Edgar van Lent ziet dat kunstmatige intelligentie in de financiële sector pas werkelijk waarde krijgt wanneer zij niet alleen patronen herkent, maar ook zorgvuldig wordt ingebed in de besluitvorming. Bij fraudedetectie, kredietbeoordeling en klantenservice draait het verschil tussen een veelbelovende proef en een bruikbaar systeem volgens hem om de inrichting van uitzonderingen, menselijke beoordeling en aantoonbare controle.
De financiële sector beschikt over grote stromen transacties, klantcontacten en risicosignalen. Daardoor ligt AI voor de hand, maar juist daar is de tolerantie voor fouten beperkt. Een onterecht geblokkeerde betaling, een slecht uitlegbare kredietuitkomst of een chatbot die een kwetsbare klant niet goed doorverwijst, raakt direct aan vertrouwen. Edgar van Lent plaatst de vraag daarom niet primair bij de nauwkeurigheid van het model, maar bij de manier waarop een organisatie met de uitkomst werkt.
Fraude-AI is sterk in signaleren, niet in zelfstandig oordelen
Bij fraudedetectie is patroonherkenning een duidelijke kracht van machine learning. Danske Bank heeft publiek beschreven hoe het machine learning inzet in de bestrijding van financiële criminaliteit, met het doel om relevante signalen beter te onderscheiden binnen grote aantallen transacties. De praktische betekenis daarvan is niet dat een algoritme de opsporing overneemt. De technologie helpt analisten om hun aandacht te richten op dossiers en patronen die nadere beoordeling verdienen.
Edgar van Lent noemt dat onderscheid essentieel. Een fraudemodel kan afwijkingen zien die voor een medewerker in een lange transactiereeks moeilijk zichtbaar zijn, maar een afwijking is nog geen bewezen fraude. De bank moet vastleggen wanneer een alert wordt onderzocht, wie een blokkade of melding autoriseert en hoe uitkomsten terugvloeien naar het modelbeheer. Zonder die keten ontstaat al snel een systeem dat veel signalen produceert, maar onvoldoende houvast biedt voor een consistente actie.
Dat geldt ook voor verzekeraars. Daar kan AI worden toegepast om afwijkende kenmerken in claims of documenten te signaleren en om dossiers te prioriteren. De toegevoegde waarde zit dan in een betere volgorde van behandeling, niet in een ondoorzichtige automatische afwijzing. Edgar van Lent benadrukt dat organisaties vooraf moeten bepalen welke signalen louter een onderzoek starten en welke gegevens nooit op zichzelf een verstrekkend besluit mogen dragen.
Kredietbeoordeling vraagt om uitlegbaarheid in de werkstroom
Kredietbeoordeling stelt een andere eis aan AI. Waar fraudedetectie vooral zoekt naar onverwachte combinaties en afwijkend gedrag, beïnvloedt kredietacceptatie rechtstreeks de toegang van klanten tot een financieel product. Daarom moet een bank niet alleen weten dat een model een uitkomst geeft, maar ook kunnen reconstrueren welke gegevens, regels en controles in de behandeling zijn gebruikt.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat krediet-AI alleen duurzaam is wanneer de menselijke beoordelaar niet wordt gereduceerd tot een formele handtekening onder een onbegrepen advies. De beoordelaar moet kunnen zien waar de casus afwijkt van de standaardroute, welke aanvullende informatie nodig is en wanneer het modeladvies terzijde moet worden geschoven.
Europese banken werken al langer met geautomatiseerde risicomodellen en digitale kredietprocessen. De relevante stap is nu om AI niet als los scoringsinstrument toe te voegen, maar te verbinden met dossieropbouw, bezwaarafhandeling, modelmonitoring en klantcommunicatie. Edgar van Lent ziet vooral risico in projecten die beginnen met een ambitieuze voorspelling, maar pas later nadenken over de vraag hoe medewerkers uitzonderingen documenteren. Juist die uitzonderingen maken zichtbaar of het proces bestuurbaar blijft.
Zoals Edgar van Lent eerder beschreef in het artikel over Rabobank en Klarna, wordt AI bruikbaar wanneer deze in een concreet financieel proces landt. In kredietbeoordeling betekent dat nu een verdere verdieping: niet alleen de snelheid van de standaardbeslissing telt, maar ook de kwaliteit van de route voor aanvragen die niet in het standaardpatroon passen.
Klantenservice is geen geïsoleerde chatfunctie
In klantenservice is de verleiding groot om AI te meten aan het aantal automatisch beantwoorde vragen. Dat is een te beperkte maatstaf, vindt Edgar van Lent. Een virtuele assistent kan goed helpen bij veelvoorkomende vragen over betalingen, passen, polisvoorwaarden of de status van een aanvraag. Maar het systeem moet ook herkennen wanneer de vraag raakt aan fraude, financiële problemen, een klacht of een beslissing met gevolgen voor de klant.
KBC heeft met de digitale assistent Kate publiek laten zien hoe een bank een assistent inzet binnen dagelijkse bankdiensten. NatWest heeft zijn digitale assistent Cora ontwikkeld voor klantvragen en heeft publiek gesproken over verdere AI-ontwikkeling rond die dienstverlening. Zulke toepassingen laten zien dat klantenservice-AI niet alleen een antwoordgenerator is. Zij wordt een toegangspunt tot processen, gegevens en menselijke expertise.
Volgens Edgar van Lent slagen deze toepassingen wanneer de overdracht naar een medewerker onderdeel is van het ontwerp, en niet een nooduitgang achteraf. De medewerker moet de relevante gesprekscontext ontvangen, de klant moet begrijpen wanneer automatisering wordt gebruikt en de organisatie moet terugkerende overdrachtsredenen analyseren. Als veel gesprekken op hetzelfde punt vastlopen, is dat geen bewijs dat de klantservice tekortschiet; het is informatie over een productproces, een beleidsregel of een kennisbron die verbetering vraagt.
De gemeenschappelijke noemer tussen fraude, krediet en service is daarmee niet het gekozen model, maar de operationele regie eromheen. Edgar van Lent onderscheidt drie voorwaarden die samen moeten werken: duidelijke grenzen voor automatische acties, een herkenbare route voor uitzonderingen en doorlopende toetsing van uitkomsten door vakmensen. Een bank of verzekeraar die slechts één daarvan organiseert, houdt een kwetsbare toepassing over.
Van pilot naar aantoonbare besluitkwaliteit
Vooruitkijkend verwacht Edgar van Lent dat financiële instellingen AI steeds minder als afzonderlijk innovatieproject zullen behandelen. De meest robuuste toepassingen zullen volgens hem juist ontstaan op plekken waar risicoteams, klantcontact, compliance en operatie gezamenlijk afspraken maken over beslisrechten en terugvalopties. Zijn beoordeling is dat AI in finance een volwassen fase bereikt wanneer organisaties niet alleen kunnen aantonen wat een model signaleert, maar ook waarom mensen en processen vervolgens op een controleerbare manier handelen.
