Minder budget, geen duidelijke politieke visie, wél urgente problemen. Zo bouw je nu een slimme AI-strategie voor jouw zorgorganisatie.
AI in de zorg na de verkiezingen: geen visie, wél urgentie
Geen enkel verkiezingsprogramma had een echt doorwrochte visie op zorgtechnologie. Terwijl de arbeidsmarkt in de zorg richting 2030 met tienduizenden mensen tekortkomt en de zorgvraag blijft stijgen. Dat schuurt.
Onderzoeker Maarten Lahr liet al zien: partijen schrijven wél over digitalisering, e-health en AI in de zorg, maar meestal in losse punten en wollige ambities. Ondertussen worden de budgetten krapper en moeten instellingen het “gewoon gaan doen” met minder geld en meer verantwoording.
Dit stuk hoort bij de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg” en focust op één vraag: hoe ga je als zorgbestuurder, medisch specialist, IT-manager of innovatiemanager verstandig met AI en zorgtechnologie om, juist nu de politiek geen duidelijke lijn neerlegt?
De kern: wie wacht op Den Haag, verliest tijd. Wie nú slim samenwerkt en selectief investeert, kan AI wél inzetten om werkdruk te verlagen, kwaliteit te verhogen en patiënten meer regie te geven.
1. Wat de verkiezingen betekenen voor zorgtechnologie
De praktische uitkomst van de verkiezingen voor zorg-ICT en AI is simpel: minder voorspelbare groeibudgetten, meer nadruk op doelmatigheid en samenwerking.
Fragmentarische politieke visie op digitale zorg
Partijen noemden in hun programma’s bijvoorbeeld:
- meer gegevensuitwisseling tussen zorgaanbieders;
- stimuleren van e-health en telemonitoring;
- ruimte voor innovatie met AI, mits veilig en ethisch.
Klinkt aardig, maar er ontbreekt vrijwel altijd:
- een heldere lange termijn-visie (10+ jaar) op digitale infrastructuur;
- keuzes welke AI-toepassingen prioriteit krijgen;
- concrete financieringslijnen (structurele bekostiging in plaats van projectsubsidies);
- duidelijkheid over rolverdeling tussen VWS, zorgverzekeraars, aanbieders en leveranciers.
De realiteit: instellingen moeten zelf koers kiezen, binnen een politiek kader dat vooral abstracte termen gebruikt. Daarom zie je nu in de praktijk dat raden van bestuur, CMIO’s en CIO’s hun eigen digitale zorgstrategie uitwerken, en de politiek vooral als randvoorwaarde zien.
Waarom de budgetdruk AI juist belangrijker maakt
Minder geld lijkt slecht nieuws voor innovatie, maar het heeft één groot voordeel: iedere euro moet aantoonbaar waarde toevoegen. AI-projecten die alleen “leuk” zijn, zonder harde impact op uitkomsten of capaciteit, gaan het niet redden.
AI in de zorg heeft juist wél een sterk verhaal als je het goed aanpakt:
- Minder administratieve lasten (10–30% minder tijd op dossiervoering is realistisch bij goede implementatie);
- Beter capaciteitgebruik in OK, poli en beddenhuis;
- Snellere triage en diagnostiek, waardoor wachttijden dalen;
- Meer zelfmanagement en thuismonitoring, wat fysieke zorg vervangt.
Dat sluit precies aan bij de politieke lijn: meer passende zorg, meer zorg thuis en meer doelmatigheid.
2. Waar AI nú het verschil kan maken in de Nederlandse zorg
Als je de ruis weglaat, zijn er een paar domeinen waar AI vandaag al volwassen genoeg is om mee aan de slag te gaan.
2.1 Administratieve lasten omlaag
Hier zit misschien wel de snelste winst.
Voorbeelden:
- Spraakherkenning in het EPD: artsen dicteren hun verslag, AI zet het gestructureerd in het dossier.
- Slimme sjablonen en codering: AI helpt bij dbc-codering en aanvullen van standaardteksten.
- Documentanalyse: AI leest verwijzingen, verslagen en brieven en koppelt relevante info aan het dossier.
Effect in de praktijk:
- meer tijd voor patiëntcontact;
- minder overuren en frustratie bij artsen en verpleegkundigen;
- minder fouten in verslaglegging en codering.
2.2 AI in triage en acute zorg
In huisartsenposten, SEH’s en meldkamers helpt AI met prioriteren en vroegsignalering.
Mogelijke toepassingen:
- digitale triagetools die patiënten vooraf online of via de telefoon doorvragen;
- AI die vitale parameters en patronen analyseert en risico’s markeert;
- decision support bij sepsis, CVA of acuut coronair syndroom.
Belangrijk: AI neemt de triage niet over, maar fungeert als tweede paar ogen. De arts of verpleegkundige blijft eindverantwoordelijk, maar krijgt betere informatie en waarschuwingen.
2.3 Gepersonaliseerde behandeling en risicovoorspelling
Met de groei van databanken en registers ontstaat ruimte voor predictive analytics:
- voorspellen van heropnames bij kwetsbare ouderen;
- inschatten van complicatierisico na operaties;
- bepalen welke patiënt het meest baat heeft bij een bepaald medicijn;
- identificeren van patiënten met hoog risico op ontregeling van chronische aandoeningen.
Dat past perfect binnen Nederlandse programma’s rond passende zorg: de juiste zorg, op de juiste plek, op het juiste moment – voor de juiste patiënt.
2.4 Zelfmanagement, thuismonitoring en AI-coaches
Patiënten nemen meer regie als technologie begrijpelijk, betrouwbaar en laagdrempelig is.
Concrete voorbeelden:
- apps die bloeddruk, gewicht en glucose monitoren en via AI bepalen wanneer contact nodig is;
- virtuele coaches die leefstijlprogramma’s ondersteunen en patiënten motiveren;
- slimme chatfuncties die veelgestelde vragen beantwoorden, gekoppeld aan betrouwbare protocollen.
Voor zorgorganisaties betekent dit:
- minder onnodige consulten en opnames;
- betere kwaliteit van leven voor patiënten;
- meer zicht op populatierisico’s.
3. Zonder visie uit Den Haag: zo bouw je zelf een digitale zorgstrategie
Als de landelijke visie ontbreekt, moeten organisaties zelf kaders neerzetten. De rode draad: kies scherp, stel prioriteiten en werk regiobreed samen.
3.1 Begin niet met technologie, maar met drie pijnpunten
Wat werkt in de praktijk? Start met een korte sessie met zorgprofessionals, IT en bestuur en beantwoord drie vragen:
- Waar loopt onze zorg het hardst vast (wachttijden, personeel, kwaliteit, geld)?
- Waar kunnen we binnen 12–18 maanden merkbaar effect realiseren?
- Welke processen zijn datagedreven en herhaalbaar (en dus geschikt voor AI)?
Kies vervolgens maximaal 2–3 prioritaire thema’s, bijvoorbeeld:
- verminderen administratieve tijd per consult;
- verkorten doorlooptijd diagnostiek;
- voorkomen van heropnames bij een specifieke doelgroep.
Pas dán ga je kijken welke AI-toepassingen passen; niet andersom.
3.2 Bouw een gezamenlijke datastrategie in de regio
Losse AI-projecten per instelling zijn duur en inefficiënt. Zeker nu budgetten krimpen, is regionale datasamenwerking essentieel.
Elementen van een volwassen datastrategie:
- afspraken over datastandaarden (zodat AI-modellen uitwisselbaar zijn);
- governance: wie is waarvoor verantwoordelijk, inclusief ethiek en privacy;
- gezamenlijke inkoop en toetsing van AI-oplossingen;
- gebruik van bestaande landelijke bouwstenen (zoals basisinfrastructuur en standaarden), in plaats van eigen formats.
Hier zie je waarom Lahr gelijk heeft dat samenwerking belangrijker wordt dan ooit: geen enkele organisatie krijgt het nog alleen voor elkaar om én veilig, én effectief, én betaalbaar met AI te werken.
3.3 Betrek zorgprofessionals vanaf dag 1
De grootste fout bij AI-implementaties in de zorg: het zien als een IT-project.
Wat werkt beter:
- werk met klinische kartrekkers (artsen, verpleegkundigen, paramedici) per domein;
- test AI-toepassingen in kleine pilots met duidelijke evaluatiecriteria;
- zorg dat feedback van de werkvloer écht leidt tot aanpassing van processen en tools;
- maak helder: AI is ondersteuning, geen controlemiddel.
Adoptie stijgt enorm als professionals kunnen meedenken en mede-eigenaar zijn. In deze serie kwam al vaker terug: AI mislukt niet door de techniek, maar door cultuur, governance en gebrekkige implementatie.
4. Randvoorwaarden: ethiek, privacy en betrouwbaarheid
AI in de zorg zonder stevige randvoorwaarden is vragen om problemen. Juist nu regelgeving (denk aan de AI Act) strenger wordt, wil je dit op orde hebben.
4.1 Ethische kaders en toetsing
Leg een paar eenvoudige, maar scherpe principes vast:
- De patiënt behoudt altijd het recht om menselijke beoordeling te vragen;
- Beslissende AI-systemen zijn transparant uitlegbaar voor zorgprofessionals;
- Er is structurele toetsing op bias (bijvoorbeeld ongelijkheid tussen man/vrouw, verschillende etnische groepen of leeftijdscategorieën);
- Patiënten worden begrijpelijk geïnformeerd over waar en hoe AI in hun zorgpad wordt gebruikt.
Een klein multidisciplinair ethiek- of innovatieteam (arts, verpleegkundige, jurist, data scientist, patiëntvertegenwoordiger) kan nieuwe AI-projecten toetsen voordat ze uitrollen.
4.2 Juridische en technische basis
Zonder juridische en technische hygiëne loop je vast:
- AVG-proof dataverwerking en duidelijke verwerkersovereenkomsten;
- logging en audit trails voor AI-besluiten in kritieke processen;
- duidelijke afspraken met leveranciers over eigendom van data en modellen;
- periodieke hertraining en validatie van modellen.
Dit klinkt zwaar, maar veel organisaties hebben al een fundament vanuit hun informatiebeveiliging (ISO 27001, NEN 7510). AI sluit dáár gewoon op aan.
4.3 Betrouwbaarheid: meten, meten, meten
AI mag pas “normaal” onderdeel van zorgprocessen worden als je continu meet wat het doet:
- pre- en postmetingen op wachttijden, foutpercentages, patiënttevredenheid;
- monitoren of het model dezelfde prestaties houdt bij nieuwe patiëntengroepen;
- stoppen of aanpassen als de impact verslechtert.
Een simpele stelregel die ik zelf vaak gebruik: geen AI in de zorg zonder vooraf gedefinieerde KPI’s en evaluatiemomenten.
5. Van losse projecten naar volwassen AI-strategie
Veel Nederlandse zorginstellingen zitten nu in de fase van losse pilots en experimenten. Dat is logisch, maar met slinkende budgetten is het tijd voor volwassenwording.
5.1 Bouw een meerjaren-roadmap
Ook zonder perfecte politieke visie kun je zelf een roadmap maken:
- Fase 1 (0–1 jaar): quick wins (spraakherkenning, simpele decision support, administratieve AI);
- Fase 2 (1–3 jaar): integratie in zorgpaden (triage, risicovoorspelling, thuismonitoring);
- Fase 3 (3–5 jaar): gepersonaliseerde behandeling op basis van gecombineerde data (klinisch, sociaal, leefstijl).
Koppel hier per fase aan:
- beoogde uitkomsten (tijdswinst, minder opnames, betere kwaliteit);
- benodigde investeringen;
- afspraken met regionale partners en leveranciers.
5.2 Financiering: van subsidie naar structurele bekostiging
Projectsubsidies hebben de afgelopen jaren veel AI-pilots mogelijk gemaakt. Maar op langere termijn heb je structurele financiering nodig.
Praktische stappen:
- Maak businesscases waarin je AI-kosten afzet tegen besparingen (uren, opnames, diagnostiek);
- Betrek zorgverzekeraars vroegtijdig: welke besparingen of kwaliteitsverbeteringen erkennen zij?;
- Onderzoek hoe AI-activiteiten ingepast kunnen worden in bestaande bekostigingsstructuren.
Zorgverzekeraars en zorgkantoren zijn in de huidige politieke context misschien nog wel belangrijker dan Den Haag als het gaat om schaalbare digitale zorg.
Slot: politiek wacht af, zorg kan niet wachten
De verkiezingen hebben geen scherpe koers uitgezet voor technologie in de zorg. Er is geen helder, doorwrocht plan voor AI, digitalisering en data-infrastructuur. Terwijl de druk op personeel en budget in 2026 en verder alleen maar groter wordt.
Juist daarom is dit hét moment om als sector zelf leiderschap te tonen:
- focus op AI-toepassingen die nu al waarde leveren;
- werk regiobreed samen aan data, governance en inkoop;
- betrek zorgprofessionals en patiënten in elke stap;
- borg ethiek, privacy en kwaliteit vanaf dag één.
Deze blog maakt deel uit van “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg”. Als je serieus werk wilt maken van AI in jouw organisatie, is de volgende stap helder: kies één concreet probleem, vorm een klein multidisciplinair team en start een pilot met duidelijke doelen en meetpunten.
De politiek kan later altijd nog aanhaken met nieuwe programma’s en subsidiepotjes. De zorgvraag wacht niet. Jullie keuzes de komende 12 maanden bepalen of AI in de Nederlandse zorg een modewoord blijft of écht verschil gaat maken voor patiënten en professionals.