5 thema’s in AI die de financiële functie gaan veranderen

‘Artificial intelligence zal de komende jaren grote veranderingen teweegbrengen,’ zegt Deborah Nas, deeltijd hoogleraar Strategic design for technology-based innovation aan de TU Delft tijdens het digitale event van NIVE opleidingen ‘Digital finance: van kans naar kracht’. In 5 thema’s geeft ze weer hoe AI ook uw werk zal veranderen. ‘AI biedt heel veel kansen voor finance professionals, maar je moet ze wel zelf pakken.’

Lees ook: Artificial intelligence belooft grote veranderingen, maar wat is het eigenlijk?

Thema 1 Analyseren en voorspellen

Artificial intelligence is heel goed in analyseren en voorspellen. We zien hier een aantal interessant tools opkomen. Dit is ook interessant voor bedrijven die nog een hele lange weg te gaan hebben in de digitale transformatie. Waarom? Heel veel van die tools komen als kant en klare cloudoplossingen beschikbaar, dus daar kun je ook met legacy systemen mee uit de voeten. Een leuk voorbeeld is de tool Quid. Het algoritme gaat op zoek naar informatie. Bijvoorbeeld: kijk naar de markt van wearables (zoals slimme horloges, slimme brillen). Wat gebeurt daar? Het algoritme gaat het web op en bekijkt alle publieke bronnen die hij kan vinden, en gaat die informatie bottom-up clusteren en maakt daar thema’s van. De thema’s hebben verschillende kleuren en er lopen lijnen die de onderlinge relaties aangeven. Je kunt er verschillende filters op loslaten. En je kunt per bolletje doorklikken naar de uiteindelijke bron. Zo maakt een algoritme dus een analyse van iets waar een consultancyfirma maanden mee bezig is en enkele tonnen voor vraagt. En dit is niet de enige view, want je kunt bijvoorbeeld ook nog kijken naar hoeveel nieuwe bedrijven zijn daar in een bepaalde periode opgekomen? Wanneer zijn ze gestart? Hoeveel geld hebben ze opgehaald? Welk cluster heeft hoeveel geld geïnvesteerd? Wie heeft wie gekocht? Dit soort tools veranderen totaal hoe we omgaan met analyses.

Deborah Nas: ‘Veel tools die met artificial intelligence werken, zijn als kant-en-klare cloudoplossing beschikbaar. Dus daar kun je ook met legacy systemen mee uit de voeten’

Een andere tool, meer business intelligence, is bijvoorbeeld Enigma. Enigma koppelt interne databronnen aan externe databronnen om uiteindelijk het betalingsrisico van (potentiële) klanten te kunnen inschatten. Op een veel betere manier dan de huidige creditscores dat doen.
Ook zijn er programma’s zoals cash.ai, die hebben een AI-oplossing ontwikkeld om end-to-end cash audits te doen. Programma’s zoals Fluidly, voor het mkb, om heel goede cashflowanalyses te maken. En ook voorspellingen. Het programma neemt daarbij ook voorspellingen van koerswisselingen en dergelijk mee.‘

Thema 2 Interne processen vereenvoudigen

De no-code of low-code ontwikkeling is een heel belangrijke ontwikkeling voor het vereenvoudigen van interne processen. Er zijn bedrijven die algoritmes maken waar je als business professional zelf je systeem mee kan maken, zonder dat je hoeft te coderen. Stel je wilt het hele inkoopproces anders organiseren en je gebruikt een tool zoals Tradeshift, dan kun je met drag-en-drop je eigen interne webshop bouwen. Waarmee je het inkoopproces voor iedereen in je organisatie verandert naar een online shopping experience. Iedereen die gemachtigd is om in te kopen krijgt een virtual creditcard en bepaalde rechten. Het hele proces verandert daardoor.
Dit soort tools worden eigenlijk bijna altijd ontwikkeld door start-ups. Dat zijn echt geen schattige kleine bedrijfjes, het soort bedrijven als Tradeshift haalt zo een half miljard euro aan investeringsgeld uit de markt. Dus die hebben een ongekende innovatiekracht.
Er zijn ook hele praktische tools waarmee medewerkers hun declaraties kunnen indienen, zoals Expensify. Medewerkers maken een foto van hun bonnetje, dat wordt herkend, het wordt automatisch in het systeem gezet en het algoritme keurt instant goed, of stuurt het door naar een mens voor een tweede beoordeling als het algoritme denkt dat er misschien iets mee aan de hand is.
En als mensen vragen hebben, sturen ze in de toekomst natuurlijk geen mailtje meer, maar sturen ze een appje. Een chat die beantwoord wordt door een chatbot. Dat zien we in b-to-b toepassingen nog niet zoveel, maar in de consumentenmarkt al wel. Bij mastercard kun je bijvoorbeeld via de chat vragen hoeveel je waaraan hebt uitgegeven, en de chatbot antwoordt. Het vervangt daarmee de customer service voor een deel en biedt nieuwe functionaliteit.

Thema 3 Compliance

Op het gebied van compliance gebeurt natuurlijk ook van alles. Daar zien we oplossingen zoals Kira systems. Die hebben ready-to-use out-of-the-box algoritmes. Ze hebben ze al voor je getraind, maar als je wilt kun je ze ofwel verrijken met je eigen data ofwel je krijgt een ongetraind algoritme dat je nog helemaal zelf kunt trainen met je eigen data. Wat doe je dan? Je koopt bijvoorbeeld een algoritme dat al getraind is op Brexit-compliance of op GDPR, of bepaalde IFRS reporting standaarden. Dat kan heel handig zijn als je bijvoorbeeld een overname gaat doen.
Er komen systemen op als Behavox. Daar wordt het al een beetje eng. Behavox is een behavioral operating system. Dat zijn software algoritmes die al het gedrag van de medewerkers monitoren: belletjes, appjes, sms’jes, e-mail, je kan het zo gek niet voorstellen. Het systeem laat daar gedragspatronen op los om mogelijke fraude en incompliance te detecteren. En het interessante daarvan is dat het er ook nog een intentie bij geeft: is het een fout of lijkt het opzet?

Thema 4 Service innovatie

Al die nieuwe ontwikkelingen maken het ook mogelijk om nieuwe services te ontwikkelen. In de verzekeringswereld zien we bijvoorbeeld volledig AI-based verzekeringsbedrijven opkomen. Die werken met totaal andere risicoprofielen en risicomechanismen. De grootste, de Chinese speler ZhongAn, verkoopt op een topdag honderd miljoen polissen. Daar kunnen wij ons helemaal niks bij voorstellen. Maar dat is allemaal geautomatiseerd.
In Nederland hebben wij sinds kort Lemonade. Dit is ook zo’n start-up die een half miljard investeringsgeld heeft opgehaald. Lemonade gebruikt 5 AI-systemen. Eén voor de communicatie met klanten en om informatie op te halen en om automatisch een gepersonaliseerde offerte te kunnen uitbrengen. Een andere om claims automatisch goed te keuren. Op dit moment wordt al 30 procent van hun claims gelijk goedgekeurd. Dat gebeurt in een aantal seconden door algoritmes. Andere algoritmes zijn er om fraude te detecteren. Bijvoorbeeld mensen die fakeklant worden en dan snel dingen gaan claimen.
Interessant is dat ze door het inzetten van algoritmes hun operationele kosten heel laag weten te houden en een goedkopere dienst aan de klant kunnen bieden. Die ook nog eens een betere klantervaring krijgt. Omdat bijna alles onmiddellijk gebeurt en hijzelf het gevoel heeft van controle. En áls hij dan een persoon aan de telefoon wil hebben, dan krijgt hij ook nog eens een hele klantvriendelijke, want omdat ze maar zo weinig mensen nodig hebben op het callcenter, kunnen ze gewoon de beste mensen aannemen en die ook iets meer betalen.
We zien start-ups opkomen zoals Wrisk, die op een andere manier een risicoprofiel van consumenten maken en het daarmee mogelijk maken voor andere bedrijven om verzekeringen te gaan aanbieden. Zoals BMW. Als je nu in Engeland wegrijdt met je nieuwe Mini, dan krijg je 3 maanden gratis verzekering mee. Je kunt daarna per maand opzeggen als je dat wilt. En zo worden die financiële oplossingen in andere producten gefietst.

Deborah Nas: ‘Na een pilot in Amsterdam, bleek dat het belangrijk is te weten hoe algoritmes leren. En dat je soms moet ingrijpen.’

Thema 5 Nieuwe rollen in finance (en IT)

Wat betekent het dat we met al die algoritmes en data aan de slag gaan? We gaan een explosie van data zien. Dat gaat echt exponentieel toenemen. Het probleem is dat die data voor een deel biased is en dat die algoritmes black boxes zijn.
Bijvoorbeeld. Een blanke man kan met gezichtsherkenning voor 97 tot 98 procent goed geclassificeerd worden. Bij een zwarte vrouw is dat nog maar 67 procent. Hoe komt dat? Die systemen worden getraind met data en er zijn gewoon veel minder foto’s van zwarte vrouwen in gegaan. Zo simpel is dat. Dus je moet heel goed gaan nadenken over hoe je die algoritmes gaat trainen. En af en toe komt er zo’n schandaal aan het licht. Zoals bij Amazon een paar jaar geleden. Die hadden een algoritme getraind op het screenen van cv’s en het selecteren van mensen die op gesprek mochten komen. Dat systeem was al drie jaar in gebruik toen aan het licht kwam dat het algoritme zwaar leunde naar blanke mannen. Maar dat algoritme was getraind op 10 jaar echte data van Amazon. Dus er ontstond ophef in de media. Het algoritme wordt vervolgens uit de productie gehaald. Maar het gekke is dat het algoritme de schuld krijgt, terwijl het algoritme alleen maar deed wat Amazon al jaren in de werkelijkheid deed.
Ander voorbeeld. Amsterdam heeft een tijdje een pilot gedaan om van te leren. Zij hebben een algoritme ingezet om klachtenafhandeling te doen. Wat bleek in de praktijk? In Amsterdam Zuid kunnen mensen veel sneller en beter klagen. Er hoeft maar iets te gebeuren of er wordt een klacht ingediend. Terwijl in Amsterdam Noord niemand een klacht indient. Dus het algoritme gaat op een gegeven moment preventief veel meer schoonmaaktroepen naar Amsterdam Zuid sturen, want die denkt dat daar meer aan de hand is. Gevolg: Amsterdam Zuid wordt steeds schoner en Amsterdam Noord verpauperd. Dat moet je voorkomen.
Om in te kunnen grijpen in algoritmes is het belangrijk te begrijpen hoe algoritmes leren en wat je daar mee kan (zie kader).

Er zijn dus drie manieren waarop algoritmes leren, maar het is een soort black box. Ze zijn dan ook heel moeilijk te auditen. Daardoor ontstaat er een heel nieuwe functie, namelijk algoritme auditor. Daar ontstaat een heel nieuw werkveld.