Scoring alternatywny po zmianach regulacyjnych stał się jednym z gorętszych tematów w branży finansowej ostatnich miesięcy. Instytucje pożyczkowe, banki i fintechowe startupy od lat budowały własne modele oceny zdolności kredytowej, sięgając po dane, które tradycyjne biura nie brały pod uwagę. Teraz zasady gry się zmieniają — i to znacząco.
Zanim przyjrzymy się szczegółom, warto zrozumieć skalę zjawiska. Szacuje się, że w Polsce kilka milionów dorosłych obywateli pozostaje praktycznie niewidocznych dla klasycznych systemów scoringowych — nie mają historii kredytowej, spłacali zobowiązania wyłącznie gotówką lub dopiero wchodzą na rynek pracy. Scoring alternatywny miał być dla nich szansą na dostęp do finansowania. Teraz pytanie brzmi: jaką szansą pozostanie po wdrożeniu nowych przepisów?
Czym jest scoring alternatywny i jak działał do tej pory
Klasyczny scoring opiera się na danych z biur informacji kredytowej — historii spłat, liczbie aktywnych zobowiązań, zapytaniach kredytowych. Scoring alternatywny sięga tam, gdzie te dane nie docierają lub są niewystarczające. Mowa o aktywności w mediach społecznościowych, wzorcach korzystania z telefonu komórkowego, regularności płacenia rachunków za prąd i gaz, transakcjach na koncie bankowym czy nawet sposobie wypełniania wniosku kredytowego — prędkości pisania, godzinie złożenia formularza, typie urządzenia.
Firmy stosujące te metody argumentowały, że ich modele są precyzyjniejsze od tradycyjnych, szczególnie w segmencie klientów bez historii kredytowej. Część badań to potwierdzała — w populacjach, gdzie klasyczne biuro nie posiadało danych, modele alternatywne trafniej przewidywały zdolność do spłaty.
Dane behawioralne jako podstawa oceny ryzyka
Szczególnie dynamicznie rozwijała się gałąź oparta na danych behawioralnych z urządzeń mobilnych. Pożyczkodawca mógł, po udzieleniu przez konsumenta stosownych zgód, przeanalizować, o której godzinie zazwyczaj odbiera połączenia, jak długo trwa jego typowa rozmowa telefoniczna czy jak często zmienia lokalizację. Modele tłumaczyły te wzorce na wskaźniki stabilności życiowej i korelowały je z historyczną spłacalnością.
Problem w tym, że te korelacje bywały statystycznie realne, ale etycznie problematyczne. Osoba, która zasypia późno i pracuje w nocy, mogła uzyskać gorszy scoring niż ta, która prowadzi „normalny” tryb życia — choć obie miały identyczną zdolność finansową. To właśnie te dyskryminacyjne wzorce zwróciły uwagę regulatorów.
Nowe regulacje a scoring alternatywny — co branża musi zmienić
Zmiany regulacyjne dotykają scoringu alternatywnego z kilku stron jednocześnie. Unijne rozporządzenie o sztucznej inteligencji, nowelizowane przepisy o ochronie danych osobowych oraz wytyczne europejskich organów nadzoru finansowego tworzą razem nową mapę wymagań. Instytucje, które dotychczas działały w szarej strefie interpretacyjnej, teraz muszą podjąć konkretne decyzje.
Trzy obszary zmian wywierają największy wpływ na codzienne działanie firm:
- Przejrzystość algorytmów — konsument ma prawo żądać wyjaśnienia, dlaczego jego wniosek został odrzucony, i to wyjaśnienie musi być zrozumiałe, nie wystarczy odpowiedź „model tak zdecydował”.
- Zakaz określonych kategorii danych — dane dotyczące aktywności w mediach społecznościowych, danych o lokalizacji powiązanych z zachowaniem czy wnioskowania o cechach chronionych (takich jak stan zdrowia) stają się niedopuszczalne lub wymagają szczególnych podstaw prawnych.
- Obowiązki audytowe — modele wysokiego ryzyka w rozumieniu AI Act muszą przechodzić regularne audyty pod kątem dyskryminacji i błędów systemowych, a wyniki tych audytów mają trafiać do organów nadzoru.
Po wejściu w życie tych wymagań wiele firm odkrywa, że ich modele są albo niemożliwe do wyjaśnienia w sposób wymagany przez przepisy, albo opierają się na danych, których dalsze przetwarzanie jest niemożliwe. To nie kosmetyczna korekta — to konieczność przebudowy fundamentów.
Wymóg wyjaśnialności jako największe wyzwanie techniczne
Modele oparte na głębokim uczeniu maszynowym, szczególnie sieci neuronowe z setkami warstw i tysiącami cech wejściowych, są z natury „czarnymi skrzynkami”. Banki i pożyczkodawcy przez lata inwestowali w ich precyzję — teraz okazuje się, że precyzja bez wyjaśnialności nie spełnia nowych wymogów.
Techniki explainable AI (XAI) — takie jak SHAP czy LIME — pozwalają na przybliżone wyjaśnienie decyzji modelu, ale to „przybliżone” budzi wątpliwości prawne. Organy nadzoru w kilku krajach UE jasno sygnalizują, że oczekują wyjaśnień deterministycznych lub co najmniej odpornych na manipulację. Firmy muszą więc wybierać: uproszczenie modeli kosztem precyzji lub inwestycja w nowe architektury XAI, które dopiero dojrzewają.
Jak zmiany chronią konsumenta — i gdzie pojawiają się nowe ryzyka
Z perspektywy konsumenta nowe przepisy oferują wymierne korzyści. Przede wszystkim prawo do wyjaśnienia decyzji przestaje być teorią — instytucja finansowa nie może odesłać klienta do ogólnych informacji o tym, że „ocena opiera się na wielu czynnikach”. Musi wskazać konkretne czynniki, które zaważyły na decyzji, w sposób zrozumiały dla przeciętnej osoby bez wiedzy technicznej.
Konsument zyskuje też realne narzędzia zaskarżenia. Jeśli wyjaśnienie wskazuje na czynnik, który jest niedopuszczalny lub nieprawdziwy, można żądać ponownego rozpatrzenia wniosku z pominięciem tego czynnika. W systemach, które działały dotychczas jak nieprzejrzyste filtry, to zmiana jakościowa.
Nie wszystkie konsekwencje zmian są jednak jednoznacznie korzystne dla osób bez historii kredytowej. Zaostrzenie wymogów dotyczących danych alternatywnych sprawi, że część modeli po prostu wypadnie z rynku lub zostanie radykalnie uproszczona. Dla instytucji, której scoring działał na 200 cechach wejściowych, a teraz może używać 40 zatwierdzonych — prognozy są mniej precyzyjne. Mniej precyzyjny model to wyższe postrzegane ryzyko, a wyższe ryzyko przekłada się na droższy kredyt lub częstsze odrzucenia.
Paradoksalnie nowe regulacje mogą więc utrudnić dostęp do finansowania właśnie tej grupie, którą scoring alternatywny miał obsługiwać. To klasyczny dylemat regulacyjny: ochrona przed dyskryminacją kontra ryzyko finansowego wykluczenia przez zbyt konserwatywne modele.
Scoring alternatywny po zmianach — jak branża adaptuje swoje modele
Reakcje firm na zmieniające się otoczenie regulacyjne są zróżnicowane, ale da się wyróżnić kilka dominujących strategii. Duże instytucje z zasobami na badania i rozwój inwestują w tzw. modele hybrydowe — łączące tradycyjne dane z biur informacji kredytowej z wąskim zestawem alternatywnych źródeł, które przeszły weryfikację prawną.
Mniejsze podmioty, dla których rozbudowane modele były zbyt kosztowne w utrzymaniu, nierzadko wycofują się z najbardziej kontrowersyjnych kategorii danych z własnej inicjatywy, zanim regulacje wejdą w pełni w życie. To strategia defensywna, ale pragmatyczna — lepiej uprościć model teraz niż ryzykować postępowanie nadzorcze.
Osobny nurt reprezentują dostawcy danych alternatywnych, którzy aktywnie przeprojektowują swoje produkty pod nowe wymogi. Zamiast surowych danych behawioralnych oferują „czyste” wskaźniki — przykładowo regularność płatności rachunków za media, ale bez wnioskowania o lokalizacji czy trybie życia. Taki wskaźnik jest łatwiejszy do wyjaśnienia i mniej podatny na zarzut dyskryminacji.
Rola otwartej bankowości w nowym środowisku
Open banking staje się w tym kontekście naturalnym sojusznikiem regulowanego scoringu alternatywnego. Dane z rachunku bankowego, udostępniane za wyraźną zgodą konsumenta przez interfejsy API, spełniają kilka wymogów jednocześnie: są weryfikowalne, dotyczą rzeczywistych przepływów finansowych i bazują na świadomej, konkretnej zgodzie — nie na ogólnym „akceptuję regulamin”.
Analiza historii transakcji bankowych pozwala ocenić regularne wpływy, stabilność dochodów sezonowych, wzorce wydatków i stosunek wydatków stałych do dochodów. Te czynniki są bezpośrednio powiązane ze zdolnością kredytową i stosunkowo łatwe do wyjaśnienia konsumentowi. Właśnie dlatego w wielu krajach UE obserwujemy wyraźny wzrost zainteresowania modelami opartymi na open banking kosztem modeli telekomunikacyjnych i behawioralnych.
Dane z 2024 roku wskazują, że ok. 35% fintechów oferujących produkty kredytowe w Europie Zachodniej w ciągu dwóch lat planuje przestawić się na modele oparte wyłącznie lub głównie na danych bankowych. To wyraźny sygnał, w którym kierunku branża widzi bezpieczniejszą przyszłość.
Co zmiany regulacyjne oznaczają dla rynku w perspektywie najbliższych lat
Rynek scoringu alternatywnego przechodzi właśnie fazę selekcji. Modele, które były precyzyjne, ale nieprzejrzyste, będą musiały ustąpić miejsca modelom mniej precyzyjnym, ale możliwym do audytowania. Część graczy rynkowych nie przetrwa tej tranzycji — nie dlatego, że działali nieuczciwie, ale dlatego, że ich przewaga konkurencyjna tkwiła w złożoności, która teraz stała się obciążeniem regulacyjnym.
Konsumenci zyskują większą ochronę przed arbitralnymi decyzjami, ale płacą za to dostępnością — przynajmniej w krótkim terminie. W dłuższej perspektywie rynek prawdopodobnie wypracuje nową równowagę: mniej operatorów, lepiej uregulowanych, oferujących produkty mniej zróżnicowane, ale bardziej przewidywalne.
Dla konsumenta poruszającego się w nowym środowisku regule jest prosta: warto wiedzieć, jakie dane instytucja przetwarza przy ocenie wniosku, i korzystać z prawa do wyjaśnienia decyzji, gdy wynik jest niekorzystny. Nowe przepisy dają to narzędzie — pozostaje z niego skorzystać.
