AFM: ‘Hypotheekadviseur wordt meer een regisseur’

AFM: van “produceren” naar “regisseren”
Heuvelman beschrijft dat GenAI-toepassingen nu vooral ondersteunend worden ingezet: denk aan tooling die klantgesprekken opneemt en automatisch omzet naar verslag/adviesrapport, chatbots die informatie ontsluiten, en AI-assistenten die acceptatiegidsen van geldverstrekkers doorzoekbaar maken. De stip op de horizon is duidelijker: advies wordt sneller, consistenter en minder foutgevoelig; het zwaartepunt verschuift naar de adviseur die het oordeel van de machine beoordeelt, uitlegt en draagt.

Twee “poorten” naar advies

De AFM ziet twee scenario’s naast elkaar ontstaan:

1. AI blijft vooral ondersteunend (de huidige dominante stroming).
2. Een meer disruptief pad waarin consumenten via prompts zélf richting advies en productkeuze gaan, met de bekende grensdiscussie “informeren vs adviseren”.

Die twee routes kunnen tijdelijk naast elkaar bestaan (vergelijkbaar met kassa vs zelfscan), maar op lange termijn kan één route dominant worden als kosten/voorkeuren verschuiven.

Wat betekent dit concreet voor de hypotheekadviseur?

1) AI-geletterdheid wordt een vakcompetentie

Als AI straks tegenstrijdigheden in dossiers “flaggt”, documenten valideert (geboortedata, consistentie, ontbrekende stukken) en zelfs signalen geeft in de beheerfase, moet de adviseur kunnen:

• beoordelen of de uitkomst klopt,
• uitleggen hoe de uitkomst tot stand kwam,
• en onderbouwen waarom je het wel/niet volgt.

AFM is hier expliciet: een adviseur mag zich niet verschuilen achter tooling die fouten maakt; verantwoordelijkheid blijft bij bedrijf/adviseur én ook bij de aanbieder.

2) Beheerfase wordt belangrijker (en “trigger-based”)

Heuvelman noemt als toekomstbeeld dat AI relevante momenten kan signaleren om klanten te benaderen, bijvoorbeeld:

• inkomensstijging → ruimte om (deels) aflossingsvrij om te zetten,
• groot verschil contractrente vs dagrente → herzien/oversluiten bespreken.

Juist in de beheerfase zit vaak de fiscale en productinhoudelijke winst/risicobeheersing: renteaftrekpositie, aflossingsvrije risico’s richting pensioendatum, (on)zekerheid over toekomstig inkomen, en betaalbaarheid bij life events.

3) Kwaliteit van bronmateriaal en dossierdiscipline wordt “AI-proof”

AI kan alleen zo goed zijn als:

• de ingevoerde data,
• de gebruikte bronnen (acceptatiegidsen, beleid, leidraden),
• en de vastlegging in het dossier.

De paradox: minder handwerk, maar hogere eisen aan datakwaliteit en vastlegging. In een AI-ondersteund proces wordt onduidelijkheid sneller “hard” (garbage in, garbage out).

Wat betekent dit voor de toezichthouder (en daarmee voor jouw compliance)?

Leidraadteksten worden nóg belangrijker

Als Large Language Models leidraden verwerken, “landen” normen anders in de markt. AFM verwacht dat duidelijkheid en uitlegbaarheid van leidraden belangrijker wordt, omdat AI minder ruimte laat voor interpretatieverschillen.

Toezicht verschuift: van dossiers naar patronen en modellen

AFM voorziet meer focus op trends en patronen in modeluitkomsten in plaats van uitsluitend individuele dossiers. Tegelijk wordt toezicht “ja en nee” makkelijker: uniformiteit kan toenemen, maar toezichthouders moeten leren toezicht te houden op algoritmes (variabelen, wegingen, bias/uitsluiting).

De verwijzing naar eerdere lessen bij de overheid is helder: als er onvoldoende zicht is op modelwerking, kunnen ongewenste uitkomsten ontstaan.

De grote belofte (en de voorwaarde): de consument moet winnen

AFM positioneert AI als kans op:

• betere advieskwaliteit,
• lagere kosten,
• meer keuze (menselijk advies als premium, AI-route als goedkoper alternatief).

Maar die belofte staat of valt met verantwoord gebruik: geen verborgen uitsluiting, geen black box, geen afschuiven van verantwoordelijkheid.

Checklist voor advieskantoren: “regie” organiseren vóórdat AI het proces in gaat

1. Leg vast welke tools je gebruikt, met welk doel (verslag, samenvatting, documentcontrole, kenniszoeker).
2. Bronbeheer: welke acceptatiegidsen/leidraden/kennisbronnen zitten in de tool en hoe worden updates verwerkt?
3. Uitlegbaarheid: kan je reconstrueren welke informatie/regels zijn toegepast?
4. Menselijke beslislaag: waar móét een adviseur expliciet accorderen en motiveren?
5. Bias/uitsluiting: periodieke checks op uitkomsten (wie valt buiten de boot en waarom?).
6. Dossiervorming: maak AI-output auditbaar (wat kwam van de tool, wat is de menselijke weging?).
7. Beheerfase-protocollen: definieer welke “AI-triggers” leiden tot klantcontact en welke fiscale/productchecks standaard meelopen.

Bron: Speech Jos Heuvelman, Hypothekenevent Utrecht, 11 februari 2026.