De Nederlandse Vereniging van Banken stelt dat kunstmatige intelligentie verantwoord moet worden ingezet bij transactiemonitoring. De sector wil duidelijke waarborgen en praktische regels die passen bij de Europese AI-verordening en de AVG. Dit speelt in Nederland, waar banken dagelijks betalingen scannen op witwassen en fraude. Doel is beter opsporen van risico’s zonder onnodig privacyverlies of uitsluiting van klanten.
Banken vragen heldere AI-kaders
Transactiemonitoring is het automatisch controleren van betaalgedrag om signalen van witwassen of fraude op te sporen. Banken doen dit op grond van de Wet ter voorkoming van witwassen en financieren van terrorisme (Wwft). De inzet van algoritmen kan dit proces sneller en gerichter maken, maar vraagt om strakke spelregels.
De bankensector dringt aan op duidelijke kaders voor ontwikkeling en gebruik van datamodellen. Het gaat om eisen aan data, testen, documentatie en toezicht. Zo sluit het werk beter aan op de Europese AI-verordening en de AVG, die op het moment van schrijven beide leidend zijn voor financiële instellingen.
Het Nederlandse toezichtveld is complex: De Nederlandsche Bank ziet toe op Wwft-naleving, de Autoriteit Persoonsgegevens bewaakt privacy en FIU-Nederland ontvangt meldingen. Heldere rolverdeling helpt dubbele lasten voorkomen. Ook maakt dit innovatie mogelijk binnen veilige grenzen.
Transactiemonitoring: het geautomatiseerd scannen van betalingen om ongebruikelijke patronen te vinden, met als doel witwassen en terrorismefinanciering te bestrijden op basis van de Wwft.
AI-verordening raakt monitoring
De Europese AI-verordening plaatst systemen die diensten ontzeggen of risico’s voor rechten creëren vaak in de hoge-risicoklasse. Een transactiemonitoringsysteem dat kan leiden tot blokkades of intensiever klantonderzoek zal daarom aan strenge eisen moeten voldoen. Denk aan risicobeheer, data-governance, loggen en voortdurende kwaliteitscontrole.
Banken die zelf een model bouwen zijn aanbieder én gebruiker onder de AI-verordening. Kopen zij software in, dan is de leverancier aanbieder en de bank gebruiker, met elk eigen plichten. In beide gevallen blijft “menselijk toezicht” verplicht: een medewerker moet ingrijpen kunnen als het systeem fouten maakt.
Voor Nederland betekent dit dat instellingen hun modeldossiers, testen en monitoring op orde moeten brengen. Ook moeten ze registreren welke aannames en drempelwaarden het model gebruikt. Dat helpt bij controle door toezichthouders en bij uitleg aan klanten.
Mens houdt toezicht op algoritmen
AI-systemen kunnen patronen vinden die regels missen, maar ze kunnen ook verkeerde verbanden leggen. Daarom is “human-in-the-loop” nodig: een deskundige bekijkt signalen voordat er een zwaar besluit valt. Zo wordt onterechte blokkade of opzegging van een rekening voorkomen.
Uitlegbaarheid is hierbij cruciaal. Uitlegbaarheid betekent dat een bank kan uitleggen waarom het model een signaal geeft, in begrijpelijke stappen. Zonder die uitleg is bijsturen lastig en neemt het vertrouwen van klanten af.
Praktisch betekent dit dat banken drempelwaarden kalibreren en steekproeven doen op de uitkomsten. Ook leggen zij vast wanneer een medewerker mag overrulen en waarom. Dat verbetert de kwaliteit en verlaagt het aantal fout-positieven.
AVG en Wwft sturen ontwerp
De AVG verlangt dataverwerking die noodzakelijk is, met dataminimalisatie en doelbinding. Bij transactiemonitoring moet een bank dus kunnen onderbouwen welke gegevens echt nodig zijn voor Wwft-doeleinden. Pseudonimisering en versleuteling beschermen gevoelige data in de keten.
Voor hoog-risico verwerkingen is een Data Protection Impact Assessment (DPIA) verplicht. Zo’n DPIA beschrijft risico’s voor betrokkenen en de maatregelen daartegen. Dit sluit aan bij de AI-verordening, die vergelijkbare risicobeoordelingen eist.
De Wwft vereist tijdige en volledige melding van ongebruikelijke transacties bij FIU-Nederland. AI kan helpen om sneller en consistenter te selecteren, maar het meldproces blijft een menselijke verantwoordelijkheid. Dit waarborgt proportionaliteit en zorgt dat de focus op echte risico’s ligt.
Kwaliteit van data en modellen
De kwaliteit van een AI-systeem valt of staat met goede en representatieve data. Onevenwichtige datasets kunnen leiden tot bias: systematische vertekening met oneerlijke uitkomsten. Regelmatige hertraining en validatie beperken dit risico.
Veel banken combineren op regels gebaseerde scenario’s met machinelearning-modellen. In de markt bestaan pakketten als SAS, NICE Actimize en Feedzai, naast interne modellen. Ongeacht de keuze geldt: test grondig, documenteer elke versie en monitor de prestaties doorlopend.
Feedbacklussen zijn nodig om fout-positieven terug te dringen. Elk afgewezen signaal levert data op voor volgende modelverbeteringen. Zo worden systemen nauwkeuriger en blijft de last voor klanten en medewerkers beheersbaar.
Samenwerking en toezicht in Nederland
De sector vraagt om praktische handvatten en ruimte voor gecontroleerde experimenten. Een toezicht-sandbox met DNB en de Autoriteit Persoonsgegevens kan nieuwe technieken veilig testen. Dat versnelt innovatie zonder de rechten van klanten te schaden.
Transparantie over methodes en prestatiecijfers vergroot het maatschappelijk vertrouwen. Publieke rapportages over uitlegbaarheid, foutmarges en verbeteringen helpen daarbij. Ook maakt dit het gesprek met toezichthouders en belangenorganisaties concreet.
Op het moment van schrijven bereiden Nederlandse banken hun AI-governance voor op de AI-verordening. Dit betekent duidelijke rollen, audits, en een register van modellen die impact hebben op klanten. Zo wordt kunstmatige intelligentie een hulpmiddel, geen black box.