Fraude is voor de Europese financiële sector geen marginaal probleem. Betalingsfraude, identiteitsdiefstal en valse verzekeringsclaims kosten de sector elk jaar miljarden euro's. Dat maakt fraudedetectie een van de meest urgente en tegelijk meest concrete toepassingsgebieden voor kunstmatige intelligentie in het Europese bedrijfsleven. Edgar van Lent, AI-specialist bij AI Kroniek, volgt de ontwikkelingen in de sector op de voet en constateert dat de verschuiving van regelgebaseerde systemen naar machine learning inmiddels breed is ingezet — met tastbare resultaten.
Waar vroegere fraude-detectiesystemen werkten met vaste drempelwaarden en handmatig opgestelde regels, leren hedendaagse AI-modellen patronen herkennen in enorme hoeveelheden transactiedata. Die patronen zijn te subtiel en te variabel om door mensen of statische regels betrouwbaar te worden gevat. Het gevolg is dat moderne systemen sneller reageren, minder legitieme transacties onterecht blokkeren en tegelijkertijd een hoger percentage echte fraude onderscheppen.
ING en de aanpak van betalingsfraude
ING, met activiteiten in meer dan twintig Europese landen, heeft publiekelijk beschreven hoe het machine learning-modellen inzet om betalingstransacties in realtime te beoordelen. Het systeem analyseert per transactie tientallen signalen tegelijk: de locatie van de betaling, het tijdstip, het gedragspatroon van de rekeninghouder en de ontvanger, en afwijkingen ten opzichte van historisch gebruik. Transacties die buiten het verwachte patroon vallen, worden automatisch tegengehouden of gemarkeerd voor nader onderzoek.
Wat de aanpak onderscheidt van eerdere generaties systemen, is de aandacht voor zogenoemde false positives — gevallen waarbij legitieme transacties ten onrechte worden geblokkeerd. Dat is niet alleen een klantervaringsprobleem, maar ook een kostenkwestie: elk onterecht geblokkeerd geval vraagt om handmatige verificatie. Door modellen te trainen op zowel frauduleuze als legitieme transacties, en die modellen continu bij te werken, streven banken zoals ING naar een betere balans tussen detectienauwkeurigheid en klantvriendelijkheid.
Allianz en de strijd tegen verzekeringsfraude
In de verzekeringsbranche speelt een vergelijkbare ontwikkeling. Allianz, een van de grootste Europese verzekeraars, heeft beschreven dat het AI-modellen inzet bij de beoordeling van schadeclaims. Het systeem vergelijkt ingediende claims met historische patronen en externe databronnen om claims te identificeren die statistisch afwijkend zijn — een indicatie dat nadere controle nodig is. Dat kan gaan om dubbele claims, ongebruikelijke schadeomschrijvingen of inconsistenties tussen de ingediende documentatie en andere beschikbare gegevens.
De meerwaarde zit hem niet alleen in het opsporen van fraude, maar ook in het versnellen van de behandeling van gewone, rechtmatige claims. Doordat het systeem een groot deel van de routinematige beoordeling overneemt, kunnen medewerkers hun aandacht concentreren op complexe of verdachte gevallen. Dat levert zowel efficiëntiewinst op als een betere klantervaring voor de meerderheid van de verzekerde klanten.
Kredietbeoordeling en de grenzen van algoritmische besluitvorming
Naast fraudedetectie past een toenemend aantal Europese financiële instellingen AI toe bij kredietbeoordelingen. Traditionele scoringmodellen zijn grotendeels gebaseerd op een beperkt aantal variabelen: inkomen, betalingsgeschiedenis, schuldniveau. Machine learning-modellen kunnen een breder scala aan signalen meewegen en daarmee potentieel nauwkeuriger inschatten of een aanvrager een lening kan terugbetalen.
Maar juist hier liggen gevoelige grenzen. De Europese AI Act, die financiële dienstverlening als een hoogrisicotoepassing aanmerkt, stelt strikte eisen aan transparantie en uitlegbaarheid van geautomatiseerde besluiten. Dat betekent dat banken moeten kunnen verklaren waarom een kredietaanvraag is afgewezen — een eis die botst met de inherente complexiteit van sommige machine learning-modellen. Edgar van Lent wijst erop dat dit een reële spanningsverhouding is: "De technische capaciteiten van AI gaan op sommige vlakken sneller dan de juridische en ethische kaders die nodig zijn om ze verantwoord in te zetten. Dat is geen reden om niet te innoveren, maar wel een reden om zorgvuldig te zijn in de keuze van modellen en de manier waarop besluiten worden onderbouwd."
Verschillende banken, waaronder ABN AMRO in Nederland, hebben publiekelijk aangegeven te werken aan zogenoemde explainable AI-toepassingen voor kredietprocessen — modellen waarvan de redenering stap voor stap inzichtelijk kan worden gemaakt voor zowel klanten als toezichthouders.
Klantenservice: van chatbot naar contextueel begrip
Een derde toepassingsgebied dat snel volwassen wordt, is de klantenservice. Waar een eerste generatie chatbots vooral werkte met vaste beslisbomen en trefwoordherkenning, maken grotere financiële instellingen inmiddels gebruik van grote taalmodellen die vragen in natuurlijke taal begrijpen en beantwoorden. ING en andere Europese banken hebben dergelijke systemen in productie, waarbij het systeem klantverzoeken interpreteert, koppelt aan rekeninginformatie en passende antwoorden of vervolgacties genereert.
De winst ten opzichte van traditionele klantenservice zit in beschikbaarheid en schaalbaarheid: een AI-assistent werkt rond de klok en kan grote aantallen gesprekken tegelijkertijd verwerken zonder wachttijden. Tegelijkertijd blijft menselijke escalatie noodzakelijk voor complexe vragen of gevoelige situaties — iets waarover de sector, mede door toezichthoudende druk, vrij eensgezind is.
Vooruitblik: volwassenwording vraagt om governance
De richting is helder: AI wordt in de Europese financiële sector geen experiment meer, maar infrastructuur. Fraudedetectie, kredietbeoordeling en klantenservice zijn daarbij de meest rijpe toepassingsgebieden, maar de komende jaren zullen ook risicobeheer, compliance-monitoring en vermogensbeheer verder worden geautomatiseerd.
Edgar van Lent, die zijn analyses over AI-adoptie in het Europese bedrijfsleven publiceert op edgarvanlent.com, benadrukt dat de volwassenwording van AI in de financiële sector staat of valt met de kwaliteit van governance: "De instellingen die het verst komen, zijn niet per se degenen met de krachtigste modellen. Het zijn de organisaties die erin slagen om AI-besluitvorming te verankeren in duidelijke verantwoordelijkheden, toetsbare kaders en echte menselijke controle op de uitkomsten. Dat is de randvoorwaarde voor duurzame schaalvergroting."
In de komende delen van deze reeks gaat AI Kroniek dieper in op specifieke deelgebieden: van de rol van AI bij toezicht en compliance tot de manier waarop verzekeraars predictive modeling inzetten om risico's te prijzen.