De term AI (artificial intelligence, kunstmatige intelligentie) wordt te pas en te onpas gebruikt. Het wordt gebracht als de heilige graal, de oplossing die ieder product beter maakt. Terwijl er bij veel producten geen sprake is van AI zoals een OpenAI of Mistral. In werkelijkheid is het vaak niet meer dan een algoritme of ze gebruiken een bestaand model. Hoe verhoudt zich dat tot credit management? Is AI relevant en toepasbaar voor credit management of komt het op dezelfde stapel als de big data hype?
Het doel van AI is dat een machine menselijke intelligentie kan nabootsen. Om dat te bereiken is veel data nodig en AI zoals we die kennen van ChatGPT (OpenAI) werkt op basis van Large Language Models (LLM’s).
Het trainen van een LLM kost veel rekenkracht, en daarmee energie. En hoe groter een LLM, hoe meer het kost. Het trainen van ChatGPT 4 kostte waarschijnlijk zo’n $ 100 miljoen. De opvolger, ChatGPT 5, zal veel meer parameters bevatten en dus groter zijn. Daarmee stijgen de kosten ook en die worden geschat tussen de $ 1,7 en $ 2,5 miljard. Je kunt nagaan dat dit soort investeringen voor de meeste organisaties onhaalbaar zijn.
Veel van de huidige AI-toepassingen die bedrijven ontwikkelen, gebruiken daarom bestaande modellen van partijen als OpenAI en Mistral of open source modellen zoals Llama van Meta.
Voordelen van open source modellen zijn dat je ze op eigen hardware kunt draaien en kunt aanpassen en trainen voor specifieke toepassingen. De kosten voor het trainen van een aangepast model zijn afhankelijk van de aanpassingen en het gebruikte model. Een valkuil bij het trainen is de vraag of je voldoende data hebt om het model te trainen. Een bijkomend voordeel van een eigen model hosten is dat je volledige controle hebt over de privacy.
Wanneer we naar credit management kijken dan is de vraag of AI de oplossing is voor een bestaand probleem en zo ja, of het de beste oplossing is. Stel een debiteur krijgt een aanmaning en kan niet in één keer betalen. Je kunt in die aanmaning een link opnemen, zodat de debiteur online een betalingsregeling kan treffen. Die link kan leiden naar een AI Chatbot of een formulier op een webpagina. Laten we kijken naar het verschil in stappen van de geboden oplossing.
Optie 1: AI Chatbot
Het volgende is een denkbeeldig, maar realistisch, scenario voor het afsluiten van een betalingsregeling via een AI-chatbot.
- De debiteur klikt op link.
- Er opent een webpagina met een chatbot.
- Chatbot: hoe kan ik helpen?
- Debiteur: ik wil graag in termijnen betalen.
- Chatbot: wat is de reden waarom je niet kunt betalen?
- Debiteur: ik heb onverwachte uitgaven.
- Chatbot: heb je meer achterstanden?
- Debiteur: ja.
- Chatbot: …
Deze conversatie kan zo nog even doorgaan. Het doel lijkt bijna dat de debiteur veel informatie geeft in plaats van dat ze snel een betalingsregeling kan afsluiten.
Optie 2: webformulier
Bij een webformulier werkt het anders. Je krijgt dan bijvoorbeeld onderstaande stappen.
- De debiteur klikt op link.
- Er opent een portal (webpagina) met een overzicht van de facturen en een aantal reactiemogelijkheden zoals het afsluiten van een betalingsregeling.
- Debiteur selecteert de optie betalingsregeling en voert in wat ze per maand kan betalen.
- De portal beoordeelt of de hoogte van de aflossing binnen de gestelde grenzen valt en komt met een van de volgende reacties:
- De betalingsregeling is goedgekeurd en je ontvangt een bevestiging per e-mail.
- Je verzoek is ontvangen en wordt beoordeeld. Je hoort op korte termijn van ons.
Het bovenstaande kost een debiteur minder tijd en daarmee vergroot je de kans op succes. Met deze werkwijze hoeft een medewerker alleen naar de echte uitzonderingen te kijken. Je automatiseert daarmee een groot deel van de werkzaamheden en maakt het voor de debiteur makkelijker.
Het beoordelen van de aangevraagde betalingsregeling gebeurt in het voorbeeld op basis van een simpel algoritme. Deze bevat de volgende parameters:
- Heeft de debiteur vaker een betalingsregeling gehad en is die nageleefd?
- Wat is het aantal termijnen?
- Wordt de eerste termijn binnen een acceptabele periode betaald?
De kaders waarin het algoritme iets goedkeurt kan per type debiteur en organisatie verschillen. Dit noemen wij geen AI, wel kan het historische informatie gebruiken bij de beoordeling.
Op vergelijkbare manier kan een systeem beoordelen wat de best passende actie is binnen het incassoproces. Dit kan op basis van locatie, leeftijd, historisch betalingsgedrag en meer. Of je gebruikt dit bij het bepalen van de juiste communicatievorm waar we eerder over schreven. Ook hier kun je AI een rol in laten spelen. Denk aan het opstellen van teksten en reacties om het proces meer adaptief te maken.
Een betalingsregeling heeft een beperkt aantal parameters en daarom denken we dat een webformulier daar geschikter voor is dan een AI-chatbot. Dat was ook respons van mensen die we daarvoor interviewden. Voor complexere processen kan het wel een uitkomst zijn. Zo zet Klarna AI succesvol in voor customer service chats.
Buiten Klarna om zijn er tal van andere voorbeelden van waar AI veelbelovend is. Bijvoorbeeld bij het opsporen van kanker, zoals je in dit artikel kunt lezen.
Een ander gebied waar AI al veel betekent, is programmeren. Voor mensen is het lastig om de details van een groot aantal programmeertalen en frameworks te onthouden. Voor AI is dat geen probleem. Met de juiste instructie levert het snel code op en bespaar je tijd. Een programmeur controleert vervolgens de opgeleverde code, vult het misschien aan, en verwerkt het verder.
AI biedt dus kansen, het is alleen niet het antwoord op alles en niet alles wat als AI verkocht wordt is AI. En het aanpassen en trainen van een open source modellen is voor de meeste organisaties niet haalbaar. Voor nu stellen we daarom dat AI in credit management bij het overgrote deel van de bedrijven AI een hype is. Richt je op de simpele algoritmes waarmee je snel relatief grote stappen maakt.
p.s. Over een jaar kan onze conclusie totaal anders zijn, want de ontwikkelingen hebben een hoog tempo.