Perché i Modelli di Prestito AI Hanno Bisogno di Più di Punteggi di Credito Precisi

Da Decisioni Arbitrari ai Punteggi di Credito

Quando si presta denaro, le banche e le altre istituzioni finanziarie hanno sempre dovuto preoccuparsi del fatto che i mutuatari potessero non essere in grado di restituirlo. Per questo molti prestiti sono garantiti da beni come immobili o attività aziendali che la banca può sequestrare se i rimborsi non vengono effettuati. Tuttavia, la decisione era nelle mani del personale bancario, che decideva se concedere il prestito.

Nel tempo, la decisione individuale di un dipendente bancario è stata sostituita da filtri sempre più sofisticati basati su modelli di rischio interni e formule matematiche, rendendo il processo più standardizzato e meno arbitrario.

Una parte del lavoro del responsabile del credito era cercare di inferire la personalità della persona, se sembrava organizzata, matura e responsabile. Un responsabile del credito poteva rifiutare un richiedente se sospettava fosse alcolista, o per ragioni più palesemente discriminatorie legate alla razza, al sesso, o, per le mutuatrici, al loro stato civile.
Josh Lauer – Professore all’Università del New Hampshire e autore del libro “Creditworthy.”

Tuttavia, ci volle fino al 1958 perché FICO, fondata dall’ingegnere Bill Fair e dal matematico Earl Isaac, introdusse il moderno punteggio di credito standardizzato. E nel 1989 l’azienda lanciò il primo punteggio di credito generale a livello nazionale, con un intervallo da 300 a 850, che divenne rapidamente lo standard nazionale di prestito negli Stati Uniti.

I Limiti del Punteggio di Credito

Un punteggio di credito moderno si basa su cinque categorie di dati distinte:

• Cronologia dei pagamenti (35%).
• Importo posseduto (30%).
• Durata della storia creditizia (15%).
• Nuovo credito e richieste (10%).
• Mix di credito (10%).

Questo metodo ha reso la stima dell’affidabilità creditizia molto più oggettiva e giusta rispetto al metodo precedente. Ma, naturalmente, ha i suoi limiti.

Ad esempio, non include alcuna informazione sul comportamento di un individuo al di fuori di ciò che riguarda debiti passati e presenti. Non considera inoltre informazioni come luogo di residenza, reddito, settore di impiego, beni posseduti, ecc.

Un punteggio di credito moderno è anche costruito sull’assunzione che le banche concedano prestiti a individui. Ma i moderni sistemi di prestito peer-to-peer (P2P) e altri servizi finanziari FinTech funzionano diversamente.

Parallelamente, i progressi nell’IA hanno reso possibile integrare dati complessi e disparati in un modello decisionale coerente. Non sorprende quindi che l’IA stia facendo rapidi progressi nel migliorare i modelli che prevedono i default dei prestiti per una nuova generazione di finanziatori digitali.

Un nuovo studio di due ricercatori dell’Università di Agder in Norvegia ha esaminato la gestione del rischio creditizio nelle piattaforme di prestito peer-to-peer. Hanno scoperto che la ricerca si è in gran parte divisa in due campi: uno focalizzato sul miglioramento della previsione dei default tramite machine learning, e l’altro focalizzato sulla comprensione del motivo per cui i mutuatari vanno in default. Entrambi gli approcci, tuttavia, rimangono limitati da dataset obsoleti, definizioni incoerenti e copertura geografica limitata.

I ricercatori hanno pubblicato i loro risultati su Technological Forecast, Social Change¹, con il titolo “Gestione del rischio creditizio nelle piattaforme di prestito peer-to-peer: Una revisione sistematica della letteratura”.

L’Ascesa e le Sfide del Prestito P2P

Crescita Rapida, Nuovi Rischi

Il concetto centrale del prestito P2P comprende la disintermediazione, dove le piattaforme funzionano come mercati anziché come entità che assumono rischi, facilitando l’abbinamento diretto di offerta e domanda di fondi. Molte nuove aziende FinTech stanno guidando lo sviluppo di questi mercati, così come i protocolli di prestito P2P che utilizzano la blockchain per bypassare completamente la necessità di un fornitore di prestiti centralizzato, insieme a altre tecnologie DeFi (finanza decentralizzata).

Il mercato del prestito P2P è stimato a 215 miliardi di dollari nel 2026, e si prevede che cresca a un CAGR del 21,9 % fino al 2033, con la maggior parte dei prestiti forniti da investitori individuali.

Fonte: Coherent Marketing Insights

Tuttavia, si tratta di un settore molto nuovo e ancora poco regolamentato, con rischi che vanno da una scarsa stima dei reali rischi di default a frodi palesi.

Analisi della Letteratura P2P

I ricercatori hanno identificato un totale di 433 studi pertinenti per la loro analisi sul prestito P2P e la gestione del rischio creditizio, dei quali 280 sono stati analizzati più approfonditamente.

Gli studi scientifici sull’argomento hanno iniziato a decollare davvero nel 2014 e hanno raggiunto un plateau nel 2020. Geograficamente, la maggior parte dei ricercatori proviene da Cina, USA, India e Indonesia, con la Cina che ha pubblicato il 39 % del totale delle pubblicazioni.

Fonte: Technological Forecast, Social Change

La maggior parte della ricerca in corso è incentrata sul prestito P2P in generale, sui rischi creditizi e sulle tecnologie legate all’IA come il machine learning. Molti di questi studi analizzano i ruoli sia delle informazioni soft (reti sociali) sia delle informazioni hard (tassi di interesse) nella previsione dei default.

Fonte: Technological Forecast, Social Change

Il tema più comune dei lavori è la valutazione dell’accuratezza predittiva mediante l’applicazione di vari modelli di machine learning, accompagnata da considerazioni a livello di dati, variabili e modello.

Il secondo tema più comune è l’identificazione dei determinanti della probabilità di default e della gravità del default.

Altri studi propongono nuovi sistemi di gestione del rischio creditizio o discutono ciò che rimane poco studiato.

Prestito P2P e IA

Individuare Nuovi Fattori di Rischio

Poiché il prestito P2P non si basa esclusivamente sui tradizionali punteggi di credito, il machine learning e, più recentemente, altre tecnologie IA sono utilizzate per identificare i rischi di default in modo più accurato.

Ad esempio, le mappe cognitive fuzzy basate su approcci di soft computing e la teoria delle reti neurali sono state utilizzate per creare un modello di valutazione del rischio creditizio.

Indipendentemente dal metodo specifico, gli studi mostrano spesso che il machine learning supera i metodi tradizionali di scoring creditizio in termini di accuratezza.

Nel complesso, sembra che individualmente i punteggi di credito dei mutuatari, l’istruzione, lo stato civile e le qualifiche professionali siano indicazioni tipiche dell’affidabilità creditizia dei mutuatari.

Un altro fattore, basato sulla “teoria del capitale sociale”, può aiutare anche: l’appartenenza a una determinata rete sociale può essere un fattore determinante per identificare individui meno propensi a non rimborsare i loro prestiti.

Fonte: Technological Forecast, Social Change

I ricercatori hanno trovato una contribuzione a forma di U in base all’età in uno studio, dimostrando che i richiedenti di mezza età (over 45) hanno un rischio di default più elevato a causa del loro maggiore onere economico nel sostenere sia i figli sia i genitori pensionati.

Hanno anche scoperto che alle mutuatrici vengono addebitati tassi di interesse più alti, nonostante i loro tassi di default siano significativamente inferiori a quelli dei mutuatari maschi.

Non sorprende che una storia lavorativa più lunga, un reddito più elevato e un rapporto debito/reddito più basso siano favoriti.

La proprietà di beni, incluse case e auto, aumenta anche la capacità di rimborso dei mutuatari, mentre gli affitti e i prestiti auto in sospeso la indeboliscono.

Hanno anche scoperto che le metriche “soft” possono essere predittive, anche se non necessariamente azionabili dalle piattaforme di prestito P2P.

“Uno studio ha cercato di analizzare il carattere dei mutuatari, dimostrando che il default era più probabile tra gli studenti che ritardavano la restituzione dei libri alla biblioteca universitaria e fallivano una percentuale più alta dei corsi che frequentavano.”

In totale, lo studio ha rilevato che i fattori più importanti da considerare sono:

• Livello del mutuatario:
  • Demografico.
  • Performance finanziaria.
  • Solvibilità.
  • Punteggio di credito.
  • Capitale sociale.
  • Indicatori psicologici.
  • Livello del prestito (importo, periodo di rimborso, scopo, autenticazione e lunghezza della descrizione).
• Livello del prestatore:
  • Indicatori demografici.
  • Comportamento di gregge.
• Livello della piattaforma:
  • Azioni di raccolta speciali.
  • Regimi di prezzo.
• Livello macro:
  • Regolamentazione.
  • Sviluppo economico.
  • Occupazione.
  • Cultura nazionale.
  • Periodi di crisi.

Valutazione della Black Box

Un problema ricorrente con l’IA è che le reti neurali e il machine learning tendono a creare i cosiddetti sistemi “black box”, dove le ragioni di un risultato dato sono poco chiare anche per gli sviluppatori del sistema, e ancora meno per gli operatori successivi.

Questo può rappresentare un serio problema per il prestito P2P che utilizza l’IA.

Prima, ciò crea seri pericoli di errata valutazione del rischio di default, senza modo di identificare il problema in tempo.

Secondo, ciò può comportare seri rischi normativi, poiché molte caratteristiche di un individuo, come razza o genere, sono generalmente considerate discriminatorie e illegali da integrare nel processo decisionale di concessione di un prestito.

Costruire un Punteggio di Credito AI

Costruire un punteggio di credito AI richiede l’uso del dataset corretto per l’addestramento dell’IA.

I ricercatori sostengono che la maggior parte delle valutazioni IA dell’affidabilità creditizia dovrebbe integrare più finestre temporali. Le finestre temporali brevi (<30 giorni) aiutano a identificare segnali di avvertimento precoce, mentre le finestre temporali lunghe (120 giorni o più) forniscono un quadro più completo del risultato complessivo del prestito.

Il recupero, ovvero la probabilità di rimborsare somme in ritardo al verificarsi di un default, è anche un dato importante.

Fonte: Technological Forecast, Social Change

Infine, un sistema IA perfetto dovrebbe anche adeguarsi continuamente alle condizioni economiche mutevoli e dimostrare che la sua valutazione del rischio rimane affidabile al di fuori dei dataset storici su cui è stato addestrato.

Nel complesso, lo studio indica la direzione del punteggio di credito guidato dall’IA “perfetto” che integri il maggior numero possibile di variabili rilevanti, inclusi la struttura del prestito, le politiche della piattaforma, il comportamento degli investitori, le condizioni occupazionali, la regolamentazione e gli shock macroeconomici. Tuttavia, rendere tale processo decisionale trasparente e giusto potrebbe rappresentare una sfida significativa con molte delle attuali tecnologie IA e procedure di addestramento.

Investire in un Punteggio di Credito AI

Upstart Holdings, Inc

Man mano che i prestiti e i punteggi di credito evolvono, emergono nuove aziende che offrono alternative migliori ai tradizionali punteggi di credito e pratiche di prestito.

Una di queste è Upstart (UPST ), un marketplace di prestiti alimentato dall’IA, lanciato nel 2012, molto prima che l’IA diventasse un tema centrale nelle conversazioni tecnologiche.

L’idea alla base di Upstart era che il sistema di punteggio di credito esistente fosse inefficiente e obsoleto. Con molti più dati disponibili, doveva essere possibile identificare meglio i rischi dei prestiti e, di conseguenza, offrire prestiti più economici a una larga parte della popolazione.

“Il nostro modello di prestito personale è significativamente più accurato di un modello di credito tradizionale nella valutazione del rischio del mutuatario. Crediamo che anni di miglioramenti nella modellazione siano all’orizzonte.”

Questo inizio precoce ha fornito all’azienda una fonte abbondante di dati su cui addestrare la propria IA e sfruttare i recenti progressi nei metodi di addestramento dell’IA.

Fonte: Upstart

Ciò significa che il metodo di Upstart può identificare persone con alti punteggi FICO ma, nella pratica, con un alto rischio di default sui loro prestiti. Al contrario, le persone con punteggi FICO bassi non sono così propense al default.

Quindi, con l’uso dell’IA e dei dati, Upstart può ottenere risultati eccezionali per una determinata coorte. Ad esempio, può riuscire a offrire più prestiti per lo stesso livello di rischio, passando da un tasso di approvazione del 27 % al 67 %. Oppure può ridurre le perdite in modo significativo, passando da un tasso di default del 9 % al 5 %, quasi la metà.

Fonte: Upstart

Inoltre, utilizzare un algoritmo invece di un responsabile dei prestiti significa che il processo è automatizzato. Questo è sia meno costoso sia molto più rapido e piacevole per richiedere un prestito.

Il marketplace di Upstart collega i mutuatari con banche, cooperative di credito e capitale istituzionale. Ha riportato che gli investitori istituzionali hanno acquistato il 64 % del capitale originato attraverso il suo marketplace nel 2025.

Upstart serve un mercato assolutamente enorme, con 25 trilioni di dollari di credito originato ogni anno a livello globale. Di questa somma, fino a 1 trilione di dollari di ricavi è disponibile per le piattaforme che originano e gestiscono quel credito.

Nel 2025, l’azienda ha originato 1,5 milioni di prestiti (in crescita del 115 % anno su anno), per un totale di 11 miliardi di dollari (in crescita dell’86 % anno su anno), e ricavi totali per l’azienda di 1 miliardo di dollari (in crescita del 64 % anno su anno). L’azienda sta inoltre crescendo rapidamente in nuovi segmenti, con, ad esempio, l’originazione di prestiti auto in crescita di 5 volte (da 45 milioni di dollari nel Q4 2024 a 263 milioni di dollari nel Q1 2026), e l’originazione di mutui abitativi in crescita di 6 volte (da 27 milioni di dollari nel Q4 2024 a 143 milioni di dollari nel Q1 2026).

Quindi, anche se grandi, questi numeri sono insignificanti rispetto al potenziale totale dei metodi avanzati di punteggio di credito e della valutazione dei prestiti guidata dall’IA.

Fonte: Upstart

I recenti numeri di crescita e il fatto di essere stata costruita come un’azienda AI-first sono aspetti positivi per il futuro di Upstart, anche se il prezzo delle azioni non ha realmente premiato questo successo, rimanendo allo stesso livello del 2022 e molto al di sotto del picco del 2021 durante la pandemia.

In parte, ciò è dovuto al fatto che esistono anche alcuni rischi per il modello di business di Upstart.

Il primo è che il suo modello può deteriorarsi, poiché le condizioni economiche superano i dati di addestramento e la sua IA potrebbe non cogliere le nuove tendenze.

Un altro problema è la crescente pressione normativa per la spiegabilità, l’equità e la segnalazione delle prestazioni demografiche, poiché anche involontariamente l’IA potrebbe riportare pratiche discriminatorie precedentemente vietate nell’industria finanziaria.

Infine, l’azienda rimane ancora dipendente dalla disponibilità di finanziamenti istituzionali attraverso i cicli di credito, con segnali di stress nel sistema finanziario che si sviluppano nel contesto di alti livelli di debito e di una situazione geopolitica tesa.

Tuttavia, Upstart è idealmente posizionata per diventare un marketplace di prestito AI chiave e fornitore di infrastrutture di underwriting, un’evoluzione necessaria della spinta iniziale delle reti FinTech e P2P verso nuove pratiche di prestito.

E gli investitori potrebbero voler ottenere esposizione a un’azienda che ha cambiato radicalmente il modo in cui l’underwriting dei prestiti viene eseguito fin dall’inizio.

Ultime Notizie e Sviluppi sulle Azioni di Upstart Holdings (UPST)

Studio di Riferimento

^{1. Fengya Zhu and Rotem Shneor. Gestione del rischio creditizio nelle piattaforme di prestito peer-to-peer: Una revisione sistematica della letteratura. Technological Forecast, Social Change. novembre 2026. Article: 124831. Volume 232. 10.1016/j.techfore.2026.124831}