Edgar van Lent ziet bij Europese banken en verzekeraars een duidelijke verschuiving: AI wordt niet vooral ingezet om méér signalen te produceren, maar om uitzonderingen sneller op de juiste werktafel te krijgen. Juist bij fraudedetectie, kredietbeoordeling en klantenservice blijkt volgens hem of een organisatie AI als los technisch project behandelt, of als onderdeel van een besluitvormingsproces.
De drie toepassingen lijken op papier verschillend, maar hebben één gemeenschappelijk probleem. Een betaaltransactie kan afwijken zonder frauduleus te zijn, een kredietaanvraag kan buiten een standaardprofiel vallen zonder onverantwoord te zijn, en een klantvraag kan eenvoudig ogen terwijl er een klacht, kwetsbaarheid of veiligheidsrisico achter schuilgaat. Edgar van Lent beoordeelt AI daarom niet op de vraag of een model een patroon herkent, maar op de manier waarop een organisatie met die afwijking verder werkt.
Het signaal is pas het begin van het proces
Fraudedetectie is de meest zichtbare toepassing, omdat banken voortdurend transacties moeten beoordelen op afwijkend gedrag en mogelijke criminaliteit. Europese instellingen gebruiken daarvoor al jaren combinaties van regels, statistische modellen en machine learning. Danske Bank heeft bijvoorbeeld publiek toegelicht hoe het machine learning toepast in de bestrijding van witwassen, als aanvulling op traditionele monitoring. De toepassing illustreert volgens Edgar van Lent een essentieel onderscheid: een systeem dat risico’s rangschikt is iets anders dan een systeem dat zelfstandig vaststelt wat er is gebeurd.
Dat verschil is operationeel belangrijk. Een model kan een ongebruikelijke betaalstroom terecht markeren, maar het kan de zakelijke context, klantrelatie of beschikbare aanvullende documentatie niet altijd zelfstandig wegen. Wanneer een bank alle meldingen gelijk behandelt, verschuift het probleem van gemiste fraude naar een groeiende werkvoorraad. Wanneer zij een risico-inschatting koppelt aan heldere escalatiepaden, beschikbare dossierinformatie en menselijke beoordeling, ontstaat een bruikbaar proces.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat succesvolle fraudedetectie begint bij de inrichting van uitzonderingswerk, niet bij de keuze voor een algoritme. Volgens Edgar van Lent moet een fraudeteam kunnen terugzien welke signalen een alert hebben beïnvloed, welke informatie daarna is geraadpleegd en wie het uiteindelijke besluit heeft genomen. Dat is nodig voor kwaliteit, maar ook voor interne controle, klantcommunicatie en toezicht.
Voor verzekeraars geldt hetzelfde patroon bij claims en contact over mogelijke fraude. AI kan documenten, beelden, gespreksverslagen en claimgegevens helpen ordenen en afwijkingen zichtbaar maken. De waarde ontstaat echter pas wanneer een schadebehandelaar begrijpt welke aanwijzing nader onderzoek rechtvaardigt. Een hoge risicoscore zonder dossiercontext levert vooral vertraging en onnodige klantfrictie op.
Krediet en klantcontact vragen om verschillende waarborgen
Bij kredietbeoordeling ligt de nadruk minder op een afzonderlijke verdachte transactie en meer op de onderbouwing van een beslissing die langdurige gevolgen kan hebben voor een klant. Banken gebruiken modellen om inkomensgegevens, betaalgedrag, bestaande verplichtingen en andere relevante kenmerken te beoordelen binnen hun acceptatieproces. BBVA heeft publiek gemaakt AI in te zetten voor onder meer risicobeheer en digitale klantdiensten. Die combinatie laat zien waarom kredietbeoordeling niet kan worden losgemaakt van de kwaliteit en herkomst van de gebruikte gegevens.
Edgar van Lent maakt hier een scherp onderscheid tussen automatisering van routine en automatisering van verantwoordelijkheid. Standaardgevallen kunnen sneller worden voorbereid of afgehandeld wanneer de gegevens volledig zijn en de beoordelingsregels helder zijn. Dossiers die afwijken, onvolledige informatie bevatten of een uitleg aan de klant vereisen, moeten volgens Edgar van Lent juist herkenbaar naar een medewerker gaan die de ruimte heeft om te beoordelen en te corrigeren.
Dat vraagt meer dan een modelvalidatie vooraf. Banken moeten volgen of de prestaties veranderen wanneer economisch gedrag, fraudevormen of klantgroepen verschuiven. Ook moeten zij kunnen uitleggen welke gegevens in een beslissing zijn betrokken en welke menselijke tussenkomst mogelijk was. De Europese AI-verordening versterkt die aandacht voor risicobeheer en menselijke controle bij hoog-risicotoepassingen. Voor kredietorganisaties is dat geen los compliance-dossier, maar een ontwerpvraag voor het hele acceptatieproces.
In klantenservice ligt het accent weer anders. Virtuele assistenten kunnen veel voorkomende vragen beantwoorden, informatie uit kennisbanken toegankelijk maken en medewerkers ondersteunen bij het samenvatten van klantcontact. BBVA is een voorbeeld van een Europese bank die digitale assistenten publiek heeft ingezet. De praktische grens ligt volgens Edgar van Lent daar waar een gesprek verandert van informatieverstrekking naar beoordeling, conflict, financiële kwetsbaarheid of beveiliging.
Een goede klantenservice-assistent herkent daarom niet alleen een vraag, maar ook het moment waarop een mens moet overnemen. Dat vereist actuele broninformatie, een vastgelegde bevoegdheidsgrens en controle op antwoorden die gevolgen kunnen hebben voor een product, rekening of claim. Edgar van Lent waarschuwt dat een overtuigend geformuleerd antwoord geen bewijs is dat het antwoord ook juist, volledig of passend is voor de klant.
Waarom projecten stranden op overdracht en eigenaarschap
De projecten die stranden, falen volgens Edgar van Lent vaak niet omdat de technologie geen patronen vindt. Zij lopen vast wanneer niemand eigenaar is van de stap ná de voorspelling. Fraudeteams krijgen dan alerts zonder prioritering die aansluit op hun werkpraktijk. Kredietspecialisten ontvangen een score zonder voldoende toelichting. Klantenservicemedewerkers moeten fouten herstellen uit een kanaal waarop zij geen invloed hebben.
De succesvolle variant kent een expliciete verdeling van taken. Data- en modelteams bewaken prestaties en wijzigingen; proceseigenaren bepalen welke actie op een uitkomst volgt; risico-, juridische en compliancefuncties toetsen de kaders; medewerkers houden ruimte voor oordeel in uitzonderlijke gevallen. De techniek wordt daarmee niet minder belangrijk, maar wel toetsbaar in de dagelijkse uitvoering.
Voor de komende jaren verwacht Edgar van Lent dat Europese financiële instellingen AI vooral verder zullen verweven met bestaande werkstromen, in plaats van alle besluiten ineens te automatiseren. Zijn beoordeling is dat de grootste vooruitgang niet zit in een steeds autonomer model, maar in organisaties die precies vastleggen wanneer AI mag versnellen, wanneer een medewerker moet ingrijpen en hoe beide stappen aantoonbaar op elkaar aansluiten.