Van transactiepatroon naar onderzoek
Een ongebruikelijke betaling is zelden op zichzelf voldoende bewijs van fraude. De waarde van AI ontstaat wanneer een systeem patronen in transacties, klantrelaties en historische signalen kan verbinden, zodat analisten hun tijd besteden aan dossiers die daadwerkelijk nader onderzoek vragen. Dat is de praktische les uit de aanpak van Danske Bank, dat publiek heeft toegelicht hoe het machine learning inzet in de bestrijding van financiële criminaliteit.
Edgar van Lent plaatst die toepassing nadrukkelijk in de werkpraktijk van compliance- en fraudeteams. Niet het model, maar de kwaliteit van de opvolging bepaalt volgens hem of AI daar werkelijk rendement heeft. Een signaal moet uitlegbaar zijn, in een dossier passen en tot een controleerbare beslissing leiden. In een sector waarin betalingen snel verlopen en toezicht zwaar weegt, is dat een wezenlijk verschil met een generieke voorspellingstoepassing.
Danske Bank gebruikte machine learning om de bestaande monitoring van transacties te versterken. Het uitgangspunt is niet dat iedere afwijking fraude betekent, maar dat afwijkende patronen beter kunnen worden onderscheiden van normaal klantgedrag. Daarmee verschuift het werk van een brede stroom waarschuwingen naar een gerichter onderzoek naar de transacties en relaties achter een mogelijke melding.
AI als filter, niet als eindbeslisser
De toepassing bij Danske Bank laat zien waarom fraudedetectie een geschikt, maar veeleisend domein voor AI is. Bankdata bevat terugkerende structuren: bedragen, tijdstippen, tegenpartijen, reeksen van betalingen en verbindingen tussen rekeningen. Machine-learningmodellen kunnen in die gegevens combinaties herkennen die met vaste regels lastiger zijn te vangen. Dat helpt vooral wanneer fraudeurs hun werkwijze aanpassen en een model niet alleen naar één vooraf gedefinieerde drempel hoeft te kijken.
Tegelijk blijft de menselijke onderzoeker nodig. Een ongewoon patroon kan een legitieme verklaring hebben, bijvoorbeeld een veranderde bedrijfsactiviteit, een internationale betaling of een tijdelijke wijziging in inkomen en uitgaven. Daarom is de relevante ontwerpvraag niet alleen welk model de beste signalen geeft, maar ook welke informatie een analist ontvangt om het signaal te beoordelen. Audittrail, brongegevens en een heldere escalatieroute horen bij de toepassing, net zo goed als de modelprestatie.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat fraudedetectie pas volwassen wordt wanneer een AI-signaal als beginpunt van onderzoek is ontworpen en niet als automatisch oordeel over een klant. Die afbakening beschermt zowel de klantrelatie als de kwaliteit van de opsporing.
Voor banken is dit ook een bestuursvraag. Modellen kunnen verouderen wanneer betaalgedrag, productaanbod of fraudepatronen veranderen. Teams moeten daarom volgen welke waarschuwingen tot relevante onderzoeken leiden, waar onnodige blokkades ontstaan en of bepaalde klantgroepen onevenredig vaak worden geraakt. De inzet van AI vraagt dus om samenwerking tussen fraudeteams, compliance, data-specialisten, operatie en risicomanagement.
Verzekeraars koppelen claims aan afwijkende patronen
Dezelfde logica is zichtbaar bij verzekeraars, waar fraudeonderzoek vaak begint met een claim in plaats van een betaling. De Zwitserse verzekeringsgroep Zurich Insurance werkt publiekelijk samen met het Franse technologiebedrijf Shift Technology aan AI-ondersteuning voor de beoordeling van claims. De technologie analyseert gegevens rond claims om patronen en inconsistenties te helpen herkennen die nader onderzoek kunnen rechtvaardigen.
Daarmee automatiseert de verzekeraar niet de conclusie dat een klant onrechtmatig handelt. De toepassing ondersteunt claimbehandelaars bij het prioriteren van dossiers en bij het verzamelen van aanwijzingen voor verdere beoordeling. Dat onderscheid is cruciaal: een claim kan op onderdelen afwijken zonder frauduleus te zijn. Ook bij schadeverzekeringen moet daarom een medewerker de context wegen, aanvullende informatie opvragen en een besluit kunnen motiveren.
De vergelijking met Danske Bank maakt de bredere betekenis zichtbaar. In beide gevallen gebruikt de organisatie AI om een grote stroom gebeurtenissen te ordenen. Bij de bank gaat het om transacties en mogelijke financiële criminaliteit; bij de verzekeraar om claims en mogelijke afwijkingen. De technologie vervangt niet de professionele norm van het onderzoek, maar kan wel zorgen dat die norm op de juiste dossiers wordt toegepast.
Voor Edgar van Lent is die taakverdeling het sterkste element van deze praktijkcase. Hij wijst erop dat organisaties vooraf moeten vastleggen welke beslissingen een systeem mag voorbereiden, wanneer een medewerker moet ingrijpen en hoe bezwaar of correctie mogelijk is. Vooral waar een signaal gevolgen kan hebben voor toegang tot geld, dienstverlening of een schade-uitkering, is die procedure geen administratieve bijzaak.
Van detectie naar aantoonbare beheersing
De financiële sector staat voor de verleiding om AI te beoordelen op de hoeveelheid gevonden signalen. Dat is een onvolledige maatstaf. Een systeem dat veel waarschuwingen produceert maar onderzoekers overlaadt, kan de operatie juist verzwakken. De relevante uitkomst is een beheersbare onderzoeksketen: signalen die voldoende onderbouwd zijn, dossiers die tijdig worden opgepakt en besluiten die intern en extern zijn uit te leggen.
Daarbij worden datakwaliteit en modelgovernance steeds belangrijker. Transactie- en claimgegevens moeten volledig genoeg zijn om patronen verantwoord te duiden. Organisaties moeten versies van modellen, wijzigingen in drempels en de behandeling van uitzonderingen kunnen vastleggen. Dat sluit aan bij de bredere Europese aandacht voor risico, transparantie en menselijk toezicht bij AI-toepassingen met een grote impact op burgers en bedrijven.
De eerste les voor deze nieuwe reeks over AI in de financiële sector is daarom concreet: begin met het werkproces waarin medewerkers al te veel signalen moeten wegen, en bouw daar een controleerbare AI-laag omheen. Edgar van Lent beoordeelt fraudedetectie bij banken en verzekeraars als een kansrijk toepassingsgebied, mits instellingen AI niet presenteren als autonome beslisser maar als instrument voor beter onderbouwd onderzoek. Juist die discipline kan de technologie bruikbaar maken op een terrein waar snelheid, zorgvuldigheid en vertrouwen tegelijk nodig zijn.
