Terwijl de hype rond AI aanhoudt, begint 2026 vorm te krijgen als het jaar waarin AI een grootschalige transformatie in de financiële dienstverlening zal bewerkstelligen. Er ontstaat een duidelijke kloof tussen de marktleiders, de achtervolgers en de achterblijvers. Visionairen anticiperen nu op de opkomst van de ‘10× bank’, waar één individu leiding geeft aan een team van AI-collega’s om een exponentieel grotere output te leveren. In dit model wordt de groei niet langer beperkt door het personeelsbestand; in plaats daarvan hangt succes af van het vermogen van een organisatie om werk opnieuw uit te vinden en een ‘mens-en-agent’ personeelsbestand met vrijwel onbeperkte capaciteiten en capaciteiten vorm te geven. Van cruciaal belang is dat mensen de leiding blijven houden over de verandering en leiding geven aan de manier waarop deze nieuwe AI-medewerkers worden ingezet en bestuurd.
Accenture's Banking Top Trends 2026:Onbeperkt bankieren is hier
Meer informatie
Deze serie gaat dieper in op deze veranderingen voor het bankwezen, vermogens- en vermogensbeheer, kapitaalmarkten en verzekeringen – en behandelt het volgende:
Eind november 2024 organiseerden Lord Holmes, David Parker en ik een AI-symposium voor leiders in de financiële dienstverlening in Londen. Het was duidelijk dat AI, en vooral generatieve AI (GenAI), een verandering was die nu gaande was en dat mensen verder gingen dan ‘POC-land’.
Veel aanwezige bedrijven investeerden al hard in GenAI en gebruikten het op grote schaal in de productie om echte zakelijke uitdagingen aan te pakken, waarbij ze zich vaak richtten op ongestructureerde gegevens binnen cruciale processen zoals acceptatie. Ze probeerden het allemaal op de juiste manier te doen, met verantwoorde AI-vangrails en diepgaande zorg voor hun werknemers en klanten.
Bij Sibos in Frankfurt afgelopen oktober, nog geen jaar later, was het momentum geëxplodeerd. Je kunt niet bewegen zonder organisaties tegen te komen die kunstmatige AI gebruiken om de industrie te transformeren. Ik was gastheer van een panel waar we AI bespraken als een echte collega en teamgenoot – een idee dat snel is verschoven van theorie naar praktijk.
We stimuleren heruitvinding op basis van AI in meer dan 2000 opdrachten, waarvan veel met behulp van kunstmatige AI. Uit onze recente analyse van deze genAI-projecten blijkt dat grofweg een derde van de financiële dienstverleners AI heeft opgeschaald voor kernprocessen – en degenen die dat wel hebben gedaan, zien nu al buitensporige rendementen en versnellen de investeringen. We zijn de hype en het streven naar waarde voorbij – en de kloof tussen leiders en achterblijvers wordt snel groter.
Een van de opvallende momenten op het symposium was de presentatie van een casestudy over architectuur, in een tijd dat het idee nog steeds aanvankelijke belangstelling kreeg. We werkten met deze bank samen met behulp van kunstmatige AI om onze technische teams te helpen een grote migratie van verouderde systemen te versnellen.
Vervanging van verouderde systemen is een cruciaal bedrijfsprobleem voor de veerkracht, kosten en flexibiliteit in het bankwezen. De bank had te maken met een slechte kwaliteit van de oude code, waarbij 40% van de code nooit werd beoordeeld. Gezien deze complexiteit vereiste het oorspronkelijke plan 250 ontwikkelaars voor drie jaar, waarbij er al knelpunten ontstonden rond senior ontwikkelaars, verouderde code en domeinkennis.
Om dit aan te pakken, hebben we AI-agenten ingezet om samen te werken met onze software-ingenieurs:
Deze agentische architectuur is ontworpen in samenwerking met de software-ingenieurs en geïntegreerd in hun ontwikkelaarsworkbench, waardoor de productiviteit wordt verhoogd en hun rollen worden uitgebreid. De resultaten waren opmerkelijk:
Onnodig te zeggen dat dit voorbeeld een ‘wauw’-moment was voor de aanwezigen op het symposium. Sindsdien is de vooruitgang die vorig jaar is geboekt met agentische AI nog indrukwekkender en wijdverbreider geworden.
De impact op de levering van technologie ligt niet alleen op het gebied van techniek. Zo hebben we de datapijplijnen voor een grote Aziatische bank 98% efficiënter gemaakt en voor een grote Europese bank hebben we de servicedesk 20% efficiënter gemaakt.
AI-agents zijn programma's die taken en workflows afhandelen om specifieke doelen te bereiken. Mensen stellen de doelen, maar de agenten opereren onafhankelijker en passen hun strategieën aan als dat nodig is om het doel te bereiken. Ze nemen input, redeneren, beslissen welke taken ze moeten uitvoeren, communiceren met andere agenten en tools, beoordelen hun resultaten en bepalen de volgende vereiste stappen.
De agents ‘kennen’ een domeincontext waarin ze binnen een organisatie zijn getraind (bijvoorbeeld op specifieke trainingsgegevens en documenten). Ze hebben een langetermijngeheugen en kunnen leren van eerdere interacties om de besluitvorming te optimaliseren.
AI-agenten zijn gespecialiseerd, getraind voor specifieke rollen en doelgericht. Het voordeel van deze specialisatie is een betere prestatie, omdat verschillende agenten met elkaar kunnen worden gemengd om een totaal te vormen dat groter is dan de som van de delen (vergelijkbaar met een multidisciplinair team).
In agentische architectuur beheren orkestrator- of toezichthoudende agenten het proces, waarbij taken worden toegewezen aan gespecialiseerde nutsagenten.
‘Traditionele’ of ‘klassieke’ AI maakt doorgaans gebruik van machine learning en ervaren datawetenschappers. Het wordt al vele jaren in FS gebruikt voor complexe modellen. Het is ongelooflijk goed in het voorspellen en identificeren van de volgende beste actie (d.w.z. patronen, voorspellingen, modellen, simulaties, optimalisatie, aanbevelingen) binnen gedefinieerde parameters en inputs.
GenAI creëert inhoud op basis van een prompt in een groot taalmodel om output te produceren - de meesten van ons zijn tegenwoordig gewend aan ChatGPT, CoPilot, Claude of andere modellen. GenAI-modellen worden steeds krachtiger en kunnen zelfs uitvoer met meerdere modellen produceren, zoals film of games. Een ervaren gebruiker kan op verschillende manieren of in een keten vragen om deze resultaten te verfijnen. Deze modellen in hun gewone vorm kunnen echter niet overweg met dynamische taken en kunnen geen meerstappenplannen uitvoeren. Ze kunnen wel produceren, maar kunnen niet naar een complexer doel toe werken.
Terwijl bij agentische AI meerdere AI-agenten gezamenlijk complexere, veelzijdige doelen nastreven en bereiken met minder menselijke tussenkomst bij elke stap.
Dit is de verschuiving van passieve contentgeneratie (GenAI) naar taakspecifieke uitvoering (AI Agents) naar meer autonome multi-agent orkestratie (Agentic AI) (zie Sapkota 2025 voor meer informatie hierover).
Alle voorgaande vormen van AI (bijvoorbeeld machine learning, deep learning, GenAI) blijven relevant, maar het vermogen van agentic AI om werk opnieuw uit te vinden door ‘dingen samen te doen’ is aanzienlijk groter.
Hoewel het voorbeeld van de softwarelevering interessant en zeer relevant is voor FS, laten we nog enkele voorbeelden onderzoeken om dit tot leven te brengen.
Er wordt ons vaak gevraagd of agentische AI kan worden toegepast op risico's en compliance? Het antwoord is ja! We helpen een aantal banken bij het transformeren van ‘Know Your Customer’ (KYC) met behulp van AI.
In het verleden was KYC een langzaam en kostbaar handmatig proces met oudere systemen, met uitdagingen op het gebied van detectiepercentages en fout-positieve resultaten, en gevolgen voor de onboarding van klanten en periodieke beoordelingen.
Agentic AI maakt het mogelijk het KYC-proces opnieuw uit te vinden, niet langer gebonden aan sequentiële verwerking. KYC-analisten zijn niet langer gefocust op zeer handmatige activiteiten, maar kunnen hun tijd besteden aan hoogwaardig, op oordelen gebaseerd onderzoekswerk.
Hier zijn drie voorbeelden van hoe de transformatie van KYC met behulp van AI de afgelopen jaren is geëvolueerd, van op zichzelf staande GenAI-gebruiksscenario's, via LLM-workflows, naar een agentisch end-to-end-proces.
Bij een Europese bank was een van de eerste toepassingen het classificeren van documenten, het opnemen en extraheren van KYC-gegevenspunten, het valideren en herstellen van ontbrekende gegevens en het vervolgens presenteren van de gegevens in een consistent formaat zodat de KYC-agent deze kon valideren. Voor complexe correspondentbankzaken verminderde dit de opnametijd met 99% en verlaagde de kosten met 94%, terwijl de kwaliteit van deze taken werd verhoogd.
Bij een van de mondiale banken die in de welvaart begonnen, zijn we begonnen met taalvertaling (een besparing van meer dan 90.000 uur per jaar), begeleiding van KYC-agenten (vermindering van het aantal afwijzingen), documentclassificatie (initiële nauwkeurigheid van 95%) en identificatie van partijen (waardoor de benodigde tijd met 50% wordt verminderd), samenvatting van zaken enz. Dit waren uitgebreidere toepassingen in alle workflows.
Meest recentelijk hebben we bij een andere mondiale bank agenten ingezet voor de gehele levenscyclus, te beginnen met de bron van rijkdom (een grote zakelijke uitdaging), waarbij de agenten relevante informatie uit documenten kunnen halen, kunnen identificeren waar er ontbrekende documenten of gegevens zijn, een verhaal over de bron van rijkdom kunnen genereren en dat verhaal kunnen beoordelen op juistheid en volledigheid. De menselijke KYC-analist is nog steeds op de hoogte en heeft de ultieme controle over de dossierverwerking, maar kan met behulp van deze agenten de productiviteit, nauwkeurigheid en klantervaring verhogen. Met behulp van agentische AI kunnen we een groter deel van de volledige waardeketen ondersteunen.
Voor een Europese verzekeraar ontwikkelen we agent AI voor claims op het gebied van eigendoms-, ongevallen- en autoverzekeringsclaims. Claims hebben een aanzienlijke economische impact en impact op de klant als de verkeerde beslissingen worden genomen. Voor veel verzekeraars zijn claims een arbeidsintensief proces, waarbij veel tijd wordt besteed aan het verwerken van ongestructureerde gegevens en documenten.
We hebben AI-agenten ontwikkeld die bovenop het claimplatform zitten en naar andere systemen kunnen orkestreren, ter ondersteuning van de menselijke claimbehandelaar. De AI-agenten ondersteunen taken zoals het verzamelen van informatie, gegevenskwaliteit, controles van polissen en dekkingen, extractie van polisdetails, samenvatting van claimgegevens (inclusief de eerste melding van verlies, input van klanten en experts, correspondentie met klanten) en zelfs enige ondersteuning bij rechtszaken, fraude en reservebeheer.
Door al deze taken ondersteunen de agenten de schadebehandelaar zodat hij de leiding heeft als ‘mens aan de leiding’ – ze kunnen bijvoorbeeld gemakkelijk terugkijken in de brongegevens. We hebben 20% van hun capaciteit kunnen vrijmaken, waardoor hun tijd kon worden besteed aan betere besluitvorming (waardoor de nauwkeurigheid van claims met 1%) werd verbeterd en de onderhandelingen over de meest complexe en waardevolle claims konden worden ondersteund.
We hebben soortgelijk werk gezien, van een in de VS gevestigde schadeverzekeraar tot en met complexe commerciële claimoperaties.
Stel je Agentic AI voor als je collega, waar je teamleden hebt die toegewijd zijn aan jou en die gespecialiseerd zijn in hun ondersteuning aan jou en die zelfs perspectieven en sterke punten kunnen inbrengen die complementair zijn aan die van jou.
Stel je als bedrijfsleider voor dat je een personeelsbestand hebt dat niet uit 100.000 werknemers bestaat, maar uit een miljoen mensen en agenten met een aanzienlijk grotere capaciteit en mogelijkheden, die op een radicaal andere manier hun werk doen.
Om de waarde van agentische architectuur te realiseren zijn de juiste datafundamenten, verantwoorde AI-frameworks, infrastructuur en vaardigheden essentieel. We hebben veel bank- en verzekeringsklanten geholpen deze in hun hele bedrijf te implementeren, onder meer door samen te werken met managementteams en raden van bestuur. De meest cruciale stap is het identificeren van de juiste zakelijke kansen en waardestromen, waarbij personeel wordt betrokken dat deze gebieden het beste begrijpt en waarbij de mens centraal staat. Om dit te versnellen beschikken we over middelen om de belangrijkste waardeketens, processen en arbeidskrachten van het bank- en verzekeringswezen te analyseren en opnieuw uit te vinden. Dit omvat ‘ready to go’-agents die zijn ontwikkeld op Accenture Refinery, gebaseerd op NVIDIA en partnerschappen met de toonaangevende AI-ecosysteemspelers.
JPMorganChase biedt een bijzonder interessant voorbeeld van een snelle en grootschalige overstap naar AI. Ze hebben in minder dan een jaar de zelfbedieningstoegang tot hun LLM Suite voor 200.000 werknemers gedemocratiseerd, waarvan de helft deze meer dan drie keer per dag gebruikt.
Dit heeft geleid tot wijdverbreide ideeënvorming, experimenten en toepassingen (binnen een veilige ruimte en tegen een gunstige marginalisering van de kosten). Vervolgens kunnen ze de goede ideeën oogsten, investeren en opschalen met een ‘durfkapitaal’-mentaliteit.
Ze beschikken nu over gespecialiseerde AI en agentische AI in verschillende bedrijfseenheden. Deze gedistribueerde benadering van verandering is geen vrijblijvende laissez-faire. Alle modellen zijn geregistreerd en er zijn controles aanwezig om veilig opschalen te ondersteunen. Er zijn echter verschillende trajecten voor gebruik met een hoger risico (afzonderlijk risicocomité, volledige beoordeling van het model) versus gebruik met een laag risico (door de sponsor beoordeeld).
Cruciaal is dat JPMorganChase heeft geïnvesteerd in adoptie, door ruimte te creëren voor early adopters met een hoge agency en door volgers en massa-adopters te helpen ook aan boord te komen. Ze moedigden werkverstoring aan:"Laat AI je baan opeten; we hebben hier nog veel andere taken die je kunt doen. Je baan zal niet worden ingenomen door AI; het zal worden ingenomen door iemand die het gebruik van AI beheerst" (Mary Erdoes, CEO van de divisie Asset &Wealth Management (AWM) van JPMorganChase).
Hun snelgroeiende omgeving met veel talenten heeft hen in staat gesteld een meritocratische, maar mensgerichte benadering te creëren om hun personeel bij de verandering te betrekken. Het ging hier om snel handelen, maar ook om het hebben van een plan voor de verandering van het personeelsbestand:"Hoe meer ik ervan weet, hoe meer ik er plannen voor kan maken, het verloop mijn vriend kan laten zijn, en waar nodig kan herindelen, omscholen, enz." (Jamie Dimon, CEO, JPMorganChase).
Aan het einde van elk van deze blogs zal ik een aantal belangrijke punten en vragen opnemen. Gebruik deze gerust binnen uw team of laat het me weten als u erover wilt praten.
In mijn volgende blog zullen we onderzoeken hoe toonaangevende financiële dienstverleners AI op een mensgerichte manier benaderen en hoe we agentische architectuur kunnen gebruiken om de heruitvinding van werk te versnellen.
Voor een dieper inzicht in hoe agentische AI het werk in de financiële dienstverlening verandert, leest u onze Topbanktrends voor 2026. melden.
Personeel schrijven is de perfecte bijkomstigheid
AWARD SPOTLIGHT:PFM Capital Inc. winnaar van de 2020 PE Private Capital Regional Impact Award voor Steel Reef Infrastructure Corp.
Wat zijn de voordelen van een veteraan zijn?
Inzicht in draaipunten voor op ondersteuning en weerstand gebaseerd handelsbeheer
Mijn Discover Card-account controleren
Wanneer is internetbankieren begonnen?
6 gratis manieren om inbrekers weg te houden van uw huis