Fintech Balita

Bakit Kailangan ng mga AI Lending Model Higit Pa sa Tamang Credit Scores

mm
Na-publish
Na-update
Idagdag ang Securities.io sa mga gusto mong mapagkunan sa Google

Mula sa Arbitraryong Desisyon Patungo sa Score ng Credit

Kapag nagpapautang ng pera, palaging kailangang mag-alala ang mga bangko at iba pang institusyong pinansyal tungkol sa posibilidad na hindi makabayad ang mga nanghiram. Ito ang dahilan kung bakit maraming pautang ay sinisiguro ng mga asset tulad ng real estate o mga asset ng negosyo na maaaring kumpiskahin ng bangko kung hindi nababayaran ang mga hulog. Gayunpaman, ang desisyon ay nasa kamay ng mga tauhan ng bangko, na nagtatakda kung ipagkakaloob ang pautang.

Sa paglipas ng panahon, ang indibidwal na desisyon ng isang empleyado ng bangko ay pinalitan ng lalong sopistikadong mga filter batay sa mga internal na modelo ng panganib at mga matematikal na pormula, na nagiging mas standardisado at mas kaunti ang pagiging arbitraryo.

“Bahagi ng trabaho ng credit manager ay subukang maghinuha tungkol sa personalidad ng tao, kung siya ay tila organisado, mature, at responsable. Maaaring tanggihan ng credit manager ang isang aplikante kung pinaghihinalaan niyang siya ay isang alkoholiko, o para sa mas halatang diskriminatoryong kadahilanan na may kinalaman sa lahi, kasarian, o, para sa mga babaeng nanghihiram, ang kanilang katayuang sibil.” Josh Lauer – Propesor sa University of New Hampshire at may-akda ng aklat na “Creditworthy.”

Gayunpaman, umabot hanggang 1958 bago inilunsad ng FICO, na itinatag nina Engineer Bill Fair at mathematician Earl Isaac, ang modernong standardisadong credit score. At noong 1989, inilunsad ng kumpanya ang unang pangkalahatang layunin, pambansang credit score, na may saklaw mula 300 hanggang 850, na mabilis na naging pambansang pamantayan sa pagpapautang sa US.

Ang mga Limitasyon ng Score ng Credit

Ang modernong credit score ay batay sa limang magkakaibang kategorya ng data:

  • Kasaysayan ng pagbabayad (35%).
  • Halaga na pag-aari (30%).
  • Haba ng kasaysayan ng credit (15%).
  • Bagong credit at mga inquiry (10%).
  • Halo ng credit (10%).

Ang metodong ito ay nagpadama ng mas objektibo at patas na pagtatantiya ng kredibilidad kumpara sa dating pamamaraan. Ngunit siyempre, may mga limitasyon ito.

Halimbawa, hindi nito kinikilala ang anumang impormasyon tungkol sa pag-uugali ng indibidwal na hindi kaugnay ng nakaraang at kasalukuyang utang. Hindi rin nito isinasaalang-alang ang impormasyon tulad ng lugar ng tirahan, kita, sektor ng trabaho, mga pag-aari, atbp.

Ang modernong credit score ay nakabatay din sa palagay na ang mga bangko ay nagbibigay ng pautang sa mga indibidwal. Ngunit ang mga modernong peer-to-peer (P2P) na sistema ng pautang at iba pang mga serbisyong pinansyal ng FinTech ay gumagana nang iba.

Kasabay nito, ang pag-unlad ng AI ay nagbigay-daan upang maisama ang kumplikado at magkakaibang data sa isang magkakaugnay na modelo ng desisyon. Kaya hindi nakakagulat na mabilis na umuunlad ang AI sa pagpapabuti ng mga modelo na nagtatantiya ng default ng pautang para sa bagong henerasyon ng mga digital na nagpapautang.

Isang bagong pag-aaral ng dalawang mananaliksik mula sa University of Agder sa Norway ang nagsuri ng pamamahala ng credit risk sa mga peer-to-peer lending platform. Natuklasan nila na ang pananaliksik ay nahahati sa dalawang kampo: isa na nakatuon sa pagpapabuti ng prediksyon ng default sa pamamagitan ng machine learning, at isa pa na nakatuon sa pag-unawa kung bakit nagde-default ang mga nanghihiram. Gayunpaman, parehong pamamaraan ay limitado ng lumang mga dataset, hindi pare-parehong mga depinisyon, at limitadong saklaw ng heograpiya.

The researchers published their findings in Technological Forecast, Social Change1, under the title “Pamamahala ng credit risk sa mga peer-to-peer lending platform: Isang sistematikong pagsusuri ng literatura”.

Ang Pag-angat at mga Hamon ng P2P Lending

Mabilis na Paglago, Bagong Panganib

Ang pangunahing konsepto ng P2P lending ay sumasaklaw sa disintermediation, kung saan ang mga platform ay gumaganap bilang mga pamilihan sa halip na mga entidad na may panganib, na nagpapadali ng direktang pagtutugma ng suplay at demand para sa pondo. Maraming bagong kumpanya ng FinTech ang nangunguna sa pagbuo ng mga pamilihang ito, pati na rin ang mga protocol ng P2P lending na gumagamit ng blockchain upang ganap na iwasan ang pangangailangan ng isang sentralisadong tagapagpahiram, kasabay ng iba pang mga teknolohiyang DeFi (decentralized finance).

Ang P2P lending ay tinatayang may laki ng merkado na $215B sa 2026, at inaasahang lalaki ng 21.9% CAGR hanggang 2033, kung saan ang karamihan ng pautang ay ibinibigay ng mga indibidwal na mamumuhunan.

Gayunpaman, ito ay isang napakabagong sektor at patuloy na kulang sa regulasyon, na may mga panganib mula sa maling pagtatantiya ng tunay na panganib ng default hanggang sa ganap na pandaraya.

Pagsusuri sa Literatura ng P2P

Natukoy ng mga mananaliksik ang kabuuang 433 na pag-aaral na may kaugnayan sa kanilang pagsusuri tungkol sa P2P lending at pamamahala ng credit risk, kung saan 280 ang masusing sinuri nang mas malalim.

Nagsimulang umigting nang husto ang mga siyentipikong pag-aaral sa paksa noong 2014 at umabot sa isang plateau noong 2020. Sa heograpikal na aspeto, karamihan sa mga mananaliksik sa larangang ito ay nagmula sa China, USA, India, at Indonesia, kung saan ang China ay naglathala ng 39% ng kabuuang mga publikasyon.

Karamihan sa patuloy na pananaliksik ay nakatuon sa P2P lending sa pangkalahatan, credit risks, at mga teknolohiyang may kaugnayan sa AI tulad ng machine learning. Maraming pag-aaral ang sinusuri ang papel ng parehong malambot na impormasyon (social networks) at matigas na impormasyon (interest rates) sa pag-predict ng mga default.

Ang pinakakaraniwang paksa ng mga papel ay ang pagsusuri ng predictive accuracy sa pamamagitan ng pag-aapply ng iba’t ibang machine learning models, kasama ang mga konsiderasyon sa data, variable, at antas ng modelo.

Ang pangalawang pinakakaraniwang paksa ay ang pagtukoy sa mga salik na nagtatakda ng posibilidad ng default at kalubhaan ng default.

Ang ibang pag-aaral ay nagmumungkahi ng mga bagong sistema ng pamamahala ng credit risk o tinatalakay kung ano ang nananatiling kulang sa pananaliksik.

P2P Lending at AI

Paghahanap ng mga Bagong Salik ng Panganib

Dahil ang P2P lending ay hindi lamang umaasa sa tradisyonal na credit scores, ginagamit ang machine learning at, kamakailan, iba pang teknolohiyang AI upang mas tumpak na matukoy ang mga panganib ng default.

Halimbawa, ginamit ang fuzzy cognitive maps na nakabatay sa mga soft computing approach at teorya ng neural network upang lumikha ng modelo para sa pagtatasa ng credit risk.

Anuman ang partikular na pamamaraan, madalas ipinapakita ng mga pag-aaral na ang machine learning ay mas mahusay kaysa sa tradisyonal na mga credit scoring method pagdating sa katumpakan.

Pangkalahatan, lumalabas na ang mga credit scores ng mga nanghihiram, edukasyon, katayuang sibil, at titulo ng trabaho ay karaniwang indikasyon ng kredibilidad ng mga nanghihiram.

Isa pang salik, batay sa “social capital theory”, ay makakatulong din: ang pagiging kasapi sa isang tiyak na social network ay maaaring maging salik sa pagtukoy ng mga indibidwal na mas mababang posibilidad na mag-default sa kanilang mga pautang.

Nakita ng mga mananaliksik ang U-shaped na kontribusyon ng edad sa isang pag-aaral, na nagpapakita na ang mga aplikanteng nasa gitnang edad (higit sa 45) ay may mas mataas na panganib ng default dahil sa mas mabigat na pasanin pang-ekonomiya mula sa pagsuporta sa kanilang mga anak at retiradong magulang.

Nakitaan din nila na ang mga babaeng nanghihiram ay sinisingil ng mas mataas na interest rates, kahit na ang kanilang mga rate ng default ay mas mababa nang malaki kumpara sa mga lalaking nanghihiram.

Hindi nakakagulat, mas pinapaboran ang mas mahabang kasaysayan ng trabaho, mas mataas na kita, at mas mababang debt ratio.

Ang pagmamay-ari ng ari-arian, kabilang ang mga bahay at kotse, ay nagpapalakas din ng kakayahan ng mga nanghihiram na magbayad, samantalang ang mga paupahan at hindi pa nababayarang pautang sa kotse ay nagpapahina nito.

Nakitaan din nila na ang mga “soft” na sukatan ay maaaring maging predictive, bagaman hindi kinakailangang magamit ng mga P2P lending platform.

“Sinubukan ng isang pag-aaral na tuklasin ang karakter ng mga nanghihiram, na nagpapakita na mas mataas ang posibilidad ng default sa mga estudyanteng nahuhuli sa pagbabalik ng mga libro sa aklatan ng unibersidad at nabigo sa mas mataas na proporsyon ng mga kurso na kanilang kinuha.”

Sa kabuuan, natuklasan ng pag-aaral na ang pinakamahalagang mga salik na dapat isaalang-alang ay:

  • Sa antas ng nanghihiram:
    • Demograpiko.
    • Pagganap sa pananalapi.
    • Kakayahang magbayad.
    • Score ng credit.
    • Social capital.
    • Mga indikador ng sikolohikal.
    • Antas ng pautang (halaga, panahon ng pagbabayad, layunin, pagpapatunay, at haba ng paglalarawan).
  • Sa antas ng nagpapautang:
    • Mga indikador ng demograpiko.
    • Pagkakagaya.
  • Sa antas ng platform:
    • Espesyal na aksyon sa koleksyon.
    • Mga rehimen ng presyo.
  • Sa antas ng macro:
    • Regulasyon.
    • Pag-unlad ng ekonomiya.
    • Pagkakatrabaho.
    • Pambansang kultura.
    • Mga panahon ng krisis.

Pagsusuri ng Black Box

Isang paulit-ulit na isyu sa AI ay ang paglikha ng mga neural network at machine learning ng tinatawag na mga “black box” na sistema, kung saan ang mga dahilan ng isang resulta ay hindi malinaw kahit sa mga developer ng sistema, at lalo pang hindi sa mga susunod na operator.

Maaari itong maging seryosong isyu para sa P2P lending na gumagamit ng AI.

Una, ito ay lumilikha ng seryosong panganib ng maling pagkalkula ng panganib ng default, nang walang paraan upang matukoy ang problema sa oras.

Pangalawa, maaari itong magdulot ng seryosong panganib sa regulasyon, dahil marami sa mga katangian ng isang indibidwal tulad ng lahi o kasarian ay karaniwang itinuturing na diskriminatoryo at ilegal na isama sa proseso ng pagdedesisyon kung papayagan ang pautang o hindi.

Pagbuo ng AI Credit Score

Ang pagbuo ng AI credit score ay nangangailangan ng paggamit ng tamang dataset para sa pagsasanay ng AI.

Ipinapahayag ng mga mananaliksik na ang karamihan ng AI evaluation ng kredibilidad ay dapat magsama ng maraming time frame. Ang maikling time frame (<30 araw) ay tumutulong sa pagtukoy ng mga maagang babala, habang ang mahabang time frame (120 araw o higit pa) ay nagbibigay ng mas malinaw na larawan ng pangkalahatang resulta ng pagpapautang.

Ang recovery, o ang posibilidad ng pagbabayad ng mga overdue na halaga kapag naganap ang default, ay mahalagang data din.

Panghuli, ang perpektong AI system ay dapat patuloy na mag-adjust sa nagbabagong kondisyon ng ekonomiya at ipakita na ang underwriting nito ay nananatiling maaasahan kahit lampas sa mga historikal na dataset na pinagbasehan ng pagsasanay.

Pangkalahatan, itinuturo ng pag-aaral ang direksyon ng “perpektong” AI-driven credit score na isama hangga’t maaari ang maraming kaugnay na variable, kabilang ang estruktura ng pautang, patakaran ng platform, pag-uugali ng mamumuhunan, kondisyon ng trabaho, regulasyon, at mga shock sa macroekonomiya. Gayunpaman, ang paggawa ng prosesong ito na transparent at patas ay maaaring maging malaking hamon sa maraming kasalukuyang teknolohiya at pamamaraan ng pagsasanay ng AI.

Pamumuhunan sa AI Credit Score

Upstart Holdings, Inc

Habang umuunlad ang pagpapautang at mga credit score, lumilitaw ang mga bagong kumpanya upang magbigay ng mas mahusay na alternatibo sa tradisyonal na mga credit score at mga kasanayan sa pagpapautang.

Isa sa mga ito ay ang Upstart (UPST ), isang lending marketplace na pinapagana ng AI, na inilunsad noong 2012, bago pa man naging sentro ng usapan sa teknolohiya ang AI.

UPST Tsart ng Presyo

Ang ideya sa likod ng Upstart ay ang kasalukuyang sistema ng credit score ay hindi epektibo at lipas na. Sa dami ng data na magagamit, dapat na posible na mas mahusay na matukoy ang mga panganib ng pautang at, bilang resulta, magbigay ng mas murang pautang sa malaking bahagi ng populasyon.

“Mas makabuluhang tumpak ang aming personal loan model kumpara sa tradisyonal na credit model sa pagsusuri ng panganib ng nanghihiram. Naniniwala kami na maraming taon ng pagpapabuti sa pagmomodelo ang naghihintay.”

Ang maagang pagsisimula na ito ay nagbigay sa kumpanya ng saganang pinagmulan ng data na magagamit upang sanayin ang sarili nitong AI at samantalahin ang kamakailang pag-unlad sa mga pamamaraan ng pagsasanay ng AI.

Pinagmulan: Upstart

Ibig sabihin, ang pamamaraan ng Upstart ay maaaring tukuyin ang mga taong may mataas na FICO scores ngunit, sa praktika, may mataas na panganib na mag-default sa kanilang mga pautang. At kabaligtaran, ang mga taong may mababang FICO scores ay hindi gaanong malamang na mag-default.

Kaya sa paggamit ng AI at data, maaaring makamit ng Upstart ang kahanga-hangang resulta para sa isang tiyak na cohort. Halimbawa, maaari itong mag-alok ng mas maraming pautang para sa parehong antas ng panganib, tumaas mula 27% na rate ng pag-apruba hanggang 67%. O maaari nitong mabawasan nang malaki ang mga pagkalugi, mula 9% hanggang 5% na rate ng default, halos kalahati.

Pinagmulan: Upstart

Dagdag pa, ang paggamit ng algorithm sa halip na loan officer ay nangangahulugang awtomatiko ang proseso. Mas mura ito at mas mabilis at maginhawa para sa mga aplikante ng pautang.

Ang marketplace ng Upstart ay nag-uugnay sa mga nanghihiram sa mga bangko, credit union, at institusyunal na kapital. Iniulat nito na ang mga institusyunal na mamumuhunan ay bumili ng 64% ng prinsipal na nabuong sa pamamagitan ng marketplace nito noong 2025.

Ang Upstart ay nagsisilbi sa isang lubos na napakalaking merkado, na may $25T na credit na nalilikha bawat taon sa buong mundo. Mula sa halagang ito, hanggang $1T na kita ay magagamit ng mga platform na lumilikha at naglilingkod sa credit na iyon.

Noong 2025, ang kumpanya ay nag-originate ng 1.5 milyong pautang (tumaas ng 115% taon-taon), na may kabuuang $11B (tumaas ng 86% taon-taon), at kabuuang kita ng kumpanya na $1B (tumaas ng 64% taon-taon). Ang kumpanya ay mabilis ding lumalago sa mga bagong segment, halimbawa, ang pag-originate ng auto loan ay lumago ng 5 beses (mula $45M sa Q4 2024 hanggang $263M sa Q1 2026), at ang pag-originate ng home loan ay lumago ng 6 beses (mula $27M sa Q4 2024 hanggang $143M sa Q1 2026).

Kaya kahit na malaki, ang mga numerong ito ay maliit kumpara sa kabuuang potensyal ng mga advanced na pamamaraan ng credit score at AI-driven na pagtatasa ng pautang.

Pinagmulan: Upstart

Ang kamakailang mga numero ng paglago at ang pagiging AI-first na kumpanya ay malalakas na positibo para sa hinaharap ng Upstart, kahit na ang presyo ng stock ay hindi talaga nagbigay gantimpala sa tagumpay na ito, na nananatili sa parehong antas noong 2022, at malayo sa tuktok nito noong 2021 sa panahon ng pandemya.

Sa bahagi, ito ay dahil may ilang panganib din sa business model ng Upstart.

Una, maaaring masira ang modelo nito, dahil ang mga kondisyon ng ekonomiya ay lumalampas sa training data at maaaring mapalampas ng AI nito ang mga bagong trend.

Ibang isyu ay ang pagtaas ng presyur mula sa regulasyon para sa explainability, fairness, at ulat ng performance batay sa demograpiko, dahil kahit na hindi sinasadya, maaaring ibalik ng AI ang mga diskriminatoryong praktis na dati nang ipinagbawal sa industriya ng pananalapi.

Panghuli, ang kumpanya ay nananatiling nakadepende sa pagkakaroon ng institusyunal na pondo sa buong credit cycles, na may mga palatandaan ng stress sa sistemang pinansyal dahil sa mataas na antas ng utang at tensyonadong sitwasyong geopolitikal.

Gayunpaman, ang Upstart ay nasa tamang posisyon upang maging isang pangunahing AI lending marketplace at tagapagbigay ng underwriting infrastructure, isang kinakailangang pag-unlad mula sa unang FinTech at P2P network na nagtaguyod ng mga bagong praktis sa pagpapautang.

At maaaring nais ng mga mamumuhunan na magkaroon ng exposure sa isang kumpanya na radikal na binago kung paano isinasagawa ang loan underwriting mula pa noong unang yugto.

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

Pag-aaral na Binanggit

1. Fengya Zhu at Rotem Shneor. Pamamahala ng credit risk sa mga peer-to-peer lending platform: Isang sistematikong pagsusuri ng literatura. Technological Forecast, Social Change. Nobyembre 2026. Artikulo: 124831. Volume 232. 10.1016/j.techfore.2026.124831

discriminatory at ilegal na isama sa proseso ng pagdedesisyon sa paggrant ng pautang o hindi. Pagbuo ng AI Credit Score Ang pagbuo ng AI credit score ay nangangailangan ng paggamit ng tamang dataset para sa pagsasanay ng AI. Ipinapahayag ng mga mananaliksik na ang karamihan ng AI evaluation ng kredibilidad ay dapat magsama ng maraming time frame. Maikling time frame (

mm

Jonathan ay isang dating mananaliksik sa biochemistry na nagtrabaho sa genetic analysis at clinical trials. Ngayon, siya ay isang stock analyst at finance writer na may pagtuon sa innovation, market cycles, at geopolitics sa kanyang publication The Eurasian Century.