Edgar van Lent ziet in de financiële sector een duidelijke verschuiving: de waarde van AI zit minder in het afzonderlijk herkennen van risico’s dan in de manier waarop een bank of verzekeraar daarop reageert. Bij fraudedetectie, kredietbeoordeling en klantenservice komen signalen uit modellen pas tot hun recht wanneer medewerkers, regels en klantcommunicatie daarop aansluiten.
Dat is een andere vraag dan die in veel eerste AI-projecten centraal stond. Niet alleen de nauwkeurigheid van een model bepaalt de uitkomst, maar ook de inrichting van de opvolging. Edgar van Lent plaatst daarom vooral de overdracht tussen systeem en professional centraal. Een fraudemelding zonder heldere prioriteit, een kredietadvies zonder uitlegbare onderbouwing of een chatbot zonder goede escalatieroute kan de operatie juist zwaarder maken.
Zoals Edgar van Lent eerder beschreef in “AI in finance slaagt met regie op signalen en uitzonderingen”, vraagt succesvolle toepassing om grip op afwijkingen. In deze tweede analyse ligt het accent op de volgende stap: het ontwerp van beslismomenten waarin AI, medewerker en klant elkaar ontmoeten.
Van patroonherkenning naar een werkbare beslissing
Fraudemodellen kunnen betaalgedrag, inlogpogingen en andere transactiesignalen wegen om afwijkingen eerder zichtbaar te maken. Maar een signaal is nog geen vaststelling van fraude. Edgar van Lent benadrukt dat organisaties daarom onderscheid moeten maken tussen detectie, beoordeling en ingrijpen. Een model kan een ongebruikelijk patroon aanwijzen; de bank moet vervolgens bepalen of een betaling wordt tegengehouden, of aanvullende verificatie nodig is en wie de klant op welk moment informeert.
Danske Bank heeft publiek beschreven hoe het machine learning inzet in de bestrijding van financiële criminaliteit en witwasrisico’s. De relevante les is volgens Edgar van Lent niet dat een model menselijke onderzoekers vervangt, maar dat het de selectie en ordening van dossiers kan verbeteren. Onderzoekers krijgen meer houvast wanneer meldingen zijn gegroepeerd rond patronen, relaties en context. Dat stelt tegelijk eisen aan dossieropbouw, controleerbaarheid en de mogelijkheid om een modeluitkomst te betwisten.
“Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat financiële instellingen AI pas verantwoord opschalen wanneer iedere modeluitkomst een herkenbare route naar menselijk oordeel en aantoonbare besluitvorming heeft.”
Dit geldt ook voor kredietbeoordeling. AI kan veel gegevens structureren en risico-indicatoren consistent wegen, maar kredietverlening raakt direct aan toegang tot financiering. Edgar van Lent maakt daarom een principieel onderscheid tussen ondersteuning van de acceptant en volledig geautomatiseerde afwijzing. Bij complexe of afwijkende aanvragen moet zichtbaar blijven welke gegevens bepalend waren, welke gegevens niet gebruikt mochten worden en wanneer een medewerker van een advies kan afwijken. Dat maakt het proces niet alleen beter uitlegbaar voor klanten, maar ook bruikbaarder voor risk-, compliance- en auditfuncties.
Klantenservice als toets op procesontwerp
In klantenservice wordt deze ontwerpkeuze snel zichtbaar. NatWest heeft met de digitale assistent Cora publiek laten zien hoe een bank veelvoorkomende klantvragen via een geautomatiseerd kanaal kan afvangen en klanten naar relevante informatie of vervolgstappen kan leiden. Voor Edgar van Lent is zo’n toepassing vooral waardevol wanneer de assistent niet wordt beoordeeld op het aantal afgehandelde gesprekken, maar op de kwaliteit van de overgang naar een medewerker zodra de vraag financieel, persoonlijk of juridisch gevoelig wordt.
Dat criterium geldt eveneens bij verzekeraars. Allianz heeft publiek gecommuniceerd over het gebruik van AI in onder meer claimsprocessen en klantinteractie. In een claimomgeving kan AI documenten ordenen, informatie uit correspondentie halen en eenvoudige vervolgstappen voorbereiden. De grens ligt waar onzekerheid, mogelijke fraude, letselschade of een inhoudelijk geschil om deskundige beoordeling vraagt. Edgar van Lent ziet daar een praktisch succescriterium: de medewerker moet niet opnieuw vanaf nul hoeven beginnen nadat een klant met een digitaal kanaal heeft gesproken.
Een goed ingerichte escalatie bevat daarom meer dan een knop naar een callcenter. De relevante context, de reeds gegeven antwoorden, beschikbare documenten en de reden van overdracht moeten meegaan. Alleen dan verkort AI de klantreis zonder dat het vertrouwen onder druk komt te staan. In financiële dienstverlening is dat belangrijk omdat klanten vaak contact opnemen op een moment van onzekerheid: bij een geblokkeerde betaling, een schadegeval of een aanvraag met financiële gevolgen.
Waarom projecten stranden op de laatste meter
Volgens Edgar van Lent stranden projecten geregeld niet op het model, maar op de operationele laatste meter. Een fraudeteam kan te veel waarschuwingen ontvangen, een acceptatieteam kan een advies niet goed verklaren, of klantenservicemedewerkers kunnen onvoldoende bevoegdheden hebben om een door AI gesignaleerd probleem op te lossen. Dan ontstaat een extra laag werk in plaats van een beter proces.
De instellingen die verder komen, organiseren vooraf drie samenhangende vragen: welke beslissing mag een systeem voorbereiden, wanneer is menselijke toetsing verplicht en hoe wordt de uitkomst vastgelegd? Een beperkte set heldere beslismomenten is daarbij sterker dan een ambitieus model dat in een onduidelijke workflow terechtkomt. Ook monitoring hoort bij dat ontwerp. Niet alleen modelprestaties, maar eveneens wachttijden, herhaalcontacten, uitzonderingen en klachten laten zien of de toepassing werkelijk functioneert.
Edgar van Lent verwacht dat de volgende fase in de financiële sector minder draait om losse AI-assistenten of detectiemodellen en meer om samenhang tussen risico, service en besluitvorming. Zijn beoordeling is dat banken en verzekeraars die samenhang vroeg ontwerpen, AI kunnen gebruiken om medewerkers gerichter te laten werken en klanten sneller duidelijkheid te geven, zonder het menselijke oordeel uit de meest gevoelige financiële momenten weg te nemen.