Fintech Nyheter
Hvorfor AI-lånemodeller trenger mer enn nøyaktige kredittscore
Legg til Securities.io blant dine foretrukne kilder på Google
Fra vilkårlige beslutninger til kredittscore
Når man låner penger, har banker og andre finansinstitusjoner alltid måttet bekymre seg for at låntakere ikke klarer å betale tilbake. Derfor er mange lån sikret med eiendeler som eiendom eller forretningsaktiva som banken kan ta i beslag hvis lånebetalingene ikke blir gjort. Likevel lå beslutningen i hendene på bankpersonalet, som bestemte om lånet skulle innvilges.
Over tid ble den individuelle beslutningen til en bankansatt erstattet av stadig mer sofistikerte filtre basert på interne risikomodeller og matematiske formler, noe som gjorde prosessen mer standardisert og mindre vilkårlig.
«En del av oppgaven til kredittsjefen var å prøve å trekke slutninger om personens personlighet, om de virker organiserte, modne og ansvarlige. En kredittsjef kunne avvise en søker hvis de mistenkte at vedkommende var alkoholiker, eller av mer åpenbare diskriminerende grunner knyttet til en persons rase, kjønn, eller, for kvinnelige låntakere, deres sivilstatus.»Josh Lauer – professor ved University of New Hampshire og forfatter av boken “Creditworthy.”
Det tok imidlertid frem til 1958 før FICO, grunnlagt av ingeniør Bill Fair og matematiker Earl Isaac, introduserte den moderne standardiserte kredittscoren. Og i 1989 lanserte selskapet den første generelle, landsomfattende kredittscoren, med en skala fra 300 til 850, som raskt ble den nasjonale lånestandarden i USA.
Begrensningene ved kredittscore
En moderne kredittscore er basert på fem ulike datakategorier:
- Betalingshistorikk (35%).
- Eid beløp (30%).
- Lengde på kreditt-historikk (15%).
- Ny kreditt og forespørsler (10%).
- Kredittblanding (10%).
Denne metoden gjorde vurderingen av kredittverdighet mye mer objektiv og rettferdig enn den tidligere metoden. Men selvfølgelig har den sine begrensninger.
For eksempel inkluderer den ingen informasjon om en persons atferd utenfor det som er relatert til tidligere og nåværende gjeld. Den tar heller ikke hensyn til opplysninger som bosted, inntekt, arbeidssektor, eide eiendeler osv.
En moderne kredittscore er også bygget på antakelsen om at banker gir lån til enkeltpersoner. Men moderne peer-to-peer (P2P)-lånesystemer og andre FinTech-finansetjenester fungerer annerledes.
Parallelt har fremskritt innen AI gjort det mulig å integrere komplekse, ulike data i en sammenhengende beslutningsmodell. Så det er ikke overraskende at AI gjør raske fremskritt i å forbedre modeller som forutsier låneforsømmelser for en ny generasjon digitale långivere.
En ny studie av to forskere ved Universitetet i Agder i Norge undersøkte kreditt-risikostyring på tvers av peer-to-peer låneplattformer. De fant at forskningen i stor grad er delt inn i to retninger: den ene fokuserer på å forbedre forutsigelse av mislighold gjennom maskinlæring, og den andre på å forstå hvorfor låntakere misligholder. Begge tilnærmingene er imidlertid begrenset av aldrende datasett, inkonsistente definisjoner og begrenset geografisk dekning.
Forskerne publiserte sine funn i Technological Forecast, Social Change1, under tittelen “Kreditt-risikostyring i peer-to-peer låneplattformer: En systematisk litteraturgjennomgang”.
Veksten og utfordringene ved P2P-låning
Rask vekst, nye risikoer
Kjernekonseptet i P2P-låning omfatter desintermediering, hvor plattformer fungerer som markedsplasser i stedet for risikotakende enheter, og legger til rette for direkte matching av tilbud og etterspørsel etter midler. Mange nye FinTech-selskaper leder utviklingen av disse markedene, samt P2P-låneprotokoller som bruker blockchain for å omgå behovet for en sentral låneleverandør helt, sammen med andre DeFi (desentraliserte finans) teknologier.
P2P-låning anslås å ha et marked på 215 milliarder dollar i 2026, og forventes å vokse med en CAGR på 21,9 % frem til 2033, med flertallet av lån gitt av individuelle investorer.
Kilde: Coherent Marketing Insights
Dette er imidlertid en svært ny sektor og er fortsatt dårlig regulert, med risikoer som spenner fra dårlig estimering av de faktiske misligholdsrisikoene til åpenbar svindel.
Analyse av P2P-litteratur
Forskerne identifiserte totalt 433 studier som var relevante for deres analyse av P2P-låning og kreditt-risikostyring, hvorav 280 ble analysert nærmere i dybden.
De vitenskapelige studiene om temaet begynte virkelig å ta av i 2014 og har nådd et platå i 2020. Geografisk sett kommer de fleste forskere på feltet fra Kina, USA, India og Indonesia, med Kina som har publisert 39 % av de totale publikasjonene.
Mesteparten av den pågående forskningen fokuserer på P2P-låning generelt, kreditt-risikoer og AI-relaterte teknologier som maskinlæring. Mange av disse studiene analyserer rollene til både myk informasjon (sosiale nettverk) og hard informasjon (renter) i forutsigelse av mislighold.
Det mest vanlige papirtemaet er å vurdere prediktiv nøyaktighet ved å anvende ulike maskinlæringsmodeller, ledsaget av data-, variabel- og modellnivåvurderinger.
Det nest mest vanlige temaet er å identifisere determinanter for sannsynligheten for mislighold og alvorlighetsgraden av mislighold.
Andre studier foreslår nye systemer for kreditt-risikostyring eller diskuterer hva som fortsatt er underforsket.
P2P-låning og AI
Finne nye risikofaktorer
Fordi P2P-låning ikke kun er avhengig av tradisjonelle kredittscore, brukes maskinlæring og, mer nylig, annen AI-teknologi for å identifisere misligholdsrisikoer mer nøyaktig.
For eksempel ble fuzzy kognitive kart basert på myke beregningsmetoder og nevrale nettverksteori brukt til å lage en modell for kreditt-risikoberegning.
Uavhengig av spesifikk metode viser studier ofte at maskinlæring overgår tradisjonelle kredittscoremetoder når det gjelder nøyaktighet.
Generelt ser det ut til at enkeltvis er låntakeres kredittscore, utdanning, sivilstatus og stillingstitler typiske indikasjoner på låntakerens kredittverdighet.
En annen faktor, basert på “sosial kapital-teori”, kan også hjelpe: medlemskap i et gitt sosialt nettverk kan være en avgjørende faktor for å identifisere individer som er mindre sannsynlige til å misligholde sine lån.
Forskerne fant en U-formet sammenheng med alder i en studie, som viser at midt-aldrende søkere (over 45) har høyere misligholdsrisiko på grunn av deres større økonomiske belastning fra å støtte både barn og pensjonerte foreldre.
De fant også at kvinnelige låntakere får høyere rente, til tross for at deres misligholdsrate er betydelig lavere enn mannlige låntakere.
Ikke overraskende blir lengre arbeidshistorikk, høyere inntekt og lavere gjeldsgrad foretrukket.
Eiendomsbesittelse, inkludert hus og biler, øker også låntakerens evne til å tilbakebetale, mens leie og utestående billån svekker den.
De fant også at «myke» måleparametere kan være prediktive, selv om de ikke nødvendigvis er handlingsbare for P2P-låneplattformer.
«En studie forsøkte å undersøke låntakernes karakter, og viste at mislighold var mer sannsynlig blant studenter som var forsinket med å levere tilbake bøker til et universitetsbibliotek og som feilet en høyere andel av kursene de tok.»
Totalt fant studien at de viktigste faktorene å ta i betraktning er:
- På låntakernivå:
- Demografisk.
- Finansiell ytelse.
- Solvens.
- Kredittscore.
- Sosial kapital.
- Psykologiske indikatorer.
- Lånenivå (beløp, tilbakebetalingsperiode, formål, autentisering og beskrivelseslengde).
- På utlånernivå:
- Demografiske indikatorer.
- Kollektiv atferd.
- På plattformnivå:
- Spesielle innkrevingshandlinger.
- Prisregimer.
- På makronivå:
- Regulering.
- Økonomisk utvikling.
- Sysselsetting.
- Nasjonalkultur.
- Krisetider.
Evaluering av svart boks
Et tilbakevendende problem med AI er at nevrale nettverk og maskinlæring ofte skaper såkalte «svart boks»-systemer, hvor årsakene til et gitt resultat er langt fra klare selv for utviklerne av systemet, og enda mindre for senere operatører.
Dette kan være et alvorlig problem for P2P-låning som bruker AI.
Først, dette skaper alvorlige farer for feilberegning av misligholdsrisiko, uten mulighet til å identifisere problemet i tide.
For det andre kan dette medføre alvorlige regulatoriske risikoer, ettersom mange av en persons egenskaper som rase eller kjønn generelt anses som diskriminerende og ulovlige å integrere i beslutningsprosessen om å innvilge et lån eller ikke.
Bygge en AI-kredittscore
Å bygge en AI-kredittscore krever bruk av riktig datasett for AI-treningen.
Forskerne argumenterer for at de fleste AI-evalueringer av kredittverdighet bør integrere flere tidsrammer. Korte tidsrammer (<30 dager) hjelper med å identifisere tidlige varselsignaler, mens lange tidsrammer (120 dager eller mer) gir et bedre bilde av det samlede resultatet av utlånet.
Gjenoppretting, eller sannsynligheten for å tilbakebetale forfalte beløp ved forekomst av mislighold, er også viktig data.
Til slutt bør et perfekt AI-system også kontinuerlig justere seg for endrede økonomiske forhold og demonstrere at dets underwriting forblir pålitelig utenfor de historiske datasettene det ble trent på.
Generelt peker studien mot retningen av den «perfekte» AI-drevne kredittscoren som skal integrere så mange relevante variabler som mulig, inkludert lånestruktur, plattformsretningslinjer, investoradferd, arbeidsforhold, regulering og makroøkonomiske sjokk. Imidlertid kan det å gjøre en slik beslutningsprosess transparent og rettferdig være en betydelig utfordring med mange av de nåværende AI-teknologiene og treningsprosedyrene.
Investere i AI-kredittscore
Upstart Holdings, Inc
Etter hvert som utlån og kredittscore utvikler seg, dukker nye selskaper opp som tilbyr bedre alternativer til tradisjonelle kredittscore og utlånspraksiser.
En av dem er Upstart (UPST ), en lånemarkedsplass drevet av AI, lansert i 2012, lenge før AI ble et sentralt tema i teknologidiskusjoner.
UPST Prisdiagram
Ideen bak Upstart var at det eksisterende kredittscore-systemet er ineffektivt og utdatert. Med mye mer tilgjengelige data måtte det være mulig å identifisere lånerisiko bedre og dermed tilby billigere lån til en stor del av befolkningen.
«Vår personlige lånemodell er betydelig mer nøyaktig enn en tradisjonell kredittmodell når det gjelder å vurdere låntakerrisiko. Vi tror mange år med modellforbedringer ligger foran oss.»
Denne tidlige starten ga selskapet en overflod av data som de kunne bruke til å trene sin egen AI og utnytte de nylige fremskrittene innen AI-treningsmetoder.
Kilde: Upstart
Dette betyr at Upstarts metode kan identifisere personer med høy FICO-score som i praksis har høy risiko for å misligholde lånene sine. Omvendt er personer med lav FICO-score ikke så sannsynlige til å misligholde.
Dermed kan Upstart, ved bruk av AI og data, oppnå fremragende resultater for en gitt kohort. For eksempel kan de enten tilby flere lån for samme risikonivå, med en økning fra 27 % godkjenningsrate til 67 %. Eller de kan redusere tapene betydelig, fra en misligholdsrate på 9 % til 5 %, eller nesten halvparten så mye.
Kilde: Upstart
I tillegg betyr bruk av en algoritme i stedet for en låneansvarlig at prosessen er automatisert. Dette er både billigere og mye raskere og mer behagelig å søke om et lån.
Upstarts markedsplass kobler låntakere med banker, kredittforeninger og institusjonell kapital. Det rapporterte at institusjonelle investorer kjøpte 64 % av hovedstolen som ble opprettet gjennom markedsplassen i 2025.
Upstart betjener et enormt marked, med 25 billioner dollar i kreditt som opprettes hvert år globalt. Av dette beløpet er opptil 1 billion dollar i inntekter tilgjengelig for plattformene som oppretter og betjener den kreditt.
I 2025 opprettet selskapet 1,5 millioner lån (opp 115 % år for år), for totalt 11 milliarder dollar (opp 86 % år for år), og totale inntekter for selskapet på 1 milliard dollar (opp 64 % år for år). Selskapet vokser også raskt i nye segmenter, med for eksempel bil-låneopprettelse som vokser 5 ganger (fra 45 millioner dollar i Q4 2024 til 263 millioner dollar i Q1 2026), og boliglånsopprettelse som vokser 6 ganger (fra 27 millioner dollar i Q4 2024 til 143 millioner dollar i Q1 2026).
Så selv om tallene er store, virker de små i forhold til det totale potensialet for avanserte kredittscoremetoder og AI-drevet lånevurdering.
Kilde: Upstart
De nylige veksttallene og at selskapet er bygget som et AI-først selskap er sterke positive faktorer for Upstarts fremtid, selv om aksjekursen ikke virkelig har belønnet denne suksessen, med priser på samme nivå som i 2022, og langt under toppnivået i 2021 under pandemien.
Delvis skyldes dette at det også finnes noen få risikoer for Upstarts forretningsmodell.
Den første er at modellen kan forverres, ettersom økonomiske forhold går utenfor treningsdataene og AI-en kan gå glipp av nye trender.
Et annet problem er økende regulatorisk press for forklarbarhet, rettferdighet og rapportering av demografisk ytelse, ettersom AI, selv utilsiktet, kan bringe tilbake diskriminerende praksiser som tidligere er forbudt i finanssektoren.
Til slutt er selskapet fortsatt avhengig av at institusjonell finansiering forblir tilgjengelig gjennom kredittsykluser, med tegn på stress i det finansielle systemet som bygger seg opp i konteksten av høye gjeldsnivåer og en spent geopolitisk situasjon.
Likevel er Upstart ideelt posisjonert til å bli en sentral AI-lånemarkedsplass og leverandør av underwriting-infrastruktur, en nødvendig evolusjon av de opprinnelige FinTech- og P2P-nettverkenes press for nye utlånspraksiser.
Og investorer kan ønske å få eksponering mot et selskap som har radikalt endret hvordan låneunderwriting utføres fra starten av.
Siste nyheter og utviklinger for Upstart Holdings (UPST)-aksjen
Studie referert
1. Fengya Zhu and Rotem Shneor. Kreditt-risikostyring i peer-to-peer låneplattformer: En systematisk litteraturgjennomgang. Technological Forecast, Social Change. november 2026. Article: 124831. Volume 232. 10.1016/j.techfore.2026.124831
