Een betaling die afwijkt van iemands normale patroon kan in seconden uit beeld verdwijnen of uitgroeien tot een fraudezaak. Bij HSBC wordt kunstmatige intelligentie ingezet om grote hoeveelheden transacties en relaties te analyseren op signalen van financiële criminaliteit, zodat analisten hun aandacht kunnen richten op dossiers die nader onderzoek rechtvaardigen. Het is een toepassing die niet draait om een autonome beslissing, maar om betere prioritering in een proces waar snelheid, bewijs en zorgvuldigheid samenkomen.
Edgar van Lent noemt juist die combinatie relevant voor de financiële sector. Fraude verandert voortdurend van vorm: geldstromen lopen via rekeningen, bedrijven, tussenpersonen en landen, terwijl afzonderlijke betalingen vaak op zichzelf niet opvallend zijn. Door verbanden in die gegevens te herkennen, kan AI het werk van teams voor fraudebestrijding en witwascontrole gerichter maken.
Van losse transactie naar netwerkbeeld
HSBC heeft publiek beschreven hoe het technologie inzet voor de bestrijding van financiële criminaliteit, onder meer met analysetechnieken die transacties, klantrelaties en bedrijfsstructuren in samenhang beoordelen. Het praktische probleem is bekend bij banken: regels die alleen naar één bedrag, één rekening of één afwijking kijken, leveren veel meldingen op die na menselijke beoordeling onschuldig blijken. Tegelijk kan een werkelijk risico over het hoofd worden gezien wanneer relevante aanwijzingen verspreid staan over verschillende systemen.
Een AI-ondersteund netwerkbeeld verandert niet de verantwoordelijkheid van de bank om onderzoek te doen, maar helpt wel om de volgorde van dat onderzoek te bepalen. Analisten kunnen sneller zien welke rekeningen ongebruikelijke verbindingen vertonen, welke geldstromen terugkeren in een patroon en welke informatie nog ontbreekt. Dat is vooral waardevol bij complexe dossiers rond fraude, witwassen en zogeheten mule accounts, waarin rekeningen worden gebruikt om geld voor anderen door te sluizen.
Edgar van Lent, AI-specialist gericht op de toepassing, beheersing en uitlegbaarheid van AI in bedrijfsprocessen, stelt dat fraudedetectie pas volwassen wordt wanneer een model niet alleen een alarm afgeeft, maar ook het vervolgwerk beter organiseert. “De winst zit niet in zo veel mogelijk signalen produceren, maar in het betrouwbaar scheiden van routine en uitzondering.”
Daarmee verschuift de aandacht van een technisch model naar de inrichting eromheen. Een bank moet kunnen vastleggen welke gegevens zijn gebruikt, welke indicatoren tot een escalatie hebben geleid en welke medewerker de uitkomst heeft beoordeeld. Voor compliance-teams is die dossiervorming geen bijzaak. Zij moeten intern kunnen reconstrueren waarom een signaal prioriteit kreeg en, waar nodig, aan toezichthouders kunnen uitleggen hoe de controle is uitgevoerd.
Lloyds koppelt signalering aan bescherming van klanten
Ook Lloyds Banking Group heeft publiek gemaakt dat het AI en data-analyse gebruikt om fraude en oplichting te bestrijden. Daarbij gaat het niet uitsluitend om klassieke betaalkaartfraude. Banken krijgen steeds vaker te maken met geautoriseerde betalingsfraude: klanten maken zelf geld over, maar doen dat onder druk van een crimineel die zich bijvoorbeeld voordoet als een bank, leverancier of bekende.
Dat type fraude vraagt om een andere vorm van detectie. De betaling is technisch gezien door de klant geautoriseerd, terwijl het risico juist ligt in de context: een ongebruikelijke nieuwe begunstigde, een abrupte verandering in betaalgedrag of een combinatie van signalen die afzonderlijk niet doorslaggevend is. AI kan zulke patronen herkennen en een interventie ondersteunen, bijvoorbeeld door een betaling nader te laten beoordelen of de klant extra te waarschuwen.
De toepassing laat zien dat fraudedetectie niet alleen een taak van de backoffice is. De kwaliteit van een waarschuwing beïnvloedt rechtstreeks de klantrelatie. Een te algemene blokkade kan frustrerend zijn; een te late waarschuwing kan grote schade veroorzaken. Daarom is het belangrijk dat menselijke medewerkers de ruimte houden om een signaal te beoordelen, contact op te nemen en rekening te houden met omstandigheden die een model niet volledig ziet.
Edgar van Lent ziet daarin een bruikbare les voor Europese financiële instellingen. “Een goed fraudemodel beschermt klanten zonder van iedere afwijking een verdacht incident te maken.” Volgens Edgar van Lent moeten banken daarom niet uitsluitend sturen op de technische nauwkeurigheid van modellen, maar ook meten hoe bruikbaar de uitkomsten zijn voor medewerkers en klantencontact.
De beslisgrens blijft een bestuursvraag
De waarde van AI in fraudedetectie ontstaat dus niet door het automatiseren van iedere beslissing. Bij zowel HSBC als Lloyds Banking Group is de logica juist dat data-analyse het onderzoek en de klantbescherming ondersteunt in een omgeving met veel transacties en beperkte onderzoekscapaciteit. De technologie kan patronen sneller naar voren halen, maar kan niet zelfstandig bepalen of een klant te goeder trouw handelde, of een zakelijke relatie legitiem is of welke maatregel proportioneel is.
Voor banken en verzekeraars ligt hier een bredere opdracht. Wie AI inzet voor financiële risico’s, moet vooraf vastleggen waar de beslisgrens ligt: wanneer mag een systeem alleen rangschikken, wanneer volgt een waarschuwing en wanneer is menselijke goedkeuring verplicht? Ook moeten instellingen controleren of historische gegevens onbedoeld leiden tot scheve uitkomsten, bijvoorbeeld doordat bepaalde klantgroepen vaker worden gemarkeerd zonder dat daar een voldoende zakelijke grond voor bestaat.
Die randvoorwaarden worden belangrijker nu Europese regels voor AI en financiële dienstverlening nadrukkelijk aandacht vragen voor risicobeheer, documentatie en menselijk toezicht. De meest bruikbare systemen zullen daarom niet de systemen zijn die het meeste werk overnemen, maar de systemen die bewijs, workflow en professioneel oordeel zorgvuldig op elkaar laten aansluiten.
Vooruitkijkend verwacht Edgar van Lent dat de volgende stap ligt in betere samenwerking tussen fraudeteams, klantcontactcentra en compliance. AI kan dan niet alleen signaleren dat een betaling afwijkt, maar medewerkers voorzien van een overzichtelijke onderbouwing en passende vervolgopties. Edgar van Lent beoordeelt dat als een kans voor Europese banken en verzekeraars, mits zij de menselijke beoordeling, transparante escalatie en controle op modeluitkomsten als vaste onderdelen van het proces behandelen.
