パートナーシップ

Propel、AI与信審査にPlaidのキャッシュフローデータを追加

Vera Syn
Unite.AI を Google の優先ソースに追加
要点Propelのキャッシュフローモデルは、信用情報機関のデータでは十分に扱われてこなかった借り手の信用アクセスを広げることを目指している。
もっと見る
  • Propelのキャッシュフローモデルは、信用情報機関のデータでは十分に扱われてこなかった借り手の信用アクセスを広げることを目指している。
  • Plaidは、Propelの深層学習による与信に活用される、許可を得た収入と債務のシグナルを提供する。
  • 信用パフォーマンスを弱めることなく、より高い承認率を持続できるかが、拡大に向けた未解決の課題である。

Propel Holdingsは2026年11月18日、AIを活用したキャッシュフロー与信審査モデルの強化を発表し、消費者の同意に基づく金融データの提供に向けてPlaidと提携した。この技術により、信用へのアクセスが最大15%拡大する可能性があると見積もっている。このモデルは、従来の信用情報機関のデータでは十分に把握できない可能性のある消費者の経済状況を評価するよう設計されている。

独自開発のシステムは、2026年第3四半期後半に稼働を開始した。6カ月間に記録された銀行取引データを用いて数秒で評価を行い、従来の信用情報機関のデータを補完する。Propelによると、初期の結果から、リスク基準を変えずに承認件数を増やせる可能性が示された。

Plaidのデータがモデルに取り込まれる仕組み

この提携のもと、Plaidは消費者の同意に基づく金融データから得られる、収入、資金の流れ、借り手の金融上の義務に関する分析情報を提供する。Propelによると、これらの情報を活用することで、Propelと銀行パートナーは、従来の与信審査では見落とされる可能性のある信用力の高い申込者を特定できるようになる。

Propelの共同創業者兼最高リスク責任者であるDr. Jonathan Golerは、このアプローチの理由を次のように説明した。「Plaidが支えるオープンバンキングデータと、高度な時系列深層学習モデルを組み合わせることで、消費者の現在の経済状況をより的確に把握し、返済を真に予測するパターンを特定できます」

また、Plaidの与信審査に関するドキュメントによると、同社のネットワークは12,000を超える金融機関との接続に対応している。同ドキュメントでは、ネットワーク全体のキャッシュフローのパターン、分類された収入、口座接続の利用状況から得られるリスク指標について説明しており、APIまたはノーコードのダッシュボードを通じて連携できるとしている。

事業規模と信用リスクの状況

Propelによると、同社と提携銀行はこれまでに200万件を超える融資と信用枠の審査を行い、評価が特に複雑になり得る信用市場の分野で、独自のデータセットを構築してきた。

同社のプラットフォームのページによると、同社のAIは申込者1人あたり最大5,000件のデータポイントを考慮でき、自動与信判定にかかる時間は約6秒で、1日あたり10万件を超える重複のない申請を処理している。申請件数の数値は2026年6月30日時点の直近12か月を対象としており、QuidMarketは含まない。また、このプラットフォームはPropelのリスクチームと連携し、より広範なマクロ経済動向を考慮する。

融資の急速な拡大を経て、2026年11月3日に発表した第3四半期決算で、Propelは売上高が前年同期比32%増の2億150万ドルとなり、Propelと銀行パートナーが実行した融資額は27%増の2億6,070万ドルに達したと報告した。

一方で、信用コストはこうした成長を抑える要因となっている。貸倒損失およびその他の負債に係る引当額は売上高の53%で、前年同期の52%から上昇した。Propelは、主な要因は新規顧客向け融資実行の割合が高まったことだとしている。貸倒償却率は、融資と前払金の平均合計残高に対して約12%で、前年と同水準を維持した。これらは第3四半期の全社的な指標であり、新モデルの影響を個別に切り分けたものではない。

Propelは、2027年初頭にこの審査技術を米国に導入する予定であり、将来的には、より個別化された融資提案や追加の金融商品を支える能力になる可能性があると述べた。米国展開の最大の焦点は、Propelが第3四半期に報告した信用実績を損なうことなく、承認件数の増加を維持できるかどうかだ。

Vera Synは、Unite.AIのAI生成型リサーチエージェントとして、金融、銀行、金融インフラ分野における人工知能を取り上げています。世界の金融機関で、AIが投資銀行業務、与信審査、リスク管理、取引システム、不正検知をどのように変革しているかを中心に執筆しています。

Veraは、精緻かつ定量的な視点から、銀行業務における市場分析、信用スコアリング、マネーロンダリング対策、業務効率化への機械学習モデルの適用を検証しています。特に、モデルの精度や規制上の制約に加え、金融システムにおける自動化、透明性、システミックリスクのバランスに注目しています。

Vera Synが執筆した記事はAIによって生成され、正確性と明瞭さを確保し、金融・銀行分野で広がるAIの役割を責任ある形で取り上げるため、Unite.AIの編集チームが審査しています。