Η δανειοδότηση με τεχνητή νοημοσύνη διευρύνει την πρόσβαση στην πίστωση, αλλά η εποπτεία έχει σημασία

Πολλές χρηματοπιστωτικές υπηρεσίες βασίζονται, στον πυρήνα τους, στην πληροφόρηση. Για παράδειγμα, μια ασφαλιστική εταιρεία χρειάζεται ακριβή στοιχεία για τη μελλοντική συχνότητα των ατυχημάτων και το κόστος τους, ώστε να ορίσει σωστά το ασφάλιστρο και να διασφαλίσει ότι το ασφαλιστήριο θα παραμείνει κερδοφόρο.

Αντίστοιχα, η χορήγηση δανείων προϋποθέτει την ορθή αξιολόγηση του κινδύνου αθέτησης από έναν συγκεκριμένο πελάτη και τον καθορισμό του επιτοκίου στο κατάλληλο επίπεδο.

Ιστορικά, η αξιολόγηση γινόταν αρχικά αποκλειστικά με βάση την ανθρώπινη κρίση και στοιχειώδεις μαθηματικούς τύπους, ενώ η κοινωνική τάξη, οι προσωπικές γνωριμίες και η προσωπική συμπεριφορά επηρέαζαν την πρόσβαση κάθε ατόμου στις χρηματοπιστωτικές υπηρεσίες.

Σταδιακά εμφανίστηκαν πιο επαγγελματικές και αντικειμενικές μέθοδοι, για την ορθότερη αξιολόγηση του κινδύνου με λιγότερες προκαταλήψεις. Για παράδειγμα, στις Ηνωμένες Πολιτείες, οι πιστοληπτικές βαθμολογίες μπορούν να αποτελέσουν την κυρίαρχη μέθοδο αξιολόγησης της δανειοληπτικής ικανότητας ενός αιτούντος.

Ωστόσο, πλέον εξαπλώνονται όλο και περισσότερο ακόμη πιο προηγμένες μέθοδοι, οι οποίες αξιοποιούν την τεχνητή νοημοσύνη για να εκτιμούν τους κινδύνους της δανειοδότησης με ακόμη μεγαλύτερη ακρίβεια, αντλώντας από τον τεράστιο όγκο χρήσιμων δεδομένων που δεν χρησιμοποιούν οι παραδοσιακές πιστοληπτικές βαθμολογίες.

Έτσι, η δανειοδότηση με τεχνητή νοημοσύνη μπορεί να προσεγγίσει δανειολήπτες που συνήθως παραβλέπουν τα συμβατικά μοντέλα πιστοληπτικής αξιολόγησης και να βελτιώσει συνολικά την εκτίμηση του κινδύνου. Ωστόσο, αυτή η διεύρυνση της πρόσβασης στην πίστωση μπορεί επίσης να ενέχει κινδύνους, αν δεν γίνει σωστά, όπως λάθη στην ίδια τη διαδικασία αξιολόγησης και χορήγησης δανείων, αύξηση των διακρίσεων κ.ά.

Νέα μελέτη ερευνητών από το Kunming University (Κίνα), το Shanghai University of Finance and Economics (Κίνα) και το University of Hamburg (Γερμανία) εξετάζει τις επιπτώσεις της τεχνητής νοημοσύνης στις αγορές πιστώσεων.

Η μελέτη διαπίστωσε ότι η δανειοδότηση με τεχνητή νοημοσύνη αυξάνει τη χρηματοοικονομική ένταξη κατά 8.4–11.2 ποσοστιαίες μονάδες κατά μέσο όρο, κυρίως χάρη στους δανειστές FinTech. Διαπίστωσε, όμως, επίσης ότι η επέκταση της πίστωσης με τη βοήθεια της τεχνητής νοημοσύνης εντείνει τη μεταβλητότητα του ακραίου κινδύνου.

Δημοσίευσαν τα ευρήματά τους στο International Review of Economics & Finance¹, με τίτλο «Τεχνητή νοημοσύνη στις αγορές πιστώσεων: αλγοριθμική δανειοδότηση, χρηματοοικονομική ένταξη και ρυθμιστικό αρμπιτράζ».

Ανάλυση της δανειοδότησης με τεχνητή νοημοσύνη

Οι υποσχέσεις και οι κίνδυνοι της δανειοδότησης με τεχνητή νοημοσύνη

Από μια καινοτομία που υιοθέτησαν νεοεισερχόμενες εταιρείες όπως η Upstart (περισσότερα για την εταιρεία παρακάτω), οι τεχνολογίες που σχετίζονται με την τεχνητή νοημοσύνη έχουν πλέον θέση, με τον έναν ή τον άλλο τρόπο, στις περισσότερες διαδικασίες δανειοδότησης.

«Οι αλγόριθμοι μηχανικής μάθησης αποτελούν πλέον τη βάση των συστημάτων χορήγησης δανείων σε μεγάλες τράπεζες λιανικής, ψηφιακές πλατφόρμες δανειοδότησης και ένα ολοένα διευρυνόμενο δίκτυο νεοεισερχόμενων εταιρειών FinTech.»

Αυτά τα συστήματα μπορούν να επεξεργάζονται και να υπολογίζουν χιλιάδες μεταβλητές, από ιστορικά συναλλαγών, ψυχομετρικές αξιολογήσεις και μοτίβα συμπεριφοράς μέσω κινητών συσκευών έως κοινωνικά σήματα σε πραγματικό χρόνο. Αυτό, όμως, ενδέχεται να προκαλέσει και νέα προβλήματα:

• Ενδέχεται να διαιωνίζουν ή να ενισχύουν ιστορικές προκαταλήψεις που ενσωματώνονται στα δεδομένα εκπαίδευσης.
• Λειτουργούν με τέτοιο βαθμό αδιαφάνειας, ώστε να δυσχεραίνουν την εποπτεία από τις αρμόδιες αρχές.
• Η εφαρμογή τους πέρα από τα σύνορα διαφορετικών δικαιοδοσιών ευνοεί μια μορφή ρυθμιστικού αρμπιτράζ, η οποία αμφισβητεί την εδαφική λογική της προληπτικής εποπτείας.

Διαμόρφωση της κατάλληλης βάσης δεδομένων

Για να κατανοήσουν όχι μόνο τις επιπτώσεις της δανειοδότησης με τεχνητή νοημοσύνη σε τοπικό επίπεδο, αλλά και μεταξύ διαφορετικών δικαιοδοσιών, οι ερευνητές ανέλυσαν 42 οικονομίες από την Ασία και τον Ειρηνικό (14 χώρες), την Ευρώπη (10 χώρες), τη Λατινική Αμερική (10 χώρες) και την υποσαχάρια Αφρική (8 χώρες), για την περίοδο 2012–2022.

Συγκέντρωσαν στοιχεία για τις χώρες αυτές σχετικά με τη χρηματοοικονομική ένταξη, την ποιότητα της εποπτικής αρχιτεκτονικής και την πληρότητα του μακροπροληπτικού πλαισίου.

Ο σημαντικότερος δείκτης, η χρηματοοικονομική ένταξη, μετρήθηκε με βάση τα εξής:

• Ποσοστό κατοχής επίσημου πιστωτικού λογαριασμού.
• Διείσδυση της πίστωσης στις πολύ μικρές, μικρές και μεσαίες επιχειρήσεις (ΜΜΜΕ).
• Αναλογία δανειοληπτών προς τον ενήλικο πληθυσμό.
• Αριθμός υποκαταστημάτων εμπορικών τραπεζών ανά 100,000 ενήλικες.
• Ποσοστό κατοχής λογαριασμού κινητού χρήματος.

Δημιούργησαν επίσης έναν νέο δείκτη, την ένταση υιοθέτησης της δανειοδότησης με τεχνητή νοημοσύνη (ALII), για να αξιολογήσουν πόσο διαδεδομένη είναι αυτή η μορφή δανειοδότησης σε κάθε χώρα.

«Ο ALII λειτουργεί ως διαρθρωτικός δείκτης της έντασης υιοθέτησης τεχνολογίας σε μακροοικονομικό επίπεδο και της κατανομής των δυνατοτήτων σε ολόκληρο τον κλάδο. Αντί να ελέγχει την ακρίβεια μεμονωμένων μοντέλων ή την ευθυγράμμιση αλγορίθμων σε μικροεπίπεδο, ο δείκτης ποσοτικοποιεί τη διαρθρωτική πυκνότητα και τη λειτουργική διείσδυση των ροών αυτοματοποιημένης λήψης αποφάσεων στο ευρύτερο χρηματοπιστωτικό οικοσύστημα.»

Αποτελέσματα της μελέτης

Μεγάλες αποκλίσεις

Όπως ήταν αναμενόμενο, η μελέτη διαπίστωσε ότι η χρηματοοικονομική ένταξη διαφέρει σημαντικά από περιοχή σε περιοχή: κυμαίνεται από 0.042 στις οικονομίες χαμηλού εισοδήματος της υποσαχάριας Αφρικής κατά τα πρώτα έτη του δείγματος έως 0.941 στις οικονομίες υψηλού εισοδήματος της Ασίας και του Ειρηνικού κατά τα μεταγενέστερα έτη.

Ο Δείκτης Έντασης του AI Lending εμφανίζει ακόμη μεγαλύτερη διασπορά: η μέση τιμή του 0,317 αποκρύπτει συντελεστή μεταβλητότητας 0,89, ενώ οι οικονομίες χαμηλού εισοδήματος έχουν μέσο όρο 0,089 και οι οικονομίες υψηλού εισοδήματος 0,524.

Ένα ακόμη εύρημα είναι η αξιοσημείωτη επιτάχυνση του ALII μετά το 2016, η οποία συμπίπτει με την εμπορική εφαρμογή τεχνολογιών βαθιάς μάθησης στην αξιολόγηση της πιστοληπτικής ικανότητας. Παράλληλα, οι υψηλότερες τιμές του Credit Cycle Volatility (CCV) καταγράφηκαν σε αναδυόμενες οικονομίες της αγοράς κατά την περίοδο μετά το 2015, συμπίπτοντας με την ταχεία επέκταση της χρηματοδότησης μέσω FinTech που καταγράφεται στα δεδομένα του ALII.

Το AI Lending διευρύνει τη χρηματοπιστωτική ένταξη

Η μελέτη διαπίστωσε άμεση σύνδεση μεταξύ του AI Lending και της χρηματοπιστωτικής ένταξης.

«Αύξηση κατά μία τυπική απόκλιση στον Δείκτη Έντασης του AI Lending συνδέεται με αύξηση κατά 0,084 τυπικές αποκλίσεις στον Δείκτη Χρηματοπιστωτικής Ένταξης.»

Φάνηκε επίσης ότι η θετική επίδραση του AI Lending στη χρηματοπιστωτική ένταξη είναι ισχυρότερη όταν η εποπτική ικανότητα είναι χαμηλότερη. Αυτό μπορεί να οφείλεται σε δύο πιθανούς λόγους, οι οποίοι δεν αλληλοαποκλείονται:

• Σε περιβάλλοντα με ασθενέστερη εποπτεία υπάρχουν μεγαλύτερες ομάδες δανειοληπτών που δεν εξυπηρετούνται επαρκώς και τους οποίους οι πάροχοι AI Lending μπορούν να εξυπηρετήσουν με κέρδος, αξιοποιώντας εναλλακτικά δεδομένα.
• Οι πάροχοι AI Lending σε περιβάλλοντα χαμηλής εποπτείας είναι πιο πρόθυμοι να χορηγήσουν πίστωση σε δανειολήπτες οριακού κινδύνου, επειδή το κανονιστικό κόστος που συνδέεται με την πιθανή απόδοση ευθύνης για αθέτηση είναι χαμηλότερο.

Η επίδραση αυτή φαίνεται επίσης να οφείλεται κυρίως στις εταιρείες FinTech, καθώς οι πάροχοι AI Lending του τεχνολογικού κλάδου δημιουργούν σημαντικά μεγαλύτερα οφέλη για τη χρηματοπιστωτική ένταξη (3x) από τις καθιερωμένες τράπεζες που εφαρμόζουν εργαλεία AI.

«Αύξηση κατά μία τυπική απόκλιση στην ένταση του AI Lending από εταιρείες FinTech ανεβάζει τον FII κατά περίπου 13,8 ποσοστιαίες μονάδες, σχεδόν τριπλάσια από την επίδραση που αποδίδεται σε αντίστοιχη υιοθέτηση του AI από καθιερωμένες τράπεζες.»

Φαίνεται, λοιπόν, ότι η ενίσχυση της χρηματοπιστωτικής ένταξης δεν συνδέεται με τη μείωση του κόστους διεκπεραίωσης για τους υφιστάμενους πελάτες των τραπεζών χάρη στο AI, αλλά με τη χρήση του AI από τις εταιρείες FinTech για την προσέγγιση δανειοληπτών που αποκλείονται από το συμβατικό τραπεζικό σύστημα.

Αυτό συνάδει με την ευρύτερη αντίληψη ότι οι καθιερωμένες τράπεζες αξιοποιούν το AI αμυντικά, για να προστατεύσουν τις υφιστάμενες σχέσεις με τους πελάτες τους, και όχι επεκτατικά, για να στοχεύσουν νέα τμήματα της αγοράς.

Μεγαλύτεροι κίνδυνοι ανάλογα με τη χώρα;

Η μελέτη διαπίστωσε ότι η αύξηση της χρηματοπιστωτικής ένταξης μέσω του AI Lending δεν συνδέεται σημαντικά με υψηλότερους συστημικούς κινδύνους σε περιβάλλοντα χαμηλής εποπτείας. Επομένως, είναι πιθανό το AI Lending να αποφέρει τα καλύτερα αποτελέσματα σε αυτό το πλαίσιο, με μεγαλύτερη αύξηση της χρηματοπιστωτικής ένταξης και χαμηλότερους κινδύνους.

Αντίθετα, στις πιο ανεπτυγμένες οικονομίες και στα χρηματοπιστωτικά περιβάλλοντα με αυστηρότερη ρύθμιση, το AI Lending αποφέρει πιο περιορισμένα οφέλη ως προς τη χρηματοπιστωτική ένταξη. Σε αυτές τις περιπτώσεις, προκαλεί επίσης μικρή, αλλά μη αμελητέα, αύξηση των κινδύνων. Αυτό πιθανότατα οφείλεται στο ότι στις οικονομίες αυτές μόνο οι δανειολήπτες που βρίσκονται στο πλέον οριακό άκρο αποκλείονται πραγματικά από κάθε μορφή δανεισμού.

«Η χρηματοπιστωτική ένταξη είναι ήδη σχεδόν καθολική στον ενήλικο πληθυσμό, αφήνοντας ελάχιστα περιθώρια στο AI Lending να αυξήσει τον αριθμό των ατόμων που εντάσσονται στο χρηματοπιστωτικό σύστημα.»

Όπως συμβαίνει με κάθε μορφή δανεισμού, οι μεγαλύτεροι κίνδυνοι δεν εμφανίζονται υπό κανονικές συνθήκες της αγοράς, αλλά σε περιόδους έντονης πίεσης στο χρηματοπιστωτικό σύστημα. Έτσι, ενώ ο αυτοματοποιημένος δανεισμός φαίνεται σταθερός σε περιόδους ηρεμίας, σε περιόδους κρίσης προκαλεί ταχείες και οριζόντιες περικοπές κεφαλαίων, καθιστώντας ζωτικής σημασίας την ύπαρξη ισχυρών μακροπροληπτικών αποθεμάτων ασφαλείας για την αποτροπή συστημικών καταρρεύσεων και πανικού στις αγορές.

Ρυθμιστικό αρμπιτράζ

Ένα κάπως πιο ανησυχητικό εύρημα της μελέτης είναι η τάση των εταιρειών FinTech που χρησιμοποιούν AI για χορηγήσεις να επιχειρούν να αποφύγουν την αυστηρότερη ρύθμιση, μεταξύ άλλων μέσω της χρήσης εταιρειών-κελυφών.

«Στην περιοχή Ασίας-Ειρηνικού, καθώς η ένταση της τοπικής εποπτείας αυξήθηκε από ＋0.02 σε ＋0.22, οι εταιρείες δεν επιβράδυναν τη δραστηριότητά τους. Αντίθετα, μετέφεραν τις δραστηριότητές τους εκτός εποπτικού πλαισίου, αυξάνοντας τον αριθμό των θυγατρικών-κελυφών εκτός της εποπτικής περιμέτρου από 2 σε 11. Ταυτόχρονα, υπερτριπλασίασαν τη διασυνοριακή διοχέτευση περιουσιακών στοιχείων, από 14.5% σε 52.8%, προκαλώντας απότομη αύξηση των νομικών διαφορών.»

Αυτό δείχνει ότι οι τοπικές ρυθμιστικές αρχές δυσκολεύονται να εποπτεύσουν πλήρως αυτού του είδους τους δανειστές. Αντίθετα, το ισχύον πλαίσιο ωθεί τους ευέλικτους ψηφιακούς δανειστές να διασπούν τις επιχειρηματικές τους δραστηριότητες και να διοχετεύουν κεφάλαια σε περιοχές που δεν παρακολουθούνται.

Τι σημαίνει το AI Lending για τους επενδυτές

Η μελέτη επιβεβαιώνει προηγούμενες έρευνες που έδειξαν ότι το AI Lending βελτιώνει τη χρηματοπιστωτική ένταξη. Για παράδειγμα, ήταν ήδη γνωστό ότι η αλγοριθμική αξιολόγηση αιτήσεων στεγαστικών δανείων στις Ηνωμένες Πολιτείες αυξάνει τα ποσοστά έγκρισης για δανειολήπτες από μειονοτικές ομάδες, χωρίς αντίστοιχη αύξηση των αθετήσεων· εύρημα που συνάδει με αποκλεισμό λόγω διακρίσεων και όχι με αποκλεισμό βάσει προσαρμοσμένης στον κίνδυνο αξιολόγησης.

Η μελέτη δείχνει πλέον ότι αυτή η επίδραση παρατηρείται σχεδόν σε όλες τις περιοχές και τους τύπους οικονομιών, ενώ παράλληλα τεκμηριώνει άμεση αιτιώδη σύνδεση ανάμεσα στην αυξημένη χρήση του AI Lending και στην καλύτερη και δικαιότερη πρόσβαση σε κεφάλαια. Η επίδραση αυτή είναι ιδιαίτερα ισχυρή σε περιοχές με χαμηλό επίπεδο χρηματοπιστωτικής ένταξης ή/και ασθενέστερη εποπτεία.

Παράλληλα, η μελέτη διαπίστωσε επίσης ότι στις ανεπτυγμένες οικονομίες είναι συχνότεροι οι υψηλότεροι κίνδυνοι και τα λιγότερα οφέλη.

Αυτό θα μπορούσε να σημαίνει ότι, ενώ αρχικά ο δανεισμός με τεχνητή νοημοσύνη διεύρυνε την πρόσβαση σε κεφάλαια, τα μεγαλύτερα οφέλη και οι μικρότεροι κίνδυνοι ενδέχεται να εντοπίζονται στις μεθοριακές αγορές. Βέβαια, πρέπει να συνυπολογιστεί ότι αυτές οι αγορές είναι γενικά εγγενώς πιο επικίνδυνες από τις ανεπτυγμένες οικονομίες, ανεξάρτητα από την ποιότητα κάθε επιμέρους εταιρείας δανεισμού με τεχνητή νοημοσύνη.

Τέλος, φαίνεται ότι οι εταιρείες χρηματοοικονομικής τεχνολογίας σπεύδουν να εκμεταλλευτούν τις περιφερειακές διαφορές και να προσπαθήσουν να αποφύγουν την αυστηρότερη ρύθμιση. Αυτό μπορεί να αποτελέσει μακροπρόθεσμο κίνδυνο, καθώς ο καλύτερος συντονισμός μεταξύ περιφερειών ή η αυστηρότερη αντίδραση των ρυθμιστικών αρχών θα μπορούσαν να επηρεάσουν τα περιθώρια κέρδους και ακόμη και να οδηγήσουν σε δικαστικές υποθέσεις για αυτές τις εταιρείες· κίνδυνος που πρέπει να λάβουν υπόψη οι μέτοχοί τους.

Συνολικά, οι επενδυτές σε εταιρείες χρηματοοικονομικής τεχνολογίας που δραστηριοποιούνται στον δανεισμό με τεχνητή νοημοσύνη θα πρέπει να αξιολογούν κατά πόσο αυτές οι πλατφόρμες μπορούν να διευρύνουν βιώσιμα την πρόσβαση στην πίστωση, παράλληλα με την αύξηση των δανείων τους.

Αν υπάρχει αρκετά μεγάλη ομάδα ανθρώπων που εξυπηρετούνται ανεπαρκώς από τον υφιστάμενο χρηματοπιστωτικό κλάδο, ο δανεισμός με τεχνητή νοημοσύνη είναι πιθανό να αποφέρει σημαντικά οφέλη, καθώς η δυνητική αγορά είναι μεγάλη.

Αν αυτή η ομάδα είναι πολύ μικρή, οι αυξημένοι κίνδυνοι αθέτησης πληρωμών σε περιόδους αναταράξεων στις αγορές ή οι εξίσου επικίνδυνες μέθοδοι διασυνοριακής παράκαμψης των κανονισμών μπορεί να εγκυμονούν αφανείς μακροπρόθεσμους κινδύνους για τους μετόχους της εταιρείας.

Επενδύσεις στον δανεισμό με τεχνητή νοημοσύνη

Upstart Holdings

Καθώς εξελίσσονται ο δανεισμός και οι πιστοληπτικές αξιολογήσεις, εμφανίζονται νέες εταιρείες που προσφέρουν καλύτερες εναλλακτικές λύσεις αντί των παραδοσιακών πιστοληπτικών αξιολογήσεων και πρακτικών δανεισμού. Μία από αυτές είναι η Upstart, μια αγορά δανείων που βασίζεται στην τεχνητή νοημοσύνη και ιδρύθηκε το 2012, πολύ πριν η τεχνητή νοημοσύνη βρεθεί στο επίκεντρο της συζήτησης στον τεχνολογικό κλάδο.

Η ιδέα πίσω από τη δημιουργία της Upstart ήταν ότι το υφιστάμενο σύστημα πιστοληπτικής αξιολόγησης είναι αναποτελεσματικό και ξεπερασμένο. Με πολύ περισσότερα διαθέσιμα δεδομένα, θα έπρεπε να είναι δυνατό να εντοπίζονται καλύτερα οι κίνδυνοι των δανείων και, ως αποτέλεσμα, να προσφέρονται φθηνότερα δάνεια σε μεγάλο μέρος του πληθυσμού.

«Το μοντέλο μας για τα προσωπικά δάνεια αξιολογεί τον κίνδυνο των δανειοληπτών με ουσιαστικά μεγαλύτερη ακρίβεια από ένα παραδοσιακό πιστοληπτικό μοντέλο. Πιστεύουμε ότι υπάρχουν πολλά ακόμη περιθώρια βελτίωσης των μοντέλων τα επόμενα χρόνια.»

Αυτό το πρώιμο ξεκίνημα εξασφάλισε στην εταιρεία άφθονα δεδομένα για την εκπαίδευση της δικής της τεχνητής νοημοσύνης και την αξιοποίηση της πρόσφατης προόδου στις μεθόδους εκπαίδευσης συστημάτων τεχνητής νοημοσύνης.

Πηγή: Upstart

Αυτό σημαίνει ότι η μέθοδος της Upstart μπορεί να εντοπίσει ανθρώπους με υψηλές βαθμολογίες FICO, οι οποίοι όμως στην πράξη διατρέχουν υψηλό κίνδυνο να αθετήσουν τις υποχρεώσεις αποπληρωμής των δανείων τους. Αντίστροφα, οι άνθρωποι με χαμηλές βαθμολογίες FICO δεν είναι τόσο πιθανό να αθετήσουν τις υποχρεώσεις τους.

Έτσι, αξιοποιώντας την τεχνητή νοημοσύνη και τα δεδομένα, η Upstart μπορεί να πετυχαίνει εξαιρετικά αποτελέσματα για μια συγκεκριμένη ομάδα δανειοληπτών. Για παράδειγμα, μπορεί να χορηγεί περισσότερα δάνεια με το ίδιο επίπεδο κινδύνου, αυξάνοντας το ποσοστό έγκρισης από 27% σε 67%. Εναλλακτικά, μπορεί να μειώνει σημαντικά τις ζημίες, ρίχνοντας το ποσοστό αθέτησης από 9% σε 5%, δηλαδή σχεδόν στο μισό.

Πηγή: Upstart

Επιπλέον, η χρήση αλγορίθμου αντί υπαλλήλου δανειοδότησης σημαίνει ότι η διαδικασία αυτοματοποιείται. Έτσι, η χορήγηση δανείου κοστίζει λιγότερο, ενώ η αίτηση γίνεται πολύ πιο γρήγορα και ευχάριστα.

Η αγορά της Upstart συνδέει τους δανειολήπτες με τράπεζες, πιστωτικούς συνεταιρισμούς και θεσμικούς επενδυτές. Η εταιρεία ανέφερε ότι το 2025 θεσμικοί επενδυτές αγόρασαν το 64% του αρχικού κεφαλαίου των δανείων που χορηγήθηκαν μέσω της αγοράς της.

Η Upstart δραστηριοποιείται σε μια τεράστια αγορά, καθώς κάθε χρόνο χορηγούνται παγκοσμίως δάνεια ύψους 25 τρισ. δολαρίων. Από αυτό το ποσό, έως και 1 τρισ. δολάρια σε έσοδα είναι διαθέσιμα στις πλατφόρμες που χορηγούν και διαχειρίζονται αυτά τα δάνεια.

Το 2025, η εταιρεία χορήγησε 1,5 εκατομμύριο δάνεια (αύξηση 115% σε ετήσια βάση), συνολικού ύψους 11 δισ. δολαρίων (αύξηση 86% σε ετήσια βάση), ενώ τα συνολικά έσοδά της ανήλθαν σε 1 δισ. δολάρια (αύξηση 64% σε ετήσια βάση). Η εταιρεία αναπτύσσεται επίσης γρήγορα σε νέους τομείς: για παράδειγμα, οι χορηγήσεις δανείων αυτοκινήτου αυξήθηκαν κατά 5 φορές (από 45 εκατ. δολάρια το Δ΄ τρίμηνο του 2024 σε 263 εκατ. δολάρια το Α΄ τρίμηνο του 2026), ενώ οι χορηγήσεις στεγαστικών δανείων αυξήθηκαν κατά 6 φορές (από 27 εκατ. δολάρια το Δ΄ τρίμηνο του 2024 σε 143 εκατ. δολάρια το Α΄ τρίμηνο του 2026).

Επομένως, ακόμη κι αν ο σημερινός αριθμός δανείων είναι ήδη μεγάλος, ωχριά μπροστά στις πλήρεις δυνατότητες που προσφέρουν οι προηγμένες μέθοδοι πιστοληπτικής αξιολόγησης και η αξιολόγηση δανείων με τεχνητή νοημοσύνη.

Πηγή: Upstart

Οι πρόσφατοι ρυθμοί ανάπτυξης και το γεγονός ότι η Upstart δημιουργήθηκε εξαρχής ως εταιρεία με επίκεντρο την τεχνητή νοημοσύνη αποτελούν ισχυρά θετικά στοιχεία για το μέλλον της, ακόμη κι αν η τιμή της μετοχής δεν έχει ουσιαστικά ανταμείψει αυτή την επιτυχία: παραμένει στα ίδια επίπεδα με το 2022 και πολύ χαμηλότερα από το υψηλό του 2021, κατά τη διάρκεια της πανδημίας.

Εν μέρει, αυτό οφείλεται και στο ότι το επιχειρηματικό μοντέλο της Upstart ενέχει ορισμένους κινδύνους.

Πρώτον, το μοντέλο της μπορεί να υποβαθμιστεί, καθώς οι οικονομικές συνθήκες ενδέχεται να ξεφύγουν από τα δεδομένα εκπαίδευσης και η τεχνητή νοημοσύνη της να μην εντοπίσει νέες τάσεις.

Ένα ακόμη ζήτημα είναι η αυξανόμενη ρυθμιστική πίεση για επεξηγησιμότητα, δικαιοσύνη και αναφορά επιδόσεων ανά δημογραφική ομάδα, καθώς η τεχνητή νοημοσύνη θα μπορούσε, ακόμη και άθελά της, να επαναφέρει πρακτικές διακρίσεων που είχαν απαγορευτεί προηγουμένως στον χρηματοπιστωτικό κλάδο.

Τέλος, η εταιρεία εξακολουθεί να εξαρτάται από τη διαθεσιμότητα θεσμικής χρηματοδότησης σε όλους τους πιστωτικούς κύκλους, ενώ ενδείξεις πίεσης στο χρηματοπιστωτικό σύστημα συσσωρεύονται στο πλαίσιο υψηλών επιπέδων χρέους και τεταμένης γεωπολιτικής κατάστασης.

Ωστόσο, η Upstart βρίσκεται σε ιδανική θέση για να εξελιχθεί σε βασική αγορά δανεισμού με τεχνητή νοημοσύνη και πάροχο υποδομών αξιολόγησης πιστοληπτικής ικανότητας, μια αναγκαία εξέλιξη της αρχικής προσπάθειας των δικτύων χρηματοοικονομικής τεχνολογίας και P2P να προωθήσουν νέες πρακτικές δανειοδότησης.

Οι επενδυτές ίσως θελήσουν να αποκτήσουν από νωρίς επενδυτική έκθεση σε μια εταιρεία που αλλάζει ριζικά τον τρόπο αξιολόγησης των αιτήσεων δανειοδότησης.

Νεότερα νέα και εξελίξεις για τη μετοχή της Upstart Holdings (UPST)

Μελέτη που παρατίθεται

^{1. Podong Song, Shutong Wu, Janson Partab. Τεχνητή νοημοσύνη στις αγορές πιστώσεων: αλγοριθμικός δανεισμός, χρηματοπιστωτική ένταξη και ρυθμιστικό αρμπιτράζ. International Review of Economics & Finance. Δεκέμβριος 2026. Άρθρο: 105937. Τόμος 112. 10.1016/j.iref.2026.105937}