Kunstmatige intelligentie (AI) geeft de financiële sector een nieuwe vorm: 91% van de financiële instellingen maakt gebruik van AI. De combinatie van goedkopere computers, betere tools en concurrentiedruk heeft ervoor gezorgd dat AI niet langer experimenteel is, maar onmisbaar op het gebied van fraude, krediet, betalingen en compliance. Dit brengt kansen en risico’s met zich mee, vooral in een sector die zo sterk gereguleerd is als de financiële sector.

Hieronder bespreken we hoe AI in de financiële sector betalingen en risicobeheer verandert, wat dit betekent voor de klantervaring, en een deel van het regelgevings- en beveiligingslandschap voor instellingen die deze systemen inzetten.

Hoogtepunten

• AI levert duidelijke, meetbare resultaten op bij fraudedetectie en risico-evaluatie.

• Regelgevingsvereisten voor verklaarbaarheid en ongelijkwaardige impact vragen om aandacht.

• De volgende stap voor de meeste instellingen is het verantwoord inzetten van deze AI-gedreven tools, wat zowel een organisatorische en bestuurlijke als een technische uitdaging is.

Waarom neemt de acceptatie van AI in de financiële sector zo snel toe?

De financiële sector is altijd al een data-intensieve sector geweest. Maar lange tijd bleef het vermogen van de sector om op basis van die data te handelen ver achter bij het vermogen om die data te verzamelen.

Nu komen drie krachten samen om daar verandering in te brengen:

• De kosten voor dataverwerking zijn gedaald: vijf jaar geleden zou het voor de meeste ondernemingen onbetaalbaar zijn geweest om grote modellen te draaien op werkbelastingen met hoge volumes. Door de lagere kosten is het nu zelfs voor veel middelgrote instellingen haalbaar.

• Open-source tools zijn volwassen geworden: voortbouwen op bestaande infrastructuur is doorgaans sneller en goedkoper dan helemaal vanaf nul beginnen. Dit heeft de drempel verlaagd voor instellingen zonder grote interne AI-teams.

• De concurrentiedruk is toegenomen: instellingen met snellere, nauwkeurigere signalen over kredietrisico’s of fraude hebben een aanzienlijk voordeel ten opzichte van instellingen die nog steeds verouderde systemen gebruiken die zijn ontworpen voor kleinere datavolumes.

Wat zijn de belangrijkste AI-trends die de financiële dienstverlening vormgeven?

AI speelt veel rollen in de financiële sector en verandert overal de manier waarop dingen worden gedaan, onder andere in de engineeringafdelingen van financiële technologie (fintech), juridische afdelingen en meer.

AI zorgt voor verbeteringen op deze gebieden:

• Interne productiviteit: banken en verzekeraars gebruiken grote taalmodellen (LLM's) om analisten te helpen bij het samenvatten van earnings calls, het opstellen van kredietmemo's en het doorzoeken van interne kennisbanken.

• Voorspellende modellen: traditionele kredietscores zijn gebaseerd op een beperkte set variabelen (bijv. betalingsgeschiedenis, kredietgebruik, lengte van kredietgeschiedenis). Alternatieve datamodellen kunnen honderden variabelen meenemen om kredietbeoordelingen te genereren voor klanten met weinig of geen gegevens, die anders nooit in aanmerking zouden komen voor conventionele risico-evaluatie.

• Realtime fraudedetectie: de sector is bijna volledig overgestapt van op regels gebaseerde systemen naar modelgestuurde systemen. Machine learning-modellen kunnen afwijkingen in bestedingspatronen herkennen die geen enkele statische regelset zou opmerken. Ook worden ze continu bijgewerkt naarmate aanvalspatronen veranderen.

• Agentische financiële workflows: de sector maakt steeds vaker gebruik van agentische workflows die meerstapsacties kunnen uitvoeren (bijv. rekeningen afstemmen, betalingsruns starten of uitzonderingen escaleren) met minimale menselijke tussenkomst bij elke stap.

Hoe verandert AI betalingen, risico's en bedrijfsvoering in de financiële sector?

AI verwerkt volumes en herkent patronen met een snelheid en schaal die handmatige processen niet kunnen evenaren. AI-betaaltools hebben een meetbare impact gehad op de klantervaring en verliespercentages.

Dit is wat ze kunnen doen:

• Realtime fraudescore: moderne kaartnetwerken en betaaldienstverleners kunnen snel veel gegevenspunten per transactie analyseren (bijv. apparaatvingerafdruk, transactiesnelheid, geografisch patroon en tijdstip van de dag) en deze gebruiken om een risicoscore te genereren voordat de betaling wordt geautoriseerd. Stripe Radar gebruikt bijvoorbeeld machine-learningmodellen die zijn getraind op gegevens van miljoenen ondernemingen om afwijkingen te detecteren en een risicoscore toe te kennen aan elke transactie.

• Proactief geschillenbeheer: AI kan transacties markeren die waarschijnlijk zullen leiden tot chargebacks voordat er een geschil wordt ingediend. Dit geeft bedrijven de kans om proactief een terugbetaling uit te voeren of contact op te nemen met de klant, wat het aantal geschillen kan verminderen.

• Risico-evaluatie: AI-gestuurde modellen kunnen snel een besluit nemen over een lening aan een klant. Bij kredietverlening aan kleine ondernemingen kan cashflowanalyse de traditionele documentcontrole vervangen of aanvullen, wat in het verleden de goedkeuringen altijd vertraagde.

• Treasury- en liquiditeitsbeheer: financiële teams kunnen AI gebruiken om de kaspositie nauwkeuriger te voorspellen door historische patronen te modelleren in combinatie met realtime gegevens over in- en uitgaande stromen.

• Compliance-monitoring: AI-compliance-software kan grote hoeveelheden communicatie en transactieactiviteit scannen op aanwijzingen voor beleidsschendingen of regelgevingsrisico’s, zonder veel van de inconsistenties die bij een handmatige beoordeling voorkomen.

Hoe beïnvloedt het gebruik van AI in de financiële sector de klantervaring en het vertrouwen?

AI heeft de potentie om klanten een veiliger en meer erkend gevoel te geven. Maar diezelfde mogelijkheden kunnen de klantervaring ook meer verwarrend of ondoorzichtiger maken.

Denk eens aan deze kwesties:

• Personalisatie versus privacy: personalisatie-engines kunnen relevante producten naar voren halen op basis van accountgedrag, in plaats van te vertrouwen op brede demografische segmenten. Maar AI-gestuurde personalisatie is afhankelijk van gedetailleerde gedragsgegevens en sommige klanten voelen zich ongemakkelijk bij de manier waarop die gegevens worden gebruikt.

• Beperkingen van de klantenservice: AI-aangedreven virtuele assistenten kunnen saldo-opvragingen en routineverzoeken nauwkeurig en snel afhandelen, maar ze kunnen vaak geen antwoord geven op complexe of dubbelzinnige vragen. Wanneer een klant geen mens kan bereiken nadat de assistent faalt, kan de relatie worden beschadigd.

• Ondoorzichtigheid bij belangrijke beslissingen: klanten weten waarschijnlijk niet wanneer AI betrokken is bij een beslissing die hen raakt, zoals een afgewezen kredietaanvraag, een fraudemelding of een gemarkeerde rekening. Als die beslissingen verkeerd zijn, kan de ondoorzichtigheid het moeilijker maken om ze aan te vechten en een gevoel van willekeur creëren dat het vertrouwen in de instelling kan ondermijnen.

Wat zijn de regelgevende, veiligheids- en ethische overwegingen rond AI in de financiële sector?

De regelgeving rond AI in de financiële sector verandert snel, net als de zorgen op het gebied van beveiliging en ethiek. Instellingen die AI inzetten, moeten rekening houden met deze dynamiek.

Dit is waar je op moet letten:

• Amerikaanse richtlijnen over negatieve kredietbeslissingen: het Consumer Financial Protection Bureau (CFPB) heeft duidelijk gemaakt dat het gebruik van een algoritme een kredietverstrekker niet vrijstelt van het geven van specifieke, nauwkeurige redenen voor negatieve kredietbeslissingen onder de Equal Credit Opportunity Act. In de VS is het leveren van verklaarbare resultaten een compliance-vereiste.

• EU-AI-wet: de EU-AI-wet classificeert AI-systemen die worden gebruikt voor kredietscores en kredietwaardigheidsbeoordelingen als risicovol, wat eisen stelt aan transparantie, menselijk toezicht en documentatie die verder gaan dan wat veel financiële instellingen nu hebben. Voor sommige bepalingen gelden al nalevingstermijnen.

• Modelbias en ongelijk effect: trainingsdata die historische kredietpatronen weerspiegelen, kunnen historische discriminatie in zich dragen. Modellen die zijn getraind op basis van goedkeuringen uit het verleden, zullen leren die patronen te herhalen, tenzij het trainingsproces hier expliciet rekening mee houdt. Dit is een ethisch en regelgevend probleem, omdat toezichthouders ongelijk effect als een handhavingskwestie behandelen.

• AI als aanvalsoppervlak: fraudedetectiemodellen kunnen worden getest en gemanipuleerd door geavanceerde actoren die begrijpen hoe ze werken en die inputs testen die zijn ontworpen om detectie te omzeilen. Dit is een actief gebied van adversariaal onderzoek.

Hoe moeten financiële instellingen zich voorbereiden op de verdere invoering van AI?

De instellingen die voorop lopen, hebben de infrastructuur en organisatorische capaciteit opgebouwd om AI op verantwoorde wijze op grote schaal in te zetten.

Dit zijn de aandachtspunten:

• Datakwaliteit: een goed ontworpen model dat is getraind op schone, goed gelabelde data presteert beter dan een geavanceerd model dat is getraind op rommelige data. Veel instellingen investeren te weinig in data-infrastructuur in vergelijking met modelontwikkeling, een probleem dat zich in de loop van de tijd opstapelt.

• Echt menselijk toezicht: regelgeving vereist menselijke controle van belangrijke AI-beslissingen. Dat betekent dat je workflows moet ontwerpen waarin beoordelaars de context, tijd en bevoegdheid hebben om modeluitkomsten te negeren.

• Grondige leveranciersbeoordeling: wanneer financiële instellingen een AI-systeem van een externe leverancier implementeren, zijn ze verantwoordelijk voor wat dat systeem doet. Beoordelingen van leveranciers moeten betrekking hebben op verklaarbaarheid, methodologie voor het testen van vooringenomenheid, praktijken voor gegevensverwerking en de houding van de leverancier ten opzichte van regelgeving.

• Functieoverschrijdend eigenaarschap: AI-implementaties die volledig binnen technologieteams plaatsvinden, missen vaak de implicaties op het gebied van compliance, juridische zaken en klantervaring. De instellingen die duurzame AI-capaciteiten opbouwen, behandelen deze als functieoverschrijdende programma's.

• Audittrajecten voor elke belangrijke beslissing: of het nu gaat om een afgewezen kredietaanvraag, een fraudemelding of een geautomatiseerde betalingsblokkering, instellingen moeten kunnen achterhalen waarom een model een bepaalde uitkomst heeft gegeven. Dit is belangrijk voor toezichthouders, klanten en de beoordelingsprocessen van de instelling.

Hoe Stripe Payments kan helpen

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

Stripe Payments kan je helpen met:

• Je afrekenervaring te optimaliseren: Creëer een soepele klantervaring en bespaar duizenden engineeringuren met vooraf gebouwde betaalinterfaces (UI's), toegang tot meer dan 125 betaalmethoden en Link, een door Stripe ontwikkelde wallet.

• 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.

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

• Het verbeteren van de betaalprestaties: 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.