Fintech Notícias
Por que os Modelos de Empréstimo com IA Precisam de Mais do que Pontuações de Crédito Precisas
Adicione Securities.io às suas fontes preferidas no Google
De Decisões Arbitrárias a Pontuações de Crédito
Ao conceder empréstimos, bancos e outras instituições financeiras sempre tiveram que se preocupar com a possibilidade de os tomadores não conseguirem pagar. Por isso, muitos empréstimos são garantidos por ativos como imóveis ou bens empresariais que o banco pode apreender se os pagamentos não forem realizados. Ainda assim, a decisão estava nas mãos do pessoal do banco, que decidia se concedia ou não o empréstimo.
Com o tempo, a decisão individual de um funcionário bancário foi substituída por filtros cada vez mais sofisticados baseados em modelos internos de risco e fórmulas matemáticas, tornando o processo mais padronizado e menos arbitrário.
“Parte do trabalho do gerente de crédito era tentar inferir sobre a personalidade da pessoa, se ela parecia ser organizada, madura e responsável. Um gerente de crédito poderia rejeitar um candidato se suspeitasse que ele fosse alcoólatra, ou por razões mais abertamente discriminatórias relacionadas à raça, sexo ou, para mulheres tomadoras, seu estado civil.”
Josh Lauer – Professor da Universidade de New Hampshire e autor do livro “Creditworthy.”
No entanto, só em 1958 a FICO, fundada pelo engenheiro Bill Fair e pelo matemático Earl Isaac, introduziu a pontuação de crédito padronizada moderna. Em 1989, a empresa lançou a primeira pontuação de crédito de uso geral, nacional, variando de 300 a 850, que rapidamente se tornou o padrão nacional de empréstimo nos EUA.
Os Limites da Pontuação de Crédito
Uma pontuação de crédito moderna baseia‑se em cinco categorias de dados distintas:
- Histórico de pagamentos (35%).
- Valor devido (30%).
- Tempo de histórico de crédito (15%).
- Novos créditos e consultas (10%).
- Mistura de crédito (10%).
Esse método tornou a estimativa de solvência muito mais objetiva e justa que o método anterior. Mas, claro, tem suas limitações.
Por exemplo, não inclui nenhuma informação sobre o comportamento do indivíduo fora de aspectos relacionados a dívidas passadas e presentes. Também não considera informações como local de residência, renda, setor de emprego, ativos possuídos, etc.
Uma pontuação de crédito moderna também parte do pressuposto de que bancos concedem empréstimos a indivíduos. Mas os sistemas de empréstimo peer‑to‑peer (P2P) modernos e outros serviços financeiros FinTech funcionam de maneira diferente.
Paralelamente, os avanços em IA tornaram possível integrar dados complexos e díspares em um modelo de decisão coeso. Portanto, não é surpresa que a IA esteja progredindo rapidamente na melhoria de modelos que predizem inadimplência para uma nova geração de credores digitais.
Um novo estudo de dois pesquisadores da Universidade de Agder, na Noruega, examinou a gestão de risco de crédito em plataformas de empréstimo peer‑to‑peer. Eles descobriram que a pesquisa se dividiu amplamente em dois campos: um focado em melhorar a previsão de inadimplência por meio de aprendizado de máquina, e outro focado em entender por que os tomadores inadimplem. Ambos os enfoques, porém, permanecem limitados por conjuntos de dados envelhecidos, definições inconsistentes e cobertura geográfica limitada.
Os pesquisadores publicaram suas descobertas na Technological Forecast, Social Change1, sob o título “Credit risk management in peer-to-peer lending platforms: A systematic literature review”.
O Surgimento e os Desafios do Empréstimo P2P
Crescimento Rápido, Novos Riscos
O conceito central do empréstimo P2P abrange a desintermediação, onde as plataformas funcionam como mercados em vez de entidades que assumem risco, facilitando o pareamento direto de oferta e demanda por fundos. Muitas novas empresas FinTech estão liderando o desenvolvimento desses mercados, bem como protocolos de empréstimo P2P que utilizam blockchain para eliminar a necessidade de um provedor de empréstimo centralizado, ao lado de outras tecnologias DeFi (finanças descentralizadas).
O mercado de empréstimo P2P está estimado em US$ 215 bilhões em 2026, e espera‑se que cresça a um CAGR de 21,9 % até 2033, com a maioria dos empréstimos fornecidos por investidores individuais.
Fonte: Coherent Marketing Insights
Este, porém, é um setor muito novo e ainda pouco regulado, com riscos que vão desde a má estimativa dos riscos reais de inadimplência até fraudes descaradas.
Analisando a Literatura P2P
Os pesquisadores identificaram um total de 433 estudos relevantes para sua análise sobre empréstimo P2P e gestão de risco de crédito, dos quais 280 foram analisados mais profundamente.
Os estudos científicos sobre o tema começaram a ganhar força realmente em 2014 e atingiram um platô em 2020. Geograficamente, a maioria dos pesquisadores da área provém da China, dos EUA, da Índia e da Indonésia, com a China publicando 39 % do total de publicações.
A maior parte da pesquisa em andamento está focada em empréstimo P2P em geral, riscos de crédito e tecnologias relacionadas à IA, como aprendizado de máquina. Muitos desses estudos analisam o papel tanto da informação “soft” (redes sociais) quanto da informação “hard” (taxas de juros) na previsão de inadimplência.
O tópico de artigo mais comum é avaliar a precisão preditiva aplicando vários modelos de aprendizado de máquina, acompanhado de considerações de dados, variáveis e nível de modelo.
O segundo tópico mais comum é identificar os determinantes da probabilidade de inadimplência e da severidade da inadimplência.
Outros estudos propõem novos sistemas de gestão de risco de crédito ou discutem o que ainda permanece sub‑pesquisado.
Empréstimo P2P e IA
Encontrando Novos Fatores de Risco
Como o empréstimo P2P não depende exclusivamente das pontuações de crédito tradicionais, aprendizado de máquina e, mais recentemente, outras tecnologias de IA são usadas para identificar riscos de inadimplência com maior precisão.
Por exemplo, mapas cognitivos fuzzy baseados em abordagens de computação suave e teoria de redes neurais foram usados para criar um modelo de avaliação de risco de crédito.
Independentemente do método específico, os estudos costumam mostrar que o aprendizado de máquina supera os métodos tradicionais de pontuação de crédito em termos de acurácia.
No geral, parece que, individualmente, as pontuações de crédito dos tomadores, educação, estado civil e cargos são indicações típicas da solvência dos tomadores.
Outro fator, baseado na “teoria do capital social”, também pode ajudar: a filiação a uma determinada rede social pode ser um fator determinante para identificar indivíduos menos propensos a inadimplir seus empréstimos.
Os pesquisadores encontraram uma contribuição em forma de U pela idade em um estudo, mostrando que solicitantes de meia‑idade (acima de 45 anos) têm maior risco de inadimplência devido ao maior ônus econômico de sustentar tanto filhos quanto pais aposentados.
Também descobriram que as tomadoras recebem taxas de juros mais altas, apesar de suas taxas de inadimplência serem significativamente menores que as dos tomadores masculinos.
Não é surpreendente que histórico de emprego mais longo, renda mais alta e menor razão de dívida sejam favorecidos.
Propriedade de bens, incluindo casas e carros, também aumenta a capacidade de pagamento dos tomadores, enquanto aluguéis e empréstimos de carro pendentes a enfraquecem.
Eles também concluíram que métricas “soft” podem ser preditivas, embora nem sempre acionáveis pelas plataformas de empréstimo P2P.
“Um estudo tentou analisar o caráter dos tomadores, mostrando que a inadimplência era mais provável entre estudantes que atrasavam a devolução de livros à biblioteca universitária e reprovavam uma proporção maior das disciplinas que cursavam.”
No total, o estudo identificou que os fatores mais importantes a serem considerados são:
- No nível do tomador:
- Demográficos.
- Desempenho financeiro.
- Solvência.
- Pontuação de crédito.
- Capital social.
- Indicadores psicológicos.
- Nível do empréstimo (valor, prazo de pagamento, finalidade, autenticação e extensão da descrição).
- No nível do credor:
- Indicadores demográficos.
- Comportamento de manada (herding).
- No nível da plataforma:
- Ações de cobrança especiais.
- Regimes de preço.
- No nível macro:
- Regulação.
- Desenvolvimento econômico.
- Emprego.
- Cultura nacional.
- Períodos de crise.
Avaliação da Caixa‑Preta
Um problema recorrente com IA é que redes neurais e aprendizado de máquina tendem a criar sistemas chamados “caixa‑preta”, onde as razões para um determinado resultado ficam longe de serem claras, mesmo para os desenvolvedores do sistema, e ainda menos para os operadores posteriores.
Isso pode ser um problema sério para o empréstimo P2P que utiliza IA.
Primeiro, isso cria sérios perigos de cálculo incorreto do risco de inadimplência, sem forma de identificar o problema a tempo.
Segundo, isso pode gerar sérios riscos regulatórios, já que muitas características de um indivíduo, como raça ou gênero, são geralmente consideradas discriminatórias e ilegais de integrar ao processo de decisão de concessão ou não de um empréstimo.
Construindo uma Pontuação de Crédito com IA
Construir uma pontuação de crédito com IA requer o uso do conjunto de dados correto para o treinamento da IA.
Os pesquisadores argumentam que a maioria das avaliações de IA de solvência deve integrar múltiplos períodos de tempo. Períodos curtos (<30 dias) ajudam a identificar sinais de alerta precoce, enquanto períodos longos (120 dias ou mais) fornecem uma visão mais completa do resultado geral do empréstimo.
Recuperação, ou a probabilidade de pagamento de valores em atraso após a ocorrência de inadimplência, também é um dado importante.
Por fim, um sistema de IA perfeito também deveria ajustar continuamente às condições econômicas mutantes e demonstrar que sua subscrição permanece confiável fora dos conjuntos de dados históricos nos quais foi treinado.
No geral, o estudo aponta para a direção da “pontuação de crédito perfeita” impulsionada por IA, integrando o maior número possível de variáveis relevantes, incluindo estrutura do empréstimo, políticas da plataforma, comportamento dos investidores, condições de emprego, regulação e choques macroeconômicos. Contudo, tornar esse processo de decisão transparente e justo pode ser um desafio significativo com muitas das tecnologias de IA e procedimentos de treinamento atuais.
Investindo em Pontuação de Crédito com IA
Upstart Holdings, Inc
À medida que empréstimos e pontuações de crédito evoluem, novas empresas surgem para oferecer alternativas melhores às pontuações de crédito tradicionais e práticas de empréstimo.
Uma delas é a Upstart (UPST ), um marketplace de empréstimos impulsionado por IA, lançado em 2012, muito antes de a IA se tornar o centro das conversas tecnológicas.
UPST Gráfico de preços
A ideia por trás da Upstart era que o sistema de pontuação de crédito existente era ineficiente e desatualizado. Com muito mais dados disponíveis, deveria ser possível identificar melhor os riscos de empréstimo e, como resultado, oferecer empréstimos mais baratos a uma grande parcela da população.
“Nosso modelo de empréstimo pessoal é significativamente mais preciso que um modelo de crédito tradicional ao avaliar o risco do tomador. Acreditamos que anos de melhorias de modelagem ainda estão por vir.”
Esse início precoce deu à empresa uma abundante fonte de dados para treinar sua própria IA e aproveitar o recente progresso nas técnicas de treinamento de IA.
Fonte: Upstart
Isso significa que o método da Upstart pode identificar pessoas com pontuações FICO altas que, na prática, têm alto risco de inadimplência. E, inversamente, pessoas com pontuações FICO baixas não são tão propensas a inadimplir.
Assim, com o uso de IA e dados, a Upstart pode alcançar resultados excepcionais para um determinado grupo. Por exemplo, pode conseguir oferecer mais empréstimos para o mesmo nível de risco, passando de uma taxa de aprovação de 27 % para 67 %. Ou pode reduzir significativamente as perdas, de uma taxa de inadimplência de 9 % para 5 %, quase metade.
Fonte: Upstart
Além disso, usar um algoritmo em vez de um agente de empréstimo significa que o processo é automatizado. Isso é tanto menos custoso quanto muito mais rápido e agradável para solicitar um empréstimo.
O marketplace da Upstart conecta tomadores a bancos, cooperativas de crédito e capital institucional. Reportou que investidores institucionais compraram 64 % do principal originado por meio de seu marketplace em 2025.
A Upstart atende a um mercado absolutamente massivo, com US$ 25 trilhões em crédito originado anualmente em todo o mundo. Deste total, até US$ 1 trilhão em receita está disponível para as plataformas que originam e servem esse crédito.
Em 2025, a empresa originou 1,5 milhão de empréstimos (um aumento de 115 % ano a ano), totalizando US$ 11 bilhões (um aumento de 86 % ano a ano), e receitas totais de US$ 1 bilhão (um aumento de 64 % ano a ano). A empresa também está crescendo rapidamente em novos segmentos, com, por exemplo, a originação de empréstimos automotivos crescendo 5× (de US$ 45 milhões no Q4 2024 para US$ 263 milhões no Q1 2026), e a originação de empréstimos habitacionais crescendo 6× (de US$ 27 milhões no Q4 2024 para US$ 143 milhões no Q1 2026).
Portanto, mesmo que grandes, esses números empalidecem em comparação ao potencial total de métodos avançados de pontuação de crédito e avaliação de empréstimos impulsionados por IA.
Fonte: Upstart
Os números recentes de crescimento e o fato de ter sido construída como uma empresa “AI‑first” são pontos positivos fortes para o futuro da Upstart, mesmo que o preço das ações ainda não tenha recompensado esse sucesso, permanecendo no mesmo nível de 2022 e bem abaixo do pico de 2021 durante a pandemia.
Em parte, isso ocorre porque também existem alguns riscos ao modelo de negócios da Upstart.
O primeiro é que seu modelo pode deteriorar, à medida que as condições econômicas ultrapassam os dados de treinamento e sua IA pode perder novas tendências.
Outra questão é o aumento da pressão regulatória por explicabilidade, justiça e relatórios de desempenho demográfico, já que, mesmo inadvertidamente, a IA pode trazer de volta práticas discriminatórias anteriormente proibidas na indústria financeira.
Por fim, a empresa ainda depende de financiamento institucional disponível ao longo dos ciclos de crédito, com sinais de estresse no sistema financeiro surgindo no contexto de altos níveis de dívida e uma situação geopolítica tensa.
Mesmo assim, a Upstart está idealmente posicionada para se tornar um marketplace de empréstimo com IA chave e provedora de infraestrutura de subscrição, uma evolução necessária das primeiras redes FinTech e P2P que impulsionaram novas práticas de empréstimo.
E os investidores podem querer obter exposição a uma empresa que tem mudado radicalmente a forma como a subscrição de empréstimos é realizada desde o início.
Últimas Notícias e Desenvolvimentos das Ações da Upstart Holdings (UPST)
Estudo Referenciado
1. Fengya Zhu and Rotem Shneor. Credit risk management in peer-to-peer lending platforms: A systematic literature review. Technological Forecast, Social Change. novembro de 2026. Article: 124831. Volume 232. 10.1016/j.techfore.2026.124831 in Portuguese. Do not translate brand names,company names,personal names,URLs,HTML tags,shortcode names,or shortcode attribute keys. Preserve WordPress shortcode syntax,but translate human-visible quoted shortcode values. AUTHOR PROFILE USER_META RULE: If a Last_name field appears in this payload,treat it as the author title and company field,not as a personal name. Translate only role,title,and connective words in that value. Preserve every company,brand,product,website,and personal name exactly as written. Do not translate or alter First_name,display_name,nickname,username,or other personal-name values. AUTHOR PROFILE USER_META OUTPUT RULE: Return only the translated field value. Never include completion markers,explanations,completion-marker instructions,or statements that no additional text needs translation. If the value does not need translation,return the original value only. You are an expert content translator; your tone should be professional and SEO optimized.
inatory and illegal to integrate into the decision process of granting a loan or not. Building An AI Credit Score Building an AI credit score requires using the right dataset for the AI training. The researchers argue that most AI evaluation of creditworthiness should integrate multiple time frames. Short time frames (
