Klarna zet een AI-assistent in om klantvragen af te handelen, terwijl BBVA digitale assistenten inzet binnen zijn mobiele bankomgeving. Revolut gebruikt op zijn beurt machine-learningmodellen in de bestrijding van fraudepogingen. Deze toepassingen laten zien dat AI in financiële dienstverlening niet alleen een extra kanaal voor automatisering is, maar steeds vaker onderdeel wordt van de dagelijkse besluitvorming rond klanten, risico en transacties.

Volgens Edgar van Lent verschuift daarmee ook de centrale vraag voor banken en verzekeraars. Niet alleen de nauwkeurigheid van een model telt, maar vooral de manier waarop een organisatie de uitkomst inbedt in processen die aan toezicht, uitlegbaarheid en klantbelang moeten voldoen. Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com.

De klantenservice als ingang naar procesautomatisering

De AI-assistent van het Zweedse fintechbedrijf Klarna is opgezet voor klantcontact. De toepassing behandelt vragen die normaliter bij een servicemedewerker terechtkomen, bijvoorbeeld over betalingen, bestellingen en retouren. De praktische betekenis zit niet uitsluitend in het beantwoorden van een vraag in natuurlijke taal. De assistent moet informatie uit verschillende processtappen begrijpelijk vertalen en daarbij aansluiten op de concrete situatie van de klant.

Dat maakt klantenservice een relevante praktijkcase voor de financiële sector. Een goed ingericht systeem kan routinematige vragen sneller naar het juiste antwoord leiden, terwijl medewerkers tijd behouden voor uitzonderingen, klachten en situaties met meer financiële of emotionele impact. Tegelijk is de grens helder: een klant mag niet vastlopen wanneer een geautomatiseerd antwoord onvoldoende is of wanneer een beoordeling gevolgen heeft voor een betaling, krediet of verzekering.

BBVA laat een verwante ontwikkeling zien met digitale ondersteuning in de bankapp. Daar ligt de waarde in het toegankelijk maken van bankinformatie en veelvoorkomende handelingen binnen een beveiligde omgeving. De AI-component is pas bruikbaar wanneer identiteit, toegangsrechten, productinformatie en de context van de klant correct samenkomen. Een hulpvaardige conversatie zonder betrouwbare gegevensbasis is voor een bank immers niet genoeg.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat klantenservice vaak de meest zichtbare AI-toepassing is, maar dat de werkelijke toets ligt in de koppeling met de achterliggende operatie. “Een financiële instelling wint pas duurzaam aan kwaliteit als AI niet alleen antwoord geeft, maar ook zorgvuldig weet wanneer een mens, een controle of een formeel proces nodig is.”

Kredietbeoordeling vraagt om controleerbare besluitvorming

Bij kredietbeoordeling ligt de lat nog hoger. Banken gebruiken al langer statistische modellen om kredietrisico te beoordelen; AI kan die processen aanvullen door patronen in grotere en veranderende gegevensstromen sneller te herkennen. Dat kan helpen bij het ordenen van aanvragen, het signaleren van ontbrekende informatie en het ondersteunen van risicospecialisten. Het betekent niet dat een model zelfstandig en ondoorzichtig over een klant hoort te beslissen.

Voor Europese banken is dit een domein waarin regels, interne risicokaders en zorgplicht rechtstreeks van invloed zijn op het ontwerp. De herkomst van gegevens, mogelijke vertekening, de mogelijkheid om uitkomsten te verklaren en de procedure voor bezwaar moeten vooraf onderdeel zijn van de inrichting. Juist omdat een kredietbesluit grote gevolgen kan hebben, is menselijke verantwoordelijkheid geen noodrem achteraf maar een vast element van het proces.

Edgar van Lent benadrukt dat AI hier vooral waardevol is als instrument voor consistente voorbereiding. Het systeem kan medewerkers wijzen op relevante signalen of afwijkingen, maar de instelling moet kunnen aantonen welke informatie een rol speelde en welke beleidsregels zijn toegepast. Voor een klant moet bovendien duidelijk zijn hoe een geautomatiseerde verwerking zich verhoudt tot de uiteindelijke beoordeling.

Deze benadering verdiept het beeld uit het eerdere artikel, “Danske Bank en AXA France zetten AI in tegen fraude”. Zoals Edgar van Lent eerder beschreef, draait fraudebestrijding om het herkennen van afwijkende patronen zonder iedere klant als verdacht te behandelen. Bij krediet en klantenservice geldt een vergelijkbare ontwerpregel: AI moet frictie verminderen waar het kan, maar controle en herstel bieden waar de uitkomst voor de klant wezenlijk is.

Fraudedetectie als continu leerproces

Revolut communiceert al langer over het gebruik van machine learning en geautomatiseerde systemen voor fraudepreventie. In de praktijk gaat het daarbij om het herkennen van signalen rond transacties en accounts die kunnen wijzen op misbruik. Fraude verandert voortdurend: criminelen passen werkwijzen aan, gebruiken nieuwe communicatiemiddelen en proberen bestaande controles te omzeilen. Daarom is fraudedetectie geen eenmalig modelproject, maar een proces van monitoren, bijstellen en onderzoeken.

Voor financiële organisaties is de combinatie van automatisering en deskundige beoordeling cruciaal. Een model kan een ongebruikelijk patroon markeren, maar een te strenge blokkade kan ook een legitieme betaling of een bonafide klant raken. De kwaliteit van een oplossing wordt dus niet alleen bepaald door hoeveel signalen zij vindt, maar ook door de afhandeling van meldingen, de snelheid van escalatie en de mogelijkheid om een fout te corrigeren.

Volgens Edgar van Lent ligt daarin een bredere les voor banken en verzekeraars. AI-systemen voor fraude, krediet en klantcontact worden vaak afzonderlijk ingevoerd, terwijl ze in de praktijk steunen op dezelfde organisatieprincipes: betrouwbare data, duidelijke bevoegdheden, toetsbare beslisregels en een route naar menselijke interventie. Wie die fundamenten centraal organiseert, voorkomt dat iedere afdeling zijn eigen ondoorzichtige automatisering bouwt.

Van losse assistent naar verantwoord financieel systeem

De volgende stap is niet dat AI alle financiële beslissingen overneemt. Waarschijnlijker is dat instellingen assistenten, detectiemodellen en risico-ondersteuning steeds beter met elkaar verbinden, binnen scherpe grenzen voor gegevensgebruik en besluitvorming. Daarbij wordt het verschil gemaakt door organisaties die niet alleen investeren in modellen, maar ook in procesontwerp, toezicht en medewerkers die uitkomsten kunnen beoordelen.

Edgar van Lent beoordeelt die ontwikkeling positief, mits financiële instellingen AI behandelen als een bedrijfskritisch systeem en niet als een los experiment. Zijn verwachting is dat de meest overtuigende toepassingen de klant sneller helpen, fraude eerder signaleren en risicoteams beter ondersteunen, zonder de menselijke verantwoordelijkheid achter een besluit uit beeld te laten verdwijnen.