Financiële instellingen investeren miljarden in kunstmatige intelligentie. Toch lukt het veel organisaties niet om verder te komen dan de pilotfase. Hoewel de technische resultaten veelbelovend zijn, blijft impact op organisatieniveau vaak uit. Precies daar ligt het centrale vraagstuk van dit artikel.
In hun bijdrage aan het Journal of Financial Services stellen Kristof Meganck en Bart Claeys dat niet de kwaliteit van de algoritmen het belangrijkste knelpunt vormt, maar de manier waarop data binnen financiële instellingen wordt georganiseerd, beheerd en beschikbaar gesteld. Vanuit deze gedachte laten zij zien dat traditionele data-organisatiemodellen tegen hun structurele grenzen aanlopen. Data mesh biedt volgens de auteurs een pragmatisch fundament om AI veilig, duurzaam en bedrijfseconomisch verantwoord op te schalen.
Door vanuit data naar AI te kijken, ontstaat een fundamenteel ander perspectief. Binnen de financiële sector bestaat namelijk een duidelijke paradox: hoewel de potentiële waarde van AI inmiddels breed wordt erkend, blijkt het bijzonder lastig om AI organisatiebreed op te schalen.. Europese financiële instellingen beschikken al over honderden AI-toepassingen voor onder andere klantinteractie, compliance en operationele efficiëntie. Deze toepassingen leveren structurele waarde en productiviteitswinst op. Toch blijft de impact ongelijk verdeeld. De meeste successen beperken zich tot afzonderlijke domeinen en worden niet organisatiebreed benut.
De beperkingen worden steeds duidelijker naarmate AI volwassener wordt. Naarmate AI-systemen de stap maken van experimenten naar productieomgevingen, worden datagerelateerde problemen die tijdens de pilotfase nog beheersbaar waren, kritisch. Uitdagingen op het gebied van datakwaliteit, datalineage, toegankelijkheid en eigenaarschap nemen toe en vertalen zich direct in vraagstukken rondom vertrouwen, naleving van wet- en regelgeving en modelrisico's. Juist binnen de financiële dienstverlening zijn deze uitdagingen bijzonder groot.
Hoewel de waarde van AI inmiddels breed wordt erkend, blijft het lastig om AI organisatiebreed op te schalen.
Deze uitdagingen worden versterkt door de beperkingen van bestaande data-architecturen. Gecentraliseerde en hybride data-organisatiemodellen waren in het verleden effectief, maar bereiken nu hun grenzen. Enterprise datawarehouses en datalakes hebben stabiliteit geboden, maar functioneren steeds vaker als knelpunten. Daarbij gaat bedrijfscontext verloren en wordt de levering van AI-toepassingen vertraagd. Hierdoor hebben centrale datateams moeite om te voldoen aan de groeiende vraag naar hoogwaardige data met voldoende context die nodig is om AI op schaal te ondersteunen.
Tegen deze achtergrond komt data mesh in beeld. Data mesh wordt niet gepresenteerd als een modewoord, maar als een pragmatische verandering van het organisatiemodel. Het bevordert data-eigenaarschap dat rond domeinen is georganiseerd, behandelt data als een product met expliciete verwachtingen en afspraken over kwaliteit, maakt gebruik van centraal aangeboden selfservice-infrastructuur en past federatieve governance toe om autonomie en controle met elkaar in evenwicht te brengen.
Belangrijk is dat de auteurs dit model onderbouwen met praktijkervaring. Bij BNP Paribas Fortis laat de introductie van dataproducten op domeinniveau, een Data Product Board en operationele datastores die op bedrijfsdomeinen zijn afgestemd zien hoe de principes van data mesh stapsgewijs kunnen worden toegepast, zelfs binnen een complexe en sterk gereguleerde omgeving.
De gevolgen voor het leiderschap zijn duidelijk. Voor bestuurders binnen de financiële dienstverlening is de boodschap dat AI-initiatieven zullen stagneren als het eigenaarschap, de financiering en de verantwoordelijkheid voor data niet dichter bij de business worden geplaatst. In deze context worden dataproducten die meerdere analytische, regelgevings- en AI-toepassingen ondersteunen strategische bedrijfsmiddelen. Tegelijkertijd verschuift de rol van centrale datateams van uitvoering naar facilitering. Verandermanagement en ondersteuning vanuit het leiderschap worden daarbij factoren die net zo belangrijk zijn als technologische keuzes.
Deze strategische heroriëntatie wordt nog urgenter door veranderingen op het gebied van regelgeving en technologie. Terwijl de mogelijkheden van AI zich blijven ontwikkelen en regelgeving zoals de Digital Operational Resilience Act (DORA) en de Europese AI-verordening de verwachtingen rond datakwaliteit en toezicht verhoogt, hebben instellingen data-organisatiemodellen nodig die zowel veilig experimenteren als industrialisering ondersteunen. Data mesh biedt een manier om weerbaarheid, governance en innovatiesnelheid te versterken zonder dat grootschalige vervanging van systemen nodig is.
Tot slot verbindt het artikel de datastrategie met bredere veranderingen in AI-gedreven organisatiemodellen.
Lees voor aanvullende perspectieven op de manier waarop AI financiële instellingen verandert de volgende JoFS-samenvattingen:
Het Journal of Financial Services (JoFS) biedt gestructureerde inzichten in ontwikkelingen binnen de Europese financiële sector. Iedere editie brengt bijdragen samen van professionals, academici en experts op het gebied van regelgeving om lezers te helpen belangrijke veranderingen binnen de sector te begrijpen.
Deze editie onderzoekt hoe data en kunstmatige intelligentie de financiële dienstverlening beïnvloeden. Er wordt gekeken naar de manier waarop moderne analysetechnieken en veranderende regelgeving, zoals de AVG, DORA en de Europese AI-verordening, de verwachtingen rond datakwaliteit, governance en toezicht verhogen. Aan de hand van beknopte en doordachte artikelen belicht deze editie de praktische gevolgen voor besluitvorming, risicomanagement en operationele weerbaarheid.
