AI-witwascontrole in de bankensector: ‘Veel potentie, maar nog niet nu’
Vanwege strenge antiwitwasregels zijn banken verplicht hun klanten grondig te onderzoeken. Dat werk is complex en kostbaar. Veel banken zetten nu in op AI voor een significante efficiencyslag. Daarbij rekenen zij zich echter vaak ten onrechte rijk, schrijven Patrick Özer en Melissa van den Broek van KPMG.
Banken spelen een cruciale rol als poortwachters van ons financiële stelsel. Dat is ook een dure rol: volgens de Nederlandse Vereniging van Banken (NVB) bedragen de totale kosten jaarlijks €1,4 miljard.
Al maanden is er een beweging zichtbaar waarbij grootbanken aangeven fors te gaan snijden in hun witwasteams door de inzet van AI. Dit kwartaal hief ING al 1.000 arbeidsplaatsen op, en vorige maand kondigde ABN Amro aan zo’n 5.200 functies te schrappen – waaronder op de antiwitwasafdeling.
Toezichthouders kijken scherp mee op de uitvoering van de poortwachtersrol, terwijl banken miljoenen transacties moeten analyseren en complexe cliëntenonderzoeken uitvoeren. Om aan deze druk te voldoen, zetten banken steeds vaker geavanceerde technologieën in.
Extra Europese regels
Dat de inzet van AI bij de bestrijding van witwassen juist nu extra aandacht krijgt, is niet toevallig. In juni 2024 nam de Europese Unie een wetgevingspakket aan, waarin de oprichting van een Europese toezichthouder (de AMLA; Anti-Money Laundering Authority) centraal staat. Ook wil de EU antiwitwasverplichtingen binnen Europa harmoniseren via een verordening – de Anti-Money Laundering Regulation (ALMR) – met meer, nieuwe én strengere eisen tot gevolg.
“Zonder volledige en betrouwbare data leveren zelfs de meest geavanceerde AI-modellen weinig bruikbare inzichten op.”
Banken en andere instellingen moeten hier vanaf 10 juli 2027 aan voldoen en zijn dus bezig met de voorbereidingen.
Naast meer, nieuwe én strengere eisen volgt uit de AMLR en de komst van de AMLA een grotere nadruk op data en datakwaliteit. Banken moeten meer informatie over klanten en uiteindelijk begunstigden vastleggen en verifiëren. Ook moeten zij meer interne gegevens aan toezichthouders overleggen voor risicobeoordelingen.
Automatisering en het strategisch inzetten van AI worden gezien als dé oplossing voor efficiëntere witwasonderzoeken. Dat is logisch: AI-toepassingen winnen snel aan terrein, ook bij witwasonderzoek. De effectiviteit van AI-toepassingen neemt toe naarmate er meer, en ook meer diverse, datapunten beschikbaar zijn. Via grote datasets kunnen beter patronen en afwijkingen worden gedetecteerd die voor het menselijk oog verborgen blijven.
Onderzoekers en toezichthouders benadrukken echter al tijden het belang van datakwaliteit. Zonder volledige en betrouwbare data leveren zelfs de meest geavanceerde AI-modellen weinig bruikbare inzichten op – ‘garbage in, garbage out’.
Nog niet geheel vervangen
Tegen deze achtergrond rijzen belangrijke vragen: Wat kan AI op korte termijn nu écht betekenen bij het voorkomen van witwassen? In welke processen voegt het waarde toe? Hoe realistisch is de verwachting dat AI binnen twee jaar 20% van de functies in dit domein overbodig maakt?
In de praktijk blijkt AI in het witwasonderzoek nu vooral waardevol bij het signaleren van ongebruikelijke transacties en in het prioriteren, waarmee de effectiviteit van het witwasonderzoek wordt verhoogd. Zo kunnen met de inzet van AI complexe transactiepatronen beter worden gedetecteerd, wat leidt tot (eerdere) ontdekking van ongebruikelijke transacties. Ook werkt AI goed bij het toekennen van risicoprofielen van klanten en het automatiseren van routinematige controles.
“Paradoxaal genoeg leidt de inzet van AI op korte termijn tot een grotere behoefte aan menselijk toezicht.”
Leidt deze efficiëntiewinst daadwerkelijk tot een substantiële reductie van arbeidsplaatsen? In potentie wel, maar niet op de korte termijn. De aard van witwasonderzoeken – nuance, contextafhankelijke oordeelsvorming en een groeiende behoefte aan gegevensuitwisseling – maakt een snelle afname onwaarschijnlijk. Waar AI specifieke taken en processen wel effectiever en efficiënter kan maken, is het nog niet zo ver dat het dergelijke expertise en vaardigheden in het geheel kan vervangen.
Ook zullen banken extra inspanningen moeten leveren om de huidige data én nieuwe data die onder de AMLR verzameld moeten worden, beschikbaar en betrouwbaar te maken. Dat vereist handmatige checks, capaciteit en expertise.
Pas op de plaats maken
Paradoxaal genoeg leidt de inzet van AI op korte termijn tot een grotere behoefte aan menselijk toezicht op data-integriteit, investeringen in deugdelijke AI-risicomanagement, transparantie en opleidingen van personeel. De AMLR vereist ook dat AI-systemen zo worden ontworpen dat menselijke betrokkenheid mogelijk blijft.
Kortom, de inzet van AI in witwasonderzoeken heeft absoluut potentie. Het nieuwe pakket van Europese antiwitwasregels biedt een extra impuls om AI versneld en in lijn met deze regels in te zetten. Maar bij de bestrijding van witwassen zal AI op de korte termijn nog niet mogen leiden tot massale ontslagen: processen en taken kunnen effectiever en efficiënter worden met AI, maar expertise en beoordelingen van professionals blijven onmisbaar.
Bovendien moet de inzet van AI geborgd worden via menselijke betrokkenheid. Banken wacht een monsterklus om de nieuwe antiwitwasregels te implementeren in beleid, procedures, processen, tooling en systemen.
Zij die dus al plannen hebben om te reorganiseren, doen er goed aan nog even pas op de plaats te maken. De inzet van AI biedt kansen, maar witwasonderzoek blijft complex en daar kunnen ze wel flink wat handjes bij gebruiken.
Over de auteurs: Patrick Özer is Partner bij KPMG verantwoordelijk voor Forensic Technology. Melissa van den Broek is Senior Manager bij KPMG binnen de serviceline Forensic Integrity & Compliance.
