AI-långivning øger adgangen til kredit, men tilsyn er vigtigt

Mange finansielle tjenester handler grundlæggende om information. Et forsikringsselskab skal for eksempel have korrekte oplysninger om den fremtidige ulykkesrate og omkostningerne ved ulykker for at kunne fastsætte en pris på forsikringspolicen, der stadig gør den rentabel.

Tilsvarende kræver långivning en korrekt vurdering af risikoen for, at en given kunde misligholder et lån, og at renten fastsættes på et passende niveau.

Historisk blev dette først gjort udelukkende ud fra menneskelige vurderinger og primitive matematiske formler, hvor social klasse, personlige forbindelser og personlig adfærd påvirkede den enkeltes adgang til finansielle tjenester.

Efterhånden opstod der mere professionelle og objektive metoder til at vurdere risikoen korrekt og med mindre skævhed. I USA kan kreditvurderinger for eksempel blive den dominerende metode til at vurdere en låneansøgers tilbagebetalingsevne.

Nu vinder endnu mere avancerede metoder imidlertid stadig større udbredelse. De bruger AI til at vurdere udlånsrisici mere præcist og udnytter den store mængde nyttige data, som traditionelle kreditvurderinger ikke tager højde for.

AI-baseret långivning kan derfor nå ud til låntagere, som konventionelle kreditmodeller normalt overser, og generelt forbedre risikovurderingen. Denne bredere adgang til kredit kan dog også medføre risici, hvis den ikke håndteres korrekt, blandt andet fejl i selve kreditvurderingens kvalitet og øget diskrimination.

En ny undersøgelse foretaget af forskere fra Kunming University (Kina), Shanghai University of Finance and Economics (Kina) og University of Hamburg (Tyskland) undersøger virkningerne af kunstig intelligens på kreditmarkederne.

Undersøgelsen viste, at AI-baseret långivning i gennemsnit øger den finansielle inklusion med 8,4–11,2 procentpoint, især hos fintech-långivere. Den viste dog også, at AI-drevet kreditudvidelse forstærker volatiliteten i de ekstreme risici.

Forskerne offentliggjorde deres resultater i International Review of Economics & Finance¹ under titlen »Kunstig intelligens på kreditmarkederne: algoritmisk långivning, finansiel inklusion og regulatorisk arbitrage«.

Analyse af AI-baseret långivning

AI-baseret långivning: muligheder og risici

AI-relaterede teknologier, der engang var en nyskabelse taget i brug af nye aktører som Upstart (se nedenfor for mere om virksomheden), indgår nu i et eller andet omfang i de fleste långivningsprocesser.

»Maskinlæringsalgoritmer udgør nu grundlaget for systemer til lånebehandling hos store detailbanker, digitale långivningsplatforme og en voksende kreds af fintech-aktører.«

Disse systemer kan behandle og beregne tusindvis af variabler, der spænder over transaktionshistorik, psykometriske vurderinger, adfærdsmønstre på mobilen og sociale signaler i realtid. Det kan dog også skabe nye problemer:

• De kan videreføre eller forstærke historiske skævheder, der er indlejret i træningsdataene.
• De fungerer med en grad af manglende gennemsigtighed, der vanskeliggør tilsynsmyndighedernes kontrol.
• Når de indføres på tværs af jurisdiktionsgrænser, åbner det for en form for regulatorisk arbitrage, der udfordrer den territoriale logik bag tilsynsreguleringen.

Opbygning af det rette datagrundlag

For at forstå ikke blot virkningerne af AI-baseret långivning på lokalt niveau, men også på tværs af jurisdiktioner, analyserede forskerne 42 økonomier i perioden 2012–2022: 14 lande i Asien og Stillehavsområdet, 10 lande i Europa, 10 lande i Latinamerika og 8 lande i Afrika syd for Sahara.

De indsamlede data for disse lande om finansiel inklusion, kvaliteten af tilsynsstrukturen og graden af omfattende makroprudentielle rammer.

Det vigtigste mål, finansiel inklusion, blev målt ud fra følgende:

• Andelen af befolkningen med en formel kreditkonto.
• Kreditdækningen blandt mikro-, små og mellemstore virksomheder (MSME’er).
• Forholdet mellem antallet af låntagere og den voksne befolkning.
• Antallet af kommercielle bankfilialer pr. 100.000 voksne.
• Andelen af befolkningen med en mobilpengekonto.

De udarbejdede også en ny indikator for udbredelsen af AI-baseret långivning (ALII) for at vurdere, hvor udbredt denne långivning er i et givet land.

»ALII fungerer som et strukturelt mål for teknologiens udbredelse på makroniveau og for kapacitetens fordeling på tværs af sektoren. I stedet for at kontrollere nøjagtigheden af individuelle modeller eller algoritmisk tilpasning på mikroniveau måler indekset den strukturelle tæthed og operationelle udbredelse af automatiserede beslutningsprocesser i det bredere finansielle økosystem.«

Undersøgelsens resultater

Store forskelle

Ikke overraskende viste undersøgelsen, at den finansielle inklusion varierer betydeligt fra region til region: fra 0.042 i lavindkomstøkonomier i Afrika syd for Sahara i de første år af undersøgelsesperioden til 0.941 i højindkomstøkonomier i Asien og Stillehavsområdet i de senere år.

Indekset for AI-långivningens intensitet viser endnu større spredning: Gennemsnitsværdien på 0,317 dækker over en variationskoefficient på 0,89, hvor lavindkomstøkonomier i gennemsnit ligger på 0,089 og højindkomstøkonomier på 0,524.

Et andet fund er, at ALII steg markant efter 2016, hvilket falder sammen med den kommercielle udrulning af deep learning-anvendelser inden for kreditvurdering. Samtidig blev de højeste værdier for Credit Cycle Volatility (CCV) observeret i vækstmarkedsøkonomier i perioden efter 2015, samtidig med den hurtige vækst i fintech-kredit, der er dokumenteret i ALII-dataene.

AI-långivning fremmer finansiel inklusion

Undersøgelsen fandt en direkte sammenhæng mellem AI-långivning og finansiel inklusion.

»En stigning på én standardafvigelse i indekset for AI-långivningens intensitet er forbundet med en stigning på 0,084 standardafvigelser i indekset for finansiel inklusion.«

Det så også ud til, at AI-långivningens positive effekt på den finansielle inklusion er stærkere, når tilsynskapaciteten er svagere. Det kan skyldes to mulige årsager, som ikke udelukker hinanden:

• Miljøer med svagere tilsyn rummer flere underforsynede låntagere, som AI-långivere kan betjene rentabelt ved hjælp af alternative data.
• AI-långivere i miljøer med begrænset tilsyn er mere villige til at yde lån til marginale låntagere, fordi de regulatoriske omkostninger ved eventuelt at blive holdt ansvarlig for misligholdelse er lavere.

Effekten ser også primært ud til at være drevet af fintechvirksomheder, eftersom teknologibaserede AI-långivere skaber væsentligt større gevinster for den finansielle inklusion (3 gange) end etablerede banker, der anvender AI-værktøjer.

»En stigning på én standardafvigelse i fintechbaseret AI-långivningsintensitet øger FII med cirka 13,8 procentpoint, næsten tre gange så meget som en tilsvarende indførelse af AI i etablerede banker.«

Det tyder altså på, at øget finansiel inklusion ikke hænger sammen med, at AI sænker behandlingsomkostningerne for bankernes eksisterende kunder, men med, at fintechvirksomheder bruger AI til at nå låntagere, der er udelukket fra det traditionelle banksystem.

Det stemmer overens med den generelle opfattelse af, at etablerede banker bruger AI defensivt – til at beskytte eksisterende kunderelationer – snarere end offensivt, hvor de målretter sig mod nye kundegrupper.

Større risici afhængigt af landene?

Undersøgelsen fandt, at øget finansiel inklusion gennem AI-långivning ikke er væsentligt forbundet med højere systemiske risici i miljøer med begrænset tilsyn. Det er derfor sandsynligt, at AI-långivning giver de bedste resultater under sådanne forhold, med større stigninger i den finansielle inklusion og lavere risici.

I mere udviklede økonomier og finansielle miljøer med strengere regulering giver AI-långivning derimod mere begrænsede gevinster for den finansielle inklusion. I sådanne tilfælde medfører den også en lille, men ikke ubetydelig stigning i risiciene. Det skyldes sandsynligvis, at det kun er de mest marginale låntagere, der reelt er udelukket fra alle former for långivning i disse økonomier.

»Den finansielle inklusion er allerede næsten universel blandt den voksne befolkning, så AI-långivning har kun begrænset mulighed for at øge andelen af låntagere, der er inkluderet.«

Som ved al långivning opstår de største risici ikke under normale markedsforhold, men i perioder med stor belastning af det finansielle system. Selvom automatiseret långivning ser stabil ud i rolige perioder, udløser den derfor hurtige, ensartede kapitalnedskæringer under kriser. Robuste makroprudentielle buffere er afgørende for at forhindre systemiske sammenbrud og markedsuro.

Regulatorisk arbitrage

Et lidt mere bekymrende fund i undersøgelsen er, at fintechvirksomheder, der bruger AI til långivning, forsøger at undgå strengere regulering, blandt andet ved at benytte skuffeselskaber.

»I Asien og Stillehavsområdet satte virksomhederne ikke tempoet ned, selvom intensiteten af det lokale tilsyn steg fra ＋0,02 til ＋0,22. I stedet flyttede de deres aktiviteter uden for tilsynets rækkevidde, og antallet af skuffeselskaber uden for tilsynets område steg fra 2 til 11. Samtidig mere end tredoblede de kanaliseringen af aktiver på tværs af grænserne, fra 14,5 % til 52,8 %, hvilket førte til en kraftig stigning i antallet af retstvister.«

Det tyder på, at de lokale regler har svært ved at føre et fuldt effektivt tilsyn med denne type långiver. I stedet tilskynder det agile digitale långivere til at opsplitte deres virksomheder og flytte kapital til områder uden overvågning.

Det bør investorer tage med sig om AI-långivning

Denne undersøgelse bekræfter tidligere undersøgelser, der har vist, at AI-långivning fremmer den finansielle inklusion. Det var for eksempel allerede kendt, at algoritmisk kreditvurdering af realkreditlån i USA øger godkendelsesprocenten for låntagere fra minoritetsgrupper uden en tilsvarende stigning i misligholdelser. Det stemmer med, at udelukkelsen skyldes diskrimination snarere end en risikovurdering.

Undersøgelsen viser nu, at denne effekt gør sig gældende i stort set alle regioner og økonomityper, og den understøtter samtidig en direkte årsagssammenhæng mellem øget AI-långivning og bedre og mere retfærdig adgang til kapital. Effekten er særligt stærk i regioner med lav finansiel inklusion og/eller svagere tilsyn.

Samtidig fandt undersøgelsen også, at højere risici og færre gevinster er almindelige i udviklede økonomier.

Det kan altså betyde, at selv om AI-baseret långivning i første omgang øgede adgangen til kapital, kan de største fordele og de laveste risici findes på frontiermarkeder. Det gælder naturligvis med det forbehold, at sådanne markeder generelt i sig selv indebærer større risici end udviklede økonomier, uanset hvor god den enkelte virksomhed inden for AI-baseret långivning er.

Endelig ser det ud til, at fintechvirksomheder hurtigt udnytter regionale forskelle og forsøger at undgå strammere regulering. Det kan udgøre en langsigtet risiko, da bedre regional koordinering eller en hårdere reaktion fra myndighederne kan påvirke marginerne og endda føre til retssager mod virksomhederne – en risiko, som deres aktionærer bør tage i betragtning.

Overordnet set bør investorer i fintechvirksomheder, der beskæftiger sig med AI-baseret långivning, vurdere, om disse platforme kan udvide adgangen på bæredygtig vis, samtidig med at deres långivning vokser.

Hvis der er en tilstrækkelig stor gruppe mennesker, som den eksisterende finanssektor ikke betjener godt, vil AI-baseret långivning sandsynligvis være til stor gavn og have et stort potentielt marked.

Hvis gruppen er for lille, kan øget risiko for misligholdelse under markedsuro eller lige så risikable metoder på tværs af jurisdiktioner til at omgå regulering udgøre skjulte langsigtede farer for virksomhedens aktionærer.

Investering i AI-drevet långivning

Upstart Holdings

I takt med at långivning og kreditvurderinger udvikler sig, opstår der nye virksomheder, som tilbyder bedre alternativer til traditionelle kreditvurderinger og långivningspraksisser. En af dem er Upstart, en AI-drevet låneformidlingsplatform, der blev lanceret i 2012, længe før AI blev et centralt emne i teknologidebatten.

Ideen bag Upstarts oprettelse var, at det eksisterende kreditscoresystem var ineffektivt og forældet. Med langt flere tilgængelige data måtte det være muligt at identificere lånerisici bedre og dermed tilbyde billigere lån til en stor del af befolkningen.

»Vores model for personlige lån er markant mere præcis end en traditionel kreditmodel til vurdering af låntageres risiko. Vi forventer, at der vil ske forbedringer af modellerne i mange år fremover.«

Den tidlige start gav virksomheden en rigelig mængde data til at træne sin egen AI på og udnytte de seneste fremskridt inden for AI-træningsmetoder.

Kilde: Upstart

Det betyder, at Upstarts metode kan identificere personer med høje FICO-scorer, som i praksis har stor risiko for at misligholde deres lån. Omvendt er personer med lave FICO-scorer ikke nødvendigvis særligt tilbøjelige til at misligholde deres lån.

Ved hjælp af AI og data kan Upstart altså opnå enestående resultater for en given gruppe. For eksempel kan virksomheden yde flere lån ved samme risikoniveau ved at øge godkendelsesprocenten fra 27 % til 67 %. Eller den kan reducere tabene betydeligt ved at sænke misligholdelsesprocenten fra 9 % til 5 %, altså til næsten det halve.

Kilde: Upstart

Når man bruger en algoritme i stedet for en lånerådgiver, bliver processen automatiseret. Det er både billigere og langt hurtigere, og det er mere behageligt at ansøge om et lån på den måde.

Upstarts markedsplads forbinder låntagere med banker, kreditforeninger og institutionelle investorer. Virksomheden oplyste, at institutionelle investorer i 2025 købte 64 % af hovedstolen på de lån, der blev formidlet via markedspladsen.

Upstart opererer på et enormt marked, hvor der hvert år globalt formidles lån for 25 billioner dollars. Af dette beløb kan platforme, der formidler og administrerer disse lån, få op til 1 billion dollar i indtægter.

I 2025 formidlede virksomheden 1,5 millioner lån (en stigning på 115 % fra året før) til en samlet værdi af 11 mia. dollars (en stigning på 86 % fra året før), og virksomhedens samlede omsætning var 1 mia. dollars (en stigning på 64 % fra året før). Virksomheden vokser også hurtigt inden for nye segmenter. For eksempel voksede formidlingen af billån 5 gange (fra 45 mio. dollars i Q4 2024 til 263 mio. dollars i Q1 2026), og formidlingen af boliglån voksede 6 gange (fra 27 mio. dollars i Q4 2024 til 143 mio. dollars i Q1 2026).

Selv om det nuværende antal lån allerede er stort, er det altså beskedent sammenlignet med det fulde potentiale i avancerede metoder til kreditvurdering og AI-baseret vurdering af låneansøgninger.

Kilde: Upstart

De seneste væksttal og det forhold, at Upstart blev grundlagt med AI som omdrejningspunkt, er stærke positive faktorer for virksomhedens fremtid. Aktiekursen har dog ikke for alvor afspejlet denne succes: Den ligger på samme niveau som i 2022 og langt under toppen i 2021 under pandemien.

En del af forklaringen er, at Upstarts forretningsmodel også indebærer nogle risici.

Den første er, at modellens præcision kan falde, hvis de økonomiske forhold ændrer sig så meget, at de afviger fra træningsdataene, og AI’en dermed overser nye tendenser.

Et andet problem er et stigende regulatorisk pres for at sikre forklarlighed, retfærdighed og rapportering af resultater fordelt på demografiske grupper. Selv utilsigtet kan AI nemlig genindføre diskriminerende praksisser, som tidligere er blevet forbudt i finanssektoren.

Endelig er virksomheden stadig afhængig af, at institutionel finansiering er tilgængelig gennem forskellige kreditcyklusser, samtidig med at tegn på pres i det finansielle system tager til som følge af høj gæld og en anspændt geopolitisk situation.

Alligevel er Upstart godt positioneret til at blive en central markedsplads for AI-baserede lån og udbyder af infrastruktur til kreditvurdering – en nødvendig videreudvikling af de oprindelige FinTech- og P2P-netværks bestræbelser på at indføre nye lånepraksisser.

Investorer kunne også være interesserede i tidligt at få eksponering mod en virksomhed, der radikalt har ændret måden, kreditvurdering af lån foretages på.

Seneste aktienyheder og udvikling for Upstart Holdings (UPST)

Refereret undersøgelse

^{1. Podong Song, Shutong Wu, Janson Partab. Kunstig intelligens på kreditmarkeder: algoritmisk långivning, finansiel inklusion og regulatorisk arbitrage. International Review of Economics & Finance. december 2026. Artikel: 105937. Bind 112. 10.1016/j.iref.2026.105937}