Fintech Haberleri
Neden AI Kredi Modelleri Doğru Kredi Skorlarından Daha Fazlasına İhtiyaç Duyar
Securities.io sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Keyfi Kararlardan Kredi Skorlarına
Para verirken, bankalar ve diğer finans kurumları her zaman borçluların geri ödeyememe riskini düşünmek zorundaydı. Bu yüzden birçok kredi, banka geri ödemeler yapılmadığında el koyabileceği gayrimenkul veya işletme varlıkları gibi teminatlarla desteklenir. Yine de karar, krediyi verme konusunda karar veren banka personelinin elindeydi.
Zamanla, bir banka çalışanının bireysel kararı, iç risk modelleri ve matematiksel formüllere dayalı giderek daha karmaşık filtrelerle değiştirildi; bu da süreci daha standart ve daha az keyfi hâle getirdi.
“Kredi yöneticisinin işinin bir kısmı, kişinin kişiliği hakkında, düzenli, olgun ve sorumlu görünüp görünmediği konusunda çıkarımlar yapmaya çalışmaktı. Bir kredi yöneticisi, bir başvuru sahibinin alkol bağımlısı olduğunu düşündüğünde ya da birinin ırkı, cinsiyeti ya da kadın borçlular için medeni durumu gibi daha bariz ayrımcı nedenlerle reddedebilirdi.”
Josh Lauer – New Hampshire Üniversitesi’nde Profesör ve “Creditworthy” kitabının yazarı.
Ancak, mühendis Bill Fair ve matematikçi Earl Isaac tarafından kurulan FICO’nun modern standart kredi skorunu tanıtması 1958 yılına kadar sürdü. 1989’da şirket, 300 ile 850 arasında değişen ilk genel amaçlı, ülke çapında kredi skorunu piyasaya sürdü; bu skor hızla ABD’nin ulusal kredi verme standardı haline geldi.
Kredi Skorunun Sınırları
Modern bir kredi skoru beş ayrı veri kategorisine dayanır:
- Ödeme geçmişi ( %35 ).
- Sahip olunan miktar ( %30 ).
- Kredi geçmişinin uzunluğu ( %15 ).
- Yeni kredi ve sorgulamalar ( %10 ).
- Kredi karışımı ( %10 ).
Bu yöntem, kredi değerliliğinin tahminini önceki yönteme göre çok daha nesnel ve adil hâle getirdi. Ancak elbette, sınırlamaları da vardır.
Örneğin, bireyin geçmiş ve mevcut borçlarla ilgili olmayan davranışları hakkında hiçbir bilgi içermez. Ayrıca ikamet yeri, gelir, istihdam sektörü, sahip olunan varlıklar gibi bilgileri de dikkate almaz.
Modern bir kredi skoru, bankaların bireylere kredi verdiği varsayımına dayanarak oluşturulur. Ancak modern eşler arası (P2P) kredi sistemleri ve diğer FinTech finans hizmetleri farklı çalışır.
Paralel olarak, AI’daki ilerlemeler, karmaşık ve farklı verileri bütünleşik bir karar modeline entegre etmeyi mümkün kıldı. Bu yüzden, AI’nın dijital kredi veren yeni nesil için kredi temerrütünü tahmin eden modelleri geliştirmede hızlı bir ilerleme kaydetmesi şaşırtıcı değil.
Norveç’teki Agder Üniversitesi’nden iki araştırmacının yeni bir çalışması, eşler arası kredi platformları üzerindeki kredi risk yönetimini inceledi. Araştırmanın büyük ölçüde iki kampa bölündüğünü buldular: biri makine öğrenimiyle temerrüt tahminini iyileştirmeye odaklanırken, diğeri borçluların neden temerrüde düştüğünü anlamaya odaklanıyor. Ancak her iki yaklaşım da eski veri setleri, tutarsız tanımlar ve sınırlı coğrafi kapsama alanı gibi kısıtlamalarla karşı karşıya.
Araştırmacılar bulgularını Technological Forecast, Social Change1 dergisinde “Eşler arası kredi platformlarında kredi risk yönetimi: Sistematik bir literatür incelemesi” başlığıyla yayınladılar.
P2P Kredi Yükselişi ve Zorlukları
Hızlı Büyüme, Yeni Riskler
P2P kredinin temel kavramı, platformların risk taşıyan kuruluşlar yerine pazar yeri olarak işlev görerek fon arz ve talebinin doğrudan eşleşmesini sağlamasıdır. Birçok yeni FinTech şirketi bu piyasaları geliştirmede öncülük ederken, aynı zamanda blokzincir kullanan P2P kredi protokolleri, merkezi bir kredi sağlayıcıya tamamen ihtiyaç duymamayı sağlıyor ve diğer DeFi (merkeziyetsiz finans) teknolojileriyle birlikte çalışıyor.
P2P kredinin 2026’da 215 milyar dolar pazar büyüklüğüne ulaşması tahmin ediliyor ve 2033’e kadar yıllık %21,9 bileşik büyüme oranıyla (CAGR) büyümesi bekleniyor; kredilerin büyük çoğunluğu bireysel yatırımcılar tarafından sağlanıyor.
Kaynak: Coherent Marketing Insights
Bununla birlikte, bu çok yeni bir sektör ve hâlâ yetersiz düzenlenmiş durumda; riskler gerçek temerrüt risklerinin kötü tahmininden açıkça dolandırıcılığa kadar değişiyor.
P2P Literatürünün Analizi
Araştırmacılar, P2P kredisi ve kredi risk yönetimiyle ilgili analizleri için toplam 433 çalışma belirledi; bunların 280’i daha derinlemesine incelendi.
Konu üzerindeki bilimsel çalışmalar 2014’te gerçekten artmaya başladı ve 2020’de bir plato seviyesine ulaştı. Coğrafi olarak, alandaki araştırmacıların çoğu Çin, ABD, Hindistan ve Endonezya’dan; Çin toplam yayınların %39’unu yayımlamış.
Devam eden araştırmaların çoğu genel olarak P2P kredisine, kredi risklerine ve makine öğrenimi gibi AI ile ilgili teknolojilere odaklanıyor. Bu çalışmaların birçoğu, temerrüt tahmininde hem yumuşak bilgi (sosyal ağlar) hem de sert bilgi (faiz oranları) rollerini inceliyor.
En yaygın makale konusu, çeşitli makine öğrenimi modelleri uygulayarak tahmin doğruluğunu değerlendirmek; buna veri, değişken ve model düzeyinde değerlendirmeler eşlik ediyor.
İkinci en yaygın konu, temerrüt olasılığının ve temerrüt şiddetinin belirleyicilerini tespit etmektir.
Diğer çalışmalar, yeni kredi risk yönetim sistemleri önermekte ya da hâlâ yeterince araştırılmamış konuları tartışmaktadır.
P2P Kredi ve AI
Yeni Risk Faktörlerini Bulmak
P2P kredisi yalnızca geleneksel kredi skorlarına dayanmadığı için, makine öğrenimi ve daha yakın zamanda diğer AI teknolojileri, temerrüt risklerini daha doğru bir şekilde belirlemek için kullanılıyor.
Örneğin, yumuşak bilişim yaklaşımları ve sinir ağı teorisine dayanan bulanık bilişsel haritalar, kredi risk değerlendirmesi modeli oluşturmak için kullanıldı.
Özel yönteme bakılmaksızın, çalışmalar genellikle makine öğreniminin doğruluk açısından geleneksel kredi skorlama yöntemlerinden daha üstün olduğunu gösteriyor.
Genel olarak, bireysel olarak, borçluların kredi skorları, eğitim, medeni durum ve iş unvanları, borçluların kredi değerliliğinin tipik göstergeleri gibi görünüyor.
“Sosyal sermaye teorisi”ne dayanan bir başka faktör de yardımcı olabilir: belirli bir sosyal ağa üyelik, bireylerin kredilerini temerrüde düşürme olasılığını belirlemede belirleyici bir faktör olabilir.
Araştırmacılar bir çalışmada yaşa göre U şeklinde bir katkı buldular; orta yaşlı başvuru sahiplerinin (45 üzeri) hem çocuklarını hem de emekli ebeveynlerini destekleme yükünden dolayı daha yüksek temerrüt riski taşıdığını gösterdi.
Ayrıca, kadın borçluların temerrüt oranları erkek borçlulara göre önemli ölçüde düşük olmasına rağmen daha yüksek faiz oranlarıyla karşılaştığını buldular.
Şaşırtıcı olmayan bir şekilde, daha uzun istihdam geçmişi, daha yüksek gelir ve daha düşük borç oranı tercih ediliyor.
Ev ve araba gibi mülk sahipliği, borçluların geri ödeme yeteneğini artırırken, kiralar ve mevcut araba kredileri bunu zayıflatıyor.
Ayrıca, “yumuşak” ölçütlerin öngörücü olabileceğini, ancak P2P kredi platformları tarafından mutlaka eyleme geçirilebilir olmayabileceğini buldular.
“Bir çalışma, borçluların karakterine dokunmaya çalıştı ve temerrütün, üniversite kütüphanesine kitap iade etmeyi geciktiren ve aldıkları derslerin daha yüksek bir oranını geçemeyen öğrenciler arasında daha olası olduğunu gösterdi.”
Toplamda, çalışmanın en önemli faktörlerin şunlar olduğunu buldu:
- Borçlu düzeyinde:
- Demografik.
- Finansal performans.
- Likidite.
- Kredi skoru.
- Sosyal sermaye.
- Psikolojik göstergeler.
- Kredi düzeyi (tutar, geri ödeme süresi, amaç, kimlik doğrulama ve açıklama uzunluğu).
- Kredi veren düzeyinde:
- Demografik göstergeler.
- Sürü davranışı.
- Platform düzeyinde:
- Özel tahsilat eylemleri.
- Fiyat rejimleri.
- Makro düzeyde:
- Regülasyon.
- Ekonomik gelişme.
- İstihdam.
- Ulusal kültür.
- Kriz dönemleri.
Kara Kutu Değerlendirmesi
AI ile ilgili tekrarlayan bir sorun, sinir ağları ve makine öğreniminin sözde “kara kutu” sistemler oluşturmasıdır; bu sistemlerde belirli bir sonucun nedenleri, sistem geliştiricileri için bile net değildir ve daha da azı sonraki operatörler için.
Bu, AI kullanan P2P kredileri için ciddi bir sorun olabilir.
İlk olarak, bu durum temerrüt riskinin yanlış hesaplanması konusunda ciddi tehlikeler yaratır ve sorunu zamanında tespit etmenin bir yolu yoktur.
İkinci olarak, bu durum ciddi düzenleyici riskler doğurabilir; çünkü bir bireyin ırkı veya cinsiyeti gibi birçok özelliği genellikle ayrımcı ve bir kredinin verilme karar sürecine entegre edilmesi yasa dışı kabul edilir.
AI Kredi Skoru Oluşturma
AI kredi skoru oluşturmak, AI eğitimi için doğru veri setinin kullanılmasını gerektirir.
Araştırmacılar, kredi değerliliğinin AI değerlendirmesinin çoğunun birden fazla zaman dilimini entegre etmesi gerektiğini savunuyor. Kısa zaman dilimleri (<30 gün) erken uyarı işaretlerini belirlemeye yardımcı olurken, uzun zaman dilimleri (120 gün ve üzeri) kredinin genel sonucuna daha iyi bir bakış sağlar.
Kurtarma, yani temerrüt gerçekleştiğinde gecikmiş tutarların geri ödenme olasılığı da önemli bir veridir.
Son olarak, mükemmel bir AI sistemi, değişen ekonomik koşullara sürekli uyum sağlamalı ve eğitiminde kullanılan tarihsel veri setlerinin dışındaki durumlarda da underwriting (kredi verme) sürecinin güvenilir olduğunu göstermelidir.
Genel olarak, çalışma, mümkün olduğunca çok ilgili değişkeni, kredi yapısı, platform politikaları, yatırımcı davranışı, istihdam koşulları, düzenleme ve makroekonomik şoklar dahil olmak üzere entegre eden “mükemmel” AI destekli kredi skorunun yönüne işaret ediyor. Ancak, böyle bir karar sürecini şeffaf ve adil hâle getirmek, mevcut AI teknolojileri ve eğitim prosedürleriyle önemli bir zorluk olabilir.
AI Kredi Skoruna Yatırım
Upstart Holdings, Inc
Kredi verme ve kredi skorları evrim geçirdikçe, geleneksel kredi skorları ve kredi uygulamalarına daha iyi alternatifler sunmak için yeni şirketler ortaya çıkıyor.
Bunlardan biri, AI destekli bir kredi pazarı olan Upstart (UPST )‘tır; 2012’de piyasaya sürülmüş ve AI’nın teknoloji sohbetlerinin odak noktası haline gelmesinden çok önce kurulmuştur.
UPST Fiyat Grafiği
Upstart’ın arkasındaki fikir, mevcut kredi skoru sisteminin verimsiz ve eski olduğuydu. Daha fazla veri mevcut olduğunda, kredi risklerini daha iyi belirlemek ve sonuç olarak nüfusun büyük bir kısmına daha ucuz krediler sunmak mümkün olmalıydı.
“Kişisel kredi modelimiz, borçlu riskini değerlendirmede geleneksel kredi modelinden anlamlı derecede daha doğru. Önümüzde yıllarca sürecek modelleme iyileştirmelerinin olduğunu düşünüyoruz.”
Bu erken başlangıç, şirkete kendi AI’sını eğitmek ve AI eğitim yöntemlerindeki son ilerlemelerden yararlanmak için bol miktarda veri kaynağı sağladı.
Kaynak: Upstart
Bu, Upstart’ın yönteminin yüksek FICO skoruna sahip ancak pratikte kredilerini temerrüde düşürme riski yüksek kişileri tanımlayabileceği anlamına geliyor. Tersine, düşük FICO skoruna sahip kişilerin temerrüt etme olasılığı düşük.
Bu nedenle, AI ve veri kullanımıyla Upstart, belirli bir kohort için olağanüstü sonuçlar elde edebilir. Örneğin, aynı risk seviyesinde daha fazla kredi sunabilir; onay oranı %27’den %67’ye çıkabilir. Ya da kayıpları önemli ölçüde azaltabilir; temerrüt oranı %9’dan %5’e düşebilir, yani neredeyse yarı yarıya.
Kaynak: Upstart
Ayrıca, bir kredi memuru yerine bir algoritma kullanmak, sürecin otomatikleşmesi demektir. Bu hem daha az maliyetli hem de kredi başvurusu yapmayı çok daha hızlı ve keyifli hâle getirir.
Upstart’ın pazarı, borçluları bankalar, kredi birlikleri ve kurumsal sermaye ile birleştirir. 2025’te, kurum yatırımcıların pazarı aracılığıyla ortaya çıkan ana paranın %64’ünü satın aldığını bildirdi.
Upstart, küresel olarak her yıl 25 trilyon dolar kredi oluşturan son derece büyük bir pazara hizmet veriyor. Bu tutarın içinde, krediyi oluşturan ve hizmet veren platformlara 1 trilyon dolara kadar gelir sağlanıyor.
2025’te şirket, 1,5 milyon kredi (yıllık %115 artış) oluşturdu; toplamda 11 milyar dolar (yıllık %86 artış) ve şirketin toplam geliri 1 milyar dolar (yıllık %64 artış) oldu. Şirket, yeni segmentlerde de hızlı büyüyor; örneğin, otomobil kredisi oluşturma 5 kat (2024’ün 4. çeyreğinde 45 milyon dolardan 2026’nın 1. çeyreğinde 263 milyon dolara) ve konut kredisi oluşturma 6 kat (2024’ün 4. çeyreğinde 27 milyon dolardan 2026’nın 1. çeyreğinde 143 milyon dolara) artış gösterdi.
Bu yüzden, büyük olsalar da, bu rakamlar gelişmiş kredi skoru yöntemleri ve AI destekli kredi değerlendirmesinin toplam potansiyeliyle kıyaslandığında sönük kalıyor.
Kaynak: Upstart
Son büyüme rakamları ve AI-öncelikli bir şirket olarak inşa edilmiş olması, Upstart’ın geleceği için güçlü olumlu faktörlerdir; hisse fiyatı bu başarıyı henüz tam olarak yansıtmamış olsa da, fiyatlar 2022 seviyelerinde ve pandemi sırasında 2021 zirvesinin çok altında.
Bunun bir kısmı, Upstart’ın iş modelinde birkaç riskin daha bulunmasıdır.
İlk risk, ekonomik koşullar eğitim verilerinin ötesine geçtiğinde modelin bozulabilmesi ve AI’nın yeni trendleri kaçırabilmesidir.
Diğer bir sorun, açıklanabilirlik, adillik ve demografik performans raporlaması konularında artan düzenleyici baskıdır; çünkü AI, istemeden bile, finans sektöründe daha önce yasaklanmış ayrımcı uygulamaları geri getirebilir.
Son olarak, şirket hâlâ kredi döngüleri boyunca kurum fonlarına bağımlı kalmakta; yüksek borç seviyeleri ve gergin jeopolitik durum bağlamında finansal sistemde stres işaretleri görülmektedir.
Yine de, Upstart, yeni kredi uygulamaları için ilk FinTech ve P2P ağlarının itici gücünün gerekli evrimi olan, kilit bir AI kredi pazarı ve underwriting altyapı sağlayıcısı olmak için ideal konumdadır.
Ve yatırımcılar, kredi underwriting’inin erken aşamalarda kökten değiştirildiği bir şirkete maruz kalmak isteyebilir.
En Son Upstart Holdings (UPST) Hisse Senedi Haberleri ve Gelişmeler
Referans Alınan Çalışma
1. Fengya Zhu ve Rotem Shneor. Eşler arası kredi platformlarında kredi risk yönetimi: Sistematik bir literatür incelemesi. Technological Forecast, Social Change. Kasım 2026. Makale: 124831. Cilt 232. 10.1016/j.techfore.2026.124831 Türkçe.
