Fintech Nieuws
Waarom AI-leningmodellen meer nodig hebben dan een nauwkeurige kredietscore
Voeg Securities.io toe aan je voorkeursbronnen op Google
Van willekeurige beslissingen tot kredietscore
Wanneer geld wordt uitgeleend, moeten banken en andere financiële instellingen altijd rekening houden met het risico dat leners niet kunnen terugbetalen. Daarom worden veel leningen gedekt door activa zoals onroerend goed of bedrijfsactiva die de bank kan in beslag nemen als de aflossingen niet worden gedaan. Toch lag de beslissing in de handen van bankpersoneel, dat besloot of de lening werd toegekend.
In de loop der tijd werd de individuele beslissing van een bankmedewerker vervangen door steeds verfijndere filters op basis van interne risicomodellen en wiskundige formules, waardoor het proces meer gestandaardiseerd en minder willekeurig werd.
“Een deel van het werk van de kredietmanager was om inferenties te maken over de persoonlijkheid van de persoon, of ze georganiseerd, volwassen en verantwoordelijk lijken. Een kredietmanager kon een aanvrager afwijzen als hij vermoedde dat die alcoholist was, of om meer openlijk discriminerende redenen gerelateerd aan iemands ras, geslacht, of, voor vrouwelijke leners, hun burgerlijke staat.
Josh Lauer – Professor aan de University of New Hampshire en auteur van het boek “Creditworthy.”
Het duurde echter tot 1958 voordat FICO, opgericht door ingenieur Bill Fair en wiskundige Earl Isaac, de moderne gestandaardiseerde kredietscore introduceerde. En in 1989 lanceerde het bedrijf de eerste algemene, landelijke kredietscore, variërend van 300 tot 850, die snel de nationale leenstandaard in de VS werd.
De beperkingen van de kredietscore
Een moderne kredietscore is gebaseerd op vijf verschillende datacategorieën:
- Betalingsgeschiedenis (35%).
- Bedrag in bezit (30%).
- Duur van de kredietgeschiedenis (15%).
- Nieuwe krediet en aanvragen (10%).
- Kredietmix (10%).
Deze methode maakte de inschatting van kredietwaardigheid veel objectiever en eerlijker dan de vorige methode. Maar uiteraard heeft het zijn beperkingen.
Zo bevat het geen informatie over het gedrag van een individu buiten zaken die verband houden met eerdere en huidige schulden. Het houdt ook geen rekening met gegevens zoals woonplaats, inkomen, sector van werk, bezit van activa, enzovoort.
Een moderne kredietscore is bovendien gebouwd rond de veronderstelling dat banken leningen verstrekken aan individuen. Maar moderne peer-to-peer (P2P) leensystemen en andere FinTech-diensten functioneren anders.
Tegelijkertijd heeft de vooruitgang in AI het mogelijk gemaakt om complexe, uiteenlopende gegevens te integreren in een samenhangend beslissingsmodel. Het is dan ook geen verrassing dat AI snel vooruitgang boekt bij het verbeteren van modellen die wanbetalingen voorspellen voor een nieuwe generatie digitale kredietverstrekkers.
Een nieuwe studie van twee onderzoekers aan de Universiteit van Agder in Noorwegen onderzocht kredietrisicobeheer op peer-to-peer leenplatformen. Ze ontdekten dat onderzoek grotendeels is verdeeld in twee kampen: één gericht op het verbeteren van wanbetalingsvoorspelling via machine learning, en een ander gericht op het begrijpen waarom leners wanbetalen. Beide benaderingen blijven echter beperkt door verouderde datasets, inconsistente definities en beperkte geografische dekking.
De onderzoekers publiceerden hun bevindingen in Technological Forecast, Social Change1, onder de titel “Kredietrisicobeheer op peer-to-peer leenplatformen: Een systematische literatuurreview”.
De opkomst en uitdagingen van P2P-leningen
Snelle groei, nieuwe risico's
Het kernconcept van P2P-leningen omvat desintermediatie, waarbij platformen fungeren als marktplaatsen in plaats van risicodragende entiteiten, en directe matching van vraag en aanbod van fondsen faciliteren. Veel nieuwe FinTech-bedrijven leiden de ontwikkeling van deze markten, evenals P2P-leningprotocols die blockchain gebruiken om de noodzaak van een gecentraliseerde kredietverstrekker volledig te omzeilen, naast andere DeFi (gedecentraliseerde finance) technologieën.
P2P-leningen worden geschat op een marktgrootte van $215 miljard in 2026, en wordt verwacht te groeien met een CAGR van 21,9% tot 2033, waarbij het merendeel van de leningen wordt verstrekt door individuele investeerders.
Dit is echter een zeer nieuwe sector en nog slecht gereguleerd, met risico's variërend van slechte inschatting van de werkelijke wanbetalingsrisico's tot outright fraude.
Analyse van P2P-literatuur
De onderzoekers identificeerden in totaal 433 studies die relevant waren voor hun analyse van P2P-leningen en kredietrisicobeheer, waarvan 280 verder in diepte werden geanalyseerd.
De wetenschappelijke studies over het onderwerp begonnen echt op gang te komen in 2014 en bereikten een plateau in 2020. Geografisch gezien komen de meeste onderzoekers op dit gebied uit China, de VS, India en Indonesië, waarbij China 39% van de totale publicaties heeft.
De meeste lopende onderzoeken richten zich op P2P-leningen in het algemeen, kredietrisico's en AI-gerelateerde technologieën zoals machine learning. Veel van deze studies analyseren de rol van zowel zachte informatie (sociale netwerken) als harde informatie (rentetarieven) bij het voorspellen van wanbetalingen.
Het meest voorkomende paperonderwerp is het beoordelen van voorspellende nauwkeurigheid door verschillende machine‑learning‑modellen toe te passen, vergezeld van overwegingen op data‑, variabele‑ en modelniveau.
Het op één na meest voorkomende onderwerp is het identificeren van de determinanten van wanbetalingskans en wanbetalingsintensiteit.
Andere studies stellen nieuwe systemen voor kredietrisicobeheer voor of bespreken wat nog onderbelicht blijft.
P2P-leningen en AI
Nieuwe risicofactoren vinden
Omdat P2P-leningen niet uitsluitend vertrouwen op traditionele kredietscore, worden machine learning en, recenter, andere AI‑technologieën gebruikt om wanbetalingsrisico's nauwkeuriger te identificeren.
Zo werden fuzzy cognitive maps, gebaseerd op soft‑computing‑benaderingen en neurale‑netwerktheorie, gebruikt om een model voor kredietrisicobeoordeling te creëren.
Ongeacht de specifieke methode laten studies vaak zien dat machine learning de traditionele kredietscoremethoden overtreft qua nauwkeurigheid.
Over het algemeen blijkt dat individueel de kredietscore, opleiding, burgerlijke staat en functietitel van leners typische indicatoren zijn van hun kredietwaardigheid.
Een andere factor, gebaseerd op de “sociale kapitaaltheorie”, kan ook helpen: lidmaatschap van een bepaald sociaal netwerk kan een bepalende factor zijn bij het identificeren van personen die minder waarschijnlijk hun lening zullen wanbetalen.
De onderzoekers vonden een U‑vormige bijdrage van leeftijd in één studie, waaruit bleek dat midden‑leeftijd aanvragers (boven de 45) een hoger wanbetalingsrisico hebben vanwege hun zwaardere economische last van zowel kinderen als gepensioneerde ouders.
Ze ontdekten ook dat vrouwelijke leners hogere rentetarieven krijgen, ondanks dat hun wanbetalingspercentages aanzienlijk lager zijn dan die van mannelijke leners.
Niet verrassend worden een langere werkgeschiedenis, hoger inkomen en een lagere schuldratio geprefereerd.
Eigendom van onroerend goed, inclusief huizen en auto’s, verhoogt ook het terugbetalingsvermogen van leners, terwijl huur en uitstaande autoleningen dit verzwakken.
Ze ontdekten bovendien dat “zachte” metriek voorspellend kan zijn, zij het niet noodzakelijkerwijs actiegericht door P2P‑leningplatformen.
“Een studie probeerde in te spelen op het karakter van leners, en toonde aan dat wanbetaling vaker voorkwam bij studenten die boeken te laat terugbrachten naar de universiteitsbibliotheek en een hoger percentage van de gevolgde cursussen niet haalden.”
In totaal vond de studie dat de belangrijkste factoren om rekening mee te houden zijn:
- Op lenersniveau:
- Demografisch.
- Financiële prestaties.
- Solvabiliteit.
- Kredietscore.
- Sociaal kapitaal.
- Psychologische indicatoren.
- Leningniveau (bedrag, terugbetalingsperiode, doel, authenticatie en beschrijvingslengte).
- Op kredietverstrekkerniveau:
- Demografische indicatoren.
- Herding.
- Op platformniveau:
- Speciale incassomaatregelen.
- Prijsregimes.
- Op macro‑niveau:
- Regulering.
- Economische ontwikkeling.
- Werkgelegenheid.
- Nationale cultuur.
- Crisisperioden.
Evaluatie van de black box
Een terugkerend probleem bij AI is dat neurale netwerken en machine learning vaak zogenaamde “black‑box”‑systemen creëren, waarbij de redenen voor een bepaald resultaat verre van duidelijk zijn, zelfs voor de ontwikkelaars van het systeem, en nog minder voor latere operators.
Dit kan een ernstig probleem zijn voor P2P‑leningen die AI gebruiken.
Eerst, dit creëert serieuze gevaren van verkeerde berekening van wanbetalingsrisico, zonder mogelijkheid om het probleem tijdig te identificeren.
Tweede, dit kan serieuze regelgevingsrisico's met zich meebrengen, aangezien veel kenmerken van een individu zoals ras of geslacht over het algemeen als discriminerend en illegaal worden beschouwd om te integreren in het besluitvormingsproces van het al dan niet toekennen van een lening.
Een AI‑kredietscore bouwen
Het bouwen van een AI‑kredietscore vereist het gebruik van de juiste dataset voor de AI‑training.
De onderzoekers beargumenteren dat de meeste AI‑evaluaties van kredietwaardigheid meerdere tijdsbestekken moeten integreren. Korte tijdsbestekken (<30 dagen) helpen vroege waarschuwingssignalen te identificeren, terwijl lange tijdsbestekken (120 dagen of meer) een beter beeld geven van het algehele resultaat van de kredietverlening.
Herstel, of de waarschijnlijkheid om achterstallige bedragen terug te betalen bij een wanbetaling, is ook belangrijke data.
Ten slotte moet een perfect AI‑systeem continu aanpassen aan veranderende economische omstandigheden en aantonen dat de underwriting betrouwbaar blijft buiten de historische datasets waarop het is getraind.
Over het algemeen wijst de studie op de richting van de “perfecte” AI‑gedreven kredietscore die zoveel mogelijk relevante variabelen moet integreren, inclusief leensstructuur, platformbeleid, gedrag van investeerders, arbeidsomstandigheden, regelgeving en macro‑economische schokken. Het echter transparant en eerlijk maken van zo’n besluitvormingsproces kan een aanzienlijke uitdaging zijn met veel van de huidige AI‑technologieën en trainingsprocedures.
Investeren in AI‑kredietscore
Upstart Holdings, Inc
Naarmate kredietscore‑modellen en leningen evolueren, ontstaan er nieuwe bedrijven die betere alternatieven bieden voor traditionele kredietscore‑systemen en leenpraktijken.
Een van deze bedrijven is Upstart (UPST ), een door AI aangedreven leenmarktplaats, gelanceerd in 2012, lang voordat AI een centraal onderwerp in de technologie‑discussie werd.
UPST Prijsgrafiek
Het idee achter Upstart was dat het bestaande kredietscore‑systeem inefficiënt en verouderd is. Met veel meer beschikbare data zou het mogelijk moeten zijn om leenrisico's beter te identificeren en daardoor goedkopere leningen aan een groot deel van de bevolking te bieden.
“Ons persoonlijke leermodel is wezenlijk nauwkeuriger dan een traditioneel kredietmodel bij het evalueren van het risico van een lener. Wij geloven dat er jaren van modelverbeteringen voor ons liggen.”
Deze vroege start gaf het bedrijf een overvloedige bron van data om zijn eigen AI te trainen en te profiteren van de recente vooruitgang in AI‑trainingsmethoden.
Bron: Upstart
Dit betekent dat Upstart's methode mensen met hoge FICO‑scores kan identificeren die in de praktijk een hoog risico op wanbetaling hebben. En omgekeerd zijn mensen met lage FICO‑scores niet zo waarschijnlijk om te wanbetalen.
Dus met het gebruik van AI en data kan Upstart uitstekende resultaten behalen voor een bepaalde cohort. Bijvoorbeeld, het kan meer leningen aanbieden voor hetzelfde risiconiveau, waardoor de goedkeuringsgraad stijgt van 27% naar 67%. Of het kan de verliezen aanzienlijk verminderen, van een wanbetalingspercentage van 9% naar 5%, bijna de helft.
Bron: Upstart
Bovendien betekent het gebruik van een algoritme in plaats van een leningofficier dat het proces geautomatiseerd is. Dit is zowel minder kostbaar als veel sneller en aangenamer voor de aanvrager.
Upstart’s marktplaats verbindt leners met banken, kredietunies en institutioneel kapitaal. Het meldde dat institutionele investeerders 64% van het geleende kapitaal via haar marktplaats in 2025 hebben aangekocht.
Upstart bedient een absoluut enorme markt, met $25 triljoen aan jaarlijks wereldwijd uitgegeven krediet. Van dit bedrag is tot $1 triljoen aan omzet beschikbaar voor de platformen die dat krediet verstrekken en bedienen.
In 2025 heeft het bedrijf 1,5 miljoen leningen verstrekt (een stijging van 115% jaar‑op‑jaar), voor een totaal van $11 miljard (een stijging van 86% jaar‑op‑jaar), en totale omzet van $1 miljard (een stijging van 64% jaar‑op‑jaar). Het bedrijf groeit ook snel in nieuwe segmenten, bijvoorbeeld de autolening‑verstrekking groeide 5‑voudig (van $45 miljoen in Q4 2024 naar $263 miljoen in Q1 2026), en de hypotheekverstrekking groeide 6‑voudig (van $27 miljoen in Q4 2024 naar $143 miljoen in Q1 2026).
Dus zelfs als de cijfers groot zijn, verbleken ze in vergelijking met het totale potentieel van geavanceerde kredietscore‑methoden en AI‑gedreven kredietbeoordeling.
Bron: Upstart
De recente groeicijfers en het feit dat het bedrijf is opgezet als een AI‑first onderneming, zijn sterke positieve signalen voor de toekomst van Upstart, zelfs als de aandelenkoers dit succes nog niet echt heeft beloond, met prijzen op hetzelfde niveau als in 2022, en ver onder de piek van 2021 tijdens de pandemie.
Voor een deel komt dit doordat er ook enkele risico's zijn voor het bedrijfsmodel van Upstart.
Het eerste risico is dat het model kan verslechteren, omdat economische omstandigheden buiten de trainingsdata kunnen vallen en de AI nieuwe trends kan missen.
Een ander probleem is de toenemende regelgevende druk voor uitlegbaarheid, eerlijkheid en rapportage van demografische prestaties, aangezien AI, zelfs onbedoeld, discriminerende praktijken die eerder uit de financiële sector waren verbannen, kan terugbrengen.
Ten slotte blijft het bedrijf afhankelijk van institutionele financiering die beschikbaar blijft gedurende kredietcycli, met tekenen van stress in het financiële systeem in de context van hoge schuldenniveaus en een gespannen geopolitieke situatie.
Desondanks staat Upstart ideaal gepositioneerd om een sleutel AI‑leningsmarktplaats en onderwriter‑infrastructuurprovider te worden, een noodzakelijke evolutie van de initiële FinTech‑ en P2P‑netwerken die pushen voor nieuwe leenpraktijken.
En investeerders willen misschien blootstelling krijgen aan een bedrijf dat de manier waarop kredietbeoordeling wordt uitgevoerd radicaal heeft veranderd vanaf het begin.
Laatste Upstart Holdings (UPST) aandelennieuws en ontwikkelingen
Gerefereerde studie
1. Fengya Zhu and Rotem Shneor. Credit risk management in peer-to-peer lending platforms: A systematic literature review. Technological Forecast, Social Change. november 2026. Article: 124831. Volume 232. 10.1016/j.techfore.2026.124831
