Wat als AI een frauduleuze leverancierswijziging goedkeurt omdat de onderliggende data niet klopt? Meer dan 60% van de fraudepogingen vindt plaats bij verzoeken om leveranciersgegevens aan te passen, vaak al lang voordat een betaling wordt uitgevoerd.
AI kan afwijkingen sneller herkennen en controles automatiseren, maar alleen met complete, actuele en betrouwbare data. Tijdens een webinar van Altares Dun & Bradstreet, Ivalua en Trustpair lieten drie praktijkscenario’s zien hoe AI, bedrijfsdata, bankrekeningverificatie en vaste workflows samen helpen om fraude eerder te signaleren.
Scenario 1: een verdachte wijziging in leveranciersgegevens bleek legitiem
Een onbekende contactpersoon bij een bestaande leverancier vroeg om het bankrekeningnummer te wijzigen voor een betaling van 350.000 euro. De onbekende afzender, tijdsdruk en het hoge bedrag leken duidelijke alarmsignalen. Toch bleek de wijziging legitiem. Trustpair verifieerde dat de bankrekening bij de leverancier hoorde, Altares Dun & Bradstreet bevestigde de juridische entiteit en eigendomsstructuur en Ivalua bracht de controles samen in de workflow.
AI kan in zo’n situatie meerdere signalen tegelijk beoordelen. Een onbekende contactpersoon en een afwijkend bedrag verhogen het risico, maar geverifieerde bedrijfs- en bankgegevens geven de benodigde context. Zo helpt AI niet alleen om fraude tegen te houden, maar ook om te voorkomen dat een geldige betaling onnodig wordt geblokkeerd.
Lees ook: Is jouw organisatie klaar voor Know Your Supplier-excellence?
Scenario 2: telefonische verificatie beschermt niet altijd tegen leveranciersfraude
In het tweede scenario belde een medewerker het telefoonnummer uit de e-mail met het verzoek om de leveranciersgegevens te wijzigen. De persoon aan de lijn deed zich voor als de vertrouwde contactpersoon, maar het nummer was door de fraudeur zelf in de phishingmail geplaatst.
De telefonische verificatie leek zorgvuldig, maar was gebaseerd op dezelfde onbetrouwbare bron als het oorspronkelijke verzoek. AI kan signaleren dat de contactgegevens alleen in het nieuwe wijzigingsverzoek voorkomen en niet overeenkomen met eerder gevalideerde leveranciersdata.
Op basis daarvan kan automatisch een onafhankelijke verificatieworkflow worden gestart en kan het verzoek worden doorgestuurd naar een andere bevoegde medewerker. Zo draagt AI bij aan een veiliger proces en wordt de kans kleiner dat medewerkers door social engineering worden misleid.
Scenario 3: betrouwbare bedrijfsdata onthult een valse leverancier
Het derde scenario ging over een nieuwe rekening bij een neobank in Ierland. De meegestuurde factuurnummers klopten, waardoor het verzoek overtuigend leek. De onderliggende gegevens vertelden echter een ander verhaal. Trustpair signaleerde risico’s rond de nieuwe rekening, terwijl Altares Dun & Bradstreet vaststelde dat de Ierse entiteit pas enkele weken eerder was opgericht en geen relatie had met het buitenlandse hoofdkantoor. De naam leek vrijwel identiek, maar de juridische identiteit en eigendomsstructuur kwamen niet overeen.
AI kan hier verder kijken dan de bedrijfsnaam of de meegestuurde factuur. Door het registratienummer, het D-U-N-S® Number, de oprichtingsdatum en de eigendomsstructuur automatisch te vergelijken met het bestaande leveranciersprofiel, wordt zichtbaar dat het niet om dezelfde entiteit gaat. De wijziging kan vervolgens worden geblokkeerd en doorgestuurd voor nader onderzoek. Dat de factuurgegevens wel correct waren, kan bovendien wijzen op buitgemaakte interne informatie.
Lees ook: Je leveranciersbestand is niet wat je denkt: dat kan je geld kosten
Hoe AI leveranciersfraude eerder kan signaleren
De kracht van AI zit niet in één losse controle, maar in het combineren van wijzigingsverzoeken, historische leveranciersdata, geverifieerde bedrijfsinformatie, eigendomsstructuren en bankrekeningverificatie.
Altares Dun & Bradstreet biedt betrouwbare bedrijfsdata en inzicht in juridische entiteiten en eigendomsstructuren. Trustpair controleert of een bankrekening daadwerkelijk bij de leverancier hoort. Ivalua brengt de controles en vervolgacties samen in het procurementproces. AI analyseert deze informatie en helpt bepalen of een verzoek kan worden goedgekeurd, aanvullend moet worden gecontroleerd of moet worden geblokkeerd.
Via de D&B MCP kunnen AI-toepassingen bovendien direct toegang krijgen tot actuele bedrijfsdata binnen het beslisproces. Zo wordt het eenvoudiger om controles te automatiseren en sneller tot een onderbouwde beslissing te komen.
Lees ook: De rol van dataleveranciers in de AI‑transitie
Betrouwbare AI voor procurement begint bij betrouwbare leveranciersdata
De drie scenario’s laten zien dat AI pas echt waarde toevoegt wanneer het toegang heeft tot betrouwbare data en de juiste controles. Alleen dan kan het een legitieme wijziging van fraude onderscheiden, onbetrouwbare informatie herkennen en afwijkende entiteiten tijdig signaleren.
Wie AI wil inzetten binnen procurement en finance, moet daarom beginnen bij complete, actuele en onafhankelijk geverifieerde leveranciersdata. Tijdens een AI-strategiesessie brengen we in kaart hoe je bedrijfsdata, processen en AI-toepassingen kunt combineren om leveranciersrisico’s eerder te herkennen en beslissingen beter te onderbouwen.
