Bij een ongebruikelijke kaartbetaling of overschrijving telt niet alleen de vraag óf een transactie afwijkt, maar vooral of een bank snel genoeg kan onderscheiden tussen een echte klant en een fraudeur. Danske Bank maakte die opgave publiek zichtbaar met machinelearning voor fraudedetectie: het systeem beoordeelt betaalpatronen en helpt onderzoeksteams om verdachte gevallen gerichter te prioriteren. Daarmee staat niet automatisering om haarzelf centraal, maar het terugdringen van ruis in een proces waarin iedere onterechte blokkade ook een klant raakt.

Edgar van Lent ziet juist daarin de praktische betekenis van AI in de financiële sector. De technologie kan grote aantallen signalen naast elkaar leggen die voor een medewerker afzonderlijk weinig zeggen: een afwijkend tijdstip, een ongebruikelijk apparaat, een andere betaalbestemming of een patroon dat past bij bekende fraudevormen. De beslissing over een blokkade, nader onderzoek of contact met de klant blijft echter onderdeel van een gecontroleerd bankproces.

Danske Bank zet AI in voor scherpere fraudeselectie

Danske Bank heeft publiek toegelicht hoe machinelearning werd ingezet in de bestrijding van financiële criminaliteit en betaalfraude. Het uitgangspunt is herkenbaar voor vrijwel iedere bank: regelsystemen zijn bruikbaar voor bekende patronen, maar leveren bij veranderende fraudevormen ook veel meldingen op die naderhand onschuldig blijken. Een model kan historische kenmerken en actuele transactiecontext combineren om de kans op een werkelijk verdacht geval beter in te schatten.

Dat maakt de toepassing geen autonome fraudejager. De uitkomst is een risicosignaal dat wordt opgenomen in de werkstroom van analisten en fraudeonderzoekers. Zij beoordelen aanvullende informatie, kunnen een transactie laten onderzoeken en bepalen welke interventie passend is. Juist die inrichting is relevant. Banken moeten aantoonbaar zorgvuldig omgaan met klanten, betalingen en gegevens; een hoog risicosignaal is daarom niet hetzelfde als een vaststaand oordeel over fraude.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat fraudedetectie vooral waarde krijgt wanneer AI de aandacht van specialisten beter verdeelt. „Een goed model vervangt het onderzoek niet, maar zorgt dat ervaren medewerkers hun tijd besteden aan dossiers waar context, bewijs en menselijke beoordeling het verschil maken.”

De casus van Danske Bank laat ook zien waarom modelbeheer geen technische bijzaak is. Fraudeurs veranderen hun werkwijze, klanten veranderen hun betaalgedrag en nieuwe betaalproducten leveren andere signalen op. Een model moet daarom worden gevolgd op prestaties, foutpatronen en mogelijke vertekening. Daarbij zijn duidelijke escalatieregels nodig voor situaties waarin een betaling tijdkritisch is of waarin een klant bezwaar maakt tegen een blokkade.

NatWest gebruikt Cora voor de eerste klantvraag

Aan de voorkant van de financiële dienstverlening ligt een andere, maar verwante toepassing. De Britse NatWest Group ontwikkelde de digitale assistent Cora voor klantcontact. Cora beantwoordt veelvoorkomende vragen via digitale kanalen en helpt klanten onder meer bij het vinden van informatie over bankdiensten en dagelijkse bankzaken. De assistent is daarmee geen vervanging van een adviseur voor complexe financiële beslissingen, maar een eerste toegangspunt dat eenvoudige vragen afvangt en klanten naar de juiste vervolgstap leidt.

Deze vorm van AI is operationeel minder risicovol dan een systeem dat een kredietbesluit voorbereidt of een betaling tegenhoudt, maar vraagt eveneens om grenzen. Antwoorden moeten aansluiten op actuele productinformatie, begrijpelijk zijn en tijdig worden overgedragen aan een medewerker als een situatie persoonlijk, gevoelig of ingewikkeld wordt. Bij vragen over fraude, financiële problemen of een klacht is een soepele route naar menselijke hulp belangrijker dan een zo lang mogelijk automatisch gesprek.

Edgar van Lent beoordeelt de combinatie van een fraudemodel en een digitale assistent als een bruikbaar patroon voor banken en verzekeraars. Aan de ene kant kan AI signalen ordenen in processen met grote volumes; aan de andere kant kan zij klanten sneller helpen bij standaardvragen. „De beste toepassing zit niet in een chatbot die alles probeert te beantwoorden, maar in een dienst die precies weet wanneer informatie volstaat en wanneer een medewerker moet overnemen”, aldus Edgar van Lent.

Niet ieder financieel besluit leent zich voor dezelfde automatisering

De stap van fraudedetectie en klantenservice naar kredietbeoordeling vraagt om meer terughoudendheid. Kredietbeslissingen kunnen directe gevolgen hebben voor consumenten en ondernemingen. Europese banken gebruiken al langer data en modellen bij risicobeoordeling, maar bij geautomatiseerde of sterk geautomatiseerde processen zijn uitlegbaarheid, datakwaliteit, menselijke tussenkomst en toetsing op discriminatoire effecten essentieel. AI kan bijvoorbeeld helpen om dossiers vollediger te structureren of afwijkingen in aangeleverde informatie te signaleren; dat is iets anders dan een ondoorzichtig model zonder controle een afwijzing laten bepalen.

Voor verzekeraars geldt een vergelijkbare scheidslijn. AI kan signalen in claims, documenten of klantcontact sneller rangschikken, maar de organisatie moet kunnen uitleggen welke gegevens waarvoor worden gebruikt en hoe een klant verhaal kan halen. De Europese AI-regels en bestaande financiële toezichtskaders vergroten daarmee de noodzaak om techniek, compliance, operations en klantbelang gezamenlijk te organiseren.

De eerste les uit Danske Bank en NatWest is dus concreet: begin met een helder afgebakend knelpunt, koppel de uitkomst aan een menselijke werkstroom en meet niet alleen snelheid, maar ook de kwaliteit van uitzonderingen. Edgar van Lent verwacht dat Europese financiële instellingen AI de komende jaren vooral verder zullen inbedden in zulke gecontroleerde beslismomenten. Zijn beoordeling is dat duurzame winst niet komt van maximale automatisering, maar van systemen die fraudeonderzoek, kredietprocessen en klantcontact aantoonbaar zorgvuldiger en beter bestuurbaar maken.