Slik moderniserer AI utlån ved siden av eldre banksystemer uten utskifting

Ethvert inngrep i en banks kjernesystem får et ingeniørteam til å grøsse. Eldre løsninger er rigide, så en enkelt endring kan bruke en måned på å komme gjennom hele prosessen. Utlån, som er en av bankens viktigste inntektskilder, merker dette aller mest.

Alle som har lansert en versjon i et bankkjernesystem, kjenner mønsteret: Et nytt produkt trenger et nytt godkjenningsnivå, en revidert dokumentsjekkliste, en justert scoringsregel og en oppdatert rapporteringsstrøm, og hvert punkt berører kode som har kjørt i flere tiår.

Dermed blir nye produkter og oppdateringer utsatt selv når alle er enige om at de trengs: Risikoen for en feil har alltid veid tyngre enn risikoen ved å vente. Eller rettere sagt, slik var det før, for i dag har det blitt en langt større risiko å bli hengende etter den teknologiske utviklingen.

Tenk deg imidlertid en separat utlånsplattform som konfigureres av AI og settes i drift ved siden av kjernesystemet. Nye kredittløp kjører uavhengig og kobles til kjernesystemet gjennom integrasjoner. På denne måten blir endringer i utlånsinfrastrukturen en rekke små, testede versjoner, og feil oppdages i testingen før de når en ekte låntaker. Kan dette redusere belastningen for ingeniørteamene?

Etterspørselen vokser raskere enn gamle kjernesystemer kan endres

Markedet for programvare for låneopprettelse forventes å vokse med en gjennomsnittlig årlig rate på 11,8% frem til 2030, ifølge The Business Research Company. Til sammenligning er det nesten samme tempo som i det bredere markedet for bedriftsprogramvare, basert på Technavios prognoser. Det er verdt å merke seg, siden utlån vanligvis er den delen av bankens teknologistakk som er mest motvillig til endring.

En drivkraft bak veksten er stivheten i eldre kjernesystemer, som forsinker endringer i utlånsområdet. Banker og fintechselskaper kjøper i økende grad verktøy som lar dem lansere kredittprodukter rundt kjernesystemet uten å vente i månedsvis på godkjenning av en liten oppdatering.

Ingeniørteamene vet at én feil kan bli svært kostbar. I april 2018 flyttet TSB Bank kundedataene sine til en ny plattform, som sviktet så snart den ble satt i drift. En betydelig andel av kundene mistet tilgangen til banktjenester, og banken pådro seg store tap. Mange ingeniørteam viser fortsatt til denne saken hver gang de planlegger en ny versjon av kjernesystemet.

I utlån treffer dessuten feil balansen direkte. En feilkonfigurert godkjenningsterskel godkjenner lån som skulle vært avslått, eller avviser låntakere som var kvalifiserte. Begge feilene viser seg som tap eller tapte inntekter i løpet av få uker.

Hvor AI gir størst effekt i utlån

Banker begynner vanligvis å ta i bruk AI gjennom de mest kjente og tilsynelatende trygge integrasjonene: chatboter og serviceassistenter i kundegrensesnittet. En långiver som legger til en chatbot, påtar seg imidlertid en mindre synlig risiko. Generative modeller gir noen ganger feil svar med full selvsikkerhet. I Grant Thorntons AI Impact Survey 2026 sa bare 18% av banklederne at de hadde full tillit til AI-kontrollene sine.

AI gir effekt i utlån gjennom hvor raskt en långiver kan endre det som omgir kredittbeslutningen. Selve beslutningen forblir hos godkjente scoringsmodeller og kredittutvalg.

Hastighet har alltid hatt kommersiell verdi. Å endre utlånsinfrastrukturen i et eldre kjernesystem krever 12 til 18 måneders ingeniørarbeid, og nye lanseringer står stille i hele denne perioden. En fullstendig utskifting av kjernesystemet tar tre til fem år. I mellomtiden søker låntakerne andre steder.

Federal Reserves rapport fra 2026 om virksomheter med ansatte viste at andelen amerikanske småbedrifter som søkte kreditt og henvendte seg til nettbaserte fintechlångivere, økte fra 17% i 2020 til 29% i 2025. Mange virksomheter oppga raskere beslutninger som en årsak.

AI starter med forretningskravet

I stedet for å utføre analyser eller delta i kredittbeslutninger kan AI gi stor verdi i konfigurasjonsarbeidet som bidrar til å lansere og oppdatere kredittprodukter. Inndataene er et forretningskrav skrevet av produkteierne. Et kredittteam beskriver hva det ønsker: hvem som kan søke, hvilke dokumenter som kreves, godkjenningsnivåene, hvilke data som inngår i scoren, hva som rapporteres, og når.

AI gjør hvert punkt om til plattformkonfigurasjon: kvalifikasjonskriterier, en dokumentsjekkliste, en godkjenningsflyt med nivåene sine, forbindelser til datakildene bak scoren og en rapporteringsplan. I et eldre kjernesystem bygger ingeniørene hvert element manuelt, og hver endring går gjennom en full lanseringssyklus. Med AI bygges produktet funksjon for funksjon på et felles fundament. Ingeniør- og etterlevelsesteamene gjennomgår og tester hver endring før den settes i drift, og de beholder den endelige godkjenningen.

Kravet kan være helt uavhengig av det eksisterende kjernesystemet. AI trenger ikke å lese eller tolke kjernesystemets logikk, så en långiver kan spesifisere et produkt som det nåværende systemet aldri ble utviklet for å støtte. To tiår med udokumentert kode forblir urørt.

Det nye kredittløpet kjører på en separat plattform som er satt i drift ved siden av kjernesystemet. De to kobles sammen gjennom integrasjoner, mens kjernesystemet beholder eksisterende poster og funksjoner. Ingen av koden trenger å skrives om før et nytt produkt kan lanseres.

Bygg videre på dataene som finnes i dag

Mange AI-prosjekter i banksektoren stopper imidlertid opp på grunn av data. Men det er ikke noe reelt behov for en enorm database: Den er bra å ha, men ikke et krav. AI utarbeider kredittvurderingsreglene og datakravene rundt kildene som finnes, og risikoteamet godkjenner dem før noe settes i gang. Når en kilde mangler, definerer systemet hvordan den skal samles inn: opplysninger fra låntakeren, opplysninger fra garantisten, obligatoriske dokumenter og dokumenter som kan lastes opp, samt eksterne datakilder.

Denne prosessen for å “bygge data” hjelper banker og fintechselskaper med å utvide den faktiske databeholdningen sin, inkludert manglene, og leverandørenes antakelser om hva som allerede burde være samlet inn, slutter å styre prosjektet.

Databeredskap slutter å være en forutsetning for å lansere et kredittprodukt og blir en del av det samme konfigurasjonstrinnet.

Produktendring mot endring av kjernesystemet

For de fleste långivere er det praktiske spørsmålet om nye kredittprodukter kan lanseres og eksisterende produkter kan tilpasses mens en flerårig migrering av kjernesystemet fortsetter. En separat utlånsplattform, konfigurert med AI basert på forretningskrav, besvarer dette spørsmålet. En långiver kan lansere og justere kredittprodukter hvert kvartal mens programmet for kjernesystemet følger sin egen tidsplan. Det er i denne frakoblingen AI viser sin verdi i utlån i dag.