پنج فین‌تک پیشرو در وام‌دهی و اعتبارسنجی هوشمند مالی

در سال ۲۰۲۶ میلادی، حرکت صنعت مالی به سمت وام‌دهی و اعتبارسنجی هوشمند و جایگزینی مدل‌های پویای مبتنی بر هوش مصنوعی با اسکورهای ثابت سنتی، فرآیند تأمین مالی را بازتعریف کرده است. بر اساس جدیدترین گزارش رسانه تخصصی فینوویت (Finovate)، پنج شرکت فین‌تک پیشرو با ارائه راهکارهای نوین در این حوزه، نه تنها سرعت پردازش درخواست‌های تسهیلات را به شکل چشمگیری افزایش داده‌اند، بلکه با کاهش معنادار ریسک نکول، استانداردهای جدیدی را برای مدیریت ریسک در مؤسسات مالی و اکوسیستم بانکداری دیجیتال رقم زده‌اند.

این گزارش نشان می‌دهد که چگونه فناوری‌های نوین مالی، از یادگیری ماشین گرفته تا بلاکچین و داده‌های جایگزین، در حال بازتعریف مفهوم «اعتبار» هستند. در ادامه، به بررسی دقیق این پنج فین‌تک و تحلیل اثرات آن‌ها بر اکوسیستم مالی می‌پردازیم.

تحول در مدل‌های اعتبارسنجی؛ گذار از داده‌های سنتی به هوش مصنوعی

مدل‌های سنتی اعتبارسنجی که دهه‌ها بر پایه گزارش‌های бюроهای اعتباری و سابقه وام‌گیری استوار بودند، دیگر پاسخگوی نیازهای اقتصاد دیجیتال نیستند. میلیون‌ها نفر در جهان وجود دارند که علی‌رغم توانایی بازپرداخت وام، به دلیل نداشتن سابقه بانکی (Thin-file) یا عدم سابقه اعتباری (No-file)، از دسترسی به خدمات مالی محروم هستند. فین‌تک‌های معرفی‌شده در گزارش فینوویت، با استفاده از الگوریتم‌های پیشرفته و هزاران متغیر غیرسنتی، این شکاف را پر کرده‌اند.

معرفی پنج فین‌تک پیشرو در ابزارهای هوشمند تأمین مالی

آپ‌استارت (Upstart)؛ پیشگام وام‌دهی مبتنی بر هوش مصنوعی

آپ‌استارت یکی از شناخته‌شده‌ترین پلتفرم‌های وام‌دهی مبتنی بر هوش مصنوعی است که مدل‌های اعتبارسنجی را فراتر از امتیاز FICO گسترش داده است. این شرکت با استفاده از بیش از ۱۶۰۰ متغیر غیرسنتی، از جمله سطح تحصیلات، رشته دانشگاهی، سابقه شغلی و حتی الگوهای رفتاری دیجیتال، ریسک اعتباری وام‌گیرندگان را ارزیابی می‌کند. مدل آپ‌استارت نه تنها نرخ تایید وام را افزایش می‌دهد، بلکه میانگین نرخ بهره برای وام‌گیرندگان کم‌ریسک را نیز کاهش می‌دهد. این پلتفرم با همکاری بانک‌ها و اتحادیه‌های اعتباری، زیرساخت وام‌دهی آن‌ها را به یک موتور هوشمند تبدیل کرده است.

زست ای‌آی (Zest AI)؛ ارتقای مدل‌های ریسک اعتباری بانک‌ها

زست ای‌آی به جای ارائه وام مستقیم، زیرساخت نرم‌افزاری لازم برای بانک‌ها و مؤسسات مالی را فراهم می‌کند تا مدل‌های اعتبارسنجی خود را به یادگیری ماشین مجهز کنند. چالش اصلی بانک‌ها در استفاده از هوش مصنوعی، رعایت قوانین ضد تبعیض و قابلیت توضیح‌پذیری مدل‌هاست. زست ای‌آی با ارائه چارچوب‌های هوش مصنوعی توضیح‌پذیر در آینده مالی، به بانک‌ها کمک می‌کند تا بدون نقض مقررات رگولاتوری، از الگوریتم‌های پیچیده برای پیش‌بینی دقیق‌تر نکول استفاده کنند. این شرکت گزارش می‌دهد که مدل‌های آن توانسته‌اند نرخ نکول را در پرتفوی مشتریان خود تا ۳۰ درصد کاهش دهند.

بلند (Blend)؛ یکپارچه‌سازی فرآیند وام‌دهی دیجیتال

بلند یک پلتفرم وام‌دهی دیجیتال یکپارچه است که تجربه کاربری درخواست وام، به‌ویژه در وام‌های مسکن و وام‌های مصرفی بزرگ، را متحول کرده است. این فین‌تک با حذف کاغذبازی‌های اداری و اتصال مستقیم به منابع داده‌ای مالی، فرآیندی که پیش‌تر هفته‌ها طول می‌کشید را به چند دقیقه تقلیل داده است. بلند با ایجاد یک لایه ارتباطی بین وام‌گیرنده، افسر وام و سیستم‌های backend بانک، شفافیت و سرعت را در چرخه عمر وام افزایش می‌دهد. این پلتفرم اکنون توسط بسیاری از بانک‌های بزرگ آمریکایی برای پردازش میلیون‌ها درخواست وام در سال استفاده می‌شود.

فیگر (Figure)؛ تلفیق بلاکچین و تأمین مالی سریع

فیگر رویکردی متفاوت را در پیش گرفته و از فناوری بلاکچین برای نوآوری در وام‌دهی، به‌ویژه در بخش وام‌های تضمین‌شده با مسکن (HELOC) استفاده می‌کند. این فین‌تک با ثبت وثایق و عنوان‌های مالکیت بر روی بلاکچین، نیاز به واسطه‌های سنتی و کاغذبازی‌های ثبت اسناد را حذف کرده است. استفاده از قراردادهای هوشمند برای اجرای خودکار شرایط وام و همچنین توکنیزه کردن وام‌ها برای تسهیل فرآیند اوراق‌بهادارسازی (Securitization)، به فیگر اجازه می‌دهد تا سرمایه را با سرعتی بی‌سابقه در بازار ثانویه گردش دهد. این مدل نشان‌دهنده پتانسیل زیرساخت‌های نوین بانکی در تسریع عملیات مالی است.

تالا (Tala)؛ اعتبارسنجی جایگزین برای افراد فاقد سابقه بانکی

تالا بر بازارهای نوظهور و افرادی تمرکز دارد که به سیستم بانکی سنتی دسترسی ندارند. این فین‌تک با دریافت اجازه از کاربر، داده‌های گوشی هوشمند او (مانند الگوهای تماس، نوع اپلیکیشن‌های نصب‌شده، و تراکنش‌های خرد موبایلی) را تحلیل کرده و یک امتیاز اعتباری اختصاصی تولید می‌کند. تالا نشان داده است که داده‌های رفتاری دیجیتال می‌توانند پیش‌بینی‌کننده‌های قدرتمندی برای بازپرداخت وام باشند. این مدل به‌ویژه در بازارهایی که ضریب نفوذ موبایل بالا اما ضریب نفوذ بانکی پایین است، موفقیت چشمگیری داشته است.

چرا این تحول در صنعت اعتبارسنجی اهمیت استراتژیک دارد؟

اهمیت این پنج فین‌تک تنها در سرعت بخشیدن به فرآیندها نیست؛ بلکه آن‌ها در حال تغییر بنیادین نحوه مدیریت ریسک هستند. در اقتصاد سال ۲۰۲۶، داده‌های جایگزین (Alternative Data) به یک دارایی استراتژیک تبدیل شده‌اند. بانک‌هایی که نتوانند خود را با این مدل‌های هوشمند تطبیق دهند، با ریسک از دست دادن مشتریان خوش‌حساب به نفع نئوبانک‌ها و پلتفرم‌های چابک مواجه خواهند شد. علاوه بر این، ادغام فناوری‌هایی مانند امنیت پرداخت بیومتریک فراتر از رمزهای عبور در فرآیند احراز هویت و اعتبارسنجی، لایه جدیدی از امنیت را به این اکوسیستم اضافه کرده است.

اثر احتمالی بر بازیگران بازار مالی و بانکداری

برای بانک‌های سنتی، این فین‌تک‌ها هم یک رقیب و هم یک شریک استراتژیک محسوب می‌شوند. بسیاری از بانک‌ها به جای توسعه داخلی این فناوری‌ها، از طریق مدل‌های BaaS (بانکداری به عنوان سرویس) یا مشارکت‌های استراتژیک، از APIهای این فین‌تک‌ها استفاده می‌کنند. برای شرکت‌های پرداخت و ارائه‌دهندگان کامل پرداخت و PayFac، ادغام ابزارهای اعتبارسنجی هوشمند در درگاه‌های پرداخت می‌تواند منجر به ارائه خدمات BNPL (الان بخر، بعدا پرداخت کن) و وام‌های خرد در نقطه فروش (POS) با ریسک کنترل‌شده شود. رگولاتورها نیز با چالش جدیدی مواجه‌اند: چگونه می‌توانند نوآوری را تسهیل کنند بدون آنکه ثبات مالی یا حقوق مصرف‌کننده را به خطر بیندازند؟

نسبت این موضوع با اکوسیستم فین‌تک ایران در سال ۱۴۰۵

در ایران، چالش اعتبارسنجی همواره یکی از موانع اصلی توسعه lending و پرداخت اعتباری بوده است. سامانه‌های اعتبارسنجی سنتی مانند شرکت مشاوره رتبه‌بندی اعتباری ایران، اگرچه گامی رو به جلو بوده‌اند، اما همچنان بر پایه داده‌های محدود بانکی و چک‌های برگشتی استوار هستند. ظهور فین‌تک‌های ایرانی در حوزه لندتک (LendTech) و نئوبانک‌ها، نیاز مبرمی به استفاده از داده‌های جایگزین دارد.

داده‌های اپراتورهای تلفن همراه، سابقه پرداخت قبوض، تراکنش‌های خرد در سوپراپلیکیشن‌ها و حتی رفتار کاربری در پلتفرم‌های تجارت الکترونیک، می‌توانند الگویی مشابه مدل تالا یا آپ‌استارت را در ایران شکل دهند. البته، پیاده‌سازی این مدل‌ها در ایران نیازمند رفع چالش‌های مربوط به حریم خصوصی داده‌ها و ایجاد چارچوب‌های رگولاتوری شفاف توسط بانک مرکزی است. همچنین، توسعه زیرساخت‌های باز (Open Banking) در ایران می‌تواند بستر لازم را برای اشتراک‌گذاری امن این داده‌ها بین مؤسسات مالی و فین‌تک‌ها فراهم کند.

جمع‌بندی و چشم‌انداز آینده

گزارش فینوویت نشان می‌دهد که آینده وام‌دهی، ترکیبی از هوش مصنوعی، داده‌های غنی و زیرساخت‌های نوین مانند بلاکچین است. فین‌تک‌هایی که موفق به ایجاد تعادل میان نوآوری در مدل‌های ریسک و رعایت الزامات رگولاتوری شوند، رهبران بازار مالی در دهه آینده خواهند بود. برای اکوسیستم مالی ایران، نگاه به این تجربیات جهانی و بومی‌سازی مدل‌های داده‌های جایگزین، کلید طلایی برای گسترش شمول مالی و کاهش ریسک نکول در بازار اعتباری است.

سؤالات متداول (FAQ)

۱. اعتبارسنجی هوشمند چه تفاوتی با روش‌های سنتی دارد؟

اعتبارسنجی هوشمند به جای تکیه صرف بر سابقه بانکی و امتیازات ثابت، از هوش مصنوعی و هزاران متغیر غیرسنتی مانند داده‌های رفتاری، تحصیلات و تراکنش‌های خرد برای پیش‌بینی دقیق‌تر ریسک نکول استفاده می‌کند.

۲. آیا استفاده از هوش مصنوعی در وام‌دهی با قوانین تبعیض مغایرت ندارد؟

خیر، مشروط بر اینکه از مدل‌های هوش مصنوعی توضیح‌پذیر (Explainable AI) استفاده شود. فین‌تک‌هایی مانند Zest AI چارچوب‌هایی را ارائه می‌دهند که تصمیمات الگوریتمی کاملاً قابل ردیابی و عاری از سوگیری‌های تبعیض‌آمیز باشند.

۳. داده‌های جایگزین (Alternative Data) شامل چه مواردی می‌شوند؟

این داده‌ها شامل سابقه پرداخت قبوض، الگوهای تراکنش‌های موبایلی، داده‌های تلکام، سابقه خرید آنلاین و حتی نوع اپلیکیشن‌های نصب‌شده روی گوشی هوشمند کاربر است.

۴. نقش بلاکچین در پلتفرم‌هایی مانند Figure چیست؟

بلاکچین در این پلتفرم‌ها برای ثبت غیرمتمرکز و تغییرناپذیر وثایق (مانند سند ملک)، اجرای خودکار شرایط وام از طریق قراردادهای هوشمند و تسهیل فرآیند توکنیزاسیون وام‌ها در بازار ثانویه استفاده می‌شود.

۵. فین‌تک‌های ایرانی چگونه می‌توانند از این مدل‌ها استفاده کنند؟

با توسعه زیرساخت‌های بانکداری باز (Open Banking) و استفاده از داده‌های سوپراپلیکیشن‌ها و اپراتورهای موبایل، فین‌تک‌های ایرانی می‌توانند مدل‌های اعتبارسنجی جایگزین را برای افزایش شمول مالی و ارائه خدمات لندتک بومی‌سازی کنند.

برای دنبال کردن تحلیل‌های بیشتر درباره فین‌تک، بانکداری دیجیتال و اقتصاد نوآوری، گزارش‌های تخصصی پی‌کار را در بخش فین‌تک و اقتصاد دیجیتال بخوانید.

در سال ۱۴۰۵، تحول در مدل‌های وام‌دهی و اعتبارسنجی هوشمند مالی، مرزهای سنتی بانکداری را جابه‌جا کرده است. برای بررسی دقیق‌تر پنج فین‌تک پیشرو در این حوزه و تحلیل ابزارهای نوین تأمین مالی، می‌توانید به گزارش‌های تخصصی پی‌کار مراجعه کنید و همچنین تحلیل جامع فینوویت درباره این بازیگران کلیدی را در گزارش فینوویت مطالعه نمایید.