Jay Venkateswaran, Business Unit Head, Banking & Financial Services bij WNS – Interviewreeks

Jay Venkateswaran, Business Unit Head voor Banking en Financial Services, houdt toezicht op strategie, groei en financiële prestaties. Voor zijn komst bij WNS was hij Consulting Partner bij AT Kearney. Als vertrouwde partner op het gebied van Business Transformation en Services combineert WNS op unieke wijze domeinexpertise met een verenigd digitaal ecosysteem dat Analytics, Hyperautomatisering en AI integreert om marktonderscheiding voor klanten te creëren.

Generatieve AI transformeert de bank- en financiële dienstverlening snel. Hoe zie je de impact zich de komende vijf jaar ontwikkelen?

In de bankensector zie ik Generatieve AI (Gen AI) een cruciale rol spelen bij het verbeteren van de klantervaring, het verhogen van operationele efficiëntie en het versterken van risicobeheer. In de back‑office zal AI‑gedreven automatisering taken zoals regelgevende rapportage, compliance‑controles en documentverwerking stroomlijnen, waardoor operationele kosten aanzienlijk dalen. Bovendien zal AI kredietrisicobeoordelingen en fraudedetectie verfijnen door realtime data‑inzichten en voorspellende analyses.

Een van de meest transformatieve verschuivingen zal plaatsvinden op het gebied van hyper‑personalisatie, waardoor financiële instellingen sterk gepersonaliseerde producten en diensten kunnen aanbieden die zijn afgestemd op het gedrag, de voorkeuren en de behoeften van individuele klanten. Naarmate AI‑mogelijkheden zich ontwikkelen, zullen banken steeds vaker AI‑aangedreven chatbots en virtuele assistenten integreren om klantinteracties te verbeteren, waardoor ze intuïtiever en responsiever worden. Uiteindelijk zal de bank‑ en financiële dienstverlening evolueren naar een zeer intelligent, data‑gedreven ecosysteem waarin AI‑inzichten slimmere besluitvorming mogelijk maken, wat leidt tot een naadloze en meer gepersonaliseerde bankervaring.

Natuurlijk mogen we niet over het hoofd zien dat minder dan twee jaar nadat Gen AI mainstream werd, een even – zo niet meer – transformerende doorbraak is ontstaan: Agentic AI. Deze innovatie kan mogelijk een paradigmaverschuiving in de bankensector teweegbrengen door statische chatbots en gesiloide automatisering te vervangen door autonome, besluitvormende AI‑agenten die zich kunnen aanpassen, leren en taken uitvoeren met bijna menselijke intelligentie.

Veel financiële instellingen bevinden zich nog in de beginfase van AI‑adoptie. Is het te laat voor late adopters om in te halen, of zie je haalbare strategieën voor hen om de kloof te dichten?

Het is niet te laat voor financiële instellingen om AI te omarmen, maar een strategische aanpak is essentieel. Late adopters moeten AI integreren in hun strategische plannen, met focus op high‑impact use cases die directe waarde bieden.

Een aanbevolen eerste stap is het identificeren van ‘quick‑win’ kansen — zoals AI‑gedreven klantenservice‑chatbots, automatisering van documentverwerking en fraudedetectie — waarbij AI‑adoptie snel de efficiëntie en klanttevredenheid kan verbeteren.

Bovendien kunnen financiële instellingen, in plaats van AI‑modellen intern te ontwikkelen, wat veel middelen en tijd kost, de AI‑implementatie versnellen via partnerschappen met gespecialiseerde AI‑leveranciers. Deze partnerschappen stellen banken in staat om kant‑klaar AI‑modellen en cloud‑gebaseerde AI‑oplossingen te benutten, waardoor implementatietijd en kosten worden gereduceerd.

Een andere belangrijke strategie is het benutten van low‑code en no‑code AI‑platformen. Deze platformen stellen financiële instellingen in staat om AI‑gedreven oplossingen snel uit te rollen zonder uitgebreide technische expertise. Bijvoorbeeld, AI‑gebaseerde Intelligent Data Processing (IDP) modules kunnen data uit ongestructureerde bronnen zoals PDF‑bestanden en e‑mails extraheren, categoriseren en analyseren, waardoor operationele efficiëntie verbetert.

Door deze gerichte strategieën te omarmen, kunnen late adopters de AI‑kloof efficiënt dichten, terwijl ze compliance en schaalbaarheid waarborgen.

Wat zijn de grootste uitdagingen waarmee banken worden geconfronteerd bij het implementeren van AI‑oplossingen, en hoe kunnen ze deze overwinnen?

Bij het implementeren van AI‑oplossingen staan banken voor drie primaire uitdagingen: datakwaliteit, integratie van legacy‑systemen en regelgeving.

1. Datakwaliteit & Beschikbaarheid: AI‑modellen hebben hoogwaardige, gestructureerde en diverse datasets nodig voor training. Veel banken hebben echter moeite met gefragmenteerde gegevensbronnen, gebrek aan governance en inconsistente dataformaten. Om dit te overwinnen, moeten financiële instellingen investeren in robuuste data‑governance‑kaders, data‑repositories centraliseren en AI‑gedreven tools voor datacleaning en verrijking gebruiken.
2. Integratie van legacy‑systemen: Veel banken werken nog steeds met legacy‑IT‑infrastructuren die niet geoptimaliseerd zijn voor AI‑implementatie. Het inzetten van op Application Programming Interface (API) gebaseerde integratie‑architecturen kan de kloof tussen AI‑gedreven oplossingen en legacy‑systemen overbruggen, waardoor een naadloze gegevensstroom en procesautomatisering mogelijk is zonder een volledige systeemvernieuwing.
3. Regelgevende en compliance‑zorgen: Het veranderende regelgevingslandschap vereist dat AI‑modellen transparant, uitlegbaar en controleerbaar zijn. Om dit aan te pakken, moeten banken AI‑governance‑kaders implementeren, samenwerken met regelgevende instanties en betrouwbare AI‑oplossingen adopteren die transparantie, bias‑mitigatie en naleving prioriteren.

Door proactief deze uitdagingen aan te pakken, kunnen banken een solide basis creëren voor AI‑adoptie en langdurig succes waarborgen.

Waarom is het cruciaal voor banken om AI‑use cases te experimenteren voordat ze op grote schaal worden uitgerold?

Experimenteren met AI‑use cases is essentieel voor banken om operationele haalbaarheid, regelgevende compliance en succesvolle gebruikersacceptatie te waarborgen voordat ze zich committeren aan een grootschalige uitrol.

1. Operationele gereedheid: AI‑gedreven oplossingen kunnen workflows aanzienlijk veranderen, wat een herontwerp van processen vereist in plaats van alleen herengineering. Experimenteren stelt banken in staat de impact op bestaande processen te beoordelen en noodzakelijke aanpassingen te maken vóór brede implementatie.
2. Gebruikersacceptatie & Training: AI‑gedreven systemen moeten aansluiten bij de verwachtingen van eindgebruikers. Pilotprojecten op kleine schaal helpen banken de gebruikersacceptatie te meten en AI‑modellen te verfijnen op basis van feedback uit de praktijk, waardoor een soepelere adoptie en vertrouwen in AI‑gedreven besluitvorming wordt gegarandeerd.
3. ROI‑validatie: Banken moeten de financiële en operationele impact van AI meten voordat ze grootschalige investeringen doen. Experimenteren met AI‑use cases — zoals verbeteringen in klantacquisitie, kostenbesparingen in operaties en verbeterde fraudepreventie — levert concrete inzichten op in ROI, waardoor datagedreven investeringsbeslissingen mogelijk worden.

Door een iteratieve test‑en‑leerbenadering te hanteren, kunnen banken risico’s beperken, hun AI‑strategieën verfijnen en ervoor zorgen dat AI‑adoptie aansluit bij de bedrijfsdoelstellingen.

Hoe moeten financiële instellingen AI‑gereedheid en -implementatie benaderen om maximale ROI te behalen?

Om maximale ROI uit AI‑implementatie te halen, moeten banken een strategische, cross‑functionele aanpak hanteren die AI‑initiatieven afstemt op de bedrijfsdoelstellingen.

1. Strategische afstemming: AI moet worden geïntegreerd in de bredere strategische doelen van de financiële instelling, zoals kostenreductie, proces‑efficiëntie, klantacquisitie en verbeterd risicobeheer.
2. Cross‑functionele samenwerking: AI‑implementatie mag niet geïsoleerd blijven binnen IT‑teams. In plaats daarvan is cross‑functionele samenwerking tussen risico, compliance, operaties, klantenservice en business units cruciaal om ervoor te zorgen dat AI‑oplossingen de behoeften van de gehele organisatie adresseren.
3. Werkforce upskilling & Change Management: Banken moeten investeren in opleidingsprogramma’s om medewerkers te voorzien van AI‑gerelateerde vaardigheden. Een soepele overgang naar AI‑gedreven operaties vereist gestructureerde leerprogramma’s, praktijkgerichte training en het benutten van extern AI‑talent via partnerschappen.
4. Schaalbare AI‑infrastructuur: Financiële instellingen moeten schaalbare AI‑platformen inzetten die iteratieve verbeteringen en naadloze integratie met bestaande banksystemen mogelijk maken.

Door deze elementen te prioriteren, kunnen banken ervoor zorgen dat AI‑adoptie betekenisvolle bedrijfsresultaten oplevert, de klantervaring verbetert en meetbare financiële opbrengsten genereert.

Fraude bij digitale betalingen is een groeiende zorg. Hoe kan generatieve AI financiële instellingen helpen om toenemende fraude te bestrijden en de beveiliging te verbeteren?

De toenemende adoptie van digitale betalingen heeft geleid tot meer geavanceerde fraudetactieken. Gen AI biedt verbeterde fraudedetectiecapaciteiten door enorme datasets in realtime te analyseren en afwijkende transactiep Patronen te identificeren die traditionele regelgebaseerde systemen mogelijk missen.

Gen AI kan:

1. Fraude detecteren met grotere nauwkeurigheid door continu te leren van transactiegegevens, waardoor false positives worden verminderd en de fraudepreventieratio verbetert.
2. Gedragsafwijkingen identificeren op individueel klantniveau, waarbij verdachte activiteiten worden gemarkeerd op basis van historische trends.
3. Threat intelligence verbeteren door industrie‑rapporten, beveiligingsbulletins en wereldwijde incidentdatabases te scannen om opkomende fraudetrends te voorspellen en zich daaraan aan te passen.

Door deze AI‑gedreven mogelijkheden te benutten, kunnen financiële instellingen hun fraudepreventiemaatregelen aanzienlijk versterken, menselijke onderzoeken optimaliseren en zorgen voor veiligere digitale transacties.

WNS heeft samen met diverse klanten oplossingen ontwikkeld om de aspecten van fraudedetectie en -onderzoek aan te pakken met behulp van analytics en AI. Deze oplossingen maken gebruik van een combinatie van

Predictieve modellering voor fraudedetectie en -classificatie.

• IDP voor documentdigitalisering
• Deep Learning‑gedreven oplossingen voor het detecteren van gemanipuleerde documenten

Compliance‑eisen worden steeds complexer in wereldwijde markten. Hoe kan AI banken helpen om regelgevende standaarden efficiënter te voldoen?

Regelgevende compliance is de afgelopen decennia een dynamische en evoluerende uitdaging geweest vanwege de voortdurende verschuivingen in wereldwijde regelgeving. Dit heeft het voor banken noodzakelijk gemaakt om te investeren in mensen, processen en technologie om te voldoen aan steeds complexere compliance‑mandaten. AI is uitgegroeid tot een krachtig instrument voor het stroomlijnen van regelgevende compliance, met name bij het volgen van regelgevende veranderingen en het beoordelen van hun impact op bankoperaties. Door AI te benutten, kunnen financiële instellingen realtime updates ontvangen over regelgevende wijzigingen, waardoor ze proactief compliance‑maatregelen kunnen plannen en implementeren.

Bovendien kunnen AI‑gedreven oplossingen regelgevende publicaties systematisch organiseren en beheren, waardoor de handmatige inspanning om deze wijzigingen te volgen en te interpreteren wordt verminderd. Gen (Gen AI) versterkt de compliance‑mogelijkheden verder door nieuwe regelgeving te analyseren ten opzichte van eerdere versies, waardoor instellingen snel de impact op interne beleids- en procedurekaders kunnen beoordelen. Deze capaciteit versterkt risico‑ en controle‑evaluaties, waardoor compliance‑processen effectiever en efficiënter worden. Daarnaast kan Gen AI een cruciale rol spelen bij het creëren van gestructureerde trainingsinhoud, zodat medewerkers goed geïnformeerd blijven over regelgevende veranderingen. AI‑gedreven continue monitoring- en auditmogelijkheden verminderen compliance‑risico’s aanzienlijk, waardoor instellingen een proactieve benadering van regelgevingsbeheer krijgen en verrassingen in het algehele risico‑ en compliance‑kader worden geminimaliseerd.

Op het gebied van compliance is WNS de afgelopen jaren vooropgelopen in het bouwen van oplossingen die AI & Gen AI benutten, waaronder:

• Gen AI‑oplossing voor Adverse Media screening
• AI & Gen AI‑oplossing voor AML‑onderzoeken
• AI‑gedreven oplossing voor verbeterde KYC

Wat zijn enkele van de meest veelbelovende AI‑gedreven use cases in de bankensector vandaag, naast fraudedetectie en compliance?

AI evolueert continu, waarbij data‑wetenschappers en AI‑professionals innovatieve oplossingen ontwikkelen om een breed scala aan zakelijke imperatieven in de bankensector aan te pakken. Naast fraudedetectie en compliance stimuleert AI een aanzienlijke transformatie van de klantbeleving, operationele efficiëntie en besluitvormingsprocessen.

Een van de meest opvallende use cases is AI‑gedreven chatbots en Gen AI‑gestuurde realtime agentondersteuning, die de klantenservice revolutioneren door gepersonaliseerde, onmiddellijke en efficiënte interacties te bieden. Deze verschuiving verbetert de klanttevredenheid en stroomlijnt de oplossing van problemen.

Op operationeel gebied pakt AI langdurige uitdagingen in reconciliatieprocessen aan, die doorgaans meerdere afdelingen binnen financiële instellingen omvatten. AI‑gedreven algoritmen kunnen het matchen van niet‑gepaarde transacties automatiseren door historische patronen en trends te analyseren, waardoor de noodzaak voor handmatige interventie aanzienlijk wordt verminderd.

Een andere cruciale toepassing is betalingsverwerking, met name het afhandelen van inkomende stortingen waarbij onvolledige of onduidelijke betalingsdetails menselijke tussenkomst vereisen. AI‑gedreven propensity‑modellen kunnen waarschijnlijkheidsscores genereren, waardoor instellingen snel en nauwkeurig de juiste tegenpartijen kunnen identificeren en zo handmatige verwerkingsinspanningen optimaliseren.

Dit zijn slechts enkele voorbeelden van hoe WNS actief toonaangevende financiële instellingen heeft ondersteund bij het benutten van AI om efficiëntie te stimuleren, de klantbeleving te verbeteren en operationele veerkracht te versterken.

AI‑talent is sterk in trek in alle sectoren. Wat kunnen banken doen om top‑AI‑professionals aan te trekken en te behouden?

De toenemende adoptie van AI in alle sectoren heeft geleid tot een enorme vraag naar AI‑talent, met name data‑wetenschappers en machine‑learning experts. Het aantrekken en behouden van top‑AI‑professionals vereist een strategische aanpak die gericht is op het bieden van betekenisvolle kansen en het stimuleren van een innovatieve omgeving.

Een van de belangrijkste motivaties voor AI‑professionals is toegang tot hoogwaardige data waarmee ze kunnen experimenteren, innoveren en impactvolle oplossingen kunnen ontwikkelen. Organisaties die gestructureerde, goed georganiseerde data‑ecosystemen bieden, creëren een omgeving waarin AI‑experts kunnen floreren. Het ontbreken van kansen om betekenisvolle zakelijke impact te creëren, is daarentegen een van de belangrijkste redenen waarom AI‑professionals organisaties verlaten.

Om top‑talent aan te trekken, moeten banken sterke partnerschappen aangaan met vooraanstaande technische hogescholen en universiteiten, waarbij AI‑gerichte stages, onderzoeks‑samenwerkingen en directe wervingsroutes worden aangeboden. Deze aanpak stelt financiële instellingen in staat AI‑professionals vroeg in hun loopbaan te betrekken en een duidelijke groeitraject binnen de organisatie te bieden.

Bovendien versterkt het bevorderen van een AI‑gedreven cultuur binnen banken — waarbij AI‑professionals kunnen samenwerken met domeinexperts om real‑world uitdagingen op te lossen — de arbeidstevredenheid en retentie. WNS heeft met succes een vergelijkbaar model geïmplementeerd in samenwerking met toonaangevende universiteiten in India, waardoor een constante stroom van bekwame AI‑talenten ontstaat die klaar zijn om bij te dragen aan de financiële dienstverlening.

Hoe zie je de rol van bankprofessionals evolueren met AI‑integratie? Moeten medewerkers zich zorgen maken over baanverlies?

Het debat over AI die menselijke banen vervangt, bestaat al jaren. Hoewel AI routinetaken automatiseert, ligt de ware impact in het versterken van menselijke capaciteiten en het verbeteren van de kwaliteit van het werk dat bankprofessionals uitvoeren.

Naarmate repetitieve en regelgebaseerde taken steeds meer door AI en Robotic Process Automation (RPA) worden beheerd, verschuiven bankprofessionals naar rollen die hogere niveaus van oordeel, kritisch denken en besluitvorming vereisen. Deze verschuiving heeft zich de afgelopen tien jaar ontwikkeld, waarbij digitale betalingen geleidelijk traditionele cheque‑transacties hebben vervangen. Terwijl deze transitie het aantal bezoekers in filialen en bij geldautomaten heeft verminderd, heeft dit tegelijkertijd geleid tot complexere taken voor filiaalpersoneel, zoals beheer van betalingsuitzonderingen, beleggingsadvies en fraudebestrijding.

Op back‑office niveau heeft AI operationele inspanningen vereenvoudigd door ongestructureerde data uit PDF‑bestanden en gescande documenten te digitaliseren, die voorheen handmatig werden verwerkt. Menselijke betrokkenheid richt zich nu voornamelijk op het afhandelen van uitzonderingen en complexe onderzoeks‑taken, waardoor efficiëntie en nauwkeurigheid verbeteren.

In plaats van baanverlies te veroorzaken, heeft AI‑gedreven transformatie geleid tot upskilling van talent, waardoor professionals nieuwe competenties ontwikkelen die aansluiten bij de behoeften van de sector. Deze verschuiving komt uiteindelijk de financiële dienstverlening ten goede door een workforce te creëren die is uitgerust met geavanceerde analytische en probleemoplossende vaardigheden.

Zijn er best practices die je hebt waargenomen bij het bevorderen van een AI‑first cultuur binnen bankorganisaties?

WNS staat voorop in het bevorderen van een AI‑first cultuur binnen haar diverse bankengagementen, waarbij AI‑gedreven transformatie wordt gestimuleerd via een gestructureerde, collaboratieve aanpak. Diverse best practices dragen bij aan het succesvol integreren van AI binnen bankorganisaties:

1. Co‑creatie model: Banken moeten domeinexperts en data‑wetenschappers integreren in operationele teams om ervoor te zorgen dat AI‑gedreven oplossingen aansluiten bij real‑world bankuitdagingen. Bij WNS heeft deze aanpak de identificatie en uitvoering van hyper‑automatiseringskansen mogelijk gemaakt, waardoor continue verbetering wordt gewaarborgd.
2. Ingebedde transformatieteams: AI‑transformatie‑inspanningen mogen niet geïsoleerd blijven binnen IT‑ of innovatie‑afdelingen. In plaats daarvan zorgt het inbedden van transformatieteams binnen kernoperaties voor een blijvende focus op het identificeren van AI‑gedreven efficiënties en het opschalen van oplossingen door de organisatie heen.
3. Cultureel bewustzijn en adoptie: Organisaties moeten investeren in AI‑geletterdheidsprogramma’s om medewerkers te informeren over de voordelen, use cases en het potentieel van AI om hun rollen te versterken. Een goed geïnformeerde workforce zal AI‑oplossingen eerder adopteren en bijdragen aan een succesvolle implementatie.
4. Innovatie stimuleren: Medewerkers aanmoedigen om AI‑gedreven ideeën bij te dragen en succesvolle implementaties te belonen, bevordert een cultuur van continue verbetering en betrokkenheid. Wedstrijden, hackathons en erkenningsprogramma’s kunnen AI‑adoptie op alle organisatieniveaus stimuleren.

Door deze best practices te adopteren, kunnen banken een naadloze AI‑integratie waarborgen, operationele efficiëntie maximaliseren en een workforce opbouwen die klaar is voor de toekomst van financiële diensten.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht bij WNS.