لماذا تحتاج نماذج الإقراض بالذكاء الاصطناعي إلى أكثر من مجرد درجات ائتمان دقيقة

من القرارات العشوائية إلى درجات الائتمان

عند إقراض المال، كان على البنوك والمؤسسات المالية الأخرى دائمًا القلق من عدم قدرة المقترضين على سداد القرض. لهذا السبب يتم دعم العديد من القروض بأصول مثل العقارات أو أصول الأعمال التي يمكن للبنك حجزها إذا لم تُسدَّد أقساط القرض. ومع ذلك، كان القرار في يد موظفي البنك الذين يقررون ما إذا كان سيتم منح القرض.

مع مرور الوقت، تم استبدال قرار الموظف البنكي الفردي بمرشحات متطورة بشكل متزايد تعتمد على نماذج المخاطر الداخلية والصيغ الرياضية، مما جعل العملية أكثر توحيدًا وأقل عشوائية.

“كان جزء من عمل مدير الائتمان هو محاولة استنتاج شخصية الشخص، وما إذا كان يبدو منظمًا وناضجًا ومسؤولًا. يمكن لمدير الائتمان رفض طلب إذا اشتبه في كونه مدمنًا للكحول، أو لأسباب تمييزية واضحة تتعلق بعرق أو جنس الشخص، أو بالنسبة للمقترضات، حالتها الاجتماعية.”
جوش لاور – أستاذ في جامعة نيوهامبشير ومؤلف كتاب “Creditworthy.”

ومع ذلك، استغرق الأمر حتى عام 1958 حتى قدمت شركة FICO، التي أسسها المهندس بيل فير والرياضياتي إيرل إسحاق، درجة الائتمان المعيارية الحديثة. وفي عام 1989، أطلقت الشركة أول درجة ائتمان عامة على مستوى البلاد، تتراوح بين 300 و850، والتي سرعان ما أصبحت المعيار الوطني للإقراض في الولايات المتحدة.

حدود درجة الائتمان

تعتمد درجة الائتمان الحديثة على خمس فئات بيانات متميزة:

• سجل السداد (35%).
• المبلغ المستحق (30%).
• مدة تاريخ الائتمان (15%).
• الائتمان الجديد والاستفسارات (10%).
• تنوع الائتمان (10%).

جعلت هذه الطريقة تقدير الجدارة الائتمانية أكثر موضوعية وعدلاً مقارنةً بالطريقة السابقة. ولكن بالطبع، لها حدودها.

على سبيل المثال، لا تشمل أي معلومات عن سلوك الفرد خارج ما يتعلق بالديون السابقة والحالية. كما أنها لا تأخذ في الاعتبار معلومات مثل مكان السكن، الدخل، قطاع العمل، الأصول المملوكة، إلخ.

كما أن درجة الائتمان الحديثة تُبنى على افتراض أن البنوك تمنح القروض للأفراد. لكن أنظمة الإقراض الند للند (P2P) الحديثة وغيرها من خدمات التكنولوجيا المالية تعمل بطريقة مختلفة.

وبالتوازي، جعل التقدم في الذكاء الاصطناعي من الممكن دمج بيانات معقدة ومختلفة في نموذج قرار موحد. لذا ليس من المفاجئ أن الذكاء الاصطناعي يحرز تقدمًا سريعًا في تحسين النماذج التي تتنبأ بتعثر القروض للجيل الجديد من المقرضين الرقميين.

أجرت دراسة جديدة من قبل باحثين في جامعة أجدير بالنرويج فحصًا لإدارة مخاطر الائتمان عبر منصات الإقراض الند للند. وجدوا أن الأبحاث تنقسم إلى معسكرين رئيسيين: أحدهما يركز على تحسين توقع التعثر من خلال التعلم الآلي، والآخر يركز على فهم أسباب تعثر المقترضين. ومع ذلك، يظل كلا النهجين مقيدين ببيانات قديمة، وتعريفات غير متسقة، وتغطية جغرافية محدودة. نشر الباحثون نتائجهم في مجلة Technological Forecast, Social Change¹ تحت عنوان “إدارة مخاطر الائتمان في منصات الإقراض الند للند: مراجعة منهجية للأدبيات”.

صعود وتحديات الإقراض الند للند

نمو سريع، مخاطر جديدة

المفهوم الأساسي للإقراض الند للند يشمل إلغاء الوساطة، حيث تعمل المنصات كأسواق بدلاً من كيانات تتحمل المخاطر، مما يسهل المطابقة المباشرة بين العرض والطلب على الأموال. العديد من شركات التكنولوجيا المالية الجديدة تقود الجهود في تطوير هذه الأسواق، وكذلك بروتوكولات الإقراض الند للند التي تستخدم البلوكشين لتجاوز الحاجة إلى مزود إقراض مركزي تمامًا، إلى جانب تقنيات التمويل اللامركزي (DeFi) الأخرى.
يُقدَّر حجم سوق الإقراض الند للند بـ215 مليار دولار في عام 2026، ومن المتوقع أن ينمو بمعدل نمو سنوي مركب 21.9٪ حتى عام 2033، مع تقديم الغالبية العظمى من القروض من قبل المستثمرين الأفراد.

ومع ذلك، يُعد هذا قطاعًا جديدًا جدًا ولا يزال غير منظم بشكل جيد، مع مخاطر تتراوح من تقدير ضعيف للمخاطر الفعلية للتعثر إلى الاحتيال الصريح.

تحليل أدبيات الإقراض الند للند

حدد الباحثون ما مجموعه 433 دراسة ذات صلة بتحليلهم حول الإقراض الند للند وإدارة مخاطر الائتمان، تم تحليل 280 منها بعمق إضافي.
بدأت الدراسات العلمية في هذا المجال تتصاعد حقًا في عام 2014 ووصلت إلى مرحلة استقرار في عام 2020. جغرافيًا، يأتي معظم الباحثين في هذا المجال من الصين والولايات المتحدة والهند وإندونيسيا، حيث نشرت الصين 39٪ من إجمالي المنشورات.

تركز معظم الأبحاث الجارية على الإقراض الند للند بشكل عام، ومخاطر الائتمان، وتقنيات الذكاء الاصطناعي مثل التعلم الآلي. تحلل العديد من هذه الدراسات أدوار كل من المعلومات الناعمة (الشبكات الاجتماعية) والمعلومات الصلبة (معدلات الفائدة) في توقع التعثر.

الموضوع الأكثر شيوعًا في الأوراق البحثية هو تقييم الدقة التنبؤية من خلال تطبيق نماذج تعلم آلي مختلفة، مصحوبة بمراعاة البيانات والمتغيرات ومستوى النموذج.
الموضوع الثاني الأكثر شيوعًا هو تحديد عوامل احتمالية التعثر وشدة التعثر.
تقترح دراسات أخرى أنظمة جديدة لإدارة مخاطر الائتمان أو تناقش ما يزال غير مُبحث بشكل كافٍ.

الإقراض الند للند والذكاء الاصطناعي

اكتشاف عوامل خطر جديدة

نظرًا لأن الإقراض الند للند لا يعتمد فقط على درجات الائتمان التقليدية، يتم استخدام التعلم الآلي، ومؤخرًا تقنيات الذكاء الاصطناعي الأخرى لتحديد مخاطر التعثر بدقة أكبر.
على سبيل المثال، تم استخدام خرائط معرفية غامضة تستند إلى أساليب الحوسبة الناعمة ونظرية الشبكات العصبية لإنشاء نموذج لتقييم مخاطر الائتمان.
بغض النظر عن الطريقة المحددة، تُظهر الدراسات غالبًا أن التعلم الآلي يتفوق على أساليب تقييم الائتمان التقليدية من حيث الدقة.
بشكل عام، يبدو أن درجات الائتمان للمقترضين، والتعليم، والحالة الزوجية، والمسميات الوظيفية هي مؤشرات نمطية على جدارة المقترضين الائتمانية.
عامل آخر، استنادًا إلى “نظرية رأس المال الاجتماعي”، يمكن أن يساعد أيضًا: العضوية في شبكة اجتماعية معينة يمكن أن تكون عاملاً حاسمًا في تحديد الأفراد الأقل احتمالًا للتعثر في سداد قروضهم.

وجد الباحثون مساهمة على شكل حرف U بحسب العمر في إحدى الدراسات، مما يُظهر أن المتقدمين في منتصف العمر (فوق 45 عامًا) لديهم مخاطر تعثر أعلى بسبب العبء الاقتصادي الأكبر الناتج عن دعم أطفالهم وآبائهم المتقاعدين.
كما وجدوا أن المقترضات الإناث يُفرض عليهن معدلات فائدة أعلى، رغم أن معدلات تعثرهن أقل بكثير من تلك الخاصة بالمقترضين الذكور.
وبلا شك، يُفضَّل تاريخ عمل أطول، ودخل أعلى، ونسبة ديون أقل.
امتلاك العقارات، بما في ذلك المنازل والسيارات، يعزز أيضًا قدرة المقترضين على السداد، بينما الإيجارات والقروض المستحقة للسيارات تضعفها.
كما وجدوا أن المقاييس “الناعمة” يمكن أن تكون تنبؤية، رغم أنها ليست بالضرورة قابلة للتنفيذ من قبل منصات الإقراض الند للند.

“حاولت إحدى الدراسات استكشاف شخصية المقترضين، مظهرةً أن التعثر كان أكثر احتمالًا بين الطلاب الذين تأخروا في إرجاع الكتب إلى مكتبة الجامعة وفشلوا في نسبة أعلى من المقررات التي التحقوا بها.”

في المجموع، وجدت الدراسة أن أهم العوامل التي يجب أخذها في الاعتبار هي:

• على مستوى المقترض:
  • ديموغرافي.
  • الأداء المالي.
  • الملاءة.
  • درجة الائتمان.
  • رأس المال الاجتماعي.
  • المؤشرات النفسية.
  • مستوى القرض (المبلغ، فترة السداد، الغرض، المصادقة، وطول الوصف).
• على مستوى المقرض:
  • مؤشرات ديموغرافية.
  • السلوك القطيعي.
• على مستوى المنصة:
  • إجراءات تحصيل خاصة.
  • أنظمة الأسعار.
• على المستوى الكلي:
  • التنظيم.
  • التنمية الاقتصادية.
  • التوظيف.
  • الثقافة الوطنية.
  • فترات الأزمات.

تقييم الصندوق الأسود

مشكلة متكررة مع الذكاء الاصطناعي هي أن الشبكات العصبية والتعلم الآلي تميل إلى إنشاء ما يُسمى أنظمة “الصندوق الأسود”، حيث تكون أسباب النتيجة غير واضحة حتى للمطورين، وأقل للمنفذين لاحقًا.
يمكن أن تكون هذه مشكلة خطيرة للإقراض الند للند باستخدام الذكاء الاصطناعي.
أولاً، هذا يخلق مخاطر جسيمة من حساب خاطئ لمخاطر التعثر، دون وسيلة لتحديد المشكلة في الوقت المناسب.
ثانيًا، يمكن أن يسبب ذلك مخاطر تنظيمية خطيرة، حيث أن العديد من خصائص الفرد مثل العرق أو الجنس تُعتبر عادةً تمييزية وغير قانونية لتُدمج في عملية اتخاذ قرار منح القرض أم لا.

بناء درجة ائتمان بالذكاء الاصطناعي

يتطلب بناء درجة ائتمان بالذكاء الاصطناعي استخدام مجموعة البيانات المناسبة لتدريب الذكاء الاصطناعي.
يؤكد الباحثون أن معظم تقييمات الذكاء الاصطناعي للجدارة الائتمانية يجب أن تدمج أطر زمنية متعددة. تساعد الأطر الزمنية القصيرة (<30 يومًا) في تحديد إشارات التحذير المبكرة، بينما توفر الأطر الزمنية الطويلة (120 يومًا أو أكثر) صورة أوضح للنتيجة العامة للإقراض.
التعافي، أو احتمال سداد المبالغ المتأخرة عند حدوث التعثر، هو أيضًا بيانات مهمة.

أخيرًا، يجب أن يقوم نظام الذكاء الاصطناعي المثالي أيضًا بتعديل مستمر ليتماشى مع الظروف الاقتصادية المتغيرة وإظهار أن عملية التقييم الائتماني تبقى موثوقة خارج مجموعات البيانات التاريخية التي تم تدريبه عليها.
بشكل عام، تشير الدراسة إلى اتجاه “درجة الائتمان المثالية” المدفوعة بالذكاء الاصطناعي لتدمج أكبر عدد ممكن من المتغيرات ذات الصلة، بما في ذلك هيكل القرض، سياسات المنصة، سلوك المستثمرين، ظروف التوظيف، التنظيم، والصدمات الاقتصادية الكلية. ومع ذلك، قد يكون جعل عملية اتخاذ القرار شفافة وعادلة تحديًا كبيرًا مع العديد من تقنيات الذكاء الاصطناعي الحالية وإجراءات التدريب.

الاستثمار في درجة ائتمان بالذكاء الاصطناعي

Upstart Holdings, Inc

مع تطور الإقراض ودرجات الائتمان، تظهر شركات جديدة لتقديم بدائل أفضل للدرجات الائتمانية التقليدية وممارسات الإقراض.
إحدى هذه الشركات هي Upstart (UPST )، سوق إقراض مدعوم بالذكاء الاصطناعي، تم إطلاقه في عام 2012، قبل أن يصبح الذكاء الاصطناعي محورًا للمحادثات التقنية.

كانت الفكرة وراء Upstart أن نظام درجات الائتمان الحالي غير فعال وقديم. مع توفر كمية أكبر من البيانات، كان من الممكن تحسين تحديد مخاطر القروض، وبالتالي تقديم قروض أرخص لشريحة كبيرة من السكان.

“نموذج القرض الشخصي لدينا أكثر دقة بشكل ملحوظ من نموذج الائتمان التقليدي في تقييم مخاطر المقترض. نعتقد أن هناك سنوات من تحسينات النمذجة في المستقبل.”

منح هذا الانطلاقة المبكرة الشركة مصدرًا وفيرًا من البيانات لتدريب الذكاء الاصطناعي الخاص بها والاستفادة من التقدم الأخير في أساليب تدريب الذكاء الاصطناعي.

هذا يعني أن طريقة Upstart يمكنها تحديد الأشخاص الذين لديهم درجات FICO عالية ولكنهم في الواقع يواجهون خطرًا عاليًا للتعثر في سداد قروضهم. وعلى العكس، فإن الأشخاص الذين لديهم درجات FICO منخفضة ليسوا عرضة للتعثر بشكل كبير.
وبالتالي، باستخدام الذكاء الاصطناعي والبيانات، يمكن لـ Upstart تحقيق نتائج متميزة لفئة معينة. على سبيل المثال، يمكنه إما تقديم المزيد من القروض لنفس مستوى المخاطر، مرتفعًا من معدل موافقة 27٪ إلى 67٪. أو يمكنه تقليل الخسائر بشكل كبير، من معدل تعثر 9٪ إلى 5٪، أي ما يقرب من النصف.

بالإضافة إلى ذلك، يعني استخدام خوارزمية بدلاً من موظف القرض أن العملية مؤتمتة. وهذا يجعلها أقل تكلفة وأكثر سرعة وسهولة لتقديم طلب قرض.
تربط منصة Upstart بين المقترضين والبنوك، الاتحادات الائتمانية، ورأس المال المؤسسي. وأفادت الشركة أن المستثمرين المؤسسيين اشتروا 64٪ من رأس المال الأصلي الذي تم توليده عبر منصتها في عام 2025.
تخدم Upstart سوقًا هائلًا للغاية، حيث يتم إصدار ائتمان بقيمة 25 تريليون دولار سنويًا على مستوى العالم. من هذا المبلغ، يتوفر ما يصل إلى تريليون دولار كإيرادات للمنصات التي تصدر وتخدم هذا الائتمان.
في عام 2025، أصدرت الشركة 1.5 مليون قرض (زيادة بنسبة 115٪ مقارنة بالعام السابق)، بإجمالي 11 مليار دولار (زيادة بنسبة 86٪)، وإجمالي إيرادات الشركة وصل إلى مليار دولار (زيادة بنسبة 64٪). كما تنمو الشركة بسرعة في قطاعات جديدة، حيث ارتفع إصدار القروض السيارات بمقدار 5 أضعاف (من 45 مليون دولار في الربع الرابع من 2024 إلى 263 مليون دولار في الربع الأول من 2026)، وارتفاع إصدار القروض العقارية بمقدار 6 أضعاف (من 27 مليون دولار في الربع الرابع من 2024 إلى 143 مليون دولار في الربع الأول من 2026).
لذلك، حتى وإن كانت أرقامًا كبيرة، فإنها تبدو ضئيلة مقارنةً بالإمكانات الكاملة لطرق درجات الائتمان المتقدمة وتقييم القروض المدفوع بالذكاء الاصطناعي.

تُعد أرقام النمو الأخيرة وبناء الشركة ككيان يركز على الذكاء الاصطناعي من الإيجابيات القوية لمستقبل Upstart، حتى وإن لم يُعكس سعر السهم هذا النجاح فعليًا، حيث يظل السعر عند نفس مستوى عام 2022، وأقل بكثير من ذروته في عام 2021 خلال الجائحة.
جزئيًا، يرجع ذلك إلى وجود بعض المخاطر في نموذج أعمال Upstart.
الأول هو أن نموذجها قد يتدهور، حيث تتجاوز الظروف الاقتصادية بيانات التدريب وقد يتغاضى الذكاء الاصطناعي عن الاتجاهات الجديدة.
مشكلة أخرى هي تزايد الضغوط التنظيمية لتوفير الشرح، والعدالة، وتقرير الأداء الديموغرافي، حيث قد يعيد الذكاء الاصطناعي، حتى عن غير قصد، ممارسات تمييزية كانت محظورة سابقًا في الصناعة المالية.
أخيرًا، لا تزال الشركة تعتمد على توفر التمويل المؤسسي عبر دورات الائتمان، مع ظهور علامات توتر في النظام المالي في ظل مستويات ديون مرتفعة ووضع جيوسياسي متوتر.
مع ذلك، فإن Upstart في موقع مثالي لتصبح سوق إقراض بالذكاء الاصطناعي رئيسيًا ومزود بنية تحتية للتقييم الائتماني، وهو تطور ضروري لدفع شبكات التكنولوجيا المالية والند للند الأولية نحو ممارسات إقراض جديدة.
وقد يرغب المستثمرون في الحصول على تعرض لشركة غيرت جذريًا طريقة تنفيذ تقييم القروض منذ بدايتها.

أحدث أخبار وتطورات سهم Upstart Holdings (UPST)

الدراسة المشار إليها

^{1. فنجيا زو وروتم شنئور. إدارة مخاطر الائتمان في منصات الإقراض الند للند: مراجعة منهجية للأدبيات. Technological Forecast, Social Change. نوفمبر 2026. المقال: 124831. المجلد 232. 10.1016/j.techfore.2026.124831}