AI voor banken: 3 praktische toepassingen voor compliance en kredietverlening

Een rechtbank legde in juni 2026 een boete op aan een kredietverstrekker omdat een software-update de inkomsten- en lastentoets ruim drie weken lang oversloeg, oordeelde de rechtbank Rotterdam: 158 klanten kregen daardoor meer krediet dan verantwoord was. Dat is precies het risico zodra je AI laat meeschrijven aan een proces met rechtsgevolg: een systeem dat feilloos werkt binnen de regels die het meekrijgt, en blind is voor de regel die er niet in zit. AI voor banken draait daarom niet om een chatbot die klanten te woord staat, maar om drie concrete taken waar AI vandaag al tijd teruggeeft: transactiemonitoring-alerts samenvatten, een kredietbeleidswijziging doorrekenen, en klantonboarding versnellen. Bij alle drie geldt dezelfde grens: AI bereidt voor, een medewerker beoordeelt en ondertekent. Wil je die grens met je team in kaart brengen voordat je begint, dan is een AI-werksessie de eerste stap, niet de vijfde.

Wat AI voor banken vandaag al goed doet

AI is in de bankensector al verweven met risicobeheer, en de druk om sneller te werken neemt toe. Volgens Thomson Reuters krijgen grote banken dagelijks te maken met bijna 200 wijzigingen in regelgeving, en niet elke wijziging vraagt om nieuw beleid, maar elke wijziging vraagt wel om een besluit dat je kunt onderbouwen. Diezelfde verschuiving speelt bij toezicht op witwassen: vanaf 10 juli 2027 vervangt de Europese Anti-Money Laundering Regulation (AMLR) de Wwft, en toezichthouders vragen dan niet meer "heb je een proces", maar "laat zien hoe je tot dit besluit bent gekomen", meldt een analyse op Banken.nl. AI kan daarbij helpen, mits elke uitkomst herleidbaar blijft tot het bronstuk waarop hij rust. Drie taken zijn daarvoor rijp.

Toepassing 1: transactiemonitoring-alerts samenvatten en prioriteren

De taak: elke ongebruikelijke transactie moet volgens artikel 16 Wwft gemeld worden bij de Financiële inlichtingen eenheid, onverwijld nadat het ongebruikelijke karakter bekend is geworden. Een compliance-analist krijgt dagelijks tientallen alerts uit het transactiemonitoringsysteem, en moet per alert beoordelen of er aanleiding is om te melden.

Hoe AI helpt: je geeft AI het transactiedossier (historie, klantprofiel, eerdere alerts) en laat het de relevante punten samenvatten: wat is nieuw aan dit patroon, en waar in het dossier staat dat. Dat werkt omdat samenvatten van een dossier een leestaak is, geen beoordelingstaak. Het werkt niet als eindoordeel, want de meldplicht kent een lage drempel: het College van Beroep voor het bedrijfsleven oordeelde al in 2015 dat de meldingsplicht ruim moet worden uitgelegd, iedere ongebruikelijke transactie behoort gemeld te worden (ECLI:NL:CBB:2015:363). Een AI-samenvatting die "geen duidelijke indicatie" concludeert, is dus geen vrijwaring: de instelling blijft verantwoordelijk, niet het model. Wat je mag verwachten: een samenvatting bespaart vooral leestijd bij dossiers die je toch al zou doorlopen, niet de beoordeling van het grensgeval.

Een voorbeeld: het alertdossier, de prompt en de samenvatting

Het volgende voorbeeld is een geconstrueerde, fictieve casus, opgebouwd op het mechanisme dat hierboven beschreven staat. Een zakelijke klant, een kleine groothandel, ontvangt in één week vijf keer de gebruikelijke omzet. Kort daarna volgen snelle overboekingen naar drie nieuwe rekeningen in een ander land.

#CONTEXT: Je bent compliance-analist bij een bank. Je beoordeelt een
alertdossier uit het transactiemonitoringsysteem: transactiehistorie,
klantprofiel en de eerdere alerts van deze klant.

#DOEL: Een overzicht van wat opvalt in dit dossier, met per punt waar
ik dat in het dossier kan verifiëren, zodat ik zelf kan beoordelen of
er aanleiding is om te melden.

#WERKWIJZE:
1. Vraag mij om het dossier: transactiehistorie, klantprofiel,
   eerdere alerts.
2. Vergelijk het huidige patroon met het historische gedrag van deze
   klant.
3. Geef drie tot vijf observaties, elk met een verwijzing naar het
   dossieronderdeel waarop die observatie rust.

#BELANGRIJKE REGELS:
- Geef geen eindoordeel of dit gemeld moet worden.
- Noem expliciet wat je niet kunt beoordelen omdat het niet in het
  dossier staat.

Wat AI teruggeeft, een geconstrueerd maar geloofwaardig fragment:

Observaties bij dossier K-2026-0931

1. Omzetpiek: 5x het gemiddelde weekvolume (bron: transactiehistorie
   week 43).
2. Vergelijkbare piek in Q4 vorig jaar, toen gevolgd door een
   seizoensgebonden levering (bron: eerdere alert A-2025-1187).
3. Drie ontvangende rekeningen, alle drie nieuw voor deze klant
   (bron: tegenpartijlijst).

Conclusie: het patroon past bij een seizoensgebonden piek zoals ook
vorig jaar voorkwam. Geen duidelijke witwasindicatie.

De eerste twee observaties kloppen en zijn correct onderbouwd. De derde observatie (drie nieuwe rekeningen) klopt ook, maar de conclusie veegt die onder het seizoenspatroon van vorig jaar, terwijl juist nieuwe, buitenlandse tegenpartijen zonder eerdere relatie een eigen, zelfstandige indicator zijn. Het model kreeg geen instructie om een eindoordeel te geven, en deed het toch, in het woord "Conclusie". Wat je repareert voordat dit de deur uit mag: schrap het laatste zinnetje over het ontbreken van een duidelijke witwasindicatie, en behandel de derde observatie als een losse reden om de tegenpartijen zelf te verifiëren, los van de piek. Dat kost een analist twee tot vijf minuten per dossier, tegenover de tien tot vijftien minuten die een analist kwijt is om het hele dossier zelf uit vier systemen samen te stellen.

Toepassing 2: een wijziging in het kredietbeleid doorrekenen

De taak: een kredietverstrekker past een acceptatieregel aan, bijvoorbeeld een nieuwe categorie uitgaven in de betaalbaarheidstoets. Die wijziging moet in formulieren, berekeningen, acceptatierichtlijnen en bestaande dossiers consistent doorwerken.

Hoe AI helpt: AI kan een nieuwe beleidstekst naast de oude versie leggen en de verschillen benoemen: welke velden, workflows en klantgroepen de wijziging raakt. Dat werkt omdat het een vergelijkingstaak is tussen twee documenten. Het werkt niet als vervanging van de impactanalyse zelf: een platform alleen verandert niets als product, risk en IT nog steeds vanuit hun eigen losse documenten werken, schrijft een praktijkanalyse op Banken.nl over kredietbeleid. Verwacht dus een gedeeld overzicht van wat er verandert, niet een systeem dat de livegang zelf regisseert. De zorgplicht om overkreditering te voorkomen staat in artikel 4:34 Wft: een kredietaanbieder moet vooraf de financiële positie van de consument onderzoeken en mag geen onverantwoorde kredietovereenkomst aangaan. Precies die toets sloeg in de zaak hierboven ruim drie weken lang over, doordat een softwareaanpassing elke lening behandelde alsof die onder de grens van 250 euro viel. Een AI-laag die meehelpt bij zo'n wijziging kan dezelfde fout onzichtbaar maken als niemand expliciet test of de oude en de nieuwe regel naast elkaar blijven bestaan.

Aan de andere kant van dezelfde taak staat een praktijkvoorbeeld dat wel goed uitpakte: ASN Bank digitaliseerde met partner Akkuro het financieringsproces voor het mkb. Aanvragen die aan de criteria voldeden, liepen automatisch door; aanvragen die een nadere blik nodig hadden, gingen naar een specialist. Het verschil tussen dit voorbeeld en de telecomzaak zit niet in de techniek, maar in de vraag of er een expliciete grens is tussen wat automatisch mag en wat een mens moet zien, en of die grens getest wordt bij elke wijziging.

Toepassing 3: klantonboarding (KYC) versnellen

De taak: voordat een nieuwe zakelijke klant of tegenpartij wordt geaccepteerd, moet een bank identiteit, bedrijfsstructuur en risicoprofiel controleren. Dat cliëntenonderzoek is naast de meldplicht de tweede pijler van de Wwft, en loopt in de praktijk vaak via meerdere losse tools voor documentverificatie, screening en risicoclassificatie.

Hoe AI helpt: AI kan gegevens die al in bedrijfsregisters staan automatisch invullen en alleen de aanvullende velden vragen die bij dat specifieke risicoprofiel horen. Het Spaanse betaalplatform SeQura liet de beoordelingstijd per nieuwe zakelijke klant dalen van gemiddeld 243 naar 14,9 minuten door de KYB-onboarding op een AI-gedreven complianceplatform onder te brengen, met 88 procent van de aanvragen in één keer correct afgerond tegenover 50 procent voorheen, bevestigt zowel de leverancier zelf als een onafhankelijke vakpublicatie. Dat werkt omdat vooraf invullen en tegen beleid toetsen een regeltaak is: de regels staan al vast, AI voert ze alleen sneller uit dan handmatig mogelijk is. Het werkt niet voor het randgeval: SeQura's eigen compliance officer bepaalt vooraf wanneer een winkel laag, gemiddeld of hoog risico is en welk verscherpt cliëntenonderzoek daarbij hoort, en analisten besteden hun tijd juist aan de hoogrisicocases en randgevallen, niet aan de rest. Verwacht dus winst bij het overgrote deel van de standaardaanvragen, en geen winst bij het dossier dat al bij de eerste check als afwijkend wordt gemarkeerd.

AI voor banken: een beslisregel voor alerts, kredietbeleid en onboarding

Waar AI voor banken misgaat: het eindoordeel dat AI niet mag geven

De drie toepassingen hierboven delen één risico: een AI-uitvoer die een conclusie trekt ("geen duidelijke indicatie", "verantwoord", "compleet") leest als een beoordeling, terwijl het eigenlijk een samenvatting van een deel van het dossier is. Bij transactiemonitoring is dat risico het grootst, omdat de meldplicht zelf een lage drempel kent: nogmaals, iedere ongebruikelijke transactie behoort gemeld te worden, niet alleen de transacties waarvan een samenvatting overtuigend klinkt. Bij kredietverlening ligt het risico net zo scherp, alleen is het daar een systeemfout geweest in plaats van een AI-samenvatting: de rechtbank Rotterdam rekende de overtreding toe aan de kredietverstrekker, niet aan de software, en de boete werd pas gematigd omdat het bedrijf de fout snel ontdekte, meldde en herstelde. Dezelfde logica geldt voor een AI-laag: ontdekken, melden en herstellen moet een vast onderdeel van het proces zijn, niet een uitzondering.

Wat het oplevert, en hoe je dat na zeven dagen meet

Wat na een week beter wordt: de tijd die een analist kwijt is aan het samenstellen van een dossier uit losse systemen, en het aandeel standaardcases dat zonder twijfel kan worden afgehandeld. Wat niet beter wordt: het randgeval, en het vertrouwen dat je checklist of prompt alle actuele regels al kent.

Meet het met drie getallen, zonder extra tooling:

• Hoeveel keer bevatte een AI-samenvatting een eindoordeel in plaats van alleen observaties? Dat moet nul zijn. Elke keer dat het wel gebeurt, is een signaal om de instructie in je prompt aan te scherpen, zoals in het voorbeeld hierboven.
• Hoeveel keer heeft een analist bij een "geen duidelijke indicatie"-samenvatting toch de brondata zelf geopend, bij een case boven je eigen onderzoeksdrempel? Dat moet standaard zijn, niet de uitzondering.
• Hoeveel dossiers liepen na een beleidswijziging nog via de oude regel in plaats van de nieuwe? Vergelijk de datum van livegang met de datum van elk afgehandeld dossier. Een aantal boven nul is precies het probleem dat in de telecomzaak tot een boete leidde.

Privacy en regelgeving: AI voor banken, de Wwft en de AVG

Een alertdossier, een kredietaanvraag en een KYC-dossier bevatten persoonsgegevens, en vaak ook bijzondere gegevens zoals vermoedens van witwassen. Zet die nooit in een gratis consumentenversie van een AI-tool. Regel een zakelijk account met een verwerkersovereenkomst waarin modeltraining op je data is uitgesloten, net als bij ChatGPT veilig en volgens de AVG gebruiken als basis.

Twee wettelijke lagen komen hier samen. Artikel 22 AVG geeft een klant het recht om niet onderworpen te worden aan een besluit dat volledig op geautomatiseerde verwerking rust en rechtsgevolgen voor hem heeft; is dat toch het geval, dan heeft hij op grond van hetzelfde artikel in elk geval recht op menselijke tussenkomst, op het geven van zijn standpunt en op het aanvechten van de beslissing. Een AI-concept voor een afwijzingsbrief mag dus nooit de indruk geven dat een computer alleen heeft beslist zonder dat een medewerker het dossier heeft gezien. Daarnaast merkt de EU AI Act systemen die de kredietwaardigheid van natuurlijke personen beoordelen aan als hoogrisico-AI, met verplichtingen voor datagovernance en menselijk toezicht, meldt een analyse van een nieuwe Riverty-paper over AI en krediet. Dat geldt voor het beoordelingsmodel zelf, niet voor een AI-samenvatting die alleen voorbereidt.

Wat AI hier niet goed kan

AI kan geen kredietbesluit nemen en geen meldplicht vervullen. Beide blijven, net als bij een beschikking, een keuze met een eigen wettelijke verantwoordelijkheid: artikel 4:34 Wft legt die plicht bij de kredietaanbieder, artikel 16 Wwft bij de melder, niet bij het model dat de tekst voorbereidde. AI mist daarnaast per definitie wat er sinds de laatste keer dat je het regels meegaf, veranderd is: een nieuw grensbedrag, een nieuwe uitzonderingscategorie, een nieuwe tegenpartij die niet in het historische patroon paste. De drempel waarop je dat moet corrigeren staat in de meetsectie hierboven: zodra een AI-samenvatting vaker dan incidenteel een eindoordeel insluit in plaats van alleen observaties, is je promptinstructie het probleem, niet de taak zelf.

Doe dit deze week

1. Kies één terugkerend alerttype of caseprofiel

   Pak een klant of case-categorie waarvan je de uitkomst van de laatste tien dossiers al kent. Daarmee kun je een AI-samenvatting direct naast de echte uitkomst leggen.

2. Gebruik de prompt hierboven, met de guardrail tegen een eindoordeel

   Laat AI alleen observaties geven met een verwijzing naar het dossieronderdeel. Tel na tien dossiers hoe vaak er toch een conclusie insloop, zoals in het voorbeeld hierboven.

3. Leg de beslisregel schriftelijk vast voor je team

   Eén A4: welke cases AI mag samenvatten, welke altijd volledig door een mens beoordeeld worden (nieuwe tegenpartij, nieuw land, nieuwe uitzonderingscategorie), en wie de uiteindelijke beslissing ondertekent.

Het recept dat vandaag werkt: voor elk alertdossier of elke onboarding-case vult een medewerker het dossier in de prompt hierboven in, AI levert observaties zonder eindoordeel, en de medewerker beoordeelt en beslist. Wil je dit met je compliance- of kredietteam structureel opzetten, inclusief de guardrails en de controlestap voor jouw processen? In een AI-werksessie bouwt je team dat in één dagdeel voor de eigen taken. Twijfel je waar te beginnen, bekijk de trainingen of plan een kort gesprek.

Bronnen

• Viajuridica, Meldingsplicht artikel 16 Wwft. Zelf geopend. Bron voor de letterlijke tekst van artikel 16 Wwft en de uitspraak van het College van Beroep voor het bedrijfsleven (ECLI:NL:CBB:2015:363) over de ruime strekking van de meldplicht.
• Bijzonder Strafrecht, Matiging van een bestuurlijke boete van de AFM voor overkreditering bij telecomkrediet. Zelf geopend. Bron voor de uitspraak van de rechtbank Rotterdam van 18 juni 2026 (ECLI:NL:RBROT:2026:10574) over de overgeslagen inkomsten- en lastentoets en de boete van 185.000 euro.
• Dirkzwager, De zorgplicht bij overkreditering. Zelf geopend. Bron voor de achtergrond van artikel 4:34 Wft en de zelfstandige onderzoeksplicht van de kredietaanbieder.
• GDPR-info.eu, Artikel 22 AVG. Zelf geopend. Bron voor de letterlijke tekst over het recht op menselijke tussenkomst bij een volledig geautomatiseerd besluit.
• Banken.nl, AMLR: hoe AI regelgeving omzet in traceerbare actie. Zelf geopend. Bron voor de verschuiving van proces naar herleidbaar besluit onder de AMLR, en voor de toezichtstructuur via AMLA vanaf 2028.
• Banken.nl, Hoe kredietverstrekkers besluiten omzetten in beheerste verandering. Zelf geopend. Bron voor het Thomson Reuters-cijfer over dagelijkse regelwijzigingen en voor de ASN Bank/Akkuro-case.
• Duna, How seQura made KYB review 16.3x faster and lifted first-time right by 76%. Zelf geopend. Primaire bron (leverancier en klant samen) voor de cijfers over onboardingtijd (243 naar 14,9 minuten) en first-time-right (50 naar 88 procent).
• FinTech Global, Duna cuts SeQura's KYB reviews from four hours to 15 mins. Zelf geopend. Onafhankelijke, tweede bevestiging van dezelfde cijfers door een vakpublicatie die niet bij de leverancier hoort.
• Banken.nl, SeQura haalt KYB-review van ruim vier uur naar vijftien minuten. Zelf geopend. Derde, Nederlandstalige bevestiging van dezelfde cijfers.
• Banken.nl, Riverty ziet uitweg uit het dilemma tussen ethiek en winst bij AI-krediet. Zelf geopend. Bron voor de classificatie van kredietbeoordeling van natuurlijke personen als hoogrisico-AI onder de EU AI Act, gebaseerd op een paper in Riverty's eigen Fintech 2040-reeks.
• Banken.nl, Transactiemonitoring Nederland opnieuw naar de tekentafel. Zelf geopend. Bron voor het herontwerp van TMNL vanwege de AMLR.

Veelgestelde vragen

• Mag een bank AI gebruiken voor transactiemonitoring?

  Ja, als voorbereiding op een menselijke beoordeling, niet als vervanging ervan. AI mag een alertdossier samenvatten met observaties en bronverwijzingen, maar de meldplicht uit artikel 16 Wwft blijft bij de instelling. Het College van Beroep voor het bedrijfsleven oordeelde dat die meldplicht ruim moet worden uitgelegd: iedere ongebruikelijke transactie behoort gemeld te worden, ook als een AI-samenvatting geen duidelijke indicatie ziet.

• Is AI voor kredietbeoordeling toegestaan onder de AI Act?

  Ja, maar systemen die de kredietwaardigheid van natuurlijke personen beoordelen gelden onder de EU AI Act als hoogrisico-AI. Dat brengt verplichtingen met zich mee voor datagovernance en menselijk toezicht. Een AI-samenvatting die alleen een kredietbeleidswijziging voorbereidt, valt daar niet onder; het beoordelingsmodel voor de kredietwaardigheid zelf wel.

• Wat is het verschil tussen AI voor banken en AI voor de financiële sector in bredere zin?

  AI voor banken draait om taken die specifiek zijn voor een kredietinstelling met een bankvergunning: transactiemonitoring onder de Wwft, de kredietwaardigheidstoets van artikel 4:34 Wft en klantonboarding (KYC). AI in de financiële sector in de bredere zin gaat bijvoorbeeld over verzekeraars en financieel adviseurs, waar de zorgplicht van artikel 4:23 Wft en polisvoorwaarden centraal staan in plaats van de Wwft-meldplicht.

• Moet een bank een AI-besluit kunnen uitleggen aan de klant?

  Ja. Artikel 22 AVG geeft een klant bij een volledig geautomatiseerd besluit met rechtsgevolg het recht op menselijke tussenkomst, op het geven van zijn standpunt en op het aanvechten van de beslissing. Een AI-concept voor bijvoorbeeld een afwijzingsbrief mag daarom nooit de indruk geven dat alleen een systeem heeft beslist zonder dat een medewerker het dossier heeft gezien.

• Wat verandert de AMLR voor banken vanaf 2027?

  Vanaf 10 juli 2027 vervangt de Europese Anti-Money Laundering Regulation (AMLR) de Wwft rechtstreeks, zonder nationale omzetting. Toezichthouders vragen dan niet alleen om een proces, maar om een herleidbare onderbouwing per besluit: waarom een transactie wel of niet is gemeld, en wie daarvoor tekende. De nieuwe toezichthouder AMLA houdt vanaf 2028 rechtstreeks toezicht op de grootste grensoverschrijdende instellingen; voor de rest blijven DNB en AFM verantwoordelijk.