Veel financiële instellingen hebben tegenwoordig weinig moeite om met AI aan de slag te gaan. Integendeel: de meeste beschikken inmiddels over een indrukwekkende portefeuille aan pilots. De uitdaging ontstaat doorgaans pas wanneer deze pilots buiten een gecontroleerde omgeving moeten worden opgeschaald en structureel aantoonbare bedrijfswaarde moeten opleveren.
Wie de bestuurskamer van een retailbank, vermogensbeheerder of verzekeraar binnenstapt, treft vrijwel zeker een verzameling indrukwekkende pilots met generatieve AI en machine learning aan. AI stelt inmiddels kredietmemo’s op, vat wijzigingen in wet- en regelgeving samen en ondersteunt medewerkers van de klantenservice. Toch worden veel Chief Data Officers (CDO’s), CFO’s en COO’s geconfronteerd met een frustrerende realiteit: AI komt nauwelijks uit de startblokken.
Waar de afgelopen twee jaar in het teken stonden van snelle experimenten, draait het in 2026 om financiële verantwoording en aantoonbaar rendement. De stap van een lokale proof of concept naar organisatiebrede toepassing blijkt aanzienlijk complexer dan aanvankelijk werd verwacht.
Waar het opschalen begint vast te lopen
Het knelpunt ligt niet bij de technologie en evenmin bij de mogelijkheden van de algoritmen.
In de praktijk zien we dat de belangrijkste belemmeringen vaak niet technisch van aard zijn. Ze bevinden zich binnen de organisatie zelf: in de wijze waarop data zijn gestructureerd, teams zijn ingericht en risico’s worden beheerst. Wanneer uw organisatie moeite heeft om een duidelijk verband te leggen tussen investeringen in AI en meetbare bedrijfsresultaten, loopt zij waarschijnlijk tegen een van de volgende drie onzichtbare barrières aan.
1. Het fundament overslaan: de rekening van de ‘dataschuld’
In de haast om AI-initiatieven te lanceren, hebben veel instellingen een risicovolle binnenbocht genomen door fundamentele data-engineering over te slaan. Het resultaat is vaak een lappendeken van geavanceerde modellen die draaien op versnipperde data uit verouderde systemen.
Zo zien we regelmatig dat klantgegevens zijn verspreid over systemen voor kredietverlening, betalingsverkeer en vermogensbeheer, waarbij ieder systeem eigen definities en kwaliteitsnormen hanteert. Onder die omstandigheden heeft zelfs het meest geavanceerde model moeite om consistente en bruikbare resultaten te leveren.
Om AI daadwerkelijk te kunnen opschalen, moet de hoogste leiding datagovernance niet langer uitsluitend beschouwen als een complianceverplichting, maar als essentiële bedrijfsinfrastructuur.
- De wurggreep van datasilo’s: Risico, compliance, kernbanksystemen en vermogensbeheer opereren vaak als afzonderlijke digitale domeinen. Daadwerkelijke opschaling vereist een geïntegreerde data-architectuur waarmee binnen de gehele organisatie veilig en in realtime toegang kan worden verkregen tot relevante gegevens. Dit moet mogelijk zijn zonder omvangrijke, meerjarige datamigraties waarvoor moeilijk financiering kan worden verkregen.
- Het contextvraagstuk: Moderne AI heeft sterk contextgebonden data nodig om bruikbare resultaten te kunnen leveren. Wanneer de klantgeschiedenis is verspreid over vier verschillende verouderde databases, blijven de uitkomsten van AI algemeen en van beperkte waarde.
- De gevolgen van gebrekkige input: Binnen de financiële sector is een AI-hallucinatie niet slechts een hinderlijke technische fout. Onjuiste uitkomsten kunnen leiden tot overtreding van wet- en regelgeving, onzorgvuldige besluitvorming en aanzienlijke reputatieschade. Hoogwaardige data, waarvan de herkomst en verwerking aantoonbaar kunnen worden gevolgd, vormen daarom een essentiële beheersmaatregel tegen model- en algoritmerisico’s.
2. Georganiseerd voor gisteren: een operating model dat niet aansluit
Veel financiële instellingen organiseren hun AI-activiteiten nog steeds rond gecentraliseerde Centres of Excellence (CoE’s) of afzonderlijke innovatielabs. Dit model leent zich goed voor het ontwikkelen van losstaande pilots, maar is onvoldoende geschikt voor organisatiebrede opschaling.
Gecentraliseerde labs creëren een wezenlijk overdrachtsrisico: technologieteams ontwikkelen een slimme oplossing en proberen deze vervolgens onder te brengen bij bedrijfsonderdelen die er niet om hebben gevraagd of onvoldoende begrijpen hoe zij de oplossing moeten gebruiken. Deze onderdelen zijn mogelijk niet vanaf het begin betrokken, of de oplossing sluit nog niet aan op hun dagelijkse processen en werkzaamheden.
Om deze kloof te overbruggen, moeten operationeel verantwoordelijken overstappen op een federatief hub-and-spokemodel. Daarbij wordt het eigenaarschap dichter bij de business belegd, terwijl de kerncapaciteiten centraal worden georganiseerd.
- De hub houdt regie op de organisatiebrede datagovernance, de centrale cloudinfrastructuur, ethische kaders en de selectie en contractering van leveranciers.
- De spokes zorgen ervoor dat data scientists en engineers rechtstreeks binnen de bedrijfsonderdelen werken, bijvoorbeeld binnen fraude, kredietverlening en vermogensbeheer.
AI kan niet uitsluitend als IT-project worden behandeld. Het eigenaarschap moet liggen bij de leidinggevenden die verantwoordelijk zijn voor de bedrijfsresultaten. Wanneer medewerkers in de eerste lijn zich geen eigenaar voelen van een toepassing, zal de daadwerkelijke ingebruikname stagneren.
3. Regelgevingsverlamming en het blackboxprobleem
De financiële sector behoort tot de strengst gereguleerde sectoren ter wereld. Tegen de achtergrond van toenemend toezicht is het begrijpelijk dat risico- en compliancefuncties terughoudend zijn. Het risico bestaat echter dat risicobeheersing verandert in een ‘afdeling Nee’, waardoor het opschalen van AI uit voorzorg volledig tot stilstand komt.
Om AI op een beheerste manier toe te passen binnen kernprocessen en omzetgenererende activiteiten, moet de strategie rekening houden met drie concrete operationele vereisten:
- Uitlegbaarheid: Kan het datateam inzichtelijk maken waarom een model voor kredietbeoordeling of fraudedetectie tot een specifieke beslissing is gekomen? Wanneer de werking van een model niet voldoende transparant en uitlegbaar is, zal het in een gereguleerde omgeving doorgaans niet voor operationeel gebruik kunnen worden goedgekeurd.
- Modelverval: Anders dan traditionele software kunnen de prestaties van AI-modellen in de loop van de tijd afnemen doordat marktomstandigheden en gedragspatronen veranderen. Opschaling vereist daarom robuuste MLOps-processen (Machine Learning Operations), waarmee modellen voortdurend kunnen worden gemonitord, getoetst en opnieuw getraind zonder de dagelijkse bedrijfsvoering te verstoren.
- Privacy en datasoevereiniteit : Voor het rechtmatig en beheerst verwerken van grensoverschrijdende gegevensstromen zijn geavanceerde architectuurtechnieken nodig, zoals federated learning of het genereren van synthetische data. Het simpelweg samenbrengen van alle gegevens in één centrale cloudomgeving is niet altijd passend of toegestaan.
De strategische vervolgstappen voor het bestuur
Het wegnemen van deze belemmeringen vraagt om gecoördineerd handelen binnen de gehele directie of raad van bestuur. Een algemene opdracht aan het technologieteam volstaat niet. De route naar schaalbare AI begint evenmin met de aanschaf van extra rekenkracht of de overname van een start-up op het gebied van large language models. Daarvoor is een fundamenteel andere aanpak nodig:
- De rol van de CFO: Verschuif de financiering van afzonderlijke ‘AI-projecten’ naar herbruikbare dataproducten. Beschouw AI niet als een lokale kostenpost per toepassing, maar investeer in een onderliggende data-architectuur die meerdere toepassingen gelijktijdig kan ondersteunen.
- De rol van de COO en CDO:Herontwerp het talent- en verantwoordelijkheidsmodel. Breng AI-capaciteiten vanuit het lab naar de daadwerkelijke bedrijfsprocessen en zorg ervoor dat implementatie, monitoring en geautomatiseerde beheersmaatregelen vanaf het begin onderdeel zijn van het ontwerp.
- De rol van de CEO:Bevorder AI-geletterdheid op bestuurs- en directieniveau. Een van de belangrijkste belemmeringen voor opschaling is vaak de taalbarrière tussen bestuurders die de bedrijfsstrategie begrijpen en technologen die de werking en beperkingen van de modellen doorgronden.
Conclusie
Het opschalen van AI wordt zelden door één afzonderlijk probleem belemmerd. In de meeste organisaties is doorslaggevend hoe goed data, het operating model en governance in de praktijk op elkaar aansluiten.
Onze ervaring is dat vooruitgang ontstaat wanneer deze fundamenten in samenhang worden aangepakt. Door data beter te structureren en toegankelijk te maken, het eigenaarschap in de business te beleggen en risico- en compliancefuncties vanaf het begin te betrekken, kunnen veelbelovende toepassingen worden omgezet in duurzame resultaten.
Door data beter te structureren en toegankelijk te maken, het eigenaarschap in de business te beleggen en risico- en compliancefuncties vanaf het begin te betrekken, kunnen veelbelovende toepassingen worden omgezet in duurzame resultaten.
De instellingen die het komende decennium vormgeven, zijn niet noodzakelijkerwijs de organisaties met de grootste budgetten of de meest zichtbare initiatieven. Het zijn de instellingen die gedisciplineerd investeren in een solide datafundament, hun manier van werken moderniseren en een cultuur van vertrouwen ontwikkelen rond de inzet van AI.
Onderzoekt jouw organisatie hoe zij de pilotfase kan ontstijgen en AI op een passende, beheerste en schaalbare manier kan inzetten? Onze experts delen graag hun ervaringen en denken met je mee over een aanpak die aansluit bij jouw specifieke context.
Over Projective Group
Projective Group is opgericht in 2006 en is een toonaangevend consultancybedrijf voor de financiële dienstverlening.
We staan in de hele Europese sector bekend om ons vermogen om complexe uitdagingen en opkomende thema’s om te zetten in duidelijke, pragmatische oplossingen. Dankzij onze diepgewortelde aanwezigheid en vertrouwensrelaties in de financiële dienstverlening beschikken we over praktische expertise op alle belangrijke gebieden. We begeleiden het volledige veranderingstraject: van het uitstippelen van de strategie en het doorvoeren van complexe transformaties tot het opbouwen van capaciteit op de lange termijn via ‘ managed services ’, ‘ staffing ’ en opleidingen. Ons doel is eenvoudig: de financiële dienstverlening in staat stellen om welzijn, welvaart en innovatie in de toekomst te stimuleren.