Sztuczna inteligencja i analiza predykcyjna mogą przewidywać zaległości i automatyzować proces windykacyjny

Najbardziej rozpowszechnionym obszarem wykorzystania AI w windykacji pozostaje scoring ryzyka, który wspiera podejmowanie decyzji na różnych etapach relacji z klientem. Mechanizm ten pomaga wierzycielowi oszacować prawdopodobieństwo powstania zaległości w spłacie zobowiązań. W konsekwencji umożliwia mu podjęcie decyzji dotyczącej przyznania wnioskodawcy produktu kredytowego, modyfikacji warunków umowy lub wdrożenia działań prewencyjnych.

Sztuczna inteligencja analizuje obszerne zbiory informacji szybciej i dokładniej niż tradycyjne modele. W procesie tym wykorzystuje nie tylko historię kredytową, ale również dodatkowe dane, tj. zachowania transakcyjne czy stabilność dochodów, co pozwala lepiej ocenić ryzyko. Modele AI potrafią wykrywać złożone wzorce, które wskazują zarówno na terminową spłatę zobowiązań, jak i potencjalne ryzyko niewypłacalności. Dzięki temu decyzje kredytowe są bardziej precyzyjne i szybsze, a instytucje finansowe mogą ograniczyć liczbę błędnych odrzuceń lub nieuzasadnionych przyznań kredytu.

Ocena ryzyka kredytowego oparta na scoringu uwzględnia wiele czynników, które mają wpływ na zdolność kredytową wnioskodawcy. Kluczowe znaczenie ma dotychczasowa historia kredytowa, czyli sposób, w jaki dana osoba wywiązywała się ze swoich zobowiązań finansowych w przeszłości. Istotna jest również długość oraz regularność historii kredytowej – im jest dłuższa i bardziej pozytywna, tym korzystniejsza dla oceny ryzyka. Dodatkowo analizie podlega rodzaj oraz liczba zapytań kredytowych składanych przez wnioskodawcę.

• Jaka jest podstawa prawna zautomatyzowanego podejmowania decyzji?

Jest nim art. 105a ust. 1a prawa bankowego (dalej: p.b.). W oparciu o niego banki i inne instytucje pożyczkowe, w celu oceny zdolności kredytowej oraz analizy ryzyka kredytowego, mogą podejmować decyzje wyłącznie na podstawie zautomatyzowanego przetwarzania danych osobowych, w tym profilowania, również w odniesieniu do informacji stanowiących tajemnicę bankową.

Jednocześnie ustawodawca nie zapomniał o zabezpieczeniu praw osoby, której decyzja dotyczy. Należą do nich m.in.:

• możliwość interwencji człowieka prowadzącej do ponownego rozpatrzenia sprawy oraz
• prawo do przedstawienia własnego stanowiska.

Ma to zapewnić transparentność procesu i realną możliwość weryfikacji decyzji algorytmicznej.

• Jakie dane osobowe są przetwarzane w scoringu?

Proces automatycznego podejmowania decyzji obejmuje zarówno dane identyfikacyjne i finansowe wnioskodawcy, jak i informacje dotyczące jego zobowiązań. Analizowane są m.in. dochody, wydatki, sytuacja rodzinna, forma zatrudnienia, historia spłat, warunki umowy oraz przyczyny opóźnień lub niewykonania zobowiązania.

Kryteria te nie mają charakteru zamkniętego, jednak decyzje nie mogą opierać się na szczególnych kategoriach danych wrażliwych, o których mowa w art. 9 ust. 1 RODO, tj. dane ujawniające pochodzenie rasowe lub etniczne, poglądy polityczne, religijne, dane genetyczne, biometryczne, zdrowotne lub dotyczące orientacji seksualnej.

Analiza behawioralna i społeczna w relacjach kredytowych

Zarówno w procesach windykacyjnych, jak i na etapie obsługi klienta czy zawierania umów kredytowych, wierzyciele coraz częściej korzystają z narzędzi analizujących zachowania użytkowników. Pozwalają one identyfikować nietypowe wzorce zachowań transakcyjnych, co ułatwia ocenę ryzyka nadużyć, oszustw lub niewywiązania się ze zobowiązań. Stosowanie tych metod budzi jednak istotne wątpliwości etyczne i prawne, ponieważ opiera się na monitorowaniu zachowań użytkowników w celu zabezpieczenia interesów instytucji finansowych przed potencjalnym oszustwem.

Uwaga! W debacie publicznej coraz częściej podkreśla się, że weryfikacja behawioralna może rodzić zagrożenia dla prywatności użytkowników. Polega ona na tworzeniu indywidualnego „profilu zachowań” danej osoby, opartego na analizie wzorców jej aktywności. Dzięki temu system może rozpoznać użytkownika korzystającego z urządzenia, takich jak smartfon, tablet czy komputer, nawet bez stosowania tradycyjnych metod uwierzytelniania, takich jak hasła czy jednorazowe kody. W tym ujęciu weryfikacja behawioralna stanowi formę potwierdzania tożsamości użytkownika w oparciu o jego zachowanie, a nie wiedzę lub posiadanie konkretnego narzędzia, co czyni ją nowoczesnym, ale jednocześnie wymagającym kontroli rozwiązaniem w relacjach kredytowych.

Zastosowanie w bankowości i w środowisku korporacyjnym

Praktycznym przykładem weryfikacji behawioralnej jest logowanie do bankowości elektronicznej. System informatyczny analizuje wiele cech zachowania użytkownika (np. sposób pisania na klawiaturze, tempo i odstępy pomiędzy naciśnięciami klawiszy, sposób poruszania kursorem, typowe godziny logowania, lokalizacja, wykorzystywane urządzenie oraz sposób poruszania się po stronie internetowej). Jeżeli zachowanie użytkownika odpowiada dotychczasowemu profilowi, proces logowania przebiega bez dodatkowych czynności. W przypadku wykrycia istotnych odchyleń, np. nietypowego tempa pisania, użycia nowego urządzenia lub logowania z innego kraju, system może uruchomić dodatkowe mechanizmy uwierzytelnienia, takie jak kod SMS, potwierdzenie w aplikacji mobilnej lub pytanie bezpieczeństwa. Takie rozwiązanie pozwala na automatyczne potwierdzanie tożsamości użytkownika w oparciu o jego zachowanie, bez konieczności korzystania z tradycyjnych metod uwierzytelniania.

Analogiczne mechanizmy stosowane są również w środowiskach korporacyjnych. Przykładowo, jeżeli pracownik standardowo loguje się do systemu z firmowego laptopa w godzinach pracy, nagła próba logowania w nocy z innej lokalizacji geograficznej może automatycznie zablokować dostęp lub oznaczać konieczność dodatkowej weryfikacji.

Uwaga! Mechanizmy te służą nie tylko ochronie użytkowników, lecz również zabezpieczeniu interesów instytucji finansowych. W przypadku udzielenia kredytu lub pożyczki w wyniku oszustwa, bank co do zasady może dochodzić naprawienia szkody bezpośrednio od sprawcy. Jednak w praktyce, ze względu na ograniczoną wykrywalność przestępstw oraz trudności dowodowe, skuteczne dochodzenie roszczeń bywa utrudnione. Z tego względu weryfikacja behawioralna stanowi dla banków istotny instrument prewencyjny.

Weryfikacja transakcyjna

Innym instrumentem jest analiza poszczególnych operacji finansowych pod kątem ich zgodności z dotychczasowym profilem klienta. Pozwala to na identyfikację transakcji nietypowych lub potencjalnie nieautoryzowanych, a tym samym na ograniczenie ryzyka oszustw finansowych (przykład 1 i 2).

Przykład 1

Przykład 2

Kontakt z dłużnikiem

AI jest stosowana również w komunikacji z dłużnikiem. Chatboty i voiceboty umożliwiają przekazywanie podstawowych informacji o zaległościach, terminach płatności, dostępnych formach spłaty czy procedurach windykacyjnych, a także przyjmowanie prostych dyspozycji ze strony dłużnika bez udziału konsultanta.

Rozwiązania te zwiększają dostępność komunikacji, obniżają koszty operacyjne i ujednolicają standardy obsługi. Jednocześnie jednak rodzą pytania o granice dopuszczalnej automatyzacji kontaktu z osobą zadłużoną, transparentność tego kontaktu i ochronę danych osobowych.

Segmentacja dłużników i planowanie działania

Automatyzacja prowadzi do gromadzenia i analizy dużej ilości danych o zachowaniach płatniczych, historii kontaktu oraz reakcji dłużników na podejmowane działania windykacyjne. Na tej podstawie systemy segmentują dłużników według profilu ryzyka i skłonności do współpracy, co pozwala dostosować dalsze działania windykacyjne – od zautomatyzowanych kontaktów realizowanych przez chatboty, po eskalację spraw wymagających bezpośredniego zaangażowania pracownika lub podjęcia działań prawnych.

Systemy do czynności przedsądowych i sądowych

W procesie windykacji AI znajduje zastosowanie również na etapie przedsądowym oraz sądowym, w szczególności poprzez automatyczne generowanie i wysyłkę przypomnień oraz wezwań do zapłaty. Odpowiednie systemy, bazujące na rozwiązaniach opartych na AI, są w stanie automatycznie uzupełniać dane dłużników, a także w sposób analityczny obliczać wysokość zaległości wraz z należnymi odsetkami. W praktyce coraz częściej wykorzystywane są także systemy informatyczne, w tym narzędzia wykorzystujące AI, które na podstawie zgromadzonych danych dotyczących wierzytelności automatycznie generują treść pozwów, załączników oraz dane identyfikujące strony postępowania.

Choć zwiększa to efektywność operacyjną, wiąże się z istotnymi ryzykami prawnymi. Błędy popełniane przez systemy automatyczne mogą naruszać dobra osobiste dłużników oraz zasady przetwarzania danych osobowych, w tym zasadę prawidłowości i aktualności danych, o której mowa w art. 5 ust. 1 lit. d RODO. Odpowiedzialność za to spoczywa na podmiocie korzystającym z narzędzia – niezależnie od jego dostawcy.

Z tego względu automatyzacja w postępowaniach sądowych powinna pełnić wyłącznie funkcję wspierającą i pozostawać pod stałą kontrolą człowieka. ©℗