Laatst bijgewerkt op 18 september 2026
AI in finance is zo betrouwbaar als de data eronder. Met data governance regel je wie eigenaar is van welke data, hoe je de kwaliteit bewaakt en hoe je omgaat met privacy en wetgeving. Zonder die basis weet je niet of een AI-uitkomst klopt, of je hem mag gebruiken en wie verantwoordelijk is als het misgaat. De belangrijkste les: gebruik AI bewust, toets uitkomsten kritisch en blijf zelf eigenaar van je beslissingen.
Een AI-model dat in een paar seconden een kredietanalyse maakt of afwijkende facturen markeert. Dat klinkt als precies de tijdwinst waar veel financeteams op wachten. Maar wat als die analyse is gebaseerd op onvolledige data? Of als er klantgegevens in een tool belanden waarvan je niet weet waar ze blijven?
Daar draait data governance om. Het is misschien niet het meest spannende onderdeel van AI, maar wel het onderdeel dat bepaalt of je AI veilig en verantwoord kunt inzetten.
De risico’s van AI zijn geen nieuw onderwerp. In mei 2023 vertrok AI-pionier Geoffrey Hinton bij Google, zodat hij vrijuit kon waarschuwen voor de gevaren van de technologie die hij zelf mee had ontwikkeld. Ook andere experts maken zich zorgen over de ontwikkelingen. En dichter bij huis liet de toeslagenaffaire bij de Belastingdienst zien hoe pijnlijk het mis kan gaan als algoritmes worden ingezet zonder goede data governance.
Sindsdien is er wel iets veranderd. De Europese AI Act is gefaseerd in werking getreden en stelt strenge eisen aan risicovolle toepassingen, zoals het beoordelen van de kredietwaardigheid van particulieren. Voor finance betekent dit dat data governance niet langer alleen een interne kwaliteitskwestie is, maar steeds vaker ook een wettelijke verplichting.
Dit is het derde en laatste artikel van een serie van Ernst Berkhout, lead business consultant bij Agium, over AI binnen finance. In de eerdere delen lees je wat AI is en wat je ermee kunt en hoe je AI toepast binnen finance. In dit deel gaan we in op de risico’s, en op hoe je die beheerst.
Wat is data governance in finance?
Data governance in finance is het geheel van afspraken, processen en controles waarmee je zorgt dat financiële data betrouwbaar, veilig en volgens de regels wordt gebruikt. Van het moment dat data ontstaat tot het moment dat je hem archiveert of verwijdert.
In de praktijk komt het neer op vier vragen:
- Wie is eigenaar van welke data?
- Hoe bewaken we de kwaliteit?
- Wie mag de data inzien of aanpassen?
- Voldoet ons gebruik aan de wet- en regelgeving?
Zodra je AI inzet binnen finance, wordt data governance nóg belangrijker. Een AI-model doet voorstellen of neemt beslissingen op basis van de data die het krijgt. Zonder goede governance weet je niet of die uitkomsten kloppen, of je ze kunt herleiden en of ze voldoen aan de regels.
De grootste valkuilen van AI in finance
AI kan finance veel werk uit handen nemen. Toch zien we in de praktijk steeds dezelfde valkuilen terugkomen:
- Onvolledige of vervuilde data. Een model is zo goed als de data waarvan het leert. Ontbreken er boekingen of staan er dubbele debiteuren in je systeem, dan neemt AI die fouten gewoon over.
- Vertekening (bias). Leert een model van historische beslissingen, dan leert het ook de scheve patronen daarin. Zo kan een kredietmodel bepaalde groepen structureel benadelen, zonder dat iemand dat zo bedoeld heeft.
- Blind vertrouwen. Hoe beter de uitkomsten eruitzien, hoe minder snel je ze controleert. Juist dan glippen er fouten doorheen.
- Verzonnen antwoorden. Generatieve AI zoals ChatGPT of Copilot formuleert overtuigend, ook als het antwoord niet klopt.
- Onduidelijk eigenaarschap. Als niemand eigenaar is van een databron of een model, voelt ook niemand zich verantwoordelijk als het misgaat.
- Privacy en datalekken. Persoonsgegevens die eenmaal in een online AI-tool staan, haal je er niet zomaar weer uit.
Bijna al deze valkuilen hebben dezelfde basis als oplossing: goede afspraken over je data.
Wie is verantwoordelijk als AI in finance een fout maakt?
Bij een mens is aansprakelijkheid meestal helder. Wie een beslissing neemt, is daar ook verantwoordelijk voor. Met AI is dat minder vanzelfsprekend.
Neem de zelfrijdende auto. Als die bij een ongeluk een keuze moet maken, wie is dan aansprakelijk: de programmeur, de fabrikant of de bestuurder? Juridisch is dat nog altijd een lastige vraag.
Binnen finance speelt dezelfde vraag, alleen minder zichtbaar. Wie is verantwoordelijk als een AI-model een verkeerde kredietbeoordeling maakt? Als een betaling ten onrechte als fraude wordt gemarkeerd? Of als een correcte factuur wordt afgekeurd?
Het antwoord moet altijd zijn: iemand binnen je eigen organisatie. AI kan signaleren en voorstellen doen, maar de verantwoordelijkheid voor de beslissing blijft bij jou. Leg daarom vooraf vast wie welke uitkomst controleert, en wanneer een mens moet ingrijpen.
Datakwaliteit: de basis van goede data governance
Als mens neem je een situatie waar, herken je die en reageer je erop door te redeneren. AI doet iets vergelijkbaars, maar leert alles van de dataset die het krijgt. Hoe beperkter of eenzijdiger die dataset, hoe meer het model gaat ‘framen’ en beslissingen neemt die je niet wilt.
Daar komt bij dat er elke dag nieuwe AI-tools bijkomen. Veel daarvan zijn gebouwd op modellen van grote partijen zoals OpenAI (de maker van ChatGPT), Microsoft of Google. Hoe die tools omgaan met kwaliteit, ethiek en jouw data, is lang niet altijd duidelijk. Voor zakelijk gebruik is dat een risico. Ook de grote partijen erkennen die risico’s, maar zeggen tegelijk: als wij stoppen, gaan anderen gewoon door.
Wat betekent dat voor je werk in finance?
- Weet wat de uitkomst ongeveer zou moeten zijn. Alleen dan kun je beoordelen of een AI-uitkomst klopt.
- Challenge de uitkomsten. Vertrouw niet blind op een model, zeker niet bij zelflerende AI waarvan je niet precies ziet hoe die tot een antwoord komt.
- Bouw vertrouwen stap voor stap op. Laat AI eerst meedraaien naast je bestaande proces. Pas als de uitkomsten aantoonbaar betrouwbaar zijn, geef je het meer ruimte.
Privacy: zo werk je veilig met gevoelige data
Bij AI hoort ook privacywetgeving. In Nederland heet die de AVG; in Europa kennen we hem als de GDPR. Belangrijke risico’s zijn profileren en discrimineren: AI die onderscheid maakt op basis van persoonsgegevens, op een manier die niet mag.
Ook de cloud speelt mee. We werken steeds vaker in online omgevingen. Je gegevens staan dan in een datacenter waar je zelf geen zicht op hebt, soms buiten Europa. Stel daarom altijd drie vragen: waar staat de data, wie heeft er toegang toe, en gebruikt de leverancier hem om zijn eigen AI-model te trainen?
Een voorbeeld uit de praktijk: robots in de zorgadministratie
We bouwen al jaren robots voor ziekenhuizen. Die registreren de verrichtingen bij patiënten en koppelen ze aan zogeheten diagnose-behandelcombinaties (DBC’s). Die DBC’s vormen de basis voor de rekening die de zorgverzekeraar krijgt.
Soms gaat dat niet goed en ontstaan er ‘zwevende verrichtingen’: die zijn wel gekoppeld aan een patiënt, maar niet aan een DBC. Onze robots signaleren dat en zetten het recht. Dat gebeurt met zogeheten zwakke AI: de redenering zijn vooraf ingebouwd; de robot bedenkt ze niet zelf en leert er ook niet van. Dat bespaart de zorgadministratie in ziekenhuizen veel werk. En het laat tegelijk zien hoe data governance er in de praktijk uitziet: heldere regels, controleerbare uitkomsten en geen zelflerende beslissingen die niemand kan controleren.
De volgende stap is lastiger. We kijken nu hoe we informatie kunnen halen uit de teksten die artsen en verpleegkundigen schrijven, om ontbrekende gegevens in de administratie aan te vullen. Bij iedere operatie hoort bijvoorbeeld een anesthesist, maar vooral bij spoedoperaties wordt die weleens niet geregistreerd. Dan declareer je minder, terwijl de kosten wel zijn gemaakt.
Alleen: die teksten bevatten persoonsgegevens. Zet je ze zomaar in een online AI-tool als ChatGPT, dan kom je in conflict met de AVG. Daarom testen we in een pilot software die privacygevoelige gegevens eerst anonimiseert. ‘Dokter Jan de Vries’ wordt dan bijvoorbeeld ‘naam 1’. Na de verwerking vertaalt een tweede tool de gegevens weer terug. Zo gebruik je de waarde van de data, zonder dat herleidbare persoonsgegevens de AI-tool in gaan.
Wat betekent de AI Act voor finance?
Naast de AVG geldt sinds 1 augustus 2024 ook de Europese AI Act. Die deelt AI-toepassingen in op risico: hoe groter het risico voor mensen, hoe strenger de eisen. Voor finance zijn vooral drie punten relevant:
- AI-geletterdheid. Sinds 2 februari 2025 moeten organisaties maatregelen nemen zodat medewerkers die met AI werken, genoeg weten van de mogelijkheden en risico’s.
- Hoog-risico toepassingen. AI die de kredietwaardigheid van particulieren beoordeelt, en AI voor risicobeoordeling en prijsstelling bij levens- en zorgverzekeringen, geldt als hoog risico. Daarvoor gelden strenge eisen aan onder meer datakwaliteit, documentatie en menselijk toezicht. Door de Digital Omnibus gaan die eisen in op 2 december 2027; eerder was dat augustus 2026.
- Fraudedetectie valt er niet onder. AI om financiële fraude op te sporen is uitdrukkelijk uitgezonderd van de hoog-risicocategorie. De AVG en je eigen afspraken blijven natuurlijk wel gelden.
Veel interne finance-toepassingen, zoals factuurverwerking of forecasting, vallen dus niet onder de strengste regels. Toch zijn de eisen uit de AI Act een goede leidraad voor elke toepassing: weet welke data je gebruikt, leg vast hoe het model werkt en zorg dat een mens kan ingrijpen.
Welke rollen heb je nodig voor data governance in finance?
Data governance is geen IT-project, maar een samenwerking. Meestal zie je drie rollen terug:
- Data owner. Eindverantwoordelijk voor een databron en voor wie er toegang toe krijgt. Vaak een manager binnen finance, bijvoorbeeld de controller voor de grootboekdata.
- Data steward. Bewaakt dagelijks de kwaliteit en zorgt dat iedereen dezelfde definities gebruikt. Wat is ‘omzet’ precies, en wanneer telt een factuur als betaald?
- IT (data custodian). Beheert de systemen, de beveiliging en de toegangsrechten.
Daarnaast toetst compliance of de privacy officer of het gebruik binnen de regels blijft. In een klein team kan één persoon meerdere rollen hebben. Dat is prima, zolang het maar is vastgelegd.
Zo bouw je sterke data governance in finance op
Om AI verantwoord in te zetten binnen finance, komt goede data governance neer op een aantal concrete uitgangspunten:
- Ken je databronnen. Weet waar je data vandaan komt, hoe compleet en actueel deze is, en of er sprake kan zijn van vertekening (bias).
- Beleg eigenaarschap. Zorg dat helder is wie verantwoordelijk is voor de kwaliteit en het gebruik van specifieke databronnen.
- Bouw controlemomenten in. Laat AI-uitkomsten nooit ongecontroleerd doorstromen naar besluitvorming. Challenge ze kritisch, zeker bij zelflerende AI.
- Regel privacy by design. Anonimiseer persoonsgegevens waar mogelijk vóórdat een AI-model ze verwerkt.
- Houd rekening met wetgeving. Denk aan de AVG én aan de AI Act, zeker als je met kredietbeoordeling of verzekeringen werkt.
- Investeer in kennis. Zorg dat je team weet wat AI wel en niet kan. Dat is niet alleen verstandig, maar sinds 2025 ook een verplichting.
Veelgestelde vragen over data governance in finance
Wat is data governance in finance?
Data governance in finance is het geheel van afspraken, processen en controles waarmee je zorgt dat financiële data betrouwbaar, veilig en compliant blijft inclusief eigenaarschap, kwaliteitsbewaking en naleving van wetgeving zoals de AVG/GDPR.
Waarom is data governance extra belangrijk bij het gebruik van AI in finance?
AI-systemen nemen beslissingen op basis van de data die ze krijgen aangeboden. Zonder goede data governance is niet gegarandeerd dat die data betrouwbaar, actueel en vrij van ongewenste vertekening (bias) is met als risico onbetrouwbare of zelfs discriminerende uitkomsten.
Welke wetgeving is relevant voor data governance in finance?
Naast de AVG (in Nederland) en de GDPR (in Europa) is sinds kort ook de Europese AI Act relevant. Deze stelt specifieke eisen aan risicovolle AI-toepassingen, zoals kredietbeoordeling en fraudedetectie binnen finance.
Wie is verantwoordelijk voor data governance binnen een finance-afdeling?
Dit ligt doorgaans bij een combinatie van finance, IT en compliance: finance kent de data en het gebruik ervan, IT beheert de systemen en beveiliging, en compliance bewaakt de naleving van wet- en regelgeving.
Wat zijn de risico’s van slechte data governance bij AI-toepassingen?
Slechte data governance kan leiden tot onbetrouwbare AI-uitkomsten, ongewenste bias en discriminatie (zoals bij de toeslagenaffaire), datalekken en schending van privacywetgeving, en onduidelijkheid over wie verantwoordelijk is voor AI-gestuurde beslissingen.
