Fintech 뉴스
AI 대출 모델은 정확한 신용 점수 이상을 필요로 하는 이유
Securities.io를 Google의 선호 소스에 추가
임의적 결정에서 신용 점수로
돈을 대출할 때, 은행 및 기타 금융 기관은 항상 차입자가 상환하지 못할 위험을 염두에 두어야 했습니다. 그래서 많은 대출이 부동산이나 사업 자산과 같은 담보에 의해 보증되며, 대출 상환이 이루어지지 않을 경우 은행이 이를 압류할 수 있습니다. 그럼에도 결정은 대출을 승인할지 여부를 판단하는 은행 직원의 손에 달려 있었습니다.
시간이 지나면서 은행 직원의 개별적인 판단은 내부 위험 모델과 수학적 공식에 기반한 점점 더 정교한 필터로 대체되어, 보다 표준화되고 임의성이 줄어들었습니다.
“신용 관리자의 업무 중 하나는 개인의 성격을 추론하려는 것이었으며, 그들이 조직적이고 성숙하며 책임감이 있는지 여부를 판단했습니다. 신용 관리자는 신청자가 알코올 중독자라고 의심되거나, 인종, 성별, 혹은 여성 차입자의 경우 결혼 여부와 같은 명백히 차별적인 이유로 신청자를 거부할 수 있었습니다.”
Josh Lauer – 뉴햄프셔 대학교 교수이자 “Creditworthy” 책의 저자
하지만 1958년까지 엔지니어 Bill Fair와 수학자 Earl Isaac이 설립한 FICO가 현대적인 표준화된 신용 점수를 도입했습니다. 그리고 1989년에 이 회사는 300에서 850까지 범위의 최초의 범용 전국 신용 점수를 출시했으며, 이는 곧 미국의 국가 대출 표준이 되었습니다.
신용 점수의 한계
현대 신용 점수는 다섯 가지 별개의 데이터 범주에 기반합니다:
- 결제 이력 (35%).
- 보유 금액 (30%).
- 신용 기록 기간 (15%).
- 신규 신용 및 조회 (10%).
- 신용 구성 (10%).
이 방법은 신용도 추정을 이전 방식보다 훨씬 더 객관적이고 공정하게 만들었습니다. 그러나 물론 한계도 존재합니다.
예를 들어, 과거 및 현재 부채와 관련된 사항 외에 개인의 행동에 관한 어떠한 정보도 포함하지 않습니다. 또한 거주지, 소득, 고용 분야, 보유 자산 등과 같은 정보도 고려하지 않습니다.
현대 신용 점수는 은행이 개인에게 대출을 제공한다는 가정에 기반하고 있습니다. 그러나 현대의 P2P 대출 시스템 및 기타 핀테크 금융 서비스는 다르게 작동합니다.
동시에 AI의 발전으로 복잡하고 이질적인 데이터를 통합된 의사결정 모델에 결합할 수 있게 되었습니다. 따라서 AI가 새로운 세대 디지털 대출자를 위한 대출 부도 예측 모델을 빠르게 개선하고 있는 것은 놀라운 일이 아닙니다.
노르웨이 아그데르 대학교의 두 연구자가 수행한 새로운 연구는 P2P 대출 플랫폼 전반의 신용 위험 관리를 조사했습니다. 그들은 연구가 크게 두 갈래로 나뉘어 있음을 발견했는데, 하나는 머신러닝을 통한 부도 예측 개선에 초점을 맞추고, 다른 하나는 차입자가 부도하는 이유를 이해하는 데 초점을 맞추고 있습니다. 그러나 두 접근 모두 오래된 데이터셋, 일관되지 않은 정의, 제한된 지리적 범위에 의해 제약을 받고 있습니다.
연구자들은 그들의 발견을 Technological Forecast, Social Change1에 “Peer-to-peer lending platforms에서의 신용 위험 관리: 체계적 문헌 검토”라는 제목으로 발표했습니다.
P2P 대출의 부상과 과제
빠른 성장, 새로운 위험
P2P 대출의 핵심 개념은 중개자를 배제하는 것으로, 플랫폼이 위험을 부담하는 기관이 아니라 시장 역할을 하여 자금의 공급과 수요를 직접 매칭합니다. 많은 새로운 핀테크 기업들이 이러한 시장을 개발하는 데 앞장서고 있으며, 블록체인을 활용해 중앙 집중식 대출 제공자를 완전히 우회하는 P2P 대출 프로토콜 및 기타 DeFi(탈중앙화 금융) 기술도 함께 등장하고 있습니다.
P2P 대출은 2026년에 2150억 달러 규모로 추정되며, 2033년까지 연평균 21.9% 성장할 것으로 예상됩니다. 대출의 대부분은 개인 투자자에 의해 제공됩니다.
하지만 이는 매우 새로운 분야이며 아직 규제가 미비해 실제 부도 위험에 대한 부정확한 추정부터 명백한 사기에 이르기까지 다양한 위험이 존재합니다.
P2P 문헌 분석
연구자들은 P2P 대출 및 신용 위험 관리와 관련된 총 433개의 연구를 식별했으며, 그 중 280개를 심층적으로 분석했습니다.
이 주제에 대한 과학적 연구는 2014년에 급격히 증가하기 시작했으며 2020년에 정점을 찍었습니다. 지리적으로는 중국, 미국, 인도, 인도네시아 출신 연구자들이 대부분이며, 전체 발표 중 39%가 중국에서 이루어졌습니다.
현재 진행 중인 연구 대부분은 일반적인 P2P 대출, 신용 위험, 그리고 머신러닝과 같은 AI 관련 기술에 초점을 맞추고 있습니다. 많은 연구가 부도 예측에서 소프트 정보(소셜 네트워크)와 하드 정보(이자율)의 역할을 분석합니다.
가장 흔한 논문 주제는 다양한 머신러닝 모델을 적용하여 예측 정확성을 평가하는 것이며, 데이터, 변수 및 모델 수준의 고려사항을 동반합니다.
두 번째로 흔한 주제는 부도 가능성 및 부도 심각성의 결정 요인을 식별하는 것입니다.
다른 연구들은 새로운 신용 위험 관리 시스템을 제안하거나 아직 충분히 연구되지 않은 영역을 논의합니다.
P2P 대출과 AI
새로운 위험 요인 찾기
P2P 대출은 전통적인 신용 점수에만 의존하지 않기 때문에, 머신러닝 및 최근에는 다른 AI 기술을 활용해 부도 위험을 보다 정확하게 식별합니다.
예를 들어, 소프트 컴퓨팅 접근법과 신경망 이론을 기반으로 한 퍼지 인지 지도(fuzzy cognitive maps)가 신용 위험 평가 모델을 만드는 데 사용되었습니다.
구체적인 방법에 관계없이, 연구들은 머신러닝이 정확도 측면에서 전통적인 신용 점수 방법보다 우수함을 자주 보여줍니다.
전반적으로, 차입자의 신용 점수, 교육 수준, 결혼 여부, 직함 등이 차입자의 신용도를 나타내는 전형적인 지표인 것으로 보입니다.
또 다른 요인으로는 “사회 자본 이론”에 기반한 것으로, 특정 소셜 네트워크에 속해 있는 것이 대출 부도가 적은 개인을 식별하는 결정 요인이 될 수 있습니다.
연구자들은 한 연구에서 연령에 따른 U자형 기여도를 발견했으며, 중년 지원자(45세 이상)는 자녀와 은퇴한 부모를 동시에 부양해야 하는 경제적 부담이 커서 부도 위험이 더 높다는 것을 보여줍니다.
또한 여성 차입자는 부도율이 남성 차입자보다 현저히 낮음에도 불구하고 더 높은 이자율이 부과된다는 것을 발견했습니다.
당연히, 더 긴 고용 기간, 높은 소득, 낮은 부채 비율이 선호됩니다.
주택 및 자동차와 같은 부동산 소유는 차입자의 상환 능력을 향상시키는 반면, 임대 및 미상환 자동차 대출은 이를 약화시킵니다.
그들은 또한 “소프트” 지표가 예측에 활용될 수 있지만, 반드시 P2P 대출 플랫폼이 실행 가능한 것은 아니라는 점을 발견했습니다.
“한 연구는 차입자의 성격을 파악하려 시도했으며, 대학 도서관에 책을 반납하는 데 지연하고 수강한 과목 중 더 많은 비율을 낙제한 학생들 사이에서 부도가 더 발생할 가능성이 높다는 것을 보여주었습니다.”
전체적으로, 연구는 고려해야 할 가장 중요한 요인들이 다음과 같다고 밝혔습니다:
- 차입자 수준에서:
- 인구통계학적 요인.
- 재무 성과.
- 지급능력.
- 신용 점수.
- 사회 자본.
- 심리적 지표.
- 대출 수준(금액, 상환 기간, 목적, 인증 및 설명 길이).
- 대출자 수준에서:
- 인구통계학적 지표.
- 군집 행동(Herding).
- 플랫폼 수준에서:
- 특수 회수 조치.
- 가격 체계.
- 거시 수준에서:
- 규제.
- 경제 발전.
- 고용.
- 국가 문화.
- 위기 시기.
블랙 박스 평가
AI와 관련된 반복적인 문제는 신경망과 머신러닝이 이른바 “블랙 박스” 시스템을 만들기 쉬우며, 해당 결과의 이유가 시스템 개발자에게도 명확하지 않고, 이후 운영자에게는 더욱 더 불분명하다는 점입니다.
이는 AI를 활용하는 P2P 대출에 심각한 문제를 초래할 수 있습니다.
첫째,, 이는 부도 위험 계산 오류의 심각한 위험을 초래하며, 문제를 제때 파악할 방법이 없습니다.
둘째, 이는 심각한 규제 위험을 초래할 수 있습니다. 개인의 인종이나 성별과 같은 특성은 일반적으로 차별적이며 대출 승인 여부 결정 과정에 통합하는 것이 불법으로 간주됩니다.
AI 신용 점수 구축
AI 신용 점수를 구축하려면 AI 훈련에 적합한 데이터셋을 사용해야 합니다.
연구자들은 신용도에 대한 대부분의 AI 평가가 여러 시간 프레임을 통합해야 한다고 주장합니다. 짧은 시간 프레임(<30일)은 초기 경고 신호를 식별하는 데 도움이 되며, 긴 시간 프레임(120일 이상)은 대출 전반적인 결과를 더 잘 보여줍니다.
회복률, 즉 부도 발생 시 연체 금액을 상환할 확률도 중요한 데이터입니다.
마지막으로, 완벽한 AI 시스템은 변화하는 경제 상황에 지속적으로 적응하고, 훈련에 사용된 과거 데이터셋 외에서도 그 언더라이팅이 신뢰할 수 있음을 입증해야 합니다.
전반적으로, 연구는 가능한 많은 관련 변수를 통합한 “완벽한” AI 기반 신용 점수의 방향을 제시합니다. 여기에는 대출 구조, 플랫폼 정책, 투자자 행동, 고용 상황, 규제 및 거시경제 충격 등이 포함됩니다. 그러나 현재의 AI 기술과 훈련 절차로는 이러한 의사결정 과정을 투명하고 공정하게 만드는 것이 큰 도전이 될 수 있습니다.
AI 신용 점자에 투자하기
Upstart Holdings, Inc
대출 및 신용 점수가 진화함에 따라, 전통적인 신용 점수와 대출 관행에 대한 더 나은 대안을 제공하는 새로운 기업들이 등장하고 있습니다.
그 중 하나가 AI 기반 대출 마켓플레이스인 Upstart (UPST )이며, 2012년에 출시되어 AI가 기술 대화의 중심이 되기 훨씬 이전에 시작되었습니다.
UPST 가격 차트
Upstart의 아이디어는 기존 신용 점수 시스템이 비효율적이고 구식이라는 것이었습니다. 더 많은 데이터가 이용 가능해짐에 따라 대출 위험을 더 잘 식별하고, 그 결과 인구의 큰 부분에게 더 저렴한 대출을 제공할 수 있어야 했습니다.
“우리의 개인 대출 모델은 차입자 위험을 평가하는 데 있어 전통적인 신용 모델보다 현저히 더 정확합니다. 우리는 앞으로 수년간 모델링 개선이 이어질 것이라고 믿습니다.”
이러한 초기 시작은 회사에 자체 AI를 훈련시키고 최근 AI 훈련 방법의 진보를 활용할 풍부한 데이터 원천을 제공했습니다.
출처: Upstart
이는 Upstart의 방법이 높은 FICO 점수를 가진 사람들을 식별할 수 있지만 실제로는 대출 부도 위험이 높다는 것을 의미합니다. 반대로, 낮은 FICO 점수를 가진 사람들은 부도 가능성이 그다지 높지 않습니다.
따라서 AI와 데이터를 활용함으로써 Upstart는 특정 집단에 대해 뛰어난 결과를 달성할 수 있습니다. 예를 들어, 동일한 위험 수준에서 대출을 더 많이 제공하여 승인율을 27%에서 67%로 높일 수 있습니다. 또는 부도율을 9%에서 5%로 크게 낮추어 손실을 거의 절반 수준으로 감소시킬 수 있습니다.
출처: Upstart
또한 대출 담당자 대신 알고리즘을 사용하면 프로세스가 자동화됩니다. 이는 비용이 적게 들고 대출 신청이 훨씬 빠르고 편리합니다.
Upstart의 마켓플레이스는 차입자를 은행, 신용조합 및 기관 자본과 연결합니다. 2025년에 기관 투자자들이 마켓플레이스를 통해 발생한 원금의 64%를 구매했다고 보고되었습니다.
Upstart는 전 세계적으로 매년 25조 달러 규모의 신용을 발생시키는 거대한 시장을 서비스합니다. 이 중 최대 1조 달러의 수익이 해당 신용을 발생시키고 서비스하는 플랫폼에 제공됩니다.
2025년에 회사는 150만 건의 대출을 발생시켰으며(전년 대비 115% 증가), 총 110억 달러(전년 대비 86% 증가)를 대출했으며, 총 매출은 10억 달러(전년 대비 64% 증가)였습니다. 또한 회사는 새로운 분야에서도 빠르게 성장하고 있습니다. 예를 들어, 자동차 대출 발생액은 5배 성장했으며(2024년 4분기 4,500만 달러에서 2026년 1분기 2억 6,300만 달러로), 주택 대출 발생액은 6배 성장했습니다(2024년 4분기 2,700만 달러에서 2026년 1분기 1억 4,300만 달러로).
따라서 규모가 크더라도 이러한 수치는 고급 신용 점수 방법과 AI 기반 대출 평가의 전체 잠재력에 비하면 미미합니다.
출처: Upstart
최근 성장 수치와 AI 우선 기업으로 구축된 점은 Upstart의 미래에 강력한 긍정 요인입니다. 그러나 주가가 이 성공을 충분히 반영하지 못하고 2022년 수준에 머물며, 팬데믹 기간 2021년 최고점보다 훨씬 낮은 상태입니다.
일부는 Upstart 비즈니스 모델에 몇 가지 위험 요소가 있기 때문입니다.
첫 번째 위험은 경제 상황이 훈련 데이터 범위를 벗어나면 모델이 악화될 수 있으며, AI가 새로운 트렌드를 놓칠 수 있다는 점입니다.
또 다른 문제는 설명 가능성, 공정성 및 인구통계 성과 보고에 대한 규제 압력이 증가하고 있다는 점이며, 의도치 않게 AI가 이전에 금융 산업에서 금지된 차별적 관행을 다시 가져올 수 있습니다.
마지막으로, 회사는 여전히 신용 사이클 전반에 걸쳐 기관 자금 조달에 의존하고 있으며, 높은 부채 수준과 긴장된 지정학적 상황 속에서 금융 시스템에 스트레스 징후가 나타나고 있습니다.
그럼에도 Upstart는 초기 핀테크 및 P2P 네트워크가 추진한 새로운 대출 관행의 필수적인 진화로서, 핵심 AI 대출 마켓플레이스 및 언더라이팅 인프라 제공업체가 될 최적의 위치에 있습니다.
투자자들은 대출 언더라이팅 방식을 초기부터 급격히 변화시킨 기업에 대한 노출을 원할 수도 있습니다.
최신 Upstart Holdings (UPST) 주식 뉴스 및 개발
참조 연구
1. Fengya Zhu와 Rotem Shneor. Peer-to-peer lending platforms에서의 신용 위험 관리: 체계적 문헌 검토. Technological Forecast, Social Change. 2026년 11월. 기사: 124831. 권 232. 10.1016/j.techfore.2026.124831
