A IA tem potencial para mudar fundamentalmente o futuro dos empréstimos bancários, reduzindo significativamente o risco.
À medida que a IA permeia todos os cantos do mundo dos negócios; Os bancos têm experimentado a tecnologia Para subscrição de empréstimos. O experimento atraiu a atenção de estudiosos.Pesquisadores da Universidade de Harvard Realizamos um estudo de caso A Zest AI, uma startup sediada na Califórnia, utiliza modelos de aprendizagem automática para avaliar o risco de crédito dos bancos em vez de medidas tradicionais (como pontuações de crédito). O Zest é usado por mais de 180 bancos e cooperativas de crédito nos Estados Unidos, desde grandes instituições como Freddie Mac até pequenas instituições locais. Os concorrentes que oferecem serviços semelhantes incluem: Pagaya Technologies, Chetu, kit de ferramentas do credore Informado.QIentre outros.
Zest AI atraiu a atenção porque foi capaz de provar que seu modelo de risco de crédito fornecia uma avaliação mais precisa do risco de crédito do que as pontuações de crédito padrão disponíveis em agências de classificação de crédito como Equifax, Experian e TransUnion.” escrevem David Scharfstein e Ryan Gilland de Harvard Universidade. seu relatório. O estudo de caso da empresa foi revisado e aprovado pelo pessoal da Zest AI antes da publicação, mas não recebeu nenhum financiamento da empresa.
As cooperativas de crédito e os bancos que usam Zest AI observaram um aumento de 25% nas aprovações de empréstimos, mantendo o risco constante.
“Isso significa que você não apenas pode dizer sim para mais pessoas, mas também está assumindo a mesma quantidade de risco e pode dizer sim para mais clientes e membros”, disse o CEO da Zest AI, Mike de Vere, ao Quartz no início deste ano. . .
Isso ocorre porque as pontuações de crédito fornecem uma imagem granulada e pixelizada de um mutuário, enquanto os modelos de IA fornecem um vídeo 3D de alta resolução. De Vere disse que Zest usa “centenas de variáveis” para determinar a aprovação de empréstimos, enquanto as pontuações de crédito são “um instrumento contundente que normalmente inclui de 15 a 20 variáveis”. Por exemplo, o modelo utiliza uma medida proxy do rácio dívida/rendimento, que é uma componente dos modelos de pontuação tradicionais, e não tem em conta as disparidades salariais entre homens e mulheres, resultando numa aprovação de empréstimos para mulheres mais baixa. Isso descreve um padrão, por exemplo, se alguém atrasasse os pagamentos do cartão de crédito durante os feriados de cada ano, mas não em outras épocas.
“O modelo Zest AI classificou um número significativo de requerentes como de baixo risco, enquanto o modelo padrão os classificou como de alto risco. Em alguns casos, o benefício económico da aplicação do modelo Zest AI é expandir o conjunto de mutuários elegíveis e reduzir a probabilidade de inadimplência em dívidas aprovadas de outra forma, obtidas com a rejeição de certos candidatos arriscados.” – David S. Scharfstein e Ryan Gilland, livro de casos da Harvard Business School
Ao implementar seu modelo, Zest também demonstra como a IA pode expandir o acesso a empréstimos pessoais, automotivos, hipotecários e para pequenas empresas para pessoas de cor. Os credores que usam Zest AI aumentam 49% dos candidatos latinos, 41% dos candidatos negros, 40% dos candidatos do sexo feminino, 36% dos candidatos mais velhos e candidatos asiático-americanos. As aprovações de empréstimos aumentaram 31% para os candidatos das ilhas do Pacífico.
O impacto é particularmente pronunciado em algumas instituições de ensino. Por exemplo, a Verity Credit Union, no estado de Washington, viu um aumento significativo nas aprovações de empréstimos para negros americanos (177%), pessoas com 62 anos ou mais (271%) e AAPI (375%).
