Wat ik leerde over AI-vertrouwen door meer dan 100 miljard transacties te reconciliëren

Ruim een maand geleden maakte ik deel uit van een panel tijdens AI Everything MEA in Caïro. Samen met twee investeerders en een van de scherpste tech-journalisten in het vakgebied bespraken we vertrouwen, transparantie en verantwoordelijkheid in AI. Ik was de enige 'operator' op het podium: de persoon die de systemen bouwt, in plaats van iemand die ze evalueert op hun investeringsmogelijkheden en levensvatbaarheid.

Ik wil bespreken hoe AI-vertrouwen er vanuit de praktijk werkelijk uitziet.

De vraag die het gesprek veranderde

De moderator, Mike Butcher, stelde een vraag die ik voortdurend hoor: "Waar moeten investeerders op letten bij het evalueren van AI-bedrijven?" De investeerders in het panel — Yehia Houry van Flat6Labs en Abdelrahman Hassan van Enza Capital — gaven doordachte inzichten over governance-frameworks en de geloofwaardigheid van oprichters.

Toen was ik aan de beurt. Ik besloot te beginnen met een verhaal over SMS-kosten en hun impact op het berekenen van Monthly Active Users (MAU).

Bij een financiële instelling zoals de onze verdienen klanten elke maand rente onder voorwaarden die zijn vastgesteld door de Centrale Bank. Aan het begin van elke maand debiteert het systeem de SMS-notificatiekosten voor die periode en boekt het de rente-inkomsten (indien aan de voorwaarden is voldaan). Dit zijn systeemgegenereerde transacties; de klant heeft niets gedaan. Ze hebben de app niet geopend, geen geld overgemaakt en geen aankoop gedaan.

Maar als je definitie van een "maandelijkse actieve gebruiker" (MAU) is: "elke klant met ten minste één transactie", dan verschijnen deze klanten als actief. Dit is wat er vervolgens gebeurt:

• Marketing rapporteert een hoog aantal MAU's aan het bestuur.
• Product kijkt naar dezelfde data en ziet een lage betrokkenheid; de gemiddelde transactiewaarden zijn laag omdat echt actieve klanten worden gemengd met in feite slapende klanten.
• Finance ziet een geheel ander beeld, omdat zij alleen kijken naar activiteiten die omzet genereren, en geen van beide transacties (SMS-kosten of rente) omzet genereerd.

Drie teams. Dezelfde onderliggende data. Drie verschillende verhalen.

En dit is het deel dat relevant is voor AI: als je churn-voorspelling, credit scoring of personalisatie bouwt op basis van deze data, erft de AI de verwarring. De AI behandelt een slapende klant met een SMS-afschrijving alsof deze dagelijks transacties uitvoert. Elk downstream-model neemt beslissingen op basis van een definitie waar niemand het over eens is. Dat is geen modelprobleem; het model doet precies wat je het hebt verteld. Het is een governance-probleem. En het begint bij iets simpels: wat betekent "actief" nu eigenlijk?

Ik merkte dat de sfeer in de zaal veranderde toen ik dit verhaal vertelde. Niet omdat het dramatisch was, maar omdat elke oprichter in het publiek dit ofwel had ervaren, of er momenteel mee kampte.

Hoe governance in onze architectuur werd ingebouwd

Bij Moniepoint verwerken we meer dan 100 miljard transacties via meerdere entiteiten in Nigeria en het Verenigd Koninkrijk. Onze reconciliatiesystemen, onze analyseplatforms en onze financiële rapportage zijn allemaal afhankelijk van betrouwbare data. Maar we begonnen niet met een governancestrategie; we begonnen met een beperking.

In Nigeria hebben de meeste banken geen API's die het transactievolume dat wij verwerken aankunnen. Daarom moesten bankafschriften handmatig worden geüpload in ons reconciliatiesysteem. Dat creëert direct een vertrouwensprobleem: als dezelfde persoon die een afschrift uploadt het ook goedkeurt, is er geen verificatie. Daarom bouwden we een maker-checker systeem: de uploader mag niet de goedkeurder zijn.

Dat was geen beslissing op basis van compliance, maar een operationele noodzaak. Maar het vestigde een principe dat doorsijpelde in alles wat we daarna bouwden. Settlement-rapporten, die de visie van de bank op een transactie vertalen naar een vorm die vergelijkbaar is met onze interne records, hebben hetzelfde niveau van traceerbaarheid. Wanneer ons systeem een transactie automatisch reconcilieert, wordt niet alleen de match vastgelegd, maar ook welke pipeline de beslissing heeft genomen en wie die pipeline heeft gebouwd. Als een data-engineer de tagging-logica heeft gemaakt en die logica een transactie op een bepaalde manier heeft gecategoriseerd, kun je dat terugtraceren. De uitkomst bestaat omdat deze pipeline, gebouwd door deze persoon, deze logica gebruikte.

Elke transactie bij Moniepoint heeft een volledige chain of custody (bewakingsketen). Van het moment dat iemand betaalt bij een terminal, via de settlement en reconciliatie, tot aan ons ERP-systeem voor financiële rapportage en analyses. Ik zie het als het leven van een transactie. Verwijder één fase, en de harmonie slaat om in ruis.

We hebben dit niet gebouwd omdat een toezichthouder ons dat vertelde. We bouwden het omdat de Nigeriaanse bankinfrastructuur ons geen keuze liet. Nu de wereld vraagt om AI-governance, traceerbaarheid, verantwoordelijkheid en menselijk toezicht, zijn we al ver op weg. Niet alleen omdat we visionair waren, maar omdat de beperkingen ons dwongen tot een goede architectuur.

Het SQL-probleem waar niemand over praat

In elke groeiende organisatie komt er een moment waarop data centraal komt te staan in hoe mensen hun werk doen. Bij Moniepoint gebeurde dat toen ons financieel team groeide. Iedereen had antwoorden nodig uit de data. De standaardoplossing leek voor de hand hand liggend: leer SQL, schrijf je eigen queries en haal je eigen cijfers op. En dat werkte. Voor een tijdje.

Wat er vervolgens gebeurde was dit: finance-professionals, experts die zijn aangesteld om trends te analyseren en strategieën te bepalen, besteedden uren aan het schrijven van SQL-queries, het oplossen van table joins en het bepalen van welke van de drie tabellen de juiste omzetdata bevatten. Ze werden tactisch in plaats van strategisch. En erger nog: tien analisten die hun eigen queries schreven tegen dezelfde data, met elk een net iets andere logica, kregen net iets verschillende antwoorden. Hetzelfde fragmentatieprobleem als in het MAU-voorbeeld, maar dan vermenigvuldigd over het hele team.

Toen realiseerden we ons dat het antwoord niet was om iedereen SQL te leren. Het antwoord was het bouwen van een laag waar de data al is beheerd (governed), al is gedefinieerd en toegankelijk is zonder code te schrijven. Dat is wat ons dreef om een conversationele analyse-interface te bouwen, waarbij een teamlid van Finance in gewoon Engels kan vragen: "Wat is de omzet van deze maand per entiteit?" en een betrouwbaar antwoord krijgt.

Maar — en dit is het cruciale punt dat ik op het podium maakte — onze conversationele interface werkt alleen omdat de governancelaag eronder ligt: de canonieke definities, de data-lineage en het gedeelde vocabulaire. Zonder governance is een conversationele AI-interface slechts een chatbot die slechte SQL-queries sneller schrijft. Governance is geen feature van de AI; governance is wat AI mogelijk maakt.

Wat AI werkelijk doet (en waarom het governance nodig heeft)

Tijdens het panel merkte ik één ding op: wanneer mensen praten over "AI in fintech", denken ze vaak aan chatbots of credit scoring-modellen. De realiteit is, althans in onze wereld, infrastructureler en minder glamoureus.

Ons systeem reconcilieert dagelijks automatisch miljoenen transacties door interne records te matchen met bankdata. Het identificeert, categoriseert en lost vaak uitzonderingen op zonder menselijke hulp. Elke automatische match is volledig controleerbaar: we leggen de besluitvormingspipeline, de logica en de data vast. Hierdoor kunnen we elke onjuiste match terugvoeren naar de falende regel of specifieke data, in tegenstelling tot het vertrouwen op ondoorzichtige AI-outputs.

Traceerbaarheid stelt ons in staat om de automatisering te vertrouwen. Zonder dit zouden mensen elke transactie moeten controleren, wat op deze schaal onmogelijk is. Met traceerbaarheid controleren mensen alleen de uitzonderingen — de gevallen die de AI als onzeker heeft gemarkeerd — terwijl ze erop vertrouwen dat de geautomatiseerde beslissingen herleidbaar en omkeerbaar zijn.

Hetzelfde principe geldt verderop in de keten. Onze frameworks voor omzet- en kostenborging valideren continu of transacties correct zijn geclassificeerd en of bedragen correct tussen entiteiten stromen. Onze conversationele interface vertaalt natuurlijke taalvragen naar gestructureerde queries. Elke laag van AI-functionaliteit rust op dezelfde governance-fundering. Verwijder de traceerbaarheid en je hebt een black box die miljarden naira verwerkt. Voeg het toe, en je hebt een controleerbaar, uitlegbaar systeem dat een toezichthouder, investeerder of auditor kan bevragen.

De eerlijke reis

Het moment tijdens het panel waarop ik me het kwetsbaarst voelde, was toen ik werd gevraagd of oprichters een gepolijst of een eerlijk governance-verhaal moeten presenteren.

Ik koos voor eerlijk.

Ik vertelde de zaal dat de AI-mogelijkheden van Moniepoint begonnen in verschillende teams, waarbij mijn team (Finance Systems) tot de vroege gebruikers behoorde. We identificeerden operationele problemen die op onze schaal niet handmatig konden worden opgelost en bouwden oplossingen: reconciliatie-automatisering, conversationele analyses en omzetborging. Deze werken, ze zijn in productie en ze verwerken echt geld.

Maar ze waren gebouwd voor één domein. De definities, de datapipelines en de governance dienden Finance. Toen we organisatiebreed keken, zagen we dat andere teams hun eigen versies bouwden, met hun eigen definities en aannames. De AI werkte in elk silo, maar het vormde geen geheel over het bedrijf heen. Daarom doen we nu het moeilijkere werk: het bouwen van een enterprise data-framework dat definities, governance en datastandaarden centraal stelt voor de hele organisatie. Het is nog geen voltooid verhaal; het is een actief project.

Ik zei op het podium: "De meeste bedrijven pitchen Fase 3 terwijl ze in Fase 1 leven. Ze verkopen een visie van totale AI-governance terwijl hun interne teams nog discussiëren over welk spreadsheet de 'source of truth' is. Bij Moniepoint zitten we stevig in Fase 2: het bouwen van het fundament. Het is niet glamoureus, het is moeilijk, en het is de enige reden waarom onze AI de rekenkracht die het verbruikt waard is."

De investeerders in het panel bevestigden dit onmiddellijk. Beiden gaven aan dat ze liever een eerlijk verslag horen van waar een bedrijf staat en waar het naartoe gaat, dan een gepolijst verhaal dat uit elkaar valt tijdens de due diligence. Een van hen maakte een punt dat ik me zal herinneren: een bedrijf dat zijn tekortkomingen kan verwoorden, heeft een plan om deze op te lossen.

De "Operator's Audit": 3 vragen die elke AI-investeerder moet stellen

Als je een AI-bedrijf evalueert — of een bedrijf dat claimt te groeien door AI — negeer dan de pitchdeck. Stel in plaats daarvan deze drie vragen. Ze vertellen je meer over de levensvatbaarheid van het bedrijf dan welke nauwkeurigheidsbenchmark dan ook.

1. De "Triangulatie"-test

De vraag: "Laat me je omzet- (of MAU-) statistieken zien in drie verschillende dashboards: Finance, Product en het bestuursrapport."

• Het doel: Als de cijfers overeenkomen, hebben ze Data Governance.
• De rode vlag: Als de cijfers verschillen en het team tien minuten besteedt aan het uitleggen "waarom de logica voor Marketing anders is", hebben ze geen AI-probleem — ze hebben een waarheidsprobleem. Je kunt geen betrouwbare AI bouwen op een gefragmenteerde waarheid.

2. De "Semantische" test

De vraag: "Wie is eigenaar van de definitie van 'Actieve Gebruiker' of 'Omzet'?"

• Het doel: Je zoekt naar één bron van verantwoordelijkheid — een "Data Steward" of een gecentraliseerde governancelaag.
• De rode vlag: Als het antwoord is "dat hangt ervan af" of "we weten het allemaal ongeveer", dan heeft het bedrijf geen data governance, maar data-meningen. AI getraind op meningen is niets meer dan een high-speed hallucinatiemachine.

3. De "Post-Mortem" test

De vraag: "Vertel me over de laatste keer dat jullie data onjuist was. Hoe hebben jullie dat ontdekt en wat was de 'Chain of Custody' voor de correctie?"

• Het doel: Echte governance vereist traceerbaarheid. Een volwassen bedrijf kan wijzen naar de specifieke pipeline, de specifieke logica en de specifieke persoon die het heeft gecorrigeerd.
• De rode vlag: Een bedrijf dat zegt "onze data is nooit fout" heeft ofwel niet op schaal uitgerold, of kijkt niet goed. Als ze een fout niet kunnen traceren, kunnen ze een inzicht niet vertrouwen.

Governance is de motor, niet de rem

Als er één idee is dat ik wil dat mensen meenemen, dan is het dit: governance is geen overhead. Het is geen compliance-kost. Het is geen vakje dat je afvinkt voor toezichthouders.

Governance is de technische discipline die alles overigens mogelijk maakt. AI-mogelijkheden, investeerdersvertrouwen, naleving van regelgeving en operationele schaalbaarheid — dit alles rust op de vraag of je data beheerd is, je beslissingen traceerbaar zijn en je definities gedeeld worden.

Bedrijven die dit vanaf dag één in hun architectuur inbouwen, vermijden niet alleen reguliere risico's; ze bewegen sneller dan anderen wanneer het tijd is om AI te implementeren. Hun teams stellen vragen en krijgen consistente antwoorden. Hun modellen worden getraind op data die betekent wat het zegt. Hun audits zijn eenvoudig omdat de traceerbaarheid al bestaat.

Concurrenten die de governancestap hebben overgeslagen, moeten dit nu achteraf toevoegen (retrofitting). En governance toevoegen aan systemen die daar nooit voor zijn ontworpen is duur, traag en fragiel. Wij hebben dit op de harde manier geleerd, door de beperkingen van de Nigeriaanse bankinfrastructuur en de operationele eisen van het verwerken van meer dan 100 miljard transacties. De beperkingen dwongen ons tot een goede architectuur. De architectuur maakte AI mogelijk. En de AI, gebouwd op beheerde data, is betrouwbaar — niet omdat we dat zeggen, maar omdat iedereen elke beslissing kan terugvoeren naar de bron.

Dat is hoe vertrouwen eruitziet. Niet een pitchdeck. Niet een beleidsdocument. Maar een productiesysteem waar elke transactie een levensverhaal heeft, en waar je dat verhaal van begin tot eind kunt lezen.

***

Over de auteur Wole Olorunleke is Vice President, Finance Systems bij Moniepoint, waar zijn team de systemen bouwt die meer dan 100 miljard transacties in Nigeria en het Verenigd Koninkrijk verwerken en reconciliëren.