ING zet op het moment van schrijven kunstmatige intelligentie in bij de beoordeling van hypotheekaanvragen in Nederland. De bank wil dossiers sneller en consistenter behandelen. Specialisten houden toezicht en nemen de uiteindelijke beslissing. Dit raakt ook aan de Europese AI-verordening en de AVG, die gevolgen hebben voor banken en overheid.
AI beoordeelt hypotheekdossiers
ING gebruikt algoritmen als hulpmiddel bij het beoordelen van stukken en gegevens in een aanvraag. Het systeem vergelijkt informatie uit bijvoorbeeld loonstroken, bankafschriften en openbare registers met de ingevulde gegevens. Zo worden onduidelijkheden sneller gevonden. Medewerkers krijgen een signaal en kunnen gericht controleren.
Machine learning is software die patronen leert uit voorbeelden. Met zulke modellen kan de bank terugkerende controles automatiseren. Denk aan het herkennen van ontbrekende documenten of dubbele invoer. Dat bespaart tijd in de intake.
ING presenteert de uitkomst als advies aan een beoordelaar. Er is geen volledig geautomatiseerd besluit. Een medewerker weegt context, uitzonderingen en klantinformatie mee. Dat blijft nodig bij grote financiële beslissingen.
Het systeem is bedoeld als ondersteuning, niet als vervanging. Hierdoor blijft er ruimte voor maatwerk en uitleg. Tegelijk kan de bank grotere aantallen aanvragen beter aan. Dat is relevant in een krappe woningmarkt.
Menselijk toezicht blijft leidend
Bij kredietbesluiten is menselijk toezicht verplicht en ook wenselijk. Algoritmen kunnen vergissen of context missen. ING laat daarom medewerkers de uitkomst controleren. Zij kunnen het advies van het systeem aanpassen of negeren.
De Autoriteit Financiële Markten en De Nederlandsche Bank letten in Nederland op het gebruik van algoritmen door financiële instellingen. Hun richtlijnen vragen om uitlegbaarheid, zorgvuldige datakeuze en duidelijke verantwoordelijkheden. Ook moeten banken aantonen dat hun modellen goed werken in de praktijk. Dat vraagt om testen vóór en ná livegang.
Klanten moeten een beslissing kunnen laten toelichten. Een helder proces voor bezwaar en herbeoordeling hoort daarbij. Dit past bij de AVG-regels rond geautomatiseerde besluitvorming. Zo blijft de klant niet afhankelijk van een ondoorzichtig systeem.
Interne audit en compliance spelen een grote rol. Beslissingen en modelversies worden gelogd. Zo kan later worden nagegaan waarom een signaal of advies is gegeven. Dat maakt toezicht en verbetering mogelijk.
AVG en AI-verordening eisen
De Europese AI-verordening plaatst kredietwaardigheidsbeoordeling in de categorie hoog risico. Voor zulke systemen gelden strenge plichten, zoals risicobeheer, data-kwaliteit, documentatie en menselijk toezicht. Banken zullen hun modellen daarop moeten inrichten. Dit gaat gefaseerd gelden naarmate de verordening in werking treedt.
Daarnaast geldt de Algemene Verordening Gegevensbescherming. Die vraagt om dataminimalisatie, duidelijke doelen en passende beveiliging. Voor hypotheekaanvragen betekent dit: alleen gegevens verwerken die nodig zijn, en goed uitleggen waarom. Vaak is een gegevensbeschermingseffectbeoordeling (DPIA) verplicht.
Non-discriminatie is een harde eis in Europa en Nederland. Modellen mogen mensen niet ongelijk behandelen op basis van kenmerken zoals geslacht, afkomst of leeftijd. Ook indirecte signalen, zoals postcode of opleidingsniveau, kunnen tot ongelijke uitkomsten leiden. Daarom zijn bias-tests en periodieke herijking nodig.
In de Europese AI-verordening geldt kredietbeoordeling als een hoog-risico toepassing. Dat brengt plichten mee voor risicobeheer, datakwaliteit, transparantie, logging en menselijk toezicht.
Risico’s: bias en uitsluiting
Een model leert van historische data. Als die data vooroordelen bevatten, dan kan het systeem die herhalen. Dat kan groepen mensen benadelen bij toegang tot een hypotheek. Vroege detectie en corrigerende maatregelen zijn daarom cruciaal.
Modeldrift is een ander risico. De economie, huizenprijzen en inkomenspatronen veranderen. Zonder onderhoud verliest een model snel nauwkeurigheid. Vast onderhoud en hertraining zijn nodig om fouten te voorkomen.
Transparantie naar klanten helpt vertrouwen op te bouwen. Leg uit welke gegevens tellen en hoe een advies tot stand komt. Geef voorbeelden in begrijpelijke taal. En bied een duidelijk kanaal voor vragen en bezwaar.
Uitzonderingen komen vaak voor, zoals bij zelfstandigen of mensen met onregelmatig inkomen. Een star algoritme kan deze gevallen verkeerd inschatten. Beleidsregels met ruimte voor maatwerk zijn daarom nodig. Menselijke escalatie blijft de vangnet.
Impact op hypotheekadviseurs
Voor hypotheekadviseurs verandert het werk. Minder tijd gaat naar het overtypen en controleren van documenten. Meer tijd gaat naar duiding, klantgesprek en kwaliteitscontrole. De adviseur wordt zo deels data‑toezichthouder.
Automatische controles kunnen fouten verminderen. Maar elke automatisering kan nieuwe fouten introduceren. Vier-ogencontroles en steekproeven blijven nodig. Dat geldt zeker in de opstartfase.
Introductie van nieuwe systemen raakt ook medezeggenschap. In Nederland heeft de ondernemingsraad inspraak bij ingrijpende veranderingen in het werk. Goede training en duidelijke procedures horen bij een zorgvuldige invoering. Zo blijft de organisatie wendbaar én betrouwbaar.
Datavaardigheden worden belangrijker op de werkvloer. Werknemers moeten waarschuwingen kunnen lezen, aannames herkennen en risico’s melden. Heldere richtlijnen helpen daarbij. Dit verkleint de kans op blind vertrouwen in een model.
Wat betekent dit voor klanten
Klanten profiteren van snellere doorlooptijden en minder papierwerk. Signalen van het systeem maken fouten eerder zichtbaar. Dat verkleint de kans op vertraging. Uiteindelijk beslist een medewerker, zodat maatwerk mogelijk blijft.
Let als klant op privacy-informatie van de bank. Die hoort te beschrijven welke gegevens het algoritme gebruikt en waarom. U heeft recht op inzage, correctie en bezwaar. Vraag om een toelichting als een beslissing u verrast.
Ook elders in Europa zetten banken algoritmen in bij kredietprocessen. Dat maakt de concurrentie op snelheid en service groter. Tegelijk stijgt de lat voor uitleg en eerlijkheid. Toezichthouders letten hier steeds scherper op.
De komende jaren zal de balans tussen automatisering en menselijk oordeel verder schuiven. Succes hangt af van transparantie, goede data en duidelijke grenzen. Voor klanten telt vooral voorspelbaarheid en duidelijke uitleg. Voor banken staat vertrouwen centraal.