Handelsbanken en Projective Group over samenhangende data en menselijk oordeel

Een zakelijke klant krijgt een nieuwe eigenaar. Kort daarna volgen ongebruikelijke betalingen naar het buitenland. Ook komt er een signaal uit de sanctiescreening. Elk van die gebeurtenissen kan aanleiding zijn voor onderzoek. Maar wat betekenen ze samen? Juist in dat verband kan informatie schuilgaan die bepalend is voor de beoordeling van de klant.

Dit hypothetische voorbeeld uit het gesprek tussen tijdens het Handelsbanken en Projective Group tijdens het Amsterdam FinTech Event op 7 oktober 2026 laat zien waar AI waarde kan toevoegen. Onderzoekers hebben context nodig om een melding te beoordelen. Grote taalmodellen, ook wel large language models of LLM’s, kunnen helpen die context toegankelijk te maken. Hun bijdrage ligt vooral bij het ordenen van informatie, het ondersteunen van onderzoek en het voorbereiden van rapportages.

Een alert is het begin van het onderzoek

Regels en machinelearningmodellen helpen om transacties te detecteren en te scoren. Een alert vraagt vervolgens om beoordeling: past het gedrag bij de klant, is er een verklaring voor de afwijking en zijn er andere signalen die aandacht verdienen?

Een deel van de informatie voor die beoordeling staat in ongestructureerde bronnen, zoals klantprofielen, KYC-dossiers, eerdere onderzoeksnotities en nieuwsberichten. Een onderzoeker moet die informatie verzamelen, lezen en verbinden met de melding. Daar kunnen LLM’s ondersteuning bieden. Op basis van beschikbaar gestelde bronnen kunnen zij relevante passages samenvatten en de context rond een alert overzichtelijk presenteren.

Zo kan een onderzoeker een onderbouwd overzicht krijgen van de scenario’s die aansloegen, afwijkingen ten opzichte van het verwachte klantgedrag en eerder vastgelegde relaties tussen partijen. Daarbij moet herkenbaar blijven welke informatie uit een bron of detectiesysteem komt en welke uitleg het taalmodel daaraan geeft. Het samenbrengen van gegevens vraagt nog steeds om werkende koppelingen en betrouwbare brondata.

Een alert markeert een afwijking. Context helpt bepalen wat die betekent

Sneller bepalen welke melding aandacht verdient

Een overzicht van de relevante context kan helpen bij alerttriage: bepalen welke meldingen nader onderzoek vragen en welke informatie daarvoor nog ontbreekt. In het voorbeeld van de zakelijke klant kan het taalmodel de eigendomswijziging en beschikbare achtergrondinformatie naast de transactiesignalen presenteren. Daarmee krijgt de onderzoeker een beter vertrekpunt voor vervolgvragen.

Ook informatie die een vermoeden verzwakt, verdient aandacht. Een ongebruikelijke grensoverschrijdende betaling kan bijvoorbeeld samenhangen met een internationale overname. Andersom kan informatie over een risicovol netwerk reden zijn om een onderzoek voort te zetten. Een bruikbare onderbouwing maakt beide kanten zichtbaar en verwijst naar de gegevens waarop zij berust.

Dat kan onderzoekers helpen sneller en consistenter te werken en onterechte alerts beter te herkennen. Een daadwerkelijke afname van false positives moet de bank vervolgens aantonen. Een overtuigend geformuleerde samenvatting bewijst op zichzelf niet dat de beoordeling klopt of dat relevante risico’s voldoende in beeld blijven.

Ook de onderbouwing van een dossier vraagt tijd

Naast het verzamelen van informatie kost het vastleggen van bevindingen veel aandacht. LLM’s kunnen op basis van gevalideerde casegegevens een concept voor een onderzoeksverslag of meldingsnarratief opstellen. Denk aan een chronologie van gebeurtenissen, de relevante transacties en de overwegingen die tot de beoordeling hebben geleid.

De mogelijke opbrengst is minder repetitief schrijfwerk en een consistentere dossieropbouw. Voorwaarde is dat de onderzoeker de tekst kan terugvoeren op de gebruikte bronnen. Bronverwijzingen en een controleerbare vastlegging van gebruikte gegevens, bewerkingen en beoordelingen maken toetsing mogelijk. De tekst moet bovendien zichtbaar onderscheid maken tussen vastgestelde feiten, vermoedens en ontbrekende informatie.

Menselijk oordeel vraagt om echte toetsing

Suzanne Bos, Head of FEC & Legal en Branch Manager bij Handelsbanken, benadrukte tijdens de sessie de wisselwerking tussen technologie en professioneel oordeel. Een onderzoeker moet een suggestie kunnen bevragen en bereid zijn het eigen oordeel bij te stellen als nieuwe informatie daar aanleiding toe geeft.

Voor LLM’s is die toetsing essentieel. Een taalmodel kan feitelijke fouten maken of een verband suggereren dat de bronnen niet dragen. Bronverwijzingen maken controle mogelijk, maar nemen die beperkingen niet weg en verklaren ook niet volledig hoe het model tot zijn antwoord kwam. De medewerker moet daarom over de informatie, kennis en tijd beschikken om de output te beoordelen.

Een goed geschreven onderbouwing is nog geen juiste beoordeling.

Binnen deze ondersteunende inzet beslist het LLM niet zelfstandig over het sluiten van een alert of het doen van een melding. De verantwoordelijke medewerker beoordeelt de voorgestelde onderbouwing. Duidelijke afspraken over toegestaan gebruik, validatie en monitoring van het model moeten deze werkwijze ondersteunen.

Begin bij de informatie die het onderzoek nodig heeft

Hamid El Bouazzaouyi, Data & AI Practice Lead bij Projective Group, adviseert om de databasis vanuit een afgebakende toepassing te beoordelen. Welke gegevens zijn nodig, hoe bruikbaar zijn ze en wie is verantwoordelijk voor de kwaliteit? Daarmee wordt concreet welke ondersteuning haalbaar is en waar eerst verbetering nodig is.

Een bank kan bijvoorbeeld beginnen met het samenvatten van gevalideerde dossierinformatie. Zo kan zij onderzoeken of de output volledig en feitelijk juist is, hoe goed bronverwijzingen werken en hoeveel correctiewerk nodig blijft. Die ervaringen bieden een basis voor verdere toepassing. Het aantal geproduceerde samenvattingen zegt daarbij minder dan de bruikbaarheid ervan voor de onderzoeker.

Begin bij de informatie die het onderzoek nodig heeft

Voor Handelsbanken moet technologie aansluiten op langdurige klantrelaties en zorgvuldig risicomanagement. Suzanne verbindt de inzet van AI daarom aan de risicobereidheid van de bank en aan de mogelijkheid om beslissingen uit te leggen. Het ondersteunen van onderzoekers en verminderen van onnodige meldingen vormden concrete doelen in de besproken aanpak.

Projective Group ondersteunde Handelsbanken bij het formuleren van eisen en het beoordelen van mogelijke oplossingen. Daarbij kwamen behoeften vanuit verschillende delen van de organisatie samen met marktkennis, expertise in regelgeving en implementatie-ervaring. Hamid benadrukte ook het belang van de aansluiting op het platform, de benodigde datastromen en beveiliging.

De beschreven LLM-toepassingen illustreren mogelijkheden voor de sector; welke toepassing passend is, vraagt per bank een eigen afweging. Daarbij horen duidelijke verantwoordelijkheden en een werkproces waarin medewerkers de aangereikte informatie daadwerkelijk kunnen toetsen.

De waarde van AI blijkt uit de kwaliteit van het onderzoek dat zij ondersteunt.

Terug naar de klant met een nieuwe eigenaar en ongebruikelijke buitenlandse betalingen. Het samenbrengen van die signalen maakt nog niet duidelijk wat er aan de hand is. Het helpt de onderzoeker wel om de juiste vragen te stellen. Als LLM’s daarbij zoek- en schrijfwerk verminderen, ontstaat meer ruimte voor die inhoudelijke beoordeling. Daar moet de verbetering zichtbaar worden: in beter onderbouwde dossiers en beslissingen waarvan de bank de verantwoordelijkheid kan blijven dragen.