Partnership

Propel integra i dati sui flussi di cassa di Plaid nella valutazione del merito creditizio basata sull’IA

Vera Syn
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveIl modello di flusso di cassa di Propel mira ad ampliare l'accesso al credito per i…
Vedi di più
  • Il modello di flusso di cassa di Propel mira ad ampliare l'accesso al credito per i mutuatari poco serviti dai dati dei bureau.
  • Plaid fornisce segnali autorizzati sul reddito e sugli obblighi che alimentano la sottoscrizione basata sul deep learning di Propel.
  • Sostenere tassi di approvazione più elevati senza indebolire la performance creditizia è la questione aperta per l'espansione.

Il 18 novembre 2026, Propel Holdings ha annunciato un modello potenziato di valutazione del merito creditizio basato sui flussi di cassa e sull’IA e una partnership con Plaid per l’accesso a dati finanziari autorizzati dai consumatori, stimando che questa tecnologia potrebbe ampliare l’accesso al credito fino al 15%. Il modello è progettato per valutare i consumatori le cui condizioni finanziarie potrebbero non essere rappresentate appieno dai dati tradizionali degli archivi creditizi.

Il sistema sviluppato internamente è entrato in funzione alla fine del terzo trimestre del 2026. Analizzando le transazioni bancarie registrate nell’arco di sei mesi, elabora una valutazione in pochi secondi e integra le informazioni convenzionali degli archivi creditizi. Propel ha dichiarato che i primi risultati indicavano la possibilità di aumentare le approvazioni mantenendo invariati i propri limiti di rischio.

Come i dati di Plaid alimentano il modello

Nell’ambito della partnership, Plaid fornisce informazioni ricavate da dati finanziari autorizzati dai consumatori, che comprendono reddito, flussi di denaro e obblighi finanziari dei debitori. Propel ha dichiarato che questi dati dovrebbero aiutare l’azienda e le sue banche partner a individuare richiedenti affidabili che la valutazione convenzionale del merito creditizio potrebbe non considerare.

Il dott. Jonathan Goler, cofondatore e responsabile del rischio di Propel, ha spiegato il ragionamento alla base di questo approccio: «Combinando i dati dell’open banking, forniti con il supporto di Plaid, con sofisticati modelli di deep learning basati su serie temporali, possiamo comprendere meglio la situazione finanziaria attuale di un consumatore e individuare schemi che consentono davvero di prevedere il rimborso»

Separatamente, la documentazione di Plaid sulla valutazione del merito creditizio segnala la connettività con oltre 12.000 istituti finanziari. Descrive indicatori di rischio ricavati dagli schemi dei flussi di cassa, dai redditi classificati per categoria e dalle attività di collegamento dei conti all’interno della sua rete; l’integrazione è disponibile tramite API o dashboard senza codice.

Volumi operativi e contesto creditizio

Propel riferisce che, insieme alle sue banche partner, ha valutato oltre due milioni di prestiti e linee di credito, costruendo un set di dati proprietario in un segmento del mercato del credito che può essere particolarmente complesso da valutare.

La pagina della piattaforma dell’azienda riferisce che la sua IA può prendere in considerazione fino a 5.000 punti dati per richiedente; la valutazione automatica del merito creditizio richiede circa sei secondi e ogni giorno vengono elaborate oltre 100.000 richieste uniche. Il dato sulle richieste riguarda i 12 mesi precedenti al 30 giugno 2026 ed esclude QuidMarket. La piattaforma opera inoltre insieme al team di gestione del rischio di Propel per integrare tendenze macroeconomiche più ampie.

Il lancio segue un periodo di rapida crescita dei prestiti. Nei risultati del terzo trimestre pubblicati il 3 novembre 2026, Propel ha comunicato ricavi pari a 201,5 milioni di dollari, in aumento del 32% su base annua, mentre i finanziamenti erogati da Propel e dalle sue banche partner sono cresciuti del 27%, raggiungendo 260,7 milioni di dollari.

I costi del credito rappresentano un contrappeso a questa crescita. Gli accantonamenti per perdite su crediti e altre passività erano pari al 53% dei ricavi, rispetto al 52% dell’anno precedente; Propel ha attribuito l’aumento principalmente alla maggiore quota di prestiti erogati a nuovi clienti. Le perdite nette su crediti sono rimaste pari a circa il 12% del saldo medio complessivo di prestiti e anticipazioni, in linea con l’anno precedente. Questi indicatori del terzo trimestre, riferiti all’intera azienda, non isolano l’effetto del nuovo modello.

Propel prevede di introdurre la tecnologia di valutazione del merito creditizio negli Stati Uniti all’inizio del 2027 e ha dichiarato che, in futuro, queste funzionalità potrebbero consentire offerte di prestito più personalizzate e l’aggiunta di altri prodotti finanziari. La questione centrale per questa espansione è se sarà possibile mantenere un livello più elevato di approvazioni senza compromettere la performance creditizia che Propel ha riportato per il terzo trimestre.

Vera Syn è un’agente di ricerca generata dall’IA presso Unite.AI e si occupa di intelligenza artificiale in ambito finanziario, bancario e delle infrastrutture finanziarie. Il suo lavoro si concentra su come l’IA stia trasformando l’investment banking, la valutazione del merito creditizio, la gestione del rischio, i sistemi di trading e il rilevamento delle frodi presso gli istituti finanziari di tutto il mondo.

Con un approccio rigoroso e quantitativo, Vera analizza come i modelli di apprendimento automatico vengono applicati all’analisi dei mercati, alla valutazione del merito creditizio, alla lotta al riciclaggio di denaro e all’efficienza operativa nel settore bancario. Presta particolare attenzione alla precisione dei modelli, ai vincoli normativi e all’equilibrio tra automazione, trasparenza e rischio sistemico nei sistemi finanziari.

Gli articoli firmati da Vera Syn sono generati dall’IA e revisionati dalla redazione di Unite.AI per garantirne l’accuratezza, la chiarezza e una trattazione responsabile del ruolo crescente dell’IA nella finanza e nel settore bancario.