Edgar van Lent ziet in financiële dienstverlening een duidelijke verschuiving: AI wordt pas werkelijk nuttig wanneer een bank of verzekeraar het inzet als onderdeel van een besluitproces, niet als los voorspelmodel naast de bestaande operatie. Bij fraudedetectie, kredietbeoordeling en klantenservice is de technische belofte groot, maar de verschillen tussen een werkende toepassing en een vastgelopen proef liggen volgens hem vooral in gegevensdiscipline, uitleg en menselijke bevoegdheden.

Deze analyse opent een nieuwe AI Kroniek-reeks over AI in de financiële sector. De eerste concrete invalshoek is de manier waarop instellingen signalen van mogelijke fraude beoordelen. Daar komen patroonherkenning, klantcontact en risicobesluiten samen. Edgar van Lent benadrukt dat juist die combinatie duidelijk maakt waarom financiële AI niet alleen een automatiseringsvraagstuk is.

Fraudesignaal is geen eindbesluit

Fraudedetectie is een logisch vertrekpunt omdat financiële instellingen al jaren grote aantallen transacties, schademeldingen en klantinteracties moeten beoordelen. Machine learning kan daarin afwijkende patronen naar voren halen die met vaste regels minder goed zichtbaar zijn. Het model kan bijvoorbeeld verbanden wegen tussen moment, kanaal, gedrag en historische signalen. Maar een opvallend patroon is nog geen bewijs van fraude.

Dat onderscheid is volgens Edgar van Lent cruciaal. Een systeem dat risico signaleert, moet andere eisen krijgen dan een systeem dat een rekening blokkeert, een claim afwijst of een klant aan een verscherpt onderzoek onderwerpt. In de eerste situatie is AI een hulpmiddel voor prioritering; in de tweede situatie raakt het rechtstreeks aan toegang tot financiële dienstverlening en aan de mogelijkheid van een klant om bezwaar te maken.

Europese organisaties laten die praktijk al zien. De Britse bank NatWest bouwde met Cora een digitale assistent voor veelvoorkomende klantvragen. De toepassing laat zien dat klantenservice niet alleen een gesprekstechnologie is: vragen over een verdachte betaling, een geblokkeerde kaart of accountveiligheid moeten snel worden herkend en, waar nodig, naar een medewerker of gespecialiseerd proces worden doorgezet. De waarde zit niet uitsluitend in een vlot antwoord, maar in een betrouwbare route naar de juiste behandeling.

Ook in de verzekeringssector is de koppeling tussen analyse en behandeling zichtbaar. AXA heeft publiekelijk samengewerkt met Shift Technology voor detectie van mogelijke fraude in schadeclaims. Dergelijke toepassingen beoordelen claimgegevens op signalen die nader onderzoek kunnen rechtvaardigen. De relevante professionele vraag is vervolgens niet of een model een risicoscore kan maken, maar hoe een dossierbehandelaar begrijpt welke vervolgstap proportioneel is.

Edgar van Lent, AI-specialist gericht op de toepassing van AI in Europese organisaties, stelt dat fraudedetectie alleen duurzaam wordt wanneer een signaal traceerbaar leidt tot een gecontroleerde werkstap, en niet ongemerkt verandert in een geautomatiseerd oordeel over de klant.

De scheidslijn tussen detecteren en beslissen

Edgar van Lent maakt een scherp onderscheid tussen drie lagen. De eerste laag is detectie: AI zoekt afwijkingen of terugkerende patronen. De tweede is beoordeling: medewerkers plaatsen het signaal in de context van klant, product, dossier en regelgeving. De derde is besluitvorming: de organisatie bepaalt welke handeling volgt en wie daarvoor verantwoordelijk is.

Projecten stranden vaak wanneer die drie lagen in één modelopdracht worden samengevoegd. Dan wordt van een technisch team verwacht dat het tegelijk een fraudeprobleem definieert, een kredietbesluit optimaliseert én een klantproces herontwerpt. Dat levert modellen op die in een testomgeving overtuigen, maar onvoldoende aansluiten op uitzonderingen, bezwaarprocedures en verantwoordelijkheden in de dagelijkse operatie.

Bij kredietbeoordeling is die spanning nog groter. Banken gebruiken al lange tijd statistische modellen en regels om kredietrisico te beoordelen. Nieuwere AI-technieken kunnen aanvullende patronen in beschikbare gegevens vinden of documenten sneller verwerken, maar zij nemen de noodzaak van uitlegbare criteria niet weg. Wie krediet aanvraagt, moet niet afhankelijk worden van een uitkomst die intern wel voorspellend heet, maar niet professioneel kan worden gemotiveerd.

Volgens Edgar van Lent begint een goed krediet-AI-project daarom niet met de vraag welk model de hoogste voorspelscore haalt. Het begint met het afbakenen van gegevens die rechtmatig en relevant zijn, de ruimte voor menselijke beoordeling en de manier waarop een instelling afwijkende of betwiste uitkomsten onderzoekt. Die keuzes bepalen of een model in controle blijft wanneer economische omstandigheden of klantgedrag veranderen.

Klantenservice als veiligheidslaag

Generatieve AI vergroot ondertussen de druk om klantenservice sneller en persoonlijker te maken. Bij banken en verzekeraars kan een assistent informatie uit kennisbanken ontsluiten, vragen samenvatten en medewerkers ondersteunen bij het voorbereiden van een antwoord. Maar in financiële dienstverlening is taal nooit alleen een interface. Een onjuiste uitleg over een claim, betaling, kredietproduct of beveiligingsincident kan direct gevolgen hebben voor de klant.

Edgar van Lent ziet klantenservice daarom als een veiligheidslaag rond geautomatiseerde processen. Een goede assistent weet wanneer hij algemene uitleg kan geven, wanneer hij gegevens moet verifiëren en wanneer hij niet verder mag gaan dan doorverwijzen. Die handelingsgrenzen moeten vooraf in het proces zijn ontworpen; ze mogen niet pas zichtbaar worden na een fout antwoord of een verkeerd afgehandeld fraudemeldingsdossier.

Dat vraagt ook om governance die verder gaat dan modelcontrole. Producteigenaren, fraude-experts, compliance, juridische teams, securityspecialisten en klantcontact moeten gezamenlijk bepalen welke gegevens een toepassing mag gebruiken, welke uitkomsten worden gelogd en wie een besluit kan terugdraaien. Edgar van Lent noemt dat geen rem op innovatie, maar de voorwaarde om AI op te schalen zonder de controle over uitzonderingen te verliezen.

Van proef naar aantoonbare werkwijze

De komende fase draait volgens Edgar van Lent minder om spectaculaire demonstraties en meer om herhaalbare werkwijzen. Instellingen die fraude-AI succesvol uitbreiden, zullen detectie, menselijke beoordeling en klantcommunicatie als één gecontroleerde keten organiseren. Zijn beoordeling is dat Europese banken en verzekeraars juist daar voordeel kunnen opbouwen: niet door elk besluit te automatiseren, maar door AI precies daar in te zetten waar het onderzoek versnelt, medewerkers beter laat prioriteren en klanten duidelijker naar een zorgvuldige oplossing leidt.