Hoe AI kredietverlening naast oude banksystemen moderniseert zonder vervanging

Elke ingreep in het kernsysteem van een bank doet een engineeringteam huiveren. Verouderde oplossingen zijn star, waardoor één wijziging een maand nodig kan hebben om het hele proces te doorlopen. Kredietverlening, een van de belangrijkste inkomstenbronnen van een bank, ondervindt daarvan de meeste gevolgen.

Iedereen die ooit een nieuwe versie op een bankkernsysteem heeft uitgebracht, kent het patroon: een nieuw product heeft een nieuwe goedkeuringslaag, een herziene documentenlijst, een aangepaste scoringsregel en een bijgewerkte rapportagestroom nodig, waarbij elk onderdeel code raakt die al tientallen jaren draait.

Nieuwe producten en updates worden daardoor uitgesteld, zelfs wanneer iedereen het erover eens is dat ze nodig zijn: het risico van een fout woog altijd zwaarder dan het risico van wachten. Of beter gezegd, dat was vroeger zo. Tegenwoordig vormt achterblijven bij technologische verandering een veel groter risico.

Stel u echter een afzonderlijk kredietplatform voor dat door AI wordt geconfigureerd en naast het kernsysteem wordt ingezet. Nieuwe kredietstromen werken onafhankelijk en maken via integraties verbinding met het kernsysteem. Wijzigingen in de kredietinfrastructuur worden zo een reeks kleine, geteste versies, waarbij fouten tijdens het testen naar voren komen voordat een echte kredietnemer ermee te maken krijgt. Kan dit de pijn voor engineeringteams verzachten?

De vraag groeit sneller dan oude kernsystemen kunnen veranderen

De markt voor software voor kredietverstrekking groeit naar verwachting tot 2030 met een samengesteld jaarlijks percentage van 11,8%, volgens The Business Research Company. Ter vergelijking: dat is bijna hetzelfde tempo als de bredere markt voor bedrijfssoftware, gebaseerd op de prognoses van Technavio. Dat is het onthouden waard, omdat kredietverlening meestal het onderdeel van de technologie van een bank is dat het minst openstaat voor verandering.

Een van de oorzaken van deze groei is de starheid van verouderde kernsystemen, die veranderingen in kredietverlening vertraagt. Banken en fintechbedrijven kopen steeds vaker hulpmiddelen waarmee ze kredietproducten rondom het kernsysteem kunnen uitbrengen zonder maanden te wachten op goedkeuring van een kleine update.

Engineeringteams weten dat één fout zeer kostbaar kan zijn. In april 2018 migreerde TSB Bank zijn klantgegevens naar een nieuw platform, dat direct na de ingebruikname uitviel. Een aanzienlijk deel van de klanten verloor toegang tot bankdiensten en de bank leed zware verliezen. Veel engineeringteams halen die zaak nog altijd aan wanneer zij een nieuwe versie voor het kernsysteem plannen.

Bovendien komen fouten bij kredietverlening rechtstreeks op de balans terecht. Een verkeerd ingestelde goedkeuringsdrempel keurt leningen goed die afgewezen hadden moeten worden, of wijst kredietnemers af die wel in aanmerking kwamen. Beide fouten leiden binnen enkele weken tot verliezen of misgelopen inkomsten.

Waar AI de meeste slagkracht toevoegt aan kredietverlening

Banken beginnen het gebruik van AI doorgaans met de bekendste en ogenschijnlijk veilige integraties: chatbots en serviceassistenten in de klantinterface. Een kredietverstrekker die een chatbot toevoegt, neemt echter een minder zichtbaar risico. Generatieve modellen geven soms vol vertrouwen een verkeerd antwoord. In de AI Impact Survey 2026 van Grant Thornton zei slechts 18% van de bankbestuurders volledig vertrouwen te hebben in hun AI-controles.

De kracht van AI in kredietverlening ligt in de snelheid waarmee een kredietverstrekker alles rond de kredietbeslissing kan aanpassen. De beslissing zelf blijft bij goedgekeurde scoringsmodellen en kredietcommissies.

Snelheid heeft altijd commerciële waarde gehad. Het aanpassen van de kredietinfrastructuur op een verouderd kernsysteem vergt 12 tot 18 maanden engineeringwerk, en nieuwe lanceringen liggen die hele periode stil. Een volledige vervanging van het kernsysteem duurt drie tot vijf jaar. Ondertussen dienen kredietnemers elders een aanvraag in.

Uit het rapport van de Federal Reserve uit 2026 over bedrijven met werknemers bleek dat het aandeel Amerikaanse kleine ondernemingen dat voor een kredietaanvraag financiering zocht bij online fintechkredietverstrekkers steeg van 17% in 2020 naar 29% in 2025. Veel bedrijven noemden snellere beslissingen als reden.

AI begint bij de bedrijfseis

In plaats van analyses uit te voeren of deel te nemen aan kredietbeslissingen kan AI veel waarde leveren bij het configuratiewerk waarmee kredietproducten worden gelanceerd en bijgewerkt. De invoer is een bedrijfseis die door de productverantwoordelijken is opgesteld. Een kredietteam beschrijft wat het nodig heeft: wie een aanvraag mag indienen, welke documenten vereist zijn, welke goedkeuringsniveaus gelden, welke gegevens in de score worden verwerkt, wat wordt gerapporteerd en wanneer.

AI zet elk punt om in platformconfiguratie: geschiktheidscriteria, een documentenlijst, een goedkeuringsworkflow met verschillende niveaus, verbindingen met de gegevensbronnen achter de score en een rapportageschema. Op een verouderd kernsysteem bouwen engineers elk onderdeel handmatig en doorloopt iedere wijziging een volledige releasecyclus. Met AI wordt het product functie voor functie op een gedeelde basis gebouwd. De engineering- en complianceteams beoordelen en testen elke wijziging voordat deze in productie gaat en behouden de uiteindelijke goedkeuring.

De eis kan volledig losstaan van het bestaande kernsysteem. AI hoeft de logica van dat systeem niet te lezen of te interpreteren, waardoor een kredietverstrekker een product kan specificeren waarvoor het huidige systeem nooit is ontworpen. Twee decennia aan ongedocumenteerde code blijven onaangetast.

De nieuwe kredietstroom draait op een afzonderlijk platform dat naast het kernsysteem is ingezet. Beide zijn via integraties met elkaar verbonden, terwijl het kernsysteem zijn bestaande gegevens en functies behoudt. Geen enkele regel code hoeft te worden herschreven voordat een nieuw product kan worden gelanceerd.

Voortbouwen op de gegevens die nu beschikbaar zijn

Veel AI-projecten bij banken lopen echter vast op gegevens. Een enorme database is niet echt nodig: die is nuttig, maar geen vereiste. AI stelt de acceptatieregels en gegevensvereisten op rond de beschikbare bronnen, waarna het risicoteam ze goedkeurt voordat iets wordt uitgevoerd. Wanneer een bron ontbreekt, bepaalt het systeem hoe de gegevens worden verzameld: intake van de kredietnemer, intake van de garantsteller, vereiste en te uploaden documenten en externe gegevensbronnen.

Dit proces van “gegevensopbouw” helpt banken en fintechbedrijven hun werkelijke gegevensvoorraad, inclusief de hiaten, uit te breiden. Aannames van leveranciers over wat al verzameld zou moeten zijn, bepalen het project dan niet langer.

Gegevensgereedheid is geen voorwaarde meer voor het lanceren van een kredietproduct, maar wordt onderdeel van dezelfde configuratiestap.

Productwijziging tegenover wijziging van het kernsysteem

Voor de meeste kredietverstrekkers is de praktische vraag of nieuwe kredietproducten kunnen worden gelanceerd en bestaande producten kunnen worden aangepast terwijl een meerjarige migratie van het kernsysteem doorgaat. Een afzonderlijk kredietplatform dat door AI wordt geconfigureerd op basis van bedrijfseisen, beantwoordt die vraag. Een kredietverstrekker kan elk kwartaal kredietproducten lanceren en aanpassen terwijl het programma voor het kernsysteem zijn eigen tijdschema volgt. In die ontkoppeling bewijst AI vandaag zijn waarde voor kredietverlening.