Fintech

AI पारंपरिक पत मॉडेल्सपेक्षा कर्ज बुडण्याचा (डिफॉल्ट) अंदाज अधिक चांगल्या प्रकारे लावू शकते का?

कर्जदार कर्जाची परतफेड करेल की नाही याचा अंदाज लावणे ही कर्जपुरवठ्यातील मध्यवर्ती समस्या आहे, आणि AI-आधारित पत मॉडेल्स बहुतांशवेळा हीच समस्या सोडवण्यासाठी बनवली जातात. भारतीय प्लॅटफॉर्म Rezolv च्या ऑगस्ट 2026 मधील $12.5 million च्या Series A फेरीसह, जी त्यांचे AI-आधारित कर्जपुरवठा आणि वसुली तंत्रज्ञान विस्तारण्यासाठी उभारली गेली, AI-नेटिव्ह कर्जदाते नवीन निधी उभारत असताना, ही मॉडेल्स पारंपरिक स्कोअरिंगपेक्षा खरोखरच डिफॉल्टचा अंदाज चांगल्या प्रकारे लावतात का, या प्रश्नाकडे थेट लक्ष देणे गरजेचे आहे.

पारंपरिक पत मॉडेल्स अनेक दशकांपासून तुलनेने मर्यादित इनपुट्सवर, मुख्यतः ब्युरो इतिहासावर, अवलंबून राहिली आहेत. AI-आधारित मॉडेल्स हा इनपुट संच लक्षणीयरीत्या विस्तारतात, ज्यामुळे हा प्रश्न उपस्थित होतो की जास्त डेटा आणि अधिक गुंतागुंतीचे मॉडेलिंग खरोखरच चांगल्या डिफॉल्ट अंदाजात रूपांतरित होते, की केवळ वेगळ्या त्रुटी असलेला वेगळा अंदाज तयार होतो.

या लेखात AI-आधारित डिफॉल्ट अंदाज पारंपरिक पत मॉडेल्सशी कसा तुलनीय आहे, सुधारणेचे पुरावे कुठे सर्वात मजबूत आहेत, आणि मर्यादा अजूनही कुठे महत्त्वाच्या ठरतात, याचा आढावा घेतला आहे.

संकल्पना स्पष्टीकरण

पारंपरिक पत मॉडेल्स सामान्यतः क्रेडिट ब्युरोंकडून मिळणारे संरचित, प्रमाणित व्हेरिएबल्स वापरतात, जसे परतफेडीचा इतिहास, क्रेडिट वापराचे प्रमाण आणि क्रेडिट इतिहासाची लांबी, जे तुलनेने साध्या, सुपरिचित सांख्यिकीय मॉडेलद्वारे एकत्र करून स्कोअर तयार केला जातो. हा दृष्टिकोन तपासणे आणि स्पष्ट करणे सोपे आहे, पण तो प्रस्थापित क्रेडिट इतिहास असलेल्या कर्जदारांपुरताच मर्यादित आहे.

AI-आधारित डिफॉल्ट अंदाज मॉडेल्स व्यवहार-स्तरावरील रोख प्रवाह पॅटर्नसह अधिक व्यापक डेटाचा समावेश करू शकतात, आणि पारंपरिक स्कोअरकार्ड ओळखण्यासाठी बनवलेली नसलेली व्हेरिएबल्समधील नॉन-लिनियर संबंध पकडू शकतात. हीच लवचिकता AI मॉडेल्स पारंपरिक स्कोअरिंगपेक्षा, विशेषतः दीर्घ क्रेडिट इतिहास नसलेल्या कर्जदारांच्या बाबतीत, सरस ठरण्यामागचे मुख्य तांत्रिक कारण आहे.

हे आत्ता का महत्त्वाचे आहे

मोठ्या संख्येने संभाव्य पतपात्र कर्जदारांना वगळल्याशिवाय डिफॉल्ट दर कमी करण्याचा व्यावसायिक दबाव कर्जदात्यांवर आहे, आणि AI-नेटिव्ह प्लॅटफॉर्म्सना विशेषतः हा तोल साधण्यासाठी निधी दिला जात आहे. Rezolv चे मॉडेल, जे AI-आधारित कर्जपुरवठ्याला AI-आधारित कर्जवसुलीसोबत जोडते, असा दृष्टिकोन दर्शवते जिथे अंदाज आणि वितरणानंतरचे व्यवस्थापन या दोन स्वतंत्र समस्या न मानता एकमेकांशी जोडलेल्या समस्या मानल्या जातात.

Cambridge Centre for Alternative Finance च्या संशोधनानुसार फिनटेक कंपन्यांनी तंत्रज्ञान आणि उत्पादन कार्यांमध्ये 86 percent उत्पादकता वाढ नोंदवली, तर पारंपरिक संस्थांमध्ये ही वाढ 68 percent होती, हे सुचवते की AI-आधारित निर्णयप्रक्रियेचा कार्यचालन फायदा मोजता येण्याजोगा आहे, जरी शुद्ध अंदाज-अचूकतेचा मूळ प्रश्न केवळ सार्वजनिक माहितीवरून पडताळणे अधिक कठीण असले तरी.

हा तोल अशा बाजारपेठांमध्ये सर्वाधिक महत्त्वाचा ठरतो जिथे तुटपुंजी फाइल असलेल्या कर्जदारांची मोठी संख्या आहे, जिथे अती सावध पारंपरिक स्कोअरिंगमुळे पतपात्र अर्जदारांना वगळण्याची किंमत, नंतर बुडणाऱ्या कर्जांना मंजुरी देण्याच्या किंमतीइतकीच कर्जदात्याच्या वाढीसाठी हानिकारक ठरू शकते.

AI या क्षेत्रात कसा बदल घडवत आहे

AI मॉडेल्स डिफॉल्ट अंदाजाला स्थिर, एका क्षणाच्या स्कोअरपासून, नवीन परतफेड आणि व्यवहार डेटा येताच त्यावर प्रतिक्रिया देणाऱ्या सातत्याने अद्ययावत होणाऱ्या जोखीम मूल्यांकनाकडे नेत आहेत. ज्या कर्जदारांची आर्थिक परिस्थिती कालांतराने बदलते त्यांच्यासाठी हे सर्वाधिक महत्त्वाचे आहे, कारण फक्त ठराविक कालावधीने अद्ययावत होणारा पारंपरिक स्कोअर सुधारणारी आणि बिघडणारी अशी दोन्ही प्रकारची परतफेड क्षमता चुकवू शकतो.

वसुलीच्या बाबतीत, प्रत्यक्ष हप्ता चुकण्यापूर्वीच कोणती खाती डिफॉल्टच्या वाढलेल्या धोक्यात आहेत याचा अंदाज लावण्यासाठीही AI मॉडेल्सचा वापर केला जात आहे, ज्यामुळे कर्जदात्यांना डिफॉल्ट झाल्यानंतरच्या नेहमीच्या वसुली प्रक्रियेवर अवलंबून राहण्याऐवजी सानुकूल परतफेड पर्यायांसह आधीच हस्तक्षेप करता येतो.

ही आधीच सूचना देण्याची क्षमता डिफॉल्ट अंदाज मॉडेलचा प्रत्यक्ष वापर कशासाठी होतो हेच बदलते. अर्जाच्या क्षणी केवळ द्वारपाल म्हणून कार्य करण्याऐवजी, हे मॉडेल कर्जाच्या संपूर्ण कालावधीत वारंवार सल्ला घेतले जाणारे साधन बनते, जे आर्थिक ताणाची सुरुवातीची चिन्हे दाखवणाऱ्या कर्जदाराशी कर्जदात्याने केव्हा आणि कसा संपर्क साधावा हे सांगते.

प्रत्यक्ष जागतिक उदाहरणे

Rezolv चा कर्जपुरवठा आणि कर्जवसुली या दोन्हींमध्ये AI चा वापर हे केवळ अंडररायटिंगच्या निर्णयापुरते मर्यादित न राहता संपूर्ण कर्ज जीवनचक्रावर अंदाज मॉडेलिंग लागू करण्याचे थेट उदाहरण आहे, आणि यामुळेच या प्लॅटफॉर्मने हा एकत्रित दृष्टिकोन विस्तारण्यासाठी विशेषतः नवीन Series A निधी आकर्षित केला.

जोखीम-शोधाच्या बाजूने अधिक व्यापकपणे पाहता, Visa चे BioCatch चे $2.4 billion चे अधिग्रहण हे दाखवते की AI-आधारित प्रणालींमध्ये डिफॉल्ट आणि फसवणुकीचा धोका अंदाज किती जवळून जोडले जात आहेत, कारण फसवणूक पकडण्यासाठी वापरले जाणारे वर्तनात्मक आणि ओळख संकेत खऱ्या परतफेड जोखमीचे मूल्यांकन करण्यासाठीही उपयोगी पडू शकतात.

Rabobank ची नियोजित बहु-वर्षीय AI गुंतवणूक आणि ABN Amro ची Mistral AI सोबतची भागीदारी, या दोन्ही गोष्टी सूचित करतात की मोठ्या, प्रस्थापित कर्जदात्यांना अशा प्रकारचे अंदाज मॉडेलिंग नव्या, AI-नेटिव्ह कंपन्यांपुरती मर्यादित एक विशेष क्षमता न राहता जोखीम व्यवस्थापनाचा प्रमाणित भाग बनेल अशी अपेक्षा आहे.

व्यावहारिक आर्थिक टिप्स

कर्जदारांनी हे समजून घेतले पाहिजे की AI-आधारित डिफॉल्ट अंदाज मॉडेल्स सामान्यतः एका डेटा बिंदूऐवजी कालांतराने घडणारे पॅटर्न वाचण्यासाठी बनवलेली असतात, त्यामुळे नियमित उत्पन्न जमा आणि सर्व कर्जांची वेळेवर परतफेड यांसारखे सातत्यपूर्ण, शोधता येण्याजोगे आर्थिक वर्तन जुन्या, स्थिर स्कोअरिंग मॉडेल्सपेक्षा अधिक महत्त्वाचे ठरण्याची शक्यता आहे.

AI-आधारित आणि पारंपरिक मॉडेल्सची तुलना करणाऱ्या कर्जदात्यांनी तुलनीय कर्जदार लोकसंख्येवरील अंदाज कामगिरीचे पुरावे मागितले पाहिजेत, शक्यतो एकापेक्षा जास्त आर्थिक चक्रांवर, कारण स्थिर परिस्थितीत चांगली कामगिरी करणारे मॉडेल आर्थिक ताणाच्या काळातही अचूकपणे डिफॉल्टचा अंदाज लावेल हे आपोआप सिद्ध होत नाही.

कर्जदात्याचे AI मॉडेल संबंधित विशिष्ट कर्जदार विभागाच्या निकालांविरुद्ध पडताळले गेले आहे का, हे विचारणेही उपयुक्त ठरते, कारण मुख्यतः एका प्रकारच्या कर्जदारांवर प्रशिक्षित मॉडेल अतिरिक्त चाचणीशिवाय अगदी वेगळ्या लोकसंख्येसाठी नीट सर्वसामान्यीकृत होऊ शकत नाही.

भविष्यातील दिशा

अधिकाधिक AI-नेटिव्ह कर्जदाते विस्तारत असताना, AI-आधारित डिफॉल्ट अंदाज केवळ नियंत्रित चाचणीतच नव्हे, तर वेगवेगळ्या कर्जदार विभागांमध्ये आणि आर्थिक परिस्थितींमध्ये खरोखरच पारंपरिक स्कोअरिंगपेक्षा सरस ठरतो का, हे तपासण्यासाठी प्रत्यक्ष जगातील परतफेड निकालांचा वाढता संच उपलब्ध होईल अशी अपेक्षा आहे.

Rabobank च्या तीन वर्षांतील नियोजित €2 billion गुंतवणुकीसारख्या, AI साठी मोठे भांडवल गुंतवणाऱ्या मोठ्या बँका, प्रस्थापित जोखीम व्यवस्थापन चौकटींमध्ये मोठ्या प्रमाणावर AI-आधारित अंदाज कशी कामगिरी करतो याबाबत अधिक डेटा तयार करतील, ज्यामुळे पुढील काही वर्षांत पारंपरिक मॉडेल्सशी तुलना अधिक ठोस होईल.

डिफॉल्ट अंदाजात AI ला अजूनही भेडसावणाऱ्या मर्यादा

AI-आधारित डिफॉल्ट अंदाज मॉडेल्स पारंपरिक स्कोअरकार्डपेक्षा स्पष्ट करणे कठीण असतात, ज्यामुळे नियामक अनुपालनासाठी आणि कर्जदाराला नकाराचे समर्थन द्यावे लागणाऱ्या कर्जदात्यांसाठी अडचणी निर्माण होतात. गुंतागुंतीची मॉडेल्स पूर्वग्रहासाठी तपासणे देखील कठीण असू शकते, कारण अंदाजामागे कोणते मूळ डेटा पॅटर्न कार्यरत आहेत हे नेहमीच स्पष्ट नसते.

ही मॉडेल्स त्यांना पुरवल्या जाणाऱ्या डेटाइतकीच विश्वासार्ह असतात, आणि त्यांना प्रशिक्षण देण्यासाठी वापरलेल्या डेटापेक्षा लक्षणीयरीत्या वेगळ्या दिसणाऱ्या कर्जदारांसाठी किंवा आर्थिक परिस्थितींसाठी अचूकपणे डिफॉल्टचा अंदाज लावताना अडचण येऊ शकते, आणि म्हणूनच एकदाच मॉडेल तैनात करण्याऐवजी सतत निरीक्षण आणि पुनःप्रशिक्षण आवश्यक राहते.