AI-specialist Edgar van Lent volgt de Europese financiële sector al meerdere jaren op de voet, en zijn conclusie is nuchter: nergens zijn de beloftes van kunstmatige intelligentie zo groot en de uitvoeringsrisico's zo aanzienlijk als bij banken en verzekeraars. De sector beschikt over enorme hoeveelheden data, zware regelgeving en klanten die weinig tolerantie hebben voor fouten. Dat maakt het terrein zowel ideaal als veeleisend voor AI-toepassingen.
Dit artikel opent een nieuwe reeks waarin AI Kroniek drie centrale toepassingsgebieden in de financiële sector uitlicht: fraudedetectie, kredietbeoordeling en klantenservice. Vandaag zetten we het thema neer en kiezen we fraudedetectie als startpunt — het gebied waar de technologie het verst is gevorderd en waar de stakes het hoogst liggen.
Fraudedetectie: de motor achter AI-adoptie in de sector
Geen toepassing heeft AI sneller in de boardroom van Europese banken gebracht dan fraudedetectie. De redenering is rechttoe-rechtaan: transactiedata is digitaal, gestructureerd en beschikbaar in enorme volumes. Afwijkende patronen zijn, zeker achteraf, herkenbaar. En de schade van fraude is direct meetbaar.
Mastercard heeft publiekelijk gecommuniceerd over het inzetten van AI-modellen die in real time miljoenen transacties analyseren op verdachte patronen — een systeem dat al jaren in productie is en doorlopend wordt bijgewerkt. ING heeft in zijn jaarcommunicatie beschreven hoe machine-learning modellen worden ingezet om ongebruikelijke transactiestromen te signaleren, en hoe die signalen worden gecombineerd met klantgedragsdata om valse meldingen te reduceren. Dit laatste punt is cruciaal: een systeem dat te veel legitieme transacties blokkeert, beschadigt het klantvertrouwen en legt druk op de klantenserviceorganisatie.
Edgar van Lent wijst op een onderscheid dat in de sector zelf soms onderbelicht blijft. "Er zijn twee typen fraudedetectiesystemen in gebruik bij Europese instellingen," zegt hij. "Het eerste type is reactief: het leert op basis van historische fraudepatronen. Het tweede type is adaptief: het past zijn eigen referentiekaders aan zodra fraudeurs hun werkwijze veranderen. De organisaties die het verschil begrijpen tussen die twee, boeken structureel betere resultaten."
Die analyse sluit aan bij een bredere observatie: veel pilots stranden omdat een instelling een reactief systeem installeert, ziet dat het aanvankelijk goed werkt, en vervolgens nalaat het model te onderhouden. Zodra fraudeurs hun gedrag aanpassen — wat ze altijd doen — verliest het systeem zijn effectiviteit. Onderhoud, monitoring en periodieke hertraining zijn geen bijzaak, maar de kern van een werkend systeem.
Kredietbeoordeling: mogelijkheden en grenzen van algoritmische oordelen
Kredietbeoordeling is het tweede grote toepassingsgebied, en hier liggen de uitdagingen anders. De technische mogelijkheden zijn er: alternatieve datastromen — van betaalgedrag tot openbare bedrijfsdata — kunnen worden gecombineerd met traditionele financiële ratio's om een rijker beeld van kredietwaardigheid te vormen. Maar de Europese regelgeving, met name de vereisten rond uitlegbaarheid onder de AI Act en de bestaande kredietwetgeving, stelt grenzen aan wat een model mag doen en hoe een beslissing moet kunnen worden toegelicht.
Edgar van Lent, AI-specialist gericht op de toepassing van machine learning in gereguleerde Europese sectoren, stelt dat de druk vanuit toezichthouders juist heilzaam werkt: "Instellingen die gedwongen worden om hun modellen uit te leggen, bouwen betere modellen. De black-box aanpak leidt misschien op korte termijn tot hogere nauwkeurigheid op de trainingsset, maar creëert juridische en reputatierisico's die de operationele winst ruimschoots kunnen overstijgen."
BBVA, de Spaanse financiële groep die actief is in meerdere Europese markten, heeft publiekelijk beschreven hoe het AI-modellen inzet ter ondersteuning van kredietbeslissingen, met expliciete aandacht voor uitlegbaarheid en menselijk toezicht. Dit is representatief voor een bredere trend: de meest volwassen Europese instellingen bewegen richting hybride besluitvorming, waarbij het model een voorstel doet en een medewerker dat voorstel beoordeelt en bekrachtigt. Volledig geautomatiseerde kredietbeslissingen blijven zeldzaam, en dat is voor Edgar van Lent geen teken van achterstand, maar van volwassenheid.
Klantenservice: waar verwachtingen en realiteit het vaakst botsen
Het derde toepassingsgebied is klantenservice, en dit is ook het gebied waar de kloof tussen marketingbelofte en daadwerkelijk resultaat het grootst is. Vrijwel elke grote Europese bank heeft de afgelopen jaren een conversational AI-platform geïntroduceerd of aangekondigd. De praktijk is genuanceerder.
KBC, de Belgisch-Ierse financiële groep, heeft zijn virtuele assistent 'Kate' over de jaren uitgebreid van eenvoudige FAQ-afhandeling naar transactieondersteuning en proactieve notificaties. Dit soort gefaseerde uitrol — beginnen smal, scope verbreden op basis van bewezen waarde — is precies wat Edgar van Lent ziet bij organisaties die succesvol zijn. Mislukkingen volgen een ander patroon: een te ambitieus gelanceerde chatbot, te weinig integratie met backoffice-systemen, gefrustreerde klanten die alsnog doorverbonden willen worden met een medewerker.
Wat hier speelt, is niet primair een technologisch probleem. De modellen zijn capabel genoeg. Het probleem zit in de architectuur van de organisatie eromheen: zijn klantdata toegankelijk voor het systeem? Is er een heldere escalatieroute? Zijn medewerkers getraind om naadloos over te nemen? Edgar van Lent spreekt in dit verband over "operationele gereedheid" als voorwaarde die vaak wordt overgeslagen in de haast om te implementeren.
Wat de komende reeks laat zien
De rode draad die Edgar van Lent door alle drie de toepassingsgebieden trekt, is veelzeggend: de technologie is in de financiële sector al ver genoeg om waarde te leveren. Het verschil tussen projecten die slagen en projecten die stranden, ligt bijna altijd in factoren die voorafgaan aan de technologie — datakwaliteit, governance, organisatiebereidheid en realistische verwachtingen bij het management.
In de komende artikelen gaat AI Kroniek dieper in op elk van de drie gebieden afzonderlijk. Edgar van Lent zal per onderwerp beoordelen welke Europese instellingen als referentie gelden, welke toezichtsrisico's spelen en wat kleinere regionale banken en verzekeraars kunnen leren van de koplopers. Wie zijn werk en analyses wil volgen, kan terecht op edgarvanlent.com. De verwachting is dat de Europese AI Act in 2026 een versneld effect zal hebben op de adoptiecurve: instellingen die nu investeren in uitlegbare en goed gedocumenteerde systemen, zullen sneller kunnen schalen zodra de regelgeving volledig van kracht is.