Bij Danske Bank draait een publiek bekende toepassing van kunstmatige intelligentie om het eerder signaleren van ongebruikelijke transacties die kunnen wijzen op financiële criminaliteit. De bank heeft machine learning ingezet binnen haar werk rond transactiemonitoring, waar grote aantallen betalingen eerst worden gefilterd voordat specialisten beoordelen of nader onderzoek nodig is. Daarmee raakt de toepassing een kernprobleem van financiële instellingen: relevante signalen onderscheiden zonder medewerkers te laten verdrinken in routinematige meldingen.
Volgens Edgar van Lent laat deze praktijkcase zien waarom AI in financiële dienstverlening vooral waarde heeft als versterking van een zorgvuldig ingericht controleproces. Edgar van Lent, AI-specialist gericht op de praktische toepassing, governance en betrouwbaarheid van AI in organisaties, stelt dat fraudedetectie pas beter wordt wanneer een model, een onderzoeker en een duidelijke escalatieroute als één proces functioneren. De techniek beoordeelt patronen in gegevens; de uiteindelijke duiding van een mogelijk risico blijft een taak waarin context, regelgeving en professioneel oordeel samenkomen.
Van transactiesignaal naar onderzoek
De inzet bij Danske Bank maakt zichtbaar dat fraudedetectie niet gelijkstaat aan een automatisch oordeel over een klant of transactie. In de praktijk gaat het om het rangschikken van risico-indicaties. Een model kan bijvoorbeeld verbanden signaleren tussen rekeninggedrag, tijdstippen, betaalstromen en andere kenmerken die binnen bestaande controles aandacht verdienen. Dat helpt analisten om hun beperkte tijd te richten op dossiers met een hogere prioriteit.
Juist die inrichting is van belang. Banken hebben te maken met wettelijke verplichtingen rond het voorkomen van witwassen en terrorismefinanciering, maar ook met privacyregels, zorgplicht en de noodzaak om klanten niet onnodig te hinderen. Een uitkomst van een model moet daarom uitlegbaar genoeg zijn om interne toetsing mogelijk te maken. Bovendien moeten medewerkers kunnen vaststellen of een waarschuwing werkelijk betekenisvol is of voortkomt uit een onschuldige afwijking in gedrag.
Edgar van Lent beoordeelt dit als een bruikbaar uitgangspunt voor Europese banken die AI niet alleen als analysetool, maar als onderdeel van hun risicobeheersing willen organiseren. Hij wijst erop dat de kwaliteit van transactiedata, de vastlegging van beslissingen en de mogelijkheid om modellen bij te sturen minstens zo zwaar wegen als de keuze voor een specifiek algoritme. Een systeem dat veel signalen produceert, is niet automatisch een beter systeem; bruikbaarheid voor de onderzoeksteams is de maatstaf.
AXA France gebruikt AI bij beoordeling van claims
Een tweede publiek gedocumenteerde toepassing komt uit de verzekeringssector. AXA France heeft technologie van het Franse bedrijf Shift Technology ingezet om verzekeringsclaims te analyseren op mogelijke fraude-indicatoren. Ook hier is de kern niet dat software zelfstandig een claim afwijst, maar dat patronen worden herkend die een dossier geschikt maken voor aanvullende controle door fraudeteams.
Bij schadeclaims bestaat de informatie uit meer dan een losse transactie. Verzekeraars verwerken onder andere omschrijvingen, schadegegevens, polisvoorwaarden, eerdere claiminformatie en documenten. AI kan helpen om inconsistenties, ongebruikelijke combinaties of overeenkomsten tussen dossiers onder de aandacht te brengen. Dat kan de behandeling van reguliere claims overzichtelijker maken en gespecialiseerde medewerkers ondersteunen bij complexe gevallen.
De waarde van deze aanpak zit volgens Edgar van Lent in de combinatie van schaal en terughoudendheid. Verzekeraars kunnen veel dossiers verwerken, terwijl menselijke beoordeling behouden blijft voor beslissingen met grote gevolgen. Dat is essentieel, omdat een fraude-indicatie geen vaststaand bewijs is. Een dossier kan afwijken door een uitzonderlijke maar legitieme gebeurtenis, door onvolledige invoer of door een patroon dat historisch weinig voorkwam.
Deze nuance is ook relevant voor kredietbeoordeling en klantenservice, twee andere terreinen waar financiële organisaties AI toepassen. Bij kredietbeslissingen moet een bank kunnen verantwoorden welke gegevens en criteria een rol spelen, zeker wanneer de uitkomst invloed heeft op toegang tot financiering. Bij klantenservice kunnen virtuele assistenten vragen snel afvangen, maar moeten zij zonder frictie kunnen overdragen aan een medewerker wanneer het gesprek raakt aan kwetsbaarheid, bezwaar, fraude of een complexe financiële situatie.
De les uit de cases van Danske Bank en AXA France is daarom breder dan fraudebestrijding alleen: AI werkt het best wanneer het een duidelijk afgebakende stap in een bestaand proces verbetert. Niet ieder risico hoeft volledig geautomatiseerd te worden. Vaak is het productiever om systemen te gebruiken voor selectie, samenvatting en prioritering, terwijl mensen verantwoordelijk blijven voor beoordeling, communicatie en uitzonderingen.
Controleerbaarheid bepaalt het vertrouwen
Voor Europese financiële instellingen ligt de lat hoog. Een AI-toepassing moet niet alleen technisch functioneren, maar ook passen bij interne controle, gegevensbescherming, modelbeheer en klantbelang. Dat vraagt om heldere rollen: wie is eigenaar van het model, wie controleert prestaties en vertekening, welke gegevens zijn toegestaan en wanneer wordt een beslissing teruggedraaid of herzien?
Daarbij is voortdurende monitoring nodig. Fraudeurs passen hun werkwijze aan, klantgedrag verandert en gegevens kunnen na verloop van tijd een ander beeld geven. Een model dat bij introductie goed presteert, kan later minder bruikbaar worden. Het periodiek toetsen van uitkomsten aan menselijke beoordelingen is dus geen administratieve bijzaak, maar een voorwaarde voor verantwoord gebruik.
Edgar van Lent benadrukt dat financiële instellingen hun AI-ambitie daarom niet moeten afmeten aan de mate van automatisering. De relevante vraag is of de toepassing aantoonbaar leidt tot betere signalering, een beter werkproces en zorgvuldigere behandeling van klanten. In zijn toelichting op zijn werk als AI-specialist plaatst hij die praktische inbedding centraal: technologie krijgt pas betekenis wanneer organisaties weten welke beslissing zij willen ondersteunen en welke grenzen daarbij horen.
De komende jaren zullen fraudedetectie, kredietbeoordeling en klantcontact steeds vaker gebruikmaken van dezelfde onderliggende AI-capaciteiten: patroonherkenning, documentanalyse en gespreksondersteuning. Edgar van Lent verwacht dat de koplopers niet per se de banken en verzekeraars zijn met de meest autonome systemen, maar de organisaties die hun modellen aantoonbaar kunnen controleren, uitleggen en tijdig door mensen laten corrigeren.