Warum KI-Kreditmodelle mehr als genaue Kredit‑Scores benötigen

Von willkürlichen Entscheidungen zu Kredit‑Scores

Bei der Vergabe von Krediten mussten Banken und andere Finanzinstitute stets befürchten, dass Kreditnehmer nicht zurückzahlen können. Deshalb sind viele Kredite durch Vermögenswerte wie Immobilien oder Unternehmenswerte besichert, die die Bank im Falle ausbleibender Rückzahlungen beschlagnahmen kann. Dennoch lag die Entscheidung in den Händen des Bankpersonals, das darüber entschied, ob ein Kredit gewährt wird.

Im Laufe der Zeit wurde die individuelle Entscheidung eines Bankmitarbeiters durch immer ausgefeiltere Filter ersetzt, die auf internen Risikomodellen und mathematischen Formeln basieren, wodurch der Prozess standardisierter und weniger willkürlich wurde.

„Ein Teil der Aufgabe des Kreditmanagers bestand darin, Rückschlüsse auf die Persönlichkeit der Person zu ziehen, ob sie organisiert, reif und verantwortungsbewusst wirkt. Ein Kreditmanager konnte einen Antrag ablehnen, wenn er vermutete, dass die Person alkoholabhängig sei, oder aus offenkundig diskriminierenden Gründen, die mit der Rasse, dem Geschlecht oder – bei weiblichen Kreditnehmerinnen – dem Familienstand einer Person zusammenhängen.“ – Josh Lauer – Professor an der University of New Hampshire und Autor des Buches “Creditworthy.”

Erst 1958 führte FICO, gegründet von Ingenieur Bill Fair und Mathematiker Earl Isaac, den modernen standardisierten Kredit‑Score ein. Und 1989 brachte das Unternehmen den ersten universell einsetzbaren, landesweiten Kredit‑Score heraus, der von 300 bis 850 reichte und schnell zum US‑amerikanischen nationalen Kreditstandard wurde.

Die Grenzen des Kredit‑Scores

Ein moderner Kredit‑Score basiert auf fünf unterschiedlichen Datenkategorien:

• Zahlungshistorie (35%).
• Höhe der Verbindlichkeiten (30%).
• Dauer der Kredithistorie (15%).
• Neue Kredite und Anfragen (10%).
• Kreditmix (10%).

Diese Methode machte die Einschätzung der Kreditwürdigkeit deutlich objektiver und fairer als das vorherige Verfahren. Sie hat jedoch natürlich ihre Grenzen.

Beispielsweise enthält sie keinerlei Informationen über das Verhalten einer Person außerhalb von Aspekten, die mit vergangenen und aktuellen Schulden zusammenhängen. Sie berücksichtigt auch keine Angaben wie Wohnort, Einkommen, Beschäftigungssektor, Besitz von Vermögenswerten usw.

Ein moderner Kredit‑Score beruht zudem auf der Annahme, dass Banken Kredite an Einzelpersonen vergeben. Moderne Peer-to-Peer‑Kredit (P2P)-Systeme und andere FinTech‑Finanzdienstleistungen funktionieren jedoch anders.

Parallel dazu hat der Fortschritt im Bereich KI es ermöglicht, komplexe, heterogene Daten in ein kohärentes Entscheidungsmodell zu integrieren. Daher ist es nicht überraschend, dass KI rasch Fortschritte bei der Verbesserung von Modellen macht, die Kreditausfälle für eine neue Generation digitaler Kreditgeber vorhersagen.

Eine neue Studie von zwei Forschern der University of Agder in Norwegen untersuchte das Kreditrisikomanagement auf Peer-to-Peer‑Kreditplattformen. Sie stellten fest, dass die Forschung weitgehend in zwei Lager gespalten ist: Das eine konzentriert sich auf die Verbesserung der Ausfallvorhersage mittels Machine Learning, das andere darauf, zu verstehen, warum Kreditnehmer ausfallen. Beide Ansätze sind jedoch durch veraltete Datensätze, inkonsistente Definitionen und begrenzte geografische Abdeckung eingeschränkt.

Die Forscher veröffentlichten ihre Ergebnisse in Technological Forecast, Social Change¹ unter dem Titel „Credit risk management in peer-to-peer lending platforms: A systematic literature review“.

Der Aufstieg und die Herausforderungen von P2P‑Krediten

Schnelles Wachstum, neue Risiken

Das Kernkonzept von P2P‑Krediten umfasst die Disintermediation, bei der Plattformen als Marktplätze statt als risikobehaftete Institutionen fungieren und die direkte Zusammenführung von Angebot und Nachfrage nach Kapital ermöglichen. Viele neue FinTech‑Unternehmen treiben die Entwicklung dieser Märkte voran, ebenso wie P2P‑Kredit‑Protokolle, die mithilfe von Blockchain die Notwendigkeit eines zentralen Kreditgebers vollständig umgehen, zusammen mit anderen DeFi‑(dezentralisierte Finanz‑)Technologien.

P2P‑Kredite werden für das Jahr 2026 auf ein Marktvolumen von 215 Mrd. $ geschätzt und sollen bis 2033 mit einer jährlichen Wachstumsrate von 21,9 % wachsen, wobei der Großteil der Kredite von einzelnen Investoren bereitgestellt wird.

Quelle: Coherent Marketing Insights

Dies ist jedoch ein sehr neuer Sektor und noch schlecht reguliert, wobei die Risiken von einer mangelhaften Schätzung der tatsächlichen Ausfallrisiken bis hin zu offenem Betrug reichen.

Analyse der P2P‑Literatur

Die Forscher identifizierten insgesamt 433 Studien, die für ihre Analyse von P2P‑Krediten und Kreditrisikomanagement relevant waren, von denen 280 eingehend weiter analysiert wurden.

Die wissenschaftlichen Studien zu diesem Thema nahmen 2014 deutlich zu und erreichten 2020 einen Höhepunkt. Geografisch stammen die meisten Forscher des Feldes aus China, den USA, Indien und Indonesien, wobei China 39 % der Gesamtpublikationen veröffentlicht hat.

Quelle: Technological Forecast, Social Change

Der Großteil der laufenden Forschung konzentriert sich auf P2P‑Kredite im Allgemeinen, Kreditrisiken und KI‑bezogene Technologien wie Machine Learning. Viele dieser Studien analysieren die Rolle sowohl weicher Informationen (soziale Netzwerke) als auch harter Informationen (Zinssätze) bei der Vorhersage von Ausfällen.

Quelle: Technological Forecast, Social Change

Das häufigste Thema der Arbeiten ist die Bewertung der Vorhersagegenauigkeit durch Anwendung verschiedener Machine‑Learning‑Modelle, begleitet von Überlegungen zu Daten, Variablen und Modellebenen.

Das zweithäufigste Thema ist die Identifizierung der Determinanten für die Ausfallwahrscheinlichkeit und die Schwere von Ausfällen.

Weitere Studien schlagen neue Systeme des Kreditrisikomanagements vor oder diskutieren, was noch unerforscht bleibt.

P2P‑Kredite und KI

Neue Risikofaktoren finden

Da P2P‑Kredite nicht ausschließlich auf traditionellen Kredit‑Scores basieren, werden Machine Learning und, neuerdings, andere KI‑Technologien eingesetzt, um Ausfallrisiken genauer zu identifizieren.

Beispielsweise wurden fuzzy cognitive maps, die auf Soft‑Computing‑Ansätzen und der Theorie neuronaler Netze basieren, verwendet, um ein Modell zur Bewertung von Kreditrisiken zu erstellen.

Unabhängig von der spezifischen Methode zeigen Studien häufig, dass Machine Learning traditionelle Kredit‑Scoring‑Methoden in Bezug auf Genauigkeit übertrifft.

Insgesamt scheint es, dass individuell die Kredit‑Scores der Kreditnehmer, deren Bildung, Familienstand und Berufsbezeichnung typische Indikatoren für die Kreditwürdigkeit sind.

Ein weiterer Faktor, basierend auf der „Social‑Capital‑Theory“, kann ebenfalls helfen: die Mitgliedschaft in einem bestimmten sozialen Netzwerk kann ein entscheidender Faktor sein, um Personen zu identifizieren, die mit geringerer Wahrscheinlichkeit ihre Kredite ausfallen lassen.

Quelle: Technological Forecast, Social Change

Die Forscher fanden in einer Studie einen U‑förmigen Zusammenhang mit dem Alter, wobei mittlere Bewerber (über 45) ein höheres Ausfallrisiko aufweisen, weil sie eine größere wirtschaftliche Belastung durch die Unterstützung sowohl ihrer Kinder als auch ihrer pensionierten Eltern tragen.

Sie stellten außerdem fest, dass weibliche Kreditnehmer höhere Zinssätze zahlen, obwohl ihre Ausfallraten deutlich niedriger sind als die der männlichen Kreditnehmer.

Wie zu erwarten, werden eine längere Beschäftigungsdauer, ein höheres Einkommen und ein niedrigeres Schulden‑zu‑Einkommen‑Verhältnis bevorzugt.

Der Besitz von Immobilien, einschließlich Häusern und Autos, erhöht ebenfalls die Rückzahlungsfähigkeit der Kreditnehmer, während Mietverhältnisse und ausstehende Autokredite diese schwächen.

Sie fanden zudem heraus, dass „weiche“ Kennzahlen vorhersagend sein können, obwohl sie nicht unbedingt von P2P‑Kreditplattformen umsetzbar sind.

„Eine Studie versuchte, den Charakter der Kreditnehmer zu erfassen, und zeigte, dass Ausfälle bei Studierenden wahrscheinlicher waren, die Bücher in einer Universitätsbibliothek verspätet zurückgaben und einen höheren Anteil der von ihnen belegten Kurse nicht bestanden.“

Insgesamt ergab die Studie, dass die wichtigsten zu berücksichtigenden Faktoren sind:

• Auf der Ebene des Kreditnehmers:
  • Demografisch.
  • Finanzielle Leistung.
  • Zahlungsfähigkeit.
  • Kredit‑Score.
  • Soziales Kapital.
  • Psychologische Indikatoren.
  • Kredit‑Ebene (Betrag, Rückzahlungszeitraum, Zweck, Authentifizierung und Beschreibungsumfang).
• Auf der Ebene des Kreditgebers:
  • Demografische Indikatoren.
  • Herdenverhalten.
• Auf der Ebene der Plattform:
  • Spezielle Inkassomaßnahmen.
  • Preisregime.
• Auf der Makroebene:
  • Regulierung.
  • Wirtschaftsentwicklung.
  • Beschäftigung.
  • Nationale Kultur.
  • Krisenperioden.

Bewertung der Black‑Box

Ein wiederkehrendes Problem bei KI ist, dass neuronale Netze und Machine Learning sogenannte „Black‑Box“-Systeme erzeugen, bei denen die Gründe für ein bestimmtes Ergebnis selbst für die Entwickler des Systems kaum nachvollziehbar sind und noch weniger für nachfolgende Betreiber.

Dies kann ein ernsthaftes Problem für P2P‑Kredite sein, die KI einsetzen.

Erstens, dies erzeugt ernsthafte Gefahren einer Fehlkalkulation des Ausfallrisikos, ohne dass das Problem rechtzeitig erkannt werden kann.

Zweitens kann dies erhebliche regulatorische Risiken mit sich bringen, da viele Merkmale einer Person wie Rasse oder Geschlecht allgemein als diskriminierend und illegal gelten, in den Entscheidungsprozess zur Gewährung eines Kredits einfließen zu dürfen.

Ein KI‑Kredit‑Score erstellen

Die Erstellung eines KI‑Kredit‑Scores erfordert die Verwendung des richtigen Datensatzes für das KI‑Training.

Die Forscher argumentieren, dass die meisten KI‑Bewertungen der Kreditwürdigkeit mehrere Zeitrahmen integrieren sollten. Kurze Zeitrahmen (<30 Tage) helfen, Frühwarnzeichen zu erkennen, während lange Zeitrahmen (120 Tage oder mehr) ein besseres Bild des Gesamtergebnisses der Kreditvergabe liefern.

Recovery, also die Wahrscheinlichkeit, überfällige Beträge nach einem Ausfall zurückzuzahlen, ist ebenfalls ein wichtiges Datum.

Quelle: Technological Forecast, Social Change

Schließlich sollte ein perfektes KI‑System kontinuierlich an sich ändernde wirtschaftliche Bedingungen anpassen und nachweisen, dass seine Kreditvergabe auch außerhalb der historischen Datensätze, auf denen es trainiert wurde, zuverlässig bleibt.

Insgesamt weist die Studie in Richtung des „perfekten“ KI‑gesteuerten Kredit‑Scores, der so viele relevante Variablen wie möglich integrieren sollte, darunter Kreditstruktur, Plattform‑Richtlinien, Investorenverhalten, Beschäftigungsbedingungen, Regulierung und makroökonomische Schocks. Die Transparenz und Fairness eines solchen Entscheidungsprozesses zu gewährleisten, könnte jedoch eine erhebliche Herausforderung darstellen, angesichts vieler aktueller KI‑Technologien und Trainingsverfahren.

Kurze Zeitrahmen (

In KI‑Kredit‑Scores investieren

Upstart Holdings, Inc

Während sich Kreditvergabe und Kredit‑Scores weiterentwickeln, entstehen neue Unternehmen, die bessere Alternativen zu traditionellen Kredit‑Scores und Kreditpraktiken bieten.

Eines davon ist Upstart (UPST ), ein von KI betriebenes Kredit‑Marktplatz, das 2012 gestartet wurde, lange bevor KI zum zentralen Thema der Technologiediskussion wurde.

Die Idee hinter Upstart war, dass das bestehende Kredit‑Score‑System ineffizient und veraltet ist. Mit deutlich mehr verfügbaren Daten sollte es möglich sein, Kreditrisiken besser zu identifizieren und dadurch günstigere Kredite für einen großen Teil der Bevölkerung anzubieten.

„Unser Modell für Privatkredite ist deutlich genauer als ein traditionelles Kreditmodell bei der Bewertung des Kreditrisikos. Wir glauben, dass noch Jahre an Modellverbesserungen vor uns liegen.“

Dieser frühe Start verschaffte dem Unternehmen eine reichhaltige Datenbasis, um seine eigene KI zu trainieren und die jüngsten Fortschritte in KI‑Trainingsmethoden zu nutzen.

Quelle: Upstart

Das bedeutet, dass Upstarts Methode Personen mit hohen FICO‑Scores identifizieren kann, die in der Praxis ein hohes Ausfallrisiko aufweisen. Umgekehrt ist das Risiko, dass Personen mit niedrigen FICO‑Scores ausfallen, gering.

Durch den Einsatz von KI und Daten kann Upstart für eine bestimmte Kohorte herausragende Ergebnisse erzielen. Beispielsweise kann es entweder mehr Kredite bei gleichem Risikoniveau anbieten, wobei die Genehmigungsrate von 27 % auf 67 % steigt. Oder es kann die Verluste erheblich reduzieren, von einer Ausfallrate von 9 % auf 5 % bzw. fast die Hälfte.

Quelle: Upstart

Zudem bedeutet die Verwendung eines Algorithmus anstelle eines Kreditoffiziers, dass der Prozess automatisiert ist. Das ist sowohl kostengünstiger als auch viel schneller und angenehmer, einen Kredit zu beantragen.

Upstarts Marktplatz verbindet Kreditnehmer mit Banken, Kreditgenossenschaften und institutionellem Kapital. Es berichtete, dass institutionelle Investoren 2025 64 % des über den Marktplatz ausgegebenen Kapitals erworben haben.

Upstart bedient einen enormen Markt, mit jährlich weltweit 25 Bio. $ an ausgegebenem Kredit. Davon stehen bis zu 1 Bio. $ an Einnahmen den Plattformen zur Verfügung, die diesen Kredit ausgeben und betreuen.

Im Jahr 2025 stammten 1,5 Millionen Kredite (ein Anstieg von 115 % gegenüber dem Vorjahr) aus dem Unternehmen, insgesamt 11 Mrd. $ (ein Anstieg von 86 % gegenüber dem Vorjahr), und die Gesamteinnahmen des Unternehmens beliefen sich auf 1 Mrd. $ (ein Anstieg von 64 % gegenüber dem Vorjahr). Das Unternehmen wächst zudem schnell in neuen Segmenten, wobei beispielsweise die Vergabe von Autokrediten um das 5‑fache (von 45 Mio. $ im 4. Quartal 2024 auf 263 Mio. $ im 1. Quartal 2026) und die Vergabe von Hypothekarkrediten um das 6‑fache (von 27 Mio. $ im 4. Quartal 2024 auf 143 Mio. $ im 1. Quartal 2026) gestiegen ist.

Selbst wenn sie groß sind, verblassen diese Zahlen im Vergleich zum Gesampotenzial fortschrittlicher Kredit‑Score‑Methoden und KI‑gesteuerter Kreditbewertung.

Quelle: Upstart

Die jüngsten Wachstumszahlen und die Tatsache, dass Upstart als reines KI‑Unternehmen aufgebaut wurde, sind starke positive Indikatoren für die Zukunft von Upstart, selbst wenn der Aktienkurs diesen Erfolg bislang nicht angemessen honoriert hat und auf dem Niveau von 2022 liegt, weit unter dem Höchststand von 2021 während der Pandemie.

Teilweise liegt das daran, dass es auch einige Risiken für das Geschäftsmodell von Upstart gibt.

Das erste Risiko besteht darin, dass sich das Modell verschlechtern kann, wenn sich die wirtschaftlichen Bedingungen außerhalb der Trainingsdaten bewegen und die KI neue Trends verpasst.

Ein weiteres Problem ist der zunehmende regulatorische Druck hinsichtlich Erklärbarkeit, Fairness und dem Bericht über demografische Leistungen, da KI, selbst unbeabsichtigt, diskriminierende Praktiken wieder einführen könnte, die zuvor aus der Finanzbranche verbannt wurden.

Schließlich bleibt das Unternehmen weiterhin von der Verfügbarkeit institutioneller Finanzmittel über die Kreditzyklen hinweg abhängig, wobei Anzeichen von Belastungen im Finanzsystem im Kontext hoher Schuldenstände und einer angespannten geopolitischen Lage zunehmen.

Dennoch ist Upstart ideal positioniert, um zu einem zentralen KI‑Kredit‑Marktplatz und Anbieter von Underwriting‑Infrastrukturen zu werden, eine notwendige Weiterentwicklung des ursprünglichen FinTech‑ und P2P‑Netzwerks, das neue Kreditpraktiken vorantreibt.

Investoren könnten zudem Interesse daran haben, sich an einem Unternehmen zu beteiligen, das die Kreditvergabe von Anfang an radikal verändert hat.

Neueste Nachrichten und Entwicklungen zu Upstart Holdings (UPST) Aktien

Studie zitiert

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