Duurzaam AI voor datakwaliteit bij Triodos Bank

Achtergrond

Triodos Bank is een duurzame bank in Nederland. Voor mijn masterthesis werkte ik samen met Triodos aan de verkenning van duurzame AI-praktijken. Financiele instellingen zetten AI in om snelheid en throughput in risico- en data-operaties te verhogen. Bij Triodos moest die kans in balans blijven met duidelijke waarden: duurzaamheid, transparantie en menselijke verantwoordelijkheid.

Samen met Triodos onderzocht ik hoe datakwaliteitsworkflows konden worden herontworpen van gefragmenteerde lokale praktijken naar een gedeeld platform. Het resultaat is een concept voor de Triodos Data Hub, een collaboratieve omgeving met AI-gedreven data-assistenten voor validatie van adressen en bedrijfsdocumenten.

Probleemstelling

Onderzoeksvraag: Hoe ontwerpen we een duurzame oplossing om datamanagement over Triodos data handlers te optimaliseren, met hogere en consistenteren datakwaliteit als resultaat?

Path to research question Het proces dat leidde tot de onderzoeksvraag.

Het bestaande proces was vooral reactief en leidde per afdeling tot verschillende validatiemethoden. Problemen werden vaak pas zichtbaar na impact op klanten, wat resulteerde in kwaliteitssignalen van toezichthouders. Een kernobservatie was dat veel handmatige stappen fouten konden veroorzaken, waardoor de vraag ontstond of AI bepaalde taken betrouwbaarder kan uitvoeren. Als we menselijke fouten in deze processen kunnen verminderen, wordt data in theorie betrouwbaarder.

Current data flow De huidige dataflow toont een versnipperd proces met meerdere knelpunten.

AI introduceren bracht ook risico's met zich mee: Triodos is gebouwd op duurzaamheidswaarden en wil een schone bank zijn, iets dat sterk terugkomt in hun werkwijze. Dat zorgde voor een centrale design-spanning: efficientie en consistentie verhogen zonder kritische menselijke beoordeling of Triodos-waarden op te offeren.

Kansen

Interviews bevestigden de behoefte aan geautomatiseerde ondersteuning. Medewerkers gaven aan dat veel handmatig werk en menselijke fouten tot twijfelachtige workflows leiden. AI in banking wordt vaak als een efficientiewedloop gepositioneerd. Voor Triodos ontstond juist een strategische kans: een datakwaliteitsworkflow bouwen die consistentie en snelheid verbetert en tegelijk een hogere standaard zet voor duurzaamheid, transparantie en gebruikerscontrole.

In plaats van AI als vervangingslaag te behandelen, lag de kans in een collaboratief systeem waarin AI data handlers ondersteunt en waarin waarde-afstemming meetbaar wordt via dagelijkse interactiepatronen.

Interview outcomes Gecategoriseerde interviewinzichten legden meerdere risico's en kansen bloot voor datagedreven oplossingen.

Onderzoek & ontwikkeling

Met de onderzoeksinzichten startte de ideatiefase. Via meerdere methoden (provocations, SCAMPER, reversed assumptions, alternative scenario's) ontwikkelden we 136 oplossingsrichtingen. Die zijn met convergerende methoden (Four Categories, Now Wow How Ciao) teruggebracht naar 14 richtingen. Met een waardenmatrix zijn hieruit vier opties geselecteerd voor verdere ontwikkeling. Deze opties zijn uitgewerkt in prototypes, waarna in samenwerking met data stewards via een value assessment scale een eindrichting is gekozen op basis van de kernmetrics: duurzaamheid, transparantie, controle, vertrouwen en efficientie.

SCAMPER Outcomes SCAMPER-uitkomsten als ideegenerator, niet als directe eindoplossingen.

De gekozen richting werd de "Triodos Data Hub", een datagedreven, op GitHub geinspireerd platform waar teams samenwerken aan het oplossen van dataproblemen. Issues kunnen worden gemarkeerd door customer support en compliance administrators, zodat duidelijk is waar werk nodig is.

Initial Dashboard Het eerste dashboardontwerp, gebruikt om de eindrichting met stakeholders te valideren.

Een belangrijk kantelpunt ontstond tijdens usability testing: er trad duidelijk algorithmic overreliance op. Gebruikers accepteerden AI-output vaak te snel omdat ze systeemkeuzes als waarschijnlijk correct zagen. Om dit te doorbreken introduceerde de workflow cognitive forcing functions en verschoof de interactiestijl naar AI-in-the-loop, waarbij gebruikers actief moeten reviewen en valideren voor verzending.

Initial Data Handling Eerste flowchart van het geautomatiseerde systeem, waarin gebruikers alleen goedkeuren of afwijzen.

Om dit gedrag tegen te gaan, kreeg het project een andere richting. We kozen ervoor dat het algoritme de output van de medewerker valideert. Dit is minder efficient dan AI alles laten doen, maar houdt gebruikers kritisch bij gevoelige informatie zoals adresgegevens.

Overreliance intervention In het nieuwe proces valideert AI de gebruikersinput nadat de medewerker zelf een voorstel invoert.

Algoritmeontwikkeling

Om terug te koppelen naar de duurzaamheidsmissie van Triodos, woog energieverbruik zwaar mee in de keuze voor algoritmes achter bepaalde data-helpers. In dit scenario heb ik meerdere OCR-modellen onderzocht om het meest energiezuinige model te vinden. Voor soevereiniteit over interne tools was een harde eis dat dit lokale modellen moesten zijn.

Parallel zijn modelkandidaten gebenchmarkt op energie, snelheid en consistentie. Over herhaalde tests kwam Gemma 3 naar voren als meest geschikte optie, met sterke consistentie en aanzienlijk lager energieverbruik dan zelfs traditionele OCR-alternatieven.

Kernbeslissingen

We namen vijf kernbeslissingen om onderzoeksinzichten aan het eindconcept te koppelen:

Een gedeelde Data Hub bouwen in plaats van losse regionale flows, voor meer consistentie.
Mensen op kritieke momenten in controle houden, om overreliance-risico te verlagen.
Cognitive forcing functions toepassen op risicovolle beslisstappen, voor betere kritische beoordeling.
Modelkeuze prioriteren op energie, consistentie en snelheid, niet alleen op snelheid.
Duurzaamheidsmetrics in het product opnemen, zodat impact zichtbaar en controleerbaar is.

Resultaten

Het eindconcept is een gevalideerd prototype van de Triodos Data Hub, een uniforme datakwaliteitsworkspace met assistant-ondersteunde validatie, collaboratieve ticketing en sustainability analytics. Dit is opgeleverd aan het Triodos-team, waarna implementatie bij hen ligt.

Naast het eindproduct zijn belangrijke uitkomsten dat AI daadwerkelijk duurzaam kan zijn bij het juiste doel, lokale modellen betrouwbaar kunnen werken voor OCR en veel minder energie kunnen gebruiken dan traditionele OCR-tools. Ook bleek dat te veel controle weghalen bij mensen averechts werkt, gebruikers vertrouwen AI dan blind in plaats van zelf kritisch te blijven.

Toolkit & credits

Prototypes zijn ontwikkeld in Figma en interactief gemaakt met Onlook AI, gecombineerd met veel schetswerk op papier. De methodologie kwam uit CMD Methods en verschillende research papers, aangevuld met zelfontwikkelde methoden afgestemd op de projectbehoefte.

Algoritmes zijn gebouwd in Python en gecombineerd met Ollama voor lokale LLM- en VLM-modellen. Alle performancetests zijn uitgevoerd op een 2021 MacBook Pro M1 zonder andere programma's open, om metingen zo zuiver mogelijk te houden.