क्यों एआई लेंडिंग मॉडल्स को केवल सटीक क्रेडिट स्कोर से अधिक की आवश्यकता है

मनमाने निर्णयों से क्रेडिट स्कोर तक

जब पैसा उधार दिया जाता है, तो बैंकों और अन्य वित्तीय संस्थानों को हमेशा इस बात की चिंता रहती थी कि उधारकर्ता इसे वापस नहीं चुका पाएंगे। इसलिए कई ऋण रियल एस्टेट या व्यापारिक संपत्तियों जैसे परिसंपत्तियों द्वारा समर्थित होते हैं, जिन्हें बैंक ऋण भुगतान न होने पर जब्त कर सकता है। फिर भी, निर्णय बैंक के कर्मचारियों के हाथ में था, जो यह तय करते थे कि ऋण दिया जाए या नहीं।

समय के साथ, एक बैंक कर्मचारी के व्यक्तिगत निर्णय को आंतरिक जोखिम मॉडलों और गणितीय सूत्रों पर आधारित अधिक परिष्कृत फ़िल्टरों द्वारा बदल दिया गया, जिससे प्रक्रिया अधिक मानकीकृत और कम मनमानी हो गई।

“क्रेडिट प्रबंधक का एक हिस्सा यह था कि वह व्यक्ति की व्यक्तित्व के बारे में अनुमान लगाने की कोशिश करे, कि क्या वह संगठित, परिपक्व और ज़िम्मेदार दिखता है। यदि क्रेडिट प्रबंधक को संदेह हो कि आवेदक शराबी है, या किसी के नस्ल, लिंग, या महिलाओं के लिए उनके वैवाहिक स्थिति जैसे स्पष्ट भेदभावपूर्ण कारणों के आधार पर, तो वह आवेदक को अस्वीकार कर सकता था।” जोश लॉयर – यूनिवर्सिटी ऑफ़ न्यू हैम्पशायर के प्रोफेसर और पुस्तक “क्रेडिटवर्थी” के लेखक।

हालांकि, 1958 तक इंतजार करना पड़ा जब इंजीनियर बिल फेयर और गणितज्ञ इयर इसाक द्वारा स्थापित FICO ने आधुनिक मानकीकृत क्रेडिट स्कोर पेश किया। और 1989 में, कंपनी ने पहला सामान्य-उद्देश्य, राष्ट्रीय स्तर का क्रेडिट स्कोर लॉन्च किया, जो 300 से 850 तक था, जो जल्दी ही अमेरिकी राष्ट्रीय ऋण मानक बन गया।

क्रेडिट स्कोर की सीमाएँ

एक आधुनिक क्रेडिट स्कोर पाँच अलग-अलग डेटा श्रेणियों पर आधारित होता है:

• भुगतान इतिहास (35%).
• स्वामित्व राशि (30%).
• क्रेडिट इतिहास की अवधि (15%).
• नया क्रेडिट और पूछताछ (10%).
• क्रेडिट मिश्रण (10%).

यह विधि क्रेडिट योग्यता के अनुमान को पहले की विधि की तुलना में अधिक वस्तुनिष्ठ और निष्पक्ष बनाती है। लेकिन बेशक, इसकी भी सीमाएँ हैं।

उदाहरण के लिए, यह व्यक्ति के व्यवहार के बारे में कोई जानकारी शामिल नहीं करता जो पिछले और वर्तमान ऋण से संबंधित नहीं है। यह रहने का स्थान, आय, रोजगार क्षेत्र, स्वामित्व वाली संपत्तियों आदि जैसी जानकारी को भी नहीं मानता।

एक आधुनिक क्रेडिट स्कोर यह मानता है कि बैंक व्यक्तियों को ऋण देते हैं। लेकिन आधुनिक पीयर-टू-पीयर (P2P) ऋण प्रणाली और अन्य फिनटेक वित्तीय सेवाएँ अलग ढंग से काम करती हैं।

साथ ही, एआई में प्रगति ने जटिल, विभिन्न डेटा को एक सुसंगत निर्णय मॉडल में एकीकृत करना संभव बना दिया है। इसलिए आश्चर्य नहीं है कि एआई डिजिटल ऋणदाताओं की नई पीढ़ी के लिए ऋण डिफ़ॉल्ट की भविष्यवाणी करने वाले मॉडलों को सुधारने में तेज़ी से प्रगति कर रहा है।

नॉर्वे के यूनिवर्सिटी ऑफ़ एग्डर के दो शोधकर्ताओं द्वारा किया गया एक नया अध्ययन पीयर-टू-पीयर लेंडिंग प्लेटफ़ॉर्म्स में क्रेडिट जोखिम प्रबंधन की जांच करता है। उन्होंने पाया कि शोध मुख्यतः दो समूहों में विभाजित है: एक मशीन लर्निंग के माध्यम से डिफ़ॉल्ट भविष्यवाणी को सुधारने पर केंद्रित, और दूसरा उधारकर्ताओं के डिफ़ॉल्ट करने के कारणों को समझने पर। हालांकि, दोनों दृष्टिकोण पुरानी डेटा सेट, असंगत परिभाषाओं, और सीमित भौगोलिक कवरेज से बाधित हैं।

शोधकर्ताओं ने अपने निष्कर्ष “Technological Forecast, Social Change”¹ में प्रकाशित किए, शीर्षक “पीयर-टू-पीयर लेंडिंग प्लेटफ़ॉर्म्स में क्रेडिट जोखिम प्रबंधन: एक व्यवस्थित साहित्य समीक्षा” के तहत।

P2P लेंडिंग का उदय और चुनौतियाँ

तेज़ विकास, नई जोखिमें

P2P लेंडिंग की मूल अवधारणा मध्यस्थता को समाप्त करना है, जहाँ प्लेटफ़ॉर्म जोखिम उठाने वाले संस्थानों के बजाय बाज़ार के रूप में कार्य करते हैं, जिससे फंड की आपूर्ति और मांग का सीधा मिलान संभव हो जाता है। कई नई फिनटेक कंपनियाँ इन बाजारों के विकास में अग्रणी हैं, साथ ही P2P लेंडिंग प्रोटोकॉल ब्लॉकचेन का उपयोग करके पूरी तरह से केंद्रीकृत ऋण प्रदाता की आवश्यकता को बायपास कर रहे हैं, और अन्य DeFi (विकेंद्रीकृत वित्त) तकनीकें भी इस दिशा में योगदान दे रही हैं।

P2P लेंडिंग का अनुमान 2026 में $215 बिलियन के बाजार आकार के रूप में लगाया गया है, और 2033 तक 21.9% CAGR की दर से बढ़ने की उम्मीद है, जहाँ अधिकांश ऋण व्यक्तिगत निवेशकों द्वारा प्रदान किए जाते हैं।

स्रोत: Coherent Marketing Insights

हालाँकि, यह एक बहुत नया क्षेत्र है और अभी भी खराब नियमन वाला है, जिसमें जोखिम वास्तविक डिफ़ॉल्ट जोखिमों के खराब अनुमान से लेकर स्पष्ट धोखाधड़ी तक होते हैं।

P2P साहित्य का विश्लेषण

शोधकर्ताओं ने P2P लेंडिंग और क्रेडिट जोखिम प्रबंधन के बारे में अपने विश्लेषण के लिए कुल 433 अध्ययन पहचाने, जिनमें से 280 का आगे गहन विश्लेषण किया गया।

विषय पर वैज्ञानिक अध्ययन 2014 में वास्तव में बढ़ना शुरू हुए और 2020 में एक स्थिर स्तर पर पहुँच गए। भौगोलिक रूप से, इस क्षेत्र के अधिकांश शोधकर्ता चीन, USA, भारत और इंडोनेशिया से हैं, जहाँ चीन ने कुल प्रकाशनों का 39% प्रकाशित किया है।

स्रोत: Technological Forecast, Social Change

वर्तमान में चल रहे अधिकांश शोध P2P लेंडिंग, क्रेडिट जोखिम, और मशीन लर्निंग जैसी एआई-संबंधित तकनीकों पर केंद्रित हैं। इन अध्ययनों में कई डिफ़ॉल्ट की भविष्यवाणी में सॉफ्ट जानकारी (सोशल नेटवर्क) और हार्ड जानकारी (ब्याज दर) दोनों की भूमिका का विश्लेषण करते हैं।

स्रोत: Technological Forecast, Social Change

सबसे सामान्य पेपर विषय विभिन्न मशीन लर्निंग मॉडलों को लागू करके भविष्यवाणी सटीकता का मूल्यांकन करना है, जिसमें डेटा, चर, और मॉडल-स्तर के विचार शामिल होते हैं।

दूसरा सबसे सामान्य विषय डिफ़ॉल्ट संभावना और डिफ़ॉल्ट गंभीरता के निर्धारकों की पहचान करना है।

अन्य अध्ययन क्रेडिट जोखिम प्रबंधन के नए सिस्टम प्रस्तावित करते हैं या उन क्षेत्रों पर चर्चा करते हैं जो अभी भी कम शोधित हैं।

P2P लेंडिंग और एआई

नए जोखिम कारकों की खोज

क्योंकि P2P लेंडिंग केवल पारंपरिक क्रेडिट स्कोर पर निर्भर नहीं करती, मशीन लर्निंग और हाल ही में अन्य एआई तकनीकों का उपयोग डिफ़ॉल्ट जोखिमों की अधिक सटीक पहचान के लिए किया जाता है।

उदाहरण के लिए, सॉफ्ट कंप्यूटिंग दृष्टिकोण और न्यूरल नेटवर्क सिद्धांत पर आधारित फज़ी कॉग्निटिव मैप्स का उपयोग क्रेडिट जोखिम मूल्यांकन मॉडल बनाने के लिए किया गया।

विशिष्ट विधि की परवाह किए बिना, अध्ययन अक्सर दिखाते हैं कि मशीन लर्निंग सटीकता के मामले में पारंपरिक क्रेडिट स्कोरिंग विधियों से बेहतर प्रदर्शन करता है।

समग्र रूप से, यह प्रतीत होता है कि व्यक्तिगत रूप से, उधारकर्ताओं के क्रेडिट स्कोर, शिक्षा, वैवाहिक स्थिति, और नौकरी शीर्षक उनके क्रेडिट योग्यता के सामान्य संकेतक होते हैं।

एक अन्य कारक, “सामाजिक पूँजी सिद्धांत” पर आधारित, भी मदद कर सकता है: किसी विशेष सामाजिक नेटवर्क की सदस्यता उन व्यक्तियों की पहचान में निर्णायक कारक हो सकती है जो अपने ऋणों में डिफ़ॉल्ट होने की संभावना कम रखते हैं।

स्रोत: Technological Forecast, Social Change

शोधकर्ताओं ने एक अध्ययन में आयु द्वारा यू-आकार का योगदान पाया, जो दर्शाता है कि मध्य आयु के आवेदकों (45 वर्ष से अधिक) में उच्च डिफ़ॉल्ट जोखिम होता है क्योंकि उन्हें अपने बच्चों और सेवानिवृत्त माता-पिता दोनों का समर्थन करने का आर्थिक बोझ अधिक होता है।

उन्होंने यह भी पाया कि महिला उधारकर्ताओं पर उच्च ब्याज दरें लगाई जाती हैं, जबकि उनके डिफ़ॉल्ट दरें पुरुष उधारकर्ताओं की तुलना में काफी कम हैं।

अप्रत्याशित नहीं, लंबा रोजगार इतिहास, अधिक आय, और कम ऋण अनुपात को प्राथमिकता दी जाती है।

संपत्ति का स्वामित्व, जिसमें घर और कार शामिल हैं, उधारकर्ताओं की पुनर्भुगतान क्षमता को बढ़ाता है, जबकि किराए और बकाया कार ऋण इसे कमजोर करते हैं।

उन्होंने यह भी पाया कि “सॉफ्ट” मीट्रिक भविष्यवाणी करने योग्य हो सकते हैं, हालांकि आवश्यक नहीं कि P2P लेंडिंग प्लेटफ़ॉर्म द्वारा कार्रवाई योग्य हों।

“एक अध्ययन ने उधारकर्ताओं के चरित्र को समझने की कोशिश की, जिससे पता चला कि उन छात्रों में डिफ़ॉल्ट की संभावना अधिक थी जो विश्वविद्यालय पुस्तकालय में किताबें लौटाने में देर करते थे और उन्होंने जिन पाठ्यक्रमों को लिया, उनमें अधिक प्रतिशत में असफल रहे।”

कुल मिलाकर, अध्ययन ने पाया कि विचार करने के लिए सबसे महत्वपूर्ण कारक हैं:

• उधारकर्ता स्तर पर:
  • जनसांख्यिकीय।
  • वित्तीय प्रदर्शन।
  • सॉल्वेंसी।
  • क्रेडिट स्कोर।
  • सामाजिक पूँजी।
  • मनोवैज्ञानिक संकेतक।
  • ऋण स्तर (राशि, पुनर्भुगतान अवधि, उद्देश्य, प्रमाणीकरण, और विवरण की लंबाई)।
• उधारदाता स्तर पर:
  • जनसांख्यिकीय संकेतक।
  • समूह प्रवृत्ति।
• प्लेटफ़ॉर्म स्तर पर:
  • विशेष संग्रह कार्रवाई।
  • मूल्य व्यवस्था।
• मैक्रो स्तर पर:
  • नियमावली।
  • आर्थिक विकास।
  • रोजगार।
  • राष्ट्रीय संस्कृति।
  • संकट अवधि।

ब्लैक बॉक्स मूल्यांकन

एआई के साथ एक बार-बार आने वाली समस्या यह है कि न्यूरल नेटवर्क और मशीन लर्निंग अक्सर तथाकथित “ब्लैक बॉक्स” सिस्टम बनाते हैं, जहाँ किसी परिणाम के कारण यहाँ तक कि सिस्टम के डेवलपर्स के लिए भी स्पष्ट नहीं होते, और बाद में ऑपरेटरों के लिए और भी कम स्पष्ट होते हैं।

यह P2P लेंडिंग में एआई के उपयोग के लिए एक गंभीर समस्या हो सकती है।

पहला, यह डिफ़ॉल्ट जोखिम के गलत गणना के गंभीर खतरे पैदा करता है, जिससे समय पर समस्या की पहचान करना असंभव हो जाता है।

दूसरा, यह गंभीर नियामक जोखिम पैदा कर सकता है, क्योंकि कई व्यक्तिगत विशेषताएँ जैसे नस्ल या लिंग आमतौर पर भेदभावपूर्ण और अवैध मानी जाती हैं कि उन्हें ऋण प्रदान करने या न देने के निर्णय प्रक्रिया में शामिल किया जाए।

एआई क्रेडिट स्कोर बनाना

एआई क्रेडिट स्कोर बनाने के लिए एआई प्रशिक्षण के लिए सही डेटा सेट का उपयोग आवश्यक है।

शोधकर्ता तर्क देते हैं कि क्रेडिट योग्यता के अधिकांश एआई मूल्यांकन को कई समय फ्रेम को एकीकृत करना चाहिए। छोटे समय फ्रेम (<30 दिन) प्रारंभिक चेतावनी संकेतों की पहचान करने में मदद करते हैं, जबकि लंबे समय फ्रेम (120 दिन या अधिक) ऋण के समग्र परिणाम की बेहतर तस्वीर प्रदान करते हैं।

रिकवरी, या डिफ़ॉल्ट होने पर बकाया राशि की पुनर्भुगतान की संभावना, भी महत्वपूर्ण डेटा है।

अंत में, एक परिपूर्ण एआई सिस्टम को बदलती आर्थिक स्थितियों के अनुसार निरंतर समायोजित होना चाहिए और यह दिखाना चाहिए कि उसका अंडरराइटिंग उन ऐतिहासिक डेटा सेटों के बाहर भी विश्वसनीय रहता है, जिन पर इसे प्रशिक्षित किया गया था।

समग्र रूप से, अध्ययन “परिपूर्ण” एआई-आधारित क्रेडिट स्कोर की दिशा की ओर संकेत करता है, जिसमें यथासंभव अधिक प्रासंगिक चर को एकीकृत किया जाए, जैसे ऋण संरचना, प्लेटफ़ॉर्म नीतियां, निवेशक व्यवहार, रोजगार स्थितियां, नियमावली, और मैक्रोइकोनॉमिक शॉक्स। हालांकि, ऐसे निर्णय प्रक्रिया को पारदर्शी और निष्पक्ष बनाना वर्तमान एआई तकनीकों और प्रशिक्षण प्रक्रियाओं के साथ एक महत्वपूर्ण चुनौती हो सकती है।

एआई क्रेडिट स्कोर में निवेश

Upstart Holdings, Inc

जैसे-जैसे उधार और क्रेडिट स्कोर विकसित होते हैं, नई कंपनियाँ पारंपरिक क्रेडिट स्कोर और उधार प्रथाओं के बेहतर विकल्प प्रदान करने के लिए उभर रही हैं।

इनमें से एक Upstart (UPST ) है, एक एआई-संचालित उधार मार्केटप्लेस, जो 2012 में लॉन्च हुआ, जब एआई अभी तकनीकी वार्तालाप का केंद्र नहीं था।

Upstart के पीछे विचार यह था कि मौजूदा क्रेडिट स्कोर प्रणाली अक्षम और पुरानी है। अधिक डेटा उपलब्ध होने के साथ, ऋण जोखिमों की बेहतर पहचान संभव होनी चाहिए, और परिणामस्वरूप बड़ी जनसंख्या को सस्ते ऋण प्रदान किए जा सकें।

“हमारा व्यक्तिगत ऋण मॉडल उधारकर्ता जोखिम का मूल्यांकन करने में पारंपरिक क्रेडिट मॉडल की तुलना में उल्लेखनीय रूप से अधिक सटीक है। हमें विश्वास है कि आगे कई वर्षों तक मॉडलिंग सुधार होंगे।”

इस प्रारंभिक शुरुआत ने कंपनी को अपने एआई को प्रशिक्षित करने के लिए डेटा का प्रचुर स्रोत प्रदान किया और एआई प्रशिक्षण विधियों में हालिया प्रगति का लाभ उठाने में मदद की।

स्रोत: Upstart

इसका मतलब है कि Upstart की विधि उन लोगों की पहचान कर सकती है जिनके FICO स्कोर उच्च हैं, लेकिन व्यवहार में उनके ऋण डिफ़ॉल्ट होने का जोखिम अधिक है। और इसके विपरीत, कम FICO स्कोर वाले लोग डिफ़ॉल्ट होने की संभावना कम रखते हैं।

इसलिए एआई और डेटा के उपयोग से, Upstart एक विशिष्ट समूह के लिए उत्कृष्ट परिणाम प्राप्त कर सकता है। उदाहरण के लिए, यह समान जोखिम स्तर पर अधिक ऋण प्रदान कर सकता है, जिससे स्वीकृति दर 27% से बढ़कर 67% हो जाती है। या यह नुकसान को काफी हद तक घटा सकता है, डिफ़ॉलट दर 9% से 5% तक, यानी लगभग आधी।

स्रोत: Upstart

इसके अलावा, एक एल्गोरिद्म का उपयोग करने से, जो एक ऋण अधिकारी की जगह लेता है, प्रक्रिया स्वचालित हो जाती है। यह कम लागत वाला और बहुत तेज़ तथा सहज ऋण आवेदन प्रक्रिया बनाता है।

Upstart का मार्केटप्लेस उधारकर्ताओं को बैंकों, क्रेडिट यूनियनों और संस्थागत पूँजी से जोड़ता है। इसने रिपोर्ट किया कि 2025 में संस्थागत निवेशकों ने उसके मार्केटप्लेस के माध्यम से उत्पन्न मूलधन का 64% खरीदा।

Upstart एक अत्यंत विशाल बाजार को सेवा देता है, जहाँ हर साल वैश्विक स्तर पर $25 ट्रिलियन का क्रेडिट उत्पन्न होता है। इस राशि में से, $1 ट्रिलियन तक का राजस्व उन प्लेटफ़ॉर्मों को उपलब्ध है जो इस क्रेडिट को उत्पन्न और सेवा देते हैं।

2025 में, कंपनी ने 1.5 मिलियन ऋण उत्पन्न किए (पिछले वर्ष की तुलना में 115% वृद्धि), कुल $11 बिलियन (86% वृद्धि), और कंपनी की कुल आय $1 बिलियन (64% वृद्धि) रही। कंपनी नई क्षेत्रों में भी तेज़ी से बढ़ रही है, उदाहरण के लिए, ऑटो ऋण उत्पन्नी 5 गुना बढ़ी (Q4 2024 में $45 मिलियन से Q1 2026 में $263 मिलियन), और होम ऋण उत्पन्नी 6 गुना बढ़ी (Q4 2024 में $27 मिलियन से Q1 2026 में $143 मिलियन)।

इसलिए, भले ही ये बड़े हों, ये संख्याएँ उन्नत क्रेडिट स्कोर विधियों और एआई-आधारित ऋण मूल्यांकन की कुल संभावनाओं की तुलना में मामूली हैं।

स्रोत: Upstart

हालिया वृद्धि संख्याएँ और AI-प्रथम कंपनी के रूप में निर्मित होना Upstart के भविष्य के लिए मजबूत सकारात्मक संकेत हैं, भले ही स्टॉक मूल्य ने इस सफलता को वास्तव में नहीं पुरस्कृत किया है, कीमतें 2022 के समान स्तर पर हैं, और महामारी के दौरान 2021 के शिखर से काफी नीचे हैं।

आंशिक रूप से, यह इसलिए है क्योंकि Upstart के व्यवसाय मॉडल में भी कुछ जोखिम मौजूद हैं।

पहला यह है कि उसका मॉडल बिगड़ सकता है, क्योंकि आर्थिक स्थितियां प्रशिक्षण डेटा से बाहर जा सकती हैं और उसका एआई नई प्रवृत्तियों को मिस कर सकता है।

एक अन्य समस्या है व्याख्यात्मकता, निष्पक्षता, और जनसांख्यिकीय प्रदर्शन रिपोर्टिंग के लिए बढ़ता नियामक दबाव, क्योंकि अनजाने में भी एआई वित्तीय उद्योग में पहले प्रतिबंधित भेदभावपूर्ण प्रथाओं को वापस ला सकता है।

अंत में, कंपनी अभी भी संस्थागत फंडिंग पर निर्भर रहती है जो क्रेडिट चक्रों में उपलब्ध रहे, जबकि उच्च ऋण स्तर और तनावपूर्ण भू-राजनीतिक स्थिति के संदर्भ में वित्तीय प्रणाली में तनाव के संकेत दिख रहे हैं।

फिर भी, Upstart एक प्रमुख एआई लेंडिंग मार्केटप्लेस और अंडरराइटिंग इन्फ्रास्ट्रक्चर प्रदाता बनने के लिए आदर्श रूप से स्थित है, जो प्रारंभिक फिनटेक और P2P नेटवर्कों की नई उधार प्रथाओं की धक्का देने की आवश्यक विकास है।

और निवेशक उन कंपनियों में निवेश करने की इच्छा रख सकते हैं जिन्होंने शुरुआती चरण में ऋण अंडरराइटिंग के तरीके को मूल रूप से बदल दिया है।

नवीनतम Upstart Holdings (UPST) स्टॉक समाचार और विकास

उल्लेखित अध्ययन

^{1. Fengya Zhu और Rotem Shneor। Peer-to-peer लेंडिंग प्लेटफ़ॉर्म्स में क्रेडिट जोखिम प्रबंधन: एक व्यवस्थित साहित्य समीक्षा। Technological Forecast, Social Change। नवंबर 2026। लेख: 124831। खंड 232। 10.1016/j.techfore.2026.124831}