AI in de financiële sector

In april 2026 was GPT-5.5 het model om te verslaan, en wie er serieus mee wilde ontwikkelen, betaalde daar flink voor aan API-kosten. In augustus verscheen een open model dat je op een paar krachtige videokaarten in je eigen serverruimte draait en dat in benchmarks verrassend dicht in de buurt komt. Vijf maanden.

Dat tempo bepaalt hoe je als financiële organisatie over AI moet nadenken. Modellen worden slimmer, goedkoper en sneller, en tegelijk riskanter. Hieronder lees je wat die vier ontwikkelingen betekenen voor verzekeraars, accountants en andere financiële dienstverleners, en wat je nu kunt regelen.

Slimmer: het beste model van vandaag is over een half jaar middenmoot

Wie wil zien hoe snel taalmodellen beter worden, kan kijken naar AI IQ. Dat initiatief rekent sinds mei 2026 de scores van frontier-modellen op twaalf publieke benchmarks om naar een IQ-achtige schaal. Een echte intelligentietest is het niet. Eén getal verbergt bijvoorbeeld dat een model kan uitblinken in wiskunde en tegelijk matig presteert bij juridisch redeneren. Als trendlijn werkt het wel: de top schuift elke paar maanden op, en de koppositie wisselt steeds tussen OpenAI, Anthropic en Google.

Opvallender is hoe klein de voorsprong is. Epoch AI rekende uit dat Chinese modellen sinds 2023 gemiddeld zeven maanden achter de Amerikaanse frontier liepen, met uitschieters van vier tot veertien maanden. Recente releases als Kimi K3 en Qwen 3.8 suggereren dat het gat verder krimpt. Veel van die modellen zijn bovendien open-weight: je mag ze downloaden en zelf draaien.

Voor je IT-strategie heeft dat een nuchtere consequentie. Een meerjarig contract met één AI-leverancier is een gok op wie over twee jaar vooraan staat. Uit onze unieke vergelijkende AI-modelbenchmark bleek dat het ene model wint bij bugfixing en een ander bij het bouwen van een complete applicatie. Richt je AI-omgeving daarom zo in dat je per taak van model kunt wisselen. Koppelingen via open standaarden als MCP zorgen dat kennisbronnen en integraties blijven staan als het model verandert.

Goedkoper: de rekening verschuift van tokens naar mensen

De prijs voor een vast prestatieniveau daalt volgens Epoch AI met een factor 9 tot 900 per jaar, afhankelijk van de taak. Dat blijft abstract tot je het in je eigen begroting terugziet.

Neem Qwen 3.8 27B, dat in augustus 2026 als open-weight model verscheen. In de genoemde benchmark haalde het 24 van de 25 punten op full-stack ontwikkeling, dicht bij de duurste commerciële modellen. Het verschil: dit model kun je op eigen hardware draaien. Er gaat geen data naar een externe partij, en een klein team kan er tegelijk op werken.

Gratis is dat niet. Hardware, stroom en beheer kosten geld, en een lokaal model is trager dan de grote cloudmodellen. Daar staat tegenover dat je een variabele rekening per token inruilt voor een investering die je kunt plannen. En je data blijft binnen de deur, wat voor veel compliance-afdelingen zwaarder weegt dan de snelheid.

Het kan nog kleiner. In september bracht PrismML Ternary Bonsai 2 27B uit, een gecomprimeerde versie van hetzelfde Qwen-model. Het is negen keer kleiner, 5,9 GB, en draait op een laptop. De makers zeggen dat het 98,2 procent van de benchmarkscore behoudt. Dat cijfer komt van henzelf, en bij kennisvragen en redeneren levert het model zichtbaar meer in dan bij rekenen en code. De richting is wel duidelijk: voor het samenvatten van een polisvoorwaarde of het classificeren van een binnenkomende brief heb je geen frontier-model nodig.

Waar gaat het geld dan heen? Naar inrichting, koppeling met je systemen, beheer en het begeleiden van medewerkers. Aan de bestuurstafel verschuift de vraag van "wat kost een licentie?" naar "wie richt dit veilig in en zorgt dat mensen het goed gebruiken?"

Sneller: eigen chips en modellen die alleen beslissen

GPU's zijn ontworpen voor graphics. Ze doen AI beter dan gewone processoren, maar optimaal zijn ze niet. Daar wordt nu fors in geïnvesteerd. OpenAI sloot in januari 2026 een meerjarige deal met Cerebras voor 750 megawatt aan rekenkracht, gebouwd rond één enorme chip waarop rekenkracht, geheugen en bandbreedte samenkomen. Dichter bij huis haalde het Eindhovense EUCLYD in september ruim 200 miljoen euro op, met Samsung als co-lead, voor zuinige AI-chips. Axelera AI, ook uit Eindhoven, haalde in februari eveneens meer dan 200 miljoen euro op. Neem je digitale soevereiniteit serieus, dan is dat goed nieuws: een deel van de AI-infrastructuur van straks kan Europees zijn.

Snelheid klinkt als een technisch detail, tot een acceptatiecheck in twee seconden klaar is in plaats van twee minuten. Dan kun je een proces anders ontwerpen.

Voor finance is een ander soort model misschien nog interessanter. Jev, van het Amerikaanse TypeSafe AI, genereert geen tekst. Je geeft het een dossier en een vraag met vaste antwoordopties, en het geeft een keuze terug met een kans en een betrouwbaarheidsscore. Omdat het antwoord altijd binnen de opgegeven opties valt, kan het niets verzinnen. TypeSafe claimt dat dit 40 tot 200 keer sneller en 40 tot 400 keer goedkoper is dan een frontier-taalmodel. Dat zijn metingen van de maker zelf, maar het idee krijgt navolging: er verschijnen al open varianten.

Denk aan sanctie- en PEP-screening, risicobeoordeling bij acceptatie, het beoordelen van het niveau van een jaarrekening, het categoriseren van transacties of het prioriteren van meldingen. Allemaal afgebakende beslissingen in grote aantallen. Een gekalibreerde kans laat zich bovendien beter loggen, toetsen en uitleggen aan een toezichthouder dan een vrij geformuleerde alinea.

Gevaarlijker: 2026 was het jaar van de ontsnapte agent

Wat in 2025 nog een scenario uit een onderzoekspaper was, stond dit jaar in de krant. Drie voorbeelden uit de afgelopen maanden:

Hetzelfde vermogen waarmee een model een lek vindt, kan je eigen securityteam gebruiken om dat lek eerder te dichten. Toch trek je als organisatie met klantdossiers en financiële data één les: geef AI precies de toegang die een taak vraagt en geen millimeter meer. Een agent die continu draait en overal bij kan, is een deur die 24 uur per dag openstaat.

De regelgeving loopt mee, zij het trager dan gepland. De verplichtingen voor hoog-risico AI uit de EU AI Act, waaronder kredietwaardigheidsbeoordeling en risicobepaling bij levens- en zorgverzekeringen, zouden op 2 augustus 2026 ingaan. Raad en Parlement bereikten in mei een voorlopig akkoord om dat naar 2 december 2027 te verschuiven. Gebruik je die tijd om AI in te richten zonder logging, menselijk toezicht en documentatie, dan schuif je het werk alleen maar voor je uit.

Wat dit betekent voor financiële en zakelijke dienstverlening

Accountants, verzekeraars en adviseurs verdienen hun geld grotendeels met lezen, beoordelen, samenvatten en vastleggen. Precies daarin zijn taal- en beslismodellen het sterkst. De druk op deze branches is daarom groter dan op de meeste andere.

Het junior dossierwerk verandert het eerst. Processen die nu achter elkaar lopen, van aanvraag tot akkoord, kunnen deels parallel, met de mens op de uitzonderingen. Maar een chatbot naast een ongewijzigd proces levert alleen losse minuten op. De winst zit in het herontwerp.

Voor een kantoor van dertig mensen kan dat betekenen dat het ineens het volume van een kantoor van vijftig aankan. Een verzekeraar die afwacht, ziet een nieuwkomer producten sneller en goedkoper in de markt zetten. Welke toepassingen in verzekeringen en financiële dienstverlening het meest opleveren, en hoe Copilot en ChatGPT zich verhouden tot een eigen omgeving, lees je in AI toepassen in financiële dienstverlening.

Wat je nu kunt regelen

Een deel van wat nodig is, ligt buiten je invloed: wereldwijd toezicht op de krachtigste modellen, en genoeg stroom, liefst groene, om ze te laten draaien. Vier dingen kun je wel zelf oppakken.

1. Zorg dat je ziet wat er gebeurt

   Je kunt niet sturen op wat je niet ziet. In bijna elke organisatie plakken medewerkers wel eens klantgegevens in een publieke chatbot met een privéaccount. In de financiële sector is dat een direct AVG- en reputatierisico. Een centrale, goedgekeurde omgeving met inzicht in gebruik en kosten per afdeling is de eerste stap.

2. Gebruik per taak het juiste model

   Het duurste model is zelden het beste voor elke taak. Een samenvatting kan prima met een klein of lokaal model, een complexe analyse rechtvaardigt een zwaarder model. Een omgeving waarin je kunt wisselen zonder werk opnieuw te doen, beschermt je tegen prijsstijgingen en lock-in.

3. Laat guardrails meegroeien met de kracht

   Een chat die interne procedures doorzoekt, vraagt minder waarborgen dan een agent die zelfstandig in klantdossiers schrijft. Leg vast welke bronnen AI mag gebruiken, log wat er gebeurt en houd een mens verantwoordelijk voor beslissingen die klanten raken. Kijk ook naar jurisdictie: data bij een Amerikaanse cloudaanbieder valt onder de CLOUD Act, ook als de servers in Europa staan.

4. Neem de organisatie mee

   De techniek is het makkelijke deel. Verandering roept weerstand op en kost moeite. Wat werkt: AI-ambassadeurs per team, een gedeelde promptbibliotheek, training op je eigen use cases en ruimte om te experimenteren, bijvoorbeeld met een interne hackathon. Maak het structureel, en maak het leuk. Wie AI als hulpmiddel ervaart, gebruikt het beter.

In de praktijk: een AI-chat voor accountantskantoren

Hoe dit samenkomt, zie je bij de oplossing die we ontwikkelden voor MostEasy. Daar draait een AI-chat voor de accountancy met Nederlandse hosting, zonder afhankelijkheid van de CLOUD Act en met klantdata die nooit wordt gebruikt om modellen te trainen.

Medewerkers kiezen per taak het model dat past, de chat put uit vooraf goedgekeurde bronnen en er zitten functies in die speciaal voor accountants zijn gebouwd. Wat er bewust niet in zit: zwermen agents die continu draaien en overal bij kunnen. Eerst controle, dan autonomie.

Benieuwd hoe dit er voor jouw organisatie uitziet? Neem contact met ons op voor een uitgebreide demo van de Compliant AI Chat. We laten zien hoe het werkt met je eigen documenten en use cases. 

Tot slot

AI wordt slimmer, goedkoper, sneller en gevaarlijker, en dat allemaal tegelijk. Voor financiële dienstverleners is dat ongemakkelijk, omdat hun kernwerk zich goed laat automatiseren. Het is ook een kans. Wie nu grip organiseert op gebruik, kosten, modelkeuze en risico, bouwt een voorsprong op die over twee jaar lastig in te halen is. Wie wacht tot het stof is neergedaald, merkt dat het niet neerdaalt.