Efficiency in Lending : How FinTechs and Banks Compete in the Modern Market

Abstract

Finanssiteknologiaan perustuvat luotonantajat kilpailevat yhä suoremmin perinteisten pankkien kanssa, mutta niiden suhteellisesta tehokkuudesta on vain vähän vertailukelpoista näyttöä, etenkin tekoälyn ja vaihtoehtoisen datan nopean yleistymisen jälkeen. Tätä aukkoa paikataan monimenetelmällisellä tutkimusasetelmalla, joka yhdistää kirjallisuuskatsauksen ja Upstart Inc.:hen kohdistuvan tapaustutkimuksen. Empiirisessä osassa luotonannon tehokkuutta mitataan järjestämättömien saamisten osuudella (NPL suhde) ja hyödynnetään FFIEC:n viranomaisraportteja: verrokkijoukkona 1 650 yhdysvaltalaista ei kumppanipankkia ja tarkastelujoukkona 10 pankkia, jotka integroivat Upstartin tekoälypohjaisen luottoarvioinnin osaksi luottopäätösprosessia. Vertailu perustuu kumppanipankkien NPL trendien ja salkun suorituskyvyn vaihtelun muutoksiin ennen ja jälkeen käyttöönoton sekä rinnakkaiseen vertailuun verrokkipankkeihin.

Tulokset osoittavat, että kumppanipankkien keskimääräinen NPL suhde aleni noin kolmanneksen käyttöönoton jälkeen ja suorituskyvyn hajonta supistui, mikä viittaa luottoriskin arvioinnin tarkentumiseen ja prosessien tasalaatuisuuteen. Mediaanit olivat ryhmien välillä lähellä toisiaan, mikä viittaa siihen, että parannukset olivat voimakkaimpia pankeissa, joilla lähtötaso oli heikoin; samalla hajonnan pienentyminen kertoo tasalaatuisemmasta salkun hallinnasta. Vaikutus ei kuitenkaan ollut yhtenäinen: osassa pankeista havaittiin NPL suhteen nousua, mikä korostaa pankkikohtaisten käytäntöjen, segmenttivalintojen ja paikallisten suhdanteiden merkitystä. Teoreettisesti havainnot kytkeytyvät tietoepäsymmetrian pienenemiseen, markkinasegmentaation dynamiikkaan ja tehokkuusraja ajatteluun (esim. stokastinen raja analyysi), jotka selittävät, miten dataintensiivinen luottoarviointi voi siirtää toimijat lähemmäs tehokkuusrajaa.

Metodologisesti tutkimus nojaa standardoituihin viranomaisraportteihin ja ennen–jälkeen asetelmaan, mutta kausaalisuutta ei väitetä todistetuksi; mahdolliset valikoitumisharhat, lyhyehkö tarkastelujakso ja raportointierot rajaavat yleistettävyyttä. Tulokset viittaavat siihen, että tekoälyyn ja vaihtoehtoiseen dataan tukeutuva luottoprosessi voi kumppanuuksien kautta tai itsenäisesti parantaa operatiivista tehokkuutta erityisesti vakuudettomissa kuluttajaluotoissa, mikä vahvistaa kilpailuasemaa, kun toteutus, läpinäkyvyys ja oikeudenmukainen riskihinnoittelu ovat kunnossa. Laajempi poikkialueellinen tarkastelu ja pidemmät aikasarjat ovat perusteltuja havaintojen yleistettävyyden vahvistamiseksi.

FinTech lenders now compete directly with traditional banks, yet comparable evidence on their relative efficiency is limited, especially after the rapid spread of artificial intelligence and alternative data in credit decision‑making. This study addresses that gap with a multimethod design combining a literature review and a case study of Upstart Inc. Efficiency is measured using the non‑performing loan (NPL) ratio for personal loans and FFIEC regulatory call reports: a benchmark set of 1,650 U.S. non‑partner banks and a focal set of 10 banks that integrated Upstart’s AI‑based credit assessment into their loan‑decision process. We compare changes in partner banks’ NPL levels and dispersion before and after adoption and, in parallel, against the benchmark group.

Partner banks’ average NPL ratio fell by about one third after adoption, and performance dispersion narrowed, signals of sharper credit‑risk assessment and more uniform processes. Group medians were similar, implying gains were largest where starting points were weaker; lower dispersion indicates steadier portfolio management. Effects were heterogeneous: some banks’ NPLs rose, underscoring the roles of implementation quality, segment choices, and local cycles. The results accord with reduced information asymmetry, market segmentation, and frontier‑efficiency views (stochastic frontier analysis; data envelopment analysis) that explain how data‑intensive credit assessment moves lenders toward an efficiency frontier. The design relies on standardized reports and a before–after comparison and does not claim causality. Even so, the evidence suggests that AI‑ and alternative‑data‑enabled credit processes, through partnerships or in‑house capabilities, can raise operational efficiency in unsecured consumer credit, provided transparency and fair risk‑based pricing are maintained.