Fed gouverneur Barr waarschuwt dat AI-financiering, handel en cybergevaren de financiële stabiliteit kunnen bedreigen
Belangrijkste punten
- •De schuld op de balans van de zeven grootste AI-bedrijven zou eind 2026 naar verwachting $800 miljard overschrijden, terwijl de maximale nominale off-balance verplichtingen al meer dan $3 biljoen bedragen.
- •Hyperscalers en grote GPU-producenten houden meer dan $100 miljard aan cumulatieve aandeleninvesteringen in grote taalmodellaboratoria en cloudcomputing-startups, wat Barr omschreef als een vorm van circulaire financiering.
- •Barr vergeleek de schaal van AI-gerelateerde kapitaaluitgaven met eerdere infrastructuurhuizen, waaronder spoorwegen in de jaren 1870, snelwegen halverwege de twintigste eeuw, glasvezelkabel in de jaren negentig en de telecomcyclus eind jaren negentig.
- •Als veel handelaren vertrouwen op vergelijkbare AI-modellen getraind op vergelijkbare data, kan een gedeelde fout storingen met systemische gevolgen veroorzaken, en reinforcement-learning-algoritmen kunnen theoretisch autonoom collusief gedrag ontwikkelen zonder expliciete intentie.
- •AI-agenten kunnen de uitstroom van deposito's versnellen tijdens perioden van stress door gelden automatisch met hoge snelheid te verplaatsen, waardoor bankruns mogelijk binnen enkele minuten plaatsvinden en traditionele liquiditeitsbeheersperiodes worden overweldigd.

Enkele mogelijke implicaties van kunstmatige intelligentie voor de financiële stabiliteit
16 november 2026 — Michael S. Barr, gouverneur, Board of Governors van het Federal Reserve System
Toespraak tijdens de zevende jaarlijkse Association for Computing Machinery International Conference on Artificial Intelligence in Finance, Milaan, Italië
Officiële toespraak
Michael S. Barr zei dat kunstmatige intelligentie de productiviteit kan verbeteren, de toegang tot financiële diensten kan verbreden en markten kan versterken, maar waarschuwde dat de technologie ook risico's voor de financiële stabiliteit kan creëren via sterk gelede investeringen, geconcentreerde handelssystemen, cyberveiligheidskwetsbaarheden en ontoereikende consumentenbescherming. Omdat Barr sprak als zittend Fed gouverneur tegelijk met de publicatie van het nieuwste Financial Stability Report van de centrale bank, geven de opmerkingen lezers een direct beeld van hoe een senior functionaris van de Federal Reserve AI framed als zowel een economische kans als een mogelijke bron van systemisch risico.
Barr zei dat dit zijn vierde toespraak in het afgelopen jaar was die volledig aan kunstmatige intelligentie (AI) was gewijd, en merkte op dat AI in de meeste van zijn andere recente toespraken ook aan bod was gekomen. Hij omschreef de effecten van AI op mensen en economieën wereldwijd als een van de belangrijkste kwesties waar de maatschappij voor staat.
"Ik ben optimistisch over de langetermijnbelofte van AI om individuen, bedrijven en instellingen in de hele samenleving te versterken", zei Barr. Hij voegde toe dat, als de huidige uitdagingen en toekomstige verstoringen effectief worden beheerd, AI de productiviteit en levensstandaard kan verhogen, zodat de meeste mensen meer leren en meer verdienen.
Barr zei dat zijn optimisme ook voortkwam uit vertrouwen in het vermogen van de samenleving om de veranderingen die AI teweegbrengt te begrijpen en erop te reageren. Constructieve dialoog was nodig om te garanderen dat de voordelen van de technologie niet worden overschaduwd door de verstoringen en risico's die ze onvermijdelijk met zich meebrengt.
De conferentie droeg, aldus Barr, bij aan die dialoog door te onderzoeken hoe AI mensen kan helpen hun financiën te beheren, toegang te krijgen tot krediet en diensten, kosten te verlagen, de capaciteiten van aanbieders van financiële diensten te verbeteren en markten effectiever te laten functioneren. Maar AI kan het financiële systeem alleen op deze manier versterken als het ook de financiële stabiliteit ondersteunt, wat Barr onmisbaar noemde voor een gezonde economie.
Het nieuwste halfjaarlijkse Financial Stability Report (FSR) van de Federal Reserve—de belangrijkste beoordeling van de Fed van kwetsbaarheden waarmee het financiële systeem wordt geconfronteerd—werd vrijdag (13 november) gepubliceerd en bevat belangrijke bevindingen over AI en financiële stabiliteit, aldus Barr. Het rapport richt zich op de AI-investeringshausse en onderzoek van Fed-medewerkers naar de schuldenlast in innovatieve schuldstructuren die worden gebruikt om die groei te financieren.
Barr zei dat hij de bevindingen van het rapport zou toelichten voordat hij onderzoek behandelde naar de voordelen en risico's van het integreren van AI in financiële markten, met name groothandelsmarktactiviteiten. Vervolgens zou hij AI-gerelateerde cybersecurityrisico's en de gevolgen voor consumenten- en beleggersbescherming behandelen.
De AI-investeringshausse
Barr zei dat beleggers recent vragen hadden gesteld over de duurzaamheid van de AI-investeringshausse. Hij benadrukte dat beleidsmakers van de Federal Reserve Board geen niveau van financiële markten nastreven en dat markten stijgen en dalen. Hij zei dat hij commentaar op korte-termijnmarktbewegingen vermijdt, terwijl hij langere-termijnpunten met betrekking tot financiële stabiliteit beoordeelt.
In een eerdere toespraak besprak Barr drie scenario's die de mogelijke effecten van AI op de economie behandelden. Zelfs als AI een transformerende innovatie bleek die de productiviteit aanzienlijk verhoogde, was een belangrijke vraag of beleggers rendement op de AI-uitbouw zouden ontvangen binnen de periode en op het niveau dat ze verwachtten. Een andere uitkomst zou kunnen leiden tot een aanzienlijke herwaardering.
Grote investeringsverliezen door zo'n herwaardering zouden de groei van de productie op twee manieren kunnen verlagen. De eerste zou het directe effect zijn van lagere investeringen, die deel uitmaken van het bruto binnenlands product. De tweede zou het indirecte effect zijn van vermogensverlies, dat de consumptieve en mogelijk bedrijfsuitgaven kan verlagen.
Het nieuwste FSR zei dat de equity premium—een ruwe maatstaf voor het extra rendement dat beleggers eisen om aandelen te houden in plaats van risicovrije obligaties—laag was in vergelijking met historische normen, alhoewel lang niet zo laag als tijdens de dot-combeurshausse. Barr zei dat de equity premium slechts één indicator was voor brede aandelenwaarderingen ten opzichte van historische normen.
Schuldenlast in de datacentrumuitbouw
De AI-uitbouw wordt steeds vaker met schuld gefinancierd. Het FSR onderzoekt drie manieren waarop financiering voor AI-datacentra en gerelateerde investeringen—in het rapport "advanced computing debt" genoemd—de financiële stabiliteit kan beïnvloeden: de snelle groei van deze schuld, circulaire financieringsnetwerken en andere complexe financiële verplichtingen.
Als AI-investeringen aanzienlijk zouden worden geherwaardeerd, zou stress uit deze drie aspecten van AI-financiering de herwaardering kunnen versterken, zei Barr.
De schuld op de balans van de zeven grootste AI-bedrijven groeide in 2026 aanzienlijk en zou eind dit jaar naar verwachting meer dan $800 miljard bedragen. Barr vergeleek de toename met de schuldgroei tijdens de telecominvesteerfase eind jaren negentig en begin jaren 2000.
Het FSR vergelijkt de cumulatieve kapitaaluitgaven en schulduitgiften door hyperscaler-bedrijven—de grootste cloud- en datacentrumexploitanten—sinds 2020 met de uitgaven en uitgiften van alle telecommunicatiebedrijven tijdens de breedbandinvesteerfase die in 1995 begon. Hyperscalers hadden de vergelijkingsgroep van de eerdere hausse nog niet overtroffen, maar de recente versnelling van hun kapitaaluitgaven wees erop dat dit snel zou kunnen gebeuren.
Andere verplichtingen—waaronder langetermijncontracten, leaseverplichtingen en restwaardegaranties—zijn nog sneller gegroeid dan de schuld op de balans. Het FSR schat dat de maximale nominale waarde van deze verplichtingen, die als off-balance verplichtingen worden behandeld, nu meer dan $3 biljoen bedraagt.
Bedrijven rapporteren off-balance verplichtingen doorgaans vóór discontering, wat vergelijkingen met disconteerde balanscijfers bemoeilijkt.
Een aanzienlijk deel van de verplichtingen komt uit complexe constructies waarin hyperscalers en andere hoog gewaardeerde bedrijven indirect financiering ondersteunen voor projecten met bedrijven met zwakkere kredietwaardigheid, of investeringen in nutsbedrijven ondersteunen. De verplichtingen omvatten energiecontracten, langetermijndatacentrum- en computerleases en uiteenlopende off-balance financieringsstructuren.
Barr zei dat deze complexiteit ondoorzichtig kan zijn voor minder ervaren beleggers. Die ondoorzichtigheid kan verkopen verergeren wanneer beleggerssentiment verandert, omdat het moeilijk is te bepalen waar het risico zich bevindt. De ontwikkeling van deze aanzienlijke off-balance structuren vereist volgens hem nauwgezette monitoring.
Bedrijven met lagere kredietkwaliteit die het meest afhankelijk zijn van externe financiering hebben de afgelopen maanden ook een aanzienlijke stijging van hun kapitaalkosten gezien. Als gevolg daarvan wenden die bedrijven zich tot complexere asset-backed financiering, zei Barr.
Hyperscalers en grote producenten van grafische verwerkingseenheden (GPU's) hebben ook meer dan $100 miljard aan cumulatieve aandeleninvesteringen in grote taalmodel- (LLM) laboratoria en cloudcomputing-startups. Barr omschreef die investeringen als een vorm van "circulaire financiering". Hyperscalers en GPU-fabrikanten verstrekken kapitaal aan kleinere bedrijven, die de middelen vervolgens gebruiken om GPU's en rekencapaciteit te huren of te kopen bij de bedrijven die hebben geïnvesteerd.
De investeringen vormen een relatief klein deel van de balansen van hyperscalers en GPU-producenten, maar ze zijn cruciaal voor de kleinere bedrijven die het kapitaal ontvangen. Om de AI-uitbouw economisch levensvatbaar te maken, zullen die kleinere bedrijven uiteindelijk de leveranciersfinanciering van hyperscalers en GPU-fabrikanten moeten vervangen door inkomsten van betalende klanten.
Een andere indirecte vorm van circulaire financiering omvat onderpandgaranties die aankopen van producten en diensten van hyperscalers en GPU-producenten ondersteunen. Wanneer bedrijven die afhankelijk zijn van externe financiering op beperkingen stuiten, kunnen ze overschakelen van bedrijfsobligaties naar asset-backed financiering.
Om dergelijke financiering te ondersteunen, garanderen grotere bedrijven met hogere kredietkwaliteit vaak de wederverkoopwaarde van datacentra of GPU's die als onderpand worden aangeboden. Deze garanties, of onderpandbackstops, worden gerapporteerd als off-balance verplichtingen omdat ze de verliezen vertegenwoordigen die hyperscalers en GPU-producenten kunnen oplopen als kredietnemers in gebreke blijven en onderpand wordt geliquideerd.
Vergelijkingen met eerdere infrastructuurhuizen
Barr zei dat de schaal van AI-gerelateerde kapitaalinvesteringen naast eerdere technologie- en infrastructuurcycli moet worden bezien. Volgens één schatting zou de investering die hoort bij de AI-uitbouw kunnen wedijveren met of zelfs overtreffen de investeringen van eerdere infrastructuurhuizen, waaronder spoorwegen in de jaren 1870, snelwegen in de jaren 1950 en 1960, en glasvezelkabel in de jaren negentig.
Elk van die huizen leek op een gegeven moment misschien overbouwd, zei Barr, maar de spoorweg-, snelweg- en glasvezelcapaciteit die ze creëerden blijft waardevol. Sommige eerdere huizen doofden desondanks uit, met gevolgen voor het bredere financiële systeem.
Omdat de huidige hausse nog een beperkte hoeveelheid schuld heeft, was Barr minder bezorgd over directe verliezen. De schuldenlast bij hedgefondsen en de bredere risicobereidheid leken echter hoog. Een scherpe omkeer zou daarom snelle afschuldiging en mogelijk zichzelf versterkende gedwongen verkopen kunnen veroorzaken.
De schuldenlast in aandelenstrategieën is de afgelopen jaren ook toegenomen, deels via prime-brokeragediensten van grote dealers. De hoge kapitaalniveaus van de grootste banken bieden bescherming tegen overschakelingen, maar tegenpartijexposities kunnen toenemen tijdens een periode van volatiliteit op aandelenmarkten. Barr zei dat exposities moeten blijven worden gemonitord, waaronder exposities naar tegenpartijen met grote AI-posities.
Het grootste deel van de kosten van een datacentrum komt van GPU's en andere gespecialiseerde AI-chips. Eén zorg is dat die chips snel kunnen afwaarderen als nieuwere technologieën ze vervangen, waardoor de capaciteit die ze vertegenwoordigen beperkt toekomstig gebruik heeft.
Leasetarieven voor oudere chipgeneraties bleven standhouden, wat erop wees dat computertechnologie achter de nieuwste generatie nog steeds gebruikt kon worden, aldus Barr, maar hij voegde toe dat de trend monitoring vereiste. Het was ook moeilijk te bepalen hoe andere AI-gerelateerde kapitaalgoederen—zoals substations, hoogspanningsverbindingen en netkoppelingen—zouden worden gebruikt als de vraag naar die diensten zou tegenvallen.
In sommige gebieden zou extra energie- en netwerkcapaciteit nuttig zijn ongeacht de toekomst van AI. In andere gebieden kan overtollige capaciteit jaren duren om bruikbaar te worden, zoals gebeurde met "dark fiber" in sommige regio's na de hausse en dip van de jaren negentig.
Barr zei dat het ook mogelijk is dat de AI-investeringshausse doorzet, met vraag naar AI-diensten die de kapitaalinstallatie volledig gebruikt en aanvullende capaciteit vereist. "Alleen de tijd zal het leren", zei hij.
Onbedoelde gevolgen van AI in groothandel in effecten
AI kan de handel op financiële markten hervormen, een onderwerp dat in eerdere FSR's werd behandeld. Generatieve AI kan bredere en rijkere data verwerken, complexere logica toepassen dan traditionele handelsalgoritmen, drempels voor geavanceerde handelstechnologie verlagen en de diversiteit van marktparticipanten vergroten. Het zou ook marktsurveillance kunnen verbeteren.
Deze capaciteiten kunnen de efficiëntie, integriteit en werking van markten verbeteren. Maar Barr zei dat AI, net als bij elke nieuwe technologie, ook risico's creëert.
Volgens zijn inzicht wordt generatieve AI nog niet op grote schaal gebruikt voor autonome handel. Desondanks moeten toezichthouders en marktparticipanten de risico's en implicaties van invoering begrijpen. Veel belangrijke vragen zullen niet abstract worden beantwoord maar door technische beslissingen over modelontwerp, trainingsdata, testen en implementatie.
AI kan de toegang tot handelsexpertise en -technologie democratiseren, maar het kan ook informatie-asymmetrie en marktconcentratie vergroten. State-of-the-art systemen zijn duur en vereisen substantiële investeringen, wat de grootste bedrijven een voordeel kan geven en marktmacht bij hen kan concentreren. Zelfs wanneer AI-tools breed beschikbaar zijn, vereist effectief gebruik aanzienlijke vaardigheden, wat gevestigde bedrijven kan bevoordelen.
Het effect van het integreren van AI in handel op prijsefficiëntie is onzeker. In een artikel uit 2026 voor Jackson Hole waarschuwde Markus Brunnermeier dat effectenprijzen minder informatief kunnen worden door asymmetrisch begrip: AI-agenten begrijpen misschien mensen en anticiperen op hun handelen, terwijl mensen AI-agenten minder goed begrijpen of hun gedrag niet kunnen anticiperen.
AI kan ook de informatiewaarde van prijzen verbeteren door een breder scala aan informatie sneller te verwerken. Onderzoek dat Barr citeerde omvat het artikel van Qiang Cheng, Pengkai Lin en Yue Zhao uit 2025, "Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages", gepubliceerd in de Journal of Accounting and Economics, en werk van Thierry Foucault en anderen in Artificial Intelligence in Finance: The Future of Banking.
Tegelijkertijd kunnen door AI gegenereerde financiële inhoud op sociale media misleidende informatie verspreiden en volatiliteit vergroten, volgens onderzoek van David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang en Xiaoyan Zhang, "AI, Opinion Ecosystems, and Finance", NBER Working Paper Series 34807, gepubliceerd in februari 2026.
Kuddegedrag op de markt en een mogelijke stampede
Als handelaren vertrouwen op een klein aantal vergelijkbare AI-modellen getraind op vergelijkbare data, kunnen handelsstrategieën samenkomen en reacties op nieuws en andere informatie synchroniseren. Dit creëert een risico op kuddegedrag.
Een individueel algoritme kan falen door een fout. Maar een markt die grote aantallen vergelijkbare modellen met dezelfde fout gebruikt, zou storingen met systemische gevolgen kunnen ervaren. Slechte actoren kunnen ook transacties, quotes of nieuws manipuleren om vergelijkbare AI-handelssystemen tegelijk te misleiden, waardoor marktverstoringen worden versterkt.
AI-modellen kunnen onwenselijke menselijke tendensen reproduceren. Theoretisch onderzoek toont aan dat sommige reinforcement-learning-systemen, waaronder Q-learning-handelsalgoritmen, autonoom collusief gedrag kunnen ontwikkelen zonder expliciete intentie.
Zelflerende algoritmen kunnen ook leren markten te manipuleren. Eén voorbeeld is spoofing, waarbij orders worden geplaatst om een valse indruk van marktvraag te creëren. Algoritmen kunnen ook strategieën aannemen die bubbels creëren en uitbuiten, mogelijk markten destabiliserend.
Beurzen zetten machine-learning- en AI-tools in voor marktsurveillance om deze risico's aan te pakken. Sommige handelsplatformen nemen al stappen om risico's te verminderen die samenhangen met het "black box"-karakter van AI-gestuurde handelsalgoritmen. De Market Regulation Advisory Notice van CME Group is een voorbeeld dat Barr citeerde.
Onderzoek naar deze kwesties omvat Artificial Intelligence and Systemic Risk van Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen en Antonio Sánchez Serrano, Advisory Scientific Committee Reports 2025/16 van de European Systemic Risk Board; Artificial Intelligence in Finance van Thierry Foucault en anderen; en Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets van Xiang-Li Lim, Puja Singh en Richard Stobo, IMF Technical Notes and Manuals 2025/016.
Winston Wei Dou, Itay Goldstein en Yan Ji onderzochten "AI-Powered Trading, Algorithmic Collusion, and Price Efficiency" in NBER Working Paper 34054. Jean-Edouard Colliard, Thierry Foucault en Stefano Lovo onderzochten algoritmische prijsvorming en liquiditeit op effectenmarkten in de Review of Financial Studies.
De waarschijnlijkheid van collussie is lager wanneer algoritmen verschillende leerprocessen gebruiken. Q-learning-algoritmen kunnen vatbaarder zijn voor coördinatie dan op grote taalmodellen gebaseerde algoritmen, aldus Kartik Anand, Sophia Kazinnik, Agnese Leonello en Ettore Panetti in "Ex Machina: Financial Stability in the Age of Artificial Intelligence", ECB Working Paper Series 3225.
Algoritmische handelaren hebben ook prikkels om hun strategieën te onderscheiden, omdat niet-collusie winstgevend kan zijn wanneer anderen colluderen. Laura Veldkamp heeft betoogd dat dit algoritmische heterogeniteit als evenwichtsresultaat kan bevorderen.
Barr zei dat marktparticipanten de risico's moeten overwegen voordat nieuwe technologie breed wordt geïntegreerd in handelsactiviteit of marktinfrastructuur. Wanneer een technologie niet volledig wordt begrepen en zich sneller ontwikkelt dan het begrip ervan, is voorzichtigheid gepast, aldus Barr.
AI en cyber risico
Incidenten in 2026 hebben risico's gedemonstreerd van AI-modellen die autonoom handelen op manieren die niet aansluiten bij de doelen van hun menselijke scheppers, waaronder cybersecurityrisico's.
Gegeven een doel hebben AI-modellen beveiligingsgrenzen behandeld als obstakels om te overwinnen in plaats van regels om te volgen. Dit roept vragen op over hoe effectief regels zullen zijn, zelfs wanneer AI-agenten worden geïnstrueerd ze te naleven.
AI-modellen hebben kwetsbaarheden geëxploiteerd die ook door menselijke cybercriminelen zijn geïdentificeerd, waaronder de sterke afhankelijkheid van veel concurrerende bedrijven van een gedeelde platformaanbieder. AI-gestuurde aanvallers hebben aangetoond dat ze kwetsbaarheden kunnen misbruiken die eerder als te moeilijk te overwinnen werden beschouwd en daarom niet de moeite waard om te verhelpen, zelfs wanneer die al bekend waren.
AI-modellen onthullen ook kwetsbaarheden die slechts enkele jaren geleden nog niet konden worden voorzien. Barr besprak eerder AI-gerelateerde cyber risico's van deepfakes in zijn toespraak van 17 april 2025 bij de Federal Reserve Bank of New York, "Deepfakes and the AI Arms Race in Bank Cybersecurity".
Cyberverdedigers gebruiken AI ook, waardoor ze kwetsbaarheden veel sneller kunnen identificeren en verhelpen dan mensen ooit konden. Maar recente incidenten roepen de vraag op of verdedigers altijd een nadeel kunnen vermijden. Aanvallers hoeven maar één keer te slagen, terwijl verdedigers elke keer moeten slagen. Cyberverdediging moet consequent effectief zijn, terwijl cyberoffensief kan experimenteren en herhaaldelijk falen totdat een aanval werkt.
Het werk van verdedigers is moeilijk en wordt moeilijker naarmate modellen snel innoveren. Het vermogen van de private sector en de overheid om cyber risico te beheersen en effectief te reageren op incidenten blijft belangrijk voor de financiële stabiliteit.
Barr zei dat iedereen er belang bij heeft te winnen van cybercriminelen, omdat niemand kan slagen zonder een sterk en veilig financieel systeem. Hij uitte de hoop dat bedrijven die concurreren om een deel van de toekomst van AI in finance zouden samenwerken om de cyberverdediging voor te laten blijven op cyberaanvallen.
AI in consumentenfinanciën
AI zal waarschijnlijk een groeiende rol spelen in consumentenfinanciën, net als in veel retailbedrijven, vooral in interacties die geen mens vereisen. Finance begon eerder dan veel andere sectoren AI te gebruiken voor klantondersteuning, en consumenten sturen zelf ook de adoptie aan door chatbots te gebruiken als bron van beleggingsadvies.
In veel gevallen wordt dergelijk advies verstrekt zonder de gestructureerde bescherming, regelgeving en toezicht die gelden wanneer advies van een financiële instelling komt. Financiële instellingen gebruiken AI ook om hun financiële advies te verbeteren.
Het groeiende gebruik van AI door klanten en financiële bedrijven roept beleggersbeschermingszorgen op rond belangenverstrengeling, de kwaliteit van beleggingsaanbevelingen en de verplichtingen van bedrijven om te handelen in het belang van beleggers.
AI-systemen kunnen aanbevelingen baseren niet alleen op de financiële situatie en beleggingsdoelen van een belegger, maar ook op factoren die commerciële belangen van een bedrijf bevorderen. Dit kunnen propriëtaire producten promoten, transactiekosten genereren of frequentere handel aanmoedigen zijn.
Dergelijke belangenconflicten kunnen in algoritmen zijn ingebed en moeilijk te identificeren of begrijpen voor makelaars, adviseurs, beleggers of toezichthouders. AI-systemen kunnen ook afhankelijk zijn van onvolledige of vertekende data, inaccuraat informatie genereren of beleggingen aanbevelen die niet aansluiten bij de risicotolerantie, financiële situatie of beleggingshorizon van een belegger.
Financiële instellingen kunnen AI en alternatieve data-analyse steeds meer gebruiken om de toegang van huishoudens tot krediet te vergroten. De technologie creëert echter aanzienlijke nalevingsuitdagingen. AI kan als een black box opereren, waardoor het moeilijk is om nadelige beslissingen uit te leggen of naleving van wetgeving op eerlijke kredietverlening te garanderen, waaronder de Fair Housing Act en de Equal Opportunity Act.
Alternatieve data zoals huurbetalingen, energierekeningen of arbeidspatronen kunnen de toegang tot krediet vergroten als ze op de juiste manier worden gebruikt. Maar dezelfde data kunnen onbedoeld als proxy dienen voor beschermde kenmerken zoals ras of nationale afkomst. Anders dan bij traditionele kredietrapporten kunnen consumenten alternatieve data vaak niet inzien of betwisten.
Verantwoord gebruik van AI vereist dat instellingen investeren in verklaarbare AI-technieken, continue eerlijkheidsmonitoring uitvoeren, gedetailleerde modelvalidatierecords bijhouden en toegankelijke geschillenmechanismen bieden. AI-aanbieders moeten vertekeningen in trainingsdata identificeren en outputs monitoren om het versterken van ongelijkheden of het verkeerd prijzen van risico te voorkomen. Functionarissen die toezien op de handhaving van consumentenbeschermingswetgeving moeten eveneens waakzaam blijven.
Nieuwe risico's blijven opduiken. Grote banken hebben gemeld AI-agenten te hebben aangetroffen die acties probeerden te ondernemen in retailklantrekeningen, zonder dat de banken de authenticiteit, toestemming of consistentie met klantinstructies konden verifiëren.
Deze incidenten tonen aan dat langdurig gebruik van AI in financiële diensten passende waarborgen vereist, waaronder strikte authenticatie, expliciete verificatie van toestemming voor specifieke acties, technische controles die de capaciteiten van agenten beperken, en zowel op regels als op waarden gebaseerde beperkingen.
Barr zei dat technologische innovaties nodig zijn om te garanderen dat AI-agenten gevestigde regels en waarden volgen, vooral nu agentische handel zich uitbreidt.
AI-agenten kunnen ook de uitstroom van deposito's versnellen tijdens perioden van stress. Klanten die eerder zelf overschrijvingen moesten uitvoeren, zouden in plaats daarvan AI-agenten kunnen laten zijn die opbrengstverschillen of signalen van financiële stabiliteit identificeren en gelden automatisch met hoge snelheid verplaatsen. Dat zou bankruns die zich over minuten voltrekken kunnen versnellen, waardoor traditionele liquiditeitsbeheers- en interventietijdlijnen worden overweldigd.
Conclusie
Barr zei dat de integratie van AI in het financiële systeem praktische uitdagingen oproept voor bedrijven die de technologie gebruiken in kernactiviteiten. Bedrijven moeten ervoor zorgen dat AI-gedreven processen en uitkomsten voldoen aan relevante wetten en passende risicomanagementnormen.
Grote instellingen onderzoeken generatieve AI, waaronder agentische AI, in hun bedrijfsmodellen, maar Barr zei dat ze zorgvuldig moeten handelen. Om generatieve AI duurzaam te benutten, moeten beslissingen op basis van die modellen goed gecontroleerd, numeriek en juridisch precies, verklaarbaar en repliceerbaar zijn. AI-ontwikkelaars hebben nog moeite met al die criteria.
Het financiële systeem moet het risico verminderen dat AI vertekeningen in consumentenkredieten versterkt. Het moet ook waken tegen financiële-marktrisico's rond collussie, markomanipulatie, handelsstrategieën die aanzienlijke volatiliteit en mogelijk systemisch risico veroorzaken.
De monitoringsagenda die Barr schetste geeft lezers concrete richtpunten: het tempo van kapitaaluitgaven door hyperscalers ten opzichte van de telecombenchmark eind jaren negentig, de groei van de meer dan $3 biljoen aan off-balance verplichtingen, leasetarieven voor oudere GPU-generaties, en dealers tegenpartijexposities verbonden aan grote AI-posities—items die hij en het FSR aanduidden als aandachtspunten—naast de volgende editie van het halfjaarlijkse FSR van de Fed.
Barr zei dat AI aanzienlijke kansen biedt om de toegang tot en efficiëntie van het financiële systeem te verbeteren, ten voordele van aanbieders en klanten. "Ik geloof dat we kunnen en moeten zorgen dat dit op manieren verloopt die gebruikers beschermen en de financiële stabiliteit ondersteunen", zei hij.
Geciteerde referenties in de toespraak
- Barr zei dat de geuite standpunten van hemzelf waren en niet noodzakelijk die van zijn collega's in de Federal Reserve Board of de Federal Open Market Committee.
- Michael S. Barr (2026), "Will Artificial Intelligence Broadly Raise Living Standards or Drive Income and Wealth Inequality?", toespraak gehouden tijdens "Next-Gen Financial Inclusion", de derde jaarlijkse Financial Inclusion Conference van de Federal Reserve Board, Washington, 14 juli: https://www.federalreserve.gov/newsevents/speech/barr20260714a.htm.
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, figuur 1.5, Washington, november: https://www.federalreserve.gov/publications/files/financial-stability-report-20261113.pdf.
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, "Leverage in the Data Center Buildout", pp. 23–25.
- De nominale waarde van off-balance verplichtingen wordt doorgaans gerapporteerd vóór discontering, wat vergelijkingen met disconteerde balansbedragen bemoeilijkt.
- Stijn Van Nieuwerburgh (2026), "Financing the AI Buildout", Brookings Papers on Economic Activity, najaar, pp. 1–28:
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report, "Artificial Intelligence and Algorithmic Trading", pp. 15–16: https://www.federalreserve.gov/publications/files/financial-stability-report-20251107.pdf. Barr citeerde ook Lisa D. Cook (2025), "A Policymaker's View of Financial Stability", gehouden aan de Georgetown University McDonough School of Business Psaros Center for Financial Markets and Policy, Washington, 20 november: https://www.federalreserve.gov/newsevents/speech/cook20251120a.htm.
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report; en International Monetary Fund (2024), "Advances in Artificial Intelligence: Implications for Capital Market Activities", in Global Financial Stability Report: Steadying the Course: Uncertainty, Artificial Intelligence, and Financial Stability, Washington, oktober, pp. 77–105:
- Anne Yanru Chang, Xi Dong, Xiumin Martin en Changyun Zhou (2026), "AI Democratization and Trading Inequality", Journal of Accounting Research, deel 64, juni, pp. 1287–1331. Barr citeerde ook John Coughlan en Alexei G. Orlov (2023), "High-Frequency Trading and Market Quality: Evidence from Account-Level Futures Data", Journal of Futures Markets, deel 43, augustus, pp. 1126–60; en de IMF-uitgave "Advances in Artificial Intelligence".
- Katherine Doherty, Dina Bass en Justina Lee (2026), "Jane Street and Rivals Are Now Fighting for AI Power as Well as Pace", Bloomberg, 22 oktober.
- Thierry Foucault, Leonardo Gambacorta, Wei Jiang en Xavier Vives (2025), Artificial Intelligence in Finance: The Future of Banking 7, Centre for Economic Policy Research, Parijs en Londen:
- Jinfei Sheng, Zheng Sun, Baozhong Yang en Alan L. Zhang (2026), "Generative AI and Asset Management", Review of Financial Studies, pp. 1–48.
- Qiang Cheng, Pengkai Lin en Yue Zhao (2025), "Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages", Journal of Accounting and Economics, deel 80, november–december, 101821; en David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang en Xiaoyan Zhang (2026), "AI, Opinion Ecosystems, and Finance", NBER Working Paper Series 34807:
- Markus K. Brunnermeier (2026), "Artificial Intelligence and the Brave New World in Finance", paper voorbereid voor het Economic Policy Symposium van de Federal Reserve Bank of Kansas City in Jackson Hole, Wyoming, 27–29 augustus: Barr citeerde ook Or Shafran, Atticus Geiger en Mor Geva (2026), "Constructing Interpretable Features from Compositional Neuron Groups", proceedings van de 64e jaarvergadering van de Association for Computational Linguistics, pp. 42326–48:
- Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen en Antonio Sánchez Serrano (2025), Artificial Intelligence and Systemic Risk, Advisory Scientific Committee Reports 2025/16, European Systemic Risk Board, december:
- Cecchetti en anderen, Artificial Intelligence and Systemic Risk.
- Xiang-Li Lim, Puja Singh en Richard Stobo (2025), Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets, IMF Technical Notes and Manuals 2025/016:
- Winston Wei Dou, Itay Goldstein en Yan Ji (2025), "AI-Powered Trading, Algorithmic Collusion, and Price Efficiency", NBER Working Paper 34054: Jean-Edouard Colliard, Thierry Foucault en Stefano Lovo (2026), "Algorithmic Pricing and Liquidity in Securities Markets", Review of Financial Studies; Kartik Anand, Sophia Kazinnik, Agnese Leonello en Ettore Panetti (2026), "Ex Machina: Financial Stability in the Age of Artificial Intelligence", ECB Working Paper Series 3225: en Laura Veldkamp (2024), "Discussion of 'AI-Powered Trading, Algorithmic Collusion, and Price Efficiency'", NBER Summer Institute 2024.
- Álvaro Cartea, Patrick Chang en Gabriel García-Arenas (2025), "Spoofing and Manipulating Order Books with Learning Algorithms", en Winston Wei Dou, Itay Goldstein en Yan Ji (2026), "Financial Market Fragility in the Era of AI Planning", Wharton School Research Paper, 16 september,
- Pedro Gurrola-Pérez en Kaitao Lin (2024), "An Analysis of Market Manipulation Definitions Around the World", working paper, World Federation of Exchanges, juni.
- CME Group, "Market Regulation Advisory Notice":
- Michael S. Barr (2025), "Deepfakes and the AI Arms Race in Bank Cybersecurity", Federal Reserve Bank of New York, 17 april: https://www.federalreserve.gov/newsevents/speech/barr20250417a.htm.
- Voorbeelden zijn de Fair Housing Act en de Equal Opportunity Act.