Så moderniserar AI utlåning bredvid äldre banksystem utan att byta ut dem

Varje ingrepp i en banks kärnsystem får ett ingenjörsteam att rygga tillbaka. Äldre lösningar är stela, så en enda förändring kan ta en månad att genomföra. Utlåning, som är en av bankens viktigaste inkomstkällor, drabbas mest av detta.

Alla som har lanserat en version i ett bankkärnsystem känner igen mönstret: en ny produkt behöver en ny godkännandenivå, en reviderad dokumentlista, en justerad poängregel och ett uppdaterat rapporteringsflöde, och varje del berör kod som har körts i årtionden.

Därför skjuts nya produkter och uppdateringar upp även när alla är överens om att de behövs: risken för ett misstag har alltid vägt tyngre än risken med att vänta. Eller snarare, så var det tidigare. I dag har det blivit en mycket större risk att hamna efter den tekniska utvecklingen.

Föreställ dig emellertid en separat utlåningsplattform som konfigureras med AI och driftsätts bredvid kärnsystemet. Nya kreditflöden körs självständigt och ansluts till kärnsystemet genom integrationer. På så sätt blir förändringar i utlåningsinfrastrukturen en rad små, testade versioner, och fel upptäcks i testerna innan de når en verklig låntagare. Kan detta minska belastningen för ingenjörsteamen?

Efterfrågan växer snabbare än äldre kärnsystem kan förändras

Marknaden för programvara för lånehantering väntas växa med en genomsnittlig årlig takt på 11,8% fram till 2030, enligt The Business Research Company. Som jämförelse är det nästan samma takt som för den bredare marknaden för företagsprogramvara, baserat på Technavios prognoser. Det är värt att komma ihåg, eftersom utlåning vanligtvis är den del av bankens teknikstack som är mest motvillig till förändring.

En drivkraft bakom tillväxten är de äldre kärnsystemens stelhet, som bromsar förändringar inom utlåningen. Banker och fintechbolag köper i allt högre grad verktyg som låter dem lansera kreditprodukter runt kärnsystemet utan att vänta flera månader på att en liten uppdatering ska godkännas.

Ingenjörsteamen vet att ett enda fel kan bli mycket kostsamt. I april 2018 flyttade TSB Bank sina kunduppgifter till en ny plattform, som havererade så snart den togs i drift. En betydande andel av kunderna förlorade tillgången till banktjänster och banken ådrog sig stora förluster. Många ingenjörsteam tar fortfarande upp fallet när de planerar en ny version av kärnsystemet.

Inom utlåning slår fel dessutom direkt mot balansräkningen. En felkonfigurerad godkännandetröskel beviljar lån som borde ha avslagits eller avvisar låntagare som uppfyllde kraven. Båda misstagen visar sig som förluster eller uteblivna intäkter inom några veckor.

Där AI ger störst hävstång i utlåningen

Banker börjar vanligtvis införa AI genom de mest välbekanta och till synes säkra integrationerna: chattbotar och serviceassistenter i kundgränssnittet. En långivare som lägger till en chattbot tar dock på sig en mindre uppenbar risk. Generativa modeller ger ibland fel svar med full övertygelse. I Grant Thorntons AI Impact Survey 2026 uppgav endast 18% av bankcheferna att de hade fullt förtroende för sina AI-kontroller.

AI:s hävstång i utlåning kommer från hur snabbt en långivare kan förändra det som omger kreditbeslutet. Själva beslutet ligger kvar hos godkända poängmodeller och kreditkommittéer.

Snabbhet har alltid haft ett kommersiellt värde. Att ändra utlåningsinfrastrukturen i ett äldre kärnsystem kräver 12 till 18 månaders ingenjörsarbete, och nya lanseringar står stilla under hela perioden. Ett fullständigt byte av kärnsystem tar tre till fem år. Under tiden söker låntagarna någon annanstans.

Federal Reserves rapport från 2026 om företag med anställda visade att andelen amerikanska småföretag som sökte kredit och vände sig till nätbaserade fintechlångivare ökade från 17% år 2020 till 29% år 2025. Många företag angav snabbare beslut som ett skäl.

AI utgår från verksamhetskravet

I stället för att utföra analyser eller delta i kreditbeslut kan AI skapa stort värde i konfigurationsarbetet som hjälper till att lansera och uppdatera kreditprodukter. Indatan är ett verksamhetskrav som skrivits av produktägarna. Ett kreditteam beskriver vad det vill ha: vem som får ansöka, vilka dokument som krävs, godkännandenivåerna, vilka uppgifter som ingår i poängen, vad som rapporteras och när.

AI omvandlar varje punkt till plattformskonfiguration: behörighetskriterier, en dokumentlista, ett godkännandeflöde med dess nivåer, anslutningar till datakällorna bakom poängen och ett rapporteringsschema. I ett äldre kärnsystem bygger ingenjörerna varje del manuellt och varje förändring genomgår en fullständig lanseringscykel. Med AI byggs produkten funktion för funktion på en gemensam grund. Ingenjörs- och regelefterlevnadsteamen granskar och testar varje förändring innan den tas i drift, och de behåller det slutliga godkännandet.

Kravet kan vara helt oberoende av det befintliga kärnsystemet. AI behöver inte läsa eller tolka kärnsystemets logik, så en långivare kan specificera en produkt som det nuvarande systemet aldrig utformades för att stödja. Två årtionden av odokumenterad kod lämnas orörda.

Det nya kreditflödet körs på en separat plattform som driftsätts bredvid kärnsystemet. De två ansluts genom integrationer, medan kärnsystemet behåller sina befintliga poster och funktioner. Ingen kod behöver skrivas om innan en ny produkt kan lanseras.

Bygg vidare på den data som finns i dag

Många AI-projekt inom banksektorn fastnar dock på data. Men det finns inget verkligt behov av en enorm databas: den är bra att ha, men inget krav. AI utformar kreditprövningsreglerna och datakraven utifrån de källor som finns, och riskteamet godkänner dem innan något körs. När en källa saknas definierar systemet hur uppgifterna ska samlas in: information från låntagaren, information från borgensmannen, obligatoriska dokument och dokument som kan laddas upp samt externa datakällor.

Denna process för att ”bygga data” hjälper banker och fintechbolag att utöka sitt verkliga datainnehav, inklusive luckorna, och leverantörernas antaganden om vad som redan borde ha samlats in slutar att styra projektet.

Databeredskap upphör att vara en förutsättning för att lansera en kreditprodukt och blir en del av samma konfigurationssteg.

Produktförändring kontra förändring av kärnsystemet

För de flesta långivare är den praktiska frågan om nya kreditprodukter kan lanseras och befintliga produkter kan anpassas medan en flerårig migrering av kärnsystemet pågår. En separat utlåningsplattform, konfigurerad med AI utifrån verksamhetskrav, besvarar den frågan. En långivare kan lansera och justera kreditprodukter varje kvartal medan kärnsystemsprogrammet följer sin egen tidsplan. Det är i denna frikoppling som AI visar sitt värde för utlåning i dag.