Deepak Kinger, Chief Strategy Officer en medeoprichter van EvoluteIQ – interviewreeks

Deepak Kinger, Chief Strategy Officer en medeoprichter van EvoluteIQ, is een ervaren leider op het gebied van technologie en bedrijfsvoering, met meer dan twintig jaar ervaring in bedrijfstransformatie, financiële dienstverlening, automatisering en kunstmatige intelligentie. Bij EvoluteIQ helpt hij de algemene strategie van het bedrijf vorm te geven en geeft hij leiding aan belangrijke technologieallianties, samenwerkingen op het gebied van oplossingen, marketing en relaties met analisten. Voordat hij in 2019 EvoluteIQ mede oprichtte, bekleedde Kinger leidinggevende functies bij GALE Partners, Virtusa, Sapient, Headstrong, Wipro en Mphasis. Daar liepen zijn verantwoordelijkheden uiteen van het aansturen van financiële dienstverleningsactiviteiten in Azië-Pacific en het adviseren van directieleden over digitale transformatie tot het opzetten van nieuwe bedrijfsonderdelen en het leiden van grootschalige technologieprojecten. Zijn ervaring omvat strategie, bedrijfsontwikkeling, klantrelatiebeheer, P&L-beheer, bedrijfsvoering en opkomende technologieën, waaronder AI, machine learning, robotische procesautomatisering, blockchain en datawetenschap.

EvoluteIQ is een bedrijf op het gebied van AI voor ondernemingen en intelligente automatisering, dat organisaties helpt complexe bedrijfsprocessen van begin tot eind te automatiseren en te orkestreren. Het EIQ Platform combineert agentische AI, generatieve AI, proces- en beslissingsautomatisering, intelligente RPA, gebeurtenisverwerking, data-infrastructuur, analyses, connectors voor ondernemingen en de ontwikkeling van multichannelapplicaties in een low-code-/no-codeomgeving. Het platform is ontworpen om ondernemingen in staat te stellen bestaande systemen met elkaar te verbinden, AI-agents en geautomatiseerde workflows te bouwen en in te zetten, resultaten te monitoren en automatisering op te schalen op gebieden als klantervaring, financiën, bedrijfsvoering, verkoop en supplychainbeheer. Sinds de oprichting in 2019 heeft EvoluteIQ zijn aandacht verlegd naar agentische automatisering voor ondernemingen, met technologieën als AI Workbench en Agentic Mesh Architecture. In 2025 maakte het bedrijf een minderheidsinvestering voor groei van $53 miljoen bekend, geleid door Baird Capital, ter ondersteuning van internationale expansie en verdere investeringen in de R&D-activiteiten in Bengaluru.

Voordat je in 2019 EvoluteIQ mede oprichtte, werkte je twintig jaar in de financiële dienstverlening, bedrijfstechnologie en digitale transformatie. Welke terugkerende problemen zag je binnen grote organisaties die je uiteindelijk ervan overtuigden dat er een kans was om EvoluteIQ op te richten, en wat wilde je anders aanpakken?

Voordat EvoluteIQ werd opgericht, werkte ik 25 jaar als consultant. Een groot deel daarvan bestond uit het ondersteunen van grote financiële instellingen bij transformatie-initiatieven. Dat omvatte zowel vroege programma’s voor digitaal bankieren als handel, risicobeheer en bredere transformaties van begin tot eind. Na verloop van tijd zag ik de vraag naar automatisering toenemen, en hielpen we ondernemingen platforms van enkele van de grootste leveranciers implementeren.

Wat ons uiteindelijk motiveerde om EvoluteIQ op te richten, was de kans om niet langer de technologie van iemand anders te implementeren, maar zelf iets te bouwen. We zagen mogelijkheden voor een meer geïntegreerde aanpak van automatisering, zodat ondernemingen niet langer meerdere technologieën, licenties en integratielagen bij elkaar hoefden te brengen. Dat was mede de aanleiding om EvoluteIQ in 2019 op te richten.

In ons eerdere interview bij Unite.AI met je medeoprichter Sameet Gupte besprak hij de bredere visie van EvoluteIQ: ondernemingen laten overstappen van taakgerichte automatisering naar AI-native, autonome bedrijfsvoering van begin tot eind. Hoe laat het beheer van wijzigingen in regelgeving zien waarom die verschuiving van het automatiseren van afzonderlijke taken naar het orkestreren van volledige bedrijfsprocessen noodzakelijk is?

Wijzigingen in regelgeving hebben zelden gevolgen voor slechts één afzonderlijke taak. In 2020 bouwden we een oplossing voor de overgang van LIBOR. Banken kregen te maken met een grootschalige verandering die bestaande contracten raakte en waarvoor operationele teams, juridisch medewerkers en bedrijfsteams de contracten moesten beoordelen en aanpassen. Veel instellingen probeerden het probleem in feite op te lossen door er meer mensen op te zetten. De les die we uit LIBOR trokken, was dat de specifieke regelgeving verandert, maar dat de onderliggende uitdaging steeds terugkeert. Regelgevingswijzigingen en naleving van regelgeving zijn doorlopende operationele vereisten.

Met de recentere voorgestelde wijzigingen van FinCen op het gebied van antiwitwasbestrijding en de bestrijding van terrorismefinanciering (AML/CFT) zien we een verschuiving weg van een sterk voorschrijvend nalevingsmodel waarbij vinkjes worden gezet. Dit verhoogt de lat voor naleving juist, in plaats van de inspanning te verlichten, omdat instellingen de regelgeving moeten interpreteren, hun eigen risico’s moeten benoemen en moeten bepalen wat die risico’s betekenen voor hun bedrijfsvoering. Deze verschuiving heeft vanzelfsprekend gevolgen voor verschillende afdelingen en functies binnen een organisatie, en niet alleen voor de teams die zich bezighouden met naleving en audits.

Je hebt betoogd dat banken moeten ophouden elke grote wijziging in regelgeving te behandelen als een nieuw transformatieproject en in plaats daarvan het omgaan met wijzigingen in regelgeving moeten inrichten als een blijvende operationele capaciteit. Hoe zou zo’n bedrijfsmodel er in de praktijk uitzien, en waarom hebben financiële instellingen historisch gezien moeite gehad om dit op te bouwen?

Het nieuwe bedrijfsmodel gaat ervan uit dat verandering continu is; het is niet langer een proces dat elk kwartaal moet worden uitgerold of pas wanneer de auditors aankloppen. Het ontwikkelen van een oplossing voor LIBOR liet ons zien dat de behoefte om ons aan te passen niet verdwijnt, ook al wordt een wijziging in de regelgeving uiteindelijk doorgevoerd. De volgende wijziging in de regelgeving vereist dat we de verandering begrijpen, vertalen naar operationele vereisten en processen aanpassen.

Het nieuwe bedrijfsmodel mag ook niet beperkt blijven tot de compliancefunctie. In een model dat meer op risico is gebaseerd, blijft de compliancefunctie uiteindelijk mogelijk verantwoordelijk voor de naleving, maar krijgen ook de operationele afdelingen, juridische zaken en in sommige gevallen het beheer van tegenpartijrisico een grotere rol. Een van de fouten die instellingen kunnen maken, is onderschatten hoe breed wijzigingen in de regelgeving de organisatie raken.

Historisch gezien was dat lastig doordat ondernemingen gefragmenteerde technologielandschappen en verkokerde bedrijfsmodellen hebben opgebouwd. Wanneer verschillende bedrijfsonderdelen gebruikmaken van afzonderlijke RPA-, BPM-, rapportage- en andere platforms, wordt het reageren op een nieuwe vereiste op zichzelf al een integratieproject.

Wanneer er nieuwe regelgeving wordt ingevoerd, moet een bank mogelijk bepalen welke klanten, producten, contracten, systemen en processen hierdoor worden geraakt. Op welke punten kan AI deze impactanalyse wezenlijk verbeteren, en voor welke onderdelen van het proces zijn nog steeds deterministische regels of menselijk oordeel nodig?

AI kan de hoeveelheid handmatig werk die nodig is om wijzigingen in de regelgeving te begrijpen en door te voeren aanzienlijk verminderen. AI kan met name grote hoeveelheden informatie analyseren en categoriseren, en helpen bepalen waarop mensen zich moeten richten. Zo kan de functionaliteit van EvoluteIQ voor het reageren op wijzigingen in de regelgeving contracten categoriseren en prioriteren op basis van klant en type activa, die informatie koppelen aan bedrijfssystemen en externe gegevensbronnen, en vervolgens de vervolgwerkzaamheden coördineren tussen juridische zaken, risicobeheer en bedrijfsvoering. Zo kunnen instellingen verder gaan dan alleen vaststellen wat mogelijk wordt geraakt en de daaruit voortvloeiende veranderingen in het hele proces daadwerkelijk beheren.

Menselijke controle en toezicht blijven essentieel. In bepaalde onderdelen van een gereguleerd proces heeft een instelling duidelijk vastgelegde bedrijfsregels, voorwaarden, uitzonderingen en escalatieroutes nodig. Het model waarin wij geloven, combineert het aanpassingsvermogen van AI met deterministische automatisering en menselijk oordeel waar dat passend is. AI kan helpen interpreteren en aangeven waar mogelijk actie nodig is; deterministische regels kunnen bepalen hoe vastgelegde beslissingen worden uitgevoerd; en uitzonderingen of beslissingen waarvoor menselijk oordeel nodig is, kunnen worden geëscaleerd naar de juiste persoon.

De invoering van regelgeving raakt vaak juridische zaken, compliance, risicobeheer, bedrijfsvoering, gegevensbeheer en technologieteams. Hoe kunnen AI en procesorkestratie deze groepen helpen uit te gaan van één gezamenlijke interpretatie van regelgeving, in plaats van afzonderlijke workflows en mogelijk tegenstrijdige bedrijfsregels te creëren?

Een van de belangrijkste gevolgen van een meer risicogericht compliancemodel is dat de verantwoordelijkheid zich over een groter deel van de organisatie verspreidt. De eindverantwoordelijkheid kan nog steeds bij compliance liggen, maar ook de teams voor bedrijfsvoering, juridische zaken en tegenpartijrisico spelen een belangrijke rol. Daarom moeten instellingen voorkomen dat ze de uitvoering behandelen als iets wat de compliancefunctie in haar eentje kan regelen.

Daarom is een geïntegreerd platform van cruciaal belang. In een grote organisatie moeten in dit nieuwe model verschillende registratiesystemen en bedrijfsregels worden geïntegreerd, waarbij ook rekening moet worden gehouden met complexe beveiligingsvraagstukken. Een uniforme aanpak kan het risico verkleinen dat verschillende delen van de organisatie dezelfde verandering doorvoeren met behulp van volledig gescheiden technologiestacks.

Generatieve AI kan complexe regelgevingsdocumenten interpreteren, maar banken kunnen zich geen hallucinaties of tegenstrijdige interpretaties veroorloven wanneer er compliancedecisies op het spel staan. Welke waarborgen moeten worden ingebouwd in AI-systemen die worden ingezet voor wijzigingen in de regelgeving, en op welke momenten moeten menselijke experts betrokken blijven bij de besluitvorming?

Ten eerste moet je AI-agents niet geïsoleerd inzetten, omdat dat zonder de juiste governance kan leiden tot een wildgroei aan agents.

Ten tweede wordt wat een organisatie kan automatiseren niet alleen beperkt door haar technische mogelijkheden, maar ook door regelgeving, privacy en de gegevens die wettelijk mogen worden gedeeld.

Het belangrijkste ontwerpprincipe is dat AI het interpretatiewerk moet versnellen, maar niet de beslissing mag nemen. De verantwoordelijkheid voor compliance blijft bij met naam genoemde personen, zoals toezichthouders verwachten. De waarborgen vallen in twee groepen uiteen: controles op wat de AI produceert en een weloverwogen inrichting van de momenten waarop mensen beslissingen nemen. Elke output van AI moet zijn gebaseerd op een gezaghebbende bron, met binnen het AI-systeem ingestelde waarborgen voor input en output.

Tot slot moet voor elke output een audittrail worden bijgehouden met de bronclausules, versies van het model en de prompt, de mate van zekerheid, de beoordelaar, de beslissing en de onderbouwing.

Controleerbaarheid is vooral belangrijk in de financiële dienstverlening. Als AI helpt bij het interpreteren van regelgeving, het opstellen van bedrijfsregels, het identificeren van geraakte klanten en het starten van workflows, hoe kunnen instellingen dan een duidelijk bewijsspoor bewaren dat toezichthouders precies laat zien hoe en waarom elke beslissing is genomen?

In sterk gereguleerde sectoren moet traceerbaarheid verder gaan dan het documenteren van de uiteindelijke beslissing. Het is veel waardevoller om het verloop te kunnen reconstrueren dat tot die beslissing heeft geleid: welke informatie is gebruikt, welke regels zijn toegepast, welke beslissingen zijn genomen, welke wijzigingen er tijdens het proces zijn aangebracht, en waar mensen hebben ingegrepen en wat zij hebben goedgekeurd.

Wanneer meerdere agents, bedrijfsregels en workflows op elkaar inwerken, wordt traceerbaarheid nog belangrijker. Controleerbaarheid moet zijn ingebouwd in de orkestratielaag. Beslissingslogboeken kunnen beslissingen, wijzigingen in regels en de onderbouwing daarvan vastleggen, terwijl end-to-end traceerbaarheid van agents inzicht biedt in een keten van autonome handelingen.

Als een toezichthouder vraagt waarom een bepaalde klant, overeenkomst of transactie op een specifieke manier is afgehandeld, moet de financiële instelling die uitkomst kunnen herleiden via de gegevens, regels, AI-gestuurde beslissingen, goedkeuringen en handelingen die ertoe hebben geleid. Zo wordt uitlegbaarheid niet alleen een kwestie op modelniveau, maar ook een operationele vaardigheid.

Grote banken werken met decennia aan verouderde infrastructuur, waarbij cruciale klant- en transactiegegevens over veel systemen zijn verspreid. Hoe kunnen ze een herbruikbare AI-gestuurde compliance-laag opbouwen zonder de onderliggende technologische infrastructuur kostbaar te vervangen? 

Elke nieuwe bedrijfsbrede functionaliteit moet binnen de bestaande infrastructuur kunnen werken. Het is onredelijk om iets anders te verwachten. Consolidatie is ook belangrijk, omdat klanten ons steeds vaker vertellen dat ze meerdere RPA-platforms hebben of een verouderd BPM-systeem met verschillende, afzonderlijke rapportagetechnologieën binnen de organisatie. Onze klanten laten steeds nadrukkelijker weten dat ze zich willen richten op tools en systemen die rendement op investering opleveren, in plaats van op zoek te gaan naar vervanging. Een herbruikbare compliance-laag moet daarom in het bestaande landschap kunnen functioneren, en er niet van uitgaan dat alles eronder wordt vervangen.

U hebt met financiële instellingen gewerkt tijdens verschillende technologische generaties, van traditionele kernsystemen tot robotische procesautomatisering, machine learning en nu agentische AI. Wat is er fundamenteel anders aan de huidige AI-transitie, en waar lopen financiële instellingen volgens u het risico fouten uit eerdere automatiseringsgolven te herhalen?

De eerdere generaties automatisering waren bedoeld voor werk dat al duidelijk was afgebakend. Kernbanksystemen legden gegevens en transacties vast. RPA automatiseerde toetsaanslagen op schermen. Machine learning deed beperkte voorspellingen op basis van gestructureerde gegevens, bijvoorbeeld over frauderisico’s en kredietrisico’s, met meetbare nauwkeurigheid. In alle gevallen bepaalde een mens of een vaste regel wat er vervolgens gebeurde, waarna de technologie een bekend proces uitvoerde.

Agentische AI verandert dat op een aantal manieren:

• De technologie kan ongestructureerd werk waarbij oordeelsvorming een rol speelt, effectiever uitvoeren. Banken automatiseren niet langer alleen taken, maar delegeren resultaten; het systeem kiest zelf hoe het die bereikt.
• Fouten blijven onopgemerkt. Als een bank de indeling van een scherm wijzigde, liep een RPA-bot vast en merkte iemand dat op, waarna het probleem werd verholpen. Een taalmodel dat het bij het verkeerde eind heeft, geeft een vloeiend, aannemelijk en zelfverzekerd antwoord. Dat is een probleem.
• Het gedrag ervan is probabilistisch. Daarom is het van cruciaal belang het systeem stevig te verankeren in de context van de organisatie om hallucinaties te voorkomen.
• Tot slot is het goedkoop geworden om met AI te bouwen, en zakelijke gebruikers kunnen nu in één middag werkende agents maken. Voorheen werd automatisering beperkt door de beschikbare IT-capaciteit; nu is de capaciteit voor governance de beperkende factor.

Financiële instellingen moeten er ook op letten dat de lessen uit het tijdperk van traditionele automatisering niet worden vergeten. Enkele voorbeelden daarvan zijn:

• Kapotte processen automatiseren. De grootste erfenis van RPA was een verzameling van duizenden bots die boven op processen waren gebouwd die niemand opnieuw had ontworpen. Dat leidde tot kwetsbare technische schuld, waarvan banken de onderhoudskosten nog steeds dragen. Agents boven op dezelfde gefragmenteerde workflows plaatsen, is dezelfde fout maken op een hoger niveau van verfijning. Banken moeten het werk eerst opnieuw ontwerpen en pas daarna bepalen wat ze delegeren.
• Jagen op nietszeggende cijfers: proefprojecten komen niet verder als er geen gefinancierd traject naar productie is. Het aantal ingezette agents tellen, is opnieuw de gewoonte van RPA om bots te tellen in plaats van daadwerkelijke bedrijfsresultaten te meten.
• Te weinig investeren in de datafundamenten. Machine learning heeft geleerd dat de kwaliteit van modellen wordt begrensd door de kwaliteit van de gegevens. Agents die informatie ophalen uit verouderd beleid, dubbele documenten of tegenstrijdige bronnen, zullen vol vertrouwen redeneren op basis van ondeugdelijke uitgangspunten.

Denkt u dat naleving van regelgeving zich zal ontwikkelen tot een vorm van continue of zelfs gedeeltelijk autonome compliance, waarbij AI-systemen wijzigingen in regelgeving signaleren, de impact ervan beoordelen, workflows aanpassen en alleen uitzonderingen voorleggen die menselijke oordeelsvorming vereisen? Wat moet er gebeuren voordat banken en toezichthouders zich bij die mate van autonomie op hun gemak voelen?

Ja, maar autonomie zal stapsgewijs worden ingevoerd. Het signaleren en beoordelen van wijzigingen, het in kaart brengen van de impact en het aanpassen van workflows bij duidelijk afgebakende wijzigingen zullen grotendeels continu en geautomatiseerd plaatsvinden. Mensen blijven oordelen over onduidelijke regels, risicoacceptatie en standpunten over regelgeving. Een realistisch eindbeeld is ‘autonomie onder toezicht’: machines doorlopen standaard de cyclus en mensen houden toezicht door in te grijpen bij uitzonderingen.

Hiervoor moeten toezichthouders ook regels publiceren in gestructureerde formaten met versiebeheer, voortbouwend op initiatieven zoals het werk van de FCA en de Bank of England op het gebied van digitale rapportage over regelgeving.

Het zal ook nodig zijn om terugdraaibaarheid en noodstopfuncties in de uitvoeringssystemen in te bouwen, zodat autonome workflowwijzigingen gemakkelijk kunnen worden teruggedraaid wanneer afwijkingen, foutpercentages of modelwijzigingen worden vastgesteld. Het vertrouwen zal sneller groeien wanneer toezichthouders zelf vergelijkbare hulpmiddelen gebruiken. Dat schept een gemeenschappelijke taal voor tests en mogelijk na verloop van tijd ook rechtstreeks toezicht van machine op machine.

Bedankt voor het geweldige interview. Lezers die meer willen weten, kunnen EvoluteIQ bezoeken.