AI-strategie voor banken: een roadmap voor drie jaar

Een AI-pilot bij een bank die de raad van bestuur verbluft en daarna vastloopt in de modelrisicobeoordeling, is een bekend verhaal. Een degelijke AI-strategie voor banken voorkomt dat door in vier fasen te werken, van beheerste data tot agents die echt werk doen.

Via mijn rol bij DXC heb ik met banken in het Midden-Oosten en Afrika gewerkt. Ambitie is zelden hun probleem.

De data wel. Klant-, rekening- en transactiegegevens staan in een kernbanksysteem, een kaartplatform, een CRM en een dozijn spreadsheets. Elk systeem heeft zijn eigen idee van wie een klant is.

Deze roadmap werkt met elk kernbankplatform, elke cloud en elke modelaanbieder die uw toezichthouder accepteert. Hij dekt particulier, mkb- en zakelijk bankieren.

Drie jaar, vier fasen

1. 01

   Nu: datafundament

   Klant-, product- en risicodata in één beheerst platform, met lineage die toezichthouders kunnen volgen.

2. 02

   Jaar 1: beheerste intelligentie

   Eén bedrijfstaal voor klanten, rekeningen en transacties, AI-governance en de eerste snelle successen.

3. 03

   Jaar 2: AI-agents opschalen

   Agents voor onboarding, krediet, fraude en AML, plus klantcontact in bijna realtime.

4. 04

   Jaar 3: AI op schaal ingebed

   AI in de kernfuncties van de bank, met mensen en agents die samenwerken en elke beslissing herleidbaar.

Het fundament betaalt zichzelf terug via betrouwbare data en schonere toezichtrapportage. De eerste AI-waarde verschijnt in jaar één, en de grotere winst komt zodra agents in jaar twee echt werk gaan doen.

Banken weten al waarom data ertoe doet, omdat toezichthouders het ze geleerd hebben. De BCBS 239-principes voor de aggregatie van risicodata vragen om nauwkeurige, volledige en tijdige risicodata met duidelijke eigenaren. Een goed AI-fundament is diezelfde discipline, uitgebreid naar klant- en productdata.

Dit is het werk, in de volgorde waarin ik het zou doen.

1. Breng data uit kernbankieren, kaarten, betalingen, kredietverlening, CRM en digitale kanalen samen in één platform. Meestal is dat een lakehouse, één opslag voor ruwe en opgeschoonde data, in de cloud of in eigen land.
2. Voeg een catalogus en lineage toe, zodat elk cijfer in een toezichtrapportage en elke input voor een model terug te voeren is op het bronsysteem.
3. Geef product-, risico- en financeteams selfservicerapporten die op dezelfde klant- en saldocijfers zijn gebouwd.

Het moeilijkste deel is het eenduidige klantbeeld. Neem een vrouw met een betaalrekening en een creditcard bij uw bank. Ze staat ook borg voor de zakelijke lening van haar broer en is bestuurder van een van uw zakelijke klanten.

In de meeste banken is zij vier records. Het kernsysteem spelt haar naam op de ene manier, het kaartplatform op een andere, en het zakelijke dossier heeft haar paspoortnummer maar geen geboortedatum. Een AI-agent die haar totale blootstelling controleert, zou de borgstelling volledig missen.

De oplossing is saai. Stel matchingregels op voor ID-nummer, geboortedatum en adres, en bouw dan één golden record met een benoemde eigenaar uit de business. Doe het één keer in het fundament en elk model erft het.

Een tweede geval. Uw risicorapport en uw grootboek tonen verschillende blootstellingscijfers voor dezelfde zakelijke klant. Het kaartplatform boekt 's nachts en het leningensysteem rond het middaguur.

Met lineage op orde herleidt een analist beide cijfers naar de bron en ziet het tijdsverschil. Zonder lineage bouwt iemand het cijfer vóór elke bestuursvergadering opnieuw op in een spreadsheet.

1. 01KernbankierenRekeningen, saldi en transacties
2. 02Kaarten en betalingenKaartuitgaven, overboekingen en salarissen
3. 03Kredieten en CRMLeningen, limieten en contacthistorie
4. 04LandingszoneRuwe kopieën met lineage vanaf dag één
5. 05Eenduidig klantbeeldEén persoon, elke rol die zij heeft
6. 06Rapporten en toezichtrapportagesProduct-, risico- en toezichtcijfers die overeenkomen

Betrouwbare data die u voor de toezichthouder kunt herleiden

De kern van jaar één is een semantische laag. Dat is één bedrijfstaal, gedeeld door mensen en AI-agents, waarin klant, rekening, product, limiet, blootstelling, transactie en klacht elk één definitie krijgen.

Waarom doet dat ertoe? Vraag drie teams hoeveel actieve klanten u hebt.

Marketing telt iedereen die de app in de afgelopen 90 dagen heeft geopend. Finance telt iedereen met een saldo, en risk telt iedereen met een lopend product.

Een agent die die vraag voor de raad van bestuur beantwoordt, moet de definitie uit het bestuursrapport gebruiken. In de semantische laag legt u die één keer vast.

AI-governance komt in hetzelfde jaar, ingericht rond uw toezichthouder. In de VAE betekent dat de gezamenlijke richtlijnen voor financiële instellingen die enabling technologies invoeren. In het Verenigd Koninkrijk zijn het de principes voor modelrisicobeheer van de PRA (SS1/23).

In de EU behandelt de AI Act kredietwaardigheidsbeoordelingen van particulieren als hoog risico. Mijn advies is om één register van AI-use cases bij te houden. Geef elke use case een eigenaar, een risicoclassificatie, testresultaten en een stap voor menselijke beoordeling, en koppel het register dan aan elke regel waaraan u moet voldoen.

Ga daarna voor snelle successen die medewerkers en klanten merken. Ik zou hieruit kiezen:

1. Een copilot voor medewerkers, een assistent die vragen beantwoordt op basis van beleid, productvoorwaarden en klanthistorie.
2. Samenvattingen van klachten die een behandelaar het hele verhaal op één scherm geven.
3. Een persoonlijke uitgavenadviseur in de app die klanten al gebruiken.
4. Retentiesignalen die een relatiebeheerder vertellen wanneer een klant op het punt lijkt te staan te vertrekken.

Hier is een copilot voor medewerkers in een klantcontactcentrum. Een klant belt over kosten op een kaartbetaling die ze in het buitenland deed. De copilot vindt de kostenclausule, controleert haar kaarttype en toont het antwoord met de clausule erbij geciteerd.

Of de kosten uit coulance worden terugbetaald, beslist de medewerker nog steeds, en ik vind dat dat zo moet blijven.

De uitgavenadviseur werkt met patronen waarmee klanten al leven. Stel dat een salaris op de 25e binnenkomt, de huur op de 1e afgaat en het schoolgeld elke september betaald moet worden. De adviseur stelt voor om elke maand een beetje opzij te zetten voor september.

Retentiesignalen lezen stillere signalen, zoals een salaris dat plotseling niet meer op de 25e binnenkomt. De relatiebeheerder hoort het die week, terwijl er nog tijd is om te bellen.

1. 01Relatiebeheerder vraagtWelke van mijn klanten lijken te gaan vertrekken?
2. 02Semantische laagDe bankdefinities van klant, product en actief
3. 03Beheerste dataRekeningen, transacties en klachten
4. 04Copilot antwoordtMet de reden en de bron voor elk
5. 05Beheerder controleertBelt de klant of laat het signaal vallen

Hetzelfde antwoord dat het bestuursrapport zou geven

BedrijfswaardeHoogGemiddeldLaag

• Persoonlijke uitgavenadviseur

• Retentiesignalen
• Triage van AML-meldingen

• Ondersteuning bij kredietbeslissingen

• Beleidscopilot voor medewerkers
• Samenvattingen van klachten

LaagGemiddeldHoogToezichtrisico

• Laag
• Gemiddeld
• Kritiek

Jaar twee gaat van assistenten naar agents. Een assistent beantwoordt de vraag van een mens. Een agent doet een stuk werk binnen grenzen die u stelt, en geeft het dan aan een mens.

In het bankwezen zitten het volume en de waarde op vier plekken:

1. Onboarding en KYC, de know-your-customer-controles die elke nieuwe rekening nodig heeft.
2. Krediet, van het verzamelen van documenten tot het opstellen van het kredietvoorstel.
3. Fraude, waar de agent kaart- en betaaltransacties in bijna realtime beoordeelt.
4. AML (anti-witwassen), waar meldingen sneller oplopen dan onderzoekers ze kunnen afhandelen.

Neem onboarding in het mkb. Een handelsonderneming uploadt een handelsvergunning, een akte van oprichting en de paspoorten van haar aandeelhouders. Eén aandeelhouder is een bedrijf dat in een ander land is geregistreerd.

De agent werkt het stap voor stap af:

1. Hij leest elk document en haalt er namen, datums en registratienummers uit.
2. Hij controleert de vergunning tegen het handelsregister en toetst elke naam aan sanctie- en watchlists.
3. Hij volgt de buitenlandse aandeelhouder omhoog in de keten om de uiteindelijk belanghebbende te vinden, de echte persoon die eigenaar is van het bedrijf.
4. Hij vindt een bijna-match op een sanctielijst voor één bestuurder, met dezelfde naam en een andere geboortedatum.
5. Hij bereidt het dossier voor met die match gemarkeerd en het bewijs bijgevoegd.

Een compliance officer bekijkt de markering en beslist. De agent deed het verzamelen, en zij doet het oordelen.

Krediet werkt op dezelfde manier. Voor een mkb-bedrijf dat een werkkapitaalfaciliteit aanvraagt, verzamelt de agent bankafschriften, gecontroleerde jaarrekeningen en het rapport van het kredietbureau. Hij zet de cijfers in het standaardformaat van de bank (kredietteams noemen dit spreading) en stelt het kredietvoorstel op.

Hij wijst er misschien op dat de meeste omzet naar één afnemer gaat. De beslissing blijft bij de kredietbeoordelaar.

Fraude gaat sneller. Iemand gebruikt een kaart in een winkel in eigen land en veertig minuten later online in een ander land. De agent houdt de tweede betaling tegen, vraagt de klant om bevestiging in de app en laat een analist zien waarom hij ingreep.

AML gaat langzamer. Contante stortingen komen steeds net onder de meldingsdrempel binnen bij verschillende filialen. De agent verzamelt de historie en stelt het dossierverslag op, en de onderzoeker beslist of er een melding van een ongebruikelijke transactie wordt gedaan.

Hetzelfde jaar brengt klantcontact in bijna realtime. Een kleine ondernemer ziet een week voordat een grote leveranciersbetaling verschuldigd is een kasstroomprognose.

Het operationele model verandert ook. Elke agent heeft een eigenaar nodig, een duidelijke grens aan wat hij mag doen, monitoring en een noodstop. Modelrisicoteams moeten agents met dezelfde zorg beoordelen als modellen.

1. 01MeldingTransactiemonitoring genereert een melding
2. 02VerzamelenRekeningen, tegenpartijen, historie en screeningtreffers
3. 03BeoordelenScoort de melding tegen eerdere dossiers
4. 04OpstellenSchrijft het dossierverslag met bewijs
5. 05BeslissenOnderzoeker sluit af of escaleert
6. 06LerenUitkomsten stemmen de volgende triage af

Modelrisico beoordeelt de agent als een model

In jaar drie zit AI in particuliere kredietverlening, kaarten, mkb-bankieren, treasury, operations en risk. Mensen en agents werken naast elkaar, en elk beslispad heeft een benoemde eigenaar en een audittrail.

Het delen van data vergroot wat agents kunnen zien. Met open banking-API's kunnen klanten, met toestemming, rekeningen delen die ze elders hebben. ISO 20022, de nieuwere standaard voor betaalberichten, bevat rijkere details over wie wie betaalde en waarom.

Neem een zakelijke klant die honderden betalingen per dag ontvangt. Een agent koppelt elke betaling aan de juiste factuur met behulp van de ISO 20022-betaalgegevens. De rest markeert hij voor het treasuryteam van de klant.

Het backofficewerk verandert ook. Aan het einde van de maand stemt een agent de nostrorekeningen van de bank (haar rekeningen bij andere banken, in vreemde valuta) regel voor regel af. Een operationeel analist behandelt alleen de verschillen die de agent niet kan verklaren.

Partners sluiten aan op dezelfde beheerste laag en gebruiken uw definities en controles. Een concurrent kan drie jaar aan leidingwerk niet snel kopiëren.

1. Chief operating officerEigenaar van de agentportfolio en de resultaten
   Modelrisico en complianceValidatie, monitoring en een noodstop
2. BedrijfsonderdeelhoofdenEigenaar van de agents in hun bedrijfsonderdeel

• OnboardingagentEigendom van het hoofd onboarding
• KredietagentEigendom van de chief credit officer
• FraudeagentEigendom van het hoofd fraude
• AML-agentEigendom van de MLRO

1. 04AI-agents en copilotsAgents voor onboarding, krediet, fraude, AML en klantcontact, met menselijke goedkeuringspunten
2. 03Beheerste intelligentielaagSemantisch model van klanten, rekeningen, producten en transacties, plus het AI-register
3. 02DatafundamentLakehouse met lineage, catalogus en datakwaliteit, in eigen land waar vereist
4. 01KernsystemenKernbankieren, kaarten, betalingen, kredietverlening, CRM en digitale kanalen

Vier toezeggingen lopen door elke AI-strategie voor banken heen.

1. AI-opties in eigen land en soevereine AI. Veel toezichthouders verwachten dat klantdata in het land blijft. Kies platforms en modellen die daar kunnen draaien, inclusief open modellen die u zelf host.
2. Een open stack met meerdere platforms. Modellen veranderen om de paar maanden, dus houd de bank vrij om van AI-leverancier te wisselen.
3. Governance afgestemd op uw toezichthouder. Eén AI-register en één modelrisicoproces, gekoppeld aan elke regel waaraan u moet voldoen.
4. Mensen die met agents kunnen werken. Relatiebeheerders, analisten en onderzoekers moeten weten wanneer ze een agent kunnen vertrouwen en wanneer ze hem moeten overrulen.

Zo ziet overrulen eruit. Een AML-agent markeert een melding als laag risico omdat de stortingen overeenkomen met het gebruikelijke salaris van de klant. De onderzoeker weet dat de werkgever vorige maand is gesloten, dus ze heropent het dossier.

De eerste fout is beginnen met een chatbot voor klanten. Zonder semantische laag geeft die verschillende antwoorden op dezelfde vraag.

Vraag twee keer naar uw kaartlimiet en u krijgt misschien twee bedragen. Het ene kwam van het kaartplatform, het andere uit een verouderde CRM-kopie.

Ik zou de AI-strategie van uw bank binnen de bank laten beginnen. Copilots voor medewerkers en operationele agents zijn veiligere plekken om te leren, omdat een mens elk antwoord controleert voordat een klant het ziet.

De tweede fout is AI bouwen buiten het modelrisicobeheer om. Een pilot die de validatie oversloeg, kan niet in productie, dus het team begint opnieuw. Betrek risk en compliance vanaf de eerste use case, ook als dat traag voelt.

Hoe het misgaatWat werkt

1. 01Hoe het misgaat: Een klantchatbot als eerste project→Wat werkt: Eerst interne copilots en operationele agents
2. 02Hoe het misgaat: Pilots gebouwd buiten het modelrisicobeheer→Wat werkt: Modelrisico betrokken vanaf de eerste use case
3. 03Hoe het misgaat: Elk model met zijn eigen klantdefinitie→Wat werkt: Eén beheerst klantbeeld voor elk model
4. 04Hoe het misgaat: Risk en compliance pas aan het einde uitgenodigd→Wat werkt: Risk, compliance en de business zijn samen eigenaar

Wilt u weten in welke fase uw bank vandaag zit? Plan dan een gesprek met mij. Neem uw huidige lijst met AI-use cases mee en ik vertel u waar ik zou beginnen.

Wat moet de AI-strategie van een bank bevatten?

Een goede AI-strategie voor banken heeft een beheerst datafundament nodig, een semantische laag en AI-governance die is afgestemd op uw toezichthouder. Daarna komen agents voor onboarding, krediet, fraude en AML. Opties in eigen land, een open stack en training van medewerkers liggen onder dat alles.

Waar moet een bank beginnen met AI?

Begin met het datafundament en interne use cases. Copilots voor medewerkers, samenvattingen van klachten en een persoonlijke uitgavenadviseur leveren waarde op met een beheersbaar risico. Kredietbeslissingen komen later, met de sterkste controles en een mens die elke beslissing goedkeurt.

Is AI voor kredietscoring hoog risico onder de EU AI Act?

Ja, de EU AI Act merkt AI-systemen die de kredietwaardigheid van particulieren beoordelen of hun kredietscore bepalen aan als hoog risico. Fraudedetectie is een uitzondering. Systemen met een hoog risico vragen om risicobeheer, datagovernance, documentatie, menselijk toezicht en monitoring.

Hoe verschillen AI-agents van AI-assistenten in het bankwezen?

Een assistent beantwoordt vragen voor een mens. Een agent voert acties uit binnen grenzen die u stelt, zoals KYC-documenten verzamelen, meldingen triëren of een kredietvoorstel opstellen. In het bankwezen moeten agents beslissingen voorbereiden en moet een mens ze goedkeuren.

Kunnen banken AI gebruiken en de data in het land houden?

Ja. Veel cloudaanbieders bieden regio's in eigen land, en open modellen kunnen draaien op servers die de bank beheert. Beslis welke data het land mag verlaten voordat u platforms en modellen kiest.