Een afwijzing in drie milliseconden
Fatima, compliance-manager bij NovaBank, ontvangt een boze e-mail van een klant: "Mijn lening is geweigerd, maar niemand kan me vertellen waarom." De ondertekening – IT-system decision – klinkt kil. Eigenlijk weet Fatima wel waarom: een machine-learningmodel schat kredietwaardigheid op basis van betaalgedrag, woonwijk en kliksporen uit de mobiele app. Tot gisteren was dat vooral een IT-verhaal. Sinds de EU AI Act dit jaar in werking trad, verschuift de verantwoordelijkheid naar de business zelf – en dus naar teams als dat van Fatima.
Wat de wet écht zegt
De AI Act gooit financiële use-cases in drie bakken1. Algoritmen voor terroristische financiering of social scoring? Verboden. Systemen die de toegang tot basisbankieren, leningen of verzekeringen bepalen? Automatisch high-risk. Chatbots die alleen algemene vragen afhandelen? Lage reguleringsdruk, mits transparant.
In de praktijk vallen de meest gebruikte AI-oplossingen bij banken, verzekeraars en fintechs in die middelste categorie. Dat betekent: modeldocumentatie, data-governance, doorlopende risico-analyses, menselijk toezicht én aantoonbare AI-geletterdheid van iedereen die ermee werkt.
High-risk in de dagelijkse gang van zaken
De definities lijken abstract, maar Fatima herkent ze overal op de vloer:
- Credit scoring: De engine die een hypotheek binnen seconden goed- of afkeurt
- Fraudedetectie: De realtime transactiemonitor die AML-alerts uitspuugt
- Robo-advisors: Systemen die spaarportefeuilles aanbeveelt
- Claims processing: De bot bij verzekeraars die foto's analyseert en uitkeringen voorstelt
- Dynamische prijsmodellen: Autoverzekeringen gebaseerd op telematica uit de zwarte doos
Zelfs dat laatste valt onder de AI Act, omdat het direct invloed heeft op premies en dus op toegang tot diensten.
Menselijke maat hervinden
"Human in the loop" klonk bij NovaBank jarenlang als tick-the-box. Een medewerker klikte op approve nadat het model "groen" knipperde. Onder de AI Act moet diezelfde medewerker kunnen uitleggen waarom klant A wél een limiet krijgt en klant B niet, inclusief de rol van postcode, device-type of tijdstip.
Dat vergt nieuwe vaardigheden: variabelen herkennen, bias-mogelijkheden zien en weten wanneer je een model mag overrulen.
Fatima begint met een simpel experiment. Ze laat het team twintig afgewezen dossiers doorzoeken op overeenkomsten. Binnen een uur zien ze patronen die voorheen onopgemerkt bleven – hoger afwijzingspercentage in één specifieke regio, opvallend lage score voor zzp'ers in de cultuursector. Het kwartje valt: AI-geletterdheid is geen luxe; het is nodig om zorgplicht en reputatie te beschermen.
Vijf stappen naar actie – zonder toverformules
| Stap | Actie | Resultaat |
|---|---|---|
| 1. AI-kaart | Inventariseer alle modellen die direct beslissen over leningen, premies of transacties | Overzicht van naam, doel en databronnen |
| 2. Data-keten | Check herkomst, representativiteit en recente updates van alle databronnen | Validatieprotocol voor nieuwe bronnen |
| 3. Beslisregels | Leg uit waarom bepaalde variabelen meetellen (geen black box meer) | Transparante uitleg voor klanten en toezichthouders |
| 4. Overruling | Bouw procedures voor handmatige interventies met logging | Feedback loop voor model-verbetering |
| 5. AI-literacy | Investeer in doorlopende training voor alle betrokken teams | Competente medewerkers die modellen kunnen beoordelen |
1. Breng de AI-kaart in beeld
Welke modellen beslissen direct over leningen, premies of transacties? Zet naam, doel en databronnen in één overzicht.
2. Check de data-keten
Herkomst, representativiteit en recente updates. Bij elke nieuwe bron: opnieuw valideren.
3. Leg beslisregels bloot
Geen black box in board-presentaties. In klare taal: waarom telt mobiel besturingssysteem mee? Waarom krijgt winkelgebied X een risico-uplift?
4. Bouw overruling-procedures
Medewerkers loggen niet alleen dat ze handmatig ingrepen, maar ook waarom. Die feedback voedt het retrain-proces.
5. Investeer in AI-literacy
Basiskennis voor klantadviseurs, verdiepende sessies voor risk & compliance. Niet als eenmalige workshop, maar als doorlopende leerlijn2.
Fatima's eerste resultaat
Drie maanden later zijn de snelle winstpunten zichtbaar. Het percentage "onverklaarde" afwijzingen daalt, klachtenafhandeling kost minder tijd en de marketingafdeling zet de nieuwe transparantie trots in campagnemateriaal: We leggen u uit hoe onze digitale beoordeling werkt.
Waarom het niet bij compliance blijft
De CFO ziet iets anders gebeuren: beter inzicht in de modellen levert scherpere vragen op voor leveranciers. NovaBank snoeit in overbodige features, verlaagt licentiekosten en haalt intern meer expertise op. Het risico-budget verschuift van brandjes blussen naar innovatie.
Vooruitblik op de serie
Dit openingsblog is de wake-up-call. In de komende delen duiken we in:
- hoe realtime fraudedetectie onder de AI Act valt,
- wat fairness betekent voor dynamische verzekeringspremies,
- en hoe asset-managers menselijk toezicht organiseren bij algoritmische beleggingsstrategieën.
Altijd met het doel dat Fatima nu scherp heeft: verantwoord AI-gebruik als concurrentievoordeel, niet als hinderlijke kostenpost.
Benieuwd hoe een AI-geletterdheidsprogramma eruit ziet voor financiële teams? We bouwen modulair: van basissessies voor klantadviseurs tot deep-dives voor modelvalidators. Stuur gerust een bericht om ideeën uit te wisselen.
