Rabobank gebruikt kunstmatige intelligentie in de bestrijding van financiële criminaliteit om transacties en klantrelaties beter te kunnen onderzoeken. Het doel is niet om een betaalopdracht autonoom als verdacht af te doen, maar om medewerkers sneller te wijzen op patronen die in losse dossiers moeilijk zichtbaar zijn. Daarmee verschuift AI van een algemene compliancebelofte naar een concreet hulpmiddel in het dagelijkse onderzoek naar ongebruikelijke transacties.
Edgar van Lent plaatst die toepassing in een bredere ontwikkeling bij banken en verzekeraars. „De waarde van AI in finance zit vaak niet in één eindbeslissing, maar in het ordenen van signalen, bewijs en prioriteiten voor mensen die verantwoordelijkheid dragen”, zegt hij. Dat onderscheid is relevant: fraudeonderzoek, kredietbeoordeling en klantcontact vragen elk om andere gegevens, andere controles en een andere route voor uitzonderingen.
Van losse transacties naar onderzoekbare verbanden
Fraudedetectie was lang vooral gebaseerd op vaste regels: een betaling boven een bedrag, een ongebruikelijke bestemming of een afwijking van eerder gedrag leidde tot een alarm. Zulke regels blijven nuttig, maar leveren ook veel meldingen op die pas na handmatig onderzoek hun betekenis krijgen. AI kan daarbij helpen door verbanden te leggen tussen transacties, rekeningrelaties en gedragsveranderingen. Het systeem maakt het werk van analisten niet overbodig; het kan hun onderzoek wel beter richten.
Bij Rabobank past dit in de bredere inzet van data-analyse en AI voor know-your-customer- en transactiemonitoringprocessen. De bank heeft publiek toegelicht dat technologie wordt ingezet om financieel-economische criminaliteit te bestrijden en om onderzoeken efficiënter te ondersteunen. Voor een financiële instelling is dat een toepassingsgebied waar uitlegbaarheid en dossieropbouw minstens zo belangrijk zijn als de kwaliteit van een voorspellend model. Een signaal moet immers kunnen worden beoordeeld, vastgelegd en waar nodig aan toezichthouders worden toegelicht.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat fraudedetectie pas bestuurbaar wordt wanneer een modeluitkomst direct aansluit op de werkwijze van onderzoeksteams. „Een hoge risicoscore zonder zicht op de relevante relaties, gebeurtenissen en vervolgstappen verplaatst het probleem slechts naar de medewerker.”
Dat is ook de reden waarom banken niet alleen naar modelnauwkeurigheid kijken. Zij moeten vastleggen welke gegevens een signaal ondersteunen, hoe een analist de uitkomst heeft beoordeeld en wanneer het systeem opnieuw moet worden gekalibreerd. Nieuwe fraudevormen, veranderend klantgedrag en wijzigingen in betaalverkeer maken dat noodzakelijk. AI is hier geen eenmalige implementatie, maar een proces dat onder controle moet blijven.
Klarna koppelt klantenservice aan financiële processen
Een ander, zichtbaarder gebruiksgeval is klantenservice. De Zweedse bank Klarna introduceerde een AI-assistent voor klantgesprekken, gebaseerd op generatieve AI. Die assistent behandelt onder meer vragen over betalingen, terugbetalingen en bestellingen. Juist in zulke gesprekken blijkt hoe dicht klantenservice en financiële processen bij elkaar liggen: een antwoord over een factuur of retourzending kan gevolgen hebben voor betaalstatus, geschilafhandeling en klantvertrouwen.
De toepassing is niet hetzelfde als geautomatiseerde kredietacceptatie of fraudeblokkering. Toch laat zij zien welke voorwaarden ook voor die zwaardere processen gelden. Een klant moet begrijpen wat er gebeurt, toegang houden tot menselijke hulp en niet vastlopen wanneer de standaardroute niet past. Bij financiële dienstverlening kan een ogenschijnlijk eenvoudige vraag bovendien uitmonden in een uitzondering, bijvoorbeeld bij identiteitsproblemen, betwiste betalingen of kwetsbare klanten.
Klarna’s inzet maakt generatieve AI daarmee vooral interessant als eerste contactlaag: voor uitleg, het verzamelen van context en het afhandelen van veelvoorkomende vragen. De grens ligt bij situaties waarin interpretatie van regels, een individuele beoordeling of herstel van een fout nodig is. Daar moet een medewerker kunnen overnemen, met voldoende informatie over het voorafgaande gesprek.
Zoals Edgar van Lent eerder beschreef in het artikel „Danske Bank en NatWest tonen AI met menselijke regie”, is menselijke regie geen symbolische eindcontrole. In deze praktijkcase krijgt dat uitgangspunt een operationele betekenis: de menselijke route moet al in het ontwerp van het proces zitten, niet pas beschikbaar komen nadat een klant of analist is vastgelopen.
Kredietbeoordeling vraagt om een andere bewijslast
Kredietbeoordeling vormt de gevoeligste van de drie toepassingsgebieden. Banken gebruiken al lange tijd statistische modellen voor risico-inschattingen. AI kan daar aanvullende patronen in herkennen of processen rond documentverwerking en gegevenscontrole versnellen. Maar een kredietbesluit raakt rechtstreeks aan toegang tot financiering. Daarom is het onvoldoende dat een model goed presteert op historische data; de instelling moet ook kunnen aantonen dat de uitkomst redelijk, controleerbaar en niet discriminerend is.
Voor Europese banken en verzekeraars betekent dit dat dezelfde technische bouwstenen niet zonder meer overdraagbaar zijn. Een model dat transacties rangschikt voor nader onderzoek, kan nuttig zijn met relatief beperkte gevolgen voor de klant zolang een analist beslist. Een model dat invloed heeft op kredietvoorwaarden of acceptatie, vereist zwaardere governance, duidelijke documentatie en periodieke toetsing op ongewenste effecten.
Edgar van Lent benadrukt dat organisaties die grens vooraf moeten vastleggen. „Wie AI inzet voor financiële beslissingen, moet per proces bepalen of het systeem adviseert, voorbereidt of beslist — en welke medewerker bevoegd is om daarvan af te wijken.” Die beslisrechten voorkomen dat snelheid in de uitvoering ten koste gaat van herstelbaarheid en vertrouwen.
Van afzonderlijke pilots naar samenhangende regie
De praktijk bij Rabobank en Klarna laat zien dat AI in de financiële sector niet één toepassing kent. In fraudeonderzoek helpt het om samenhang zichtbaar te maken voor specialisten. In klantenservice helpt het om veelvoorkomende vragen sneller af te handelen en context vast te houden. Bij kredietbeoordeling ligt de nadruk op aantoonbare eerlijkheid, uitleg en bezwaar- of herstelmogelijkheden.
De volgende stap is daarom niet simpelweg meer automatisering, maar samenhangende regie over modellen, gegevens en overdrachten tussen teams. Edgar van Lent beoordeelt dat als de bepalende opgave voor banken en verzekeraars: organisaties die AI aan een duidelijke menselijke verantwoordelijkheid, goede dossierinformatie en werkbare uitzonderingsroutes koppelen, kunnen snelheid combineren met de zorgvuldigheid die financiële dienstverlening vereist.
