Het formulier is succesvol verzonden.
Meer informatie vindt u in uw mailbox.
Inhuren
Over onsDienstenTechnologieënIndustrieënPortfolio
Een chatbot bij een bank kan helpen bij de gebruikelijke zaken, zoals het opnieuw instellen van een wachtwoord, het opzoeken van een afschrift of het controleren welke documenten er nodig zijn voor een leningaanvraag. Handig? Ja. Het soort zaken dat een dossier vanzelf verder helpt? Meestal niet.
De meesteGenetische AI in het bankwezen daar wordt het pas echt interessant. Geef de agent een doel, en hij kan de zaak onderzoeken, gegevens uit goedgekeurde systemen ophalen, de regels van de bank volgen, de volgende stap in gang zetten en een verslag achterlaten ter controle. De bank stelt de grenzen vast, en de agent houdt zich daaraan.
Daarom agentic AI-toepassingen in het bankwezen krijgen zoveel aandacht. Uit het onderzoek van PwC naar de financiële dienstensector blijkt dat 55% bankdirecteuren noemen generatieve of agentische AI als hun belangrijkste investeringsprioriteit voor 2026, en 58% verwachten dat deze technologie binnen drie jaar de grootste impact op de sector zal hebben. Uit de ‘European Financial Services AI Pulse Survey’ van EY bleek ook dat 35% aan financiële dienstverleners maken al gebruik van agentische AI, terwijl 25% van plan is om binnen zes maanden hiermee te beginnen.
Hieronder zal ik de vraag beantwoorden wat agentische AI in het bankwezen inhoudt, laten zien hoe dit in de dagelijkse werkprocessen van banken past, en uitleggen op welke punten banken strenge controle nodig hebben. We zullen kijken naar concrete praktijkvoorbeelden, de architectuur, beveiligingslagen en het verschil tussen een chatbot en een medewerker. Ik zal ook laten zien hoe agentische AI in het bankwezen kan worden geïmplementeerd zonder dat dit operationele risico met zich meebrengt.
Agentische AI in het bankwezen en de financiële dienstverlening verwijst naar systemen die in staat zijn om meerstapsworkflows te plannen, te beredeneren en uit te voeren met het oog op een bepaald doel, binnen de goedgekeurde bankregels.
Lange tijd gebruikten banken AI vooral voor specifieke taken, zoals het signaleren van risico’s, het controleren van documenten, het toekennen van scores of het samenvatten van dossiers. Tegenwoordig maakt agentische AI in het bankwezen deel uit van de volledige workflow. Het beoordeelt dossiers, volgt de regels van de bank en zet de volgende goedgekeurde stap op gebieden zoals fraudecontrole, kredietverwerking, nalevingscontroles, serviceverzoeken en backoffice-werkzaamheden. Kortom, agentische AI voert workflows uit, terwijl chatbots alleen vragen beantwoorden.
Stel dat je om 14.13 uur bij het fraudeteam werkt en er komt een verdachte kaarttransactie binnen. Een chatbot kan je op verzoek uitleg geven over het fraudebeleid van de bank. Een agentisch systeem kan recente transacties controleren, de betaling vergelijken met het gebruikelijke bestedingspatroon van de klant, locatiegegevens bekijken en het risiconiveau vaststellen. Als de regels van de bank dit toestaan, kan de agent de kaart blokkeren, een dossier openen, een verificatiebericht versturen en de zaak doorsturen naar jouw team wanneer er nog menselijk oordeel nodig is.
Met dezelfde melding laat de chatbot het team zien wat er is gebeurd. Een agentisch systeem daarentegen helpt de workflow vooruit te brengen.
De eenvoudigste manier om agentische AI in de bankarchitectuur te begrijpen, is door te zien hoe een concreet geval het systeem doorloopt. Stel dat je bank een KYC-update van een klant ontvangt. De klant uploadt een nieuw bewijs van adres, maar één veld komt niet overeen met de gegevens die al in het systeem van de bank zijn opgeslagen. Een AI-agent kan helpen om het dossier verder te behandelen, maar moet daarbij een specifiek traject volgen.
Het KYC-voorbeeld illustreert het belangrijkste punt: agentic AI in het bankwezen er zijn controles, stopmomenten en menselijke beoordeling nodig wanneer het risico of de bankregels dat vereisen. Zonder die mogelijkheden krijg je gewoon een chatbot met een chiquere naam.
Bankzaken verlopen zelden in één vlotte afhandeling. Neem bijvoorbeeld een hypotheekaanvraag. Een klant uploadt salarisdocumenten, onderbreekt het proces en komt een paar dagen later terug met een bankafschrift en het ontbrekende formulier. Een AI-agent gaat verder vanaf de laatst voltooide stap. Hij weet welke documenten zijn goedgekeurd en wat er nog ontbreekt. Uw team ziet de volledige casusgeschiedenis op één plek, in plaats van deze uit e-mails, CRM-notities en geüploade documenten te moeten verzamelen.
Een bankmedewerker moet de systemen in de juiste volgorde gebruiken. Bij een grensoverschrijdende betaling moet de medewerker mogelijk de gegevens van de ontvanger, het rekeningsaldo, de betalingslimiet, de wisselkoers en de kosten controleren voordat de betaling wordt uitgevoerd. De sanctiecontrole wordt altijd apart uitgevoerd als een verplichte compliance-stap.
Als er betalingsgegevens ontbreken, wordt het proces stopgezet. Als de betaling de limiet overschrijdt, wordt deze ter beoordeling doorgestuurd. Als uit de sanctiecontrole blijkt dat er mogelijk een overeenkomst is, beslist de medewerker niet of de betaling kan doorgaan. In plaats daarvan wordt het proces stopgezet en wordt de zaak doorgestuurd naar een compliance-specialist. Een chatbot zou de klant kunnen vertellen:, “Uw betaling wordt verwerkt.” De medewerker controleert de benodigde systemen en zet de zaak in behandeling zodra deze is goedgekeurd.
Bij sommige bankbeslissingen zijn onderweg meerdere kleinere controles nodig. De goedkeuring van een lening is daar een goed voorbeeld van. De medewerker kijkt naar zaken als inkomen, kredietgeschiedenis, bestaande schulden, geüploade documenten, productregels en eventuele ontbrekende informatie. Als alles in orde is, verloopt het proces vlot. Als er hiaten zijn, moet de medewerker extra zorgvuldig te werk gaan. Wanneer er informatie ontbreekt of het schuldprofiel ongebruikelijk lijkt, vat de medewerker de kwestie samen en stuurt hij de zaak door naar een kredietbeoordelaar. De kredietbeoordelaar neemt nog steeds de uiteindelijke beslissing, maar beschikt nu over een duidelijker dossier om te beoordelen.
Agentgebaseerde AI voor klantenservice in het bankwezen kan niet louter op basis van de suggestie van het model handelen. De agent bereidt de volgende stap voor, maar elke actie moet nog steeds door externe controles voordat deze het banksysteem bereikt. De gateway controleert machtigingen, limieten, AML-waarschuwingen en regels voor menselijke goedkeuring.
Hetzelfde geldt voor klantgegevens. Bij een geweigerde kaartbetaling heeft de medewerker mogelijk het dossiernummer, de transactiestatus en de laatste vier cijfers van de kaart nodig. Het volledige kaartnummer, een scan van het paspoort, het inkomensdossier of de volledige geschiedenis zijn niet nodig. Als de zaak risicovol is, stopt de controlaag de verwerking en stuurt deze door naar het juiste team, met een verslag van wat de medewerker heeft gecontroleerd en waarom de verwerking is gestopt.
Inmiddels zou het verschil tussen een chatbot en een medewerker duidelijker moeten zijn. Een chatbot is een goede oplossing wanneer de klant een antwoord nodig heeft: kaartkosten, openingstijden van filialen, productvoorwaarden, saldo-informatie of de status van een aanvraag. De chatbot kan de volgende stap uitleggen, een link tonen of het verzoek doorsturen naar de klantenservice. Dit is nuttig, vooral bij eenvoudige verzoeken.
Een medewerker komt in beeld wanneer het antwoord niet meer volstaat. Een verloren kaart is een goed voorbeeld. Een chatbot kan de klant uitleggen hoe hij de kaart kan blokkeren. Een agentic AI in het bankwezen kan helpen bij de afhandeling van de zaak zelf: het systeem verifieert de klant, controleert recente transacties, blokkeert de kaart, start een geschilprocedure voor verdachte betalingen, bestelt een vervangende kaart en stuurt een update. Als het bedrag hoog is of het patroon er vreemd uitziet, stuurt de medewerker de zaak door naar een fraudeanalist, samen met de details van de zaak en een verslag van wat er is gebeurd.
Om dit overzichtelijker te maken, heb ik de vergelijking in de onderstaande tabel weergegeven.
Een mislukte betaling, een KYC-update, een fraudewaarschuwing of een kredietdossier kan er vanuit het perspectief van de klant eenvoudig uitzien. Binnen de bank doorloopt elk geval echter een reeks systemen, regels, verantwoordelijken en goedkeuringsprocedures. Laten we de belangrijkste stappen eens doornemen Toepassingen van agentic AI in het bankwezen één voor één bekijken wat een agent aankan en waar het team nog moet bijspringen.
Klanten komen meestal naar een bank omdat ze een probleem hebben dat moet worden opgelost: een kaart is kwijtgeraakt, een betaling is mislukt, een afschrijving lijkt niet te kloppen of een limiet moet worden aangepast. Niemand opent een bankapp zomaar voor de lol.
Een chatbot kan de stappen uitleggen, een link sturen of het verzoek doorgeven aan de klantenservice. Dat helpt, maar slechts tot op zekere hoogte. De klant moet mogelijk nog steeds wachten, wat rondklikken of het verhaal aan iemand anders herhalen. AGenetische AI in het bankwezen kan meer van de servicecase binnen een goedgekeurde workflow afhandelen. Bij een mislukte betaling kan de medewerker de betalingsstatus, het rekeningsaldo, de limieten voor kaarten of overschrijvingen, recente risicosignalen en de reden waarom de transactie is geweigerd, controleren. Als de oplossing eenvoudig is, kan het systeem de volgende stap weergeven of het juiste verzoek versturen. Als de zaak ongebruikelijk lijkt, stuurt het de details door naar het support- of risicoteam.
Fraudeteams hebben tegelijkertijd te maken met ruis en urgentie. De ene waarschuwing kan gaan over een klant die tijdens een reis sportschoenen koopt. Een andere kan het eerste teken zijn van een account-overname. Een bankmedewerker kan transactiesignalen controleren, de betaling vergelijken met het gebruikelijke gedrag van de klant, risicoregels toepassen en de volgende goedgekeurde stap kiezen. Gevallen met een laag risico kunnen worden doorgestuurd voor bevestiging door de klant. Gevallen met een hoger risico kunnen leiden tot het blokkeren van de kaart, het blokkeren van een overschrijving, het starten van een fraudeonderzoek of een beoordeling door een specialist.
Maar ik zou hier wel voorzichtig mee zijn. Dit proces kan niet maandenlang ongewijzigd blijven. Fraude patronen veranderen, en je hebt ruimte nodig om drempels aan te passen, nieuwe signalen te testen op eerdere gevallen en valse positieven te controleren voordat wijzigingen gevolgen hebben voor echte klanten.
KYC- en AML-werkzaamheden lopen vaak vertraging op nog voordat het besluitvormingsproces begint. Iemand controleert het identiteitsbewijs, ontbrekende documenten, de verklaring over de herkomst van het geld en eventuele AML-waarschuwingen. Een medewerker kan deze eerste stap op zich nemen. Hij of zij signaleert ontbrekende documenten, vraagt de klant om het juiste document, controleert goedgekeurde bronnen, werkt de status van het dossier bij en stelt een korte notitie op voor de compliance-afdeling. Als er onduidelijkheid bestaat over een sanctieovereenkomst of als de verklaring over de herkomst van het geld onvoldoende lijkt, wordt het dossier doorgestuurd naar een specialist.
De verwerking van een lening loopt vaak vast voordat de definitieve beslissing wordt genomen. Inkomensdocumenten, gegevens van kredietinformatiebureaus en rekeninggeschiedenis staan verspreid over verschillende systemen. Een bankmedewerker kan deze gegevens samenbrengen voordat de kredietbeoordelaar het dossier opent. Het systeem signaleert ontbrekende gegevens, toetst de aanvraag aan de kredietregels en markeert wat nog moet worden gecontroleerd.
Voor EU-banken geldt voor deze werkwijze strengere regelgeving. De De EU-AI-wet deelt AI-systemen in categorieën in die de kredietwaardigheid van een persoon beoordelen of diens kredietscore als ‘hoog risico’ aanmerken, tenzij ze worden gebruikt om financiële fraude op te sporen. Voordat dergelijke systemen in gebruik worden genomen, moeten banken de vereiste conformiteitsstappen doorlopen, zorgen voor menselijk toezicht en de geldende registratieregels naleven.
Redencodes moeten een eigen plek krijgen in het proces. In de VS, ECOA en Verordening B vereisen specifieke redenen voor negatieve maatregelen. In de Groot-Brittannië en EU, volgens de regels voor hypothecaire kredietverlening zijn kredietverstrekkers verplicht om consumenten op de hoogte te stellen wanneer een hypotheekaanvraag wordt afgewezen, waarbij aanvullende informatie moet worden verstrekt als een database-zoekopdracht van invloed is geweest op de beslissing. De makelaar kan het dossier voorbereiden en aangeven wat nog moet worden gecontroleerd, maar de bank blijft verantwoordelijk voor de toelichting, het dossier en de uiteindelijke kredietbeslissing.
Bankprocessen lopen vast wanneer één taak door te veel handen gaat. Bij een betalingsonderzoek bijvoorbeeld controleert de ene medewerker de transactie, bekijkt een andere medewerker de rekening, wacht de zaak vervolgens op goedkeuring en brengt ten slotte iemand de klant op de hoogte. Een bankmedewerker kan de zaak efficiënt door alle stappen loodsen: het onderzoek starten, betalingsgegevens opvragen, de zaak bijwerken, goedkeuring aanvragen, het juiste team op de hoogte brengen en de klant een update sturen.
Banken kunnen agenten inzetten voor toepassingen die inkomsten genereren, maar veiligere processen beginnen met een verzoek van de klant. Als een klant vraagt wat hij met een ongebruikt saldo kan doen, kan de agent de toestemming, de geschiktheid, de productregels en de rekeninggegevens controleren voordat hij een geschikte spaaroptie voorstelt.
Kredietgerelateerde zaken moeten strakker worden afgehandeld. Als een eigenaar van een klein bedrijf informeert naar kortetermijnfinanciering vóór de salarisuitbetaling, mag de medewerker niet zelf beslissen of de klant in aanmerking komt, noch een vooraf gescreend aanbod opdringen. Hij of zij kan de benodigde gegevens verzamelen, de basisregels controleren en de zaak door het goedgekeurde kredietproces van de bank leiden. In deze opzet ondersteunt de medewerker cross-selling zonder dat dit uitmondt in een opdringerige verkooppoging.
Chatbots maken gesprekken over bankzaken eenvoudiger. Agentic AI verandert wat er gebeurt nadat de klant om hulp heeft gevraagd. In de praktijk is het sterkste agentic AI-toepassingen in het bankwezen zaken afhandelen met minder overdrachten, het aantal kleine controles voor het team verminderen en klanten helpen sneller te krijgen waarvoor ze gekomen zijn.
Er zitten veel bankkosten verborgen in kleine taken zoals het controleren van documenten, het kopiëren van gegevens, het aanmaken van dossiers, het versturen van updates en het achterhalen van goedkeuringen. Elke stap lijkt klein, maar de kosten lopen op wanneer hetzelfde werk zich herhaalt bij duizenden KYC-updates, betalingscontroles, fraudewaarschuwingen of kredietdossiers. Een medewerker kan een deel van deze routine overnemen, zodat het team zich kan richten op de zaken die menselijke aandacht vereisen. De bank betaalt minder voor hetzelfde repetitieve werk omdat medewerkers er minder uren aan besteden.
Veel bankzaken blijven steken tussen systemen en teams. Een medewerker kan de zaak door de goedgekeurde workflow leiden, gegevens bijwerken, goedkeuring aanvragen, meldingen versturen en het proces onderbreken wanneer een regel of risicodrempel een beoordeling vereist. Op deze manier hoeven medewerkers minder tijd te besteden aan het controleren van statussen of het achterhalen van de volgende stap in het proces.
Medewerkers kunnen cross-selling ondersteunen wanneer de klant al om hulp of productopties heeft gevraagd. Ze controleren of de klant hiermee instemt, of hij in aanmerking komt, of aan de productvoorwaarden wordt voldaan en wat de accountcontext is, en leiden vervolgens gereguleerde kredietaanvragen door het goedgekeurde beoordelingsproces van de bank. De bank krijgt zo meer kansen om een relevant aanbod te doen terwijl de klant al op zoek is naar advies.
Een bankmedewerker kan machtigingen controleren, bankregels toepassen, ongebruikelijke activiteiten signaleren en elke handeling vastleggen. Uw team ziet wat er is gebeurd, wanneer het is gebeurd en waarom de zaak is voortgezet of stopgezet. Hierdoor zijn risicovolle zaken gemakkelijker onder controle te houden voordat ze uitgroeien tot problemen met klanten of bij audits.
Klanten hechten belang aan resultaten. Ze willen dat de kaart wordt geblokkeerd, dat de geschillenprocedure wordt gestart, dat de leningaanvraag wordt afgehandeld of dat het betalingsprobleem wordt opgelost. Een chatbot kan de vraag beantwoorden. Een medewerker kan helpen bij het afhandelen van de taak. Daardoor hoeven klanten minder tijd te besteden aan het achter de bank aan zitten voor updates, en krijgt de bank minder herhaalde telefoontjes en tickets over hetzelfde probleem.
Een bankagent mag geen directe toegang krijgen tot het kernbankingsysteem, betalingssystemen, KYC-, CRM- of fraudebestrijdingssystemen, alleen maar omdat hij de volgende stap kan voorstellen. De bank heeft een controlepunt in het midden nodig. Dit controleert of de medewerker bevoegd is om te handelen, welke gegevens hij mag gebruiken, of iemand de stap moet goedkeuren en hoe de handeling wordt vastgelegd. Dat is de taak van de gateway, veiligheidscontroles en gegevensverbindingen.
Stel dat een klant aangifte doet van een verloren kaart. De medewerker kan besluiten dat de kaart moet worden geblokkeerd, maar de bank moet nog wel controleren of deze medewerker bevoegd is om deze kaart te blokkeren.
Dat is de taak van de Model Context Protocol (MCP)-gateway, die tussen de agent en de systemen van de bank staat. Voordat een verzoek de systemen voor kaartbeheer, kernbankieren, betalingen, KYC, CRM of fraudebestrijding bereikt, controleert de gateway of de actie is toegestaan, of het verzoek de juiste indeling heeft, of goedkeuring nodig is en of de actie wordt geregistreerd.
In de praktijk regelt de gateway zes zaken:
Een chatbot wordt meestal ingezet voor inhoud met een laag risico, zoals productpagina’s, antwoorden op veelgestelde vragen, goedgekeurde scripts en inhoud van het helpcentrum. Als de chatbot een zwak antwoord geeft, kan de bank dit corrigeren.
Een agent staat dichter bij de daadwerkelijke handelingen. Hij of zij kan om een document vragen, een dossier bijwerken, een kaartblokkering in gang zetten, een betalingscontrole activeren of een AML-waarschuwing ter beoordeling doorsturen. Voordat dat gebeurt, heeft de bank een beveiligingslaag nodig die het verzoek, de gegevens en de volgende stap controleert.
Een bankmedewerker heeft, net als elke ervaren operationele specialist, precies op het moment dat het team aan een zaak werkt, de juiste gegevens uit het juiste systeem nodig.
Als een klant wil weten waarom een internationale betaling nog niet is aangekomen, kan het antwoord op verschillende plaatsen te vinden zijn. Het betalingssysteem geeft de status van de overboeking weer. Het kernbankingsysteem bevat de rekeninggegevens en uit de fraudecontrole blijkt of de betaling een regel heeft geactiveerd. In het CRM-systeem staat de notitie over de klant en uit het dossier blijkt wat het team al heeft gecontroleerd. Als de medewerker alleen de notitie in het CRM-systeem ziet, lijkt dat misschien nuttig, maar de werkelijke reden blijft onduidelijk.
API-verbindingen bieden de medewerker een beperkte toegang tot die systemen. Hij of zij kan de betalingsstatus, klantgegevens, KYC-gegevens, fraudesignalen, documenten en de dossiergeschiedenis controleren zonder toegang tot alle informatie. De bank bepaalt wat de medewerker mag inzien, wat hij of zij mag bijwerken en wat buiten bereik blijft. Maar de gegevens moeten ook actueel zijn. Een betalingsstatus, fraudesignaal of risicoscore van gisteren kan de medewerker op het verkeerde spoor zetten.
Agentgebaseerde AI voor klantenservice in het bankwezen wordt riskant zodra het dingen gaat doen. Een zwak antwoord van een chatbot kan een klant irriteren. Een zwakke handeling van een medewerker kan echter echte operationele schade aanrichten: de verkeerde kaart blokkeren, een lening vertragen, persoonlijke gegevens openbaar maken of een verdachte zaak de verkeerde kant op sturen. Hoe eerder je ziet waar de medewerker kan falen, hoe gemakkelijker het is om dat deel van de workflow onder controle te houden voordat echte zaken hierdoor worden beïnvloed.
Agentische AI in het bankwezen Vertrouw niet op je geheugen voor antwoorden die betrekking hebben op leningen, betalingen, geschillen, kosten, limieten of rekeningbeperkingen. Elk antwoord in deze processen moet verwijzen naar het dossier dat het aantoont. Als dat dossier ontbreekt, moet de zaak worden beoordeeld voordat de klant een antwoord krijgt.
Zorg ervoor dat de medewerker met het meest recente dossier werkt voordat hij of zij een dossier verder afhandelt. Een verouderde KYC-status, een vertraagde transactie-update, een verouderd saldo of een onvolledig klantprofiel kunnen ervoor zorgen dat het dossier in de verkeerde stap terechtkomt. Bij kredietzaken, fraude, AML, betalingen en rekeningbeperkingen moet de medewerker stoppen als het huidige brondossier ontbreekt of verouderd is.
Een klantgerichte agent werkt met berichten waarover de bank geen controle heeft. Het kan gebeuren dat iemand de agent vraagt om regels te negeren, vertrouwelijke gegevens weer te geven, een goedkeuringsstap over te slaan of een tool te gebruiken die buiten zijn bevoegdheden valt. De agent moet strikte beperkingen hebben met betrekking tot wat hij mag lezen, wat hij mag doen en welke acties eerst door een menselijke beoordelaar moeten worden gecontroleerd.
Een medewerker kan oude patronen meenemen naar een nieuw proces. Bij kredietverstrekking kunnen eerdere goedkeuringen er bijvoorbeeld toe leiden dat het systeem de voorkeur geeft aan een bepaald type kredietnemer. Bij fraudedetectie kunnen oudere regels ervoor zorgen dat het systeem bepaalde klantgroepen vaker als verdacht markeert. Uw team moet de goedkeuringspercentages, afwijzingsredenen, valse positieven en escalaties voor alle klantgroepen controleren.
Een bankmedewerker kan toegang hebben tot rekeningsaldi, identiteitsgegevens, kaartgegevens, transactiegeschiedenis, inkomensgegevens, ondersteuningsberichten en risicotoelichtingen. Het risico ontstaat wanneer de workflow meer gegevens vrijgeeft dan voor de betreffende zaak nodig is. Eén verkeerde machtiging of overdracht kan ertoe leiden dat klantgegevens op de verkeerde plek terechtkomen. Beperk de toegang tot de gegevens die nodig zijn voor de huidige zaak. Als u niet duidelijk kunt uitleggen tot welke gegevens de medewerker toegang heeft gehad en waarom, is het proces nog niet klaar voor het verwerken van bankgegevens.
Elke handeling van een medewerker moet worden vastgelegd. Of de medewerker nu een overschrijving blokkeert, de KYC-status bijwerkt, een leningdossier verder in behandeling neemt of een AML-zaak ter beoordeling doorstuurt: u moet de regel, de gegevens en de goedkeuring achter elke stap kunnen inzien.
Agentische AI kan niet ondergebracht worden bij een vaag AI-team. De verantwoordelijkheid moet liggen bij de teams die het proces al uitvoeren, of het nu gaat om kaartverwerking voor kaartblokkades en geschillen, kredietverstrekking voor leningaanvragen of compliance voor KYC- en AML-controles. Elke verantwoordelijke moet weten wat de agent mag doen, wanneer een specialist de stap moet goedkeuren en wat er gebeurt als er iets misgaat.
Elke implementatie van agentische AI in het bankwezen zal er anders uitzien, omdat elke workflow zijn eigen systemen, gegevens, risico’s en goedkeuringsregels heeft. Toch is het nuttig om de belangrijkste stappen te begrijpen en te weten wat er bij elke stap nodig is, voordat je begint met de ontwikkeling.
Begin op een kleinere schaal dan je eigenlijk zou willen. Dat is mijn oprechte advies. Kies één proces waarvoor al regels en grenzen gelden en dat door een team wordt beheerd. KYC-adrescontroles in de detailhandel zijn een goed begin. Ook fraudewarning-overzichten voor analisten kunnen goed werken.
Algemene klantenondersteuning is meestal te breed voor versie één. Er komen te veel intenties, systemen, randgevallen en goedkeuringsprocessen bij kijken. Voordat het team code gaat schrijven, moet het de workflow in kaart brengen door een paar basisvragen te beantwoorden:
Nadat je de use case hebt gekozen, moet je kijken naar de gegevens die de workflow daadwerkelijk nodig heeft. De agent heeft voldoende context nodig om de taak uit te voeren, maar de toegang moet beperkt blijven.
Voor een KYC-proces kan het gaan om klantprofielgegevens, geüploade documenten, sanctieresultaten, beleidsregels en casusgeschiedenis. Voor fraudetriage is een andere set inputgegevens nodig, zoals transactiegegevens, eerdere waarschuwingen, kaartstatus en gedragssignalen. Elke bron moet een verantwoordelijke, toegangsregels, bewaartermijnen en logbestanden hebben.
Tijdens de pilot moet directe toegang tot het kernsysteem worden vermeden. API’s, middleware of workflowtools bieden het team een gecontroleerde toegang tot de banksystemen en maken het beheer van machtigingen, limieten, goedkeuringen, terugdraaiingen en monitoring eenvoudiger.
Deze stap wordt vaak onderschat. Een demo kan er prima uitzien, maar in de praktijk komen dan ontbrekende velden, dubbele records, hiaten in de toegang en gegevens waarvan niemand de verantwoordelijkheid op zich neemt aan het licht.
Voeg de agent pas toe nadat de workflow, de gegevenstoegang en de stop-punten in kaart zijn gebracht. Geef vóór de eerste test aan elke beslissing een naam, evenals de taken, de tools die daarbij kunnen worden gebruikt, de overdrachtspunten en de verantwoordelijke.
Houd bij het controleren van leningdocumenten de eerste versie beknopt. De medewerker moet bovendien in een vaste volgorde te werk gaan. Eerst controleert hij de geüploade documenten aan de hand van de checklist van de bank en markeert hij ontbrekende velden. Vervolgens schrijft hij een korte notitie voor de kredietbeoordelaar en stuurt hij onduidelijke bestanden ter beoordeling door. Hij keurt de lening niet goed, wijzigt geen kredietvoorwaarden, stuurt geen berichten naar de klant, heeft geen toegang tot rekeningen en raakt geen betalingen aan.
Test vóór de lancering in de schaduwmodus. De agent kan aantekeningen maken, routes kiezen en aangeven waar hij zou stoppen, maar mag geen gegevens wijzigen of berichten versturen. Vergelijk vervolgens zijn werk met de manier waarop medewerkers dezelfde dossiers hebben afgehandeld. Als de notitie nuttig is, de route overeenkomt met het beleid en het stoppunt logisch is, komt de workflow dichter in de buurt van de productieomgeving. Als het team niet kan uitleggen waarom de agent een bepaalde stap heeft gekozen, pas dan de workflow aan voordat er daadwerkelijk actie wordt ondernomen.
Wanneer de pilot aan echte cases werkt, voeg dan de volgende workflow geleidelijk toe. Een goede eerste workflow kan teams ongeduldig maken, maar elke nieuwe workflow heeft nog steeds een verantwoordelijke, toegangsregels, controlepunten, logboeken en een uitwijkroute nodig.
De verantwoordelijkheden zijn verdeeld over drie functies. Het businessteam is verantwoordelijk voor het eindresultaat; de engineeringafdeling zorgt voor het technische proces, van integraties tot noodoplossingen; en de afdeling risico en compliance controleert de toegang, de audittrajecten en de naleving van het beleid. Dankzij deze opzet zijn incidenten gemakkelijker te beheersen, aangezien elk team zijn verantwoordelijkheden kent.
Houd de afhandelingstijd van cases, handmatige handelingen, fouten, escalaties, de reactietijd van klanten en de uitkomsten van beoordelingen bij in het daadwerkelijke proces. Als de cijfers verbeteren en je team elke handeling kan toelichten, kan deze workflow de basis vormen voor de volgende.
Een recent neobanking-project heeft ons een aantal lessen geleerd die in demo’s zelden aan bod komen. De klant had behoefte aan agentgebaseerde workflows voor betalings- en handelaarsactiviteiten. De ontwikkeling nam ongeveer drie maanden in beslag en kostte ruwweg $144K. In de productie waren snelheid, routing, controles en hergebruik de grootste uitdagingen. Dit zijn dus de belangrijkste conclusies uit het project.
“Bij chatbots leidt elke nieuwe functie vaak tot een aparte technische opdracht. Bij agents kunnen herbruikbare vaardigheden in verschillende bankprocessen worden ingezet, waardoor het opzetten van het volgende proces minder werk kost dan het eerste.”
Hoofd AI-bedrijfspraktijk
Laten we nu eens kijken wat banken in de nabije toekomst realistisch gezien kunnen verwachten van agentische AI. Als u nu al op de hoogte bent van deze veranderingen, kunt u bij het ontwerpen van agents rekening houden met toekomstige werkprocessen, in plaats van dat u later de hele opzet opnieuw moet bekijken.
Ik verwacht niet dat banken meteen zullen overstappen op multi-agent-systemen. De variant voor de korte termijn is naar mijn mening praktischer: één gestuurde agent die samenwerkt met verschillende gespecialiseerde tools om zich heen.
Bij het onboardingproces is de veiligere aanpak op korte termijn bijvoorbeeld dat één gecontroleerde agent verschillende tools gebruikt. Deze agent kan documenten verzamelen, identiteitsbewijzen verifiëren, sanctielijsten controleren en het dossier klaarmaken voor beoordeling. Hij heeft slechts beperkte bevoegdheden en houdt bij wat hij heeft gedaan. Dat is volgens mij de richting waarin agentische AI in het bankwezen zich in eerste instantie zal ontwikkelen. Echte multi-agent-systemen komen wellicht pas later, wanneer afzonderlijke agenten informatie delen en beslissingen op elkaar afstemmen.
AI-first bankieren zal waarschijnlijk beginnen met alledaagse maar lastige processen zoals KYC, fraudecontroles, voorselectie van leningen, geschillenbeslechting en interne rapportage. Op deze gebieden bestaan al regels, documenten, controles en uitzonderingen, waardoor ze gemakkelijker kunnen worden opgedeeld in stappen die geschikt zijn voor agents.
Mensen zullen zich meer gaan richten op werk waarbij veel beoordelingsvermogen vereist is. De medewerker zal de zaak voorbereiden, gegevens verzamelen, dossiers vergelijken en aangeven wat nader moet worden bekeken. Medewerkers zullen op hun beurt complexere kwesties behandelen, zoals geschillen, klachten, grote transacties, vermoedens van fraude en uitzonderingen op het beleid.
Momenteel stellen banken doorgaans duidelijke regels vast over wat een agent wel en niet mag doen. In de toekomst zouden deze bevoegdheden wel eens flexibeler kunnen worden en afhankelijk kunnen zijn van het specifieke geval dat de agent behandelt. Zo zou een verzoek met een lage waarde bijvoorbeeld gemakkelijker kunnen worden afgehandeld, terwijl een grote transactie, ongebruikelijk klantgedrag of een verwarrend AML-signaal ertoe zou leiden dat het proces strenger wordt of dat de zaak naar een medewerker wordt doorgestuurd.
Banken kunnen ook de mate van vrijheid die medewerkers hebben aanpassen op basis van hoe goed elke workflow verloopt. Als eenvoudige zaken soepel en met weinig fouten worden afgehandeld, krijgen medewerkers mogelijk meer speelruimte in dat proces. Maar als er meer klachten, handmatige correcties of risicowaarschuwingen zijn, wordt het proces weer strenger.
Agentische AI is zinvol in het bankwezen wanneer deze binnen een concreet proces met duidelijke grenzen wordt ingezet. Het kan helpen om KYC-updates, fraudewaarschuwingen, betalingscontroles, kredietdossiers en servicecases sneller af te handelen, maar de bank moet eerst de regels vaststellen.
Waar ik voorzichtig mee zou zijn, is het proces rondom de agent. Onduidelijke verantwoordelijkheden, gebrekkige logbestanden, dubbele gegevens, vage goedkeuringsregels en gebrekkige overdrachten zullen niet zomaar verdwijnen. Voeg daar nog een agent aan toe, en de chaos kan zich nog sneller verspreiden.
Als je niet zeker weet of je bank een AI-agent nodig heeft, of waar zo’n agent zinvol zou zijn, onze adviseurs kan je helpen dit op te lossen. We zullen je huidige proces onder de loep nemen, de knelpunten opsporen en nuttige Toepassingen van agentic AI in het bankwezen zonder al te veel ophef, en helpen bij de implementatie waar dat daadwerkelijk zinvol is.
In de banksector beantwoordt een chatbot doorgaans vragen en volgt hij een vast gesprekspad. Agentische AI in de bank- en financiële sector kan het verzoek interpreteren, de volgende stap kiezen, het juiste systeem aanspreken en een taak voltooien zonder elke kleine handeling aan een medewerker door te geven.
In sommige gevallen wel. Medewerkers kunnen chatbot-processen overnemen wanneer voor de taak goedgekeurde regels, systeemtoegang en een veilige terugvaloptie naar een menselijke specialist zijn vastgelegd. Een medewerker kan bijvoorbeeld helpen bij het afhandelen van een fraudemelding door de rekeninggegevens te controleren, de door de bank goedgekeurde stappen te volgen en de zaak verder te behandelen.
Agentische AI in het bankwezen vereist coördinatie en een gateway-laag tussen het model en de banksystemen. Deze lagen controleren verzoeken, beheren machtigingen en blokkeren risicovolle acties voordat deze de kernbanksystemen bereiken.
Agent-gebaseerde AI in het bankwezen en de financiële dienstverlening ondersteunt de naleving van regelgeving door middel van controles die worden uitgevoerd voordat de agent actie onderneemt. Deze controles kunnen betrekking hebben op AML, GDPR-gerelateerde regels, toegangsrechten en auditlogboeken. Simpel gezegd: de agent mag alleen handelen binnen de goedgekeurde bankregels.
In deze architectuur vormt de MCP-gateway de schakel tussen AI-agenten en de interne systemen, databases en API’s van een bank. De gateway controleert, formatteert en keurt verzoeken van agenten goed, zodat de bank bepaalt wat de agent kan zien en doen.
Veelvoorkomende voorbeelden zijn onder meer de beoordeling van fraudewaarschuwingen, KYC-updates, beoordelingen van AML-zaken, controles van kredietdossiers, betalingsonderzoeken en klantenservicekwesties zoals mislukte betalingen of verloren kaarten.
De kosten zijn afhankelijk van de workflow, de gekoppelde systemen, de beveiligingsmaatregelen, de nalevingsvereisten en het aantal vaardigheden dat de AI-agent moet bezitten. Een AI-agent voor één workflow kost doorgaans minder dan een systeemoverschrijdende agent die is gekoppeld aan kernbankieren, betalingen, KYC, fraudebestrijding en CRM.
Blockchain expert & DeFi analist
Andrew vertaalt gedecentraliseerde concepten in veilige, functionele financiële tools. Hij navigeert door het vluchtige DeFi-landschap om schaalbare blockchain-infrastructuren te bouwen die het echte nut aanspreken, en gaat voorbij aan de modewoorden om technische waarde te leveren.
