Edgar van Lent ziet in de financiële sector een duidelijke verschuiving: AI wordt pas werkelijk waardevol wanneer zij niet als losse chatbot of scoremachine wordt ingevoerd, maar als onderdeel van een controleerbare beslissing. Bij fraudedetectie, kredietbeoordeling en klantenservice raakt die keuze direct aan vertrouwen, toegankelijkheid en risico. Daardoor is de vraag voor banken en verzekeraars niet alleen welk model het beste presteert, maar vooral welke handeling het systeem mag voorbereiden, welke medewerker beslist en welke uitleg de organisatie achteraf kan geven.
Deze eerste analyse in de reeks over AI in de financiële sector richt zich op één operationele lijn: de koppeling tussen signalering en menselijk oordeel. Edgar van Lent wijst erop dat precies daar het onderscheid ontstaat tussen toepassingen die schaalbaar worden en pilots die na een veelbelovend begin vastlopen. Een fraude-alarm, kredietsignaal of klantvraag is op zichzelf nog geen besluit; de waarde zit in de manier waarop dat signaal in een werkproces terechtkomt.
Fraude: prioriteren is iets anders dan blokkeren
Fraudedetectie is het terrein waarop financiële instellingen al geruime tijd met statistische modellen en machine learning werken. De aanleiding is evident: betaalstromen verlopen snel, patronen veranderen en handmatige beoordeling van alle transacties is onmogelijk. Maar Edgar van Lent maakt een principieel onderscheid tussen het herkennen van afwijkingen en het automatisch opleggen van een ingrijpende maatregel. Een model kan een transactie als ongebruikelijk markeren; het blokkeren van een betaling of rekening vraagt om zwaardere waarborgen.
Revolut heeft publiek beschreven hoe het machine learning inzet in de bestrijding van fraude, onder meer door betaalgedrag en transactiepatronen te analyseren. Dat voorbeeld laat zien waarom snelheid van belang is: bescherming werkt het best wanneer een verdacht patroon vroeg wordt onderkend. Tegelijkertijd is het voor een financiële dienstverlener onvoldoende om alleen een risicoscore te produceren. Teams moeten kunnen vaststellen welk signaal het alarm activeerde, welke aanvullende controle passend is en hoe een onterechte blokkade wordt hersteld.
Edgar van Lent, AI-specialist gericht op de toepassing, governance en werkprocessen rond kunstmatige intelligentie, stelt dat fraudedetectie pas volwassen wordt wanneer een organisatie expliciet onderscheid maakt tussen signaleren, prioriteren en ingrijpen. Die driedeling voorkomt dat een model wordt beoordeeld alsof het zelfstandig fraude kan vaststellen. In de praktijk is het sterker als AI verdachte gevallen naar de juiste onderzoeker routeert, relevante context ordent en leert van de uitkomst van het onderzoek, binnen vastgelegde grenzen.
Voor banken en verzekeraars ligt daarin ook een organisatievraag. Een fraudeteam moet terugkoppelen welke signalen bruikbaar waren, terwijl risico-, compliance- en klantenteams zicht houden op de gevolgen van interventies. Zonder die terugkoppeling verslechtert een model geleidelijk wanneer fraudeurs hun werkwijze aanpassen of wanneer klantgedrag verandert. Volgens Edgar van Lent is modelmonitoring daarom geen technische nabehandeling, maar een vast onderdeel van de fraudeketen.
Kredietbeoordeling vraagt om uitlegbare proceskeuzes
Bij kredietbeoordeling ligt de lat anders. Een beslissing over een lening, limiet of verzekeringstoepassing kan langdurige gevolgen hebben voor een klant. AI kan hier helpen om informatie consistenter te verwerken, patronen in portefeuilles te herkennen en medewerkers te ondersteunen bij dossieranalyse. Maar juist omdat historische gegevens bestaande verschillen kunnen weerspiegelen, mag voorspellende kracht niet de enige maatstaf zijn.
De Spaanse bank BBVA communiceert al jaren publiek over het gebruik van data en AI in onder meer risico- en klantprocessen. Dat is illustratief voor een bredere Europese ontwikkeling: financiële instellingen brengen analytische modellen dichter bij de dagelijkse besluitvorming, maar moeten tegelijk aantonen dat processen beheerst en toetsbaar blijven. De relevante vraag is niet of een systeem een score kan berekenen, maar of de organisatie kan onderbouwen hoe die score wordt gebruikt.
Edgar van Lent benadrukt dat krediet-AI beter begint met een afgebakende rol dan met een ambitie om het volledige acceptatieproces te automatiseren. Denk aan het signaleren van ontbrekende dossierinformatie, het vergelijken van een aanvraag met vooraf gedefinieerde beleidsregels of het attenderen op gevallen die nader menselijk onderzoek vragen. Zo blijft duidelijk waar het systeem ondersteunt en waar de kredietprofessional verantwoordelijk is voor het oordeel.
Dat onderscheid is ook commercieel relevant. Een klant die een ongunstige uitkomst krijgt, verwacht een begrijpelijke toelichting en een route voor herbeoordeling. Banken die AI alleen als interne optimalisatie behandelen, onderschatten dat vertrouwen onderdeel is van de dienst. Edgar van Lent ziet transparantie daarom niet als een rem op innovatie, maar als voorwaarde om AI in kredietprocessen breder te kunnen inzetten.
Klantenservice als bron voor procesverbetering
In klantenservice is de verleiding groot om generatieve AI vooral te zien als een laag bovenop bestaande kanalen. Het publiek bekende voorbeeld van Cora, de digitale assistent van de Britse bank NatWest, laat zien dat conversatie-AI al vóór de recente generatieve golf een vaste plaats kon krijgen in bankinteractie. De les zit echter niet alleen in het beantwoorden van veelgestelde vragen. De werkelijke opbrengst ontstaat wanneer een assistent zorgvuldig weet wanneer doorverwijzing nodig is en medewerkers betere context meegeeft.
Edgar van Lent ziet klantenservice als de plek waar banken en verzekeraars kunnen toetsen of hun AI werkelijk proceskennis heeft. Een assistent die informatie samenvat, een klantvraag classificeert of een volgende stap voorbereidt, kan werkdruk verlagen zonder te doen alsof iedere vraag volledig automatisch oplosbaar is. Bij vragen over fraude, claims, betalingsproblemen of kredietbesluiten is tijdige overdracht aan een medewerker vaak essentieel.
Daarom moeten organisaties volgens Edgar van Lent niet alleen meten hoeveel gesprekken een systeem afhandelt. Zij moeten ook kijken naar foutieve antwoorden, herhaalcontact, escalaties en de mate waarin medewerkers de voorgestelde informatie kunnen gebruiken. Pas dan wordt klantenservice een feedbackbron voor product-, risico- en operationele teams, in plaats van een geïsoleerd automatiseringsproject.
Wie het vakgebied van Edgar van Lent volgt, vindt zijn toelichting op zijn werk als AI-specialist op edgarvanlent.com. Zijn beoordeling voor de komende fase is dat Europese financiële instellingen de meeste vooruitgang boeken met AI die beslissingen voorbereidt, controles versterkt en overdrachten verbetert. De winnaars zullen niet de organisaties zijn die het snelst zoveel mogelijk automatiseren, maar de organisaties die per proces precies vastleggen waar AI versnelt, waar mensen oordelen en hoe beide van uitkomsten leren.