AWS en Bluesight bouwen AI-agents voor ziekenhuiscompliance: dit kun jij ervan leren

Een Amerikaans ziekenhuis besteedt al snel 4.000 personeelsuren per jaar aan één specifieke compliancecontrole: aantonen dat medicijninkopen aan de regels van het 340B-programma voldoen. Softwarebedrijf Bluesight bouwde samen met AWS een AI-agent die dat werk grotendeels overneemt. Interessant nieuws, maar vooral interessante architectuur. Want de keuzes die Bluesight maakte, gelden net zo goed voor Nederlandse bedrijven die controle-werk willen automatiseren.

Waar gaat het over?

Het Amerikaanse 340B-programma geeft bepaalde ziekenhuizen korting op medicijnen. In ruil daarvoor mogen ze die medicijnen niet zomaar via collectieve inkoopcontracten (GPO's) kopen. Elke uitzondering moet onderbouwd worden: was het middel schaars, stond het op een tekortenlijst, was er geen alternatief kanaal?

Dat uitzoeken is monnikenwerk. Medewerkers vergelijken inkoopdata met tekortmeldingen van de FDA, voorraadinformatie en backorder-rapporten. Vandaar die 4.000 uur per jaar per instelling.

Bluesight, leverancier van compliancesoftware voor ruim 2.000 ziekenhuizen, bouwde hiervoor Prism: een AI-laag bovenop hun bestaande producten. Het eerste onderdeel draait sinds mei 2026 in productie bij 20 zorgorganisaties. Een tweede agent, die de 340B-controle volledig automatiseert, staat gepland voor later dit jaar.

De resultaten in cijfers

De eerste agent, een conversationele assistent voor medicijnbewaking, laat zien wat er te halen valt:

• Rapportages: van 6 uur naar 15 minuten (97% sneller)
• Vooronderzoek bij verdachte transacties: van 3 uur naar 10 minuten
• Variantie-analyses: van 30 minuten naar minder dan 1 minuut
• Opvragen van data: van 5 minuten naar 10 seconden

De nieuwe 340B-agent werd getest op synthetische data en vond 100% van de te controleren facturen, met een onderbouwingsnauwkeurigheid van 93%. Het doel was 85%.

De belangrijkste les: de AI beslist niet

De slimste keuze in dit project is niet technisch indrukwekkend, maar principieel. Bluesight laat het taalmodel bewijsmateriaal verzamelen en ordenen, maar de compliancebeslissing zelf is geen mening van een AI. Die wordt genomen door een deterministisch scoringssysteem met 13 vaste signalen en regelgebaseerde logica. Elke uitkomst is daardoor herleidbaar en verdedigbaar richting toezichthouders.

Dat is precies het patroon dat wij aanraden bij klanten die met AI-agents aan de slag willen in processen waar verantwoording telt: laat AI het zoek- en verzamelwerk doen, laat vaste regels de beslissing nemen. Zo krijg je de snelheid van AI zonder de onvoorspelbaarheid.

Hoe het technisch in elkaar zit

Voor wie onder de motorkap wil kijken: de agents draaien op Amazon Bedrock met Claude Sonnet 4.6 als primair model en Claude Haiku 4.5 voor snelle deelbewerkingen. De agent krijgt geen directe toegang tot databases. Alle data loopt via afgeschermde API's die als tools aan het model worden aangeboden, met OAuth2-authenticatie, encryptie en volledige audit trails. Klantdata wordt niet gebruikt om modellen te trainen.

Ook opvallend: de eerste werkende versie stond er in drie dagen, gebouwd door een gecombineerd team van Bluesight en AWS. De tweede agent, voortbouwend op dezelfde architectuur, in twee dagen. Een goed fundament neerzetten kost eenmalig tijd; daarna gaat uitbreiden hard.

Wat betekent dit voor jouw bedrijf?

Je hoeft geen Amerikaans ziekenhuis te zijn om hier iets aan te hebben. Het onderliggende probleem, medewerkers die uren besteden aan het handmatig vergelijken van gegevens uit meerdere systemen om iets te controleren of onderbouwen, komt overal voor. Denk aan factuurcontroles, GDPR- en NIS2-verantwoording, kwaliteitsaudits of het samenstellen van accountantsdossiers.

Drie lessen uit dit project zijn direct toepasbaar:

1. Automatiseer het verzamelen, niet het beslissen. Waar verantwoording telt, hoort de eindbeslissing bij vaste regels of een mens. Dat maakt AI inzetbaar in processen waar je het eerder niet zou vertrouwen.
2. Begin bij het proces dat de meeste uren kost. Bluesight koos niet het leukste probleem, maar het duurste: 4.000 uur per jaar. Die rekensom bepaalt of een AI-project zichzelf terugverdient.
3. Een werkende eerste versie hoeft geen maanden te duren. Met de huidige tooling staat een bruikbaar prototype in dagen, mits de data via nette API's bereikbaar is.

Benieuwd welk controle- of verzamelwerk in jouw organisatie zich hiervoor leent? Doe de gratis automatiseringsscan of plan een strategiegesprek.