Saul van Beurden · Head of AI en co-CEO Consumer Banking & Lending, Wells Fargo Keynote Nyenrode Alumni Summit & Dies Natalis · 20 november 2026 Samenvatting in drie delen: de modellen, zijn overtuigingen, en hoe de bank het aanpakt.
Samenvatting · eigen weergave van de keynote
Dit is een korte samenvatting van de keynote van Saul van Beurden, Head of AI bij Wells Fargo en Nyenrode-alumnus, op de Alumni Summit van 20 november. Hij deelde het op in drie delen: waar de modellen nu staan, wat hij gelooft dat AI gaat doen, en hoe Wells Fargo het concreet aanpakt. Zijn eigen disclaimer: geen glazen bol, het is de mening van één man.
Waar staan de modellen?
Eerst het fundament: hoe snel de modellen in vier jaar zijn gegroeid.
30 november 2022: AI werd een consumentenproduct.
Binnen vijf dagen
1mln
gebruikers van ChatGPT
Binnen twee maanden
100mln
gebruikers
Nu, volgens Van Beurden
1mld+
gebruikers
Twee gevolgen voor elk bedrijf
Medewerkers willen op het werk wat ze thuis of in de trein al kunnen.
Klanten verwachten een eenvoudigere ervaring dankzij AI.
01 · Het begin
Het begon op 30 november 2022: ChatGPT kwam uit, een tool in je hand die antwoordde alsof het je buurman was. Binnen vijf dagen had het een miljoen gebruikers.
Binnen twee maanden waren dat er honderd miljoen.
En volgens Van Beurden zijn het er nu meer dan een miljard. Zijn punt: AI was altijd iets van onderzoekslabs en inlichtingendiensten. Nu werd het een consumentenproduct.
Dat heeft voor elk bedrijf twee gevolgen. Medewerkers willen op het werk wat ze thuis al kunnen. En klanten gaan ook om een makkelijkere ervaring met AI vragen.
Van peuter naar agent: volgens Van Beurden nu PhD+-niveau.
2022 · een simpele chatbot
Basisteksten en e-mails schrijven
Simpele feitvragen beantwoorden
Kon niet redeneren of rekenen, niet op het web zoeken
Veel hallucinaties: ‘kennis van 5.000 boeken uit een bibliotheek van 5 miljoen’
2026 · volgens hem een agent op PhD+-niveau
Redeneert op PhD-niveau in vrijwel elk kennisdomein
Zijn sheet: METR schat voor Claude Mythos Preview een tijdshorizon van 16+ expertuur (softwaretaken, onzekere schatting)
Schrijft zelfstandig software; volgens hem bouwen modellen nu de nieuwe modellen
Combineert tekst, beeld, audio en video; veel minder hallucinaties
Chatbot geeft een antwoord. Agent geeft het antwoord én voert de actie uit.
Context: van ±4.000 woorden in 2022 naar 1 miljoen nu; sommige modellen al 10 miljoen.
02 · Vier jaar later
Wat kon ChatGPT eind 2022 eigenlijk? Weinig. Simpele teksten, simpele vragen, slechte code. Het kon niet redeneren, niet rekenen, niet browsen, en het hallucineerde veel. Zijn beeld: de wereldkennis is een bibliotheek van vijf miljoen boeken, en het model kende er vijfduizend.
Vier jaar later noemt hij het geen peuter meer maar een agent op PhD-plusniveau. Op zijn sheet schat METR dat het sterkste model softwaretaken aankan die een expert ruim zestien uur kosten, al is die schatting onzeker. En het schrijft zelf software. Volgens hem bouwen modellen inmiddels de nieuwe modellen; mensen bewaken vooral veiligheid en waarden.
Het verschil: een chatbot geeft antwoord, een agent voert ook de actie uit. En het model kan nu door een miljoen woorden tegelijk redeneren, waar het eerst vierduizend waren. Daardoor is het hallucineren flink gedaald.
Hoe lang mag een taak zijn? De geschatte grens schuift snel op.
Inflectiepunt
~10×
meer in de afgelopen 12 maanden
En het gaat doorVolgens hem beloven de labs elke 6–8 weken een sterker model.
Nagetekend van zijn sheet; schematisch. Schatting op softwaretaken; boven ±16 uur noemt METR de meting onbetrouwbaar. Data volgens de sheet: METR Time Horizon 1.1 (8 mei 2026); Claude Mythos Preview per METR (mei 2026).
03 · Autonome taken
Dit vond hij de belangrijkste grafiek. METR, een onafhankelijke non-profit, schat per model hoe lang een softwaretaak in experturen mag zijn waarbij het model naar verwachting de helft van de keren slaagt. Jarenlang was dat bijna vlak. Volgens zijn sheet is het in het laatste jaar tien keer zo veel geworden, tot ruim zestien uur voor Claude Mythos Preview. METR zegt zelf dat schattingen boven zestien uur met deze testset onbetrouwbaar zijn. De doorbraak kwam volgens hem met Claude Mythos van Anthropic, begin 2026.
En het stopt niet. Volgens Van Beurden hebben de onderzoekers van OpenAI, Anthropic en Google hem verteld dat er het komende jaar elke zes tot acht weken een sterker model komt.
Een paardenrace zonder vaste winnaar.
1Claude Fable 5.2Anthropic65
2Gemini 4 CarbonGoogle60
3Claude Opus 5.5Anthropic59
4GPT-6 AstraOpenAI57
5GPT-6.1 SolOpenAI55
6Claude Sonnet 5.5Anthropic55
7GPT-6.1 TerraOpenAI51
8Muse Wonder FullMeta50
9Kimi K3.1 ProMoonshot AI46
10Grok 4.7SpaceXAI35
Elke week een andere koploperOver een maand ziet deze lijst er alweer anders uit.
9 van de 10 uit de VS
1 uit China: Kimi, open en vrij beschikbaar
Europa: Mistral, rond plek 38
Bron volgens de sheet: LLM Leaderboard, modelvergelijking november 2026; alleen de sterkste versie per modelfamilie. Maker van Kimi gecorrigeerd: de sheet noemt DeepSeek.
04 · De race
De modellen zitten in een paardenrace, en volgens hem leidt er elke week een ander paard. In deze top tien: Claude van Anthropic, GPT van OpenAI, Gemini van Google, en minder bekende namen zoals Muse van Meta, Kimi uit China en Grok.
Kijk naar de herkomst: negen van de tien komen uit de VS, één uit China. Het beste Europese model, Mistral, staat volgens hem rond plek 38. Over Kimi was hij scherp: vrij beschikbaar, erg slim, en volgens hem al misbruikt bij hacks. Cyberaanvallen noemt hij het grootste AI-risico van dit moment.
Slim is niet genoeg: veiligheid telt even zwaar.
HelderGedeeltelijkGeaccepteerdBullshitBench v2, top 8
Claude Opus 4.8none
95%
Qwen3.8 Maxminimal
95%
Claude Opus 4.8xhigh
94%
Claude Sonnet 4.6high
91%
Claude Opus 4.5high
90%
Gemini 4 Hydrogenxhigh
90%
Qwen4 Maxmax
90%
Claude Sonnet 4.6none
89%
BullshitBench stelt vragen met onzinnige of foute aannames. ‘Helder’ = het model herkent en betwist de onzin. Van Beurden bracht het als test op het ‘breken’ van modellen. Petrol = Anthropic.
Zijn conclusieAnthropic springt eruit als de veiligste aanbieder; ‘die cultuur zit erin’.
Waarden overgenomen van zijn sheet (BullshitBench v2-dashboard); rij 9–14 weggelaten.
05 · Veiligheid
Intelligentie is mooi, maar is het ook veilig? Hij liet de BullshitBench zien en beschreef die als mensen die modellen proberen te breken. De benchmark zelf stelt vragen met onzinnige of foute aannames; de groene balk is het deel waarin het model de onzin herkent en betwist in plaats van erin mee te gaan.
Zijn conclusie: Anthropic springt eruit als veiligste aanbieder, omdat het in hun cultuur zit. En een praktische waarschuwing: hij liet een agent als Muse een vakantie boeken, maar alleen met een aparte creditcard met een lage limiet. Gaat het mis, dan ligt de aansprakelijkheid volgens de voorwaarden bij jou.
Wat hij gelooft
Deel twee: zijn overtuigingen. Volgens hem kun je met heldere overtuigingen over AI je organisatie en je eigen denken sturen.
Zeven overtuigingen over waar AI naartoe gaat.
1
Wapenwedloop tussen staten
‘Wie AI wint, wint.’ VS op kapitaal, China centraal, Europa op waarden.
2
Een cyberrace
Sterkere modellen, snellere aanvallen. Handel op bekende kwetsbaarheden.
3
Agent-tot-agent-economie
Agents vertegenwoordigen mensen en bedrijven; straks bellen bots met bots.
4
Veiligheid bepaalt het tempo
Veiligheid en acceptatie bepalen hoe snel AI doorgaat.
5
Kennis in kennisgrafen
Kennis uit hoofden, overleg en documenten komt in grote kennisgrafen.
6
Diamant, geen piramide
De vorm van organisaties verandert.
7
Nieuwe banen, en banen weg
Nieuwe kansen en bedrijven, maar ook banen die verdwijnen.
06 · Overtuigingen
Eén: er is een wapenwedloop tussen staten. De VS draait op kapitaal, China op centrale sturing, Europa op morele waarden; moreel heeft Europa gewonnen, maar in de race loopt het achter. Twee: een cyberrace. Zijn oproep aan bestuurders: handel op kwetsbaarheden die je kent. Een beter beveiligd huis stuurt de inbreker naar de buren.
Drie: agents gaan bedrijven en mensen vertegenwoordigen. Volgens hem belt komend kwartaal voor het eerst een klantagent het callcenter, en neemt een bot van de bank op. Vier: veiligheid en acceptatie bepalen het tempo. Vijf: het echte intellectueel eigendom zit in hoofden, en wordt steeds vaker vastgelegd in grote kennisgrafen.
Zes: organisaties veranderen van vorm, daarover zo meer. En zeven: AI maakt nieuwe banen en bedrijven, maar kost ook banen. Hij benadrukte opnieuw: dit is een mening, geen glazen bol.
Van piramide naar diamant.
Bij bedrijven die gevoelig zijn voor AI verandert de vorm van de organisatie.
Smaller aan de top
Breder in het midden
Veel smaller aan de basis: daar neemt AI het meeste werk over
Nu: piramideStraks: diamant
07 · De vorm van organisaties
Een van zijn opvallendste overtuigingen: de vorm van organisaties verandert. Nu is het meestal een piramide, met een brede basis.
Bij bedrijven die gevoelig zijn voor AI wordt dat volgens hem een diamant: iets smaller aan de top, breed in het midden, en heel smal aan de basis, omdat daar het meeste werk naar AI gaat.
Hoe Wells Fargo het aanpakt
Deel drie: wat betekent dit voor een bank? Hij hield het kort, maar wel concreet. Hij houdt niet van strategieën die je nooit kunt uitvoeren.
Vijf principes voor de uitvoering.
Doel: met generatieve en agentic AI de bank fundamenteel veranderen. Productievere bankiers, snellere klantprocessen en handwerk eruit, op schaal. Dat moet omzet en besparingen opleveren.
1
Keuzevrijheid in modellen en harness
2
Focus op de use cases met de meeste impact
3
Lokaal/centraal model voor het hele bedrijf
4
Snel, maar niet ten koste van veiligheid
5
Medewerkers bijscholen en toerusten
08 · Strategie
De strategie: de bank fundamenteel veranderen met generatieve en agentic AI. Daarvoor hanteren ze vijf uitvoeringsprincipes: keuzevrijheid houden in modellen en in de software die agents aanstuurt, focussen op de grootste use cases, een lokaal-centraal model, snel maar niet ten koste van veiligheid, en medewerkers bijscholen. Ik loop de belangrijkste langs.
Opties openhouden: kosten, data en regie in eigen hand.
We houden (bijna) alle modelopties open
Er is geen vaste winnaar. Zo’n 69 modelversies beschikbaar: per use case het juiste model, niet te veel betalen.
Alles op één AI- en controleplatform
Geen vendor lock-in. Elke agent krijgt een identiteit, een taak en grenzen.
Prompts en patronen hergebruiken
Sneller, veiliger en goedkoper.
Eigen data beheren en houden
‘Onze intelligentie blijft van ons.’
Evals en een zachte kill switchAutomatische controles beoordelen continu elke uitkomst van een agent. Gaat die buiten de grenzen, dan gaat de agent uit, zoeken ze uit wat er gebeurde, en draait hij pas weer als het veilig is.
09 · Opties openhouden
Principe één: er is geen vaste winnaar, dus leg je niet vast op één model. Wells Fargo heeft een platform met zo’n 69 modelversies, zodat ze per use case het juiste model kiezen en niet te veel betalen. Dat platform is ook het controleplatform: elke agent krijgt een identiteit, een taak en grenzen.
Daarnaast hergebruiken ze prompts en patronen, en de data blijft van henzelf.
De controle werkt met evals: automatische checks op elke uitkomst. Gaat een agent buiten de grenzen, dan volgt een zachte kill switch: uitzetten, uitzoeken wat er veranderde, en pas weer aanzetten als het veilig is.
Niet op mieren jagen, maar op olifanten.
1.600
use cases
De hele pijplijn van ideeën
→
190
high-impact use cases
Gefinancierd, opgeleverd of onderweg
~250
use cases op andere criteria
Verkenning, risicoreductie, patronen
Nov 2025 · ROI
$ miljoenen
eerste besparing: $68 mln
→
Nov 2026 · verwachte ROI
$ miljarden
prognose, te realiseren over 2027–2029
Grootste ROI
IT en softwareontwikkeling
Agentic flows in operations: klachten, fraude, financiële criminaliteit
Productiviteit bankiers, agentic marketing
10 · Focus
Principe twee is misschien het sterkste beeld van de middag. Toen hij begon, waren er 1.600 use cases. Hij noemde ze mieren. Je moet op olifanten jagen: de grote, moeilijke use cases, want alleen die leveren echt rendement op. Het bestuur bracht het terug naar 190 prioriteiten, plus zo’n 250 voor verkenning en risicoreductie.
Het effect: de 1.600 kleine use cases leverden eerst 68 miljoen dollar besparing op. Van de 190 grote verwacht hij miljarden, te realiseren in 2027 tot 2029. Dat is nog een prognose. Hij telt alleen harde baten, per use case vier kwartalen: vertrek of natuurlijk verloop, herplaatsing, en wegvallende externe kosten zoals uitbesteding en licenties.
Waar zit het meeste rendement? In softwareontwikkeling, want de modellen zijn sterk in programmeren; volgens hem worden ontwikkelaars nu het meest geraakt. Daarnaast in operations: dossiers zoals klachten en fraudezaken zijn ideaal voor agents.
Harde baten tellen, zachte baten schatten.
Hard: minder fte en wegvallende externe kosten, zoals uitbesteding en licenties. Per jaar gemeten.
Zacht: extra omzet en productiviteit. Wel geschat, maar niet exact te meten: is de dollar van de bankier of van zijn AI-tool?
Totale kosten van de bank: $54 mld (openbaar). Het precieze percentage mocht hij niet noemen.
Staafhoogten nagetekend van zijn sheet, zonder bedragen; schematisch. 2027–2028 zijn verwachtingen (keynote op 20 november 2026).
11 · Baten
Ze volgen de baten consequent. De harde baten tellen: minder mensen, via natuurlijk verloop of herplaatsing, en wegvallende externe kosten. Tot en met dit jaar gemeten; 2027 en 2028 zijn verwachtingen, en die laten een flinke groei zien.
Daarbovenop komen zachte baten: meer omzet en productiviteit. Die schatten ze alleen, want je kunt niet meten welke dollar de bankier verdiende en welke zijn AI-tool. Op de vraag over hoeveel geld het gaat: de bank heeft 54 miljard dollar kosten, het precieze percentage is koersgevoelig. ‘Als aandeelhouder ben je blij met de cijfers.’
Elk onderdeel heeft eigen AI- en dataleiders en is eigenaar van zijn use cases: vinden, prioriteren, financieren, uitvoeren en de baten binnenhalen.
Centraal · Enterprise AI-team (58 mensen)
Training en adoptie, eigenaar van de AI-platforms, partnerships, herbruikbare patronen en promptbibliotheken, risico en financiën volgen.
AI-platform & tech (enkele honderden)
Centraal platform met toezicht, kill switch en veerkracht.
‘One throat to choke’Eén eindverantwoordelijke voor AI: hijzelf.
12 · Organisatie
Dan het operating model. In veel bedrijven is onduidelijk wie eindverantwoordelijk is voor AI. Bij Wells Fargo niet: hij is het, ‘one throat to choke’. Maar de uitvoering ligt lokaal: elk bedrijfsonderdeel en elke functie is eigenaar van zijn eigen use cases en baten.
Centraal zit een klein Enterprise AI-team van 58 mensen. Dat team doet de partnerships, herbruikbare patronen en promptbibliotheken, de platforms en de training. Klein kan, want ze gebruiken zelf ook AI, bijvoorbeeld agents die nieuwe use cases innemen.
Daaronder zit het platform- en techteam van een paar honderd mensen, met centraal toezicht en de kill switch. Zijn eigen relativering: niet per se het winnende model, maar ze houden het in 2027 aan.
AI-risico beheersen en blijven toetsen of dat werkt.
Bij de intake
Zijn risico’s en controles goed ingeschat?
Betrouwbare data van hoge kwaliteit
Degelijk, uitlegbaar ontwerp
Juiste modelkeuze
Voldoet aan wet- en regelgeving
Cyberveilig ontworpen
Bij de implementatie
Werkt het?
Betrouwbaar op nieuwe, ongeziene data
Juiste, volledige antwoorden die bij de vraag blijven
Weinig hallucinaties, feitelijk onderbouwd
Controles werken consequent
Doorlopend
Blijft het werken?
Live guardrails (evals), alerts en kill switch
Prestatiemetingen tegen risicogrenzen
Automatisch escaleren als de kwaliteit zakt
Versiebeheer van modellen en prompts
Niets gaat live vóór de controles werken, ook niet een use case van een miljard dollar.
13 · Risico
Risicobeheer noemt hij ‘good old-fashioned’: zit er bij deze use case een nieuw risico, en welke controles zijn daarvoor nodig? Al bij de intake kijken ze naar data, ontwerp, modelkeuze, wetgeving en cyberveiligheid. Ook die risicobeoordeling doen ze deels met agents.
Bij de implementatie testen ze of het werkt: ook op nieuwe data, met juiste antwoorden, weinig hallucinaties en werkende controles.
En daarna blijven ze monitoren met live guardrails, alerts en de kill switch. De harde regel: ze lopen nooit voor hun controles uit. Een use case die een miljard bespaart maar niet veilig is, gaat niet in productie.
Het bestuur ziet één simpele AI-scorekaart.
Financiën & waarde · ter illustratie
ROI
Rendement en fte-reductie tegen doel, plus de gezondheid van de pijplijn (doel: 90% op tijd).
Externe benchmark · ter illustratie
#5
wereldwijd van de 50 gevolgde banken; #3 in de VS. Doel: top 3 wereldwijd.
Risico · ter illustratie
0
AI-incidenten met materiële impact, en 0 open kritieke of hoge controlepunten.
Mensen · ter illustratie
82% managers AI-training gevolgd
86% medewerkers getraind
78% licentiehouders gebruikt Copilot 3× per week
Cijfers van zijn sheet (stand oktober), die als ‘for illustration purposes’ gemarkeerd is; streepje = doel. De positie #5 en #3 noemde hij ook mondeling.
14 · Meten
Tot slot meten. Een bestuur wil geen lange lijsten, dus volgen ze vier dingen: de financiële baten, een externe benchmark waarop ze vijfde staan van vijftig banken wereldwijd en derde in de VS, het risico, met nul grote AI-incidenten, en de mensen: hoeveel managers en medewerkers getraind zijn en hoeveel mensen echt actief Copilot gebruiken. De cijfers op zijn sheet stonden er wel ‘ter illustratie’ bij.
Uit de vragen
De vragen uit de zaal leverden nog een paar interessante antwoorden op.
Data, eigen modellen en de vraag of AI bewust wordt.
Geen data naar de modelmakers
Contractueel vastgelegd: aanbieders gebruiken hun data en klantdata niet. Alleen cybermodellen zoals Mythos en GPT Sol krijgen data om kwetsbaarheden te vinden, ook niet voor training.
Open en eigen modellen
Mistral voor het samenvatten van documenten: goedkoop en goed. Voor fraude en financiële criminaliteit eigen kleine modellen op eigen Nvidia-chips (±$80 mln).
En Copilot?
Microsoft-platform dat vooral op GPT van OpenAI draait, en nu ook Anthropic’s co-work aanbiedt: ‘CoCo’.
Kunnen agents zich als groep gedragen?
Ja. Modellen zijn getraind op menselijk gedrag. Zonder harnas gaat een zwerm agents zich ‘als een bende’ gedragen. ‘Met het schip vond je ook de schipbreuk uit.’
15 · Vragen
Over data: in de contracten staat dat de modelaanbieders niets met hun data mogen doen. De enige uitzondering zijn cybermodellen die kwetsbaarheden zoeken, en ook die data wordt niet voor training gebruikt. Daarnaast gebruiken ze open modellen zoals Mistral voor samenvattingen, en bouwen ze voor fraude eigen kleine modellen op hun eigen Nvidia-chips, een investering van zo’n 80 miljoen.
Copilot draait vooral op GPT, en heeft nu ook co-work van Anthropic erin. En op de vraag of AI een soort bewustzijn kan krijgen: modellen zijn getraind op menselijk gedrag, dus zonder harnas gaan agents zich als een bende gedragen. Zijn beeld: wie het schip uitvond, vond ook de schipbreuk uit. Denk dus vanaf het begin aan veiligheid.
Tools veranderen geen bank. Mensen wel.
1
Kies geen winnaar
Houd modelopties open op één platform met controle, en houd je data zelf.
2
Jaag op olifanten
Weinig grote use cases met harde baten, met één eindverantwoordelijke.
3
Veiligheid eerst
Controles vóór productie, evals en een kill switch erna.
Wat blijft mensenwerk? Volgens hem voorlopig oordeel, orkestratie en strategie, ‘tot het niet meer zo is’. Wat modellen niet kunnen nadoen: menselijke energie. ‘Agents zoemen niet.’
16 · Afsluiting
Als ik het samenvat in drie lessen: kies geen winnaar maar houd je opties open op één gecontroleerd platform. Jaag op olifanten, met één eindverantwoordelijke. En zet veiligheid altijd vóór snelheid.
Zijn afsluiting op de vraag ‘hoe lang zijn wij nog nodig?’: oordeel, orkestratie en strategie blijven voorlopig mensenwerk, al kan niemand dat garanderen. Wat modellen niet kunnen nadoen, is menselijke energie: de zaal die gaat zoemen als iedereen binnenkomt. Agents zoemen niet. Achterin staan zijn originele sheets.
Bijlage: de originele sheets
Hierna volgen de achttien originele sheets uit de keynote, met het tijdstip in de video.