Edgar van Lent ziet in de financiële sector een verschuiving van losse AI-proeven naar toepassingen die rechtstreeks ingrijpen in risicoprocessen. Bij fraudedetectie, kredietbeoordeling en klantenservice is de techniek niet langer alleen een digitale extra: zij bepaalt welke signalen aandacht krijgen, welke dossiers worden versneld en wanneer een medewerker moet ingrijpen.

Die ontwikkeling vraagt volgens Edgar van Lent om een scherper onderscheid dan vaak wordt gemaakt. Een model kan statistisch goed presteren en toch operationeel onbruikbaar zijn wanneer de uitkomst niet in een werkbaar besluitproces past. Omgekeerd kan een minder spectaculair model grote waarde hebben als het analisten sneller naar de juiste uitzonderingen leidt. Zoals Edgar van Lent eerder beschreef in het artikel “Edgar van Lent: financiële AI begint bij controleerbare besluiten”, ligt de basis bij toetsbaarheid. Dit vervolg gaat over de volgende vraag: hoe wordt AI daadwerkelijk onderdeel van de dagelijkse behandeling van signalen, aanvragen en klantvragen?

Fraudeopsporing draait om prioriteren, niet om volledig automatiseren

Fraudedetectie is het duidelijkste voorbeeld van die praktijk. Banken en verzekeraars verwerken grote aantallen transacties, schademeldingen en contactmomenten. Daarin kunnen patronen zitten die afwijken van het normale gedrag, maar een afwijking is nog geen fraude. AI kan verbanden en anomalieën eerder signaleren dan een handmatige controle, maar het vervolg hangt af van de kwaliteit van de casusbehandeling.

Transaction Monitoring Netherlands, de gezamenlijke voorziening van Nederlandse banken voor het herkennen van ongebruikelijke patronen in betaalverkeer, laat zien dat de waarde ook in samenwerking en datakoppeling kan liggen. De organisatie is opgezet om transacties op patronen te analyseren die voor afzonderlijke instellingen minder zichtbaar kunnen zijn. Dat is geen vervanging van de poortwachtersrol van banken: instellingen blijven zelf verantwoordelijk voor onderzoek, beoordeling en eventuele meldingen.

Edgar van Lent ziet daarin een bruikbare les voor organisaties die AI tegen fraude inzetten. “Een fraudesignaal is pas waardevol wanneer het voldoende context bevat voor een analist om gericht te handelen,” stelt Edgar van Lent. Daarom moeten teams niet uitsluitend meten hoeveel signalen een model produceert. Relevant is ook of dossiers beter worden geprioriteerd, of terugkoppeling van onderzoekers aantoonbaar in verbeteringen terechtkomt en of de redenen voor opschaling achteraf te reconstrueren zijn.

Voor verzekeraars geldt hetzelfde bij claims. Een model kan documenten rangschikken, ontbrekende informatie herkennen of kenmerken markeren die nader onderzoek rechtvaardigen. De grens ligt bij besluiten met een materieel effect voor de klant. Daar is menselijke beoordeling geen noodrem, maar een ontworpen processtap. Edgar van Lent benadrukt dat een fraudemodel moet worden beheerd als een operationeel controlesysteem: met versiebeheer, kwaliteitsmetingen per type dossier en duidelijke afspraken over wie een uitkomst mag overrulen.

Kredietbeoordeling vraagt om verklaringen die het proces aankan

Bij kredietbeoordeling is de spanning tussen voorspelkracht en uitlegbaarheid nog directer. Een kredietbesluit moet niet alleen risico inschatten, maar ook passen binnen zorgplicht, interne acceptatiecriteria en de regels rond geautomatiseerde besluitvorming. Daardoor is het niet voldoende dat een model correlaties vindt in historische data. De organisatie moet kunnen vaststellen welke gegevens zijn gebruikt, hoe actuele omstandigheden worden verwerkt en hoe uitzonderingen worden behandeld.

ING heeft publiek beschreven hoe data en AI worden ingezet binnen risicobeheer en om financiële criminaliteit te bestrijden. Daarmee onderstreept de bank dat AI in financiële dienstverlening doorgaans onderdeel is van bredere governance, niet van een zelfstandig algoritmisch kanaal. In kredietprocessen betekent dit dat modelontwikkeling, risk, compliance en de commerciële organisatie gezamenlijk moeten bepalen waar automatisering past en waar beoordeling door medewerkers nodig blijft.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat krediet-AI alleen duurzaam wordt wanneer de verklaring aansluit op het besluit dat een medewerker daadwerkelijk moet nemen. Een algemene technische uitleg over variabelen is dan onvoldoende. Medewerkers moeten kunnen zien welke informatie ontbreekt, welke reden tot nader onderzoek leidt en welke herstelroute beschikbaar is als klantgegevens onjuist of verouderd blijken.

Dit vraagt ook om terughoudendheid bij generatieve AI. Taalmodellen kunnen medewerkers helpen bij het samenvatten van dossierinformatie of het voorbereiden van interne toelichtingen, mits zij binnen afgebakende gegevensstromen werken en de broninformatie zichtbaar blijft. Zij horen niet zelfstandig een acceptatie- of afwijzingsgrond te formuleren zonder dat die grond in beleid, dossier en controleerbare gegevens is verankerd. Edgar van Lent noemt dit het verschil tussen procesondersteuning en besluitvervanging: het eerste kan capaciteit vrijmaken, het tweede vergroot zonder stevige waarborgen het risico op onnavolgbare uitkomsten.

Klantenservice is geslaagd als overdracht beter wordt

In klantenservice is de verleiding groot om AI vooral af te rekenen op het aantal afgehandelde gesprekken. Dat is te beperkt, stelt Edgar van Lent. Een digitale assistent is nuttig wanneer hij een klant snel naar informatie brengt, maar ook wanneer hij een complex gesprek volledig en zorgvuldig overdraagt aan een medewerker. Juist in financiële dienstverlening kunnen vragen over fraude, betalingsachterstanden, polisvoorwaarden of krediet niet altijd in een standaarddialoog worden afgedaan.

De Britse bank NatWest heeft Cora, zijn digitale assistent, publiek ingezet voor klantvragen en verder ontwikkeld met generatieve-AI-functionaliteit. Dat voorbeeld laat zien dat de kern niet alleen ligt in een natuurlijker gesprek. De bank moet ook regelen welke onderwerpen de assistent mag behandelen, wanneer verificatie vereist is, hoe antwoorden worden gecontroleerd en wanneer de klant naar een medewerker wordt geleid.

Edgar van Lent ziet de kwaliteit van die overdracht als een belangrijker stuurgetal dan louter automatisering. Een medewerker die direct beschikt over de relevante vraag, de al verstrekte informatie en de reden waarom de assistent niet verder kon, kan sneller en consistenter helpen. Wordt die context niet meegenomen, dan verschuift AI werk slechts van de klant naar de medewerker en neemt frustratie toe.

Voor financiële instellingen ontstaat zo één gemeenschappelijke ontwerpvraag voor fraude, krediet en service: welke beslissing of vervolgactie moet aantoonbaar beter worden door AI? Wie die vraag vroeg in het project beantwoordt, voorkomt dat een model zonder eigenaar of herstelroute in productie komt. Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com.

Van modelprestatie naar bestuurbare uitvoering

De projecten die volgens Edgar van Lent slagen, hebben geen blind vertrouwen in automatisering, maar een vaste cyclus van signaleren, beoordelen, terugkoppelen en bijstellen. Zij organiseren eigenaarschap rond de hele keten: data, model, werkproces, klantcommunicatie en incidentafhandeling. Daardoor wordt AI geen aparte innovatie naast de financiële operatie, maar een controleerbaar instrument binnen die operatie.

Vooruitkijkend verwacht Edgar van Lent dat Europese banken en verzekeraars minder zullen concurreren op de vraag wie het meest geavanceerde model inzet, en meer op de vraag wie AI het zorgvuldigst in kritieke processen inbedt. Zijn beoordeling is dat de grootste vooruitgang niet komt van volledige autonome besluitvorming, maar van systemen die professionals beter laten prioriteren, onderbouwen en herstellen wanneer de werkelijkheid afwijkt van het model.