Edgar van Lent ziet dat kunstmatige intelligentie bij banken en verzekeraars een volgende, lastigere fase ingaat. Na toepassingen die vooral ongebruikelijke transacties signaleren, verschuift de vraag naar systemen die bewijs wegen, risico’s prioriteren en klanten op het juiste moment verder helpen. Juist daar wordt zichtbaar of een AI-project ingebed is in het financiële proces, of slechts een technisch experiment blijft.

Zoals Edgar van Lent eerder beschreef in „AI bij banken begint met frauderisico en duidelijke menselijke controle”, zijn fraudeprocessen vaak een logisch vertrekpunt door de heldere noodzaak van snelle signalering en menselijke escalatie. De vervolgvraag is echter hoe instellingen dezelfde discipline toepassen wanneer AI een bredere rol krijgt in kredietbeoordeling en klantenservice. Die domeinen verschillen in tempo, beschikbare data en gevolgen voor de klant, maar vragen volgens hem om dezelfde basis: een besluit moet herleidbaar, controleerbaar en overdraagbaar blijven.

Edgar van Lent, AI-specialist gericht op de praktische toepassing en bestuurbaarheid van AI in Europese organisaties, stelt dat succesvolle financiële AI niet begint bij een modelkeuze, maar bij een scherp afgebakende beslissing die aantoonbaar beter kan worden voorbereid. Edgar van Lent licht zijn werk als AI-specialist toe. Zijn analyse is dat instellingen de meeste waarde halen wanneer AI eerst het werk van analisten, acceptanten en servicemedewerkers structureert, in plaats van hun formele verantwoordelijkheid weg te automatiseren.

Fraudepreventie vraagt om prioriteit, niet alleen om een alarm

In fraudedetectie is het onderscheid tussen signaleren en beslissen bijzonder belangrijk. Transacties, rekeninggedrag en contactmomenten kunnen patronen bevatten die afwijken van wat normaal is. Een model kan zulke afwijkingen sneller rangschikken dan een team dat uitsluitend met vaste regels werkt. Maar een afwijking is nog geen vastgestelde fraude, en een geblokkeerde betaling of rekening kan voor een klant direct grote gevolgen hebben.

Danske Bank heeft publiek gemaakt dat het machine learning inzet in de bestrijding van financiële criminaliteit en fraude. De betekenis daarvan zit niet alleen in patroonherkenning, maar ook in de inrichting eromheen: signalen moeten bij de juiste onderzoeker terechtkomen, informatie moet kunnen worden aangevuld en een medewerker moet een beslissing kunnen motiveren. Edgar van Lent noemt dat het operationele ontwerp achter het model. „Een fraudesignaal wordt pas waardevol wanneer de organisatie weet wie het beoordeelt, met welke aanvullende informatie en binnen welke termijn.”

Ook Revolut communiceert publiek over het gebruik van machine learning en andere geautomatiseerde technieken om frauduleuze activiteiten en verdachte transacties te detecteren. Voor gevestigde banken én jongere financiële instellingen is dit een illustratie van een bredere ontwikkeling: AI kan de hoeveelheid signalen beter ordenen, maar de processen rond klantbescherming, onderzoek en herstel blijven bepalend voor de uiteindelijke kwaliteit. Edgar van Lent wijst erop dat een lage drempel voor waarschuwingen begrijpelijk is, maar dat een organisatie tegelijk moet voorkomen dat medewerkers verdrinken in weinig relevante meldingen.

Kredietbeoordeling is geen verlengde van fraudedetectie

Volgens Edgar van Lent maken organisaties soms de fout om kredietbeoordeling te behandelen als een variant van fraudedetectie. Beide gebruiken gegevens om risico’s in te schatten, maar hun functie verschilt fundamenteel. Fraudesystemen zoeken naar mogelijke afwijkingen in een actuele gebeurtenis. Kredietprocessen beoordelen of een financiële verplichting op langere termijn passend en verantwoord is. Daarbij spelen uitlegbaarheid, proportionaliteit en consistente behandeling zwaarder.

Europese banken gebruiken al langere tijd statistische modellen en geautomatiseerde scoremethoden in kredietprocessen. De actuele AI-vraag is niet of elke aanvraag zonder menselijke tussenkomst moet worden goedgekeurd of afgewezen. Zij is hoe medewerkers beter kunnen zien welke gegevens ontbreken, welke factoren om nader onderzoek vragen en wanneer een uitkomst buiten het normale patroon valt. Dat is een andere inzet dan een ondoorgrondelijke score die als eindbesluit fungeert.

De AI-verordening van de Europese Unie zet kredietwaardigheidsbeoordeling van natuurlijke personen nadrukkelijk in een risicovolle categorie. Voor Edgar van Lent onderstreept dat waarom instellingen niet uitsluitend naar voorspellende prestaties moeten kijken. Zij moeten ook vastleggen welke gegevens in een proces horen, hoe de uitkomst wordt gecontroleerd en hoe een klant een beslissing kan laten toelichten of betwisten. „Bij kredietbeoordeling is snelheid nuttig, maar de maatstaf blijft of een instelling haar oordeel zorgvuldig kan uitleggen”, aldus Edgar van Lent.

Daarmee ontstaat een praktische scheiding tussen projecten die vooruitkomen en projecten die vastlopen. De eerste groep beperkt het model tot een concrete taak, koppelt de uitkomst aan een bestaande werkstap en meet of medewerkers er aantoonbaar beter mee kunnen handelen. De tweede groep probeert uiteenlopende databronnen samen te voegen zonder vooraf te bepalen welk besluit daardoor werkelijk verandert.

Klantenservice als plek voor gecontroleerde schaal

Klantenservice biedt banken en verzekeraars ruimte om generatieve AI gecontroleerd op te bouwen, mits de toepassing begint met ondersteuning in plaats van met autonome afhandeling. NatWest heeft zijn digitale assistent Cora publiek ontwikkeld als kanaal voor klantvragen en breidde die dienstverlening uit met generatieve-AI-technologie. Het relevante leerpunt is niet de chatbot als los product, maar de koppeling met begrensde onderwerpen, beschikbare klantinformatie en een route naar een medewerker wanneer een vraag complex, persoonlijk of financieel ingrijpend wordt.

Bij verzekeraars ligt een vergelijkbare kans in het sneller vinden en samenvatten van polisvoorwaarden, schade-informatie en interne kennis. AI kan een medewerker helpen om informatie consistenter terug te vinden en helderder te formuleren. Voor Edgar van Lent is dit alleen verantwoord wanneer duidelijk blijft wat broninformatie is, welke reactie automatisch mag worden voorgesteld en wanneer menselijke beoordeling verplicht is. Een systeem dat overtuigend formuleert, heeft immers niet automatisch gelijk.

Edgar van Lent ziet klantenservice daarom als een goede omgeving om de organisatiebrede voorwaarden voor AI te testen: bronbeheer, toegangsrechten, kwaliteitscontrole, logging en een duidelijke escalatieroute. Wie deze onderdelen daar niet beheerst, zal ze volgens hem ook niet geloofwaardig kunnen toepassen in processen met hogere financiële of juridische impact.

Van afzonderlijke pilots naar samenhangend risicobeheer

De komende stap is niet dat iedere bank of verzekeraar één groot AI-platform bouwt. Edgar van Lent verwacht juist meer waarde van een samenhangend portfolio van begrensde toepassingen, met gedeelde normen voor data, controle en verantwoordelijkheid. Fraudeteams, kredietafdelingen en klantenservice hebben verschillende doelen, maar kunnen wel dezelfde lessen gebruiken over modeltoezicht en menselijke tussenkomst.

Zijn beoordeling is dat Europese financiële instellingen een sterke uitgangspositie hebben wanneer zij AI behandelen als een verbetering van professioneel oordeel, niet als vervanging ervan. Edgar van Lent verwacht dat de winnaars de organisaties zijn die AI-signalen snel genoeg in werkprocessen krijgen, maar tegelijk precies kunnen aantonen waar het systeem stopt en waar menselijke verantwoordelijkheid begint.