De AI-agent houdt zich aan de regels — en veroorzaakt toch systeemrisico

Op 27 september 2026 waarschuwde Torsten Slok, hoofdeconoom van Apollo, voor een mogelijke “agentic bank run”. Zijn voorbeeld is eenvoudig. Een persoonlijke financiële agent ziet dat geld op een betaalrekening nauwelijks rente oplevert, terwijl elders een duidelijk hogere rente beschikbaar is. De rationele beslissing is dan snel gemaakt: verplaats het geld.

Voor één rekeninghouder is dat verstandig financieel beheer.

Maar wat gebeurt er wanneer miljoenen AI-agents tegelijkertijd tot dezelfde conclusie komen?

Van individuele optimalisatie naar collectief risico

Banken gebruiken deposito’s van huishoudens en bedrijven als een belangrijke financieringsbron. Wanneer grote hoeveelheden geld zeer snel worden verplaatst naar hoger renderende alternatieven, kan dat de financieringsstructuur van banken onder druk zetten.

AI verandert daarbij vooral de schaal en snelheid.

Een mens kijkt misschien eens per maand naar zijn spaarrente. Een AI-agent kan voortdurend:

• renteverschillen vergelijken;
• tegenpartijrisico beoordelen;
• liquiditeit optimaliseren;
• rekening houden met kosten;
• geld automatisch verplaatsen.

Daar is op zichzelf niets mis mee.

Het probleem ontstaat wanneer zeer veel agents dezelfde informatie verwerken, vergelijkbare doelstellingen hebben en daardoor vrijwel gelijktijdig dezelfde beslissing nemen.

Een klassieke bankrun wordt vaak veroorzaakt door angst.

Een toekomstige bankrun zou ook het gevolg kunnen zijn van rationele optimalisatie op grote schaal.

Gary Gensler waarschuwde al voor dit mechanisme

Voormalig SEC-voorzitter Gary Gensler wees eerder op een vergelijkbaar risico binnen financiële markten.

Wanneer duizenden financiële instellingen afhankelijk worden van slechts enkele foundation models, databronnen of AI-platforms, kunnen zij vergelijkbare signalen ontvangen en daarop vergelijkbaar reageren.

Gensler koppelde dit aan herding, monoculturen en systeemrisico.

Het risico zit dus niet alleen in een fout AI-model.

Ook een goed functionerend model kan systeemrisico veroorzaken wanneer te veel marktpartijen dezelfde modellen, datasets en optimalisatiedoelen gebruiken.

Agents hoeven daarvoor niet met elkaar te communiceren

Er hoeft geen sprake te zijn van samenspanning tussen AI-agents.

Stel dat 100.000 treasury-agents allemaal de volgende opdracht hebben:

“Behoud volledige liquiditeit, minimaliseer risico en maximaliseer het rendement op beschikbare kasmiddelen.”

Wanneer dezelfde marktrente stijgt of dezelfde risicoscore verandert, kunnen die agents onafhankelijk van elkaar tot dezelfde beslissing komen.

Niemand geeft opdracht om gezamenlijk te handelen. De agents communiceren niet met elkaar.

Toch kan het resultaat eruitzien alsof ze gecoördineerd handelen.

Dit is geen nieuw principe. Financiële markten kennen al lange tijd kuddegedrag. Maar autonome agents kunnen dit proces veel sneller, systematischer en op aanzienlijk grotere schaal uitvoeren.

Snelheid maakt verschil

De combinatie van snelheid, automatisering en optimalisatie kan financiële risico’s versterken.

Wanneer veel agents vergelijkbare strategieën gebruiken, kunnen kuddegedrag, concentratie van risico en scherpe marktbewegingen ontstaan.

Daarmee verandert ook de vraag die organisaties aan hun AI-governance moeten stellen.

Individuele controle is niet genoeg

Veel governancekaders kijken terecht naar de individuele agent. Bijvoorbeeld:

Bevoegdheid → limiet → stopvoorwaarde → menselijke escalatie

Dat blijft noodzakelijk.

Maar bij financiële AI-agents komt daar een tweede dimensie bij:

Wat gebeurt er wanneer duizenden vergelijkbare agents tegelijkertijd hetzelfde doen?

Een treasury-agent kan bijvoorbeeld volledig binnen zijn bevoegdheid handelen wanneer hij €100.000 verplaatst naar een andere bank.

• Er is geen limiet overschreden.
• De transactie is correct gelogd.
• De geselecteerde bank voldoet aan alle interne eisen.
• Er vindt geen fraude plaats.

Toch kan hetzelfde besluit, wanneer duizenden organisaties het vrijwel gelijktijdig nemen, bijdragen aan liquiditeitsproblemen elders in het financiële systeem.

De afzonderlijke agent functioneert correct. Het collectieve resultaat kan alsnog ongewenst zijn.

Een nieuwe governancevraag

Daarom hoort bij financiële AI-agent governance niet alleen de vraag:

“Mag deze agent deze transactie uitvoeren?”

Maar ook:

“Wat gebeurt er wanneer veel vergelijkbare agents op hetzelfde signaal reageren?”

Dat vraagt om nieuwe vormen van controle. Organisaties kunnen bijvoorbeeld onderzoeken:

• welke externe signalen transactiebeslissingen activeren;
• hoeveel beslissingen automatisch achter elkaar mogen worden uitgevoerd;
• of grote verschuivingen gefaseerd moeten plaatsvinden;
• wanneer menselijk toezicht verplicht wordt;
• hoe uitzonderlijk marktgedrag wordt herkend;
• of een agent rekening houdt met liquiditeit en marktimpact;
• welke afhankelijkheid bestaat van één model, databron of leverancier;
• wat er gebeurt wanneer veel gebruikers van hetzelfde systeem dezelfde strategie volgen.

Van microcontrole naar systeemcontrole

Tot nu toe ligt bij AI-governance veel nadruk op het beheersen van de individuele toepassing. Wie is verantwoordelijk? Welke bevoegdheid krijgt de agent? Welke limieten gelden? Kan een mens ingrijpen? Is de handeling achteraf controleerbaar?

Bij autonome financiële agents komt daar een nieuwe laag bij. Niet alleen wat één agent doet, maar ook wat duizenden agents gezamenlijk kunnen veroorzaken.

Dat is een wezenlijk verschil.

De volgende financiële crisis hoeft daarom niet noodzakelijk te beginnen met een AI die een verkeerde beslissing neemt. Het kan ook beginnen met duizenden AI-agents die afzonderlijk precies doen waarvoor ze zijn ontworpen.