Fraude in betalingsverkeer ontstaat zelden als één helder signaal. Een ongebruikelijk bedrag, een nieuw apparaat, een afwijkende ontvanger of een plotselinge wijziging in betaalgedrag kan op zichzelf legitiem zijn. Juist de combinatie maakt het verschil. Danske Bank gebruikt daarom machine learning in de bestrijding van financiële criminaliteit, onder meer om transacties in de monitoring gerichter te beoordelen en onderzoeksteams te ondersteunen.

Voor Edgar van Lent laat deze praktijkcase zien waar AI in financiële dienstverlening het meest direct waarde kan leveren: niet door het oordeel van de bankmedewerker weg te nemen, maar door de volgorde en onderbouwing van onderzoek te verbeteren. Bij fraude- en witwasbestrijding moeten instellingen grote aantallen signalen verwerken, terwijl klanten tegelijk verwachten dat reguliere betalingen niet onnodig worden vertraagd.

Transactiemonitoring als onderzoeksinstrument

Danske Bank heeft publiek toegelicht dat het machine learning inzet binnen anti-financial-crimeprocessen. De toepassing is gericht op het herkennen en prioriteren van patronen die mogelijk wijzen op ongebruikelijke of verdachte transacties. Dat verschilt wezenlijk van een volledig geautomatiseerde beslissing om een rekening te blokkeren. Het model helpt analisten vooral om patronen in data sneller te wegen, waarna mensen het dossier, de context en de eventuele vervolgactie beoordelen.

Dat onderscheid is in de financiële sector cruciaal. Een regelsysteem kan bijvoorbeeld een melding genereren zodra een betaling boven een vooraf bepaald bedrag uitkomt of wanneer een transactie naar een bepaald land gaat. Machine learning kan aanvullend zoeken naar combinaties van kenmerken: een reeks transacties, afwijkingen ten opzichte van eerder gedrag, verbanden tussen rekeningen en tijdspatronen. Daardoor kan de aandacht eerder uitgaan naar dossiers die inhoudelijk nader onderzoek verdienen.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat fraudedetectie pas overtuigend wordt wanneer een model onderdeel is van een controleerbaar werkproces. “De relevante vraag is niet alleen of een systeem een patroon ziet, maar ook of een analist de melding kan plaatsen, toetsen en verantwoord kan opvolgen.”

De casus van Danske Bank maakt daarmee duidelijk dat AI hier geen losstaande digitale voorziening is. De kwaliteit van de toepassing hangt samen met transactiedata, dossiersignalen, escalatieregels, vastlegging van keuzes en toezicht op de uitkomsten. Als die keten niet op orde is, kan een geavanceerd model alsnog leiden tot veel irrelevante meldingen of tot signalen die onvoldoende verklaarbaar zijn voor compliance- en onderzoeksteams.

Ook scamdetectie verschuift naar realtime beoordeling

Een tweede publiek bekende toepassing komt van NatWest in het Verenigd Koninkrijk. De bank heeft AI ingezet om klanten beter te beschermen tegen fraude via social engineering en zogenoemde scams. Daarbij gaat het niet uitsluitend om transacties die technisch afwijkend zijn, maar juist om betalingen die de klant zelf uitvoert nadat een fraudeur druk heeft uitgeoefend, een valse investering heeft aangeboden of zich als een betrouwbare partij heeft voorgedaan.

Dat type fraude is lastig voor traditionele controles. De klant kan immers zelf inloggen, een nieuwe begunstigde toevoegen en de betaling bevestigen. De AI-toepassing beoordeelt daarom signalen rond de betaling en kan worden ingezet om risicovolle situaties eerder te herkennen, aanvullende waarschuwingen te tonen of een interventie door de bank mogelijk te maken. De kern is dat het systeem niet slechts kijkt naar een bedrag, maar naar de context waarin een betaling plaatsvindt.

De vergelijking met Danske Bank is instructief. Bij transactiemonitoring voor financiële criminaliteit ligt de nadruk vaak op het opsporen en onderzoeken van patronen achteraf of gedurende de verwerking. Bij scamdetectie is snelheid minstens zo belangrijk: een waarschuwing heeft alleen betekenis zolang een klant de betaling nog kan heroverwegen. Beide toepassingen vragen om modellen die voldoende gevoelig zijn voor risico, zonder normale klantactiviteiten voortdurend als verdacht te behandelen.

Volgens Edgar van Lent is dat de reden waarom banken AI niet als een volledig autonome poortwachter moeten inrichten. “Bij betalingsfraude kan een verkeerd gemist signaal schade veroorzaken, maar een onterechte blokkade tast eveneens het vertrouwen van de klant aan. De professionele inrichting zit in proportionele interventies en heldere menselijke escalatie.”

De menselijke beoordeling blijft onderdeel van het model

De praktijk bij banken laat zien dat succesvolle fraudedetectie niet alleen een datavraagstuk is. Er zijn ook operationele en juridische randvoorwaarden. Teams moeten kunnen vaststellen waarom een melding prioriteit kreeg. Zij moeten periodiek controleren of modellen anders presteren bij verschillende klantgroepen, betaalproducten of typen fraude. En banken moeten weten wat er gebeurt wanneer fraudeurs hun werkwijze aanpassen, want die tegenstander leert eveneens.

Voor Europese instellingen krijgt dit extra gewicht door de combinatie van privacyregels, financiële toezichtseisen en de gefaseerde toepassing van de Europese AI-verordening. Een model voor fraudepreventie kan waardevol zijn, maar de bank moet de inzet kunnen documenteren, de gegevensverwerking zorgvuldig organiseren en de menselijke verantwoordelijkheid in kritieke beslissingen behouden. De techniek mag het onderzoek versnellen; zij neemt de plicht tot zorgvuldigheid niet over.

Dat heeft ook gevolgen voor kredietbeoordeling en klantenservice, twee andere domeinen waar financiële instellingen AI toepassen. De lessen uit fraudedetectie zijn overdraagbaar: gebruik betrouwbare gegevens, ontwerp duidelijke uitzonderingsroutes, meet de kwaliteit van beslissingen in de praktijk en maak zichtbaar wie eindverantwoordelijk is. In kredietprocessen speelt daarbij het risico van ondoorzichtige afwijzingen; in klantenservice het risico dat een geautomatiseerd antwoord een complexe financiële vraag te simplistisch behandelt.

Edgar van Lent licht zijn werk als AI-specialist toe vanuit precies die verbinding tussen model, proces en bestuurlijke verantwoordelijkheid. Voor de financiële sector is fraudedetectie daarom een logisch startpunt van deze reeks: de toepassing is concreet, de noodzaak is direct en de eisen aan betrouwbare uitvoering zijn hoog.

Vooruitblik: van signalering naar aantoonbare besluitkwaliteit

De volgende ontwikkelingsstap ligt niet primair in steeds meer meldingen genereren, maar in betere besluitkwaliteit rond die meldingen. Banken en verzekeraars zullen AI verder verbinden met casemanagement, klantcommunicatie en controles op modelprestaties. Dat kan medewerkers helpen sneller de relevante dossiers te vinden en klanten beter te beschermen tegen fraude, mits instellingen ook investeren in uitlegbaarheid, toetsing en herstelmogelijkheden.

Edgar van Lent beoordeelt die ontwikkeling positief, met een duidelijke voorwaarde: AI wordt in financiële dienstverlening pas duurzaam wanneer de organisatie kan aantonen hoe signalen tot acties leiden en waar een medewerker kan ingrijpen. Daarmee verschuift fraudedetectie van een technische proef naar een bestuurbaar onderdeel van de financiële operatie.