De crisis van algoritmische verantwoording: Deep AI-oplossingen architecteren voor het handhavingstijdperk

Het landschap van de financiële dienstverlening ondergaat momenteel een fundamentele transformatie in het toezicht op geautomatiseerde beslissingssystemen. Het tijdperk van algoritmische straffeloosheid—een periode gekenmerkt door de snelle uitrol van „black-box”-modellen onder het mom van propriëtaire innovatie—is vervangen door een regime van strikte verantwoording en verdedigbare intelligentie. Deze verschuiving wordt gemarkeerd door hooggeprofileerde regulatoire interventies, met name de schikking van $2.5 miljoen die Earnest Operations LLC in juli 2025 trof en de systemische toetsing van de ongelijkheden in hypothecaire kredietverlening bij Navy Federal Credit Union.¹ Voor moderne fiduciaires en institutionele kredietverstrekkers zijn deze incidenten meer dan geïsoleerde juridische tegenslagen; zij zijn symptomen van een diepgaande architecturale mislukking.

De overgang naar kunstmatige intelligentie in underwriting en risicobeoordeling werd aanvankelijk in de markt gezet als een panacee voor menselijke subjectiviteit. De afhankelijkheid van oppervlakkige „wrapper”-architecturen—systemen die gestructureerde of ongestructureerde data slechts doorgeven aan externe large language models (LLM’s) zoals GPT-4 van OpenAI of Gemini van Google—heeft echter een nieuwe klasse systemische risico’s geïntroduceerd. Deze dunne integraties missen de domeinspecifieke guardrails, transparantiemechanismen en causale redenering die nodig zijn om de huidige toetsing door het Consumer Financial Protection Bureau (CFPB) en staatsprocureurs-generaal te doorstaan.³ Veriprajna positioneert zich op dit kritieke kruispunt en bepleit een „Deep AI”-filosofie die structurele integriteit, fairness engineering en robuuste governance boven loutere probabilistische efficiëntie stelt.

De schikking met Earnest Operations: een taxonomie van algoritmische bias

Op 10 juli 2025 kondigde de Massachusetts Attorney General een historische schikking aan met Earnest Operations LLC, waarmee beschuldigingen werden opgelost dat de AI-gestuurde kredietmodellen van het bedrijf onevenredig nadeel toebrachten aan Black- en Hispanic-aanvragers en aan leners zonder staatsburgerschap.¹ Deze zaak dient als een baanbrekende casestudy van hoe „proxyvariabelen” en „knockout-regels” onbedoeld historische discriminatie kunnen hardcoderen in moderne digitale platforms.

Het mechanisme van proxydiscriminatie via CDR

Een centraal element van het Massachusetts-onderzoek was Earnest’s gebruik van de Cohort Default Rate (CDR) als gewogen subscore in zijn model voor herfinanciering van studieleningen.¹ De CDR volgt het gemiddelde wanbetalingspercentage bij specifieke onderwijsinstellingen. Vanuit statistisch oogpunt lijkt de variabele een overkoepelend beeld van institutioneel risico te bieden. De Attorney General stelde echter dat de voorspellende kracht van deze variabele niet voortkwam uit individuele kredietwaardigheid, maar uit de sterke correlatie met beschermde raciale en sociaaleconomische klassen.⁶

Historisch gezien hebben Historically Black Colleges and Universities (HBCU’s) en instellingen die hoge concentraties studenten uit laaginkomen-minderheden bedienen, te maken gehad met systemische onderfinanciering en hogere gemiddelde wanbetalingspercentages door intergenerationele vermogenskloven.⁶ Door aanvragers te bestraffen op basis van de CDR van hun school, paste het model in feite een collectieve straf toe op individuen, ongeacht hun persoonlijke financiële stabiliteit of kredietgeschiedenis. Dit is een klassieke mislukking van „conceptual soundness” onder het SR 11-7-kader: een groepsgebaseerd historisch artefact gebruiken als proxy voor individueel risico.⁶

Geautomatiseerde uitsluitingen en governance-falen

Het Earnest-onderzoek belichtte verder het gevaar van „knockout-regels”—hardgecodeerde algoritmische poorten die aanvragen automatisch afwijzen op basis van specifieke criteria.¹ Earnest gebruikte een knockout-regel om aanvragers af te wijzen die geen green card hadden, een praktijk die de Attorney General identificeerde als een schending van de disparate-impactrisico’s van de Equal Credit Opportunity Act (ECOA).¹

Cruciaal bleek uit de schikking een kloof tussen de formeel vastgelegde beleidslijnen van het bedrijf en de operationele realiteit. Hoewel de interne beleidsregels van Earnest senior toezicht verplichtten voor uitzonderingen op het model, stelden onderzoekers vast dat underwriters de modellen vaak omzeilden of willekeurige standaarden toepasten zonder documentatie.¹ Deze inconsistentie creëert een hybride risicoprofiel waarin zowel algoritmische bias als ongecontroleerde menselijke bias naast elkaar bestaan, waardoor het systeem onmogelijk te auditen en te verdedigen is.⁸

Overtredingscategorie	Technische trigger	Juridische inbreuk
Proxydiscriminatie	Cohort Default Rate (CDR)	ECOA Disparate Impact / M.G.L. c. 93A
Geautomatiseerde uitsluiting	Immigratiestatus-„knockout-regels”	Oneerlijke/misleidende praktijken (UDAP)
Transparantiefalen	Onjuiste adverse-action-kennisgevingen	Niet-naleving van Regulation B (ECOA)
Governance-lacune	Gebrek aan onafhankelijke modelvalidatie	Falen om fair-lendingrisico’s te mitigeren
Procesinstabiliteit	Niet-gestandaardiseerde menselijke overrides	Falen om interne controles te implementeren

Navy Federal Credit Union: statistische verantwoording en systemische drift

Terwijl de Earnest-zaak zich richtte op falen van specifieke variabelen, toont het onderzoek naar Navy Federal Credit Union (NFCU) de macro-impact van algoritmische systemen die in de loop van de tijd van billijke uitkomsten zijn afgedreven. Analyse van 2022 Home Mortgage Disclosure Act (HMDA)-data liet zien dat NFCU, de grootste credit union van het land, meer dan de helft van zijn Black conventionele hypotheekaanvragers afwees.⁹

De dispariteitskloof bij hypotheken

De statistische dispariteiten bij Navy Federal waren bijzonder schrijnend in vergelijking met andere top-tier kredietverstrekkers. In 2022 keurde de credit union ongeveer 77% van de white-aanvragers goed, maar slechts 48.5% van de Black-aanvragers en 55.8% van de Hispanic-aanvragers.⁹ De bijna 29-procentpuntkloof tussen white- en Black-goedkeuringspercentages was de breedste van alle top-50-hypotheekverstrekkers.¹⁰

Het verweer van NFCU—dat openbare HMDA-data geen creditscores en cash-on-hand-metrics bevat—is betwist door rigoureuze third-party-analyse. Toen onderzoekers controleerden voor meer dan een dozijn variabelen, waaronder inkomen, DTI-ratio, vastgoedwaarde en buurtkenmerken, werden Black-aanvragers nog steeds meer dan twee keer zo vaak afgewezen als white-aanvragers met identieke profielen.² Dit wijst op een „residuele bias” binnen het „geheime” underwriting-algoritme van de credit union die niet kan worden weggeredeneerd met traditionele kredietfactoren.¹²

Litigatie en regulatoire tegenreactie

Het Navy Federal-incident heeft een golf van geconsolideerde class-action-rechtszaken en Congressional onderzoeken uitgelokt. In mei 2024 oordeelde een U.S. District Judge dat disparate-impactclaims konden doorgaan, waardoor eisers discovery konden zoeken naar de interne logica van NFCU’s underwriting-modellen.¹² Dit onderstreept een kritieke les voor de sector: statistische dispariteit alleen is vaak voldoende om een motion to dismiss te overleven, waardoor de bewijslast bij de instelling komt te liggen om aan te tonen dat haar „geheime” proces zowel noodzakelijk is als het minst discriminerende alternatief (LDA) dat beschikbaar is.¹²

Metric	White-aanvragers	Black-aanvragers	Kloof
Ruwe goedkeuringspercentage	77.1%	48.5%	28.6%
Afwijzingspercentage	23.0%	52.0%	29.0%
VA-leningafwijzingspercentage	15-17% (est)	28.6%	~12%
Nationaal gem. afwijzing (CFPB)	5.6%	16.2%	10.6%

Structurele kwetsbaarheden: waarom wrappers de fiduciary-test niet doorstaan

De afhankelijkheid van eenvoudige LLM-wrappers of „horizontale” AI-tools creëert een fundamentele mismatch tussen technologische capaciteit en regulatoire vereisten. Financiële dienstverlening vereist high-stakes, deterministische logica, terwijl foundation models inherent probabilistisch en niet-deterministisch zijn.⁴

De hallucinatie- en nauwkeurigheidsparadox

Large Language Models werken door het volgende token in een reeks te voorspellen, niet door feiten op te halen of actuariële berekeningen uit te voeren.¹⁵ In een kredietunderwritingcontext kan een LLM een „hallucinatie” genereren—een gefabriceerde rechtvaardiging voor een kredietafwijzing die plausibel klinkt maar geen basis heeft in het financiële dossier van de aanvrager.¹⁶ Als de chatbot of het geautomatiseerde systeem van een bank criteria voor geschiktheid of rentes verkeerd weergeeft, loopt de instelling directe aansprakelijkheid voor het misleiden van consumenten, zoals blijkt uit het Air Canada-chatbotprecedent.¹⁶

Het contextvacuüm van horizontale AI

Generieke AI-platforms missen de „verticale” context die nodig is om hypotheekdocumenten, belastingaangiften en bankafschriften nauwkeurig te verwerken. Zonder industriespecifieke training worstelen deze modellen met nuances in inkomenspatronen of cashflow-analytics, wat vaak leidt tot „false negatives” waarbij kredietwaardige leners worden afgewezen doordat het model alternatieve datapatronen niet herkent.⁴ Kredietverstrekkers die „Deep AI”-architecturen implementeren—met dedicated data-ingestie, entity extraction en domeinspecifieke risicolagen—zien significant hogere precisie en minder compliance-triggers.⁴

Het probleem van trainingsdatacontaminatie

LLM’s worden getraind op enorme corpora van internettekst, die verzadigd zijn met historische, gender- en raciale biases.¹⁹ Wanneer een instelling een LLM-wrapper gebruikt om het verhaal of de arbeidsgeschiedenis van een lener te „evalueren”, kan het model onbedoeld de stereotypen uit zijn trainingsdata toepassen.¹⁵ Bepaalde nationaliteiten of beroepen kunnen bijvoorbeeld in de „latent space” van het model met lagere kredietwaardigheid worden geassocieerd, zelfs als de specifieke datapunten van het individu onberispelijk zijn.¹⁵

Het regulatoire landschap van 2026: standaarden van verdedigbaarheid

De regulatoire omgeving voor 2025 en 2026 is overgegaan van algemene guidance naar expliciete mandaten. Het tijdperk waarin men kon claimen dat een algoritme „te complex is om uit te leggen” is voorbij.

CFPB en gedragsmatige specificiteit

Het CFPB heeft guidance afgerond (Circular 2023-03 en updates van 2025) waarin staat dat schuldeisers „accurate en specifieke redenen” moeten geven voor adverse actions.³ Kredietverstrekkers kunnen zich niet verschuilen achter brede categorieën zoals „purchasing history” of „insufficient income” als de onderliggende reden een algoritmische identificatie van een specifiek winkelpatroon of een non-traditioneel datapunt was.³ Het Bureau heeft duidelijk gemaakt dat „het algoritme heeft beslist” geen juridisch verdedigbare stelling is.²⁰

SR 11-7 en de evolutie van Model Risk Management (MRM)

Supervisory Regulation 11-7 blijft de definitieve standaard voor modelgovernance in het bankwezen.⁷ In de context van AI focussen toezichthouders nu op:

1.​ Conceptual Soundness: Kredietverstrekkers moeten de economische en wiskundige logica van het model documenteren en bewijzen dat het niet alleen leunt op spurieuze correlaties.⁷

2.​ Independent Validation: Het team dat het model valideert moet technisch competent zijn en volledig onafhankelijk van het ontwikkelingsteam.⁷

3.​ Outcomes Analysis: Regelmatige back-testing en „effective challenge” zijn vereist om te waarborgen dat het model presteert zoals verwacht onder reële omstandigheden.⁷

NIST AI RMF 2.0: de governance-blueprint

Het National Institute of Standards and Technology (NIST) publiceerde in 2025 zijn bijgewerkte AI Risk Management Framework (RMF) 2.0, dat het concept van een „AI Bill of Materials” (AI-BOM) introduceert.²⁵ Dit vereist dat instellingen precies weten waar hun data vandaan komt, welke modellen worden gebruikt (inclusief third-party API’s), en hoe deze componenten samenwerken.²⁵

RMF 2.0-functie	Implementatievereiste	Verdedigbaar bewijs
Govern	AI-risico-eigenaarschap definiëren	Board-level toezichtdossiers
Map	Alle AI-systemen inventariseren	Dynamische AI-BOM en datalineage
Measure	Bias en drift kwantificeren	SHAP/LIME-audits en TPR-logs
Manage	Continue risicomitigatie	Geautomatiseerde model-„kill switches”

Fairness engineering: de wiskunde van equity

Deep AI-providers gaan verder dan kwalitatieve „fairness” naar kwantitatieve „fairness engineering.” Dit omvat de toepassing van wiskundige constraints in meerdere stadia van de modellevenscyclus.

Fairness-metrics in kredietunderwriting

Veriprajna gebruikt een suite van fairness-metrics om modellen te auditen en te kalibreren:

●​ Demographic Parity: De vereiste dat het goedkeuringspercentage ( ) voor beschermde groep ( ) gelijk is aan het goedkeuringspercentage voor groep ( ).​

●​ Equalized Odds: De vereiste dat zowel true positive rates (TPR) als false positive rates (FPR) consistent zijn over groepen. Dit waarborgt dat het model even nauwkeurig is voor alle demografieën.²⁹

●​ Disparate Impact Ratio: Een metric waarbij de ratio van het goedkeuringspercentage van de beschermde groep tot dat van de controlegroep typisch boven 0.8 moet liggen (de four-fifths rule) om regulatoire toetsing te vermijden.³¹

Debiasing-strategieën: pre-, in- en post-processing

Bias mitigeren vereist interventie over de hele pipeline 32:

1.​ Pre-processing: Bias in de trainingsdata aanpakken met technieken zoals SMOTE (Synthetic Minority Oversampling Technique) of het genereren van „synthetic data” om ondervertegenwoordigde demografieën in balans te brengen.¹⁸

2.​ In-processing: Het leeralgoritme zelf aanpassen. „Adversarial Debiasing” is de huidige gouden standaard, waarbij een secundair model (de adversary) wordt getraind om het beschermde attribuut te voorspellen uit de voorspellingen van het primaire model. Het primaire model wordt vervolgens geoptimaliseerd om zijn voorspellingsfout te minimaliseren terwijl de fout van de adversary wordt gemaximaliseerd.³³

3.​ Post-processing: Drempels bijstellen nadat het model zijn initiële score heeft geproduceerd, om equalized odds te waarborgen zonder een volledige hertraining van het basismodel.³²

Explainable AI (XAI): forensische transparantie

Om enterprise-grade te zijn, moet een AI-systeem uitlegbaar zijn. Veriprajna integreert XAI-frameworks die verder gaan dan eenvoudige feature importance naar „local interpretability”.²⁰

SHAP- en LIME-integratie

SHAP (SHapley Additive exPlanations)-waarden bieden een wiskundig rigoureuze manier om krediet voor een beslissing toe te kennen aan specifieke inputfeatures.³¹ Op basis van coöperatieve speltheorie wordt de SHAP-waarde voor feature ( ) berekend als:

Dit stelt het systeem in staat om voor elke adverse-action-kennisgeving een specifiek, auditbaar „behavioral detail” te genereren, waarmee aan de hoogste CFPB-compliance-standaard wordt voldaan.²⁰

Contrastieve en counterfactual explanations

Moderne toezichthouders verwachten in toenemende mate counterfactual explanations: „Wat had er moeten veranderen om deze aanvrager goed te keuren?”.²⁰ Veriprajna-systemen genereren deze in real-time: „Als uw kredietbenutting 15% lager was, of als uw inkomen $5,000 hoger was, zou de lening zijn goedgekeurd”.²⁰ Dit biedt handelingsgerichte transparantie die vertrouwen opbouwt en litigatierisico verlaagt.³⁷

De Veriprajna-architectuur: een Deep AI-framework

De Veriprajna-aanpak vervangt de „thin wrapper” door een meerlagig, socio-technisch systeem ontworpen voor de eisen van financiële dienstverlening.³⁸

Laag 1: de orchestration- en abstractielaag

In plaats van een LLM rechtstreeks vanuit een controller aan te roepen—wat serverthreads blokkeert en kosten verbergt—implementeert Veriprajna een orchestration-laag.³⁹ Deze laag beheert queues, handelt provider-specifieke retry-logica af, en gebruikt semantic caching om kostenefficiëntie en responsiviteit te waarborgen.³⁹

Laag 2: de dataintegriteits- en contextlaag

Voordat data ooit een AI-model bereikt, passeert zij een validatiepipeline die haar evalueert over zes dimensies: Accuracy, Completeness, Consistency, Timeliness, Relevance en Representativeness.⁴⁰ Dit waarborgt dat „dirty data” niet leidt tot bevooroordeelde of hallucinerende uitkomsten.⁴⁰

Laag 3: de multi-model risk engine

Veriprajna leunt niet op één enkel foundation model. In plaats daarvan gebruikt het een hybride aanpak:

●​ Deterministic Rule Engines: Voor „knockout”-compliancechecks (bijv. leeftijds- of verblijfsvereisten) die 100% accuraat moeten zijn.⁴¹

●​ Gradient Boosted Models (XGBoost/LightGBM): Voor gestructureerde kredietscoring waarbij interpretability en stabiliteit van het grootste belang zijn.³⁶

●​ Fine-tuned LLMs: Specifiek voor ongestructureerde documentanalyse en entity extraction, met gebruik van RAG (Retrieval-Augmented Generation) om het model te verankeren in de daadwerkelijke documenten van de aanvrager.³⁹

Laag 4: de continuous monitoring- en audit vault

Een Deep AI-systeem omvat een „shadow”-monitoringslaag die bijhoudt:

●​ Model Drift: Detecteren wanneer de distributie van binnenkomende data afwijkt van de trainingsset.²³

●​ Bias Drift: Real-time alerts wanneer de Disparate Impact Ratio onder vastgestelde drempels zakt.²⁷

●​ Hallucination Detection: AI-outputs kruisrefereren tegen de originele brondata (de „ground truth”) om anomalieën te signaleren.¹⁵

Strategische implementatie: een roadmap voor fiduciaires

De overstap van een legacy- of wrapper-gebaseerd systeem naar een Deep AI-architectuur vereist een gefaseerde aanpak gericht op „verdedigbaarheid vanaf dag één.”

Stap 1: algoritmische inventarisatie en risicoranking

Instellingen moeten alle kwantitatieve systemen catalogiseren, inclusief embedded AI-componenten in third-party software.²³ Elk systeem wordt vervolgens risk-ranked op basis van complexiteit, materialiteit en regulatoire gevoeligheid.²³

Stap 2: de „Search for Alternatives” (LDA-audit)

Onder het huidige fair-lendingrecht is het niet genoeg om te zeggen dat een model accuraat is. Kredietverstrekkers moeten actief zoeken naar „less discriminatory alternatives”.¹³ Dit omvat het trainen van meerdere modelconfiguraties en het selecteren van die welke fairness maximaliseert zonder een „material” verlies in voorspellende kracht.¹³

Stap 3: formalisering van Human-in-the-Loop (HITL)

Het „menselijke element” moet even auditbaar zijn als het algoritme. Veriprajna implementeert „Human-in-the-Loop”-systemen waarbij elke handmatige override wordt gelogd met een verplicht justificatieveld en wordt beoordeeld door een onafhankelijke compliance officer.³⁷ Dit voorkomt de „Earnest Pitfall” waarbij willekeurige menselijke beslissingen de beoogde fairness van de AI ondermijnen.¹

Implementatiefase	Actiepunt	Verwacht resultaat
Fase I: Discovery	AI-BOM- en Data Lineage-audit	Volledige zichtbaarheid van potentiële proxyrisico’s
Fase II: Calibration	Adversarial Debiasing en LDA Search	Geoptimaliseerde fairness-accuracy trade-off
Fase III: Integration	XAI- en Counterfactual Engine	CFPB-conforme adverse-action-kennisgevingen
Fase IV: Governance	Continuous Monitoring en HITL-audit	Lange-termijnmodelresilience en vertrouwen

Conclusie: de nieuwe standaard van fiduciaire intelligentie

De incidenten bij Earnest Operations en Navy Federal Credit Union markeren het einde van de eerste golf AI in finance—een golf gedefinieerd door „black-box”-experimentatie en oppervlakkige integratie. De tweede golf, gedefinieerd door Deep AI, vereist een fundamentele verbintenis aan architecturale integriteit, wiskundige fairness en radicale transparantie.

Veriprajna’s filosofie is gebouwd op het besef dat in 2026 een algoritme niet alleen een tool voor efficiëntie is; het is een statement van corporate values en een bindend juridisch dossier. De schikking van $2.5 miljoen die Earnest betaalde was niet alleen een boete voor bias; het was een prijs betaald voor het gebrek aan governance, het falen om proxies te identificeren, en het onvermogen om een beslissing uit te leggen.¹ De lopende litigatie van Navy Federal is een herinnering dat statistische dispariteiten, indien onbehandeld door „Deep AI”-auditing, zelfs de meest gerenommeerde instellingen kunnen bedreigen.²

Door verder te gaan dan de LLM-wrapper en socio-technische systemen te bouwen die fairness op codeniveau integreren, kunnen financiële instellingen hun dubbele mandaat vervullen: aandeelhouderswaarde maximaliseren via voorspellende nauwkeurigheid, terwijl zij hun fiduciary duty jegens de gemeenschappen die zij bedienen handhaven. De keuze is niet langer tussen AI en handmatige processen; het is tussen fragiele „wrapper”-technologie en de robuuste, verdedigbare intelligentie van Deep AI. Dit is de nieuwe standaard van excellentie, en het is het enige pad naar duurzame innovatie in een gereguleerde wereld.

Geraadpleegde bronnen

1. Mass. AG reaches settlement with student loan firm for $2.5M over AI lending bias, geraadpleegd op 6 februari 2026, https://bankingjournal.aba.com/2025/08/mass-ag-reaches-settlement-with-earnest-operations-for-2-5m-over-ai-lending-bias/

2. Hicks et al. v. Navy Federal Credit Union - 1:23-cv-01798 - Class Action Lawsuits, geraadpleegd op 6 februari 2026, https://www.classaction.org/media/hicks-et-al-v-navy-federal-credit-union.pdf

3. CFPB Issues Guidance on Credit Denials by Lenders Using Artificial Intelligence, geraadpleegd op 6 februari 2026, https://www.consumerfinance.gov/about-us/newsroom/cfpb-issues-guidance-on-credit-denials-by-lenders-using-artificial-intelligence/

4. AI adoption pitfalls: what lenders get wrong about automation | Ocrolus, geraadpleegd op 6 februari 2026, https://www.ocrolus.com/blog/ai-adoption-pitfalls-lenders-get-wrong-about-automation/

5. State action targets use of biased AI underwriting models: Key points - DLA Piper, geraadpleegd op 6 februari 2026, https://www.dlapiper.com/en/insights/publications/ai-outlook/2025/state-action-targets-use-of-biased-ai-underwriting-models

6. AI Discrimination Risk in Lending: Lessons from the Massachusetts ..., geraadpleegd op 6 februari 2026, https://www.debevoisedatablog.com/2025/07/20/ai-discrimination-risk-in-lending-lessons-from-the-massachusetts-ags-recent-2-5-million-settlement/

7. SR 11-7 Model Risk Management: Compliance, Validation & Governance - ModelOp, geraadpleegd op 6 februari 2026, https://www.modelop.com/ai-governance/ai-regulations-standards/sr-11-7

8. AG Campbell Announces $2.5 Million Settlement With Student Loan ..., geraadpleegd op 6 februari 2026, https://www.mass.gov/news/ag-campbell-announces-25-million-settlement-with-student-loan-lender-for-unlawful-practices-through-ai-use-other-consumer-protection-violations

9. Brown, Colleagues Call for a Review of Navy Federal After Reported Racial Disparities in Mortgage Lending | United States Committee on Banking, Housing, and Urban Affairs, geraadpleegd op 6 februari 2026, https://www.banking.senate.gov/newsroom/majority/brown-colleagues-call-for-a-review-of-navy-federal-after-reported-racial-disparities-in-mortgage-lending

10. Reps. Cleaver, Horsford Demand Answers from Navy Federal Credit Union Following Reports of Alarming Racial Disparities in Mortgage Lending, geraadpleegd op 6 februari 2026, https://cleaver.house.gov/media-center/press-releases/reps-cleaver-horsford-demand-answers-navy-federal-credit-union

11. Members of Congress say they're still concerned over racial disparities after meeting with Navy Federal Credit Union CEO | Congressman Steven Horsford, geraadpleegd op 6 februari 2026, https://horsford.house.gov/media/in-the-news/members-of-congress-say-they-re-still-concerned-over-racial-disparities-after-meeting-with-navy-federal-credit-union-ceo

12. Court Grants Part, Not All, of Navy Federal Credit Union's Motion to ..., geraadpleegd op 6 februari 2026, https://www.americascreditunions.org/blogs/compliance/court-grants-part-not-all-navy-federal-credit-unions-motion-dismiss-fair-lending

13. How To Identify Less Discriminatory Lending Alternatives and Why the Search Matters, geraadpleegd op 6 februari 2026, https://www.rmahq.org/journal-articles/2024/feb-mar-2024/how-to-identify-less-discriminatory-lending-alternatives-and-why-the-search-matters/

14. Navy Federal Mortgage Discrimination Litigation Civ. No. 23-cv - Class Action Lawsuits, geraadpleegd op 6 februari 2026, https://www.classaction.org/media/navy-federal-mortgage-discrimination-litigation.pdf

15. An Executive's Guide to the Risks of Large Language Models (LLMs) - FairNow AI, geraadpleegd op 6 februari 2026, https://fairnow.ai/executives-guide-risks-of-llms/

16. LLM Hallucinations: What Are the Implications for Financial Institutions? | BizTech Magazine, geraadpleegd op 6 februari 2026, https://biztechmagazine.com/article/2025/08/llm-hallucinations-what-are-implications-financial-institutions

17. Top 5 challenges in Manual Credit Underwriting - Accumn - Corpository, geraadpleegd op 6 februari 2026, https://hello.accumn.ai/top-5-challenges-in-manual-credit-underwriting/

18. Synthetic Data in Model Risk Management - NexaStack, geraadpleegd op 6 februari 2026, https://www.nexastack.ai/blog/synthetic-data-model-risk-management

19. LLM or Large Liability Model? The risks of ChatGPT in Finance - Global Relay, geraadpleegd op 6 februari 2026, https://www.globalrelay.com/resources/thought-leadership/large-language-model-or-large-liability-model-what-are-the-risks-of-chatgpt-in-financial-services/

20. AI in Lending: AI Credit Regulations Affecting Lending Business 2025 - HES FinTech, geraadpleegd op 6 februari 2026, https://hesfintech.com/blog/all-legislative-trends-regulating-ai-in-lending/

21. CFPB Applies Adverse Action Notification Requirement to Artificial Intelligence Models | Insights | Skadden, Arps, Slate, Meagher & Flom LLP, geraadpleegd op 6 februari 2026, https://www.skadden.com/insights/publications/2024/01/cfpb-applies-adverse-action-notification-requirement

22. How Model Risk Management (MRM) Teams Can Comply with SR 11-7 - ValidMind AI, geraadpleegd op 6 februari 2026, https://validmind.com/blog/sr-11-7-model-risk-management-compliance/

23. Managing AI model risk in AML: A step-by-step guide for banks and fintechs - Taktile, geraadpleegd op 6 februari 2026, https://taktile.com/articles/managing-ai-model-risk-in-aml

24. Sustaining model risk management excellence amid deregulations - KPMG International, geraadpleegd op 6 februari 2026, https://kpmg.com/us/en/articles/2025/sustaining-model-risk-excellence-deregulations.html

25. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, geraadpleegd op 6 februari 2026, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/

26. AI Vendor Risk Assessment Questionnaire for Compliance (2026) - Atlas Systems, geraadpleegd op 6 februari 2026, https://www.atlassystems.com/blog/ai-vendor-risk-questionnaire

27. Risk Management Framework 2025 | NIST, COSO, ISO, AI RMF - Neotas, geraadpleegd op 6 februari 2026, https://www.neotas.com/risk-management-framework/

28. AI Governance Checklist for 2026 Compliance - RadarFirst, geraadpleegd op 6 februari 2026, https://www.radarfirst.com/blog/2026-ai-governance-and-privacy-readiness-checklist/

29. (PDF) AI-powered credit risk assessment and algorithmic fairness in digital lending: A comprehensive analysis of the United States digital finance landscape - ResearchGate, geraadpleegd op 6 februari 2026, https://www.researchgate.net/publication/392902124_AI-powered_credit_risk_assessment_and_algorithmic_fairness_in_digital_lending_A_comprehensive_analysis_of_the_United_States_digital_finance_landscape

30. Debiasing Machine Learning - GeeksforGeeks, geraadpleegd op 6 februari 2026, https://www.geeksforgeeks.org/machine-learning/debiasing-machine-learning/

31. Structural Gender Bias in Credit Scoring: Proxy Leakage - arXiv, geraadpleegd op 6 februari 2026, https://arxiv.org/html/2601.18342v1

32. The Fair Game: Auditing & Debiasing AI Algorithms Over Time - arXiv, geraadpleegd op 6 februari 2026, https://arxiv.org/html/2508.06443

33. Fairness and Bias in Machine Learning: Mitigation Strategies - Lumenova AI, geraadpleegd op 6 februari 2026, https://www.lumenova.ai/blog/fairness-bias-machine-learning/

34. Explainable Artificial Intelligence for Credit Risk Assessment: Balancing Transparency and Predictive Performance - ResearchGate, geraadpleegd op 6 februari 2026, https://www.researchgate.net/publication/395996196_Explainable_Artificial_Intelligence_for_Credit_Risk_Assessment_Balancing_Transparency_and_Predictive_Performance

35. Disparate Impact as Uniquely Relevant in the Age of AI, geraadpleegd op 6 februari 2026, https://civilrights.org/disparate-impact-age-of-ai/

36. Interpreting LLMs as Credit Risk Classifiers: Do Their Feature Explanations Align with Classical ML? - arXiv, geraadpleegd op 6 februari 2026, https://arxiv.org/html/2510.25701v1

37. AI Risk Management Framework - Palo Alto Networks, geraadpleegd op 6 februari 2026, https://www.paloaltonetworks.com/cyberpedia/ai-risk-management-framework

38. Advance Journal of Econometrics and Finance Vol-3, Issue-1, 2025 ..., geraadpleegd op 6 februari 2026, https://ajeaf.com/index.php/Journal/article/download/131/142

39. From Wrappers to Workflows: The Architecture of AI-First Apps | by Silversky Technology | Jan, 2026 | Medium, geraadpleegd op 6 februari 2026, https://medium.com/@silverskytechnology/stop-building-wrappers-the-architecture-of-ai-first-apps-a672ede1901b

40. Checklist for Validating AI Financial Systems - Lucid.Now, geraadpleegd op 6 februari 2026, https://www.lucid.now/blog/checklist-validating-ai-financial-systems

41. Revolutionizing Underwriting: The Depth of ML Assistance and Algorithmic LLMs in Financial Decision-Making | by Rakesh patel | Medium, geraadpleegd op 6 februari 2026, https://medium.com/@rakesh.sruhad/revolutionizing-underwriting-the-depth-of-ml-assistance-and-algorithmic-llms-in-financial-8f338ad4e3a8

42. Strengthening Model Risk Management: Adapting to New Regulations and Emerging Risk - Solytics Partners, geraadpleegd op 6 februari 2026, https://www.solytics-partners.com/resources/blogs/strengthening-model-risk-management-adapting-to-new-regulations-and-emerging-risk

43. Navigating AI compliance: A risk-based framework for financial services in 2026, geraadpleegd op 6 februari 2026, https://www.advisorengine.com/action-magazine/articles/navigating-ai-compliance-a-risk-based-framework-for-financial-services-in-2026