Hoe moderniseer je kernsystemen in de sociale zekerheid met AI, zonder de controle te verliezen?

Dat geldt zeker binnen de sociale zekerheid, waar kernsystemen vaak tientallen jaren aan wetgeving, beleidswijzigingen en uitzonderlijk complexe businessregels bevatten. Het systeem dat wij moderniseerden, berekent sociale bijdragen die rechtstreeks invloed hebben op rechten en uitkeringen van burgers, waaronder pensioenrechten. Applicatiemodernisatie is in zo'n omgeving daarom niet alleen een technologische uitdaging, maar ook een kwestie van risicobeheer, verantwoordelijkheid en vertrouwen.

Eén van die moeilijk toegankelijke hoeken was een gespecialiseerde maar verouderde rule engine waarin decennialang opgebouwde domeinkennis zat vervat. De uitdaging was duidelijk: hoe moderniseer je zo'n systeem zonder de controle over de correctheid van de resultaten te verliezen?

Een domein waar tijd een belangrijke rol speelt

Wat de sociale zekerheid bijzonder complex maakt, is de opeenstapeling van wetgeving doorheen de jaren.

Wanneer iemand met pensioen gaat, moet het systeem soms bijdragen herberekenen die meer dan 45 jaar teruggaan. Daarbij wordt niet gewerkt met de huidige wetgeving, maar met de regelgeving die op dat moment van kracht was. Elke periode heeft zijn eigen juridische context, drempels en uitzonderingen. Als één uitzonderingsgeval over het hoofd wordt gezien, kan dat leiden tot een foutief resultaat.

Waarom we het systeem niet gewoon vervingen

Op het eerste gezicht leek de eenvoudigste oplossing het vervangen van de verouderde rule engine. Toch hebben we daar bewust niet voor gekozen.

De reden was eenvoudig: we wilden het gedrag van het systeem kunnen begrijpen, controleren en verifiëren. De technologie was verouderd, maar de echte uitdaging zat in de kennis die erin verscholen zat.

Daarnaast speelde ook governance en compliance een belangrijke rol. In sterk gereguleerde omgevingen moeten organisaties kunnen uitleggen waarom een systeem zich op een bepaalde manier gedraagt. Resultaten moeten controleerbaar, verifieerbaar en verdedigbaar zijn. Dat sluit bovendien aan bij de groeiende aandacht voor transparantie en menselijk toezicht binnen AI-regelgeving.

Vertrekken vanuit controle, niet vanuit snelheid

We zijn gestart vanuit één eenvoudige vraag:

Welk bewijs hebben we nodig om er vertrouwen in te hebben dat dit systeem zich correct gedraagt over tientallen jaren veranderende wetgeving heen, en dat op realistische schaal?

Samen met testers en domeinexperten hebben we een duidelijke go/no-go-aanpak uitgewerkt op basis van enkele eenvoudige principes:

• Transparante en nauwkeurige vergelijking tussen oud en nieuw, op basis van historische gegevens.
• Uitvoering op grote schaal zodat ook zeldzame uitzonderingsgevallen zichtbaar worden.
• Evalueren van alle juridisch relevante jaren verspreid over meerdere decennia.

Alleen wanneer aan al deze voorwaarden werd voldaan, kon de modernisering doorgaan.

AI inzetten binnen duidelijke grenzen

AI speelde een belangrijke rol in dit traject, maar altijd binnen een kader dat door mensen werd bepaald.

AI hielp bij het herkennen van patronen in tientallen jaren businesslogica, het identificeren van juridisch relevante jaren, het versnellen van implementatiewerk onder strikte voorwaarden en het analyseren van grote hoeveelheden vergelijkingsresultaten.

Mensen bleven echter verantwoordelijk voor de essentiële beslissingen: wat moest worden vergeleken, welk resultaat aanvaardbaar was en wanneer er voldoende bewijs was om verder te gaan.

Wanneer AI begon te optimaliseren voor technische parameters in plaats van voor reële resultaten, werden bijkomende veiligheidsmechanismen ingebouwd. Niet alleen voor de code zelf, maar ook voor businessregels en testen. Onrealistische of onvolledige situaties werden daardoor automatisch uitgesloten.

Van correct naar onderhoudbaar

Stap één was zorgen voor vertrouwen.

We moesten kunnen aantonen dat het bestaande gedrag van het systeem begrepen, gevalideerd en betrouwbaar gereproduceerd kon worden.

Pas daarna verschoof de focus naar onderhoudbare code.

Met het gevalideerde gedrag als referentie heeft het ontwikkelteam de toepassing stap voor stap omgezet naar heldere en onderhoudbare code, waarbij voortdurend werd gecontroleerd dat het gedrag van het systeem niet veranderde.

Daarnaast werd de logica vertaald naar geautomatiseerde scenariotesten die leesbaar zijn voor businessgebruikers. Domeinexperten kunnen deze scenario's rechtstreeks bekijken en valideren. Zo werd jarenlang opgebouwde kennis expliciet gemaakt, gedeeld en beter overdraagbaar. Tegelijk ontstond een levend veiligheidsnet dat het systeem ook in de toekomst onderhoudbaar en veranderbaar houdt.

Het resultaat en wat dit betekent voor de organisatie

Testen onder productieomstandigheden tonen aan dat het gemoderniseerde systeem hetzelfde functionele gedrag vertoont als de oorspronkelijke implementatie.

Bovendien verwerkt de nieuwe Java-oplossing een volledige batch van ongeveer 1.500.000 dossiers ongeveer vier keer sneller dan het legacysysteem onder vergelijkbare omstandigheden.

Maar de belangrijkste winst zit elders. De organisatie beschikt vandaag over:

• Een veilig en ondersteund platform dat operationele risico's verlaagt.
• Transparante logica die door ontwikkelaars onderhouden en door domeinexperten gevalideerd kan worden.
• Een governancekader dat toekomstige veranderingen mogelijk maakt zonder de controle te verliezen.

Zo wordt een eenmalig moderniseringstraject een solide basis voor toekomstige evolutie.

De belangrijkste les

Dit is geen verhaal over het vervangen van mensen door AI.

Het is een verhaal over hoe AI verborgen kennis zichtbaar kan maken, terwijl verantwoordelijkheid en controle expliciet behouden blijven. In omgevingen waar fouten grote gevolgen kunnen hebben, draait de uitdaging niet om sneller te werken. De echte uitdaging is voldoende inzicht verwerven om veranderingen veilig door te voeren.

Daar creëert AI echte meerwaarde – wanneer het op een doordachte en gecontroleerde manier wordt ingezet.