KI-basert utlån gir flere tilgang til kreditt, men tilsyn er viktig

Mange finansielle tjenester er i bunn og grunn informasjonsvirksomhet. Et forsikringsselskap trenger for eksempel pålitelig informasjon om hvor ofte ulykker vil inntreffe i framtiden, og hva de vil koste, for å kunne fastsette en pris som gjør at forsikringspolisen fortsatt blir lønnsom.

På samme måte må långivere vurdere risikoen for at en kunde misligholder lånet, og fastsette en passende rente.

Historisk sett bygde vurderingene først og fremst på menneskelig skjønn alene og enkle matematiske formler. Sosial klasse, personlige forbindelser og individuell atferd påvirket dermed enkeltpersoners tilgang til finansielle tjenester.

Etter hvert kom det mer profesjonelle og objektive metoder som gjorde det mulig å vurdere risiko på en bedre måte og med mindre skjevhet. I USA kan kredittscore for eksempel bli den dominerende metoden for å vurdere en søkers låneevne.

Nå blir enda mer avanserte metoder stadig vanligere. De bruker KI til å vurdere utlånsrisiko med større presisjon og utnytter en mengde nyttige data som tradisjonelle kredittscoremodeller ikke benytter.

KI-basert utlån kan dermed nå låntakere som konvensjonelle kredittmodeller vanligvis overser, og samlet sett forbedre risikovurderingen. Men denne utvidede tilgangen til kreditt kan også medføre risiko hvis den ikke håndteres riktig, blant annet feil i selve kredittvurderingen og økt diskriminering.

En ny studie utført av forskere ved Kunming University (Kina), Shanghai University of Finance and Economics (Kina) og University of Hamburg (Tyskland) undersøker hvordan kunstig intelligens påvirker kredittmarkedene.

Studien fant at KI-basert utlån i gjennomsnitt øker den finansielle inkluderingen med 8,4–11,2 prosentpoeng, hovedsakelig hos FinTech-långivere. Den viste også at KI-drevet kredittutvidelse forsterker volatiliteten knyttet til halerisiko.

Forskerne publiserte funnene sine i International Review of Economics & Finance¹, under tittelen «Kunstig intelligens i kredittmarkedene: algoritmisk utlån, finansiell inkludering og regulatorisk arbitrasje».

Analyse av KI-basert utlån

Muligheter og risiko ved KI-basert utlån

KI-relaterte teknologier, som tidligere var en nyvinning tatt i bruk av nykommere som Upstart (se nedenfor for mer om selskapet), brukes nå i en eller annen form i de fleste utlånsprosesser.

«Maskinlæringsalgoritmer ligger nå til grunn for systemer for låneopprettelse hos store banker med privatkunder, digitale utlånsplattformer og et stadig voksende nettverk av FinTech-aktører.»

Disse systemene kan behandle og analysere tusenvis av variabler, blant annet transaksjonshistorikk, psykometriske vurderinger, atferdsmønstre på mobilen og sosiale signaler i sanntid. Men dette kan også føre til nye problemer:

• De kan videreføre eller forsterke historiske skjevheter som ligger i treningsdataene.
• De er så lite gjennomsiktige at det blir vanskelig for tilsynsmyndighetene å føre kontroll.
• Når de tas i bruk på tvers av jurisdiksjonsgrenser, åpner det for en form for regulatorisk arbitrasje som utfordrer den territorielle logikken bak tilsynsregulering.

Et godt datagrunnlag

For å forstå ikke bare virkningene av KI-basert utlån lokalt, men også på tvers av jurisdiksjoner, analyserte forskerne 42 økonomier i perioden 2012–2022. Utvalget omfattet Asia-Stillehavsregionen (14 land), Europa (10 land), Latin-Amerika (10 land) og Afrika sør for Sahara (8 land).

Forskerne hentet inn data for disse landene om finansiell inkludering, kvaliteten på tilsynsarkitekturen og hvor helhetlige de makroprudensielle rammeverkene var.

Det viktigste målet, finansiell inkludering, ble beregnet ut fra følgende faktorer:

• Andelen som har en formell kredittkonto.
• Kredittilgang for mikro-, små og mellomstore bedrifter.
• Forholdet mellom antall låntakere og den voksne befolkningen.
• Antall filialer av forretningsbanker per 100 000 voksne.
• Andelen som har en mobilpengekonto.

Forskerne utviklet også en ny indikator, intensiteten i innføringen av KI-basert utlån (ALII), for å måle hvor utbredt KI-basert utlån er i et gitt land.

«ALII fungerer som et strukturelt mål på intensiteten i innføringen av teknologi på makronivå og på hvordan kapasiteten er fordelt på tvers av sektoren. I stedet for å kontrollere nøyaktigheten til enkeltmodeller eller algoritmisk tilpasning på mikronivå måler indeksen hvor tett de automatiserte beslutningsprosessene er etablert, og hvor langt de er tatt i bruk i det bredere finansielle økosystemet.»

Resultater fra studien

Store forskjeller

Ikke overraskende fant studien store regionale forskjeller i finansiell inkludering. Verdiene strakte seg fra 0,042 i lavinntektsøkonomier i Afrika sør for Sahara i de første årene av utvalgsperioden til 0,941 i høyinntektsøkonomier i Asia-Stillehavsregionen i de senere årene.

AI Lending Intensity Index viser enda større spredning: Gjennomsnittsverdien på 0,317 skjuler en variasjonskoeffisient på 0,89, mens gjennomsnittet er 0,089 i lavinntektsøkonomier og 0,524 i høyinntektsøkonomier.

Et annet funn er at ALII økte markant etter 2016, samtidig som dyplæringsbaserte løsninger for kredittvurdering ble tatt i bruk kommersielt. De høyeste verdiene for Credit Cycle Volatility (CCV) ble samtidig observert i fremvoksende markedsøkonomier i perioden etter 2015, parallelt med den raske veksten i FinTech-kreditt som ALII-dataene dokumenterer.

KI-drevet utlån fremmer finansiell inkludering

Studien fant en direkte sammenheng mellom KI-drevet utlån og finansiell inkludering.

«En økning på ett standardavvik i AI Lending Intensity Index er forbundet med en økning på 0,084 standardavvik i Financial Inclusion Index.»

Det så også ut til at den positive effekten av KI-drevet utlån på finansiell inkludering er sterkere når tilsynskapasiteten er svakere. Dette kan skyldes to mulige årsaker som ikke utelukker hverandre:

• Miljøer med svakt tilsyn har større grupper av underbetjente låntakere som KI-långivere kan betjene lønnsomt ved hjelp av alternative data.
• KI-långivere i miljøer med svakt tilsyn er mer villige til å gi kreditt til låntakere med svakere kredittverdighet, fordi de regulatoriske kostnadene knyttet til å fastslå ansvar ved et eventuelt mislighold er lavere.

Denne effekten ser også først og fremst ut til å være drevet av FinTech-selskaper: teknologibaserte KI-långivere skaper betydelig større gevinster for finansiell inkludering (3 ganger) enn etablerte banker som tar i bruk KI-verktøy.

«En økning på ett standardavvik i omfanget av FinTech-selskapers KI-drevne utlån øker FII med omtrent 13,8 prosentpoeng, nesten tre ganger så mye som tilsvarende KI-bruk i etablerte banker.»

Det ser altså ikke ut til at økt finansiell inkludering skyldes at KI reduserer behandlingskostnadene for eksisterende bankkunder, men at FinTech-selskaper bruker KI til å nå låntakere som er utestengt fra det tradisjonelle banksystemet.

Dette samsvarer med den generelle oppfatningen om at etablerte banker bruker KI defensivt – for å beskytte eksisterende kunderelasjoner – snarere enn offensivt, ved å rette seg mot nye kundegrupper.

Øker risikoen i noen land?

Studien fant at økt finansiell inkludering gjennom KI-drevet utlån ikke er signifikant knyttet til høyere systemrisiko i miljøer med svakt tilsyn. Det er derfor sannsynlig at KI-drevet utlån gir best resultater under slike forhold, med større økning i finansiell inkludering og lavere risiko.

I mer utviklede økonomier og finansmiljøer med strengere regulering gir KI-drevet utlån derimot mer moderate gevinster for finansiell inkludering. Samtidig fører det i slike tilfeller også til en liten, men ikke ubetydelig, risikoøkning. Det skyldes trolig at det i disse økonomiene bare er de aller mest marginaliserte låntakerne som faktisk er utestengt fra alle former for utlån.

«Finansiell inkludering er allerede nær universell blant den voksne befolkningen, så det er begrenset rom for at KI-drevet utlån kan øke andelen låntakere som får tilgang.»

Som ved all utlånsvirksomhet oppstår den største risikoen ikke under normale markedsforhold, men i perioder med sterk belastning på det finansielle systemet. Selv om automatisert utlån ser stabilt ut i rolige perioder, fører det til raske og ensartede kutt i kapitaltilgangen under kriser. Derfor er solide makrotilsynsbuffere avgjørende for å hindre systemiske sammenbrudd og markedspanikk.

Regulatorisk arbitrasje

Et noe mer bekymringsfullt funn i studien er at FinTech-selskaper som bruker KI til utlån, har en tendens til å forsøke å unngå strengere regulering, blant annet ved å bruke skallselskaper.

«I Asia-Stillehavsregionen satte ikke selskapene ned tempoet da intensiteten i det lokale tilsynet økte fra ＋0,02 til ＋0,22. I stedet flyttet de virksomheten utenfor tilsynsrammene, og antallet skallselskaper utenfor tilsynsområdet økte fra 2 til 11. Samtidig mer enn tredoblet de den grensekryssende kanaliseringen av eiendeler, fra 14,5 % til 52,8 %, noe som førte til en kraftig økning i rettstvister.»

Dette tyder på at lokale reguleringsmyndigheter har problemer med å føre fullgodt tilsyn med denne typen långivere. I stedet bidrar reguleringen til at smidige digitale långivere deler opp virksomheten og flytter kapital til områder uten tilsyn.

Dette bør investorer merke seg om KI-drevet utlån

Denne studien bekrefter tidligere studier som viste at KI-drevet utlån øker den finansielle inkluderingen. Det var for eksempel allerede kjent at algoritmebasert vurdering av boliglån i USA øker godkjenningsraten for låntakere fra minoritetsgrupper uten en tilsvarende økning i mislighold. Dette er i tråd med at utestengingen skyldes diskriminering snarere enn risikobasert vurdering.

Studien viser nå at denne effekten gjør seg gjeldende i praktisk talt alle regioner og typer økonomier, og støtter samtidig en direkte årsakssammenheng mellom økt KI-drevet utlån og bedre og mer rettferdig tilgang til kapital. Effekten er særlig sterk i regioner med lav finansiell inkludering og/eller svakere tilsyn.

Samtidig fant studien også at utviklede økonomier ofte får høyere risiko og færre gevinster.

Det kan altså bety at AI-lån i utgangspunktet økte tilgangen på kapital, men at de største fordelene og de laveste risikoene finnes i frontiermarkeder. Det forutsetter selvfølgelig at man tar høyde for at slike markeder generelt er mer risikofylte enn utviklede økonomier, uavhengig av kvaliteten på det enkelte AI-låneselskapet.

Til slutt ser det ut til at fintech-selskaper raskt utnytter regionale forskjeller for å unngå strengere regulering. Dette kan utgjøre en langsiktig risiko: Bedre regional samordning eller en kraftigere reaksjon fra tilsynsmyndighetene kan påvirke marginene og til og med føre til rettssaker mot selskapene. Dette er en risiko aksjonærene bør ta med i vurderingen.

Investorer i fintech-selskaper som tilbyr AI-baserte lån, bør derfor vurdere om plattformene kan øke tilgangen på en bærekraftig måte, samtidig som utlånsvolumet vokser.

Hvis det finnes en stor nok gruppe mennesker som ikke får god nok hjelp fra den eksisterende finansbransjen, vil AI-baserte lån trolig være svært nyttige og ha et stort adresserbart marked.

Hvis gruppen er for liten, kan økt risiko for mislighold når markedet er under press, eller like risikable metoder på tvers av jurisdiksjoner for å omgå reguleringer, innebære skjulte farer for selskapets aksjonærer på lang sikt.

Investering i AI-basert utlån

Upstart Holdings

Etter hvert som utlån og kredittvurdering utvikler seg, dukker det opp nye selskaper som tilbyr bedre alternativer til tradisjonelle kredittvurderinger og utlånspraksiser. Et av dem er Upstart, en AI-drevet utlånsmarkedsplass som ble lansert i 2012, lenge før AI ble et sentralt tema i teknologidebatten.

Upstart ble etablert ut fra ideen om at det eksisterende kredittvurderingssystemet er ineffektivt og utdatert. Med langt mer tilgjengelige data burde det være mulig å identifisere lånerisiko bedre og dermed tilby billigere lån til en stor del av befolkningen.

«Modellen vår for personlige lån vurderer risikoen ved låntakere vesentlig mer presist enn en tradisjonell kredittmodell. Vi tror det fortsatt ligger mange år med modellforbedringer foran oss.»

Forspranget ga selskapet tilgang til store mengder data som det kunne bruke til å trene opp sin egen AI og dra nytte av de siste fremskrittene innen AI-treningsmetoder.

Kilde: Upstart

Det betyr at Upstarts metode kan identifisere personer med høy FICO-score som i praksis har høy risiko for å misligholde lånene sine. Omvendt er det ikke nødvendigvis stor sannsynlighet for at personer med lav FICO-score misligholder lån.

Ved hjelp av AI og data kan Upstart altså oppnå svært gode resultater for en bestemt gruppe. Selskapet kan for eksempel tilby flere lån uten å øke risikoen, ved å heve godkjenningsandelen fra 27 % til 67 %. Det kan også redusere tapene betydelig ved å få misligholdsandelen ned fra 9 % til 5 %, altså nesten en halvering.

Kilde: Upstart

Når en algoritme brukes i stedet for en lånesaksbehandler, blir prosessen automatisert. Det gjør det både rimeligere og mye raskere å behandle søknaden, og mer behagelig å søke om lån.

Upstarts markedsplass kobler låntakere sammen med banker, kredittforeninger og institusjonelle investorer. Selskapet opplyste at institusjonelle investorer i 2025 kjøpte 64 % av hovedstolen på lån som ble formidlet gjennom markedsplassen.

Upstart opererer i et enormt marked: Det formidles kreditt for 25 billioner dollar hvert år globalt. Av dette beløpet kan plattformene som formidler og administrerer kreditten, hente inntekter på opptil 1 billion dollar.

I 2025 formidlet selskapet 1,5 millioner lån, en økning på 115 % fra året før, til en samlet verdi av 11 milliarder dollar, opp 86 % fra året før. Selskapets samlede inntekter var 1 milliard dollar, en økning på 64 % fra året før. Selskapet vokser også raskt i nye segmenter. Formidlingen av billån økte for eksempel fem ganger, fra 45 millioner dollar i Q4 2024 til 263 millioner dollar i Q1 2026, mens formidlingen av boliglån økte seks ganger, fra 27 millioner dollar i Q4 2024 til 143 millioner dollar i Q1 2026.

Selv om antallet lån allerede er høyt, er det beskjedent sammenlignet med det fulle potensialet i avanserte kredittvurderingsmetoder og AI-basert lånevurdering.

Kilde: Upstart

Den siste tidens vekst og det at Upstart ble bygget som et AI-først-selskap, er sterke positive tegn for selskapets framtid. Aksjekursen har likevel ikke egentlig gjenspeilet denne suksessen: Den ligger på samme nivå som i 2022 og godt under toppen i 2021, under pandemien.

Noe av forklaringen er at Upstarts forretningsmodell også innebærer enkelte risikoer.

For det første kan modellen bli mindre treffsikker dersom de økonomiske forholdene endrer seg slik at de avviker fra treningsdataene, og AI-en dermed ikke fanger opp nye trender.

En annen utfordring er økende regulatorisk press om at modellene skal kunne forklares, være rettferdige og rapportere resultater fordelt på demografiske grupper. Selv om det ikke er tilsiktet, kan AI føre tilbake diskriminerende praksiser som tidligere ble forbudt i finansbransjen.

Til slutt er selskapet fortsatt avhengig av at institusjonell finansiering er tilgjengelig gjennom ulike kredittsykluser. Tegn på økende belastning i finanssystemet kommer samtidig som gjeldsnivåene er høye og den geopolitiske situasjonen er spent.

Likevel ligger Upstart svært godt an til å bli en sentral markedsplass for KI-basert utlån og leverandør av infrastruktur for kredittvurdering – en nødvendig videreutvikling av fintech- og P2P-nettverkenes opprinnelige satsing på nye utlånsmetoder.

Investorer kan også ønske å få eksponering mot et selskap som tidlig har vært med på å endre radikalt hvordan kredittvurdering av lån gjennomføres.

Siste nytt og utvikling for Upstart Holdings-aksjen (UPST)

Studie det vises til

^{1. Podong Song, Shutong Wu, Janson Partab. Kunstig intelligens i kredittmarkedene: algoritmisk utlån, finansiell inkludering og regulatorisk arbitrasje. International Review of Economics & Finance. Desember 2026. Artikkel: 105937. Bind 112. 10.1016/j.iref.2026.105937}