Morgen organiseert Leaders in Finance zijn tweede AI Lunch van 2026. De Europese IT-dienstverlener Zitec is een van de sponsors van deze editie. Het bedrijf bouwt sinds 2003 software voor grote organisaties en richt zich inmiddels ook actief op de Nederlandse markt. Cătălin Crivețeanu (Principal Technology Strategist bij Zitec) is vrijdag aanwezig samen met Vlad Roșca (Chief People & AI Enablement Officer).
Zitec is goed gevestigd in Centraal- en Oost-Europa, maar is voor veel Nederlandse financiële instellingen nog een relatief nieuwe naam. Waarom breiden jullie nu uit naar Nederland en wat brengen jullie mee naar de Leaders in Finance AI Lunch van vrijdag?
“Nederland loopt voorop in de digitalisering van de financiële sector. Tegelijkertijd staan Nederlandse banken, net als banken elders in Europa, voor een uitdaging die in de hele sector speelt: oplopende operationele kosten in een sterk gereguleerde omgeving.”
“Zitec is een technologiebedrijf met een omzet van €38 miljoen in 2025 en klanten in meer dan dertig landen. We bouwen al jaren schaalbare IT-oplossingen voor onder meer bancaire en financiële processen, maar ook voor sectoren als logistiek, retail en zorg. Uitbreiding naar de Nederlandse markt is daarom een logische volgende stap in onze Europese groeistrategie.”
“We sponsoren de AI Lunch omdat we eerst willen luisteren. Nederlandse financiële instellingen behoren tot de digitaal meest volwassen van Europa. We willen begrijpen met welke vraagstukken zij zich momenteel bezighouden en tegelijkertijd een deel van onze ervaring met AI uit de praktijk delen.”
Financiering voor het mkb staat bekend om lastige unit economics: voor kleinere leningen is vaak vrijwel hetzelfde uitgebreide kredietbeoordelingsproces nodig als voor grote zakelijke leningen. Waar zit het probleem precies?
“Dat is precies de kern van het probleem. Een kredietdossier van een mkb-bedrijf doorloopt dezelfde stappen, ongeacht of het om een klein of groot bedrag gaat: aanvraag, het verzamelen van documenten, documentcontroles, het toetsen van voorwaarden, financiële analyse, kredietbeoordeling en goedkeuring.”
“Of een klein bedrijf nu €50.000 of €2 miljoen aanvraagt, de operationele inspanning blijft grofweg hetzelfde. Bij kleinere kredietbedragen drukken die vaste operationele kosten daardoor zwaar op het rendement. Het grootste deel van die kosten wordt gemaakt voordat de daadwerkelijke beslissing wordt genomen.”
“Kredietbeoordelaars verliezen waardevolle uren aan het doorspitten van onvolledige dossiers of het handmatig overnemen van gegevens uit bankafschriften. Bij duizenden aanvragen loopt die frictie snel op.”
Waar kan AI in die keten het grootste verschil maken?
“Vooral in het werk dat voorafgaat aan de beslissing: het lezen en classificeren van documenten, het extraheren van financiële gegevens, het controleren of dossiers compleet zijn, het opstellen van een eerste kredietmemo en het doorsturen van uitzonderingen naar de juiste medewerker. De uiteindelijke kredietbeslissing blijft gebaseerd op het beleid, de modellen en de mensen van de bank.”
“Dat is alleen makkelijker gezegd dan gedaan. Veel AI-initiatieven bij financiële instellingen blijven steken in de pilotfase. Dat komt vaak doordat het aantal mogelijke toepassingen voor automatisering vrijwel oneindig lijkt.”
“Tegelijkertijd is het aantal AI-toepassingen dat binnen financiële dienstverlening daadwerkelijk haalbaar, compliant en succesvol is, nog relatief beperkt. Veel organisaties beschikken bovendien nog niet over de methodiek om snel en op de juiste manier de meest kansrijke toepassingen te identificeren.”
Kunnen jullie concrete voorbeelden geven van AI-toepassingen die op grote schaal succesvol zijn ingezet binnen de financiële sector?
“Onlangs organiseerden we hierover een webinar, waarin we twee voorbeelden bespraken: een toepassing voor scenario’s met hoge volumes en een toepassing voor situaties met hoge complexiteit.”
“Voor een niet-bancaire mkb-kredietverstrekker hebben we de intake van kredietaanvragen geautomatiseerd. Daardoor steeg de verwerkingscapaciteit van 14.000 naar meer dan 30.000 aanvragen per maand. Dat komt neer op bijna 100.000 documenten, zonder dat daarvoor extra personeel nodig was. Door slimme routing van modellen wisten we bovendien de tokenkosten met 80 procent te verlagen, terwijl de nauwkeurigheid op 96 tot 97 procent bleef.”
“Voor een grote retailbank in Centraal- en Oost-Europa hebben we een gespecialiseerd multi-step orchestration-systeem geïmplementeerd om zeer complexe juridische documenten automatisch te verwerken. Het gaat bijvoorbeeld om notarieel bekrachtigde volmachten die bij bankfilialen worden aangeleverd voor rekeninggerelateerde handelingen.”
“De oplossing is rechtstreeks geïntegreerd met de core-banking-, ERP- en CMS-platforms van de bank. Het systeem voert vervolgens vijf geautomatiseerde stappen uit om beslissingen voor particuliere klanten te valideren en maximaal twaalf stappen voor zakelijke rechtspersonen.”
“Door vaste bancaire regels te combineren met de interpretatiemogelijkheden van AI kan het systeem compliant machtigingen direct vooraf goedkeuren, terwijl onduidelijke uitzonderingsgevallen worden doorgestuurd naar een medewerker voor beoordeling.”
Welke uitgangspunten zouden financiële instellingen volgens jullie in gedachten moeten houden voordat ze aan hun AI-traject beginnen?
“We hebben drie praktische adviezen die een verschil kunnen maken. Ten eerste moeten bedrijven token economics vanaf het begin meenemen in hun businesscase. Door modellen af te stemmen op specifieke taken, kunnen zowel de verwerkingssnelheid als de operationele kosten worden geoptimaliseerd.”
“Ten tweede is het inefficiënt om voor iedere uitzondering te proberen de ‘perfecte prompt’ te schrijven. Vaak is het verstandiger om de flexibiliteit van AI te combineren met harde, deterministische logica wanneer er strikte bedrijfsregels gelden.”
“En ten derde kan door aan iedere output een berekende betrouwbaarheidsscore toe te kennen, iedere uitzondering of mislukte validatie automatisch worden doorgestuurd naar een menselijke expert. Daarmee blijft het risicoprofiel van de bank beschermd. Weten waar een systeem mogelijk faalt, is minstens zo waardevol als weten waar het goed presteert.”
Waarom Nederland en wat brengen jullie Nederlandse kredietverstrekkers?
“We weten dat Nederlandse financiële instellingen niet zitten te wachten op de zoveelste leverancier die hen een ‘AI-transformatie’ probeert te verkopen. We weten ook dat Nederland een van de digitaal meest volwassen bancaire markten van Europa is. Lokale kredietverstrekkers hebben bovendien, net als andere banken, te maken met dezelfde fundamentele uitdagingen.”
“Wat wij meebrengen, is praktische ervaring met het ontwikkelen van technologie en de lessen die we hebben geleerd door AI-agents daadwerkelijk in live bancaire processen te implementeren.”
“Daarom zijn we vrijdag aanwezig bij de Leaders in Finance AI Lunch: niet om de waarheid te verkondigen, maar om te luisteren, de lokale context beter te begrijpen en in gesprek te gaan met kredietverstrekkers die AI willen bouwen die in de praktijk ook daadwerkelijk werkt.”
Meer informatie over de Leaders in Finance AI Lunch is hier te vinden.