AI-baserad kreditgivning ökar tillgången till krediter, men tillsynen är viktig

Många finansiella tjänster handlar i grunden om information. Ett försäkringsbolag behöver till exempel ha korrekta uppgifter om framtida olycksfrekvens och kostnader för att kunna fastställa en premie som gör att försäkringen fortfarande är lönsam.

På samma sätt kräver kreditgivning en korrekt bedömning av risken för att en viss kund inte betalar tillbaka lånet och att räntan sätts på en lämplig nivå.

Historiskt sett sköttes detta först enbart genom mänskligt omdöme och enkla matematiska formler, där social klass, personliga kontakter och individuellt beteende påverkade en persons tillgång till finansiella tjänster.

Med tiden växte mer professionella och objektiva metoder fram för att bedöma risk på ett lämpligt sätt och med mindre partiskhet. I USA kan kreditpoäng till exempel bli den dominerande metoden för att bedöma en lånesökandes återbetalningsförmåga.

Nu blir ännu mer avancerade metoder allt vanligare. Med hjälp av AI bedöms kreditrisker med ännu större precision, genom att man drar nytta av den stora mängd användbara data som traditionella kreditpoäng inte tar hänsyn till.

AI-baserad kreditgivning kan alltså nå låntagare som konventionella kreditmodeller vanligtvis förbiser och samtidigt förbättra riskbedömningen överlag. Men om den här breddningen av tillgången till krediter genomförs på fel sätt kan den också medföra risker, till exempel brister i själva kreditprövningen och ökad diskriminering.

En ny studie av forskare vid Kunming University (Kina), Shanghai University of Finance and Economics (Kina) och University of Hamburg (Tyskland) undersöker effekterna av artificiell intelligens på kreditmarknaderna.

Studien visade att AI-baserad kreditgivning i genomsnitt ökar den finansiella inkluderingen med 8,4–11,2 procentenheter, främst bland FinTech-långivare. Den visade också att AI-driven kredittillväxt förstärker volatiliteten i svansrisker.

Forskarna publicerade sina resultat i International Review of Economics & Finance¹ under titeln ”Artificiell intelligens på kreditmarknaderna: algoritmisk kreditgivning, finansiell inkludering och regelarbitrage”.

Analys av AI-baserad kreditgivning

Möjligheter och risker med AI-baserad kreditgivning

AI-relaterad teknik, som tidigare var något nytt som aktörer som Upstart (läs mer om företaget nedan) tog till sig, förekommer nu i någon form i de flesta kreditprocesser.

”Maskininlärningsalgoritmer utgör nu grunden för system för låneförmedling hos stora affärsbanker, digitala kreditplattformar och en växande skara FinTech-aktörer.”

Systemen kan bearbeta och beräkna tusentals variabler som omfattar transaktionshistorik, psykometriska bedömningar, beteendemönster från mobiler och sociala signaler i realtid. Men detta kan också leda till nya problem:

• De kan vidmakthålla eller förstärka historiska skevheter som finns inbäddade i träningsdata
• De fungerar på ett så pass ogenomskinligt sätt att det försvårar tillsynen
• När de används över jurisdiktionsgränser uppstår en form av regelarbitrage som utmanar den territoriella logiken bakom tillsynsregleringen av finanssektorn.

Att ta fram rätt data

För att förstå inte bara effekterna av AI-baserad kreditgivning på lokal nivå utan också över jurisdiktionsgränser analyserade forskarna 42 ekonomier i Asien och Stillahavsområdet (14 länder), Europa (10 länder), Latinamerika (10 länder) och Afrika söder om Sahara (8 länder) under perioden 2012–2022.

Forskarna samlade in uppgifter om dessa länders finansiella inkludering, tillsynsstrukturernas kvalitet och de makrotillsynspolitiska ramverkens omfattning.

Det viktigaste måttet, finansiell inkludering, beräknades med hänsyn till följande:

• Andelen som äger ett formellt kreditkonto.
• Kreditpenetration bland mikroföretag samt små och medelstora företag (MSME).
• Andelen låntagare i den vuxna befolkningen.
• Antalet affärsbanksfilialer per 100 000 vuxna.
• Andelen som äger ett konto för mobila betalningar.

Forskarna tog också fram en ny, nyskapande indikator för hur intensivt AI-baserad kreditgivning används (ALII), för att bedöma hur utbredd den är i ett visst land.

”ALII fungerar som ett strukturellt mått på hur intensivt teknik införs på makronivå och hur kapaciteten fördelas i hela sektorn. I stället för att granska enskilda modellers träffsäkerhet eller algoritmiska anpassning på mikronivå kvantifierar indexet den strukturella tätheten och den operativa spridningen av automatiserade beslutsprocesser i det bredare finansiella ekosystemet.”

Studiens resultat

Stora skillnader

Inte oväntat fann studien att den finansiella inkluderingen varierar kraftigt mellan olika regioner, från 0,042 i låginkomstekonomier i Afrika söder om Sahara under de första åren i urvalet till 0,941 i höginkomstekonomier i Asien och Stillahavsområdet under de senare åren.

AI Lending Intensity Index uppvisar ännu större spridning: medelvärdet 0,317 döljer en variationskoefficient på 0,89, där låginkomstländer i genomsnitt ligger på 0,089 och höginkomstländer på 0,524.

Ett annat resultat är att ALII ökade märkbart snabbare efter 2016, vilket sammanfaller med den kommersiella lanseringen av djupinlärningstillämpningar för kreditbedömning. De högsta värdena för Credit Cycle Volatility (CCV) uppmättes samtidigt i tillväxtmarknadsekonomier under perioden efter 2015, vilket sammanfaller med den snabba expansionen av FinTech-krediter som dokumenteras i ALII-data.

AI-baserad utlåning främjar finansiell inkludering

Studien fann ett direkt samband mellan AI-baserad utlåning och finansiell inkludering.

”En ökning med en standardavvikelse i AI Lending Intensity Index är förknippad med en ökning på 0,084 standardavvikelser i Financial Inclusion Index.”

Det verkade också som att AI-baserad utlåning har en starkare positiv effekt på finansiell inkludering när tillsynskapaciteten är svagare. Det kan bero på två möjliga och sinsemellan förenliga orsaker:

• Miljöer med svagare tillsyn har större grupper av underförsörjda låntagare som AI-långivare kan betjäna lönsamt med hjälp av alternativa data.
• AI-långivare i miljöer med svag tillsyn är mer benägna att bevilja krediter till låntagare i marginalen, eftersom de regulatoriska kostnaderna för att fastställa vem som bär ansvaret vid en eventuell betalningsinställelse är lägre.

Effekten verkar också främst drivas av FinTech-företag, eftersom teknikbaserade AI-långivare skapar betydligt större vinster för den finansiella inkluderingen (3 gånger större) än etablerade banker som använder AI-verktyg.

”En ökning med en standardavvikelse i FinTechs intensitet inom AI-baserad utlåning höjer FII med cirka 13,8 procentenheter, nästan tre gånger så mycket som motsvarande AI-användning hos etablerade banker.”

Det verkar alltså inte som att den ökade finansiella inkluderingen beror på att AI sänker handläggningskostnaderna för befintliga bankkunder, utan på att FinTech använder AI för att nå låntagare som står utanför det konventionella banksystemet.

Detta stämmer med den allmänna uppfattningen att etablerade banker använder AI i defensivt syfte (för att värna befintliga kundrelationer) snarare än för att expandera (genom att rikta sig till nya kundsegment).

Större risker beroende på land?

Studien fann att ökad finansiell inkludering genom AI-baserad utlåning inte har något signifikant samband med högre systemrisker i miljöer med svag tillsyn. Det är därför sannolikt att AI-baserad utlåning ger bäst resultat i just sådana miljöer, med större ökning av den finansiella inkluderingen och lägre risker.

I mer utvecklade ekonomier och finansiella miljöer med strängare reglering ger AI-baserad utlåning däremot mer måttliga vinster för den finansiella inkluderingen. I sådana fall leder den också till en liten, men inte obetydlig, riskökning. Det beror sannolikt på att det i dessa ekonomier endast är de mest utsatta låntagarna som verkligen står utan tillgång till någon form av utlåning.

”Finansiell inkludering är redan nästan universell bland den vuxna befolkningen, vilket lämnar litet utrymme för AI-baserad utlåning att öka andelen låntagare som inkluderas.”

Precis som vid all utlåning uppstår de största riskerna inte under normala marknadsförhållanden, utan under perioder av hög belastning på det finansiella systemet. Även om automatiserad utlåning verkar stabil i lugna tider utlöser den därför snabba och enhetliga nedskärningar av kapitaltillgången under kriser. Robusta makrotillsynsbuffertar är avgörande för att förhindra systemkollapser och marknadspanik.

Regulatoriskt arbitrage

Ett något mer oroande resultat i studien är att FinTech-företag som använder AI för utlåning tenderar att försöka undkomma strängare reglering, bland annat genom att använda skalbolag.

”I Asien-Stillahavsområdet bromsade företagen inte in när den lokala tillsynsintensiteten steg från ＋0.02 till ＋0.22. I stället flyttade de sin verksamhet utanför tillsynens räckvidd, och antalet skalbolagsdotterbolag utanför tillsynsramen ökade från 2 till 11. Samtidigt mer än tredubblade de den gränsöverskridande överföringen av tillgångar, från 14.5 % till 52.8 %, vilket ledde till en kraftig ökning av rättstvister.”

Det tyder på att de lokala reglerna har svårt att fullt ut reglera den här typen av långivare. I stället uppmuntrar de flexibla digitala långivare att dela upp sina verksamheter och flytta kapital till områden som inte övervakas.

Slutsatser för investerare om AI-baserad utlåning

Studien bekräftar tidigare resultat som visat att AI-baserad utlåning främjar finansiell inkludering. Det var till exempel redan känt att algoritmisk kreditprövning av bolån i USA höjer beviljandegraden för låntagare från minoritetsgrupper utan motsvarande ökning av betalningsinställelser. Resultatet stämmer med att utestängningen beror på diskriminering snarare än på riskbaserade bedömningar.

Studien visar nu att denna effekt återkommer i praktiskt taget alla regioner och typer av ekonomier. Den stöder också ett direkt orsakssamband mellan ökad AI-baserad utlåning och bättre och mer rättvis tillgång till kapital. Effekten är särskilt stark i regioner med låg finansiell inkludering och/eller svagare tillsyn.

Samtidigt fann studien också att högre risker och mindre fördelar är vanligt förekommande i utvecklade ekonomier.

Det kan alltså betyda att AI-baserad utlåning till en början ökade tillgången till kapital, men att de största fördelarna och de lägsta riskerna kan finnas på frontiermarknader. Med reservationen att sådana marknader generellt sett är mer riskfyllda till sin natur än utvecklade ekonomier, oberoende av kvaliteten hos ett enskilt företag inom AI-baserad utlåning.

Slutligen verkar fintechföretag snabbt utnyttja regionala skillnader och försöka undvika strängare regler. Det kan utgöra en långsiktig risk, eftersom bättre regional samordning eller kraftfullare åtgärder från tillsynsmyndigheter kan påverka marginalerna och till och med leda till rättsliga processer mot företagen – en risk som deras aktieägare bör beakta.

Sammantaget bör investerare i fintechföretag som ägnar sig åt AI-baserad utlåning bedöma om plattformarna kan utöka tillgången till lån på ett hållbart sätt, utöver att öka utlåningen.

Om det finns en tillräckligt stor grupp människor som inte får tillräcklig hjälp av den befintliga finansbranschen kan AI-baserad utlåning vara till stor nytta och ha en stor adresserbar marknad.

Om gruppen är för liten kan ökade risker för betalningsinställelser vid marknadsoro, eller lika riskfyllda metoder som utnyttjar skillnader mellan jurisdiktioner för att kringgå regler, innebära dolda långsiktiga faror för företagets aktieägare.

Investera i AI-driven utlåning

Upstart Holdings

I takt med att utlåning och kreditvärdering utvecklas växer nya företag fram för att erbjuda bättre alternativ till traditionella kreditvärderingar och utlåningsmetoder. Ett av dem är Upstart, en AI-driven lånemarknadsplats som lanserades 2012, långt innan AI blev ett centralt ämne i teknikdebatten.

Idén bakom Upstarts grundande var att det befintliga systemet för kreditvärdering är ineffektivt och föråldrat. Med betydligt mer tillgänglig data måste det gå att bättre identifiera riskerna med lån och därmed erbjuda billigare lån till en stor del av befolkningen.

”Vår modell för privatlån bedömer låntagares risk betydligt mer träffsäkert än en traditionell kreditmodell. Vi tror att det finns många år av modellförbättringar framför oss.”

Den tidiga starten gav företaget en riklig datakälla att träna sin egen AI på och dra nytta av de senaste framstegen inom metoder för AI-träning.

Källa: Upstart

Det innebär att Upstarts metod kan identifiera personer med höga FICO-poäng som i praktiken löper stor risk att inte betala tillbaka sina lån. Omvänt löper personer med låga FICO-poäng inte lika stor risk att inte betala tillbaka.

Med hjälp av AI och data kan Upstart alltså uppnå enastående resultat för en viss grupp. Företaget kan till exempel bevilja fler lån vid samma risknivå genom att höja beviljandegraden från 27 % till 67 %. Eller så kan det minska förlusterna avsevärt genom att sänka andelen lån med betalningsinställelse från 9 % till 5 %, alltså till nästan hälften.

Källa: Upstart

När en algoritm används i stället för en lånehandläggare automatiseras processen. Det gör det både billigare och mycket snabbare och smidigare att ansöka om lån.

Upstarts marknadsplats kopplar samman låntagare med banker, kreditföreningar och institutionella kapitalplacerare. Företaget uppgav att institutionella investerare köpte 64 % av det utlånade kapitalet via marknadsplatsen under 2025.

Upstart verkar på en enorm marknad, där lån på 25 biljoner dollar beviljas varje år globalt. Av detta belopp finns intäkter på upp till 1 biljon dollar tillgängliga för plattformar som beviljar och administrerar dessa lån.

Under 2025 beviljade företaget 1,5 miljoner lån, en ökning med 115 % jämfört med året före, till ett sammanlagt värde av 11 miljarder dollar, en ökning med 86 % jämfört med året före. Företagets totala intäkter uppgick till 1 miljard dollar, en ökning med 64 % jämfört med året före. Företaget växer också snabbt inom nya segment. Exempelvis ökade beviljandet av billån fem gånger, från 45 miljoner dollar under fjärde kvartalet 2024 till 263 miljoner dollar under första kvartalet 2026, och beviljandet av bostadslån ökade sex gånger, från 27 miljoner dollar under fjärde kvartalet 2024 till 143 miljoner dollar under första kvartalet 2026.

Även om det nuvarande antalet lån redan är stort är det alltså litet i jämförelse med den fulla potentialen hos avancerade metoder för kreditvärdering och AI-baserad lånebedömning.

Källa: Upstart

Den senaste tidens tillväxt och det faktum att Upstart byggdes från grunden som ett AI-företag är starka framtidsfördelar, även om aktiekursen inte direkt har belönat framgången: den ligger på samma nivå som 2022 och långt under toppen från 2021, under pandemin.

En del av förklaringen är att Upstarts affärsmodell också är förknippad med vissa risker.

En första risk är att modellen kan försämras när de ekonomiska förhållandena förändras så mycket att de avviker från träningsdata, vilket kan göra att AI:n missar nya trender.

Ett annat problem är det ökande regulatoriska trycket på förklarbarhet, rättvisa och rapportering av resultat för olika demografiska grupper. Även om det sker oavsiktligt kan AI återinföra diskriminerande metoder som tidigare har förbjudits inom finansbranschen.

Slutligen är företaget fortfarande beroende av att institutionell finansiering finns tillgänglig genom olika kreditcykler. Tecken på att det finansiella systemet är under press blir allt tydligare mot bakgrund av höga skuldnivåer och ett spänt geopolitiskt läge.

Upstart är ändå väl positionerat för att bli en viktig marknadsplats för AI-baserad utlåning och leverantör av infrastruktur för kreditbedömning – en nödvändig utveckling av de ursprungliga fintech- och P2P-nätverkens strävan efter nya utlåningsmetoder.

Investerare kan också vilja skaffa sig exponering mot ett företag som tidigt har förändrat hur kreditbedömning vid lån går till i grunden.

Senaste aktienyheterna och utvecklingen för Upstart Holdings (UPST)

Refererad studie

^{1. Podong Song, Shutong Wu, Janson Partab. Artificiell intelligens på kreditmarknader: algoritmisk utlåning, finansiell inkludering och regulatoriskt arbitrage. International Review of Economics & Finance. december 2026. Artikel: 105937. Volym 112. 10.1016/j.iref.2026.105937}