AI in FinTech: wat Upstart ons leert over de toekomst van besluitvorming

Wie aan AI denkt, denkt vaak aan ChatGPT, Microsoft Copilot of beeldgeneratie. Dat is begrijpelijk. Dit zijn de toepassingen die het meest zichtbaar zijn en waarmee miljoenen mensen dagelijks werken. Toch ligt de grootste economische impact van AI waarschijnlijk ergens anders. Niet in het schrijven van teksten of het samenvatten van documenten, maar in het ondersteunen van duizenden beslissingen die organisaties iedere dag nemen.

Een van de mooiste voorbeelden daarvan is Upstart. Dit Amerikaanse fintechbedrijf ontwikkelde een AI-platform dat banken ondersteunt bij het beoordelen van kredietaanvragen. Waar traditionele kredietbeoordelingen grotendeels zijn gebaseerd op een beperkt aantal indicatoren, zoals kredietgeschiedenis, inkomen en bestaande schulden, analyseert Upstart meer dan 1.500 kenmerken om de kans op terugbetaling te voorspellen. Volgens het bedrijf kan hierdoor een groot deel van de kredietaanvragen direct worden beoordeeld, terwijl tegelijkertijd het kredietrisico wordt verlaagd.

Dat roept een interessante vraag op. Waarom is dit eigenlijk AI? Financiële instellingen gebruiken immers al tientallen jaren data en statistische modellen om risico’s te beoordelen.Het antwoord zit niet in de hoeveelheid data, maar in de manier waarop de beslissing tot stand komt.

AI in FinTech: van vaste regels naar lerende modellen

Traditionele beslismodellen zijn gebaseerd op regels die vooraf door mensen zijn ontworpen. Een kredietscore boven een bepaalde grens leidt bijvoorbeeld tot goedkeuring, terwijl een lagere score aanleiding kan zijn voor aanvullende beoordeling of afwijzing. De logica ligt vooraf vast en verandert alleen wanneer mensen de regels aanpassen.

AI werkt fundamenteel anders. Een AI-model leert uit grote hoeveelheden historische gegevens welke combinatie van kenmerken uiteindelijk leidt tot een betrouwbare voorspelling. Het model ontdekt patronen die niet vooraf zijn geprogrammeerd en kan zich aanpassen wanneer nieuwe gegevens beschikbaar komen of omstandigheden veranderen. Juist dat lerende vermogen onderscheidt AI van traditionele beslisregels. Eigenlijk heet dit supervised machine learning, maar tegenwoordig noemen we natuurlijk alles AI.

De echte waarde van AI zit in betere beslissingen

Anyway, nog belangrijker is dat AI hiermee in ieder geval een andere rol krijgt binnen organisaties. Waar veel huidige AI-toepassingen vooral gericht zijn op het verhogen van de productiviteit, laat Upstart zien dat AI vooral waarde toevoegt door de kwaliteit van besluitvorming te verbeteren. Niet sneller een rapport schrijven, maar betere kredietbeslissingen nemen. Niet efficiënter vergaderen, maar risico’s nauwkeuriger inschatten. Niet meer informatie produceren, maar betere keuzes ondersteunen.

Van kredietverlening naar zorg, industrie en accountancy

Die ontwikkeling beperkt zich allang niet meer tot de financiële sector.

In de gezondheidszorg helpt AI artsen om afwijkingen op medische beelden sneller en nauwkeuriger te herkennen en om behandelrisico’s beter in te schatten op basis van duizenden patiëntkenmerken. In de industrie voorspellen AI-modellen wanneer machines onderhoud nodig hebben door continu sensordata te analyseren. Logistieke organisaties combineren verkeersinformatie, weersomstandigheden, voorraadgegevens en historische leveringen om transportstromen voortdurend te optimaliseren. Retailers gebruiken AI om vraagontwikkelingen te voorspellen, voorraadniveaus te verbeteren en prijsstrategieën dynamisch aan te passen.

Steeds opnieuw zien we hetzelfde principe terug. AI vervangt niet de professional, maar ondersteunt hem of haar bij complexe beslissingen waarbij veel meer informatie beschikbaar is dan een mens tegelijkertijd kan verwerken.

Dat biedt ook interessante perspectieven voor accountancy, audit en analytics.

Binnen de accountancy kan AI helpen om afwijkende transacties sneller te signaleren, risico’s eerder zichtbaar te maken en patronen te herkennen die in miljoenen boekingen nauwelijks waarneembaar zijn. Binnen analytics kunnen AI-modellen voorspellingen doen over liquiditeit, omzetontwikkeling of operationele prestaties. In de audit kunnen grote hoeveelheden transacties worden geanalyseerd om de aandacht van de auditor te richten op de gebieden waar het risico daadwerkelijk het grootst is.

AI ondersteunt het professionele oordeel, maar vervangt het niet

Maar ook hier geldt dezelfde les als bij Upstart. AI neemt geen professionele verantwoordelijkheid over. Het model doet een voorspelling, de professional beoordeelt de uitkomst. AI ondersteunt het denkproces, maar vervangt het professionele oordeel niet.

Zonder twijfel de belangrijkste les die Upstart ons leert: de toekomst van AI draait niet om chatbots of indrukwekkende demonstraties, maar om betere besluitvorming. Organisaties die AI uitsluitend gebruiken om sneller te werken, benutten waarschijnlijk slechts een deel van het potentieel. De grootste strategische waarde ontstaat wanneer AI wordt ingezet om beslissingen consistenter, beter onderbouwd en beter voorspelbaar te maken.

Betere AI begint met betere data

Daarmee komen we misschien wel terug bij de basis van iedere succesvolle AI-toepassing. Niet het algoritme bepaalt uiteindelijk het succes, maar de kwaliteit van de data waarop het model leert. Goede AI begint daarom niet met technologie, maar met betrouwbare data, duidelijke definities en goed ingerichte processen. Organisaties die hun datahuishouding op orde hebben, beschikken over het belangrijkste concurrentievoordeel in het AI-tijdperk.

Voor mij geen verrassende conclusie: de opkomst van AI maakt data-analyse niet minder belangrijk, maar juist belangrijker dan ooit. Good old data-analyse vormt nog steeds het fundament waarop iedere succesvolle AI-oplossing wordt gebouwd.