansen om hun governance-verantwoordelijkheid waar te maken. Dit vereist gerichte training, niet alleen bewustwording.

De pensioensector staat aan het begin van een dubbele transformatie: de Wtp-transitie en de opkomst van AI als operationeel en strategisch instrument. Fondsen die erin slagen beide transformaties te verbinden — door AI in te zetten als versneller van de Wtp-transitie, maar dan wel binnen een robuust governance-kader — creëren een voorsprong die zich vertaalt in lagere transitiekosten, betere deelnemerscommunicatie en een sterkere positie ten opzichte van toezichthouders.