Fintech Uutiset

Miksi AI-lainamallit tarvitsevat enemmän kuin tarkat luottopisteet

mm
Julkaistu
Päivitetty
Lisää Securities.io suosikkilähteisiisi Google-palvelussa

Arbitraarisista päätöksistä luottopisteisiin

Kun rahaa lainataan, pankkien ja muiden rahoituslaitosten on aina täytynyt huolehtia siitä, että lainanottajat eivät pysty maksamaan lainaa takaisin. Tästä syystä monet lainat on turvattu omaisuudella, kuten kiinteistöllä tai yritysvaroilla, jotka pankki voi takavarikoida, jos lainan maksua ei suoriteta. Päätös oli silti pankkihenkilökunnan käsissä, jotka päättivät, myönnetäänkö laina.

Ajan myötä yksittäinen pankkityöntekijän päätös korvattiin yhä kehittyneemmillä suodattimilla, jotka perustuivat sisäisiin riskimalleihin ja matemaattisiin kaavoihin, tehden prosessista standardoidumman ja vähemmän mielivaltaisen.

“Luottopäällikön tehtävänä oli yrittää tehdä johtopäätöksiä henkilön persoonallisuudesta, siitä vaikuttaako hän olevan järjestelmällinen, kypsä ja vastuullinen. Luottopäällikkö saattoi hylätä hakijan, jos epäili tämän olevan alkoholisti, tai selvästi syrjivistä syistä, jotka liittyivät henkilön rotuun, sukupuoleen tai, naislainanottajien osalta, siviilisäätyyn.

Josh Lauer – professori New Hampshirein yliopistossa ja kirjan “Creditworthy.” tekijä

Kuitenkin vasta vuonna 1958 FICO, jonka perusti insinööri Bill Fair ja matemaatikko Earl Isaac, esitteli modernin standardoidun luottopisteen. Vuonna 1989 yritys lanseerasi ensimmäisen yleiskäyttöisen, koko maassa käytettävän luottopisteen, joka vaihteli 300–850, joka nopeasti nousi Yhdysvaltojen kansalliseksi lainastandardiksi.

Luottopisteen rajoitukset

Nykyinen luottopiste perustuu viiteen erilliseen tietokategoriaan:

  • Maksuhistoria (35 %).
  • Omistettu määrä (30 %).
  • Luottohistorian pituus (15 %).
  • Uusi luotto ja tiedustelut (10 %).
  • Luoton monipuolisuus (10 %).

Tämä menetelmä teki luottokelpoisuuden arvioinnista paljon objektiivisempaa ja oikeudenmukaisempaa kuin aiempi tapa. Mutta tietenkin sillä on omat rajoitteensa.

Esimerkiksi se ei sisällä tietoa yksilön käyttäytymisestä lainojen ja velkojen ulkopuolella. Se ei myöskään ota huomioon esimerkiksi asuinpaikkaa, tuloja, toimialaa, omistettuja varoja jne.

Nykyinen luottopiste on myös rakennettu oletukselle, että pankit myöntävät lainoja yksityishenkilöille. Mutta nykyaikaiset vertaislainajärjestelmät (P2P) ja muut FinTech‑rahoituspalvelut toimivat eri tavalla.

Samaan aikaan tekoälyn kehitys on mahdollistanut monimutkaisten, hajanaisten tietojen integroimisen yhtenäiseksi päätösmalliksi. Ei siis ole yllättävää, että tekoäly tekee nopeaa edistystä lainan maksukyvyttömyyden ennustamismallien parantamisessa uudelle digitaaliselle lainanantajageneraatiossa.

Kaksi Norjan Agderin yliopiston tutkijaa toteutti uuden tutkimuksen, jossa tarkasteltiin luottoriskinhallintaa vertaislainapalvelualustoilla. He havaitsivat, että tutkimus on pääosin jakautunut kahteen leiriin: toinen keskittyy maksukyvyttömyyden ennustamiseen koneoppimisen avulla, ja toinen pyrkii ymmärtämään, miksi lainanottajat epäonnistuvat. Molemmat lähestymistavat ovat kuitenkin rajoittuneet vanhentuneisiin aineistoihin, epäyhtenäisiin määritelmiin ja rajalliseen maantieteelliseen kattavuuteen.

Tutkijat julkaisivat löydöksensä lehdessä Technological Forecast, Social Change1, otsikolla “Credit risk management in peer-to-peer lending platforms: A systematic literature review”.

Vertaislainauksen nousu ja haasteet

Nopea kasvu, uudet riskit

Vertaislainauksen ydinajatus sisältää välikäten poistamisen, jossa alustat toimivat markkinapaikkoina eivätkä riskin kantajina, mahdollistaen suoran rahoituksen tarjonnan ja kysynnän vastaavuuden. Monet uudet FinTech‑yritykset johtavat näiden markkinoiden kehittämistä, samoin kuin P2P‑lainaprotokollat, jotka käyttävät lohkoketjua kiertääkseen keskitetyn lainantarjoajan tarpeen kokonaan, sekä muut DeFi‑teknologiat.

Vertaislainausta arvioidaan 215 miljardiin dollariin vuonna 2026, ja odotetaan 21,9 % CAGR‑kasvua vuoteen 2033 asti, jossa suurin osa lainoista tulee yksityissijoittajilta.

Tämä on kuitenkin hyvin uusi sektori ja se on edelleen huonosti säännelty, riskeineen, jotka vaihtelevat huonosta todellisten maksukyvyttömyysriskien arvioinnista suoraan petoksiin.

P2P‑kirjallisuuden analysointi

Tutkijat tunnistivat yhteensä 433 tutkimusta, jotka olivat relevantteja heidän P2P‑lainausta ja luottoriskinhallintaa koskevassa analyysissään, joista 280 analysoitiin syvällisemmin.

Tieteelliset tutkimukset alkoivat todella kiihtyä vuonna 2014 ja saavuttivat tasanteen vuonna 2020. Maantieteellisesti suurin osa tutkijoista on peräisin Kiinasta, Yhdysvalloista, Intiasta ja Indonesiasta, ja Kiina on julkaissut 39 % kaikista julkaisuista.

Useimmat käynnissä olevat tutkimukset keskittyvät yleisesti P2P‑lainaukseen, luottoriskeihin ja tekoälyyn liittyviin teknologioihin, kuten koneoppimiseen. Monet näistä tutkimuksista analysoivat sekä pehmeän tiedon (sosiaalinen verkosto) että kovien tietojen (korkotaso) roolia maksukyvyttömyyden ennustamisessa.

Yleisin artikkelin aihe on ennustetarkkuuden arviointi eri koneoppimismallien avulla, ottaen huomioon data-, muuttuja- ja mallitasoiset näkökohdat.

Toiseksi yleisin aihe on maksukyvyttömyyden todennäköisyyden ja vakavuuden määritykset.

Muut tutkimukset ehdottavat uusia luottoriskinhallintajärjestelmiä tai käsittelevät, mitä on vielä tutkimatta.

Vertaislainausta ja tekoälyä

Uusien riskitekijöiden löytäminen

Koska P2P‑lainaaminen ei perustu pelkästään perinteisiin luottopisteisiin, koneoppimista ja viime aikoina muita tekoälytekniikoita käytetään maksukyvyttömyysriskien tarkempaan tunnistamiseen.

Esimerkiksi sumuiset kognitiiviset kartat, jotka perustuvat pehmeän laskennan lähestymistapoihin ja neuroverkkojen teoriaan, otettiin käyttöön luottoriskin arviointimallissa.

Riippumatta tarkasta menetelmästä, tutkimukset osoittavat usein, että koneoppiminen ylittää perinteiset luottopisteet tarkkuudessa.

Yleisesti vaikuttaa siltä, että yksilöllisesti lainanottajien luottopisteet, koulutus, siviilisääty ja työtehtävät ovat tyypillisiä indikaattoreita lainanottajien luottokelpoisuudesta.

Toinen tekijä, “sosiaalisen pääoman teoria” -perusteinen, voi myös auttaa: jäsenyys tietyssä sosiaalisessa verkostossa voi olla ratkaiseva tekijä henkilöiden tunnistamisessa, joilla on pienempi riski maksaa lainansa takaisin.

Tutkijat havaitsivat U‑muotoisen iän vaikutuksen yhdessä tutkimuksessa, mikä osoitti, että keski‑ikäiset hakijat (yli 45) omaavat suuremman maksukyvyttömyysriskin, koska heidän taloudellinen taakka on raskaampi lasten ja eläkeläisvanhempien tukemisessa.

He havaitsivat myös, että naislainanottajat saavat korkeampia korkoja, vaikka heidän maksukyvyttömyysprosenttinsa on merkittävästi alhaisempi kuin mieslainanottajilla.

Ei ole yllättävää, että pidempi työhistoria, korkeammat tulot ja alhaisempi velka‑suhde ovat eduksi.

Omistusasuminen, mukaan lukien talot ja autot, parantaa lainanottajien maksukykyä, kun taas vuokra-asunnot ja avoimet autolainat heikentävät sitä.

He havaitsivat myös, että “pehmeät” mittarit voivat olla ennustavia, vaikka niitä ei välttämättä voida suoraan hyödyntää P2P‑lainausalustoilla.

“Eräs tutkimus pyrki tarkastelemaan lainanottajien luonnetta, ja havaitsi, että maksukyvyttömyys oli todennäköisempää opiskelijoilla, jotka olivat myöhässä kirjaston kirjojen palautuksessa ja epäonnistuneet suuremmassa osassa kursseistaan.”

Kaikkiaan tutkimus totesi, että tärkeimmät huomioon otettavat tekijät ovat:

  • Lainanottajatasolla:
    • Demografiset.
    • Taloudellinen suorituskyky.
    • Maksuvalmius.
    • Luottopiste.
    • Sosiaalinen pääoma.
    • Psyykkiset indikaattorit.
    • Lainan taso (määrä, takaisinmaksuaika, tarkoitus, todennus ja kuvauksen pituus).
  • Lainanantajatason:
    • Demografiset indikaattorit.
    • Herding‑ilmiö.
  • Alustatasolla:
    • Erikoiskeräystoimet.
    • Hintarekisterit.
  • Makrotasolla:
    • Sääntely.
    • Taloudellinen kehitys.
    • Työllisyys.
    • Kansallinen kulttuuri.
    • Kriisiaikojen vaikutukset.

Black Box -arviointi

Toistuva ongelma tekoälyssä on, että neuroverkot ja koneoppiminen luovat niin sanottuja “black box” -järjestelmiä, joissa tuloksen syyt ovat kaukana selviä jopa järjestelmän kehittäjille, ja vielä vähemmän myöhemmille operaattoreille.

Tämä voi olla vakava ongelma P2P‑lainaamisessa, jossa hyödynnetään tekoälyä.

Ensinnäkin, tämä luo vakavia vaaroja maksukyvyttömyysriskin virhearviointiin, eikä ongelmaa voida tunnistaa ajoissa.

Toiseksi tämä voi aiheuttaa vakavia sääntelyriskejä, sillä monet yksilön ominaisuudet, kuten rotu tai sukupuoli, katsotaan yleisesti syrjiviksi ja laittomiksi integroida lainan myöntämisprosessiin.

AI‑luottopisteen rakentaminen

AI‑luottopisteen rakentaminen edellyttää oikean aineiston käyttöä tekoälyn kouluttamiseen.

Tutkijat väittävät, että suurin osa tekoälyn luottokelpoisuuden arvioinnista tulisi integroida useisiin aikatauluihin. Lyhyet aikavälit (<30 päivää) auttavat havaitsemaan varhaisia varoitusmerkkejä, kun taas pitkät aikavälit (120 päivää tai enemmän) antavat paremman kuvan lainan kokonaisvaikutuksesta.

Palautuminen, eli todennäköisyys maksaa erääntyneet summat takaisin maksukyvyttömyyden sattuessa, on myös tärkeä tieto.

Lopuksi täydellisen AI‑järjestelmän tulisi myös jatkuvasti säätää taloudellisten olosuhteiden muuttuessa ja osoittaa, että sen lainanmyöntö pysyy luotettavana historiallisten aineistojen ulkopuolella, joilla se on koulutettu.

Kokonaisuudessaan tutkimus osoittaa suuntaa kohti “täydellistä” AI‑ohjattua luottopistettä, joka integroi mahdollisimman monta relevanttia muuttujaa, mukaan lukien lainarakenteen, alustan politiikat, sijoittajien käyttäytymisen, työllisyysolosuhteet, sääntelyn ja makrotaloudelliset shokit. Kuitenkin tällaisen päätösprosessin läpinäkyväksi ja oikeudenmukaiseksi tekeminen voi olla merkittävä haaste monien nykyisten AI‑teknologioiden ja koulutusmenetelmien kanssa.

AI‑luottopisteeseen sijoittaminen

Upstart Holdings, Inc

Kun lainaus ja luottopisteet kehittyvät, uusia yrityksiä syntyy tarjoamaan parempia vaihtoehtoja perinteisille luottopisteille ja lainakäytännöille.

Yksi näistä on Upstart (UPST ), AI‑voimainen lainamarkkinapaikka, joka lanseerattiin vuonna 2012, kauan ennen kuin tekoäly nousi teknologian keskustelun keskiöön.

UPST Hintakaavio

Upstartin idea oli, että nykyinen luottopistejärjestelmä on tehottomaa ja vanhentunutta. Kun dataa on paljon enemmän, pitäisi olla mahdollista tunnistaa lainariskit paremmin ja siten tarjota edullisempia lainoja suurelle osalle väestöä.

“Henkilökohtainen lainamallimme on merkittävästi tarkempi kuin perinteinen luottomalli arvioitaessa lainanottajan riskiä. Uskomme, että vuosia mallinnusparannuksia on vielä edessä.”

Tämä varhainen aloitus antoi yritykselle runsaasti dataa, jonka avulla se on kouluttanut omaa tekoälyään ja hyödyntänyt tekoälyn koulutusmenetelmien viimeaikaista kehitystä.

Lähde: Upstart

Tämä tarkoittaa, että Upstartin menetelmä voi tunnistaa korkean FICO‑pisteen omaavia henkilöitä, joilla on kuitenkin suuri maksukyvyttömyysriski. Ja päinvastoin, matalan FICO‑pisteen omaavat henkilöt eivät ole yhtä todennäköisesti maksukyvyttömiä.

Siispä tekoälyn ja datan avulla Upstart voi saavuttaa poikkeuksellisia tuloksia tietyssä kohortissa. Esimerkiksi se voi joko tarjota enemmän lainoja samalle riskitasolle, nostamalla hyväksymisprosenttia 27 %:sta 67 %:iin. Tai se voi vähentää tappioita merkittävästi, 9 %:sta 5 %:iin, lähes puoleen.

Lähde: Upstart

Lisäksi algoritmin käyttäminen lainavirkailijan sijaan tarkoittaa, että prosessi on automatisoitu. Tämä on sekä vähemmän kallista että paljon nopeampaa ja miellyttävämpää lainaa hakeessa.

Upstartin markkinapaikka yhdistää lainanottajat pankkeihin, luottoyhdistyksiin ja institutionaaliseen pääomaan. Se raportoi, että institutionaaliset sijoittajat ostivat 64 % markkinapaikan kautta syntyneestä pääomasta vuonna 2025.

Upstart palvelee valtavaa markkinaa, jossa maailmanlaajuisesti syntyy 25 triljoonaa dollaria luottoa vuosittain. Tästä summasta jopa 1 triljoona dollaria on tuloa alustoille, jotka alkuperäisesti luovat ja palvelivat tätä luottoa.

Vuonna 2025 yritys loi 1,5 miljoonaa lainaa (kasvu 115 % vuodesta toiseen), yhteensä 11 miljardia dollaria (kasvu 86 % vuodesta toiseen), ja yrityksen kokonaisliikevaihto oli 1 miljardi dollaria (kasvu 64 % vuodesta toiseen). Yritys kasvaa myös nopeasti uusilla sektoreilla, esimerkiksi autolainojen alkuperä kasvoi 5‑kertaiseksi (45 miljosta dollaria Q4 2024:stä 263 miljoonaan dollariin Q1 2026), ja asuntolainojen alkuperä kasvoi 6‑kertaiseksi (27 miljosta dollaria Q4 2024:stä 143 miljoonaan dollariin Q1 2026).

Vaikka luvut ovatkin suuria, ne ovat silti pieniä verrattuna edistyneiden luottopistemallien ja AI‑ohjatun lainan arvioinnin kokonaispotentiaaliin.

Lähde: Upstart

Viimeaikaiset kasvuluvut ja se, että yritys on rakennettu AI‑ensimmäisenä, ovat vahvoja positiivisia tekijöitä Upstartin tulevaisuudelle, vaikka osakekurssi ei ole vielä täysin heijastanut tätä menestystä, sillä hinnat ovat samassa tasossa kuin vuonna 2022 ja huomattavasti alhaisempia kuin vuoden 2021 huippu pandemian aikana.

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

Ensimmäinen riski on, että sen malli voi heikentyä, kun taloudelliset olosuhteet poikkeavat koulutusdatasta ja sen AI saattaa missata uusia trendejä.

Toinen ongelma on kasvava sääntelypaine selitettävyyden, oikeudenmukaisuuden ja demografisen suorituskyvyn raportoinnin osalta, sillä vaikka tahattomasti, AI voi palauttaa takaisin syrjiviä käytäntöjä, jotka on aiemmin kielletty rahoitusalalta.

Lopuksi yritys on edelleen riippuvainen institutionaalisesta rahoituksesta, joka on saatavilla luottokierrosten aikana, ja talousjärjestelmässä on merkkejä stressistä korkean velkataakan ja jännittyneen geopoliittisen tilanteen yhteydessä.

Silti Upstart on ihanteellisessa asemassa tullakseen keskeiseksi AI‑lainaamarkkinapaikaksi ja lainanmyöntöinfrastruktuurin tarjoajaksi, mikä on välttämätön kehitysaskel alkuperäisten FinTech‑ ja P2P‑verkostojen pyrkimyksille uusia lainakäytäntöjä kohti.

Ja sijoittajat saattavat haluta saada altistusta yritykselle, joka on radikaalisti muuttanut lainanmyöntöprosessia varhaisessa vaiheessa.

Viimeisimmät Upstart Holdings (UPST) –osakkeen uutiset ja kehitykset

Viitattu tutkimus

1. Fengya Zhu ja Rotem Shneor. Credit risk management in peer-to-peer lending platforms: A systematic literature review. Technological Forecast, Social Change. Marraskuu 2026. Artikkeli: 124831. Volyymi 232. 10.1016/j.techfore.2026.124831

mm

Jonathan on entinen biokemian tutkija, joka on työskennellyt geneettisen analyysin ja kliinisten tutkimusten parissa. Hän on nyt osakkeiden analyytikko ja rahoituskirjailija, joka keskittyy innovaatioihin, markkinoiden sykleihin ja geopolitiikkaan julkaisussaan The Eurasian Century.