Edgar van Lent, AI-specialist gericht op de toepassing van machine learning in gereguleerde sectoren, stelt dat de financiële industrie inmiddels voorbij de pioniersfase is — maar dat het verschil tussen instellingen die waarde oogsten en instellingen die vastlopen groter is dan ooit. Waar de eerste generatie AI-pilots nog relatief eenvoudig te vergelijken was, spelen succesvolle Europese banken en verzekeraars nu op een fundamenteel ander niveau. De vraag is niet langer óf AI wordt ingezet, maar hoe de interne organisatie bepaalt of die inzet tot structurele verbetering leidt.
Zoals Edgar van Lent eerder beschreef in het vorige artikel over fraudedetectie, kredietbeoordeling en klantenservice, zijn dit de drie domeinen waar Europese financiële instellingen het meest concreet bouwen aan AI-gedreven processen. In dit verdiepende deel richt de analyse van Edgar van Lent zich op een vraag die in de praktijk centraler staat dan de keuze van het algoritme: welke organisatorische en methodologische voorwaarden bepalen of een implementatie daadwerkelijk volwassen wordt?
De dataketenproblem: waar de meeste projecten struikelen
Wie met practitioners in de Europese bankensector spreekt, hoort keer op keer dezelfde klacht: modellen presteren uitstekend in de testomgeving en vallen terug zodra ze in productie draaien. Edgar van Lent wijst op een structureel patroon achter dit fenomeen. "Het probleem zit zelden in het model zelf. Het zit in de dataketen die het model voedt — en in de aanname dat die keten stabiel blijft."
Europese grootbanken als ING en BNP Paribas hebben publiekelijk beschreven hoe zij hun datakwaliteitsbeheer moesten herinrichten voordat AI-toepassingen schaalbaar werden. ING werkt al jaren aan een datamesh-architectuur die gegevens dichter bij de producerende teams brengt, zodat de kwaliteit van invoer beter bewaakt kan worden. BNP Paribas heeft investeringen gedaan in centrale dataplatformen die meerdere AI-toepassingen — van fraudedetectie tot klantpersonalisatie — vanuit één gecontroleerde databron bedienen. Geen van beide instellingen heeft hier exacte rendementen bij gepubliceerd, maar de strategische prioriteit is onmiskenbaar zichtbaar in hun publieke technologierapporten.
Edgar van Lent benadrukt dat deze keuze voor infrastructuur bóven algoritme het kenmerk is van instellingen die AI duurzaam inzetten. "Wie begint met het model en terugwerkt naar de data, bouwt op drijfzand. Wie begint met de datacyclus en vervolgens het model kiest, bouwt iets wat schaalbaar is."
Het domeinexpertprobleem: modellen zonder context falen
Een tweede breukpunt dat Edgar van Lent stelselmatig tegenkomt, is de scheiding tussen data scientists en domeinexperts. In kredietbeoordelingsprocessen bij middelgrote Europese banken ziet hij een terugkerend patroon: een AI-model wordt gebouwd door een centraal datateam, gevalideerd op historische data, en vervolgens overgedragen aan de business — zonder dat kredietanalisten structureel betrokken waren bij de keuze van variabelen of de interpretatie van modeluitkomsten.
De consequentie is voorspelbaar: het model herkent geen contextfactoren die voor een ervaren kredietanalist vanzelfsprekend zijn, en de business vertrouwt het model niet genoeg om er daadwerkelijk op te steunen. De werkelijke besluitvorming blijft dan bij de mens, terwijl het model op papier bestaat. "Je hebt dan een AI-project, maar geen AI-implementatie," zegt Edgar van Lent. "Het model leeft in een dashboard, niet in het proces."
Europese verzekeraars tonen een contrasterend voorbeeld. Allianz en AXA hebben in publieke technologiecommunicatie beschreven hoe zij domeinexperts — underwriters, fraudespecialisten, schaderegelaars — structureel inbedden in modelontwikkelteams. De rol van de domeinexpert verschuift daarbij van eindgebruiker naar co-ontwikkelaar: zij bepalen mee welke signalen het model moet leren herkennen, en zij valideren tussentijdse resultaten op praktische bruikbaarheid. Dit verhoogt niet alleen de modelkwaliteit, maar ook de acceptatiegraad in de operationele praktijk.
Regulering als structurerende kracht, niet als rem
Een aspect dat in het maatschappelijk debat over AI in finance zelden genuanceerd aan bod komt, is de rol van regulering. De neiging bestaat om toezichtsvereisten — zoals de eisen van de Europese AI Act en de sectorspecifieke kaders van de ECB en EIOPA — primair te zien als beperkende factoren. Edgar van Lent keert die redenering om.
"Regulering dwingt instellingen na te denken over uitlegbaarheid, datakwaliteit en governance voordat een model live gaat. Dat zijn precies de factoren die anders te laat aandacht krijgen." In zijn beoordeling zijn Europese financiële instellingen door het zwaardere regulatoire klimaat gedwongen een hogere basisstandaard te hanteren dan vergelijkbare spelers buiten Europa — wat op termijn structureel betere en robuustere AI-systemen oplevert, ook al verloopt de initiële implementatie trager.
De opkomst van model risk management-frameworks, waarbij banken hun AI-modellen onderwerpen aan onafhankelijke validatie vergelijkbaar met traditionele risicomodellen, is hier een directe uiting van. De ECB heeft in haar supervisory expectations expliciet aandacht besteed aan de robuustheid van interne modellen, inclusief modellen met een machine learning-component.
Vooruitblik: van pilots naar portfoliobeheer
De komende jaren verwacht Edgar van Lent een verdere verschuiving in hoe Europese financiële instellingen naar hun AI-activiteiten kijken. De fase van geïsoleerde pilots is grotendeels voorbij; wat nu telt is het beheren van een portfolio van AI-systemen die elk hun eigen levenscyclus, datavereisten en validatieschema's hebben. Dat vereist een nieuwe managementdiscipline die de sector nog aan het ontwikkelen is.
"Het onderscheid dat we de komende twee jaar gaan zien, is niet tussen instellingen die AI gebruiken en instellingen die dat niet doen. Het onderscheid loopt tussen instellingen die AI-portfoliobeheer serieus nemen en instellingen die blijven werken met een verzameling losse projecten zonder gemeenschappelijke governancestructuur."
Edgar van Lent licht zijn werkwijze en visie op AI-implementaties verder toe via edgarvanlent.com. Voor instellingen die de volwassenheidsstap willen zetten, is de boodschap helder: de technologie is beschikbaar, maar de organisatorische discipline bepaalt het resultaat.