Sådan moderniserer AI udlån ved siden af ældre banksystemer uden udskiftning

Ethvert indgreb i en banks kernesystem får et ingeniørteam til at krympe sig. Ældre løsninger er ufleksible, så en enkelt ændring kan tage en måned at få hele vejen igennem. Det rammer især udlån, som er en af bankens største indtægtskilder.

Enhver, der har udrullet en version på et bankkernesystem, kender mønstret: Et nyt produkt kræver et nyt godkendelsesniveau, en revideret dokumenttjekliste, en justeret scoringsregel og en opdateret rapporteringsstrøm, og hvert element berører kode, der har kørt i årtier.

Derfor bliver nye produkter og opdateringer udskudt, selv når alle er enige om, at de er nødvendige: Risikoen for en fejl har altid vejet tungere end risikoen ved at vente. Eller rettere, sådan var det før, for i dag er det blevet en langt større risiko at sakke bagud i forhold til den teknologiske udvikling.

Forestil dig imidlertid en separat udlånsplatform, der konfigureres med AI og sættes i drift ved siden af kernesystemet. Nye kreditforløb kører uafhængigt og forbindes med kernesystemet gennem integrationer. På den måde bliver ændringer i udlånsinfrastrukturen til en række små, afprøvede versioner, og fejl opdages under test, før de når en rigtig låntager. Kan det lette presset på ingeniørteamene?

Efterspørgslen vokser hurtigere, end ældre kernesystemer kan ændres

Markedet for software til låneoprettelse forventes at vokse med en gennemsnitlig årlig rate på 11,8% frem til 2030 ifølge The Business Research Company. Til sammenligning er det næsten samme tempo som det bredere marked for virksomhedssoftware baseret på Technavios prognoser. Det er værd at huske, da udlån normalt er den del af bankens teknologistak, der er mest modvillig over for forandring.

En drivkraft bag væksten er de ældre kernesystemers ufleksibilitet, som forsinker ændringer i udlånsområdet. Banker og fintechvirksomheder køber i stigende grad værktøjer, der lader dem lancere kreditprodukter rundt om kernesystemet uden at vente i flere måneder på godkendelse af en lille opdatering.

Ingeniørteamene ved, at en enkelt fejl kan blive meget dyr. I april 2018 flyttede TSB Bank sine kundedata til en ny platform, som brød sammen, så snart den gik i drift. En betydelig del af kunderne mistede adgangen til banktjenester, og banken led store tab. Mange ingeniørteam nævner stadig sagen, hver gang de planlægger en ny version af kernesystemet.

I udlån rammer fejl desuden balancen direkte. En forkert konfigureret godkendelsestærskel godkender lån, der burde være afvist, eller afviser låntagere, som var kvalificerede. Begge fejl viser sig som tab eller mistede indtægter inden for få uger.

Hvor AI giver størst løft i udlån

Banker begynder normalt at indføre AI gennem de mest velkendte og tilsyneladende sikre integrationer: chatbots og serviceassistenter i kundegrænsefladen. En långiver, der tilføjer en chatbot, påtager sig dog en mindre synlig risiko. Generative modeller giver undertiden forkerte svar med fuld selvsikkerhed. I Grant Thorntons AI Impact Survey 2026 sagde kun 18% af banklederne, at de havde fuld tillid til deres AI-kontroller.

AI’s løft i udlån kommer fra, hvor hurtigt en långiver kan ændre alt det, der omgiver kreditbeslutningen. Selve beslutningen forbliver hos godkendte scoringsmodeller og kreditudvalg.

Hastighed har altid haft kommerciel værdi. Ændring af udlånsinfrastrukturen på et ældre kernesystem kræver 12 til 18 måneders ingeniørarbejde, og nye lanceringer står stille i hele perioden. En fuldstændig udskiftning af kernesystemet tager tre til fem år. Imens søger låntagerne andre steder.

Federal Reserves rapport fra 2026 om virksomheder med ansatte viste, at andelen af amerikanske små virksomheder, der søgte kredit og henvendte sig til online fintechlångivere, steg fra 17% i 2020 til 29% i 2025. Mange virksomheder pegede på hurtigere beslutninger som en årsag.

AI tager udgangspunkt i forretningskravet

I stedet for at udføre analyser eller deltage i kreditbeslutninger kan AI skabe stor værdi i det konfigurationsarbejde, der hjælper med at lancere og opdatere kreditprodukter. Inputtet er et forretningskrav skrevet af de produktansvarlige. Et kreditteam beskriver, hvad det ønsker: hvem der kan ansøge, hvilke dokumenter der kræves, godkendelsesniveauerne, hvilke data der indgår i scoren, hvad der rapporteres, og hvornår.

AI omsætter hvert punkt til platformskonfiguration: kriterier for berettigelse, en dokumenttjekliste, et godkendelsesforløb med dets niveauer, forbindelser til datakilderne bag scoren og en rapporteringsplan. På et ældre kernesystem bygger ingeniørerne hvert element manuelt, og hver ændring gennemgår en fuld udgivelsescyklus. Med AI bygges produktet funktion for funktion på et fælles fundament. Ingeniør- og compliance-teamene gennemgår og tester hver ændring, før den går i drift, og de beholder den endelige godkendelse.

Kravet kan være helt uafhængigt af det eksisterende kernesystem. AI behøver ikke at læse eller fortolke kernesystemets logik, så en långiver kan specificere et produkt, som det nuværende system aldrig blev designet til at understøtte. To årtiers udokumenteret kode forbliver uberørt.

Det nye kreditforløb kører på en separat platform, der er sat i drift ved siden af kernesystemet. De to forbindes gennem integrationer, mens kernesystemet beholder sine eksisterende poster og funktioner. Ingen af dets kode behøver at blive skrevet om, før et nyt produkt kan lanceres.

Byg videre på de data, der findes i dag

Mange AI-projekter i banker går dog i stå på grund af data. Men der er ikke noget reelt behov for en enorm database: Den er god at have, men ikke et krav. AI udarbejder kreditvurderingsreglerne og datakravene ud fra de kilder, der findes, og risikoteamet godkender dem, før noget sættes i gang. Når en kilde mangler, fastlægger systemet, hvordan den skal indsamles: oplysninger fra låntageren, oplysninger fra kautionisten, obligatoriske dokumenter og dokumenter, der kan uploades, samt eksterne datakilder.

Denne proces med at “opbygge data” hjælper banker og fintechvirksomheder med at udvide deres faktiske databeholdning, inklusive dens mangler, og leverandørernes antagelser om, hvad der allerede burde være indsamlet, holder op med at styre projektet.

Databeredskab holder op med at være en forudsætning for lancering af et kreditprodukt og bliver en del af det samme konfigurationstrin.

Produktændring kontra ændring af kernesystemet

For de fleste långivere er det praktiske spørgsmål, om nye kreditprodukter kan lanceres og eksisterende produkter kan tilpasses, mens en flerårig migration af kernesystemet fortsætter. En separat udlånsplatform, der konfigureres med AI ud fra forretningskrav, besvarer det spørgsmål. En långiver kan lancere og justere kreditprodukter hvert kvartal, mens kernesystemprogrammet følger sin egen tidsplan. Det er i denne adskillelse, at AI viser sin værdi i udlån i dag.