In navolging van vergelijkingssites en aggregators worden conversatie-interfaces op basis van Large Language Models (LLM’s) een belangrijk startpunt voor financiële beslissingen. Het risico voor banken is specifiek: zij blijven producten ontwerpen en ondersteunen, maar verliezen de controle over de interface, de aanbeveling en uiteindelijk het abonnement. Dit is het “dark kitchen”-scenario toegepast op de financiële sector, waarbij achter de schermen wordt geproduceerd zonder dat men dit ziet. Deze ontwikkeling is allesbehalve speculatief. Al in 2024 maakten 23% consumenten minstens één keer per maand gebruik van generatieve AI voor financiële taken(1), en zouden agenten binnen de komende drie tot vijf jaar het voorkeurskanaal voor bankzaken kunnen worden. De vraag is dan ook niet langer of deze interfaces zich tussen banken en hun klanten zullen positioneren, maar hoe financiële instellingen van plan zijn om daarbinnen zichtbaar te blijven.
In het verleden hadden banken de volledige klantreis via hun eigen kanalen – filialen, websites en apps – in eigen hand. De digitalisering had een eerste fase van desintermediatie in gang gezet door het vergelijken van aanbiedingen te vergemakkelijken en de overstapkosten te verlagen, zonder dat dit de centrale rol van merkecosystemen in gevaar bracht.
Conversatie-interfaces veranderen de aard van deze dynamiek ingrijpend. Klanten zoeken niet langer naar een specifiek product; in plaats daarvan geven zij aan welk resultaat zij nastreven (bijvoorbeeld het optimaliseren van besparingen of het financieren van een project) en delegeren zij het onderzoek, de selectie en de uitvoering aan een agent. Deze agenten zijn nu in staat om financiële trajecten met meerdere stappen zelfstandig te plannen, te onthouden, te coördineren en uit te voeren. Bovenal wordt de agentgebaseerde betalingsinfrastructuur al uitgerold: OpenAI en Stripe lanceerden eind 2025 het Agentic Commerce Protocol om aankopen rechtstreeks binnen ChatGPT mogelijk te maken;(2) Visa, Amazon en Google hebben sindsdien hun eigen, door agenten geïnitieerde transactiekanalen gelanceerd. Abonnementen via de interface zijn in bepaalde landen al een live functie in productie.
Deze interfaces beperken zich niet langer tot de transactiegeschiedenis. Ze brengen intenties, projecten en afwegingen in kaart en fungeren als een “emotioneel CRM” waarover banken tot nu toe niet beschikten. Naarmate deze stromen aan kracht winnen, ontwikkelen ze zich tot de centrale schakel in de relatie, waarbij ze tegelijkertijd dienen als het punt waarop de behoefte wordt begrepen en de gebruiker naar het aanbod wordt geleid.
Het risico van de “dark kitchen” toegepast op de banksector
Het risico verschuift dan ook in de richting van een “dark kitchen”-model: een toenemende ontkoppeling van productie en distributie. Banken blijven producten ontwerpen en dragen het bijbehorende risico en de nalevingsverplichtingen, maar verliezen het contactpunt. Hieruit vloeien vier gevolgen voort:
Verlies van zicht. Klanten hebben geen contact meer met hun bank en kunnen na verloop van tijd de rol ervan in de waardeketen uit het oog verliezen. Het merk wordt een leverancier op de achtergrond.
Commoditisering. Door de voortdurende vergelijking en de herformattering door de interface worden aanbiedingen onderling inwisselbaar. De selectie is meedogenloos: aanbevelingsmodellen noemen doorgaans slechts één tot drie merken per zoekopdracht.(3) Het verschil tussen blijven bestaan en verdwijnen komt neer op een minuscule ruimte.
Verzwakte relaties. De relatie wordt fragmentarischer en meer transactioneel, waardoor ze haar diepgang verliest. Klantloyaliteit en cross-selling worden ingewikkelder, terwijl de volatiliteit sterk toeneemt: in een door tussenpersonen aangestuurde omgeving neigen de overstapkosten naar nul.
Druk op de marges. Prijstransparantie en de aanbevelingskracht van de interface versterken de concurrentie. En deze voorkeur werkt niet in het voordeel van gevestigde spelers: tegenwoordig bevelen LLM’s doorgaans neobanken en digitaal-native kredietverstrekkers aan in plaats van traditionele instellingen. Voor een gevestigde speler bestaat het risico niet alleen dat hij wordt omzeild, maar ook dat hij systematisch door de machine aan de zijlijn wordt gezet.
Dit scenario ligt zeker niet ver in de toekomst. Naarmate de toepassing zich uitbreidt en agenten meer autonomie krijgen, wordt het dringend noodzakelijk om de transformaties in gang te zetten die ervoor zorgen dat banken vandaag de dag binnen de agentieke waardeketen blijven.
Controle verwerven: bestaan, functioneel zijn, gekozen worden
Geconfronteerd met deze ontwikkeling zijn er drie mogelijke standpunten: afwachten; de nieuwe interfacelaag accepteren en zich terugtrekken in de rol van productleverancier; of vechten om de klantrelatie te behouden via eigen platforms. De eerste twee leiden rechtstreeks naar de “dark kitchen”. Alleen de derde optie behoudt een positie in de waardeketen, en dit vereist een transformatie van architecturen, klanttrajecten en relatiemodellen, gestructureerd rond drie uitdagingen:
Bestaan. Nu conversatie-interfaces toegangspunten worden, draait het niet langer om eigen kanalen, maar om de vindbaarheid van het aanbod binnen deze omgevingen: dit is Generative Engine Optimization (GEO). In reacties van grote taalmodellen (LLM’s) is de zichtbaarheid sterk afhankelijk van bronnen van derden (pers, recensies, analyses) in plaats van de eigen middelen van het merk. Om te blijven bestaan, moet men zijn informatievoetafdruk ver buiten de eigen website uitbreiden. De parallel met SEO uit de jaren 2000 is duidelijk: bedrijven die al vroeg in zoekoptimalisatie investeerden, bouwden blijvende structurele voordelen op. Diezelfde kans verdwijnt vandaag de dag.
Om bruikbaar te zijn. In een wereld van geautomatiseerde aanbevelingen geeft de interface de voorkeur aan aanbiedingen die het eenvoudigst te begrijpen en uit te voeren zijn. Het voordeel ligt bij “agent-ready” producten: interoperabel, beschikbaar via open architecturen en ontworpen voor een soepel abonnementstraject. Dit vereist duidelijke, betrouwbare en “machinaal leesbare” diensten. Naast zichtbaarheid wordt het vermogen om zonder hindernissen te worden gedistribueerd een doorslaggevende factor.
Nog te bepalen. Wanneer aanbiedingen vergelijkbaar worden en technisch geïntegreerd zijn, verschuift de differentiatie naar het merk zoals dat door de machine wordt waargenomen. LLM’s geven de meest genoemde entiteiten een oververtegenwoordiging, volgens de logica van een “big brand bias”: bij een aankoopaanbeveling blijken bepaalde modellen tot wel 18 keer vaker een reeds dominant merk voor te stellen.(4) Er ontstaat een feedbackloop: het model doet een voorstel, de gebruiker klikt, en de dominante positie wordt versterkt. Spelers die ontbreken in redactionele corpora en beoordelingsplatforms worden automatisch buitenspel gezet. Het opbouwen van een actieve aanwezigheid in deze omgevingen en het rechtstreeks integreren van de eigen trajecten daarin wordt de doorslaggevende hefboom voor het behoud van de klantrelatie.
Agentic commerce zorgt niet alleen voor een evolutie in de klantrelatie; het verandert ook de fundamentele verhoudingen. Het zwaartepunt verschuift naar degenen die de toegang, het aanbod en de prioritering van aanbiedingen beheersen. Banken die in staat zijn zich opnieuw in deze marktarchitectuur te integreren, zullen hun rol versterken. De overige banken zullen onzichtbare producenten worden, die worden weggehouden van het contactpunt en de plek waar waarde wordt gecreëerd. De keuze wordt nu gemaakt. Over drie tot vijf jaar zal deze keuze al een feit zijn.
Opmerkingen:
[1] McKinsey, “Hoe generatieve AI-agenten de klantrelaties van retailbanken bedreigen’, 6 mei 2026. Gebruik data: 23% van de consumenten gaf aan minstens één keer per maand generatieve AI te gebruiken voor financiële taken (2024).
[2] OpenAI & Stripe, het Agentic Commerce Protocol en “Instant Checkout”, september 2025. Concurrerende initiatieven: Visa Intelligent Commerce (april 2026), samenwerking tussen Visa en OpenAI (juni 2026), Amazon “Buy for Me” – AWS Agentic Shopping Assistant, Google Universal Commerce Protocol.
[3] Schatting van deskundigen op het gebied van generatieve optimalisatie (Searchable, C. Donnelly, 2026); gangbare aanbevelingsmodellen noemen doorgaans slechts één tot drie merken per zoekopdracht.
[4] Meting van de “entity bias” zoals gerapporteerd door L.-M. Lorin (april 2026): afhankelijk van de modellen kan de neiging om een reeds dominant merk aan te bevelen oplopen tot ongeveer 18 keer (smartphones). Indicatieve orde van grootte, te vergelijken met het oorspronkelijke onderzoek.
