Slimmere controles in plaats van meer controles: hoe AI financiële criminaliteit kan bestrijden

In dit artikel:

Evert Haasdijk, AI-specialist bij Deloitte’s Financial Economic Crime (FEC)-team, is benoemd tot bijzonder hoogleraar AI en Financial Economic Crime aan de Universiteit van Amsterdam; zijn oratie staat gepland in juni. Haasdijk wil met de leerstoel het onderzoek en de praktijk dichter bij elkaar brengen en innovatie in de bestrijding van financieel-economische criminaliteit versnellen.

Hij wijst op de grote inspanningen en kosten: Nederlandse banken besteden continu veel geld aan anti-witwas- en terrorismefinancieringsmaatregelen (Haasdijk noemt dat in het uur van het interview ongeveer 160.000 euro), terwijl jaarlijks naar schatting minder dan vijf procent van het criminele geld wordt in beslag genomen. Dat leidt volgens hem tot onevenredige lasten voor legitieme bedrijven en onnodige werklast voor analisten. Haasdijk streeft ernaar zowel de effectiviteit als de efficiëntie van controles te verbeteren: minder false positives zodat onderzoekers zich kunnen richten op echte verdachte gevallen.

Hij ziet drie centrale toepassingsgebieden voor AI: detectie, ondersteuning van onderzoeksprocessen en risicoanalyse. Bij detectie pleit hij voor intensiever gebruik van machine learning-technieken, zoals autoencoders—neurale netwerken die klantgedrag over langere perioden modelleren en zo verborgen patronen kunnen blootleggen. Als voorbeeld werkt hij met een bank aan zo’n project. Voor onderzoekstaken kan AI documenten samenvatten en conceptrapporten maken; pilots tonen volgens hem efficiëntiewinsten van 20–50%, waardoor analisten meer tijd overhouden voor diepere analyse. De risicoanalyse is volgens Haasdijk het meest veelbelovend: door beter te begrijpen waar risico’s precies zitten, kunnen controles gerichter worden ingericht en continu worden bijgesteld in plaats van jaarlijks.

Tegelijk noemt hij belemmeringen: streng toezicht en angst voor boetes leiden tot ‘control stacking’—steeds meer maatregelen naast elkaar—en onzekerheid over wat wettelijk is toegestaan met AI remt innovatie. Praktische obstakels zijn verouderde it-systemen, versnipperde data en gebrek aan professionals die zowel AI als FEC echt doorgronden.

Zijn aanpak bestaat uit twee sporen: technische ontwikkeling met promovendi en studenten, en het bevorderen van multidisciplinaire samenwerking tussen banken, wetenschap, overheid en toezichthouders. Als voorbeeld organiseerde hij de First Dutch Workshop on AI to Combat Financial Crime. Hij hoopt dat zulke initiatieven leiden tot een structureel dialoog en betere tools, met als concreet streven dat een groter aandeel van de gefilterde dossiers terecht wordt aangemerkt—bijvoorbeeld van één op de tien naar één op de vijf correcte filters—waardoor zowel criminaliteit harder wordt aangepakt als legitieme transacties minder belast worden.