Fintech Berita
Mengapa Model Peminjaman AI Membutuhkan Lebih dari Skor Kredit yang Akurat
Tambahkan Securities.io ke sumber pilihan Anda di Google
Dari Keputusan Sewenang-wenang ke Skor Kredit
Saat memberikan pinjaman uang, bank dan lembaga keuangan lainnya selalu harus khawatir tentang peminjam yang tidak mampu mengembalikannya. Inilah mengapa banyak pinjaman didukung oleh aset seperti properti atau aset bisnis yang dapat disita bank jika pembayaran pinjaman tidak dilakukan. Namun, keputusan berada di tangan petugas bank, yang memutuskan apakah akan memberikan pinjaman.
Seiring waktu, keputusan individu seorang karyawan bank digantikan oleh filter yang semakin canggih berdasarkan model risiko internal dan rumus matematika, menjadikannya lebih standar dan kurang sewenang-wenang.
“Sebagian dari pekerjaan manajer kredit adalah mencoba membuat inferensi tentang kepribadian seseorang, apakah mereka tampak terorganisir, dewasa, dan bertanggung jawab. Seorang manajer kredit dapat menolak pelamar jika mereka curiga bahwa pelamar adalah seorang alkoholik, atau karena alasan diskriminatif yang lebih terang-terangan terkait ras, jenis kelamin, atau, bagi peminjam perempuan, status pernikahan mereka.” Josh Lauer – Professor at the University of New Hampshire and the author of the book “Creditworthy.”
Namun, baru pada tahun 1958 FICO, yang didirikan oleh Insinyur Bill Fair dan matematikawan Earl Isaac, memperkenalkan skor kredit standar modern. Dan pada tahun 1989, perusahaan tersebut meluncurkan skor kredit umum pertama secara nasional, dengan rentang 300 hingga 850, yang dengan cepat menjadi standar pinjaman nasional AS.
Batasan Skor Kredit
Skor kredit modern didasarkan pada lima kategori data yang berbeda:
- Riwayat pembayaran (35%).
- Jumlah kepemilikan (30%).
- Lamanya riwayat kredit (15%).
- Kredit baru dan permintaan (10%).
- Campuran kredit (10%).
Metode ini membuat estimasi kelayakan kredit jauh lebih objektif dan adil dibandingkan metode sebelumnya. Namun tentu saja, ia memiliki keterbatasannya.
Misalnya, metode ini tidak mencakup informasi apa pun tentang perilaku individu di luar hal-hal yang terkait dengan hutang masa lalu dan saat ini. Ia juga tidak mempertimbangkan informasi seperti tempat tinggal, pendapatan, sektor pekerjaan, aset yang dimiliki, dll.
Skor kredit modern juga dibangun dengan asumsi bahwa bank memberikan pinjaman kepada individu. Namun sistem pinjaman peer-to-peer (P2P) modern dan layanan keuangan FinTech lainnya berfungsi secara berbeda.
Secara paralel, kemajuan AI telah memungkinkan integrasi data yang kompleks dan beragam ke dalam model keputusan yang kohesif. Jadi tidak mengherankan bahwa AI membuat kemajuan cepat dalam meningkatkan model yang memprediksi gagal bayar pinjaman untuk generasi baru pemberi pinjaman digital.
Sebuah studi baru oleh dua peneliti di University of Agder, Norwegia, meneliti manajemen risiko kredit di platform pinjaman peer-to-peer. Mereka menemukan bahwa penelitian secara besar terbagi menjadi dua kelompok: satu berfokus pada peningkatan prediksi gagal bayar melalui pembelajaran mesin, dan yang lain berfokus pada pemahaman mengapa peminjam gagal bayar. Kedua pendekatan tersebut, bagaimanapun, tetap dibatasi oleh dataset yang usang, definisi yang tidak konsisten, dan cakupan geografis yang terbatas.
Para peneliti mempublikasikan temuan mereka di Technological Forecast, Social Change1, dengan judul “Credit risk management in peer-to-peer lending platforms: A systematic literature review”.
Kebangkitan dan Tantangan P2P Lending
Pertumbuhan Cepat, Risiko Baru
Konsep inti P2P lending mencakup disintermediasi, di mana platform berfungsi sebagai pasar alih-alih entitas yang menanggung risiko, memfasilitasi pencocokan langsung antara penawaran dan permintaan dana. Banyak perusahaan FinTech baru memimpin pengembangan pasar ini, serta protokol P2P lending yang menggunakan blockchain untuk sepenuhnya menghindari kebutuhan penyedia pinjaman terpusat, bersama dengan teknologi DeFi (keuangan terdesentralisasi) lainnya.
P2P lending diperkirakan memiliki ukuran pasar $215 miliar pada tahun 2026, dan diproyeksikan tumbuh pada CAGR 21,9% hingga 2033, dengan mayoritas pinjaman disediakan oleh investor individu.
Sumber: Coherent Marketing Insights
Namun, ini adalah sektor yang sangat baru dan masih kurang diatur, dengan risiko yang berkisar dari perkiraan yang buruk tentang risiko gagal bayar sebenarnya hingga penipuan total.
Menganalisis Literatur P2P
Para peneliti mengidentifikasi total 433 studi yang relevan untuk analisis mereka tentang P2P lending dan manajemen risiko kredit, di mana 280 di antaranya dianalisis lebih mendalam.
Studi ilmiah tentang topik ini mulai meningkat secara signifikan pada tahun 2014 dan mencapai puncaknya pada tahun 2020. Secara geografis, kebanyakan peneliti di bidang ini berasal dari China, Amerika Serikat, India, dan Indonesia, dengan China menerbitkan 39% dari total publikasi.
Sebagian besar penelitian yang sedang berlangsung berfokus pada P2P lending secara umum, risiko kredit, dan teknologi terkait AI seperti pembelajaran mesin. Banyak dari studi ini menganalisis peran baik informasi lunak (jejaring sosial) maupun informasi keras (suku bunga) dalam memprediksi gagal bayar.
Topik makalah yang paling umum adalah menilai akurasi prediktif dengan menerapkan berbagai model pembelajaran mesin, disertai pertimbangan pada tingkat data, variabel, dan model.
Topik kedua yang paling umum adalah mengidentifikasi faktor penentu kemungkinan gagal bayar dan tingkat keparahan gagal bayar.
Studi lain mengusulkan sistem baru untuk manajemen risiko kredit atau membahas apa yang masih kurang diteliti.
P2P Lending dan AI
Menemukan Faktor Risiko Baru
Karena P2P lending tidak hanya mengandalkan skor kredit tradisional, pembelajaran mesin dan, lebih baru-baru ini, teknologi AI lainnya digunakan untuk mengidentifikasi risiko gagal bayar dengan lebih akurat.
Sebagai contoh, peta kognitif fuzzy yang dibangun di atas pendekatan komputasi lunak dan teori jaringan saraf digunakan untuk membuat model penilaian risiko kredit.
Terlepas dari metode spesifik, studi sering menunjukkan bahwa pembelajaran mesin mengungguli metode penilaian skor kredit tradisional dalam hal akurasi.
Secara keseluruhan, tampaknya secara individu, skor kredit peminjam, pendidikan, status pernikahan, dan jabatan pekerjaan merupakan indikasi umum tentang kelayakan kredit peminjam.
Faktor lain, berdasarkan “teori modal sosial”, juga dapat membantu: keanggotaan dalam jaringan sosial tertentu dapat menjadi faktor penentu dalam mengidentifikasi individu yang kurang mungkin gagal bayar pinjaman mereka.
Para peneliti menemukan kontribusi berbentuk U berdasarkan usia dalam satu studi, menunjukkan bahwa pelamar berusia menengah (di atas 45) memiliki risiko gagal bayar yang lebih tinggi karena beban ekonomi yang lebih berat dalam mendukung anak-anak dan orang tua yang sudah pensiun.
Mereka juga menemukan bahwa peminjam perempuan dikenakan suku bunga yang lebih tinggi, meskipun tingkat gagal bayar mereka secara signifikan lebih rendah dibandingkan peminjam laki-laki.
Tidak mengherankan, riwayat pekerjaan yang lebih lama, pendapatan yang lebih tinggi, dan rasio hutang yang lebih rendah lebih disukai.
Kepemilikan properti, termasuk rumah dan mobil, juga meningkatkan kemampuan peminjam dalam membayar kembali, sementara sewa dan pinjaman mobil yang belum lunas melemahkannya.
Mereka juga menemukan bahwa metrik “lunak” dapat bersifat prediktif, meskipun tidak selalu dapat ditindaklanjuti oleh platform P2P lending.
“Satu studi mencoba menggali karakter peminjam, menunjukkan bahwa gagal bayar lebih mungkin terjadi pada mahasiswa yang terlambat mengembalikan buku ke perpustakaan universitas dan gagal pada proporsi yang lebih tinggi dari mata kuliah yang mereka ambil.”
Secara keseluruhan, studi menemukan bahwa faktor-faktor terpenting yang harus dipertimbangkan adalah:
- Pada tingkat peminjam:
- Demografis.
- Kinerja keuangan.
- Likuiditas.
- Skor kredit.
- Modal sosial.
- Indikator psikologis.
- Tingkat pinjaman (jumlah, periode pembayaran, tujuan, otentikasi, dan panjang deskripsi).
- Pada tingkat pemberi pinjaman:
- Indikator demografis.
- Herding.
- Pada tingkat platform:
- Tindakan penagihan khusus.
- Regime harga.
- Pada tingkat makro:
- Regulasi.
- Pembangunan ekonomi.
- Ketenagakerjaan.
- Budaya nasional.
- Periode krisis.
Evaluasi Kotak Hitam
Masalah berulang dengan AI adalah bahwa jaringan saraf dan pembelajaran mesin cenderung menciptakan sistem yang disebut “kotak hitam”, di mana alasan di balik suatu hasil tidak jelas bahkan bagi pengembang sistem, apalagi bagi operator selanjutnya.
Hal ini dapat menjadi masalah serius bagi P2P lending yang menggunakan AI.
Pertama, hal ini menimbulkan bahaya serius berupa kesalahan perhitungan risiko gagal bayar, tanpa cara untuk mengidentifikasi masalah tepat waktu.
Kedua, hal ini dapat menimbulkan risiko regulasi yang serius, karena banyak karakteristik individu seperti ras atau jenis kelamin umumnya dianggap diskriminatif dan ilegal untuk dimasukkan ke dalam proses keputusan pemberian pinjaman atau tidak.
Membangun Skor Kredit AI
Membangun skor kredit AI memerlukan penggunaan dataset yang tepat untuk pelatihan AI.
Para peneliti berpendapat bahwa sebagian besar evaluasi AI terhadap kelayakan kredit harus mengintegrasikan beberapa kerangka waktu. Kerangka waktu pendek (<30 hari) membantu mengidentifikasi tanda peringatan dini, sementara kerangka waktu panjang (120 hari atau lebih) memberikan gambaran yang lebih baik tentang hasil keseluruhan pemberian pinjaman.
Pemulihan, atau probabilitas membayar kembali jumlah yang tertunggak saat terjadi gagal bayar, juga merupakan data penting.
Terakhir, sistem AI yang sempurna juga harus terus menyesuaikan diri dengan kondisi ekonomi yang berubah dan menunjukkan bahwa penilaian risikonya tetap dapat diandalkan di luar dataset historis yang digunakan untuk pelatihan.
Secara keseluruhan, studi mengarahkan pada arah skor kredit berbasis AI yang “sempurna” dengan mengintegrasikan sebanyak mungkin variabel relevan, termasuk struktur pinjaman, kebijakan platform, perilaku investor, kondisi pekerjaan, regulasi, dan guncangan makroekonomi. Namun, membuat proses keputusan semacam itu menjadi transparan dan adil mungkin menjadi tantangan signifikan dengan banyak teknologi AI dan prosedur pelatihan saat ini.
Berinvestasi dalam Skor Kredit AI
Upstart Holdings, Inc
Seiring evolusi pemberian pinjaman dan skor kredit, perusahaan baru muncul untuk menyediakan alternatif yang lebih baik dibandingkan skor kredit tradisional dan praktik pemberian pinjaman.
Salah satunya adalah Upstart (UPST ), sebuah pasar pinjaman yang didukung AI, diluncurkan pada tahun 2012, jauh sebelum AI menjadi pusat percakapan teknologi.
UPST Grafik Harga
Ide di balik Upstart adalah bahwa sistem skor kredit yang ada tidak efisien dan usang. Dengan lebih banyak data yang tersedia, harusnya memungkinkan untuk mengidentifikasi risiko pinjaman dengan lebih baik dan, sebagai hasilnya, memberikan pinjaman yang lebih murah kepada sebagian besar populasi.
“Model pinjaman pribadi kami secara signifikan lebih akurat daripada model kredit tradisional dalam menilai risiko peminjam. Kami percaya bertahun-tahun perbaikan model masih akan datang.”
Awal yang cepat ini memberi perusahaan sumber data yang melimpah untuk melatih AI mereka sendiri dan memanfaatkan kemajuan terbaru dalam metode pelatihan AI.
Sumber: Upstart
Ini berarti metode Upstart dapat mengidentifikasi orang dengan skor FICO tinggi tetapi, dalam praktiknya, memiliki risiko tinggi gagal bayar pinjaman mereka. Sebaliknya, orang dengan skor FICO rendah tidak begitu mungkin gagal bayar.
Jadi dengan penggunaan AI dan data, Upstart dapat mencapai hasil luar biasa untuk kohort tertentu. Misalnya, mereka dapat menawarkan lebih banyak pinjaman dengan tingkat risiko yang sama, meningkat dari tingkat persetujuan 27% menjadi 67%. Atau mereka dapat mengurangi kerugian secara signifikan, dari tingkat gagal bayar 9% menjadi 5%, atau hampir setengahnya.
Sumber: Upstart
Selain itu, menggunakan algoritma alih-alih petugas pinjaman berarti prosesnya otomatis. Ini lebih murah dan jauh lebih cepat serta menyenangkan untuk mengajukan pinjaman.
Marketplace Upstart menghubungkan peminjam dengan bank, serikat kredit, dan modal institusional. Dilaporkan bahwa investor institusional membeli 64% dari pokok yang dihasilkan melalui marketplace-nya pada tahun 2025.
Upstart melayani pasar yang sangat besar, dengan $25 triliun kredit yang dihasilkan setiap tahun secara global. Dari jumlah ini, hingga $1 triliun pendapatan tersedia bagi platform yang menghasilkan dan melayani kredit tersebut.
Pada tahun 2025, perusahaan menghasilkan 1,5 juta pinjaman (naik 115% tahun ke tahun), dengan total $11 miliar (naik 86% tahun ke tahun), dan total pendapatan perusahaan sebesar $1 miliar (naik 64% tahun ke tahun). Perusahaan juga tumbuh cepat di segmen baru, misalnya, origination pinjaman mobil tumbuh 5 kali lipat (dari $45 juta pada Q4 2024 menjadi $263 juta pada Q1 2026), dan origination pinjaman rumah tumbuh 6 kali lipat (dari $27 juta pada Q4 2024 menjadi $143 juta pada Q1 2026).
Jadi meskipun besar, angka-angka ini tampak kecil dibandingkan potensi total metode skor kredit canggih dan penilaian pinjaman berbasis AI.
Sumber: Upstart
Angka pertumbuhan terbaru dan fakta bahwa perusahaan dibangun sebagai perusahaan AI-pertama merupakan faktor positif kuat untuk masa depan Upstart, meskipun harga saham belum benar-benar menghargai kesuksesan ini, dengan harga berada pada level yang sama seperti tahun 2022, dan jauh di bawah puncak 2021 selama pandemi.
Sebagian, hal ini disebabkan oleh adanya beberapa risiko pada model bisnis Upstart.
Yang pertama adalah modelnya dapat menurun, karena kondisi ekonomi melampaui data pelatihan dan AI-nya dapat melewatkan tren baru.
Masalah lain adalah meningkatnya tekanan regulasi untuk keterjelasan, keadilan, dan pelaporan kinerja demografis, karena bahkan secara tidak sengaja, AI dapat mengembalikan praktik diskriminatif yang sebelumnya dilarang dalam industri keuangan.
Terakhir, perusahaan masih bergantung pada ketersediaan pendanaan institusional sepanjang siklus kredit, dengan tanda-tanda stres dalam sistem keuangan yang muncul dalam konteks tingkat utang tinggi dan situasi geopolitik yang tegang.
Namun, Upstart berada pada posisi yang ideal untuk menjadi pasar pinjaman AI utama dan penyedia infrastruktur penilaian risiko, evolusi yang diperlukan dari dorongan jaringan FinTech dan P2P awal untuk praktik pinjaman baru.
Dan investor mungkin ingin mendapatkan eksposur ke perusahaan yang telah secara radikal mengubah cara penilaian pinjaman dilakukan sejak awal.
Berita dan Perkembangan Saham Upstart Holdings (UPST) Terbaru
Studi yang Dirujuk
1. Fengya Zhu and Rotem Shneor. Manajemen risiko kredit pada platform peer-to-peer lending: Tinjauan literatur sistematis. Technological Forecast, Social Change. November 2026. Article: 124831. Volume 232. 10.1016/j.techfore.2026.124831
