Tekoälypohjainen luotonanto laajentaa luotonsaantia, mutta valvonnalla on merkitystä

Monet finanssipalvelut perustuvat pohjimmiltaan tietoon. Esimerkiksi vakuutusyhtiö tarvitsee oikeat tiedot tulevasta onnettomuuksien määrästä ja niiden kustannuksista, jotta se voi määrittää vakuutukselle hinnan, jolla se on edelleen kannattava.

Samoin luotonannossa on arvioitava asianmukaisesti, kuinka suuri riski tietyn asiakkaan maksukyvyttömyydestä aiheutuu, ja asetettava perittävä korko oikealle tasolle.

Historiallisesti tätä arviointia tehtiin ensin yksinomaan ihmisten harkinnan ja alkeellisten matemaattisten kaavojen avulla. Yhteiskuntaluokka, henkilökohtaiset suhteet ja oma käyttäytyminen vaikuttivat siihen, saiko yksilö finanssipalveluja.

Vähitellen otettiin käyttöön ammattimaisempia ja objektiivisempia menetelmiä, joilla riskiä voitiin arvioida asianmukaisesti ja vähemmän puolueellisesti. Esimerkiksi luottopisteytyksestä voi tulla Yhdysvalloissa hallitseva tapa arvioida hakijan lainanottokykyä.

Nyt yleistyvät kuitenkin entistä kehittyneemmät menetelmät, joissa luotonannon riskejä arvioidaan tekoälyn avulla entistä tarkemmin ja hyödynnetään samalla valtavaa määrää hyödyllistä tietoa, jota perinteisessä luottopisteytyksessä ei käytetä.

Tekoälypohjaisen luotonannon ansiosta luottoa voivat saada myös lainanhakijat, jotka perinteiset luottomallit yleensä sivuuttavat, ja riskinarviointi voi kokonaisuudessaan parantua. Luotonsaannin laajentamiseen liittyy kuitenkin myös riskejä, jos se toteutetaan huonosti: luotonannon laadun arvioinnissa voi tapahtua virheitä, syrjintä voi lisääntyä ja niin edelleen.

Kunming Universityn (Kiina), Shanghai University of Finance and Economicsin (Kiina) ja Hampurin yliopiston (Saksa) tutkijoiden uudessa tutkimuksessa selvitetään tekoälyn vaikutuksia luottomarkkinoihin.

Tutkimuksessa havaittiin, että tekoälypohjainen luotonanto lisää rahoituspalvelujen saatavuutta keskimäärin 8,4–11,2 prosenttiyksikköä, pääasiassa finanssiteknologiayritysten luotonantajina. Tutkimuksessa havaittiin myös, että tekoälyyn perustuva luotonannon laajentuminen voimistaa häntäriskien volatiliteettia.

Tutkijat julkaisivat tuloksensa International Review of Economics & Finance -lehdessä¹ artikkelissa ”Tekoäly luottomarkkinoilla: algoritminen luotonanto, rahoituspalvelujen saatavuus ja sääntelyarbitraasi”.

Tekoälypohjaisen luotonannon analysointi

Tekoälypohjaisen luotonannon lupaukset ja riskit

Aiemmin uudeksi innovaatioksi miellettyyn tekoälyyn liittyvä teknologia on nykyisin jossain määrin käytössä useimmissa luotonantoprosesseissa. Sen varhaisiin käyttöönottajiin kuului Upstart (lisätietoja tästä yrityksestä jäljempänä).

”Koneoppimisalgoritmit ovat nykyisin keskeisessä roolissa suurten vähittäispankkien, digitaalisten luotonantoalustojen ja kasvavan finanssiteknologiayritysten joukon lainojen myöntämisjärjestelmissä.”

Nämä järjestelmät pystyvät käsittelemään ja laskemaan tuhansia muuttujia, jotka kattavat maksutapahtumahistorian, psykometriset arvioinnit, mobiilikäyttäytymisen mallit ja reaaliaikaiset sosiaaliset signaalit. Tähän voi kuitenkin liittyä uusia ongelmia:

• Ne voivat ylläpitää tai voimistaa koulutusdataan sisältyviä historiallisia vinoumia.
• Ne toimivat niin läpinäkymättömästi, että valvontaviranomaisten valvontatyö vaikeutuu.
• Niiden käyttöönotto eri lainkäyttöalueilla mahdollistaa sääntelyarbitraasin, joka haastaa vakavaraisuussääntelyn alueellisen logiikan.

Oikeanlaisen datan rakentaminen

Tekoälypohjaisen luotonannon vaikutusten ymmärtämiseksi sekä paikallisesti että eri lainkäyttöalueiden välillä tutkijat analysoivat 42 taloutta Aasian ja Tyynenmeren alueelta (14 maata), Euroopasta (10 maata), Latinalaisesta Amerikasta (10 maata) ja Saharan eteläpuolisesta Afrikasta (8 maata) vuosina 2012–2022.

Tutkijat keräsivät näistä maista tietoja rahoituspalvelujen saatavuudesta, valvontarakenteiden laadusta ja makrovakauskehysten kattavuudesta.

Tärkeintä mittaria eli rahoituspalvelujen saatavuutta mitattiin seuraavien tekijöiden avulla:

• Virallisen luottotilin omistavien osuus.
• Mikro-, pienten ja keskisuurten yritysten luottojen saatavuus.
• Lainanottajien osuus aikuisväestöstä.
• Liikepankkien konttorien määrä 100 000:ta aikuista kohti.
• Mobiilirahatilin omistavien osuus.

Lisäksi tutkijat loivat uuden mittarin, tekoälypohjaisen luotonannon käyttöönottovoimakkuuden indeksin (ALII), jolla arvioidaan tekoälypohjaisen luotonannon yleisyyttä kussakin maassa.

”ALII toimii rakenteellisena mittarina, jolla kuvataan teknologian käyttöönoton voimakkuutta makrotasolla ja kapasiteetin jakautumista koko toimialalla. Sen sijaan, että indeksillä tarkasteltaisiin yksittäisten mallien tarkkuutta tai algoritmien yhteensopivuutta mikrotasolla, sillä mitataan automatisoitujen päätöksentekoputkien rakenteellista tiheyttä ja toiminnallista levinneisyyttä laajemmassa rahoitusjärjestelmässä.”

Tutkimuksen tulokset

Huomattavat erot

Ei ole yllättävää, että tutkimuksessa havaittiin rahoituspalvelujen saatavuuden vaihtelevan huomattavasti alueittain: Saharan eteläpuolisen Afrikan matalan tulotason talouksissa lukema oli 0,042 otosjakson alkuvuosina, kun taas Aasian ja Tyynenmeren alueen korkean tulotason talouksissa se oli 0,941 myöhempinä vuosina.

Tekoälypohjaisen luotonannon intensiteetti-indeksin arvot vaihtelevat vieläkin enemmän: keskiarvo 0,317 peittää alleen 0,89:n variaatiokertoimen. Pienituloisten maiden keskiarvo on 0,089 ja suurituloisten maiden 0,524.

Tutkimuksessa havaittiin myös, että ALII:n arvo nousi huomattavasti vuoden 2016 jälkeen. Tämä ajoittuu yhteen sen kanssa, että syväoppimissovelluksia alettiin ottaa kaupallisesti käyttöön luottokelpoisuuden arvioinnissa. Samaan aikaan Credit Cycle Volatility (CCV) -mittarin korkeimmat arvot havaittiin nousevien markkinoiden talouksissa vuoden 2015 jälkeisellä kaudella, jolloin ALII-aineisto osoittaa fintech-luottojen nopeaa kasvua.

Tekoälypohjainen luotonanto edistää taloudellista osallisuutta

Tutkimuksessa havaittiin suora yhteys tekoälypohjaisen luotonannon ja taloudellisen osallisuuden välillä.

”Tekoälypohjaisen luotonannon intensiteetti-indeksin yhden keskihajonnan kasvu liittyy taloudellisen osallisuuden indeksin 0,084 keskihajonnan kasvuun.”

Tekoälypohjaisen luotonannon myönteinen vaikutus taloudelliseen osallisuuteen näytti olevan voimakkaampi silloin, kun valvontakapasiteetti oli heikompi. Tälle voi olla kaksi mahdollista, toisiaan poissulkematonta syytä:

• Heikomman valvonnan oloissa on enemmän alipalveltuja lainanhakijoita, joille tekoälypohjaiset luotonantajat voivat myöntää lainaa kannattavasti vaihtoehtoisten tietojen perusteella.
• Tekoälypohjaiset luotonantajat ovat vähäisen valvonnan oloissa halukkaampia myöntämään luottoa rajatapauksiksi katsottaville lainanhakijoille, koska mahdollisen maksulaiminlyönnin kohdentamiseen liittyvät sääntelykustannukset ovat pienemmät.

Vaikutus näyttää johtuvan pääasiassa fintech-yrityksistä: teknologia-alan tekoälypohjaiset luotonantajat edistävät taloudellista osallisuutta huomattavasti enemmän (3-kertaisesti) kuin vakiintuneet pankit, jotka ottavat käyttöön tekoälytyökaluja.

”Fintech-yritysten tekoälypohjaisen luotonannon intensiteetin yhden keskihajonnan kasvu nostaa FII-arvoa noin 13,8 prosenttiyksikköä, mikä on lähes kolminkertainen vaikutus verrattuna siihen, että vakiintuneet pankit ottavat tekoälyä käyttöön samassa määrin.”

Taloudellisen osallisuuden kasvu ei siis näytä johtuvan siitä, että tekoäly alentaisi nykyisten pankkiasiakkaiden palvelukustannuksia, vaan siitä, että fintech-yritykset hyödyntävät tekoälyä tavoittaakseen lainanhakijoita, jotka ovat jääneet perinteisen pankkijärjestelmän ulkopuolelle.

Tämä vastaa yleistä näkemystä, jonka mukaan vakiintuneet pankit ottavat tekoälyn käyttöön puolustautuakseen eli suojellakseen nykyisiä asiakassuhteitaan sen sijaan, että ne laajentaisivat toimintaansa tavoittelemalla uusia asiakasryhmiä.

Kasvavatko riskit maasta riippuen?

Tutkimuksessa havaittiin, ettei tekoälypohjaisen luotonannon avulla saavutettu taloudellisen osallisuuden kasvu liity merkittävästi systeemisten riskien kasvuun ympäristöissä, joissa valvonta on vähäistä. Tällaisissa oloissa tekoälypohjainen luotonanto tuottaa siis todennäköisesti parhaat tulokset: taloudellinen osallisuus kasvaa enemmän ja riskit ovat pienempiä.

Kehittyneemmissä talouksissa ja tiukemmin säännellyissä rahoitusympäristöissä tekoälypohjaisen luotonannon hyödyt taloudelliselle osallisuudelle ovat sen sijaan maltillisempia. Samalla se kasvattaa riskejä hieman, mutta ei merkityksettömästi. Tämä johtuu todennäköisesti siitä, että näissä talouksissa vain kaikkein heikoimmassa asemassa olevat lainanhakijat jäävät aidosti kaikenlaisen luotonannon ulkopuolelle.

”Taloudellinen osallisuus on jo lähes yleismaailmallista aikuisväestön keskuudessa, joten tekoälypohjaisella luotonannolla on vain vähän mahdollisuuksia saada uusia lainanhakijoita mukaan.”

Kuten kaikenlaisessa luotonannossa, suurimmat riskit eivät liity normaaliin markkinatilanteeseen vaan rahoitusjärjestelmän vakavan stressin kausiin. Automaattinen luotonanto näyttääkin vakaalta rauhallisina aikoina, mutta kriisien aikana se johtaa nopeisiin ja laaja-alaisiin pääoman leikkauksiin. Siksi vahvat makrovakauspuskurit ovat ratkaisevan tärkeitä systeemisten romahdusten ja markkinapaniikin estämiseksi.

Sääntelyarbitraasi

Tutkimuksen hieman huolestuttavampi havainto on, että tekoälyä luotonannossa käyttävät fintech-yritykset pyrkivät kiertämään tiukempaa sääntelyä muun muassa pöytälaatikkoyhtiöiden avulla.

”Aasian ja Tyynenmeren alueella yritykset eivät hidastaneet toimintaansa, vaikka paikallisen valvonnan intensiteetti kasvoi arvosta ＋0.02 arvoon ＋0.22. Sen sijaan ne siirsivät toimintaansa valvonnan ulkopuolelle, ja valvontakehän ulkopuolisten pöytälaatikkotytäryhtiöiden määrä kasvoi kahdesta 11:een. Samalla ne yli kolminkertaistivat varojen rajat ylittävän reitityksen 14,5 prosentista 52,8 prosenttiin, mikä johti oikeusriitojen määrän jyrkkään kasvuun.”

Tämä osoittaa, että paikallisilla viranomaisilla on vaikeuksia säännellä tämänkaltaisia luotonantajia kattavasti. Tilanne kannustaa ketteriä digitaalisia luotonantajia pilkkomaan liiketoimintaansa ja siirtämään pääomaa valvomattomille alueille.

Mitä sijoittajien kannattaa huomioida tekoälypohjaisesta luotonannosta?

Tämä tutkimus vahvistaa aiempia tuloksia, joiden mukaan tekoälypohjainen luotonanto edistää taloudellista osallisuutta. Esimerkiksi Yhdysvalloissa algoritmisen asuntolainahakemusten käsittelyn tiedettiin jo nostavan vähemmistöihin kuuluvien hakijoiden hyväksymisastetta ilman vastaavaa maksulaiminlyöntien lisääntymistä. Tämä tulos sopii yhteen sen kanssa, että ulkopuolelle sulkeminen perustuu syrjintään eikä riskiperusteiseen arviointiin.

Tutkimus osoittaa nyt, että vaikutus on yhdenmukainen lähes kaikilla alueilla ja kaikentyyppisissä talouksissa. Se tukee myös suoraa syy-yhteyttä tekoälypohjaisen luotonannon lisääntymisen sekä pääoman paremman ja oikeudenmukaisemman saatavuuden välillä. Vaikutus on erityisen voimakas alueilla, joilla taloudellinen osallisuus on vähäistä ja/tai valvonta heikkoa.

Tutkimuksessa havaittiin samalla, että kehittyneissä talouksissa riskit ovat suurempia ja hyödyt vähäisempiä.

Tämä voi siis tarkoittaa, että vaikka tekoälypohjainen luotonanto aluksi lisäsi pääoman saatavuutta, suurimmat hyödyt ja pienimmät riskit saattavat löytyä rajamarkkinoilta. Tähän liittyy kuitenkin varaus: tällaiset markkinat ovat yleensä lähtökohtaisesti riskialttiimpia kuin kehittyneiden maiden taloudet riippumatta yksittäisen tekoälypohjaisen luottoyhtiön laadusta.

Lisäksi näyttää siltä, että finanssiteknologiayhtiöt hyödyntävät alueellisia eroja nopeasti ja pyrkivät välttämään tiukempaa sääntelyä. Tästä voi koitua pitkän aikavälin riski: alueellisen yhteistyön tiivistyminen tai sääntelyviranomaisten kovemmat otteet voivat heikentää katteita ja johtaa jopa yhtiöitä koskeviin oikeustapauksiin. Tämä on riski, joka osakkeenomistajien kannattaa ottaa huomioon.

Tekoälypohjaiseen luotonantoon keskittyviä finanssiteknologiayhtiöitä arvioidessaan sijoittajien tulisi siis tarkastella lainakannan kasvun ohella sitä, pystyvätkö alustat laajentamaan luoton saatavuutta kestävällä tavalla.

Jos nykyinen rahoitusala palvelee puutteellisesti riittävän suurta ihmisjoukkoa, tekoälypohjainen luotonanto voi tuottaa huomattavia hyötyjä, ja sen tavoitettavissa oleva markkina voi olla laaja.

Jos tämä ihmisjoukko on liian pieni, markkinastressin aikana kasvava maksukyvyttömyysriski tai yhtä riskialttiit, sääntelyn välttämiseen tähtäävät toimintatavat eri lainkäyttöalueilla voivat aiheuttaa pitkällä aikavälillä piileviä vaaroja yhtiön osakkeenomistajille.

Sijoittaminen tekoälypohjaiseen luotonantoon

Upstart Holdings

Luotonannon ja luottopisteytysten kehittyessä markkinoille tulee uusia yhtiöitä, jotka tarjoavat perinteisiä luottopisteytyksiä ja luotonantotapoja parempia vaihtoehtoja. Yksi niistä on Upstart, tekoälypohjainen luotonantoalusta, joka perustettiin vuonna 2012 eli kauan ennen kuin tekoäly nousi teknologiakeskustelun keskiöön.

Upstartin perustamisen taustalla oli ajatus siitä, että nykyinen luottopisteytysjärjestelmä on tehoton ja vanhentunut. Kun tietoa oli saatavilla paljon aiempaa enemmän, lainariskit piti pystyä tunnistamaan paremmin ja sen ansiosta tarjoamaan edullisempia lainoja suurelle osalle väestöstä.

”Henkilökohtaisten lainojen mallimme arvioi lainanottajien riskejä olennaisesti tarkemmin kuin perinteinen luottomalli. Uskomme, että mallinnusta voidaan parantaa vielä vuosien ajan.”

Varhainen aloitus antoi yhtiölle runsaasti dataa, jonka avulla se pystyi kouluttamaan omaa tekoälyään ja hyödyntämään tekoälyn koulutusmenetelmien viimeaikaista kehitystä.

Lähde: Upstart

Tämä tarkoittaa, että Upstartin menetelmä voi tunnistaa ihmiset, joiden FICO-pisteet ovat korkeat mutta joiden lainojen maksukyvyttömyysriski on käytännössä suuri. Vastaavasti matalat FICO-pisteet omaavat ihmiset eivät välttämättä laiminlyö lainojensa takaisinmaksua.

Tekoälyn ja datan avulla Upstart voi siis saavuttaa erinomaisia tuloksia tietyssä lainanhakijaryhmässä. Se voi esimerkiksi myöntää enemmän lainoja samalla riskitasolla: hyväksymisaste voi nousta 27 prosentista 67 prosenttiin. Vaihtoehtoisesti yhtiö voi pienentää tappioita merkittävästi laskemalla maksukyvyttömyysasteen 9 prosentista 5 prosenttiin eli lähes puoleen.

Lähde: Upstart

Kun lainavirkailijan sijasta käytetään algoritmia, prosessi automatisoituu. Näin toimiminen on edullisempaa, ja lainan hakeminen on paljon nopeampaa ja miellyttävämpää.

Upstartin alusta yhdistää lainanhakijat pankkeihin, luotto-osuuskuntiin ja institutionaalisiin sijoittajiin. Yhtiön mukaan institutionaaliset sijoittajat ostivat vuonna 2025 pääomasta 64 prosenttia lainoissa, jotka oli myönnetty sen alustan kautta.

Upstart toimii valtavan suurella markkinalla: maailmanlaajuisesti myönnetään vuosittain luottoa 25 biljoonan dollarin edestä. Tästä määrästä jopa biljoonan dollarin liikevaihto on niiden alustojen tavoitettavissa, jotka myöntävät ja hoitavat näitä luottoja.

Vuonna 2025 yhtiö myönsi 1,5 miljoonaa lainaa, mikä oli 115 prosenttia enemmän kuin vuotta aiemmin. Lainojen kokonaisarvo oli 11 miljardia dollaria, 86 prosenttia enemmän kuin vuotta aiemmin, ja yhtiön liikevaihto oli yhteensä miljardi dollaria, 64 prosenttia enemmän kuin vuotta aiemmin. Yhtiö kasvaa nopeasti myös uusissa segmenteissä: esimerkiksi autolainojen myöntäminen viisinkertaistui 45 miljoonasta dollarista vuoden 2024 viimeisellä neljänneksellä 263 miljoonaan dollariin vuoden 2026 ensimmäisellä neljänneksellä, ja asuntolainojen myöntäminen kuusinkertaistui 27 miljoonasta dollarista vuoden 2024 viimeisellä neljänneksellä 143 miljoonaan dollariin vuoden 2026 ensimmäisellä neljänneksellä.

Vaikka lainojen nykyinen määrä on jo suuri, se kalpenee kehittyneiden luottopisteytysmenetelmien ja tekoälypohjaisen lainanhakijoiden arvioinnin koko potentiaalin rinnalla.

Lähde: Upstart

Viimeaikainen kasvu ja se, että yhtiö rakennettiin alusta alkaen tekoälyä hyödyntäväksi, luovat vahvan pohjan Upstartin tulevaisuudelle. Osakekurssi ei kuitenkaan ole juuri palkinnut tästä menestyksestä: se on pysynyt vuoden 2022 tasolla ja on selvästi vuoden 2021 pandemian aikaisen huippunsa alapuolella.

Osittain tämä johtuu siitä, että Upstartin liiketoimintamalliin liittyy myös joitakin riskejä.

Ensimmäinen riski on mallin toimivuuden heikkeneminen: jos talousolot muuttuvat koulutusdatan kattaman alueen ulkopuolelle, yhtiön tekoäly saattaa jättää uudet kehityssuunnat huomaamatta.

Toinen haaste on sääntelypaineen kasvu, joka koskee mallien selitettävyyttä, oikeudenmukaisuutta ja suorituskyvyn raportointia väestöryhmittäin. Tekoäly voi nimittäin palauttaa rahoitusalalle syrjiviä käytäntöjä, jotka on aiemmin kielletty, vaikka tahattomasti.

Lisäksi yhtiö on edelleen riippuvainen siitä, että institutionaalista rahoitusta on saatavilla luottosyklien eri vaiheissa. Rahoitusjärjestelmässä on nähtävissä kasvavia jännitteitä, kun velkataso on korkea ja geopoliittinen tilanne kireä.

Upstartilla on silti erinomaiset edellytykset nousta merkittäväksi tekoälypohjaisen lainanannon markkinapaikaksi ja luotonantajien riskinarvioinnin infrastruktuurin tarjoajaksi. Tämä on välttämätön kehitysaskel alkuperäisten fintech- ja P2P-verkostojen pyrkimyksessä uudistaa lainanantokäytäntöjä.

Sijoittajat saattavat myös haluta sijoittaa yhtiöön jo varhaisessa vaiheessa, sillä se on muuttanut perusteellisesti tapaa, jolla lainahakemuksia arvioidaan.

Upstart Holdingsin (UPST) tuoreimmat osakeuutiset ja kehityskulut

Viitattu tutkimus

^{1. Podong Song, Shutong Wu ja Janson Partab. Tekoäly luottomarkkinoilla: algoritminen luotonanto, taloudellinen osallisuus ja sääntelyn arbitraasi. International Review of Economics & Finance. Joulukuu 2026. Artikkeli: 105937. Vuosikerta 112. 10.1016/j.iref.2026.105937}