01 / 05
De uitdaging
LendDesk was een twee jaar oude consumentenkredietverstrekker die zo'n 400 kredietaanvragen per week verwerkte met een mix van een legacy beoordelingstool en een klein team analisten. Elke aanvraag duurde van begin tot eind 26 uur. De ambitie van de oprichter was het volume te verdubbelen zonder het team te verdubbelen — wat betekende dat elke stap in het proces geautomatiseerd, controleerbaar of geschrapt moest worden.
Er waren drie echte knelpunten: analyse van bankfeeds (tijdrovend, mensenwerk), narratieve samenvattingen (analisten die steeds dezelfde alinea's schreven) en beslissingen over grensgevallen (aanvragen die niet duidelijk goed te keuren of af te wijzen waren en aandacht van een senior analist vroegen).
02 / 05
Onze aanpak
We bouwden in Laravel een originatieplatform als system of record — elke aanvraag, elk document, elke beslissing, elk auditevent. Daarbovenop koppelden we drie gerichte AI-mogelijkheden: een gefinetunede classifier voor bankfeeds (PyTorch, intern gehost), een generator voor narratieve samenvattingen (OpenAI, aangestuurd tegen een vast schema met menselijke review) en een verklaarder voor grensgevallen die de drie belangrijkste risicofactoren van elke twijfelachtige aanvraag toont.
Cruciaal: de AI nam nooit de beslissing. Elke geautomatiseerde aanbeveling ging vergezeld van een paneel met uitleg; een mens ondertekende altijd de definitieve goedkeuring of afwijzing. Zo bleef de risk officer van de oprichter gerust en, belangrijker nog, bleven we in lijn met de richtlijnen van de toezichthouder voor modelondersteunde beoordeling.
03 / 05
Belangrijke beslissingen
We hostten de classifier voor bankfeeds zelf. Het volledige bankafschrift van een klant naar een externe LLM sturen was geen optie — zowel om regelgevingsredenen als omdat het vertrouwen van klanten voor de oprichter echt op het spel stond. Een gefinetuned open-sourcemodel op een kleine GPU-server leverde 96% classificatienauwkeurigheid op, tegen een fractie van de draaikosten.
Elke AI-aanroep was gestructureerd. Geen vrije prompts, geen verzonnen velden. De generator voor narratieve samenvattingen ontvangt gestructureerde JSON en geeft gestructureerde JSON terug volgens een schema. Guardrails vangen afwijkingen op; een nachtelijke evaluatiesuite signaleert regressies.
We koppelden Chargebee voor de abonnementsadd-ons (premium aflossingsplannen, aanvullende verzekeringen). De dunningladder van Chargebee haalde in de eerste maand 4,2% van de omzet die risico liep terug — pure marge.
04 / 05
Wat er veranderde
De beoordelingstijd daalde van 26 uur naar 13,5 — een reductie van 48%. Het aantal aanvragen verdubbelde binnen vier maanden zonder extra personeel. Het risicoprofiel van goedgekeurde leningen is ongewijzigd: het wanbetalingspercentage blijft binnen 2 basispunten van het niveau van vóór de automatisering. De PCI-DSS-review werd afgerond zonder blokkerende bevindingen; SOC-2 Type 1 staat gepland voor Q2.
05 / 05
Waar we naartoe gaan
We bouwen een kredietassistent voor klanten — een chatinterface op dezelfde AI-infrastructuur — die aanvragers helpt begrijpen welke documenten ze nodig hebben en waarom. Eerste experimenten laten zien dat het aantal voltooide aanvragen met 22% stijgt.
