Weerstaan de divisies van Wolters Kluwer AI-disruptie?

Begin jaren negentig was ik verantwoordelijk voor de bouw van OPmaat, een attenderingsdienst voor de Officiële Publicaties van de Rijksoverheid, het eerste online elektronische uitgeefproduct van (destijds) Sdu Uitgevers. OPmaat draait na dertig jaar nog steeds, ondanks vele technologiegolven. Dit gegeven kleurt mijn beeld van disruptie: gecureerde informatiediensten zijn taaier dan disruptieverhalen doen vermoeden. Of mijn idee hierover realistisch is, wilde ik toetsen. Hoe dat met behulp van AI verliep, is wat ik hier wil laten zien.

De aanleiding voor dit onderzoek was geen beleggersvraag maar een commerciële. Stel dat je een integratielaag zou willen bouwen tussen de AI van een klant en de gecureerde content van een uitgever van professionele content, wat wil je dan van zo’n uitgever weten? Op z’n minst of hij over enige tijd nog bestaansrecht heeft. Dat antwoord leidt tot een investeringsbeslissing. Ook aan de kant van de aanbieder van zo’n integratiedienst.

Dus dook ik in een actuele casus: Wolters Kluwer (WKL). Op 3 februari dit jaar kondigde Anthropic een juridische AI-toepassing aan. De koers daalde op die dag sterk (12,7%), in een markt waarin de aankondiging van Anthropic door beleggers en analisten als een mogelijke bedreiging voor juridische informatiediensten werd geïnterpreteerd. Ook branchegenoot Thomson Reuters verloor die dag 15,7% en RELX 14,1%. Op 6 mei kwam Wolters Kluwer met een kwartaalupdate die aan de verwachtingen voldeed. Het aandeel zakte opnieuw 17,2 procent, ditmaal nadat JPMorgan waarschuwde voor erosie van WKL’s workflow-producten.

Een daling van 58% ten opzichte van een piek van €178,70 (14 feb 2025) naar €70,08 nu (17 sep 2026), geeft wel te denken. Zeker als de winst per aandeel juist stijgt. Zou de markt een voorschot nemen op een mogelijk dalend verdienvermogen van Wolters Kluwer? De term “AI-disruptie” viel vaak te lezen bij analisten die over WKL berichtten.

Ik besloot dit te onderzoeken met behulp van AI en verwachtte dat voor mijzelf de opbrengst van AI vooral zou zitten in het verzamelen van informatie. Dat klopte inderdaad. Binnen enkele weken lag er meer materiaal op tafel dan ik in zo’n korte tijd zonder AI bij elkaar had kunnen krijgen. Maar ja, en dan? Het écht interessante gebeurde pas daarna.

Je kunt een taalmodel (LLM) eindeloos bevragen op basis van de verzamelde informatie. En het ding redeneert echt, als je dat zo zou willen noemen. En tot mijn verbazing vaak ook verbluffend scherp. Maar sneden die redeneringen ook hout? Mijn aanvankelijke (impliciete) werkhypothese was dat AI-disruptierisico een eigenschap is van een bedrijf, in dit geval Wolters Kluwer. Wat me van dat spoor af bracht, was een tegenstrijdigheid.

De divisie Legal & Regulatory was het primaire doelwit van de aankondigingen van Anthropic die in elk geval een deel van de koersval veroorzaakten. Als het disruptieverhaal klopte, moest juist die divisie als eerste terugvallen. Maar in de eerste helft van 2026 groeide ze juist vijf procent organisch. Eén risicoscore voor het hele bedrijf kon dat niet verklaren. Wolters Kluwer rapporteert over vijf bedrijfsonderdelen met duidelijk verschillende markten, producten en klantrelaties. Ik kwam er al snel achter dat een holding met vijf verschillende divisies niet aan één disruptierisico is blootgesteld. Het zijn er meerdere en ze zijn totaal verschillend van aard.

Legal & Regulatory, de uitgedaagde divisie, vertegenwoordigt slechts 16,4 procent van de omzet en maakt ca. 18,2% adjusted operating margin (boekjaar 2025). Ze verkoopt workflowsoftware aan professionele afnemers waarmee een groot corpus aan wetgeving en jurisprudentie kan worden geraadpleegd. Een belangrijk deel van het basismateriaal is publiek beschikbaar, waardoor de pure zoek- en samenvattingsfunctie kwetsbaar is. Dat geldt niet noodzakelijk ook voor de redactionele verrijking, annotatie, metadata en integratie.

Veel belangrijker voor WKL is Health, 26,1% van de omzet en ca. 30% marge. Belangrijkste product is UpToDate voor beslissingsondersteuning. Het gebruik van UpToDate kan bijdragen aan de traceerbaarheid en onderbouwing van een klinische beslissing, waarmee compliance aan een professionele standaard kan worden beargumenteerd. Dat kan een generiek model niet bieden zolang UpToDate als een de facto standaard geldt, zelfs al is die standaard niet universeel.

Ook de divisies Tax & Accounting en Financial & Corporate Compliance moeten het hebben van workflowproducten (respectievelijk CCH Axcess en CT Corporation) die diep zijn ingebed in de processen van de klant. Samen vertegenwoordigen die ca. 47% van de omzet en maken meer dan 30% marge. Tot slot heeft ook de kleine divisie Corporate Performance & ESG met haar platforms Enablon en CCH Tagetik zich genesteld in de klantomgeving.

Na veel ‘discussie’ met mijn AI ontstond het volgende analysekader: AI-disruptierisico is afhankelijk van de beschermende lagen die een product of dienst voor concurrentie afschermen. Eén bedrijf (of divisie) heeft vaak meerdere lagen tegelijk. Deze karakteriseren de toetredingsbarrière.

• Laag 1 is het vermogen. De barrière is kúnnen: wat een generiek model kan met materiaal waar het bij kan: vinden, samenvatten, verbanden leggen, meta-informatie genereren. Dit is de snelst dalende barrière, en de enige die zich publiek laat meten: elke modelrelease van een groot AI-lab is een benchmarkbaar event.
• Laag 2 is de toegang. De barrière is erbij kunnen. Het gaat om betrouwbare en actuele brongegevens waar een concurrent niet bij komt. Bijvoorbeeld omdat een deel van de Nederlandse rechtspraak niet openbaar wordt gemaakt, omdat ze niet in een doorzoekbare database wordt opgenomen, of omdat meta-informatie juridisch is afgeschermd, zoals Wolters Kluwer doet via haar gebruiksvoorwaarden. Wolters Kluwer kan zich voor bepaalde vormen van tekst- en datamining beroepen op artikel 4 van de Europese Richtlijn waarin voorbehoud van rechten is geregeld.
• Laag 3 is de status. De barrière is erkenning. Hier geldt institutioneel vertrouwen, professionele legitimiteit, verantwoordingsmogelijkheid en eventueel aansprakelijkheid. Zelfs met hetzelfde modelvermogen én toegang kan een taalmodel dit niet bieden, omdat de waarde zit in wie voor het antwoord instaat. Bij Financial & Corporate Compliance is dat wettelijk geregeld: in veel Amerikaanse staten moeten ondernemingen een registered agent aanwijzen voor de ontvangst van officiële stukken. Dat geeft de dienst een wettelijke functie, hoewel dit niet betekent dat iedere bijbehorende informatiedienst onaantastbaar is. Bij Legal & Regulatory berust de status op erkend gezag: de waarde van juridisch commentaar kan mede berusten op de reputatie van auteurs, redactie en uitgever. Dergelijke bronnen worden in procedures geciteerd, ook al hebben ze doorgaans geen bindende status.
• Laag 4 is lock-in. Overstapkosten zijn hier de barrière. Omdat Wolters Kluwer haar content via eigen software aan haar klanten aanbiedt en omdat die software inmiddels diep verankerd is in de bedrijfsvoering van haar klanten (dataformaten, werkprocessen, training, contracten en compliance) leidt een migratie naar een andere oplossing gauw tot hoge overstapkosten.

Beleggers lijken vooral te reageren op ontwikkelingen binnen laag 1. Die laag beweegt continu en dat is meetbaar: elke release van een nieuw taalmodel levert betere prestaties. Laag 2 beweegt schoksgewijs: de content van een uitgever wordt niet elk kwartaal meer openbaar, maar kan in één persbericht toegankelijk worden, bijvoorbeeld door een licentiedeal tussen een uitgever en een AI-lab. Laag 3 beweegt nauwelijks. Laag 4 zou kunnen eroderen als de interface tussen uitgever en klant verandert. Laag 1 is het meest zichtbaar en het gemakkelijkst aan een nieuwsgebeurtenis te koppelen, waardoor de dagkoers beïnvloed wordt. De effecten op de overige lagen zijn moeilijker te meten en worden waarschijnlijk over een langere periode in de koers verdisconteerd.

Het meest saillante voorbeeld van kwetsbaarheid voor AI-disruptie op laag 1 is misschien het Amerikaanse bedrijf Chegg, letterlijk een schoolvoorbeeld. Chegg vroeg twintig dollar per maand voor huiswerkantwoorden en had op zijn hoogtepunt ruim acht miljoen betalende abonnees en bijna 800 miljoen dollar jaaromzet. Geen exclusieve bron, geen gezaghebbende auteurs, geen wettelijke rol en weinig technische of procesmatige lock-in. ChatGPT verscheen op 30 november 2022. Mede als gevolg hiervan erkende Chegg ruim vijf maanden later (2 mei 2023) de significante inkomstenterugval en verloor het aandeel op één dag 48 procent. Van een piek van 113,51 dollar in februari 2021 naar minder dan 1 dollar nu: bijna veertien miljard dollar aan beurswaarde verdampt.

Terug naar Wolters Kluwer. Zou je AI-disruptierisico op laag 1 zonder verdere nuancering op het bedrijf als geheel projecteren, dan is de koersdaling te begrijpen. Legal & Regulatory is inderdaad kwetsbaar op laag 1: wetswijzigingen en jurisprudentie samenvatten is precies wat een generiek taalmodel goed kan.

Ook de laag-1-druk op Health is te begrijpen. Deze leek sinds kort ook goed meetbaar. Op 26 juni dit jaar publiceerde Nature Medicine een vergelijking waarin generieke modellen de gespecialiseerde klinische instrumenten van Wolters Kluwer (UpToDate Expert AI) en van het Amerikaanse product OpenEvidence versloegen op medische benchmarks: ruim 97 procent voor het beste generieke model, tegen 88 à 90 procent voor de twee gespecialiseerde producten. Ik las die uitkomst aanvankelijk als de bevestiging van druk op laag 1. Tot ik bij het weigerpercentage kwam. UpToDate weigerde negentien procent van de vragen, tegen slechts één à zes procent bij de generieke modellen. Daar manifesteert zich de kracht van laag 3: status, in dit geval opgebouwd door vertrouwen. Een specialistisch systeem mag waarschijnlijk alleen antwoorden op basis van gevalideerde eigen content; valt een vraag daarbuiten, dan weigert het een antwoord te geven. Een generiek model heeft altijd andere bronnen beschikbaar en levert gewoon, met of zonder gevalideerde onderbouwing. Wolters Kluwer reageerde dan ook met: klinische AI-instrumenten zijn niet gemaakt om benchmarks te winnen. Mogelijk zijn er ook andere factoren die een hoog weigerpercentage verklaren.

Interessant is dat de bescherming op laag 2 (toegang) en integratie met de klantensystemen op laag 4 (lock-in) toch kan leiden tot andere uitkomsten. Thomson Reuters, een branchegenoot van WKL in het juridische domein, annonceerde op 12 mei 2026 zijn eigen juridische systeem CoCounsel Legal te koppelen aan Anthropic’s product Claude. En wel via het Model Context  Protocol (MCP), een open standaard voor communicatie tussen AI-agents en externe databronnen, tools en systemen. Meer ‘open’ dus, precies in het domein waar Wolters Kluwer ‘gesloten’ bleef. Wolters Kluwer kondigde weliswaar een uitgebreide samenwerking met Anthropic’s concurrent OpenAI aan, maar dan binnen een meer gesloten architectuur. Modellen naar binnen, geïntegreerd in eigen producten, naar klanten gebracht via de eigen WKL-platforms. Diezelfde Wolters Kluwer stelde tegelijkertijd in Health juist wél haar databases open voor externe AI-agents. Er was dus geen sprake van een open uitgever tegenover een gesloten uitgever. Er was één bedrijf dat per divisie een ander antwoord gaf.

Waarom zou je als uitgever je kostbare gecureerde content openstellen voor een externe AI? Dat heeft alles te maken met de toenemende proliferatie van generieke taalmodellen bij de klanten.

In een gesloten architectuur worden klantprocessen zoveel mogelijk gefaciliteerd door de uitgever. Die koopt zelf een taalmodel in, combineert dat met de eigen gecureerde data en levert een kant-en-klaar product, of beter: dienst. Het grootste deel van de relevante interactie vindt plaats binnen de omgeving die de uitgever controleert en beheert.

Maar de klant heeft inmiddels ook een eigen AI-omgeving. En die is toegesneden op zijn eigen processen, procedures en documenten. Hij kan daarin veel verder gaan dan een uitgever ooit kan, vooral omdat een uitgever die klantcontext niet heeft.

De integratiemogelijkheden tussen beide omgevingen worden momenteel feitelijk gedicteerd door de uitgever. Toegang door AI-agents van een klant is in deze architectuur meestal (nog) niet aan de orde. En de uitgever heeft daar goede redenen voor: het kan zijn verdienmodel of marge ondergraven, zijn reputatie schaden, of de afbakening van verantwoordelijkheden en aansprakelijkheden vertroebelen.

Onder invloed van taalmodellen die worden ingezet door de klant, ontstaat er druk richting een meer open architectuur. Hierin kan de klant vanuit zijn eigen AI-omgeving de uitgever via AI-agents om informatie vragen. De afrekening tussen klant en uitgever geschiedt dan niet meer overwegend op basis van het aantal echte gebruikers (‘seats’), maar op basis van andere eenheden, zoals bijvoorbeeld volume of tokens.

De uitgever heeft nogal wat werk te verzetten om zo’n architectuur verantwoord te kunnen aanbieden. Uiteindelijk willen professionals en instituten een aansprakelijke, citeerbare bron achter het antwoord: achteraf moet je kunnen vaststellen welke vraag is gesteld, op welke versie van welke bron het antwoord was gebaseerd en wie ervoor instaat. Zonder garanties van de uitgever berust die verantwoordelijkheid volledig bij de klant en verdwijnt een reden om de uitgever te betalen.

Voor een toeleverancier die zo’n koppeling tussen klant en uitgever wil bouwen is dát de kern van zijn aanbod. Bij het verstrekken van gegevens voor professioneel gebruik gaat het dus evenzeer over het intact houden van de verantwoordingsketen.

Ten aanzien van architectuurkeuzes vaart Wolters Kluwer niet één koers. Het klinische vlaggenschip UpToDate is bewust dichtgezet — het model mag uitsluitend uit de eigen content putten, en de gebruiksvoorwaarden verbieden klanten expliciet om die content in hun eigen AI in te voeren. Wie bij haar content wil, gaat door een betaald, gecontroleerd kanaal.

En tegelijkertijd: in oktober 2025 opende diezelfde Health-divisie een betaald kanaal voor toegang tot haar klinische content. En vier maanden later, in februari 2026, een koppeling voor medicatiedata die juist wél openstaat voor externe AI-agents — gemeterd, en vooralsnog voor een beperkte groep ontwikkelaars. Twee verschillende architectuurkeuzes binnen één divisie, vier maanden na elkaar.

Misschien, en ik ben daar nog steeds niet zeker van, werkt het als volgt. Waar een product hoge kwetsbaarheid op laag 1 heeft, verlies je daar uiteindelijk van generieke taalmodellen. Als een generiek model het toch al beter doet, is afsluiten van je product vooral een reden om op termijn klanten kwijt te raken. Met hoge toetredingsbarrières op andere lagen, kan een uitgever zich die geslotenheid (nog even) veroorloven, en koopt hij tijd.

De inschatting van disruptierisico’s, afgezet tegen de investeringen en de huidige inkomstenstroom, verklaart de prioriteiten van Wolters Kluwer’s divisies beter dan principiële bedrijfsbrede afwegingen.

Mijn oorspronkelijke vraag was nu beter te beantwoorden. Maar wel anders geformuleerd dan ik hem aanvankelijk stelde. “Heeft Wolters Kluwer op termijn nog bestaansrecht” is te ongenuanceerd, want het antwoord verschilt per divisie en soms zelfs per product binnen één divisie. De echte vraag is: hoeveel weerstand bieden de verschillende beschermingslagen van de divisies en hun producten tegen AI-disruptie?

Op laag 1 kan een uitgever worden ingehaald voor zover zijn waarde uitsluitend bestaat uit informatiebewerkingen die een generiek model met vergelijkbare bronnen kan uitvoeren. Naarmate generieke modellen betrouwbaarder, actueler en betaalbaarder worden voor die taak, neemt de druk op deze laag waarschijnlijk verder toe. Op laag 2 is de gecontroleerde toegang zélf de kern van de dienstverlening en op laag 3 bepalen reputatie en status die ‘resilience’. En zelfs al zouden die drie lagen op termijn eroderen, dan nog heb je je business niet zomaar omgebouwd vanwege de hoge kosten op laag 4. Natuurlijk houdt Wolters Kluwer zo lang mogelijk de regie over deze bescherminslagen.

Wie zich wil begeven op het terrein van de interfaces tussen WKL en haar klanten, heeft een bijzonder goed verhaal nodig over het huidige en toekomstige verdienmodel van een specifieke divisie of product. En ook over de gecontroleerde transitie daarvan onder druk van de markt, met instandhouding van de verantwoordelijkheidsketen. Dat is wat ik mijn klant zou meegeven.

Het heeft nogal wat discussie met mijn AI (in dit geval Claude van Anthropic en Perplexity van Perplexity AI) gekost om tot deze conclusie te komen. Het verzamelen van feiten blijkt met de komst van AI vrijwel gratis geworden. Maar het oordeel over welke redeneerstappen het meeste gewicht in de schaal leggen, is dat niet. Daar is mijn werk naartoe verschoven, in elk geval in deze casus.

En OPmaat, dat ik dertig jaar geleden bouwde? Dat draait dus nog. En dat toont bij nader inzien vooral aan dat resilience op de hogere lagen in elk geval tijd koopt.