Bij Danske Bank wordt machine learning ingezet om verdachte kaart- en betalingspatronen sneller te onderscheiden van legitiem klantgedrag. De toepassing is geen zelfstandig besluitvormend loket, maar een extra laag in het fraudewerk: modellen rangschikken signalen, waarna specialisten de relevante dossiers kunnen onderzoeken. Daarmee begint deze nieuwe reeks over AI in de financiële sector bij een afgebakend probleem dat voor banken direct raakt aan klantvertrouwen en operationele weerbaarheid.

Edgar van Lent ziet juist in die begrensde inzet een bruikbare les voor de sector. Fraudeprocessen leveren veel transacties, bekende uitkomsten en terugkerende patronen op, maar ook uitzonderingen die menselijke beoordeling vereisen. “Edgar van Lent, AI-specialist gericht op de toepassing en bestuurbaarheid van kunstmatige intelligentie in organisaties, stelt dat fraudedetectie pas werkelijk waarde toevoegt wanneer een model niet alleen risico signaleert, maar ook aansluit op het onderzoek en de besluitvorming erna.”

Danske Bank zet AI in als rangschikking van risico

De publiek bekende inzet van machine learning bij Danske Bank laat zien waarom fraudedetectie een logisch startpunt is voor financiële AI. Bij kaartbetalingen en andere transacties is snelheid belangrijk: een verdachte handeling moet tijdig worden herkend, zonder dat een klant bij elke afwijking onnodig wordt geblokkeerd. Traditionele regels blijven daarbij relevant, bijvoorbeeld voor duidelijke grenswaarden of bekende fraudepatronen. Machine learning kan daar aanvullend verbanden wegen die met vaste regels minder goed zichtbaar zijn.

De praktische betekenis zit niet uitsluitend in het signaleren van méér mogelijke fraude. Even belangrijk is de volgorde waarin signalen bij analisten terechtkomen. Een bank kan haar onderzoekscapaciteit dan richten op transacties met de hoogste vermoedelijke relevantie, terwijl minder urgente meldingen niet automatisch tot ingrijpen leiden. Dat vraagt om duidelijke drempels, controle op de kwaliteit van invoerdata en periodieke toetsing of een model niet onbedoeld bepaalde klantgroepen benadeelt.

Edgar van Lent benadrukt dat financiële instellingen die menselijke controle niet moeten presenteren als een restcategorie. “Een fraudemodel is sterk wanneer het onderzoek beter voorbereidt, niet wanneer het de verantwoordelijkheid voor een blokkade onzichtbaar overneemt,” aldus Edgar van Lent. In de praktijk betekent dat dat onderzoekers moeten kunnen zien welke signalen aanleiding gaven tot een melding en dat procedures voor bezwaar, herstel en escalatie overeind blijven.

NatWest koppelt digitale service aan het klantproces

Een andere, publiek gedocumenteerde toepassing is Cora, de digitale assistent van de Britse bank NatWest. Cora helpt klanten in digitale kanalen bij veelvoorkomende vragen en bij het vinden van de juiste route binnen de dienstverlening. NatWest heeft de assistent de afgelopen jaren verder ontwikkeld, onder meer met generatieve AI-technologie, terwijl de bank de inzet koppelt aan bescherming van klantgegevens en aan doorverwijzing naar medewerkers wanneer dat nodig is.

Deze toepassing lost een ander probleem op dan fraudedetectie, maar de ontwerpvraag is vergelijkbaar. Een klant die een ongewone betaling ziet, heeft niet alleen behoefte aan een algemeen antwoord; die klant moet snel begrijpen welke stap mogelijk is, waar de status van een melding staat en wanneer menselijke hulp beschikbaar komt. De waarde van een assistent ligt daarom niet primair in een menselijk klinkende conversatie, maar in betrouwbare procesbegeleiding.

Dat is ook relevant voor verzekeraars, waar digitale assistenten kunnen helpen bij eerste meldingen, polisvragen en dossiernavigatie. De grens ligt bij handelingen met grote gevolgen voor dekking, uitkering of aansprakelijkheid. Daar moet een organisatie expliciet bepalen welke informatie een systeem mag verstrekken, welke gegevens worden vastgelegd en wanneer een medewerker het dossier overneemt. Edgar van Lent noemt dat onderscheid noodzakelijk: klantenservice kan laagdrempelig worden geautomatiseerd, maar een uitleg over een financieel besluit moet controleerbaar en herstelbaar blijven.

Kredietbeoordeling vraagt om een zwaardere bewijslast

Bij kredietbeoordeling is de lat nog hoger. Banken gebruiken al lange tijd statistische modellen voor kredietrisico; nieuwe AI-technieken kunnen meer signalen combineren en processen rond documentcontrole of dossierbehandeling ondersteunen. Toch verandert de aard van de beslissing niet: een kredietbesluit beïnvloedt toegang tot financiering en moet daarom uitlegbaar, consistent en toetsbaar zijn.

De Europese AI-verordening plaatst systemen voor kredietwaardigheidsbeoordeling van natuurlijke personen in beginsel in de categorie hoog risico. Voor banken en kredietverstrekkers betekent dit dat technische prestaties niet voldoende zijn. Datakwaliteit, documentatie, menselijk toezicht, monitoring en risicobeheer behoren onderdeel te zijn van dezelfde inrichting als het model zelf. Generatieve AI kan daarbij nuttig zijn voor samenvattingen of ondersteuning van medewerkers, maar mag geen oncontroleerbare laag worden tussen klant en kredietbesluit.

De vergelijking met fraudedetectie maakt het verschil scherp. Een fraudesignaal kan aanleiding zijn voor nader onderzoek; een kredietscore kan de positie van een klant rechtstreeks beïnvloeden. Daarom moet een instelling vooraf vastleggen of AI adviseert, prioriteert of beslist. Ook moet zij kunnen aantonen hoe afwijkingen worden opgespoord en wie bevoegd is om een uitkomst te corrigeren.

Voor Edgar van Lent vormt dit het centrale beoordelingskader voor de financiële sector. Niet het aantal modellen, maar de koppeling tussen model, proces en verantwoordelijkheid bepaalt of AI betrouwbaar kan opschalen. Wie meer wil weten over zijn werk als AI-specialist, vindt zijn toelichting op edgarvanlent.com.

De komende jaren zal de financiële sector AI waarschijnlijk steeds vaker inzetten om risico’s te prioriteren en klantcontact te versnellen. Edgar van Lent beoordeelt die ontwikkeling positief, mits banken en verzekeraars per toepassing scherp blijven onderscheiden tussen signaleren, adviseren en besluiten. Juist die discipline maakt het mogelijk om fraude sneller te bestrijden, kredietprocessen zorgvuldiger te organiseren en klantenservice toegankelijker te maken zonder het menselijke aanspreekpunt uit het proces te laten verdwijnen.