De ontwikkelingen rondom kunstmatige intelligentie (AI) gaan razendsnel. Hoewel veel bedrijven nog in de verkennende fase zitten, zien we dat AI in steeds meer bedrijfsprocessen wordt toegepast. Binnen (minnelijke) incasso is PAIR Finance een partij die gespecialiseerd is in het gebruik van AI met als doel om de effectiviteit van het incassoproces te verhogen en de klantbeleving significant te verbeteren. In dit interview spreekt de redactie van Credit Expo met Stephan Stricker, CEO en oprichter van PAIR Finance, en Maxime Kaniewicz, Head of Data Science bij PAIR Finance, over incasso en het gebruik van AI.
Hoe zie je het gebruik van AI in de incassobranche in de komende jaren? Wat is jouw visie?
Stephan Stricker: “Kunstmatige intelligentie staat op het punt incasso voor altijd te veranderen. Het potentieel voor onze branche is enorm en zowel bedrijven als consumenten zullen profiteren van de grote veranderingen. De een zal sneller geholpen worden bij het vinden van oplossingen, de ander zal sneller zijn geld terugkrijgen. AI-First wordt de norm en incasso wordt efficiënter dan ooit tevoren.”
Wat zijn volgens jou de belangrijkste ontwikkelingen op het gebied van AI, vooral als het wordt toegepast op credit management en incasso? Wat zijn de nieuwste AI-ontwikkelingen die worden ingezet in de oplossing van PAIR Finance?
Stephan Stricker: “AI ontwikkelt zich in een exponentieel tempo. Tegelijkertijd richten we ons als fintechbedrijf op tastbare en meetbare doelen en kijken we vooruit naar de komende 12 tot 24 maanden. De grootste sprong in technologie en innovatie op dit moment is de verandering die generatieve AI teweegbrengt in de klantenservice. Het is het begin van een nieuw tijdperk op het gebied van efficiëntie en klantgerichtheid. Bij PAIR Finance herkennen taalmodellen al zelfstandig de wensen van consumenten en nemen ze taken op zich zoals het beantwoorden van vragen van consumenten. Voor het eerst is het mogelijk om realtime te reageren op verzoeken van consumenten – een mijlpaal voor PAIR Finance en de hele branche. We bereiken een toename in de verwerking van vragen van >400%. Ik ben er dan ook van overtuigd van dat generatieve AI zich zal vestigen als een productiviteitstool in de klantenservice.
AI helpt ons echter ook om sneller te worden dan alleen bij het specifieke product “incasso” – dit geldt voor alle gebieden van het bedrijf. Zelfs buiten het eigenlijke product maakt AI het mogelijk om grote efficiëntievoordelen te behalen. Real-time-translation, dus in real time reageren op vragen van klanten zonder de taal te hoeven spreken.”
PAIR Finance gebruikt reinforcement learning (RL) als de kern/basis AI-technologie om beslissingen te nemen op het gebied van tijd, tonaliteit, communicatiekanaal, betaalmethode, enzovoort. Dit gebeurt in een strikt gedefinieerde omgeving/context. Tegenwoordig worden ook steeds vaker Large Language Models (LLM’s) gebruikt. Denken jullie er al over om RL/ML te combineren met LLM’s? Hoe zal dit het gebruik van jullie incassodienstverlening beïnvloeden?
Maxime Kaniewicz: “We zien tegenwoordig inderdaad dat steeds meer mensen alleen nog maar aan LLM’s denken wanneer ze AI-projecten willen implementeren. Er zijn echter nog steeds gebieden waar LLM’s, ondanks hun vooruitgang, niet geschikt voor zijn. Vooral bij numerieke voorspellingen blijven klassieke Machine Learning (ML) methoden veel beter dan LLM’s. Daarom zullen we onze reinforcement learning-modellen blijven gebruiken om de optimale communicatiestrategieën te kiezen< Daarnaast we hebben we ideeën over hoe we deze nog verder kunnen verbeteren. Toch zien we ook mogelijkheden om onze bestaande RL-algoritmen te verbeteren met input van LLM’s. Het zou bijvoorbeeld mogelijk zijn dat LLM’s zelf de toon van de berichten van consumenten samenvatten, zodat onze communicatie via Reinforcement Learning nog beter kan worden afgestemd op de specifieke kenmerken van de consument.”
Over LLM’s: welke gevaren en kansen zien jullie in het gebruik van deze technologie?
Stephan Stricker: “We willen enablers zijn, wat betekent dat we mensen sneller uit de schulden helpen, wachttijden verkorten, zaken in de minnelijke fase oplossen en dure gerechtelijke kosten voorkomen. LLM’s zijn hier zeer relevant. In onze klantenservice krijgen we te maken met een repetitieve reeks vragen, bijvoorbeeld het verzoek om een betalingsregeling, een betalingspauze of een verwijzing naar identiteitsfraude. Een dergelijke intentie is voor een taalmodel eenvoudig te leren en te herkennen. Het antwoord zelf hoeft echter niet te worden gecreëerd door de AI-agent. Het heeft toegang tot voorgedefinieerde templates en selecteert het antwoord dat past bij de vraag en de individuele klant.
LLM’s ontlasten dus onze customer support medewerkers. Zij kunnen zich richten op complexe vragen en uitdagende onderwerpen. En consumenten hebben binnen zeer korte tijd een antwoord. Een paar maanden geleden zou dat ondenkbaar zijn geweest.
Als het gaat om risico’s, moet je rekening houden met hoe autonoom de AI-agenten opereren. We gebruiken LLM’s in een zeer gecontroleerde omgeving. Dit betekent dat de AI niet automatisch communiceert met consumenten. In dit geval is de kans op fouten klein.”
Kun je het verschil uitleggen tussen traditioneel machine learning en generatieve AI (GenAI)? Wat kunnen grote taalmodellen (LLM) doen dat conventionele ML-methoden niet kunnen?
Maxime Kaniewicz: “Generatieve AI is in wezen een speciale vorm van machinaal leren. In conventionele ML-modellen is het doel om een bepaalde waarde of waarschijnlijkheid te voorspellen. De kenmerken die leiden tot de beslissing zijn hier cruciaal: je probeert het verband te vinden tussen kenmerken en het beoogde resultaat. Het doel van GenAI is vergelijkbaar, omdat waarschijnlijkheden ook als output worden berekend. Het belangrijkste verschil is echter dat GenAI-modellen (waaronder LLM’s) niet ontworpen zijn om een specifiek resultaat te voorspellen, maar om vrij inhoud te genereren door opeenvolgend het volgende woord, de volgende pixel of geluidsfrequenties met de hoogste waarschijnlijkheid te kiezen. Terwijl traditionele ML-modellen getraind worden op specifieke gegevens om nauwkeurige resultaten te leveren, heeft GenAI toegang nodig tot enorme hoeveelheden gegevens om te leren, vaak op internetniveau (Red.: duizenden interacties per seconde). LLM’s zijn daarom veel krachtiger dan conventionele ML-modellen als het gaat om het creëren van vertalingen, samenvattingen of geschreven antwoorden.””
Denk je dat het gebruik van AI bij incasso uiteindelijk menselijke interactie overbodig zal maken?
Stephan Stricker: “Nee. Ik denk eerder dat de interactie tussen technologie en mensen volledig nieuwe mogelijkheden zal openen. In het algemeen zal de “First Level Support”, die tot nu toe eenvoudige vragen beantwoordde, bijna volledig worden vervangen door taalmodellen. Hooggekwalificeerde AI-agenten zullen in staat zijn om vragen van consumenten snel en accuraat te beantwoorden – 24/7 en in talloze talen.
Als een vraag niet kan worden beantwoord, worden consumenten naadloos doorgeschakeld naar menselijke agenten. Maar we zullen de toepassing van AI ook zien in het “Second- and Third Level Support”. In de toekomst zal generatieve AI steeds complexere taken op zich kunnen nemen waarvoor menselijke empathie of gespecialiseerde kennis nodig is. Wachttijden zullen korter worden en het vinden van oplossingen zal enorm versneld worden. Er is een geweldige quote: ‘Je zou blij moeten zijn als je een baan hebt die wordt beïnvloed door AI’. Ik denk dat hier onverslaanbare teams van mensen en AI zullen ontstaan.”
Wat zijn jullie volgende plannen, welke nieuwe functies en mogelijkheden zijn er gepland voor de AI-assistent?
Stephan Stricker: “De volgende plannen omvatten multimodale verwerking (gelijktijdige analyse van tekst en afbeeldingen, bijvoorbeeld bijlagen of brieven) en mogelijk de integratie van telefoongesprekken. Deze functies gaan de interactiviteit en functionaliteit van de AI-agent aanzienlijk uitbreiden.”
Incasso omvat zeer persoonlijke gegevens. Welke rol speelt de EU AI Act voor incassobedrijven?
Stephan Stricker: “De AI Act speelt een belangrijke rol voor incassobedrijven die AI gebruiken. Het reguleert het gebruik van AI op een vergelijkbare manier als de AVG. Vooral bij het verwerken van gevoelige gegevens moeten alle AI-Use Cases worden beoordeeld op basis van risicoklassen.
Je moet dus inzicht krijgen in het risiconiveau van je eigen AI-systemen en vervolgens nagaan aan welke eisen ze moeten voldoen. Vervolgens is het nodig om AI-governance op te zetten binnen het bedrijf om de ontwikkeling en het gebruik van kunstmatige intelligentie te reguleren. Dan komt de implementatie. Voor ons is dit geen probleem, omdat gegevensbescherming en een solide AI-governance belangrijke onderdelen zijn van onze manier van werken.”
Jullie zijn nu ruim een jaar op de Nederlandse markt actief. Hoe kijken Nederlandse consumenten aan tegen hun financiële verantwoordelijkheid en het gebruik van digitale tools in vergelijking met andere Europese landen?
Maxime Kaniewicz: “We ondersteunen veel van onze klanten naast Nederland ook in andere markten, wat de vergelijking vereenvoudigt. Wat erg opvalt is, dat consumenten in de Nederlandse markt veel digitaler zijn dan in andere Europese landen. Enerzijds betekent dit dat ze vaker dan elders onze digitale communicatiekanalen gebruiken, maar ook dat ze een sterke voorkeur hebben voor digitale betaaloplossingen. Ook lijkt er in Nederland een grotere bereidheid te zijn om grotere bedragen in termijnen terug te betalen.”
Hoe ondersteunt PAIR Finance mensen bij incasso?
Stephan Stricker: “Ik heb PAIR Finance opgericht om een industrie te veranderen en incasso volledig opnieuw te bekijken. Als we het als maatschappij makkelijker maken voor mensen om toegang te krijgen tot krediet, dan moeten we het ook makkelijker maken voor consumenten om van schulden af te komen. Helaas zorgt het gebrek aan innovatie in incasso ervoor dat de branche vast blijft zitten. Dit is waar wij om de hoek komen kijken met onze AI-technologie.
Wij zijn het enige incassobedrijf dat geen gebruik maakt van outbound bellen. Op onze betaalpagina kunnen klanten zelf bepalen hoe en wanneer zij betalen. Dat is erg belangrijk voor ons. We richten ons op een individuele digitale benadering, die optimaal is afgestemd op de behoeften van elke persoon. Dit doen we met behulp van reinforcement learning. Ook inzichten uit gedragswetenschappen vloeien voortdurend in onze communicatie, waarbij we rekening houden met zes dimensies: kanaal, toon, timing, oplossing, stijl en frequentie. Bovendien bieden we consumenten veel keuzemogelijkheden om hun openstaande vordering te betalen- van Apple Pay tot iDEAL.
Als technologiebedrijf ondersteunen we daarnaast onze zakelijke klanten ook met uitgebreide data en bruikbare inzichten.”
PAIR Finance is hoofdsponsor van Credit Expo 2024, dat op donderdag 7 november in 1931 Congrescentrum in ‘s-Hertogenbosch zal plaatsvinden. Wilt u meer weten over PAIR Finance neem dan contact op via de website. Wilt u persoonlijk kennismaken met PAIR Finance en hun presentatie bijwonen, breng dan een bezoek aan Credit Expo op 7 november 2024. Wilt u over dit onderwerp dieper in discussie gaan, geef u dan op voor de PAIR Finance rondetafelsessie en stuur een e-mail naar info@creditexpo.nl onder vermelding van “PAIR Finance rondetafelsessie Credit Expo 2024”. U kunt u hier kosteloos registreren (mits u tot de doelgroep behoort).
Bron: Credit Expo
