Beheer van het klokkenluidersysteem: AI anonimiseert en categoriseert – Veilige en conforme meldingenadministratie

Waarom KI-ondersteunde klokkenluiderssystemen nu verplicht worden

Komt u dit bekend voor? Er komt een melding binnen en ineens is uw compliance-afdeling urenlang bezig met een tekst: namen zwartmaken, categorieën toewijzen, risico’s beoordelen – en altijd de angst om iets over het hoofd te zien of onjuist te classificeren.

De HinSchG (Klokkenluidersbeschermingswet) zorgt sinds 2023 voor duidelijke regels. Bedrijven met 50 of meer medewerkers moeten een interne meldingsprocedure opzetten. Maar wat de wet niet oplost: de administratieve inspanning die ermee gepaard gaat.

Hier biedt KI uitkomst – niet als spielerei, maar als praktische oplossing voor een specifiek probleem.

HinSchG 2023: Waar bedrijven op moeten letten

De HinSchG vraagt méér dan alleen een telefoonnummer. U moet:

• Anonimiteit garanderen: Klokkenluiders mogen niet herleidbaar zijn
• Bevestigen binnen 7 dagen: Elke melding moet snel bevestigd worden
• Afhandelen binnen 3 maanden: Onderzoek en terugkoppeling zijn verplicht
• Documentatie borgen: Alle stappen moeten herleidbaar zijn
• Vertrouwelijkheid waarborgen: Informatie mag niet bij onbevoegden terechtkomen

Bij 50 medewerkers is dat nog handmatig behapbaar. Maar wat als u 140, 220 of nog meer werknemers heeft? Het aantal meldingen stijgt onevenredig – en daarmee de inspanning.

Gemiddeld zijn bedrijven 4,2 uur kwijt aan de handmatige afhandeling van een klokkenluidersmelding. Bij oplopende aantallen wordt dat snel een bottleneck.

Handmatige verwerking vs. KI-automatisering: een efficiëntievergelijking

Stel u het volgende voor: Er komt een melding binnen van mogelijke corruptie bij inkoop. Uw team moet nu:

Het resultaat: In plaats van 4,2 uur hebt u nog maar 10 minuten nodig voor de eerste afhandeling. Uw compliance-medewerkers kunnen zich richten op wat echt telt: de inhoudelijke beoordeling en afwikkeling.

Let op: KI vervangt niet de menselijke expertise. Wel versnelt het de routineklussen en creëert het ruimte voor strategisch werk.

KI-anonimisering bij klokkenluiden: zo werkt het technisch

“Onze leidinggevende meneer Müller van de afdeling Inkoop ontvangt al maanden steekpenningen van het bedrijf Voorbeeld GmbH” – zo of vergelijkbaar komen de meldingen bij u binnen. Vol met persoonlijke details die direct verwijderd moeten worden.

Precies hier excelleert KI. Moderne Natural Language Processing (NLP – automatische taalverwerking) herkent automatisch welke informatie verwijderd moet worden, zonder dat de essentie van de melding verloren gaat.

Natural Language Processing voor automatische gegevenszuivering

KI werkt daarbij in meerdere stappen:

1. Named Entity Recognition (NER): Herkent persoonsnamen, afdelingen en bedrijven
2. Pattern matching: Vindt e-mailadressen, telefoonnummers, interne codes
3. Contextanalyse: Onderscheidt relevante van persoonsgebonden gegevens
4. Vervanging: Vervangt identificatoren door neutrale termen

Uit “Meneer Müller van Inkoop” wordt “leidinggevende van de inkoopafdeling”. De inhoud blijft behouden, de persoon blijft beschermd.

Bijzonder: De KI leert vakspecifieke termen. In een machinebouwbedrijf herkent zij andere afdelingen dan bij een SaaS-aanbieder. Hoe meer data er wordt verwerkt, hoe preciezer de anonimisering wordt.

Categorisatie en risicobeoordeling met machine learning

Na de anonimisering volgt de classificatie. Waar hoort deze melding thuis? Hoe urgent is het?

Machine learning-algoritmes classificeren automatisch op verschillende dimensies:

• Thema: Corruptie, discriminatie, veiligheidsissues, milieuzaken
• Urgentie: Direct handelen vereist, reguliere afhandeling, lage prioriteit
• Betrokken afdeling: HR, financiën, productie, sales
• Compliance-relevantie: Wettenschending, interne richtlijn, ethisch issue

Een praktijkvoorbeeld: De KI herkent in een melding termen als “omkoping”, “leverancier” en “aanbesteding”. Automatisch wordt deze als “corruptie/inkoop” met hoge prioriteit geclassificeerd en direct doorgestuurd naar de juiste juridische afdeling.

Dat werkt omdat de systemen getraind zijn op grote hoeveelheden data. Ze herkennen patronen die mensen vaak over het hoofd zien.

Privacy-conforme verwerking van gevoelige meldingen

En nu het spannende deel: Hoe zorgt u ervoor dat de KI zelf geen privacy-risico vormt?

Moderne KI-klokkenluiderssystemen hanteren het privacy-by-designprincipe:

• On-premise verwerking: Data verlaten uw infrastructuur nooit
• Encryptie: Alle gegevens worden tijdens en na verwerking versleuteld
• Minimale opslag: KI verwerkt alleen het hoogstnodige en verwijdert automatisch
• Audit-logs: Elke verwerkingsstap wordt inzichtelijk gelogd
• Toegangscontrole: Alleen bevoegden zien bewerkte meldingen

Belangrijk: De KI moet EU-gecertificeerd zijn. Let op keurmerken als ISO 27001 of een Duits privacy-certificaat. Anders loopt u flinke boetes in plaats van efficiëntiewinst.

Praktische tip: Vraag uw leverancier om een AVG-gevolgenanalyse (DPIA). Serieuzere aanbieders hebben dit vooraf al opgesteld en leveren het direct aan.

Praktische uitvoering: implementatie van een klokkenluidersysteem met KI

Theorie is mooi – maar hoe krijgt u het concreet voor elkaar in uw bedrijf? Zonder IT-team dat dagen met API’s puzzelt, zonder compliance die wekenlang documenten moet doorspitten.

Het goede nieuws: Moderne KI-klokkenluidersoplossingen zijn veel eenvoudiger te implementeren dan verwacht – als u de juiste stappen volgt.

Eisenanalyse: deze functionaliteiten heeft uw systeem nodig

Voordat u een oplossing koopt, beantwoord intern deze vragen:

Compliance-eisen:

• Welke wetten moet u naleven? (HinSchG, AVG/GDPR, branchespecifieke regels)
• Gelden er aanvullende interne beleidsregels?
• Wie is verantwoordelijk voor de afhandeling?
• Hoe documenteert u nu compliance-issues?

Technische integratie:

• Welke bestaande systemen moeten gekoppeld worden? (HR, ERP, documentmanagement)
• Hanteert u een cloud-first of on-premises strategie?
• Wie beheert het systeem intern?
• Hoe werken notificaties?

Organisatorische aspecten:

• Hoeveel meldingen verwacht u per maand?
• Welke talen moeten ondersteund worden?
• Mogen externe klokkenluiders ook melden?
• Hoe traint u het personeel?

Deze analyse vergt doorgaans 2-3 workshops van 2 uur. Goed besteed, want zonder heldere eisen koopt u gegarandeerd de verkeerde oplossing.

Stapsgewijs: KI-modules integreren in bestaande compliance-processen

Voer de implementatie gefaseerd uit. Dat minimaliseert risico’s en biedt ruimte om bij te sturen:

Fase 1: Basisopstelling (week 1-2)

1. Systeem opzetten en basisconfiguratie
2. Testomgeving inrichten
3. Eerste KI-modules activeren (anonimisering)
4. Integratie met bestaande IT-structuur

Fase 2: KI-training (week 3-4)

1. KI trainen met uw eigen data
2. Regels voor categorisatie afstemmen
3. Geautomatiseerde workflows instellen
4. Eerste tests met dummy-data

Fase 3: Pilot (week 5-8)

1. Systeem testen met een kleine gebruikersgroep
2. KI-resultaten handmatig controleren en bijstellen
3. Feedback verzamelen en processen aanpassen
4. Trainingmateriaal opstellen

Fase 4: Volledige inzet (vanaf week 9)

1. Systeem openstellen voor alle medewerkers
2. Monitoring en doorlopende optimalisatie
3. Regelmatige auditrapportages
4. KI-modellen zonodig verder trainen

Uit ervaring: De uitrol verloopt soepeler als u een dedicated projectleider aanwijst – iemand die zowel compliance als IT begrijpt.

Change management: personeel winnen voor het nieuwe systeem

Het beste systeem werkt niet als het niet wordt geaccepteerd. Zeker bij klokkenluiden draait het om vertrouwen.

Veelvoorkomende bezwaren en hoe u daarop kunt inspelen:

“De KI slaat alles op en houdt ons in de gaten”
Oplossing: Open communicatie over privacy. Laat concreet zien hoe anonimiseren werkt.

“Kunstmatige intelligentie snapt de context niet”
Oplossing: Toon live hoe de KI werkt; laat medewerkers het zelf proberen.

“Wat gebeurt er met mijn gegevens?”
Oplossing: Duidelijk beleid communiceren, benadruk on-premise verwerking.

Beproefde change-tips:

• Voorinformatie: Townhalls, e-mail, intranetartikel over het doel en voordeel
• Hands-on demo’s: Laat teams het systeem eerst vrijblijvend testen
• Champions zoeken: Vind ambassadeurs in verschillende afdelingen
• Feedbackkanalen bieden: Verzamel anoniem ervaringen en feedback
• Successen delen: Laat zien hoe het systeem helpt (zonder details te onthullen)

Een handige aanpak: Start met een andere use case, bijvoorbeeld documentencategorisatie met KI. Als het team vertrouwen krijgt, breidt u uit naar klokkenluidersmeldingen.

Compliance en juridische zekerheid bij KI-klokkenluiderssystemen

Nu wordt het serieus: een fout in de juridische uitvoering kan u veel geld kosten. Boetes, schadevergoedingen, reputatieschade – de risico’s zijn reëel.

Maar laat u niet verlammen. Met de juiste aanpak is een juridisch correcte KI-klokkenluidersoplossing mogelijk.

AVG-conforme gegevensverwerking bij anonieme meldingen

Het dilemma: Klokkenluidermeldingen moeten anoniem zijn, maar u moet ze wél AVG-conform verwerken. Hoe kan dat?

Het zit hem in de details van de verwerking:

Pseudonimisering in plaats van volledige anonimisering:
Echte anonimisering is zelden haalbaar of gewenst (vaak is een terugkoppeling nodig). Professionele systemen gebruiken daarom pseudonimisering: Persoonsgegevens worden versleuteld bewaard, maar zijn bij noodzaak herroepbaar.

Juridische grondslag bepalen:
Art. 6 lid 1 sub f AVG (gerechtvaardigd belang) is meestal de juiste basis. Uw belang: misstanden opsporen en voorkomen – dat weegt doorgaans zwaarder dan de privacy van betrokkenen.

Doelbeperking respecteren:
KI mag alleen gebruikt worden voor het vooraf vastgelegde doel: anonimiseren, categoriseren, risico-inschatting. Geen verborgen analyses, geen profiling, geen andere doeleinden.

Concreet betekent dat voor uw systeem:

Documentatieplichten en audittrails

Wat niet is vastgelegd, is niet gebeurd – dat geldt des te meer bij compliance. Uw KI-oplossing moet elke handeling herleidbaar loggen.

Minimale audit-eisen:

• Inkomstdocumentatie: Wanneer kwam welke melding binnen? Originele hash voor integriteit
• Verwerkingsstappen: Welke KI-modules deden wat, welke gegevens zijn gewijzigd?
• Toegangslogs: Wie wanneer inzage had in welke gegevens
• Verwijderlogs: Wanneer werden welke gegevens na verloop van tijd verwijderd?
• Systeemwijzigingen: Updates, config-wijzigingen, nieuwe trainingen

Deze logs bewaart u minimaal 3 jaar – in sommige sectoren langer – en moet u bij audits direct kunnen tonen.

Praktisch detail: Gebruik onveranderlijke logs (bijvoorbeeld blockchaintechnologie). Zo voorkomt u manipulatie achteraf en versterkt u uw bewijslast.

Risico’s vermijden: veelgemaakte compliance-valkuilen

Uit de praktijk: deze fouten zien we steeds weer – en ze zijn totaal te voorkomen.

Valkuil 1: Cloudverwerking zonder verwerkersovereenkomst
U gebruikt een SaaS-oplossing, maar de aanbieder heeft geen verwerkersovereenkomst getekend. Gevolg: AVG-overtreding.

Oplossing: Sta op een waterdichte overeenkomst en controleer de privacycertificering van de leverancier.

Valkuil 2: KI trainen op echte meldingen
Het systeem leert met echte klokkenluiderscases – onbedoeld ontstaat zo nieuwe verwerking van persoonsgegevens.

Oplossing: Train alleen op anonieme of synthetische data. Gebruik een aparte testomgeving.

Valkuil 3: Onvoldoende informatieplicht
Melders weten niet dat KI hun melding verwerkt. Dat levert achteraf problemen op.

Oplossing: Transparant informeren bij het meldformulier, duidelijke toelichting op KI-gebruik en doel.

Valkuil 4: Onvolledig verwijderbeleid
Data worden eindeloos opgeslagen omdat automatische verwijdering ontbreekt.

Oplossing: Stel per datatype bewaartermijnen vast en implementeer automatische verwijderroutines.

Mijn tip: Laat u voor de start een uur adviseren door een in privacy gespecialiseerde advocaat. Kost €300-500 en spaart mogelijk een boete van zes cijfers uit.

ROI en efficiëntiewinst: meetbare voordelen van KI-klokkenluiden

Het wordt concreet: Wat levert een KI-gestuurd klokkenluiderssysteem u op in euro’s? En hoe meet u het resultaat?

De cijfers liegen niet – mits u juist rekent.

Kostenvergelijk: handmatige vs. geautomatiseerde meldingafhandeling

Een praktijkvoorbeeld: Uw bedrijf met 220 medewerkers ontvangt gemiddeld 8 meldingen per maand.

Handmatig afhandelen – kostenberekening:

Met KI-automatisering:

Maandelijkse besparing: €1.696 | Jaarlijks: €20.352

Daar komen de systeemkosten bij. Een professioneel KI-klokkenluiderssysteem kost voor uw omvang typisch €800-1.500 per maand. Zelfs bij €1.500 houdt u jaarlijks €2.352 voordeel over.

Maar dat is nog maar de helft van het verhaal. De echte pluspunten liggen elders.

Tijdbesparing op de compliance-afdeling

Tijd is schaars voor compliance. KI neemt routinewerk uit handen, zodat medewerkers zich op strategische taken richten:

• Preventie: Trainingen ontwikkelen, risicoanalyses maken
• Procesverbetering: Complianceprocedures optimaliseren, nieuwe risico’s opsporen
• Stakeholdermanagement: Meer tijd voor gesprekken met directie en afdelingen
• Documentatiekwaliteit: Betere, diepere dossieranalyses

Dit is lastig kwantitatief te maken, maar zeer waardevol. Eén compliance-incident voorkomen levert mogelijk miljoenen op.

Voorbeeld: Door vrijkomende tijd maakt uw team een betere risicoanalyse voor leveranciers. Zo wordt een corruptiezaak voorkomen die anders €500.000 schade én reputatierisico oplevert.

Kwaliteitsverbetering via consistente categorisatie

Mensen categoriseren subjectief – afhankelijk van ervaring, dagstemming of achtergrond. KI classificeert altijd volgens vaste regels.

Dat levert meetbare voordelen:

• Meer nauwkeurigheid: 95% juiste toewijzing vs. 78% bij handmatige verwerking
• Snel escaleren: Kritieke gevallen direct doorgezet
• Betere compliance-rapportages: Eenduidige data voor bestuur en toezichthouders
• Minder herwerk: Zelden herclassificatie nodig

De tijd voor compliance-rapportages daalt met KI-categorisering fors – typisch tot 2-3 uur minder per maand.

Belangrijker nog: De kwaliteit stijgt. Consistente indeling maakt trends zichtbaar én actie mogelijk.

Het ROI-effect: Betere data betekent betere besluiten – en voorkomt dure compliance-crises.

Praktijkvoorbeelden: zo zetten bedrijven KI-klokkenluiden succesvol in

Genoeg theorie. We bekijken drie praktijkvoorbeelden van bedrijven die KI-klokkenluiden hebben geïntroduceerd – met alle uitdagingen én successen.

Deze cases laten zien: het werkt, maar de details bepalen het resultaat.

Case study: middelgrote machinebouwer optimaliseert meldprocedures

Situatie:
Schwarz Maschinenbau GmbH (naam gewijzigd) uit Baden-Württemberg heeft 180 medewerkers. Als toeleverancier voor de auto-industrie gelden strenge compliance-eisen van de klantzijde.

Probleem: Door de HinSchG kwamen er maandelijks 6-10 extra meldingen bij, bovenop bestaande audits en controles. HR raakte overbelast.

Implementatie:
Projectduur: 8 weken | Investering: €24.000 (setup) + €1.200 per maand | Team: 2 personen (HR + IT)

1. Week 1-2: Systeemopzet en IT-integratie
2. Week 3-4: KI-training met dummydata en industrie-jargon
3. Week 5-6: Pilot met 10 leidinggevenden
4. Week 7-8: Volle uitrol en medewerkersgetraind

Uitdagingen:

• KI herkende branchespecifieke termen (CNC, hydrauliek e.d.) niet meteen
• Ondernemingsraad was sceptisch over gegevensgebruik
• Integratie met SAP duurde langer dan verwacht

Resultaten na 6 maanden:

• Doorlooptijd per melding: 7,2u → 3,8u (47% reductie)
• Categorisatie-nauwkeurigheid: 91% (voorheen 74%)
• HR-teamtevredenheid: +3,2 punten (op 5-puntsschaal)
• ROI: 156% (besparing versus investering)

Belangrijkste les: De KI is zo goed als de data waarmee je traint. We hebben veel tijd geïnvesteerd in branchespecifiek jargon. — Hoofd HR

SaaS-bedrijf automatiseert HR-compliance met KI

Situatie:
TechFlow Solutions AG (naam gewijzigd) bouwt CRM-software en groeit hard: van 45 naar 120 medewerkers in 18 maanden. Het HR-team kon de compliance niet meer bijbenen.

Specifiek: 40% remote medewerkers, internationale teams, uiteenlopende rechtsstelsels.

Implementatie:
Projectduur: 12 weken | Investering: €18.000 (setup) + €890 per maand | Team: 3 personen (HR + IT + Legal)

Focus op meertalige verwerking en culturele gevoeligheid rondom categorisatie.

Belangrijkste uitdagingen:

• Meldingen in 4 talen (Duits, Engels, Pools, Spaans)
• Verschillende rechtsculturen voor anonimiteit
• Remote medewerkers vertrouwden het systeem niet meteen

Innovatieve oplossingen:

• Meertalige KI met cultuurspecifieke categorisatieregels
• Video-tutorials voor diverse culturen
• Eigen vertrouwenspersoon voor remote-teams

Resultaten na 9 maanden:

• Aantal meldingen: +120% (meer vertrouwen)
• Doorlooptijd: 6,8u → 2,1u (69% reductie)
• Meertalige verwerking: 94% accuraat
• Vertrouwen in compliance: +4,1 punten

Belangrijkste les: “KI is cultureel neutraal – dat is soms voordeel, soms nadeel. We moesten categorisatieregels aanpassen aan diverse culturen.” — Chief People Officer

Lessons learned: deze fouten kunt u voorkomen

Uit meer dan 20 implementatietrajecten zagen we deze veelvoorkomende valkuilen:

Fout 1: Te complexe start
Probleem: Alles in één keer willen activeren.
Oplossing: Begin basic (anonimisering), breid daarna pas uit.

Fout 2: Change management vergeten
Probleem: Te veel focus op IT, medewerkers voelen zich niet meegenomen.
Oplossing: Reserveer 50% van de tijd voor communicatie en training.

Fout 3: Juridische check te laat
Probleem: Systeem draait al, dan pas juridische toetsing.
Oplossing: Betrek een advocaat direct vanaf het begin.

Fout 4: Onrealistische verwachtingen
Probleem: “KI lost alle compliance-zorgen direct op”
Oplossing: Zet duidelijke kaders: KI ondersteunt, maar vervangt geen menselijke experts.

Fout 5: Slechte datakwaliteit
Probleem: KI is zo goed als de trainingsdata.
Oplossing: Investeer in goede testdata en iteratieve training.

De belangrijkste les uit alle projecten:
Succesvolle implementatie van KI-klokkenluiden is 30% techniek, 70% organisatie. De software is eenvoudig – de mensen en processen zijn de uitdaging.

Reserveer daarom minstens 3 maanden voor de organisatorische voorbereiding. Het systeem zelf staat binnen 4-6 weken live.

Conclusie: KI maakt klokkenluiders-compliance haalbaar

Klokkenluidersprocedures waren ooit een noodzakelijk kwaad: tijdrovend, foutgevoelig en kostbaar. KI verandert dat fundamenteel.

De belangrijkste voordelen op een rij:

• 70% minder tijd voor eerste afhandeling
• 95% categorisatie-nauwkeurigheid in plaats van 78% handmatig
• AVG-conforme automatisering bij correcte implementatie
• ROI van 150-200% al in het eerste jaar
• Betere compliancecultuur dankzij betrouwbare processen

Blijf wel realistisch: KI is geen wondermiddel. U hebt altijd nog gekwalificeerde compliance-medewerkers nodig voor de inhoudelijke beoordeling. KI versnelt de routine en creëert ruimte voor strategie.

Mijn advies: Begin met een heldere analyse van uw processen. Identificeer de grootste tijdfactoren. Daarna: kijk doelgericht naar KI-oplossingen voor die pijnpunten.

En vergeet niet: Over 2-3 jaar zijn KI-ondersteunde compliance-systemen de norm. De vraag is niet óf, maar wanneer u instapt. Vroege gebruikers zijn de concurrentie meteen te slim af.

Veelgestelde vragen

Hoe lang duurt het om een KI-klokkenluiderssysteem te implementeren?

De technische implementatie duurt meestal 6-8 weken. Reserveer daarnaast 8-12 weken voor change management en training van medewerkers. In totaal is 4-5 maanden van start tot volwaardige inzet realistisch.

Is KI-klokkenluiden AVG-conform?

Ja, mits juist geïmplementeerd. Belangrijk: pseudonimisering in plaats van volledige anonimisering, heldere juridische basis (gerechtvaardigd belang), doelbinding en transparante communicatie naar melders. Een verwerkersovereenkomst met de leverancier is verplicht.

Welke kosten brengt een KI-klokkenluiderssysteem met zich mee?

Setup-kosten liggen tussen €15.000 en €30.000, afhankelijk van bedrijfsgrootte. Doorlopende kosten bedragen €800-2.000 per maand. Bij gemiddelde aantallen meldingen verdient u de investering binnen 12-18 maanden terug door tijdwinst.

Hoe nauwkeurig werkt de KI-anonimisering?

De KI identificeert via NLP persoonlijke informatie (namen, afdelingen, e-mails) en vervangt deze door neutrale termen. “Meneer Müller van Inkoop” wordt bijvoorbeeld “leidinggevende van de inkoopafdeling”. Uw inhoud blijft behouden, de identiteit blijft beschermd.

Wat als de KI een fout maakt?

Professionele systemen bevatten altijd een menselijke kwaliteitscontrole. Kritische beslissingen worden nooit volledig geautomatiseerd gemaakt. Alle KI-acties worden gelogd en kunnen naderhand handmatig gecorrigeerd worden.

Kunnen internationale teams het systeem gebruiken?

Moderne KI-systemen ondersteunen meertalige verwerking. Meldingen in verschillende talen worden automatisch vertaald en verwerkt. Cultuurspecifieke categorisatieregels zijn configureerbaar.

Waarin verschilt KI-klokkenluiden van conventionele systemen?

Conventionele systemen verzamelen alleen de meldingen. KI-systemen anonimiseren direct, classificeren op risiconiveau, verwijzen automatisch door en creëren documentatie. Dat reduceert de handmatige inspanning met 60-80%.

Is het systeem ook geschikt voor kleinere bedrijven?

Vanaf circa 50 medewerkers wordt KI-klokkenluiden economisch interessant. Kleinere bedrijven kunnen beter eenvoudig starten en bij stijgende aantallen meldingen overstappen op KI-ondersteuning.

Hoe snel kan het systeem live?

De basisfunctionaliteit kan in 2-3 weken worden geactiveerd. Voor een volledig productiesysteem inclusief training en alle compliance-eisen rekent u 2-3 maanden.

Wat gebeurt er bij een systeemstoring?

Betrouwbare aanbieders bieden 99,9% beschikbaarheid. Bij storing nemen automatische back-ups het over. Essentiële meldingen kunnen via alternatieve kanalen (e-mail, telefoon) worden gedaan en later alsnog ingevoerd.