Pinalalawak ng Pagpapautang Gamit ang AI ang Pagkakataong Makakuha ng Kredito, Ngunit Mahalaga ang Pangangasiwa

Sa pinakapangunahin nitong anyo, negosyo ng impormasyon ang maraming serbisyong pinansyal. Halimbawa, kailangang magkaroon ang isang kompanya ng seguro ng wastong impormasyon tungkol sa inaasahang dalas ng mga aksidente at sa magiging gastos ng mga ito upang maitakda nang tama ang presyong magtitiyak na kikita pa rin ito sa isang polisiyang pangseguro.

Gayundin, kailangang masuri nang wasto sa pagpapautang ang panganib na hindi magbayad ang isang kostumer, at maitakda sa angkop na antas ang interes na sisingilin.

Noon, nakabatay ang pagsusuri sa puro paghuhusga ng tao at payak na mga pormulang matematikal; nakaaapekto sa pagkakataong makakuha ng serbisyong pinansyal ang uri ng lipunang kinabibilangan ng isang tao, mga personal na ugnayan, at personal na pag-uugali.

Unti-unting lumitaw ang mas propesyonal at obhetibong mga pamamaraan upang masuri nang wasto ang panganib nang may mas kaunting pagkiling. Halimbawa, maaaring maging pangunahing paraan ng pagtatasa sa Estados Unidos ang mga credit score upang matukoy kung gaano kalaki ang kakayahan ng isang aplikante na umutang.

Lalong lumalaganap ngayon ang mas makabagong mga pamamaraan: gumagamit ang mga ito ng AI upang mas tumpak na masuri ang mga panganib sa pagpapautang, habang sinasamantala ang napakaraming kapaki-pakinabang na datos na hindi ginagamit ng mga tradisyonal na credit score.

Dahil dito, maaaring maabot ng pagpapautang gamit ang AI ang mga nanghihiram na karaniwang hindi napapansin ng mga tradisyonal na modelo ng kredito, at mapahusay sa pangkalahatan ang pagtatasa ng panganib. Gayunman, maaari ring magdulot ng mga panganib ang pagpapalawak na ito ng pagkakataong makakuha ng kredito kapag hindi ito naisagawa nang wasto—gaya ng mga pagkakamaling nakaaapekto sa kalidad ng mismong pagsusuri at pag-apruba ng pautang, at ng tumitinding diskriminasyon.

Sinusuri sa isang bagong pag-aaral ng mga mananaliksik mula sa Kunming University (China), Shanghai University of Finance and Economics (China), at University of Hamburg (Germany) ang mga epekto ng artificial intelligence sa mga pamilihan ng kredito.

Natuklasan ng pag-aaral na pinalalawak ng pagpapautang gamit ang AI ang inklusyong pinansyal nang 8.4–11.2 puntos ng porsiyento sa karaniwan, pangunahin sa mga nagpapautang na FinTech. Natuklasan din nito, gayunman, na pinalalala ng pagpapalawak ng kredito na dulot ng AI ang pagkasumpungin ng panganib sa mga sukdulang kaganapan.

Inilathala nila ang kanilang mga natuklasan sa International Review of Economics & Finance¹, sa ilalim ng pamagat na “Artipisyal na intelihensiya sa mga pamilihan ng kredito: Pagpapautang batay sa mga algorithm, inklusyong pinansyal, at pagsasamantala sa mga pagkakaiba ng regulasyon”.

Pagsusuri sa Pagpapautang Gamit ang AI

Mga Pangako at Panganib ng Pagpapautang Gamit ang AI

Bagaman dati itong bagong teknolohiyang pinagtibay ng mga bagong kalahok gaya ng Upstart (tingnan sa ibaba ang higit pang impormasyon tungkol sa kompanyang ito), ginagamit na ngayon sa ilang paraan ang mga teknolohiyang may kaugnayan sa AI sa karamihan ng mga proseso ng pagpapautang.

“Nasa likod na ngayon ng mga sistema ng pagsisimula ng pautang sa malalaking retail bank, mga digital na plataporma ng pagpapautang, at dumaraming bagong kalahok sa FinTech ang mga algorithm ng machine learning.”

Kayang magproseso at magkalkula ng libu-libong baryabol ang mga sistemang ito, kabilang ang mga kasaysayan ng transaksiyon, mga pagtatasa ng sikometrikong katangian, mga padron ng pag-uugali sa paggamit ng mobile, at mga senyal mula sa lipunan na nakukuha sa real time. Ngunit maaari rin itong magdulot ng mga bagong problema:

• Maaaring ipagpatuloy o palalain ng mga ito ang mga dating pagkiling na nakapaloob sa datos na ginamit sa pagsasanay.
• Gumagana ang mga ito nang hindi gaanong malinaw, kaya nahahadlangan ang epektibong pangangasiwa ng mga tagasubaybay.
• Dahil ginagamit ang mga ito sa iba’t ibang hurisdiksiyon, nagbubukas ang mga ito ng pagkakataong samantalahin ang mga pagkakaiba sa regulasyon—isang hamon sa teritoryal na lohika ng mga regulasyong prudensyal.

Pagbuo ng Angkop na Datos

Upang maunawaan hindi lamang ang mga epekto ng pagpapautang gamit ang AI sa lokal na antas kundi pati sa iba’t ibang hurisdiksiyon, sinuri ng mga mananaliksik ang 42 ekonomiya mula sa Asia-Pacific (14 na bansa), Europe (10 bansa), Latin America (10 bansa), at Sub-Saharan Africa (8 bansa) sa panahon ng 2012–2022.

Kumuha sila ng datos tungkol sa inklusyong pinansyal, kalidad ng balangkas ng pangangasiwa, at lawak ng balangkas na makroprudensyal sa mga bansang ito.

Sinukat ang pinakamahalagang panukat—ang inklusyong pinansyal—sa pamamagitan ng pagsasaalang-alang sa mga sumusunod:

• Bahagdan ng mga taong may pormal na credit account.
• Paglaganap ng kredito sa mga MSME.
• Proporsiyon ng mga nanghihiram kumpara sa populasyong nasa hustong gulang.
• Bilang ng mga sangay ng komersiyal na bangko sa bawat 100,000 nasa hustong gulang.
• Bahagdan ng mga taong may account sa mobile money.

Bumuo rin sila ng bagong panukat na tinatawag na AI Lending Intensity Index (ALII) upang mataya kung gaano kalaganap ang pagpapautang gamit ang AI sa isang bansa.

“Gumaganap ang ALII bilang estruktural na panukat ng tindi ng paggamit ng teknolohiya sa antas ng makro at ng distribusyon ng kapasidad sa buong sektor. Sa halip na siyasatin ang katumpakan ng mga indibidwal na modelo o ang pagkakahanay ng mga algorithm sa antas ng mikro, sinusukat ng indeks ang estruktural na densidad at antas ng aktuwal na paggamit ng mga daloy ng awtomatikong pagpapasya sa mas malawak na ekosistemang pinansyal.”

Mga Resulta ng Pag-aaral

Malalaking Pagkakaiba

Gaya ng inaasahan, natuklasan sa pag-aaral na malaki ang pagkakaiba ng inklusyong pinansyal sa bawat rehiyon: mula 0.042 sa mga ekonomiyang mababa ang kita sa Sub-Saharan Africa noong mga unang taon ng saklaw ng datos, hanggang 0.941 sa mga ekonomiyang mataas ang kita sa Asia-Pacific noong mga huling taon.

Mas malaki pa ang pagkakaiba-iba ng mga halaga sa Indeks ng Tindi ng Pagpapautang na Gumagamit ng AI: bagaman 0.317 ang karaniwang halaga, 0.89 ang koepisyente ng baryasyon nito. Sa mga ekonomiyang may mababang kita, 0.089 ang karaniwang halaga, samantalang 0.524 naman ito sa mga ekonomiyang may mataas na kita.

Isa pang natuklasan ang kapansin-pansing pagbilis ng ALII pagkaraan ng 2016, kasabay ng komersiyal na paggamit ng mga aplikasyon ng deep learning sa pagtatasa ng credit score. Samantala, naitala ang pinakamataas na halaga ng Credit Cycle Volatility (CCV) sa mga umuusbong na ekonomiya ng merkado noong panahong pagkaraan ng 2015, kasabay ng mabilis na paglago ng pautang sa pamamagitan ng FinTech na dokumentado sa datos ng ALII.

Pinapalawak ng Pagpapautang na Gumagamit ng AI ang Pagsasama sa Pananalapi

Natuklasan sa pag-aaral na may tuwirang ugnayan ang pagpapautang na gumagamit ng AI at ang pagsasama sa pananalapi.

“Kapag tumaas nang isang standard deviation ang Indeks ng Tindi ng Pagpapautang na Gumagamit ng AI, kaugnay nito ang pagtaas nang 0.084 standard deviation sa Indeks ng Pagsasama sa Pananalapi.”

Lumilitaw din na mas malakas ang positibong epekto ng pagpapautang na gumagamit ng AI sa pagsasama sa pananalapi kapag mas mahina ang kakayahan sa pangangasiwa. Maaaring dulot ito ng dalawang posibleng dahilan na hindi magkakabukod:

• Mas maraming hindi sapat na napaglilingkurang nanghihiram sa mga kapaligirang mahina ang pangangasiwa, at maaari silang pautangin nang may tubo ng mga nagpapautang na gumagamit ng AI sa pamamagitan ng alternatibong datos.
• Mas handang magpautang sa mga nanghihiram na nasa bingit ng pagiging kwalipikado ang mga nagpapautang na gumagamit ng AI sa mga kapaligirang mahina ang pangangasiwa, dahil mas mababa ang gastos sa regulasyon kaugnay ng pagtukoy kung sino ang mananagot sa posibleng hindi pagbabayad.

Tila pangunahing dulot din ng mga kompanyang FinTech ang epektong ito: tatlong ulit (3x) na mas malaki ang naiaambag ng mga nagpapautang na kompanya ng teknolohiya na gumagamit ng AI sa pagsasama sa pananalapi kaysa sa mga dati nang bangkong gumagamit ng mga kagamitan ng AI.

“Kapag tumaas nang isang standard deviation ang tindi ng pagpapautang na gumagamit ng AI sa FinTech, tataas nang tinatayang 13.8 percentage point ang FII—halos tatlong ulit ng epektong dulot ng kaparehong antas ng paggamit ng AI ng mga dati nang bangko.”

Kung gayon, tila hindi dahil sa pagpapababa ng AI sa mga gastos sa pagproseso para sa mga dati nang kliyente ng bangko napalalawak ang pagsasama sa pananalapi. Sa halip, ginagamit ng mga kompanyang FinTech ang AI upang maabot ang mga nanghihiram na hindi napaglilingkuran ng kumbensiyonal na sistema ng pagbabangko.

Kaayon ito ng pangkalahatang pananaw na ginagamit ng mga matatag nang bangko ang AI bilang depensa—upang mapanatili ang ugnayan sa mga dati nang kliyente—sa halip na palawakin ang negosyo sa pamamagitan ng pagpuntirya sa mga bagong segment.

Mas Malaki ba ang mga Panganib sa Ilang Bansa?

Natuklasan sa pag-aaral na hindi makabuluhang nauugnay sa mas mataas na sistemikong panganib ang paglawak ng pagsasama sa pananalapi sa pamamagitan ng pagpapautang na gumagamit ng AI sa mga kapaligirang mahina ang pangangasiwa. Kaya malamang na sa ganitong kalagayan magbubunga ng pinakamagandang resulta ang pagpapautang na gumagamit ng AI: mas malaking paglawak ng pagsasama sa pananalapi at mas mababang panganib.

Sa kabilang banda, mas katamtaman ang mga pakinabang ng pagpapautang na gumagamit ng AI sa pagsasama sa pananalapi sa mas maunlad na mga ekonomiya at sa mga kapaligirang mas mahigpit ang regulasyon sa pananalapi. Sa ganitong kalagayan, nagdudulot din ito ng maliit ngunit hindi maipagwawalang-bahalang pagtaas ng mga panganib. Malamang na dahil ito sa mga nanghihiram na lubhang nasa laylayan lamang ang tunay na hindi makakuha ng anumang uri ng pautang sa mga ekonomiyang ito.

“Halos lahat na ng nasa hustong gulang ay saklaw na ng pagsasama sa pananalapi, kaya kakaunti na lamang ang puwang upang mapalawak ng pagpapautang na gumagamit ng AI ang bilang ng mga nanghihiram na nagkakaroon ng akses.”

Gaya ng lahat ng uri ng pagpapautang, hindi sa karaniwang kalagayan ng merkado pinakamalaki ang mga panganib, kundi sa mga panahong matindi ang tensiyon sa sistemang pinansiyal. Kaya bagaman tila matatag ang awtomatikong pagpapautang sa mga panahong kalmado, nagdudulot ito ng mabilis at magkakatulad na pagbawas ng kapital kapag may krisis. Dahil dito, napakahalaga ng matitibay na panangga sa antas-makroprudensyal upang maiwasan ang pagbagsak ng sistemang pinansiyal at ang pagkataranta sa merkado.

Pag-iwas sa Regulasyon

Bahagyang higit na nakababahala sa mga natuklasan ng pag-aaral ang tendensiya ng mga kompanyang FinTech na gumagamit ng AI sa pagpapautang na umiwas sa mas mahihigpit na regulasyon, kabilang ang paggamit ng mga kompanyang pantabing.

“Sa rehiyon ng Asia-Pacific, nang tumaas ang higpit ng lokal na pangangasiwa mula ＋0.02 tungong ＋0.22, hindi bumagal ang mga kompanya. Sa halip, inilipat nila sa labas ng saklaw ng pangangasiwa ang kanilang mga operasyon, at dumami mula 2 tungong 11 ang mga kompanyang pantabing na subsidiary na nasa labas ng saklaw ng regulasyon. Kasabay nito, mahigit tatlong ulit ang itinaas nila sa paglilipat ng mga ari-arian patawid ng mga hangganan—mula 14.5% tungong 52.8%—na nagpasidhi sa mga alitang legal.”

Ipinakikita nito na nahihirapan ang mga lokal na regulasyon na ganap na pangasiwaan ang ganitong uri ng tagapagpautang. Sa halip, hinihikayat nito ang maliliksi at digital na tagapagpautang na paghiwa-hiwalayin ang kanilang mga negosyo at ilipat ang kapital sa mga teritoryong hindi nasusubaybayan.

Mga Dapat Isaalang-alang ng mga Mamumuhunan Tungkol sa Pagpapautang na Gumagamit ng AI

Pinagtitibay ng pag-aaral na ito ang mga naunang pag-aaral na nagpakitang pinalalawak ng pagpapautang na gumagamit ng AI ang pagsasama sa pananalapi. Halimbawa, dati nang alam na pinatataas ng algoritmikong pagsusuri sa mga aplikasyon ng pautang sa pabahay sa United States ang mga antas ng pag-apruba para sa mga nanghihiram na kabilang sa mga minorya, nang walang katumbas na pagtaas sa hindi pagbabayad. Kaayon ito ng paliwanag na naiiwan sila dahil sa diskriminasyon, sa halip na dahil sa pagtatasa ng panganib.

Ipinakikita naman ngayon ng pag-aaral na makikita ang epektong ito sa halos lahat ng rehiyon at uri ng ekonomiya. Sinusuportahan din nito ang pagkakaroon ng tuwirang ugnayang sanhi at bunga sa pagitan ng paglawak ng pagpapautang na gumagamit ng AI at ng mas mabuti at mas patas na akses sa kapital. Lalong malakas ang epektong ito sa mga rehiyong kulang ang pagsasama sa pananalapi at/o mahina ang pangangasiwa.

Kasabay nito, natuklasan din sa pag-aaral na karaniwan sa mga maunlad na ekonomiya ang mas mataas na panganib at mas kakaunting pakinabang.

Maaaring nangangahulugan ito na bagaman pinalawak ng pagpapautang gamit ang AI ang access sa kapital noong una, sa mga frontier market matatagpuan ang pinakamalaking pakinabang at pinakamababang panganib. Gayunman, may kaakibat itong babala: likas na mas mapanganib ang mga pamilihang ito kaysa sa mga maunlad na ekonomiya, anuman ang kalidad ng bawat kompanyang nagpapautang gamit ang AI.

Panghuli, mukhang mabilis samantalahin ng mga kompanya ng teknolohiyang pinansyal ang pagkakaiba-iba ng mga rehiyon upang umiwas sa mas mahihigpit na regulasyon. Maaari itong magdulot ng panganib sa pangmatagalan, dahil maaaring maapektuhan ang mga tubo ng mas mahusay na koordinasyon ng mga rehiyon o mas mahigpit na pagtugon ng mga regulator. Maaari pa itong humantong sa mga kasong legal laban sa mga kompanyang ito—isang panganib na dapat isaalang-alang ng kanilang mga shareholder.

Sa kabuuan, dapat suriin ng mga mamumuhunan sa mga kompanyang teknolohiyang pinansyal na gumagamit ng AI sa pagpapautang kung kaya ng mga platapormang ito na palawakin ang access sa paraang napapanatili, kasabay ng paglago ng kanilang pagpapautang.

Kung sapat ang dami ng mga taong hindi natutugunan nang maayos ng kasalukuyang industriya ng pananalapi, malamang na malaki ang maitutulong sa kanila ng pagpapautang gamit ang AI, at malaki rin ang potensyal na mapaglilingkurang merkado.

Kung napakaliit naman ng grupong ito, maaaring magdulot ng mga panganib na hindi agad nakikita para sa mga shareholder ng kompanya sa pangmatagalan ang mas mataas na panganib ng hindi pagbabayad kapag may krisis sa merkado, o ang paggamit ng mga paraang tumatawid sa hurisdiksiyon at kapantay din ng panganib upang makaiwas sa mga regulasyon.

Pamumuhunan sa Pagpapautang na Pinapatakbo ng AI

Upstart Holdings

Habang nagbabago ang pagpapautang at mga credit score, may mga bagong kompanyang umuusbong upang mag-alok ng mas mahusay na alternatibo sa tradisyonal na mga credit score at paraan ng pagpapautang. Isa sa mga ito ang Upstart, isang pamilihan ng pagpapautang na pinapatakbo ng AI. Inilunsad ito noong 2012, bago pa naging sentro ng usapang teknolohiya ang AI.

Nagsimula ang Upstart sa paniniwalang hindi episyente at lipas na ang umiiral na sistema ng credit score. Dahil mas marami nang datos, dapat maging posible na mas mahusay na matukoy ang mga panganib sa pautang at, dahil dito, makapag-alok ng mas murang pautang sa malaking bahagi ng populasyon.

“Mas tumpak nang malaki ang aming modelo para sa personal na pautang kaysa sa tradisyonal na modelo ng kredito sa pagtatasa ng panganib ng mga nanghihiram. Naniniwala kaming marami pang taon ng pagpapahusay sa pagmomodelo ang naghihintay.”

Dahil maaga itong nagsimula, nagkaroon ang kompanya ng napakaraming datos na magagamit sa pagsasanay ng sarili nitong AI at sa pagsasamantala sa kamakailang pag-unlad sa mga pamamaraan ng pagsasanay sa AI.

Pinagmulan: Upstart

Nangangahulugan ito na natutukoy ng pamamaraan ng Upstart ang mga taong mataas ang FICO score ngunit, sa aktuwal, mataas ang panganib na hindi mabayaran ang kanilang mga pautang. Sa kabilang banda, hindi naman ganoon kataas ang posibilidad na hindi magbayad ng mga taong mababa ang FICO score.

Sa paggamit ng AI at datos, nakakamit ng Upstart ang pambihirang resulta para sa isang partikular na grupo. Halimbawa, maaari itong mag-alok ng mas maraming pautang nang hindi nadaragdagan ang antas ng panganib—tumaas ang porsiyento ng mga inaprobahang aplikasyon mula 27% tungong 67%. Maaari rin nitong lubhang bawasan ang mga pagkalugi: bumaba ang porsiyento ng hindi pagbabayad mula 9% tungong 5%, o halos kalahati ng dating antas.

Pinagmulan: Upstart

Bukod dito, dahil algorithm ang ginagamit sa halip na opisyal ng pautang, awtomatiko ang proseso. Mas mura itong patakbuhin, at mas mabilis at mas maginhawa ring mag-aplay ng pautang.

Iniuugnay ng pamilihan ng Upstart ang mga nanghihiram sa mga bangko, kooperatiba ng kredito at mga institusyonal na tagapaglaan ng kapital. Iniulat nitong binili ng mga institusyonal na mamumuhunan ang 64% ng prinsipal ng mga pautang na nagmula sa pamilihan nito noong 2025.

Napakalaki ng merkadong pinaglilingkuran ng Upstart: umaabot sa $25T bawat taon sa buong mundo ang halagang ipinahihiram sa pamamagitan ng pagpapautang. Sa halagang ito, hanggang $1T ang posibleng kitain ng mga platapormang nagmumula at nagseserbisyo ng mga pautang na iyon.

Noong 2025, nagmula sa kompanya ang 1.5 milyong pautang (tumaas nang 115% kumpara sa nakaraang taon), na nagkakahalaga ng $11B sa kabuuan (tumaas nang 86% kumpara sa nakaraang taon). Umabot naman sa $1B ang kabuuang kita ng kompanya (tumaas nang 64% kumpara sa nakaraang taon). Mabilis ding lumalago ang kompanya sa mga bagong segment. Halimbawa, lumaki nang 5x ang mga pautang sa sasakyan na pinasimulan nito—mula $45M noong Q4 2024 tungong $263M noong Q1 2026—at lumaki nang 6x ang mga pautang sa bahay na pinasimulan nito—mula $27M noong Q4 2024 tungong $143M noong Q1 2026.

Kaya kahit malaki na ang kasalukuyang bilang ng mga pautang, napakaliit pa rin nito kung ihahambing sa buong potensyal ng mga makabagong pamamaraan sa pagtatasa ng credit score at pagsusuri ng pautang gamit ang AI.

Pinagmulan: Upstart

Malalaking positibong palatandaan para sa kinabukasan ng Upstart ang mga kamakailang bilang ng paglago nito at ang pagkakatatag dito bilang kompanyang inuuna ang AI. Gayunman, hindi talaga ginantimpalaan ng pagtaas ng presyo ng stock ang tagumpay na ito: nananatili ang presyo sa antas noong 2022 at malayong mababa sa pinakamataas nito noong 2021, sa panahon ng pandemya.

Bahagi ng dahilan nito ang ilang panganib sa modelo ng negosyo ng Upstart.

Una, maaaring humina ang bisa ng modelo nito kapag lumihis ang mga kalagayang pang-ekonomiya sa mga datos na ginamit sa pagsasanay, at maaaring hindi mapansin ng AI nito ang mga bagong kalakaran.

Isa pang usapin ang tumitinding panggigipit ng mga regulator na gawing maipapaliwanag at patas ang mga sistema, at mag-ulat tungkol sa pagganap ng mga ito sa iba’t ibang demograpikong grupo. Kahit hindi sinasadya, maaari kasing maibalik ng AI ang mga gawaing may diskriminasyon na dati nang ipinagbawal sa industriya ng pananalapi.

Panghuli, nakasalalay pa rin ang kompanya sa patuloy na pagkakaroon ng pondo mula sa mga institusyon sa iba’t ibang siklo ng kredito. Lalong lumilitaw ang mga palatandaan ng tensiyon sa sistemang pinansyal, sa gitna ng mataas na antas ng pagkakautang at maigting na kalagayang geopolitikal.

Gayunman, nasa mainam na posisyon ang Upstart upang maging mahalagang pamilihan para sa pagpapautang na pinapagana ng AI at tagapagbigay ng imprastraktura para sa pagsusuri ng mga aplikasyon sa pautang—isang kinakailangang hakbang sa ebolusyon mula sa mga inisyatiba ng mga unang FinTech at P2P network na magtaguyod ng mga bagong gawi sa pagpapautang.

Maaaring naisin din ng mga mamumuhunan na magkaroon nang maaga ng puhunan sa isang kumpanyang lubusang nagbabago sa paraan ng pagsusuri ng mga aplikasyon sa pautang.

Pinakabagong Balita at mga Pag-unlad tungkol sa Stock ng Upstart Holdings (UPST)

Sanggunian sa Pag-aaral

^{1. Podong Song, Shutong Wu, Janson Partab. Artipisyal na intelihensiya sa mga pamilihan ng kredito: Pagpapautang na gumagamit ng mga algorithm, inklusyong pinansyal, at pag-iwas sa regulasyon. International Review of Economics & Finance. Disyembre 2026. Artikulo: 105937. Tomo 112. 10.1016/j.iref.2026.105937}