Voice-over: Welkom bij de Leaders in Finance Compliance Podcast. Met experts, adviseurs, bestuurders en de business bespreken we risk en compliance binnen de financiële wereld en alle uitdagingen en dilemma’s die daarbij horen. Want voor het juiste en rechte pad bestaat geen navigatiesysteem.
Deze podcast wordt mede mogelijk gemaakt door Deloitte, Rabobank, Cense en Osborne Clarke. Je host is Jeroen Broekema.
Jeroen: Welkom, luisteraars, bij een nieuwe aflevering van de Leaders in Finance Compliance Podcast. Bij mij aan tafel zit Evert Haasdijk. Hij is professor AI en Financial Economic Crime aan de Universiteit van Amsterdam en daarnaast ook verbonden aan Deloitte. Heel recent heeft hij zijn oratie uitgesproken en is hij dus professor geworden. Daar ga ik hem zo meteen mee feliciteren.
Maar voordat we dat doen: allereerst, Evert, van harte welkom.
Evert: Dank je wel, Jeroen. Dank voor de uitnodiging.
Jeroen: Absoluut. We gaan het wat mij betreft vandaag hebben over twee kernwoorden: AI, toch the talk of the town vandaag de dag, en daarnaast Financial Economic Crime, AML en alles gerelateerd aan de financiële sector en de witwasbestrijdingspraktijk.
Wat ik al zei: ik wil je van harte feliciteren, want ik las recent dat je daadwerkelijk die oratie hebt uitgesproken. Ik was eigenlijk eerst benieuwd: is het nu heel anders voor je? Is je werk totaal anders geworden of is het eigenlijk precies hetzelfde als wat je al deed?
Evert: Dank je wel voor de felicitatie. Is het heel anders geworden? Deels. Voordat ik professor werd aan de Universiteit van Amsterdam, werkte ik alleen bij Deloitte. Daar heb je weinig ruimte voor onderzoek, want daar zijn we niet voor.
Nu heb ik die ruimte voor onderzoek wel. Bij Deloitte kon ik nog wel wat dingen doen door studenten te begeleiden bij masterprojecten. Daar werd echt wel leuk onderzoek gedaan. Maar nu heb ik daar gewoon meer tijd voor en kan ik PhD-studenten begeleiden.
Een van de doelen die ik met mijn leerstoel heb, is het opzetten van een ecosysteem waarin mensen uit de praktijk, van banken en verzekeraars en van alle toezichthouders, maar ook wetenschappers elkaar kunnen vinden. Zo kunnen we ervoor zorgen dat het onderzoek dat we doen maatschappelijk relevant is, bruikbaar is in de praktijk, maar natuurlijk ook technisch vooruitstrevend.
Jeroen: Nog even over die oratie: is het nu heel spannend om te doen? Of is het eigenlijk gewoon even vertellen wat je altijd al vertelt?
Evert: Nee, het was toch wel spannend. Misschien alleen maar omdat mijn vader erbij was, ik weet het niet. Maar het was toch anders dan anders.
Jeroen: Wat maakte het anders? Dat al die mensen daar zitten, alle bekenden uit je werk en je privéleven bij elkaar, allemaal speciaal voor jou gekomen?
Evert: Ja, dat. En als ik een praatje houd, houd ik zelf altijd heel erg van interactie. Bij een oratie zendt de professor en luisteren de anderen. Zo heeft de universiteit dat bepaald. Dat is voor mij ook een beetje buiten de lijntjes die ik normaal gebruik.
Jeroen: Hoe is jouw carrière op hoofdlijnen verlopen?
Evert: Vrij divers, maar wel altijd AI. Je zei net: AI is the talk of the town. Nou, dat is het bij mij al sinds ik ben afgestudeerd. Ik geloof dat dat in 1992 was, maar het kan ook 1993 zijn geweest. Dat weet ik niet meer zeker.
AI is voor mij dus altijd de leidraad geweest. Ik ben ooit begonnen op de onderzoeksafdeling van wat toen Cap Volmac heette en nu Capgemini is. Daar heb ik een tijdje rondgelopen en vervolgens ben ik een eigen bedrijf begonnen. Dat bedrijf is in 2004 verkocht.
Daarna heb ik een tijd aan de Vrije Universiteit gewerkt als universitair docent, of assistant professor in het Engels. Ik deed daar onderzoek naar AI, maar naar heel andere dingen dan waar ik me nu mee bezighoud. Het ging allemaal over robotjes die deuren open moesten doen en propjes moesten opruimen. Ook heel praktisch.
Acht jaar geleden ben ik naar Deloitte gegaan en heb ik me daar beziggehouden met het gebruik van AI bij het bestrijden van financiële criminaliteit. En nu ben ik daarnaast dus hoogleraar aan de UvA.
Jeroen: Want je hebt uiteindelijk echt een technische achtergrond, toch?
Evert: Ja, ik heb informatica gestudeerd.
Jeroen: Dus je kunt ook nog steeds zelf programmeren en al dat soort dingen doen?
Evert: Ja. Een van de nadelen van een enigszins succesvolle carrière en dit soort dingen is dat je steeds minder tijd krijgt voor het handwerk. Maar ik probeer echt nog een paar uur per week wat dingen te programmeren.
Jeroen: En voor heel basale handelingen, bijvoorbeeld even een mailtje laten controleren door een ChatGPT-achtig systeem: welk systeem gebruik je daar zelf voor?
Evert: Dat hangt ervan af. Als ik bij Deloitte ben, hebben we onze eigen interne variant. Maar als ik het privé doe, gebruik ik meestal Gemini.
Jeroen: Meestal Gemini. Is daar een reden voor of is dat toevallig zo op je pad gekomen?
Evert: Ik vond de userinterface het fijnst.
Jeroen: Heb je ze allemaal vergeleken?
Evert: Ja, ooit. Eigenlijk zou ik dat wekelijks moeten doen, want het verandert de hele tijd. Nu zou ik bijvoorbeeld weer naar Claude moeten kijken. Maar wat dat betreft ben ik dan toch ook wel een beetje lui. Het werkt.
Jeroen: Het werkt, ja. Je zei iets wat ik wel interessant vond: voor jou is AI er eigenlijk al sinds 1993, maar nu is het the talk of the town. De afgelopen jaren heeft AI natuurlijk enorm aan bekendheid gewonnen. Daarvoor wist het gros van de mensen volgens mij niet eens waar het over ging en nu heeft iedereen het erover.
Kun je op hoofdlijnen verklaren hoe zo’n kantelpunt ontstaat? Hoe gaat iets van een onderwerp waar veel wetenschappers en een aantal mensen in het bedrijfsleven van weten, naar iets waar echt de hele massa bij betrokken is?
Evert: Kijk, je hebt steeds van die innovation triggers. Gartner heeft daar altijd zo’n mooie innovation curve voor. AI staat eigenlijk al heel lang op die curve. Je hebt bijvoorbeeld machine learning en autonomous driving, en data mining was een tijdje een veelgebruikte term. Dat zijn eigenlijk meer verschillende labeltjes rond hetzelfde dan dat het echt allemaal iets nieuws is.
Er is nu wel echt iets veranderd met de komst van ChatGPT. Large language models bestonden al iets langer, maar toen ChatGPT drieënhalf jaar geleden werd gelanceerd, werd het ineens voor iedereen toegankelijk.
Ik denk dat dat uniek is aan deze iteratie van de AI-hype: iedereen kan erbij en iedereen kan het gebruiken. Ik vond bijvoorbeeld dat ik mijn sollicitatiebrief voor de functie van hoogleraar aan de UvA met ChatGPT moest schrijven. Dat kun je natuurlijk niet níét doen als je in dit veld werkt. Maar het is dus heel toegankelijk en iedereen kan ermee experimenteren.
Demo’s en de werkelijkheid zijn niet altijd even goed op elkaar afgestemd, maar kijk bijvoorbeeld naar de demo’s van Anthropic van afgelopen week. Daarin worden de meest bizarre dingen gemaakt. Met bijna één druk op de knop – nou ja, met een druk op een stuk of twintig knopjes – worden hele games geprogrammeerd. Dat soort dingen maakt AI zo toegankelijk en zo makkelijk voor iedereen om te gebruiken.
Iedereen schrijft weleens een mailtje. Iedereen denkt weleens: laat ik even sparren over, weet ik veel, de agenda voor een workshop. Dat zijn allemaal dingen die je hier prima mee kunt doen. Daarom denk ik dat de hype nu zo veel groter is dan ooit tevoren.
Ik heb altijd al gezegd: AI gaat nooit meer weg. Het zal andere labels krijgen, maar het ontwikkelt zich nu in een enorm tempo en heeft een enorme impact. Als we hier over een jaar weer zitten, hebben we allemaal andere voorbeelden en nieuwe toepassingen. We kunnen ons nu nog niet eens voorstellen wat er dan allemaal mogelijk is.
Jeroen: Ik vind het interessant. Aan de ene kant zeg je: enorme impact. Je dacht al heel vroeg: dit gaat niet meer weg. Aan de andere kant noem je het ook een hype. Hoe verhouden die twee zich tot elkaar?
Evert: De hype gaat over de verwachtingen. Ik zal je geen college geven over de geschiedenis van AI, maar er is een aantal keren zo’n hype geweest.
In de jaren tachtig waren expertsystemen helemaal in. Er werd speciale software – sorry, zelfs speciale hardware – gebouwd om LISP, een programmeertaal, te kunnen draaien. Ongeveer toen ik afstudeerde, is dat totaal ingestort. Je had de first AI winter en de second AI winter.
Ondertussen werd er gewoon doorgewerkt en kwamen er telkens nieuwe ontwikkelingen binnen het vakgebied. Machine learning is eigenlijk vanaf het moment dat ik afstudeerde – en het is puur toeval dat die tijdspannen gelijklopen – alleen maar beter geworden. Ook het aantal toepassingen is alleen maar toegenomen. Zo’n GPT, zo’n large language model, is gewoon het summum van machine learning dat we tot nu toe hebben bereikt.
Jeroen: Maar zeg jij dan ook – mijn woorden, hoor – dat die extreme investeringen van dit moment uiteindelijk niet op korte termijn kunnen uitkomen?
Evert: Dat vind ik heel moeilijk. Zoals ik net zei: zelfs zonder verdere verbetering van de technologie zijn er al zo veel mogelijkheden. Zo veel bedrijfsprocessen kunnen worden veranderd of totaal worden vervangen en er kunnen zo veel nieuwe bedrijfsprocessen ontstaan. We kunnen ons dat nauwelijks voorstellen.
Er is een oud verhaal over IBM. In de jaren zestig werd aan IBM gevraagd: jullie hebben nu die grote computer gebouwd, hoeveel markt is daarvoor? Zij zagen wereldwijd een markt voor misschien een handvol computers. Dat waren computers die niet eens konden wedijveren met de eerste iPhones.
Zij hebben dus totaal onderschat wat er allemaal mogelijk was met computers. Daar stonden ze echt niet alleen in en het waren ook zeker geen domme mensen. Ik denk dat we met AI nog niet eens aan het begin staan van ons begrip van wat er allemaal mee kan. In die zin denk ik dat die investeringen zeker kunnen uitkomen.
Ik weet alleen niet op welke termijn. Je weet zeker dat er een wedloop komt. Het zou zomaar kunnen dat een aantal bedrijven waar nu de miljarden tegen de plinten klotsen, over tien jaar worden herinnerd als: o ja, weet je nog? Dat was toen. Ik ga nu geen namen noemen, maar neem AltaVista. Dat was een enorme speler en ik weet niet eens of het nog bestaat.
Jeroen: Bizar, hè? Je had ook het socialmediaplatform Hyves. Toen kwam Facebook op en was het over. Hyves was zelfs twintig miljoen waard of zo.
Nog even voordat we wat langer ingaan op jouw oratie en wat je daarin inhoudelijk hebt besproken. Je bent nu hoogleraar AI. Matchen alle mogelijkheden die jij als academicus en consultant ziet altijd met wat je privé denkt? Denk je privé ook weleens: o god, waar gaat dit allemaal heen?
Heb je weleens de dystopische gedachten die Elon Musk bijvoorbeeld ook heeft geuit? Hij zei vroeger vaak dat AI uiteindelijk ook heel gevaarlijk kan zijn. Overigens hoor je hem daar nu nooit meer over.
Evert: Ja. Ik maak me zorgen over de gevolgen van AI voor de werkgelegenheid. Ik denk dat een heleboel banen gaan veranderen en dat er ook een heleboel nieuwe banen bij komen. Maar er gaan volgens mij ook mensen buiten de boot vallen die niet flexibel genoeg zijn om allemaal nieuwe vaardigheden te leren. Dat vind ik echt een punt van zorg.
Iets anders is het gebruik van AI in wapens. We hebben heel lang geroepen: AI en wapens, dat mag niet. Kijk nu maar naar wat er allemaal in Oekraïne gebeurt met al die zelfvliegende drones. Ik wil absoluut niet zeggen dat Oekraïne zich niet mag verdedigen, verre daarvan. Maar het idee dat er op het slagveld allemaal autonome systemen rondlopen die mensen doodschieten of andere systemen kapotschieten, vind ik redelijk dystopisch.
Jeroen: Ja, dat is behoorlijk dystopisch. Het is ook wel scary. Zeker als je oorlog gaat voeren tussen twee AI-legers. Dat lijkt me heel wonderlijk. In een oorlog is ethiek sowieso vaak ver te zoeken, maar dan is die echt ver te zoeken.
Evert: Maar ja, dat is wat er nu in Oekraïne gebeurt.
Voice-over: Je luistert naar de Leaders in Finance Compliance Podcast.
Jeroen: Ik heb het in dit gesprek al een paar keer genoemd: jouw oratie. Waar ging die inhoudelijk op hoofdlijnen over?
Evert: Ik had eigenlijk drie onderwerpen. Het eerste punt was dat AI wel degelijk mogelijkheden biedt. Het woord ‘hype’ is al een paar keer gevallen, maar AI biedt echt reële mogelijkheden. Zowel om beter te detecteren als om efficiënter te werken. Dan denk ik vooral aan dingen als ChatGPT om analisten te ondersteunen.
AI kan ons ook helpen om beter te analyseren wat er gebeurt en beter te begrijpen wat er op ons afkomt in de wapenwedloop met criminelen. Dat is dus het eerste punt: AI is echt bruikbaar.
Het tweede punt is: ga er nu mee aan de slag. We roepen allemaal dingen over innovatie en bijna elk groot bedrijf heeft ergens een afdeling waarvan de muren in felle kleuren zijn geschilderd en waar een schommel hangt of zo. Maar dat is geen innovatie. Innovatie betekent dat je iets durft, experimenten aangaat en durft te falen. Experimenten moeten mogen falen.
Wat ik ook letterlijk heb gezegd: je moet niet het succes van je proof of concept of je onderzoek belonen. Je moet belonen dat je iets hebt geleerd. Anders durven mensen toch niet te falen. Dat was een belangrijk punt.
Het laatste punt is dat samenwerking heel belangrijk is. Ik heb het ecosysteem al even genoemd. Ik vind het heel belangrijk dat we van elkaar leren. Dat heeft niet alleen te maken met toegang tot data, hoewel dat in de academische wereld een groot probleem is. We zien natuurlijk nooit echte transacties, behalve onze eigen transacties, maar daar kun je geen algoritme op trainen.
We zien dus nooit echte transacties. Dat is een groot probleem als je een algoritme wilt ontwikkelen om trade-based money laundering te detecteren. Een universiteit kan daarin niet bijdragen zonder samenwerking met banken.
Daarnaast zijn mensen aan de universiteit vaak heel erg gericht op hun algoritme. Dat geldt zeker voor mensen die niet, zoals sommigen van ons, de combinatie met de praktijk hebben. Die gerichtheid op het algoritme is ook goed, dat hoort erbij. Maar als hun werk nooit langs de meetlat van de maatschappelijke bruikbaarheid en de daadwerkelijke toepasbaarheid van hun tools wordt gelegd, is de meerwaarde van hun onderzoek te klein. Dat vind ik in ieder geval. Dat waren de drie belangrijke punten uit mijn oratie.
Jeroen: Als je kijkt naar de blokkades voor innovatie: je zegt dat er iets meer gefaald, geoefend en geprobeerd mag worden. Wat zijn volgens jou de belangrijkste blokkades waardoor dat toch maar beperkt gebeurt?
Evert: Ik zie bij veel organisaties dat mensen heel enthousiast zijn over innovatie. Ze willen ook dat het werkt. Dan zeggen ze: wat we gaan doen, is een programma optuigen. Daarbinnen kun je een voorstel doen en vervolgens een proof of concept uitvoeren.
Na die proof of concept is er alleen niets meer. Er is geen aansluiting op wat daarna moet gebeuren. Zelfs als de proof of concept succesvol is – en dat zal best vaak het geval zijn – is er daarna nog een hele investering nodig.
Laat ik een concreet voorbeeld nemen. Stel dat je een nieuw soort machine learning gaat gebruiken voor transactiemonitoring. Dan moeten er nieuwe modellen worden gebouwd. Die moeten op schaal worden gebouwd en vervolgens worden getest. Na die proof of concept is dus nog een hele investering nodig.
Niemand durft die investering te doen. Als jij degene bent die, pak ’m beet, een miljoen heeft uitgegeven aan een model dat uiteindelijk niet blijkt te werken, is dat niet goed voor je carrière. Ik denk dat dit een heel grote blokkade is.
Een tweede blokkade is de angst voor de toezichthouder. Ik wil absoluut niet zeggen dat toezichthouders het fout doen. Die angst is begrijpelijk, gezien alle boetes die in het verleden zijn uitgedeeld en het feit dat mensen zelfs persoonlijk aansprakelijk worden gesteld. Ik snap dat helemaal.
Ik denk dat de samenwerking die ik net noemde ook hier belangrijk is. De toezichthouder moet daarin meedoen en expliciet de ruimte geven om zo’n experiment uit te voeren. Het gesprek met de toezichthouder is dus heel belangrijk.
Dan is er nog een laatste blokkade die ik toch wil noemen. Iedereen heeft het altijd over datakwaliteit. Dat is ook superbelangrijk, daar ben ik het helemaal mee eens. Garbage in, garbage out, zoals iedereen altijd zegt.
Ik weet ook dat iedereen problemen heeft met datakwaliteit. Maar het is natuurlijk niet zo dat alle banken alleen maar slechte data hebben. Dat kan helemaal niet, want dan zouden ze niet eens kunnen bestaan. Ze hebben dus wel data en die data kun je gebruiken. Daar kun je wel degelijk iets mee.
Ik zou er echt voor pleiten om meer te denken vanuit: dit kunnen we doen met de data die we hebben. Zo kunnen we leren innoveren, maar ook leren om AI en andere technieken beter en efficiënter in te zetten. Roeien met de riemen die je hebt.
Ik heb echt wel gezien dat organisaties zeggen: nee, eerst moeten we onze data op orde hebben. Maar je hebt je data nooit helemaal op orde. Het gaat gewoon never ever volledig op orde zijn.
Jeroen: Ja, dat is wel mooi. Dan werp je dus zelf een blokkade op. Je zegt: ik moet het eerst helemaal perfect hebben en pas daarna kan ik gaan experimenteren.
Terwijl ik naar jou luister, denk ik ook: de upside van iets meer risico nemen is groot. Er gaat heel veel geld in dit domein om, mede doordat er zo ontzettend veel mensen werken aan de bestrijding van financieel-economische criminaliteit.
Je zou denken dat het voor de top van een organisatie, die bijvoorbeeld goedkeuring moet geven aan het doorontwikkelen van zo’n proof of concept, best de moeite waard is om een gecalculeerde gok te wagen met het budget dat eraan wordt besteed.
De angst voor toezichthouders, het Openbaar Ministerie of het overtreden van privacyregels is natuurlijk een ander verhaal. Daarvan kun je zeggen: die risico’s wil ik nooit nemen. Hoewel je uiteindelijk ergens risico zult moeten nemen, denk ik.
Maar als het om investeringsbeslissingen gaat, zou je denken dat de upside best groot is. Als het namelijk wel lukt, kan het zomaar heel veel geld besparen.
Evert: Ja. Het grappige is dat het gesprek op hoog niveau nooit zo ingewikkeld is. Dan hoor je: ja, dat moeten we doen. Natuurlijk, goed idee, Evert, ga ervoor.
Maar vervolgens moet je met die en die persoon spreken en moeten er mensen bij een afdeling worden weggehaald. Die mensen zijn dan niet beschikbaar vanwege een ander project.
Ik bedoel dit niet denigrerend, maar zodra je met het lijnmanagement en het middenmanagement in gesprek komt, verschijnen er ineens allerlei blokkades. Mensen durven die verantwoordelijkheid ook niet te nemen, tenzij er heel expliciet rugdekking van bovenaf is. Je bent voor je het weet veertig calls verder voordat je dat allemaal hebt afgestemd.
Jeroen: Dus als ik je goed begrijp, is het cruciaal dat de top van de organisatie dit volledig steunt en blijft steunen. Alleen dan kun je zo’n testfase echt doorzetten tot het punt waarop je weet of je iets daadwerkelijk kunt implementeren.
Evert: Ja. Niet alleen een schouderklopje en: “Evert, ga het maar doen.” De top moet echt door blokkades heen breken en aanschuiven bij de besprekingen waarin dit soort beslissingen worden genomen. Daar moeten ze zeggen: “Ik vind dit belangrijk. Dit gaan we doen.”
Jeroen: Wat dan misschien kan helpen, is dat je voorbeelden hebt van succesvolle implementaties van AI, van lichtere tot zwaardere toepassingen. Wat zie jij op dit moment allemaal in de financiële sector? Je hebt natuurlijk het voorrecht om bij veel organisaties in de keuken te kunnen kijken. Zie je überhaupt al veel toepassingen van AI-gerelateerde tools in het FEC-domein?
Evert: Ja, zeker. Bij fraudedetectie zie je het al langer dan bij AML. Machine learning en dat soort tools zijn daar veel gebruikelijker.
Daar schakelt iedereen ook veel sneller, want de modi operandi van fraudeurs veranderen voortdurend. Dat is iets makkelijker te zien dan bij witwassen. Bij witwassen zie je het ook wel, maar zie je soms ook terugtrekkende bewegingen.
De laatste tijd groeit volgens mij het besef dat de kosten totaal uit de hand lopen. Door de beschikbaarheid van large language models, zoals GPT, zie je nu echt een verschil. Banken beginnen serieus tools te bouwen waarmee analisten beter worden ondersteund. Daardoor hoeven zij het saaie werk minder te doen en kunnen ze zich meer richten op de echte onderzoeksvraag.
Niet zo lang geleden hebben we zo’n project gedaan bij een bank in Nederland. Dat hadden we nooit voor elkaar gekregen als niet letterlijk mensen uit de raad van bestuur hadden gezegd: “Dit vinden wij belangrijk.” Zij schoven aan bij vergaderingen en delegeerden mensen die ervoor moesten zorgen dat iedere opgeworpen blokkade werd onderzocht: wat kunnen we hieraan doen?
Dat was in dit geval niet gelukt zonder die steun. Er moest heel expliciet met de vuist op tafel worden geslagen: deze blokkade gaan we wegnemen, hiervoor krijg je een uitzondering, enzovoort.
Jeroen: Wat zie je dan uiteindelijk? Kun je een voorbeeld geven van hoe AI wordt ingezet?
Evert: Dit voorbeeld gaat heel concreet over het gebruik van een agent. Ik ga het woord ‘agent’ verder niet gebruiken in deze podcast en laat de discussie over wat een agent precies is even terzijde.
Het gaat om een agent die analisten ondersteunt bij het samenvatten van documenten en bij alle andere dingen waarvoor je een large language model zou willen gebruiken. Dat wordt als het ware voorgebakken in een assistent die je door de werkinstructie heen leidt. Dat is heel succesvol gelukt.
Jeroen: Even tussendoor: als je dit voorbeeld neemt, gebruik je dan een externe chatfunctie die je voedt met data en waarvoor je binnen een interne omgeving een interface bouwt?
Evert: Je gebruikt dan niet simpelweg GPT of Gemini, maar een beveiligde eigen instance, zodat de data de organisatie niet verlaat. Op dit moment is het niet de moeite waard om daar een eigen model voor te trainen.
Jeroen: Maar voed je het model wel met eigen data of alleen met data die er al in zit?
Evert: Je traint zo’n model niet. Je zegt alleen: dit is de prompt en dit zijn de documenten waar het om gaat. Net zoals je GPT of Gemini in je privéleven gebruikt.
Jeroen: Het enige verschil is dus dat je het specifieker voor de organisatie inricht en de data binnenhoudt. Maar het model wordt niet steeds slimmer.
Evert: Nee. Dat gaat zeker een thema worden zodra de aanbieders – de Googles en OpenAI’s van deze wereld – reële kosten gaan rekenen voor het gebruik van hun modellen. Op dit moment wordt dat allemaal zwaar gesubsidieerd. Maar als we straks allemaal verslaafd zijn, gaat de prijs omhoog.
Dan wordt het heel interessant om die modellen zelf te trainen en te draaien, omdat dat financieel veel aantrekkelijker kan zijn. Het bouwen van zo’n model vraagt alleen om een behoorlijke investering. Dat moet je dus niet doen als je nog niet weet of de usecase werkt. Je moet ook een beetje slim innoveren.
Jeroen: Wel een interessant onderwerp. Vooralsnog gaat het veelal om grote Amerikaanse bedrijven, hoewel we met Mistral ook iets in Europa hebben. Denk je dat je binnen de omgevingen van die aanbieders straks ook je eigen model verder kunt trainen?
Evert: Dat kan nu al. Je kunt GPT bijvoorbeeld fine-tunen, zoals dat heet. Dat is eigenlijk gewoon het model zelf verder trainen.
Je kunt er daarbij voor kiezen om je data binnen je eigen omgeving te houden. Je kunt het model ook volledig binnen je eigen organisatie trainen. Deloitte heeft dat bijvoorbeeld in de Verenigde Staten gedaan. Daar was ik niet direct bij betrokken. Ze hebben voor een bank een fine-tuned model gebouwd dat lokaal op de eigen systemen draait.
Dat model kan eigenlijk maar één ding heel goed: de teksten interpreteren die bij transactiemonitoringalerts worden gegenereerd. Er was een model dat transactiemonitoringalerts genereerde met een uitleg erbij. Op basis van die uitleg kon dit nieuwe model het verhaal alvast grotendeels opschrijven, zodat de analist werd ondersteund bij het opstellen van wat vervolgens mogelijk naar de FIU gaat.
Nou ja, eerst gaat het naar een analist en eventueel daarna naar de FIU.
Jeroen: Dit is een mooi voorbeeld. Is dit ook iets waarvan je zegt: dit zouden Nederlandse of andere Europese banken moeten implementeren?
Evert: Ja, ik denk zeker dat dit heel goed zou zijn. Er zijn een heleboel van dat soort toepassingen. Je kunt bijvoorbeeld een model maken dat heel goed is in het samenvatten van klantcontact.
Ik denk oprecht dat je zo’n model uiteindelijk gewoon op je laptop zou kunnen draaien, omdat fine-tuned modellen veel kleiner zijn en veel minder energie kosten dan een groot model. Ik denk dus dat dit absoluut een trend wordt.
Ik heb samenwerking al een paar keer genoemd, maar dit is natuurlijk bij uitstek iets wat je heel goed gezamenlijk zou kunnen doen.
Jeroen: Hier komen heel veel vervolgvragen uit voort. Ik vind dit superinteressant. Als je zo’n model binnen je eigen omgeving kunt trainen, zie ik daar enorm veel potentie in. Banken hebben natuurlijk extreem veel data en die is heel interessant.
Maar hoe weet je dat die data de organisatie niet verlaat en niet wordt gebruikt om andere modellen verder te trainen? Kun je dat überhaupt controleren?
Evert: Ja, dat kun je controleren. Het hangt af van de aanbieder van het model dat je gebruikt. Als je bijvoorbeeld Llama gebruikt, kun je het model lokaal draaien en volledig binnenshuis houden.
Organisaties als het NFI, de politie en de FIU zijn nog veel huiveriger dan banken voor het naar buiten brengen van data, en terecht. Zij kijken daarom juist heel nadrukkelijk naar dit soort modellen. Ze willen modellen als GPT absoluut niet gebruiken zolang die draaien op systemen waarover ze geen honderd procent controle hebben.
Jeroen: Nee, want dit soort aanbieders zouden natuurlijk dolgraag de data van banken willen hebben. Dat is misschien wel de meest fantastische data die er is. Daar kun je bijna alles uit halen.
Ik weet nog dat ik vijftien of twintig jaar geleden als accountmanager werkte. Door zelf de transactiegegevens van iemand te bekijken, kon je eigenlijk al een heel profiel van die persoon maken. Gaat iemand naar de kerk of niet? Geeft iemand wel of niet aan goede doelen? Rookt diegene wel of niet? Geeft iemand weinig of juist veel geld uit? Je weet bijna alles.
Evert: Ja. Dat is niet minder geworden, want we betalen alleen nog maar giraal.
Jeroen: Precies. Als je dat combineert met open bronnen en sociale media, heb je eigenlijk een compleet profiel van iemand. Dan weet je iemands seksualiteit, geloofsovertuiging, woonplaats en gezinssamenstelling.
Evert: Daarom is het ook zo belangrijk dat we beter gaan detecteren. Er wordt nu ontzettend veel onderzoek gedaan. Ik denk echt dat we veel meer AI kunnen gebruiken, met name bij transactiemonitoring. Daar worden false-positivepercentages van rond de negentig procent nog steeds geaccepteerd.
Dat betekent dat precies deze analyse – waarbij je bijvoorbeeld kunt zien dat iemand Ajax-fan is – wordt uitgevoerd bij mensen bij wie helemaal niets aan de hand is. Dat gebeurt dus negen van de tien keer. Dat is een enorme inbreuk op de privacy.
Iedereen heeft het over transactiemonitoring als inbreuk op de privacy, maar het daaropvolgende onderzoek vormt de echt grote inbreuk.
Jeroen: Ja. Als je dat weet te verbeteren, biedt dat dus een enorme kans. Heb je nog andere voorbeelden van manieren waarop AI nu al wordt gebruikt in de Nederlandse financiële sector?
Evert: Bij Transactie Monitoring Nederland werd ook al AI gebruikt. Helaas is dat nu niet meer wat het was. We gebruikten daar bijvoorbeeld anomaly detection: het detecteren van letterlijk ongebruikelijk gedrag om transactiemonitoringalerts te genereren.
Ik weet dat bijna alle banken daarmee bezig zijn of zulke modellen al hebben. Dat wordt dus veel gebruikt en er is op dit moment veel belangstelling voor.
Ik heb eerlijk gezegd geen duidelijk beeld van hoe succesvol netwerkanalyses momenteel zijn. Dat was natuurlijk iets waar Transactie Monitoring Nederland heel sterk in was, omdat we data van meerdere banken hadden. Netwerkanalyses worden nu in ieder geval veel gebruikt.
Ten slotte hebben tegenwoordig bijna alle banken wel een AI-model dat transactiemonitoringalerts prioriteert.
Jeroen: Is dat echt AI? Noem je dat daadwerkelijk AI?
Evert: Het is niet per definitie een simpel basisalgoritme. Er zullen ook banken zijn die wel een eenvoudig basisalgoritme gebruiken. Maar je kunt een echt goed, geavanceerd machinelearningmodel maken.
Jeroen: Een model dat ook leert?
Evert: Ja, een lerend model dat heel goed kan beoordelen welke alerts uit regels of andere AI-modellen wel en niet veelbelovend zijn. Op basis daarvan kun je alerts prioriteren, hibernaten of zelfs automatisch afsluiten.
Daar bestaan allerlei termen voor. Noise reduction is een term die vaak voor dit soort modellen wordt gebruikt. Je ziet zulke modellen eigenlijk bij alle banken.
Jeroen: Mensen die ermee moeten werken, klagen er ook vaak over. Ze zeggen dan: zoveel noise wordt er nu ook weer niet gereduceerd. In goed Nederlands.
Evert: Het kan heel goed dat er nog steeds veel ellende doorheen komt. Dat heeft ook te maken met je – daar komt het woord toch – risk appetite.
Hoeveel noise accepteer je? Geen enkel model zal perfect zijn. Er zullen altijd alerts zijn die als noise worden aangemerkt, terwijl ze eigenlijk verdacht waren. Die ga je dan missen. Hoeveel daarvan accepteer je in ruil voor meer efficiëntie of minder inbreuken op de privacy?
Jeroen: Dat heeft waarschijnlijk veel te maken met je andere punt: hoeveel wordt uiteindelijk geaccepteerd door het Openbaar Ministerie en de toezichthouder? Dat kan ik me voorstellen.
We hebben het nu over de bovenwereld gehad. In hoeverre gebruikt de onderwereld AI binnen dit domein? Heb je daar een beeld van? Het is een lastige vraag, maar ik ben wel nieuwsgierig.
Evert: Ze zouden daar eens een enquête over moeten houden.
Jeroen: Die zullen ze vast allemaal netjes invullen.
Evert: Voor zover we kunnen zien, gebruiken ze AI veel. Bijvoorbeeld voor het maken van deepfakes. Het was voor mij een eyeopener toen ik hierover sprak met iemand die zich bezighoudt met online onboarding bij een bank. Banken worden bijna continu bestookt met valse paspoorten. Die worden onder meer met deepfaketechnologie gemaakt.
De manier waarop zulke documenten worden gemaakt, verandert heel snel. Criminelen hebben het binnen een paar dagen door wanneer er nieuwe controles worden ingevoerd. Vervolgens verzinnen ze weer nieuwe manieren om die controles te omzeilen.
Jeroen: Superinnovatief dus.
Evert: Superinnovatief en niet risk-averse.
Jeroen: Banken kunnen dus eigenlijk iets leren van de onderwereld.
Evert: Ja. De onderwereld heeft natuurlijk ook geen toezichthouder waar ze zich iets van aantrekt.
Jeroen: Ze hebben een behoorlijke toezichthouder, maar inderdaad.
Evert: Die laatste toevoeging klopt wel, ja. Ik denk dat banken in dat opzicht zeker iets van de onderwereld kunnen leren. Als we een keer een podcast over innovatie maken, kunnen we daar heel uitgebreid bij stilstaan: hoe zou dat beter kunnen? Met name op het gebied van identiteit.
Jeroen: Daar ligt een grote uitdaging.
Evert: Ja, ook op het gebied van identiteit. Denk bijvoorbeeld aan documentatie bij klantcontact. Wanneer aan een klant wordt gevraagd waarom hij een bepaalde rekening heeft betaald, komt er ineens een heel overtuigende factuur binnen. Dat kan tegenwoordig allemaal heel makkelijk worden gegenereerd.
Hetzelfde geldt voor phishingmails en dat soort zaken. Dat valt niet onder witwassen, maar ook dat gebeurt steeds efficiënter en slimmer.
Jeroen: Met name als het gaat om documentatie waarmee banken aantonen wat ze hebben gedaan. Als ik het negatief mag formuleren: banken dekken zichzelf daarmee in. Positiever geformuleerd bewijzen ze ermee wat ze hebben gecontroleerd, ook richting de toezichthouder.
Ik krijg steeds vaker signalen – ik kan het ook niet allemaal bewijzen – dat veel van die documenten gewoon hartstikke vals zijn. Daar refereerde jij net ook al aan. Het is best ingewikkeld om de echtheid daarvan te controleren, toch? Dat geldt bijvoorbeeld ook voor jaarverslagen.
Ga dat maar eens controleren. Dan moet je eigenlijk contact opnemen met de accountant en bij een mens verifiëren of het document daadwerkelijk door hem of haar is opgesteld.
Evert: Ja, nee, dat is absoluut waar. Wat mij betreft is dat nog een open probleem. Bij deepfakes van foto’s en video’s kun je algoritmisch nog wel iets ontdekken. Er kan bijvoorbeeld bepaalde ruis ontbreken en er zijn allerlei andere kenmerken waaraan je kunt zien dat een foto of video niet echt is. Ook daar is een wapenwedloop gaande.
Maar die documenten zijn op zichzelf echte documenten. Ze zijn alleen gemaakt op basis van fictieve gegevens. De documenten zijn daardoor niet van echt te onderscheiden. De enige manier waarop je daar iets aan zou kunnen zien, is inderdaad wat jij zegt: controleren of de achterliggende informatie klopt.
Jeroen: Of zorgen voor directe verzending. Stel dat Deloitte de accountant is, dan stuurt Deloitte het document rechtstreeks naar de bank. Er zit dan geen andere partij meer tussen.
Evert: Ja. Dan krijg je een vorm van datadeling, waar natuurlijk ook allerlei initiatieven voor bestaan. De nieuwe AML-wetgeving biedt daarvoor ook weer mogelijkheden. Direct doorzenden of waarmerken zijn manieren waarop je dit zou kunnen aanpakken.
Jeroen: Eerder in dit gesprek refereerde je er al even aan dat de samenwerking tussen de wetenschap en de private sector veel nauwer zou moeten zijn om tot meer resultaten te komen. Dat betekent dus dat die instellingen data moeten delen. Dat is eigenlijk de enige manier om dat goed te doen, lijkt mij.
Evert: Dat hoeft niet per se. Ik zal daar kort iets over vertellen. Modellen zoals GPT kun je ook voor financiële data maken.
Het interessante aan die modellen is dat ze opnieuw te trainen zijn. We hadden het er net al even over dat je zo’n model voor jezelf kunt trainen. Je kunt een variant of basismodel maken en dat later verder verfijnen.
Dat zou je ook als basis voor samenwerking kunnen gebruiken. Stel dat je zo’n model bij Rabobank traint op de transacties van Rabobank. Rabobank deelt vervolgens niet de data, maar de gewichten van het model. Dat is wat het model uit die data heeft geleerd. De data zelf zit daar niet meer in en kan er ook niet meer uit worden gehaald.
Vervolgens geef je dat model door aan ABN AMRO, die het weer verder traint en daarna doorgeeft aan Triodos of ING. Zo zou je gezamenlijk aan een model kunnen werken.
Jeroen: Zonder dat je de data kunt herleiden tot een individueel bedrijf.
Evert: Nee, absoluut niet. Een andere methode waar we naar kijken, is het genereren van synthetische data. Je gebruikt dan niet de echte data, maar synthetische data die daar op de juiste manier sterk op lijkt. Die data is niet herleidbaar tot individuele personen of klanten.
Dat zijn in ieder geval twee heel praktische manieren waarop je kunt samenwerken. Daarnaast noemde ik net al dat ik veel masterstudenten heb begeleid. Zij lopen gewoon stage bij een bank en krijgen daar binnen de bank toegang tot de gegevens. Zo kun je binnen die bank onderzoek doen.
Dat kan met een masterstudent, maar waarom zou het niet met een PhD-student of een andere wetenschapper kunnen? Dan bedoel ik uiteraard wel een goede wetenschapper. Die persoon kan tijdelijk worden gedetacheerd, daar onderzoek doen en daarover publiceren. Uiteraard met inachtneming van alle privacyvereisten.
Ik wil hier toch nog even over doorpraten. De meest baanbrekende papers die ik de laatste tijd heb gezien, komen niet meer van universiteiten, maar van financiële instellingen. Revolut heeft bijvoorbeeld een heel mooi paper geschreven over de modellen die ik net noemde, die enigszins op GPT lijken.
Jeroen: Zijn dat mensen zoals jij, die met één been in de wetenschap en met één been in de private sector staan? Of zijn het mensen die uitsluitend in de private sector werken?
Evert: Dit komt puur uit de private sector.
Jeroen: Ze delen dat dus puur for the benefit of the common good?
Evert: Ja. Hoewel het natuurlijk ook wel stoer is om een paper te hebben gepubliceerd.
Jeroen: Nee, absoluut. Maar deze mensen zijn dus niet meer aan de academische wereld verbonden?
Evert: Nee, zij zijn gewoon in dienst van Revolut.
Jeroen: En jij zegt als wetenschapper, dus echt met je wetenschappelijke pet op: aan dat paper heb ik heel veel?
Evert: Ja, dat paper is voor mij heel waardevol.
Jeroen: Dat is interessant.
Evert: Door de enorme investeringen in AI wordt een steeds groter deel van het onderzoek gedaan door de Googles en NVIDIA’s van deze wereld en door andere technologiebedrijven. Revolut is een bank, maar eigenlijk ook een technologiebedrijf.
Er vindt dus een verschuiving plaats waarbij steeds meer onderzoek binnen bedrijven wordt gedaan. Een heel groot deel daarvan wordt niet gepubliceerd. Dat moeten we ons ook realiseren.
Een belangrijke reden waarom we willen dat universiteiten onderzoek doen, is dat de uitkomsten publiek worden gemaakt en de opgedane kennis wordt gedeeld.
Jeroen: En vanwege de onafhankelijkheid natuurlijk.
Evert: Vanwege de onafhankelijkheid, inderdaad. Hoewel ik denk dat die onafhankelijkheid bij dit specifieke voorbeeld niet zo’n groot punt is.
Jeroen: Als ik naar jou luister, denk ik meteen: zou je niet veel meer geanonimiseerde data kunnen onderbrengen bij een overheidsinstelling of een non-profitorganisatie die al die data bij elkaar brengt?
Uiteindelijk kun je – het is een standaarduitspraak – een netwerk alleen aanpakken als je ook over netwerkdata beschikt. Aan uitsluitend de gegevens van ABN AMRO, ING of Rabobank heb je niet zo veel. Eigenlijk zou je data van banken van over de hele wereld moeten hebben. Dat is niet erg waarschijnlijk, maar misschien zou het op zijn minst binnen Europa kunnen.
Evert: Daar wordt natuurlijk ook veel onderzoek naar gedaan. Hoe kunnen we leren van gecombineerde data zonder die data daadwerkelijk te delen? Er wordt veel onderzoek gedaan naar privacy-preserving technologies.
Daarnaast wordt veel onderzoek gedaan naar volledig beveiligde omgevingen waarin je data wel kunt delen, maar waarin ook een heel duidelijke audittrail bestaat: waar komt de data vandaan en wie heeft er toegang toe gehad? Dat is meer de auditmatige benadering, naast de technische benadering.
Die ontwikkelingen staan zeker niet stil. Dit is een heel belangrijke manier om samenwerking te bevorderen, naast ervoor zorgen dat wetenschappers ook de vragen beantwoorden waar banken mee zitten.
Jeroen: Het moet van beide kanten komen.
Evert: Ja, precies.
Jeroen: Alweer een paar laatste vragen, want de tijd gaat snel in zo’n podcast.
Wat je doet, is ontzettend interessant. Vooral omdat AI de komende jaren volgens mij echt alles op zijn kop gaat zetten binnen AML, in ieder geval binnen de bancaire AML-praktijk. Er gaat zo veel geld in om, er werken zo veel mensen en er zijn zo veel taken waarbij AI nu al ondersteuning kan bieden. Wellicht kan AI bepaalde onderdelen zelfs helemaal overnemen.
Er wordt ontzettend veel gesproken over de nieuwe modellen van Claude, die potentieel een enorm wapen kunnen zijn voor zowel de goede kant – de overheid – als de slechte kant, de criminelen.
Heb jij daar een beeld bij? Kunnen criminelen dit soort modellen straks gebruiken om financiële instellingen, de overheid en daarmee het algemeen belang nog makkelijker om de tuin te leiden?
Evert: Ja, want die modellen worden steeds capabeler en kunnen steeds meer. Ik kan me heel goed voorstellen dat je zo’n model kunt gebruiken om te analyseren hoe een bank iets heeft gezien. Stel dat er vragen komen over een bepaalde transactie. Waarom komen er juist over die transactie vragen?
Dat kun je nu nog niet met dit soort modellen doen. Maar als de modellen beter worden, zal dat wel mogelijk worden.
Ik noemde al de wapenwedloop rond het maken en detecteren van deepfakes. In het begin moest je bijvoorbeeld naar een puntje op de camera kijken om te bewijzen dat je geen deepfake was. Tegenwoordig is dat niet meer genoeg en wordt bijvoorbeeld de belichting veranderd. Over een tijdje werkt ook die controle niet meer.
Die wapenwedloop is volop gaande en dat zal niet veranderen. Dat brengt mij bij een oproep die ik zou willen doen. Criminelen passen zich steeds sneller aan. Dat betekent dat banken ook echt veel meer – ik wil het woord eigenlijk niet gebruiken – agile moeten zijn. Ze moeten veel sneller reageren op veranderingen en nieuwe modi operandi.
Het model waarbij je één keer per jaar een SIRA uitvoert en vervolgens kijkt wat er allemaal van de FATF, de Wolfsberg Group en andere organisaties is gekomen, is niet houdbaar. Je kunt niet rustig met je voeten op tafel en de ventilator op tien gaan zitten nadenken over wat er allemaal nieuw is.
Dit moet misschien wel dagelijks gebeuren, zoals bij fraudebestrijding al gebruikelijk is. Die modellen moeten voortdurend worden gemonitord en bijgewerkt.
Jeroen: Waarom kan dat bij fraudebestrijding wel? Dat triggert me.
Evert: Bij fraudebestrijding gebeurt dat inderdaad wel. Dat heeft twee oorzaken. Aan één daarvan ging ik net even voorbij.
Als je fraude mist, krijg je daar een signaal over. Dan belt een klant op en zegt: “Hé, er is vijftienduizend euro van mijn rekening verdwenen. Wat is er gebeurd?” Bij AML gebeurt dat niet. Daar heb je die feedbackloop dus niet.
Banken monitoren hun fraudedetectiesystemen voortdurend op nieuwe ontwikkelingen. Als er nieuwe signalen binnenkomen, wordt het model onmiddellijk aangepast, soms letterlijk binnen enkele uren.
Jeroen: Is dat omdat de motivatie groter is, doordat er daadwerkelijk geld van klanten verdwijnt?
Evert: De kosten van fraudemodellen en een tekortschietende zorgplicht zijn voor banken veel lager dan de kosten van AML. Ik denk dat het verschil vooral zit in de stroperigheid waarmee AML-processen en veranderingsprocessen binnen AML zijn ingericht.
Jeroen: Dan zijn we weer terug bij de cultuur van angst en dat soort zaken. Interessant, dat is heel boeiend.
Mijn conclusie zou zijn: kijk als bank beter naar de manier waarop fraudebestrijding is georganiseerd. Daar kan de AML-praktijk veel van leren.
Evert: Je ziet natuurlijk al dat FRAML als concept opkomt, waarbij fraude en AML veel meer in elkaar worden geschoven.
Jeroen: Noem je dat FRAML?
Evert: Ja, dat is de term.
Jeroen: Fraude en AML?
Evert: Fraude en AML.
Jeroen: Oké, ik kende die term niet. Zo leer je ook nog eens wat.
Evert: Dit is dus al gaande. Ik denk dat het conceptueel sowieso veel logischer is om fraude en AML dichter bij elkaar te brengen. Als er fraude wordt gepleegd, wordt het geld bijna altijd ook witgewassen. Het ligt dus voor de hand.
We kunnen binnen AML niet alleen iets leren van fraudebestrijding. We moeten ook echt goed kijken hoe we analysetechnieken in brede zin, en AI in het bijzonder, veel beter kunnen gebruiken. Niet alleen bij de detectie en in de operatie, maar juist ook bij de risicoanalyse.
Hoe kunnen we deze technieken gebruiken om helderder en sneller te zien wat er gebeurt? Wat zijn de modi operandi? Welke gedragingen horen bij een bepaalde modus operandi en welke gedragingen zijn ongebruikelijk? Dan heb ik het niet alleen over één transactie. Ik denk dat we dit nodig hebben om snel genoeg te kunnen reageren.
Jeroen: Dat is belangrijk. Heb je nog tips voor specifieke groepen? Je kunt tips geven voor mensen die binnen AML aan de technologiekant werken, voor wetenschappers binnen dit domein of voor starters. Het maakt mij niet uit. Heb je tips voor iedereen die zich in jouw wereld beweegt?
Evert: Voor wetenschappers die binnen dit vakgebied werken, zou ik onmiddellijk zeggen: ga praten met banken, payment service providers en andere mensen uit de praktijk. De paar datasets die op internet beschikbaar zijn, zijn gewoon niet zo goed. Ze zijn niet zo bruikbaar als je zou willen.
Voor medewerkers van banken: breek een lans voor AI en het gebruik van technologie. Zorg ervoor dat je die technologie zo veel mogelijk kunt gebruiken en onderzoek waar voor jou de mogelijkheden liggen.
Laat je niet afwimpelen met argumenten als: dat kan niet vanwege de datakwaliteit. Dat zijn geitenpaadjes. Zorg dat je rugdekking van bovenaf krijgt. Zoek die rugdekking aan de top. Dat is misschien wel de belangrijkste tip.
Jeroen: Dat punt heb je een paar keer laten terugkomen en het valt mij ook heel erg op. Ik zou echt denken dat er genoeg prikkels zijn om hiermee aan de slag te gaan. Maar de angst is ook groot, dus uiteindelijk moet je een risicoanalyse maken.
Tot slot: wat is nog echt belangrijk dat we in dit gesprek hebben gemist?
We hebben heel veel aangestipt. Je hebt mooie voorbeelden gegeven en laten zien waarom bepaalde initiatieven wel of niet tot stand komen. Ook hebben we het gehad over samenwerking. Is er nog iets waarvan je zegt: dat hebben we echt gemist en moet nog even worden vermeld?
Evert: Op dit moment geven we met zijn allen veel te veel geld uit aan de antiwitwasoperatie. Dat geld zit vooral in analisten, maar natuurlijk ook in systemen en andere zaken. Ik denk dat het heel belangrijk is dat we daarop gaan besparen.
Het echte probleem is alleen dat we nog veel te veel niet detecteren en niet zien. In 2024 werden de jaarlijkse kosten voor banken volgens de NVB geschat op 1,4 miljard euro, als ik het me goed herinner. Ik denk dat zo’n bedrag acceptabel is als je kunt aantonen dat je daarmee veel criminaliteit aanpakt.
Dat laatste punt staat momenteel enigszins onder druk, laat ik het zo zeggen. We moeten meer aanpakken. Daarvoor moeten we meer inzetten op begrijpen wat er gebeurt en ons iets minder blindstaren – om het maar even heel negatief te formuleren – op het detecteren van wat er gebeurt.
Jeroen: Een mooi einde. Je zei net gekscherend: “Heb je ook nog iets geleerd?” Nou, ik heb heel veel geleerd.
Ik vond het superinteressant. Ik heb ook veel dingen gehoord waarvan ik denk: daar moet ik verder over nadenken of binnen de sector nog eens navragen of ze dat al doen.
Ik wijs er nu naar, maar ik heb als dank voor dit gesprek een klein cadeautje voor je meegenomen.
Het lijkt me heel leuk om over een jaar nog eens in te checken. Dan kunnen we terugkijken op het moment waarop je net je oratie had uitgesproken en zien waar we een jaar later staan. Voor je het weet, zijn die AI-modellen alweer veel verder.
En dan ben jij met jouw teams, zowel in de wetenschap als in de private sector, waarschijnlijk ook weer verder met het toepassen van deze technologie in de financiële sector.
Heel veel dank voor je tijd, Evert Haasdijk. Ik hoop dat je nog eens wilt terugkomen.
Evert: Absoluut. Dank je wel, Jeroen.
Voice-over: Als je meer mensen over deze podcast vertelt, vergeet dan ook niet te kijken naar de andere podcasts op ons kanaal. Er zit vast iets tussen dat je aanspreekt. Bedankt voor het luisteren.