Banken gebruiken al meer dan een halve eeuw scoringsmodellen voor kredietrisicobeheer, en kaartnetwerken draaien al jaren op machine learning gebaseerde fraudedetectiemodellen. Wat is veranderd, is de reikwijdte. Modellen voor kunstmatige intelligentie (AI) verwerken nu ongestructureerde gegevens, genereren voor mensen leesbare output en werken in workflows waarvoor voorheen het oordeel van ervaren mensen nodig was. AI in financiële technologie, of fintech, verwijst naar het gebruik van machine learning-modellen, grote taalmodellen (LLM's) en statistische patroonherkenning om financiële producten, diensten en infrastructuur aan te sturen. Deze verschuiving verandert de manier waarop financiële producten worden ontwikkeld, met tarieven en prijzen, en geleverd.

Hieronder bespreken we de belangrijkste toepassingen van AI in fintech, waar betalingen en fraudedetectie in passen, en met welke beperkingen op het gebied van data, beveiliging en regelgeving je rekening moet houden.

Hoogtepunten

• AI in fintech omvat drie verschillende categorieën: voorspellende modellen, generatieve modellen en systemen voor beslissingsautomatisering. Elk model wordt op een andere manier gebouwd, geëvalueerd en gereguleerd.

• Fraudedetectie is een belangrijke toepassing. Machine learning-modellen op netwerkniveau kunnen gecoördineerde fraudepatronen identificeren die geen enkel bedrijf in zijn eentje zou kunnen opsporen.

• Een succesvolle implementatie van AI in de financiële dienstverlening hangt af van de kwaliteit van de data, de bestuursstructuur en een scherpzinnige beoordeling van waar een eigen ontwikkeling voordelen oplevert.

Wat is AI in fintech?

AI in fintech omvat een breed scala aan toepassingen, van fraudemodellen die verdachte kaarttransacties signaleren tot kredietbeoordelingssystemen die een lening kunnen berekenen zonder dat er een menselijke beoordelaar aan te pas komt. AI versterkt financiële systemen door instellingen te helpen sneller en nauwkeuriger beslissingen te nemen op grote schaal.

Hoe werkt AI in fintech?

De technische details verschillen per toepassing, maar AI-systemen in de financiële dienstverlening volgen doorgaans een vergelijkbare architectuur. Ze gebruiken verschillende modellen om nieuwe gebeurtenissen in realtime te scoren of te voorspellen.

Hier zijn drie veelvoorkomende voorbeelden.

Fraudedetectie

Een betaaldienstverlener verzamelt transactiesignalen zoals aankoopbedrag, merchant category code, apparaatvingerafdruk, locatie, transactiesnelheid en leeftijd van de rekening. Deze signalen worden ingevoerd in een model dat is getraind op honderden miljoenen (of miljarden) historische transacties, inclusief bevestigde gevallen van fraude. Het model genereert vervolgens een risicoscore. Een beslissingsengine gebruikt die score om te bepalen of de transactie wordt goedgekeurd, geweigerd of doorgestuurd voor handmatige controle, meestal binnen het kaartautorisatievenster.

Kredietbeoordeling

Kredietverstrekkers combineren gegevens van kredietbureaus met andere signalen, zoals de transactiegeschiedenis bij de bank en het gedrag van de kredietnemer tijdens het aanvraagproces. Modellen zoals neurale netwerken schatten de kans in dat een kredietnemer in gebreke blijft. Die voorspelling is bepalend voor de goedkeuring en tarieven van de lening.

LLM's

LLM's kunnen worden gebruikt om workflows te automatiseren waarbij tekst wordt gelezen of geschreven. In de financiële dienstverlening kunnen ze helpen bij documentanalyse (leningaanvragen, verzekeringsclaims en wettelijk verplichte rapportages), klantenondersteuning en intern onderzoek. Omdat de output van LLM's gebaseerd is op waarschijnlijkheid en moeilijk te controleren is, zorgen ze voor nieuwe uitdagingen in gereguleerde omgevingen waar interpretatie en verantwoording nodig zijn.

Waarom verandert AI de financiële dienstverlening?

De financiële sector leent zich uitstekend voor machine learning omdat er grote datasets worden gecombineerd met een constante stroom van beslissingen. Hieronder gaan we dieper in op de aspecten van de sector die het geschikt maken voor verbeteringen door AI:

• Datadichtheid: banken, kredietverstrekkers en betalingsnetwerken verwerken enorme hoeveelheden transacties, rekeninggeschiedenis en marktgegevens. Deze overvloed aan gestructureerde informatie biedt machine learning-modellen ongewoon rijke trainingsdata.

• Beslissingsvolume: financiële instellingen nemen elke dag miljoenen kleine beslissingen, of het nu gaat om het goedkeuren van transacties, het beoordelen van leningen, het doorsturen van claims of het monitoren van activiteiten. Zelfs kleine verbeteringen in de nauwkeurigheid van beslissingen leiden al snel tot kostenbesparingen en omzetstijgingen.

• Efficiëntie: processen zoals hypotheekacceptatie en het beoordelen van claims vereisten van oudsher veel handmatig werk. AI-ondersteunde workflows kunnen arbeidskosten en doorlooptijden minimaliseren.

• Fraudepreventie: betere modellen helpen bij het verminderen van valse positieven (d.w.z. minder legitieme transacties die worden geweigerd) en valse negatieven (d.w.z. minder frauduleuze transacties die worden goedgekeurd). Elke verbetering heeft direct invloed op de omzet, bedrijfskosten en klantvertrouwen.

• Ongestructureerde data: eerdere automatiseringssystemen werkten goed met gestructureerde input zoals getallen en categorieën. Nieuwere modellen kunnen documenten, gesprekken en andere ongestructureerde data interpreteren, waardoor automatisering mogelijk wordt op gebieden waar voorheen menselijk oordeel nodig was.

Wat zijn de belangrijkste AI-toepassingen in de fintech-sector?

In de fintech-sector concentreert AI zich meestal op een paar domeinen waar grote datasets en hoge besluitvolumes automatisering bijzonder waardevol maken. Hier zijn enkele van de belangrijkste toepassingen.

Krediet en risico-evaluatie

Traditionele kredietscores zijn sterk afhankelijk van gegevens van kredietbureaus, waardoor mensen die ‘kredietonzichtbaar’ zijn worden uitgesloten en anderen met een dun dossier onderbediend worden. AI-modellen die zijn getraind op alternatieve gegevens, zoals banktransactiepatronen, huurbetalingen en loongegevens, kunnen de toegang tot krediet vergroten met behoud van nauwkeurige risicovoorspellingen.

Fraudepreventie

Fraudedetectie is een van de meer volwassen toepassingen van machine learning in de financiële sector. Moderne systemen herkennen patronen zoals pogingen tot account-overname, synthetische identiteiten en gecoördineerde fraudenetwerken die met statische regels moeilijk te detecteren zijn.

Klantenservice en ondersteuning

Door LLM aangestuurde assistenten kunnen veel routinematige klantcontacten afhandelen, zoals vragen over accounts, transactiegeschillen en begeleiding bij het aanmelden. Effectieve systemen automatiseren eenvoudige verzoeken en escaleren moeilijke of gevoelige zaken naar menselijke medewerkers.

Compliance

Witwasbestrijding (AML) monitoring genereert een groot aantal waarschuwingen, waarvan er veel valse positieven zijn. Machine learning-modellen kunnen helpen om echte verdachte activiteiten te onderscheiden van ongebruikelijk maar legitiem gedrag, waardoor de werkdruk bij onderzoeken afneemt. AI kan ook ken-je-klant-processen versnellen door identiteitsgegevens uit documenten te halen.

Marktanalyse en risicobeheer

AI breidt de mogelijkheden van kwantitatieve modellen uit door ongestructureerde informatie te analyseren, zoals earnings calls, nieuws, satellietbeelden en geaggregeerde transactiegegevens. Dit kan extra signalen opleveren voor de handel en risicomonitoring.

Hoe wordt AI toegepast bij betalingen, fraudebestrijding en risicobeheer?

Betalingen, fraudebestrijding en risicobeheer behoren tot de meest arbeidsintensieve en cruciale aspecten van financiële dienstverlening. De betaalinfrastructuur stelt enkele van de strengste real-time eisen aan AI-systemen, en fraude is de meest directe kostenpost van een verkeerde beslissing.

Dit is waar ondernemingen op moeten letten als ze AI gebruiken om problemen op het gebied van betalingen, fraude en risico’s op te lossen.

Betalingen en fraude

Fraudemodellen die beslissingen over autorisatie van transacties sturen, moeten zowel snel als nauwkeurig zijn. Het weigeren van legitieme aankopen kan klanten frustreren, terwijl gemiste fraude kan leiden tot direct financieel verlies. Tools zoals Stripe Radar gebruiken machine learning-modellen die zijn getraind op transactiegegevens van grote netwerken om elke transactie te beoordelen op frauderisico. Hierdoor worden de modellen blootgesteld aan fraudepatronen die geen enkel bedrijf afzonderlijk zou kunnen waarnemen. Hun signalen kunnen helpen bij het opsporen van een fraudenetwerk dat één bedrijf in een netwerk aanvalt, voordat het escaleert. Bedrijven kunnen het gedrag van deze tools aanpassen met hun eigen regels bovenop het onderliggende model, dat continu wordt bijgewerkt naarmate er nieuwe fraudepatronen opduiken.

Krediet- en risicobeheer

Kredietresultaten zijn afhankelijk van veranderende economische omstandigheden, gebeurtenissen in het leven van de kredietnemer en inherente onzekerheid. AI neemt die onzekerheid niet weg, maar kan meer voorspellende signalen uit beschikbare gegevens halen. Dit maakt een meer verfijnde tariefbepaling mogelijk. Omdat kredietmodellen echter leren van historische gegevens, kunnen ze bestaande vooroordelen reproduceren als ze niet worden gecontroleerd. Verantwoord gebruik vereist fairness-tests, zorgvuldige selectie van kenmerken en voortdurende monitoring om ervoor te zorgen dat modellen beschermde groepen niet systematisch benadelen.

Wat zijn de overwegingen op het gebied van data, beveiliging en regelgeving voor AI in de financiële dienstverlening?

AI in de financiële dienstverlening verbindt verschillende overlappende compliance-regels en beperkingen. Voor implementatie en compliance is diepgaande kennis nodig van hoe deze onderdelen in elkaar passen.

Houd het volgende in gedachten:

• Gegevensprivacy en opslaglocatie: financiële gegevens zijn zeer gevoelig. Regelgeving zoals de Algemene Verordening Gegevensbescherming (AVG) van de EU geeft individuen rechten met betrekking tot geautomatiseerde besluitvorming, wat verplichtingen op het gebied van interpreteerbaarheid en transparantie met zich meebrengt voor AI-gestuurde krediet- of verzekeringsbeslissingen. Verschillende Amerikaanse staten hebben hun eigen privacywetten met specifieke vereisten.

• Interpreteerbaarheid van modellen: financiële toezichthouders eisen vaak dat kredietverstrekkers ongunstige beslissingen aan aanvragers uitleggen. Dit is eenvoudig met een op regels gebaseerd systeem, maar moeilijker met veelzijdige machine learning-modellen.

• Modelrisicobeheer: kaders zoals de SR 11-7-richtlijn van de Amerikaanse Federal Reserve verplichten financiële instellingen om modellen te valideren, hun aannames te documenteren en de prestaties in de loop van de tijd te monitoren. AI-systemen zijn onderworpen aan dezelfde toezichtseisen als traditionele modellen.

• Beveiligings- en aanvalsrisico's: machine learning-systemen introduceren nieuwe aanvalsoppervlakken. Frauduleuze actoren kunnen fraudedetectiemodellen onderzoeken om hun zwakke punten te ontdekken, terwijl anderen informatie uit getrainde modellen kunnen extraheren. Het beveiligen van AI-infrastructuur is onderdeel van een bredere financiële cyberbeveiliging.

• Leveranciersrisico: veel financiële instellingen gebruiken AI-modellen van externe leveranciers. Effectief risicobeheer vereist inzicht in hoe die modellen zijn getraind, hoe ze worden gemonitord en welke beveiligingsmaatregelen er zijn als ze falen.

Is jouw onderneming klaar om AI in de financiële dienstverlening te implementeren?

Het succesvol invoeren van AI hangt grotendeels af van de datakwaliteit en het beheer binnen je organisatie. Voordat je begint, moet je realistische verwachtingen hebben over hoe het zal helpen en hoe het kan worden toegepast.

Dit zijn de stappen voor de invoering:

• Begin met data: verbeter je data-infrastructuur. AI-systemen zijn slechts zo betrouwbaar als de data waarop ze zijn getraind. Slecht gelabelde transacties, gefragmenteerde klantgegevens of bevooroordeelde beslissingen uit het verleden leiden tot gebrekkige modellen.

• Zorg voor governance: je moet duidelijk vastleggen wie verantwoordelijk is voor de prestaties van het model en het toezicht. Teams moeten weten wie modelafwijkingen in de gaten houdt, de eerlijkheid beoordeelt en reageert als systemen zich onverwacht gedragen.

• Beslis of je zelf bouwt of koopt: het bouwen van eigen modellen is zinvol als een bedrijf unieke gegevens of gespecialiseerde behoeften heeft. Het kopen of licentiëren van modellen gaat vaak sneller als het probleem veelvoorkomend en goed begrepen is.

• Probeer eerst een beperkte toepasssing: in plaats van een brede AI-transformatie te proberen, kun je beginnen met één besluitvormingsproces met een hoog volume waarvoor je duidelijke historische gegevens en succesmetriek hebt. Door modellen parallel aan bestaande workflows te draaien, kun je de prestaties meten en vertrouwen opbouwen.

• Gebruik bestaande infrastructuur: de infrastructuur van Stripe, inclusief Radar voor fraudebestrijding en de datasignalen die beschikbaar zijn via de Stripe-API, biedt ondernemingen een startpunt waardoor ze niet alles vanaf nul hoeven op te bouwen. Elke organisatie moet zelf beslissen waar AI wordt toegepast en hoe dit wordt beheerd en gemonitord, maar dit soort tools kan betalingen en fraude aan.

Hoe Stripe Payments kan helpen

Stripe Payments biedt een uniforme, wereldwijde betaaloplossing waarmee elke onderneming, van groeiende start-ups tot internationale ondernemingen, online, persoonlijk en overal ter wereld betalingen kan ontvangen.

Stripe Payments kan je helpen met:

• Je afrekenervaring te optimaliseren: creëer een probleemloze klantervaring en bespaar duizenden technische uren met vooraf gebouwde betalingsinterfaces, toegang tot 125+ betaalmethoden en Link, een wallet gebouwd door Stripe.

• Sneller uit te breiden naar nieuwe markten: bereik klanten over de hele wereld en verminder de complexiteit en kosten van multivalutabeheer met grensoverschrijdende betaalopties, beschikbaar in 195 landen in 135+ valuta's.

• Persoonlijke en online betalingen samen te voegen: bouw een unified commerce-ervaring op via online en persoonlijke kanalen om interacties te personaliseren, loyaliteit te belonen en inkomsten te laten groeien.

• De betaalprestaties te verbeteren: verhoog inkomsten met een reeks aanpasbare, eenvoudig te configureren betaaltools, waaronder no code-fraudebescherming en geavanceerde mogelijkheden om autorisatiepercentages te verbeteren.

• Sneller te werken met een flexibel, betrouwbaar platform voor groei: bouw voort op een platform dat is ontworpen om met jou mee te groeien, met een historische uptime van 99,999% en toonaangevende betrouwbaarheid.

Lees meer over hoe Stripe Payments je online en fysieke betalingen kan stimuleren, of ga er vandaag nog mee aan de slag.