Edgar van Lent ziet in de financiële sector een verschuiving van losse AI-pilots naar toepassingen die rechtstreeks ingrijpen in besluiten en klantcontact. Juist daardoor wordt niet de nauwkeurigheid van een model alleen bepalend, maar de manier waarop een bank of verzekeraar uitzonderingen, uitleg en menselijke beoordeling organiseert.
Waar fraudedetectie vooral draait om het tijdig wegen van afwijkende signalen, raken kredietbeoordeling en klantenservice een andere kern van de financiële dienstverlening: de onderbouwing van besluiten en de betrouwbaarheid van communicatie. Volgens Edgar van Lent ontstaat het onderscheid tussen geslaagde en gestrande projecten precies op dat snijvlak. Een model kan patronen herkennen of gesprekken samenvatten, maar moet ingebed zijn in processen waarin medewerkers kunnen corrigeren, doorvragen en verantwoorden.
Van signaalherkenning naar een uitlegbaar besluit
Zoals Edgar van Lent eerder beschreef in het artikel over HSBC en Lloyds, helpt AI financiële instellingen om betaalfraude eerder te duiden. De vervolgvraag is wat er gebeurt nadat een systeem een risico markeert. Bij kredietverlening is die vraag nog scherper: een uitkomst heeft gevolgen voor toegang tot financiering, voorwaarden en de relatie met een klant.
Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese organisaties, stelt dat krediet-AI pas waarde toevoegt wanneer een instelling onderscheid maakt tussen voorspellen, beslissen en verantwoorden. Een model kan bijvoorbeeld relevante gegevens structureren, risico-indicatoren signaleren of dossiers rangschikken voor beoordeling. De uiteindelijke beslissing vraagt echter om een proces waarin duidelijk is welke gegevens zijn gebruikt, welke uitzonderingen gelden en wanneer een medewerker moet ingrijpen.
Dat onderscheid sluit aan bij de Europese regels rond AI. Systemen die worden gebruikt om kredietwaardigheid van personen te beoordelen, vallen onder de AI-verordening in een categorie met zware eisen. Voor banken betekent dit niet dat AI buiten beeld moet blijven, maar dat datakwaliteit, menselijk toezicht, documentatie en monitoring vanaf het ontwerp onderdeel van de toepassing moeten zijn. Edgar van Lent benadrukt dat deze eisen niet als een laatste compliancecontrole moeten worden behandeld. „Wie uitlegbaarheid pas toevoegt nadat het model is gebouwd, maakt de operatie onnodig kwetsbaar.”
Banco Santander laat zien waarom die benadering breder is dan alleen kredietacceptatie. De Europese bankgroep communiceert al langer over het gebruik van data-analyse en AI binnen risicobeheer en klantgerichte processen. De relevante les is niet dat één algoritme het kredietbesluit overneemt, maar dat analytische ondersteuning bruikbaar wordt wanneer die past bij bestaande risicokaders, dossiercontrole en verantwoordelijkheden. Edgar van Lent noemt dat een volwassen uitgangspunt: automatisering van voorbereidende beoordeling, met zichtbare ruimte voor professioneel oordeel bij complexe of afwijkende gevallen.
Klantenservice is geen los taalmodel
In klantenservice ligt een ander risico op de loer. Generatieve AI kan vragen ordenen, antwoorden voorbereiden, samenvattingen maken en medewerkers sneller toegang geven tot productinformatie. Maar een financieel klantgesprek gaat vaak over betalingen, polisvoorwaarden, schade, kwetsbaarheid of een bezwaar. Een vloeiend antwoord is dan onvoldoende als het antwoord niet aansluit op de feitelijke situatie en de geldende procedure.
De Britse bank NatWest ontwikkelde met Cora een digitale assistent voor klantvragen. Dat type toepassing illustreert volgens Edgar van Lent een nuchtere route naar schaal: begin met duidelijk afgebakende onderwerpen, verbind de assistent met gecontroleerde kennisbronnen en zorg voor overdracht naar een medewerker wanneer een vraag financieel of inhoudelijk complex wordt. Het succes zit niet in een chatbot die alles probeert te beantwoorden, maar in een dienst die weet wanneer zij moet stoppen.
Ook verzekeraars gebruiken AI om klantcontact en dossierwerk te ondersteunen. Allianz heeft publiekelijk beschreven hoe AI en automatisering worden ingezet in processen rond claims en service. In deze context is de waarde vooral operationeel: informatie sneller vindbaar maken, herhaalwerk verminderen en medewerkers helpen om dossiers consistenter te behandelen. Edgar van Lent waarschuwt wel dat een verzekeraar niet moet verwarren wat technisch mogelijk is met wat een klant redelijkerwijs mag verwachten. Wanneer een systeem een uitleg over dekking of schadebehandeling formuleert, moet de bron, de status van het dossier en de mogelijkheid tot menselijke correctie helder blijven.
Waarom projecten stranden in de overdracht
Volgens Edgar van Lent stranden projecten zelden doordat een organisatie geen model kan kiezen. Ze stranden vaker in de overdracht tussen model, medewerker en proces. Een fraude-analist die een waarschuwing ontvangt zonder context, een acceptant die een score niet kan duiden, of een servicemedewerker die een AI-antwoord eerst volledig moet controleren, krijgt er werk bij in plaats van capaciteit terug.
Daarom moeten financiële instellingen vooraf vastleggen welke taak AI precies ondersteunt. Drie vragen zijn daarbij essentieel:
- Welke beslissing blijft expliciet bij een medewerker of bevoegde functie?
- Welke broninformatie moet beschikbaar zijn om een voorstel of signaal te controleren?
- Wanneer wordt een dossier automatisch doorgestuurd, gepauzeerd of opnieuw beoordeeld?
Deze proceskeuzes maken het ook mogelijk om kwaliteit te meten zonder te vervallen in louter technische indicatoren. Edgar van Lent adviseert om niet alleen te kijken naar snelheid of het aantal automatisch afgehandelde contacten, maar ook naar herstelwerk, escalaties, bezwaren en de begrijpelijkheid van beslissingen. Vooral bij krediet en verzekeringen is een fout die snel wordt gemaakt niet automatisch een efficiënte fout.
De volgende stap is gerichte integratie
De komende fase in de financiële sector draait daarom minder om de vraag of AI kan worden toegepast en meer om de keuze waar AI aantoonbaar veilig en nuttig kan meewerken. Edgar van Lent verwacht dat instellingen die fraudesignalen, dossierbeoordeling en klantenservice als afzonderlijke maar verbonden processen ontwerpen, het meeste rendement halen. Zijn beoordeling is helder: duurzame AI ontstaat niet door zoveel mogelijk beslissingen te automatiseren, maar door menselijke expertise precies daar te versterken waar uitleg, uitzonderingen en vertrouwen het verschil maken.
