وقتی الگوریتم‌ها تصمیم می‌گیرند: هوش مصنوعی و آینده اعتبارسنجی در لندتک

در دنیای مالی امروز، هوش مصنوعی دیگر یک فناوری لوکس نیست و به یکی از ضرورت‌های استراتژیک برای وام‌دهندگان و شرکت‌های لندتک تبدیل شده است. این روزها مدل‌های سنتی اعتبارسنجی، که عمدتاً بر داده‌های محدود بانکی و سوابق رسمی وام تکیه داشتند، دیگر توان پاسخ‌گویی به سرعت و مقیاس بازار را ندارند.

شرکت‌های پیشرو با تکیه بر یادگیری ماشین (ML) و مدل‌های زبانی بزرگ  (LLM)، ارزیابی ریسک را دقیق‌تر، سریع‌تر و فراگیرتر انجام می‌دهند؛ تغییری که هم نرخ نکول را کاهش داده و هم میلیون‌ها نفر را برای نخستین بار وارد سیستم اعتباری کرده است.

بر اساس گزارش‌های TransUnion و McKinsey، تا پایان سال ۲۰۲۴، نزدیک به ۴۳ درصد از تصمیم‌های وام‌دهی در سراسر دنیا با استفاده از مدل‌های یادگیری ماشین گرفته شده یا دست‌کم تحت تأثیر این مدل‌ها بوده است.

بازارهای پیشرفته مانند آمریکا و اتحادیه اروپا بر Explainable AI تمرکز کرده‌اند تا شفافیت و امکان توضیح تصمیمات به مشتری تضمین شود. از سال ۲۰۲۶، قانون هوش مصنوعی اتحادیه اروپا بانک‌ها را ملزم می‌کند دلیل رد یا پذیرش وام را به زبان ساده برای متقاضی توضیح دهند.

بازارهای نوظهور مانند کنیا و برزیل، به‌دلیل حجم بالای مشتریان بدون سابقه بانکی، به سراغ داده‌های جایگزین رفته‌اند. برای مثال، Tala یک فین‌تک فعال در بازارهای نوظهور که وام‌های خرد بدون وثیقه ارائه می‌دهد، در کنیا با تحلیل داده‌های موبایل، نرخ نکول خود را بیش از ۲۰ درصد کاهش داد و صدها هزار مشتری جدید جذب کرد. Nubank، بزرگ‌ترین نئوبانک آمریکای لاتین، در برزیل نیز با ترکیب داده‌های تراکنشی و مدل‌های AI، زمان بررسی وام را از چند روز به کمتر از پنج دقیقه رسانده است.

الگوریتم‌های ML، از شبکه‌های عصبی عمیق تا مدل‌های کلاسیک، اکنون می‌توانند هزاران متغیر تراکنشی، رفتاری و جمعیت‌شناختی را هم‌زمان تحلیل کنند. نتیجه، امتیازدهی پویا است که در طول رابطه مشتری با مؤسسه مالی، به‌روز می‌شود و تصویر واقعی‌تری از توان بازپرداخت ارائه می‌دهد.

مدل‌های زبانی بزرگ (LLM) مانند GPT نیز انقلابی در تحلیل داده‌های غیرساختاریافته به پا کرده‌اند. بانک‌ها با این مدل‌ها، گزارش‌های مالی را خلاصه می‌کنند، ریسک‌های پنهان در قراردادها را شناسایی می‌کنند و حتی شبکه‌های پیچیده تقلب را با تحلیل شباهت‌های زبانی بین چند سندِ ظاهراً بی‌ارتباط کشف می‌کنند.

به‌عنوان مثال، در یک پروژه کشف تقلب، یک LLM توانست فاکتورهای ساختگی را صرفاً با تشخیص الگوهای نوشتاری غیرعادی شناسایی کند؛ کاری که سیستم‌های سنتی قادر به انجامش نبودند.

از دید مدیران حوزه اعتبارسنجی، هوش مصنوعی فقط یک ابزار فناورانه نیست؛ بلکه سرمایه‌گذاری‌ای با بازده روشن و قابل اندازه‌گیری است. تجربه شرکت‌های پیشرو نشان می‌دهد که به‌کارگیری مدل‌های هوشمند در اعتبارسنجی می‌تواند هم‌زمان چند شاخص کلیدی عملکرد را بهبود دهد:

• کاهش Cost of Risk در محدوده ۱۰ تا ۳۰ درصد، از طریق ارزیابی دقیق‌تر ریسک و کاهش نکول
• کاهش زمان تصمیم‌گیری (Turnaround Time) تا ۹۰ درصد، با تسریع فرآیند ارزیابی از چند روز به چند دقیقه
• افزایش نرخ پذیرش مشتریان جدید، به‌ویژه در بازارهای فاقد سابقه اعتباری، تا بیش از ۲۰ درصد با استفاده از داده‌های جایگزین و تحلیل‌های پیشرفته

برای نمونه، Nubank پس از پیاده‌سازی مدل‌های اعتبارسنجی مبتنی بر یادگیری ماشین، میانگین زمان بررسی وام را از ۴۸ ساعت به کمتر از ۵ دقیقه کاهش داد. این تغییر نه‌تنها رضایت مشتریان را به‌شدت افزایش داد، بلکه نرخ نکول را حدود ۲۳ درصد کاهش و سهم بازار شرکت را در وام‌های خرد به‌طور قابل توجهی گسترش داد.

در آسیا، Tala که در بازارهایی چون کنیا، فیلیپین و هند فعالیت دارد، با تحلیل داده‌های موبایل کاربران، از الگوی استفاده از اپلیکیشن‌ها تا تاریخچه تماس‌ها، توانست میلیون‌ها مشتری فاقد سابقه بانکی را وارد چرخه اعتبار کند. نتیجه، رشد ۳۰ درصدی نرخ بازپرداخت به‌موقع و افزایش قابل‌توجه در حجم وام‌های خرد اعطایی بود.

ترکیب این دستاوردها نشان می‌دهد که AI نه‌تنها سودآوری را به‌طور ملموس افزایش می‌دهد، بلکه مزیت رقابتی پایدار ایجاد می‌کند؛ این مزیت که می‌تواند وفاداری مشتریان را تقویت کرده، سهم بازار را گسترش دهد و موقعیت شرکت را در اکوسیستم مالی آینده تثبیت کند.

در کشورهایی مانند ایران، که داده‌های اعتباری سنتی محدود است، موانعی همچون نبود کارت اعتباری فراگیر، تأخیر در به‌روزرسانی داده‌های رسمی و خلأ قوانین جامع حریم خصوصی، سرعت پیشرفت را کاهش می‌دهد.

با این حال، تجربه موفق آمریکای لاتین نشان می‌دهد که استفاده از داده‌های جایگزین داخلی مانند تراکنش‌های کیف‌پول، خریدهای آنلاین یا سوابق پرداخت قبوض می‌تواند نقطه آغاز مؤثری برای توسعه مدل‌های اعتبارسنجی هوشمند باشد.

برای بهره‌برداری از این ظرفیت، لازم است مجموعه‌ای از اقدامات هماهنگ انجام شود: نخست، ایجاد اتحاد داده‌ای میان بانک‌ها و فین‌تک‌ها به‌منظور تجمیع و یکپارچه‌سازی منابع اطلاعاتی؛ دوم، تدوین استانداردهای ملی حریم خصوصی که اعتماد مشتریان به اشتراک‌گذاری داده‌های خود را تقویت کند؛ و در نهایت، اجرای پایلوت‌های اعتبارسنجی مبتنی بر AI در وام‌های خرد تا کارایی مدل‌ها در عمل سنجیده و بهینه‌سازی شود. ترکیب این اقدامات می‌تواند مسیر توسعه اعتبارسنجی هوشمند را در بازارهای محدود داده هموار کند.

هوش مصنوعی بدون چارچوب نظارتی شفاف، می‌تواند منجر به تبعیض و تصمیم‌های ناعادلانه شود. Bias Testing دوره‌ای، ممیزی مستقل الگوریتم‌ها، و شفافیت در منطق تصمیم‌گیری از الزامات کلیدی است. کشورهایی مانند بریتانیا، اتحادیه اروپا و سنگاپور با همکاری نزدیک صنعت و نهادهای نظارتی، استانداردهای قابل‌اعتماد ایجاد کرده‌اند که می‌تواند الگویی برای سایر کشورها باشد.

در سه تا پنج سال آینده، انتظار می‌رود هوش مصنوعی مولد (Generative AI) نقش پررنگ‌تری در اعتبارسنجی ایفا کند؛ از شبیه‌سازی سناریوهای کلان اقتصادی تا تحلیل هم‌زمان داده‌های جهانی برای ایجاد پروفایل‌های اعتباری دقیق‌تر. همچنین، ادغام AI با هویت دیجیتال بین‌المللی می‌تواند فرآیند اعتبارسنجی مرزی را متحول کند.

آینده اعتبارسنجی بر سه ستون استوار است: داده، الگوریتم و اعتماد. هر شرکت لندتکی که بتواند این سه را همسو کند، نه‌تنها ریسک خود را کاهش می‌دهد بلکه سهم بیشتری از بازار و اعتماد مشتریان را به دست خواهد آورد.