Hvorfor AI‑lånemodeller har brug for mere end præcise kredit scores

Fra vilkårlige beslutninger til kredit score

Når man låner penge, har banker og andre finansielle institutioner altid skulle bekymre sig om, at låntagere ikke kan tilbagebetale dem. Derfor er mange lån sikret med aktiver som fast ejendom eller forretningsaktiver, som banken kan beslaglægge, hvis lånebetalingerne ikke foretages. Beslutningen lå dog i hænderne på bankpersonalet, som besluttede, om lånet skulle bevilges.

Over tid blev den enkelte bankansattes beslutning erstattet af stadig mere sofistikerede filtre baseret på interne risikomodeller og matematiske formler, hvilket gjorde processen mere standardiseret og mindre vilkårlig.

“En del af kreditchefens arbejde var at forsøge at drage konklusioner om personens personlighed, om de virker organiserede, modne og ansvarlige. En kreditchef kunne afvise en ansøger, hvis de mistænkte, at vedkommende var alkoholiker, eller af mere åbenlyst diskriminerende årsager relateret til en persons race, køn eller, for kvindelige låntagere, deres civilstand.”
Josh Lauer – professor ved University of New Hampshire og forfatter af bogen “Creditworthy.”

Det tog dog først i 1958, før FICO, grundlagt af ingeniør Bill Fair og matematiker Earl Isaac, introducerede den moderne standardiserede kredit score. I 1989 lancerede virksomheden den første generelle, landsdækkende kredit score, der spænder fra 300 til 850, som hurtigt blev den nationale lånestandard i USA.

Begrænsningerne ved kredit score

En moderne kredit score er baseret på fem forskellige datakategorier:

• Betalingshistorik (35%).
• Ejet beløb (30%).
• Længde af kredit historik (15%).
• Ny kredit og forespørgsler (10%).
• Kreditmix (10%).

Denne metode gjorde vurderingen af kreditværdighed langt mere objektiv og retfærdig end den tidligere metode. Men naturligvis har den sine begrænsninger.

For eksempel indeholder den ingen information om en persons adfærd uden for gældshistorik. Den tager heller ikke højde for faktorer som bopæl, indkomst, beskæftigelsessektor, ejede aktiver osv.

En moderne kredit score er også bygget på antagelsen om, at banker giver lån til enkeltpersoner. Men moderne peer‑to‑peer (P2P) lånesystemer og andre FinTech‑tjenester fungerer anderledes.

Samtidig har fremskridt inden for AI gjort det muligt at integrere komplekse, forskellige data i en sammenhængende beslutningsmodel. Det er derfor ikke overraskende, at AI gør hurtige fremskridt i at forbedre modeller, der forudsiger lånemisligholdelse for en ny generation digitale långivere.

En ny undersøgelse af to forskere ved University of Agder i Norge undersøgte kreditrisikostyring på tværs af peer‑to‑peer låneplatforme. De fandt, at forskningen stort set er delt i to lejre: den ene fokuserer på at forbedre misligholdelsesforudsigelser gennem maskinlæring, den anden på at forstå, hvorfor låntagere misligholder. Begge tilgange er dog begrænset af aldrende datasæt, inkonsistente definitioner og begrænset geografisk dækning.

Forskerne offentliggjorde deres resultater i Technological Forecast, Social Change¹ under titlen “Credit risk management in peer-to-peer lending platforms: A systematic literature review”.

Væksten og udfordringerne ved P2P‑lån

Hurtig vækst, nye risici

Den grundlæggende idé bag P2P‑lån omfatter disintermediation, hvor platforme fungerer som markedspladser snarere end risikotagende enheder, og muliggør direkte matchning af udbud og efterspørgsel efter kapital. Mange nye FinTech‑virksomheder leder udviklingen af disse markeder, såvel som P2P‑låneprotokoller der bruger blockchain til fuldstændigt at omgå behovet for en central låneudbyder, sammen med andre DeFi (decentraliseret finans) teknologier.

P2P‑lån anslås at have et marked på 215 mia. $ i 2026, og forventes at vokse med en årlig vækstrate på 21,9 % indtil 2033, hvor størstedelen af lånet ydes af individuelle investorer.

Kilde: Coherent Marketing Insights

Dette er dog en meget ny sektor og er stadig dårligt reguleret, med risici der spænder fra dårlig estimering af de reelle misligholdelsesrisici til åbenlys svindel.

Analyse af P2P‑litteratur

Forskerne identificerede i alt 433 studier, der var relevante for deres analyse af P2P‑lån og kreditrisikostyring, hvoraf 280 blev analyseret yderligere i dybden.

De videnskabelige studier på området begyndte for alvor at tage fart i 2014 og nåede et plateau i 2020. Geografisk set kommer de fleste forskere fra Kina, USA, Indien og Indonesien, hvor Kina har udgivet 39 % af de samlede publikationer.

Kilde: Technological Forecast, Social Change

Det meste af den igangværende forskning fokuserer på P2P‑lån generelt, kreditrisici og AI‑relaterede teknologier som maskinlæring. Mange af disse studier analyserer rollerne for både “blød” information (sociale netværk) og “hård” information (rentesatser) i forudsigelse af misligholdelser.

Kilde: Technological Forecast, Social Change

Det mest almindelige papirtype er at vurdere forudsigelsesnøjagtighed ved at anvende forskellige maskinlæringsmodeller, ledsaget af data‑, variabel‑ og model‑niveau overvejelser.

Den næstmest almindelige papirtype er at identificere determinanter for sandsynligheden for misligholdelse og alvorligheden af misligholdelse.

Andre studier foreslår nye systemer for kreditrisikostyring eller diskuterer, hvad der stadig er underforsket.

P2P‑lån og AI

Find nye risikofaktorer

Da P2P‑lån ikke udelukkende baserer sig på traditionelle kredit scores, anvendes maskinlæring og, for nylig, andre AI‑teknologier til at identificere misligholdelsesrisici mere præcist.

For eksempel blev fuzzy cognitive maps baseret på blød computing og neurale netværk anvendt til at skabe en model for kreditrisikovurdering.

Uanset den specifikke metode viser studier ofte, at maskinlæring overgår traditionelle kredit scoring‑metoder i nøjagtighed.

Generelt ser det ud til, at låntagerens kredit score, uddannelse, civilstand og jobtitler typisk er indikatorer for kreditværdighed.

En anden faktor, baseret på “social kapital‑teori”, kan også hjælpe: medlemskab af et givet socialt netværk kan være en bestemmende faktor for at identificere personer, der er mindre tilbøjelige til at misligholde deres lån.

Kilde: Technological Forecast, Social Change

Forskerne fandt et U‑formet bidrag fra alder i én undersøgelse, som viste, at midaldrende ansøgere (over 45) har højere misligholdelsesrisiko på grund af deres tungere økonomiske byrde fra både børn og pensionerede forældre.

De fandt også, at kvindelige låntagere pålægges højere rentesatser, selvom deres misligholdelsesrater er betydeligt lavere end mænds.

Det er ikke overraskende, at længere ansættelseshistorik, højere indkomst og lavere gældsgrad foretrækkes.

Eje af ejendom, herunder huse og biler, øger også låntagerens evne til at tilbagebetale, mens leje og udestående billån svækker den.

De fandt også, at “bløde” målinger kan være forudsigelige, selvom de ikke nødvendigvis er handlingsbare for P2P‑platforme.

“Én undersøgelse forsøgte at trække på låntagernes karakter og viste, at misligholdelse var mere sandsynlig blandt studerende, der var forsinkede med at returnere bøger til et universitetsbibliotek og fejlede i en højere andel af de kurser, de tog.”

I alt fandt studiet, at de vigtigste faktorer at tage højde for er:

• På låntagerniveau:
  • Demografisk.
  • Finansiel præstation.
  • Soliditet.
  • Kredit score.
  • Social kapital.
  • Psykologiske indikatorer.
  • Låneniveau (beløb, tilbagebetalingsperiode, formål, godkendelse og beskrivelseslængde).
• På långiverniveau:
  • Demografiske indikatorer.
  • Kollektiv adfærd.
• På platformniveau:
  • Særlige inddrivelseshandlinger.
  • Prisregimer.
• På makroniveau:
  • Regulering.
  • Økonomisk udvikling.
  • Beskæftigelse.
  • National kultur.
  • Krisetider.

Evaluering af sort boks

Et tilbagevendende problem med AI er, at neurale netværk og maskinlæring ofte skaber såkaldte “sort‑boks”‑systemer, hvor årsagerne til et givet resultat er langt fra klare selv for systemets udviklere, og endnu mindre for senere operatører.

Dette kan udgøre et alvorligt problem for P2P‑lån, der anvender AI.

Først, dette skaber alvorlige farer for fejlagtig beregning af misligholdelsesrisiko, uden mulighed for at identificere problemet i tide.

For det andet kan dette medføre alvorlige regulatoriske risici, da mange af en persons karakteristika som race eller køn generelt betragtes som diskriminerende og ulovlige at integrere i beslutningsprocessen om at bevilge et lån eller ej.

Opbygning af en AI‑kredit score

Opbygning af en AI‑kredit score kræver brug af det rette datasæt til AI‑træningen.

Forskerne argumenterer for, at de fleste AI‑evalueringer af kreditværdighed bør integrere flere tidsrammer. Korte tidsrammer (<30 dage) hjælper med at identificere tidlige advarselstegn, mens lange tidsrammer (120 dage eller mere) giver et bedre overblik over det samlede resultat af udlån.

Recovery, eller sandsynligheden for at tilbagebetale forfaldne beløb ved en misligholdelse, er også vigtige data.

Kilde: Technological Forecast, Social Change

Endelig bør et perfekt AI‑system også løbende justere sig efter skiftende økonomiske forhold og demonstrere, at dets underwriting forbliver pålideligt uden for de historiske datasæt, det er trænet på.

Samlet set peger studiet i retning af den “perfekte” AI‑drevne kredit score, som integrerer så mange relevante variable som muligt, herunder lånestruktur, platformpolitikker, investoradfærd, beskæftigelsesforhold, regulering og makroøkonomiske chok. At gøre en sådan beslutningsproces gennemsigtig og retfærdig kan dog være en betydelig udfordring med mange af de nuværende AI‑teknologier og træningsprocedurer.

Investering i AI‑kredit score

Upstart Holdings, Inc

Efterhånden som udlån og kredit scores udvikler sig, dukker nye virksomheder op, der tilbyder bedre alternativer til traditionelle kredit scores og udlånspraksis.

En af dem er Upstart (UPST ), en lånemarkedsplads drevet af AI, lanceret i 2012, længe før AI blev et centralt emne i teknologidiskussionen.

Ideen bag Upstart var, at det eksisterende kredit score‑system er ineffektivt og forældet. Med langt mere data til rådighed skulle det være muligt at identificere lånerisici bedre og dermed tilbyde billigere lån til en stor del af befolkningen.

“Vores personlige lånemodel er betydeligt mere præcis end en traditionel kreditmodel til at vurdere låntageres risiko. Vi tror, at mange års modelleringforbedringer ligger foran os.”

Denne tidlige start gav virksomheden en overflod af data, som den kunne 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‑scores, som i praksis har høj risiko for at misligholde deres lån. Omvendt er personer med lave FICO‑scores ikke så tilbøjelige til at misligholde.

Således kan Upstart med AI og data opnå fremragende resultater for en given kohorte. For eksempel kan de enten tilbyde flere lån for samme risikoniveau, fra en godkendelsesrate på 27 % til 67 %, eller reducere tabene markant, fra en misligholdelsesrate på 9 % til 5 %, næsten halvdelen.

Kilde: Upstart

Derudover betyder brugen af en algoritme i stedet for en låneofficer, at processen er automatiseret. Dette er både billigere og meget hurtigere og mere behageligt for låntageren.

Upstarts markedsplads forbinder låntagere med banker, kreditforeninger og institutionelt kapital. Det rapporterede, at institutionelle investorer købte 64 % af hovedstolen, der blev udstedt gennem deres markedsplads i 2025.

Upstart betjener et enormt marked med 25 mia. $ i kredit udstedt hvert år globalt. Af dette beløb er op til 1 mia. $ i indtægter tilgængelige for de platforme, der udsteder og betjener denne kredit.

I 2025 udstedte virksomheden 1,5 millioner lån (op 115 % år‑til‑år) for i alt 11 mia. $ (op 86 % år‑til‑år), og samlede indtægter for virksomheden på 1 mia. $ (op 64 % år‑til‑år). Virksomheden vokser også hurtigt i nye segmenter, f.eks. er udstedelse af billån vokset 5‑fold (fra 45 mio. $ i Q4 2024 til 263 mio. $ i Q1 2026), og udstedelse af boliglån er vokset 6‑fold (fra 27 mio. $ i Q4 2024 til 143 mio. $ i Q1 2026).

Selvom tallene er store, er de små i forhold til det samlede potentiale for avancerede kredit score‑metoder og AI‑drevne lånevurderinger.

Kilde: Upstart

De seneste væksttal og det faktum, at Upstart er bygget som en AI‑first virksomhed, er stærke positive tegn for virksomhedens fremtid, selvom aktiekursen endnu ikke har belønnet denne succes, med priser på samme niveau som i 2022 og langt under toppunktet i 2021 under pandemien.

Delvist skyldes dette, at der også er nogle risici for Upstarts forretningsmodel.

Den første er, at modellen kan forringes, når økonomiske forhold bevæger sig uden for træningsdata, og AI’en kan overse nye tendenser.

En anden udfordring er stigende regulatorisk pres for forklarlighed, retfærdighed og rapportering af demografisk præstation, da AI, selv utilsigtet, kan genindføre diskriminerende praksisser, som tidligere er forbudt i den finansielle sektor.

Endelig er virksomheden stadig afhængig af, at institutionel finansiering forbliver tilgængelig gennem kreditcyklusser, med tegn på stress i det finansielle system i en kontekst af høje gældsniveauer og en spændt geopolitisk situation.

Alligevel er Upstart ideelt placeret til at blive en central AI‑lånemarkedsplads og udbyder af underwriting‑infrastruktur – en nødvendig evolution af de oprindelige FinTech‑ og P2P‑netværks bestræbelser på nye lånepraksisser.

Investorer kan derfor overveje at få eksponering mod en virksomhed, der har ændret måden, lånevurdering udføres på, allerede fra starten.

Seneste nyheder og udviklinger om Upstart Holdings (UPST) aktien

Studie Refereret

^{1. Fengya Zhu og Rotem Shneor. Credit risk management in peer-to-peer lending platforms: A systematic literature review. Technological Forecast, Social Change. november 2026. Artikel: 124831. Bind 232. 10.1016/j.techfore.2026.124831}