Machine learning i kreditvurdering – danske eksempler

Når du søger om et lån i din bank, afgør en kreditvurdering om du får ja eller nej. Traditionelt har den vurdering været baseret på få datapunkter: din indkomst, din gæld, og om du står i RKI. Men i 2026 er virkeligheden en anden. Danske banker og kreditgivere bruger i stigende grad machine learning til at træffe hurtigere, mere præcise og mere nuancerede kreditbeslutninger.

Denne artikel gennemgår hvordan machine learning fungerer i kreditvurdering, hvilke danske virksomheder der går forrest, og hvad EU AI Act betyder for fremtiden – især efter 2. august 2026, hvor højrisiko-kravene træder i kraft.

Hvad er machine learning i kreditvurdering?

Machine learning (ML) er en gren af kunstig intelligens hvor algoritmer lærer mønstre i data uden at være eksplicit programmeret til det. I kreditvurdering betyder det at en ML-model trænes på historiske data om låntagere – hvem der betalte tilbage, hvem der misligholdt – og derefter kan forudsige risikoen for nye ansøgere.

Forskellen fra traditionelle scoringmodeller er omfanget. Hvor en klassisk kreditscoring måske bruger 10–20 variable, kan en ML-model analysere hundredvis eller tusindvis af datapunkter. Det inkluderer:

• Transaktionsmønstre – hvordan penge flyder ind og ud af kontoen over tid
• Betalingshistorik – ikke kun om regninger er betalt, men hvornår og hvordan
• Open Banking-data – kontooplysninger fra andre banker via PSD2
• Adfærdsdata – digitale fodspor der kan indikere finansiel stabilitet
• Alternative datakilder – huslejebetalinger, abonnementer, forbrugsmønstre

Resultatet er en mere granulær risikovurdering. ML-modeller kan identificere kreditværdige låntagere som traditionelle modeller ville afvise, og omvendt opdage risici der ellers ville gå ubemærket hen.

Traditionel kreditscoring vs. machine learning

Danske eksempler: Hvem bruger ML til kreditvurdering?

Experian (tidligere Bisnode)

Experian har investeret massivt i ML-baseret kreditscoring de seneste år. Deres Open Banking Analytics-produkt bruger machine learning til at kategorisere transaktionsdata via Trusso-teknologien, som automatisk klassificerer banktransaktioner i over 100 kategorier. Det giver kreditgivere et opdateret billede af ansøgerens økonomi – ikke bare et øjebliksbillede, men et dynamisk overblik over indkomst, forbrug og betalingsmønstre over tid.

Konkret betyder det at en bank der bruger Experians ML-modeller kan:

• Automatisere op til 90% af kreditbeslutningerne uden manuel sagsbehandling
• Identificere ansøgere med “tynde filer” (få traditionelle datapunkter) der alligevel er kreditværdige
• Reagere hurtigere på ændringer i kundens økonomiske situation
• Reducere tab fra misligholdelse ved at fange risikosignaler tidligere

Danske Bank

Danske Banks mest kendte ML-projekt er inden for svindeldetektion, hvor deep learning-modeller har reduceret falske positive alarmer med 60% og samtidig øget detektionsraten markant. Men banken anvender også machine learning i kreditprocessen:

• Decision Intelligence via partnerskabet med Quantexa, der bruger grafdatabaser og ML til at mappe relationer mellem kunder, transaktioner og enheder
• Automatiseret kreditvurdering af privatkunder baseret på transaktionsdata og økonomiske mønstre
• AML og compliance – ML-modeller der vurderer hvidvaskrisiko, som indirekte påvirker kreditbeslutninger

Danske Bank har også været åben om udfordringerne. Efter hvidvasksagen har banken investeret massivt i compliance-teknologi, og AI-modellerne til risikostyring er en del af den indsats.

Lunar

Lunar tilbyder forbrugslån og kreditfaciliteter direkte i appen, og kreditvurderingen foregår i realtid. Når en kunde ansøger om kredit, analyserer Lunars system transaktionshistorik, indkomstmønstre og betalingsadfærd for at levere en beslutning på sekunder.

For neobanker som Lunar er ML-kreditvurdering ikke bare en effektivitetsgevinst – det er en konkurrencefordel. Hurtigere beslutninger, lavere driftsomkostninger og mulighed for at betjene kunder som traditionelle banker ville afvise på grund af mangelfulde data.

Nordea og Jyske Bank

Nordea har via sin nordiske tilstedeværelse implementeret ML-modeller i kreditprocessen for både privat- og erhvervskunder. Bankens AI-strategi fokuserer på at kombinere interne data med alternative datakilder for bedre risikoestimater.

Jyske Bank har investeret i automatiseret kreditbeslutning for boliglån, hvor ML-modeller hjælper med at vurdere ejendomsværdi, betalingsevne og makroøkonomiske risikofaktorer i én samlet model.

Open Banking – brændstoffet til ML-modellerne

EU's PSD2-direktiv har åbnet døren for Open Banking i Danmark, og det er en game-changer for ML-baseret kreditvurdering. Når en lånansøger giver samtykke, kan kreditgiveren få direkte adgang til kontobevægelser fra andre banker – og det giver ML-modellerne langt bedre data at arbejde med.

I praksis betyder Open Banking at:

• Kreditgivere får et 360-graders økonomisk billede af ansøgeren, ikke bare data fra én bank
• Unge og førstegangslåntagere med kort kredithistorik kan vurderes på deres reelle økonomi i stedet for at blive afvist af scorekort
• Selvstændige og freelancere med uregelmassig indkomst kan dokumentere betalingsevne via transaktionsdata
• Kreditprocessen kan gøres hurtigere og mere digital – ansøgeren deler data med et klik i stedet for at uploade lønsedler

Experian's Open Banking Analytics-produkt er netop bygget til dette formål. Trusso-teknologien kategoriserer automatisk kontobevægelser og gør dem brugbare for ML-modellerne – fra rå transaktionsdata til strukturerede finansielle profiler.

Finanstilsynets perspektiv

Finanstilsynet har fulgt udviklingen tæt. I 2024 udgav tilsynet en rapport om brugen af kunstig intelligens i den finansielle sektor, der kortlagde hvordan danske pengeinstitutter anvender AI. Rapporten viste at:

• Danske finansvirksomheder anvender AI primært til svindeldetektion, kundeservice og kreditvurdering
• De fleste institutter er bevidste om dataetiske udfordringer, men modenhedsniveauet varierer
• Der er behov for klarere governance-strukturer omkring AI-modeller, især når de påvirker kundebeslutninger

I november 2025 offentliggjorde Finanstilsynet også en ny vejledning om kreditværdighedsvurdering der tydeliggør fleksibiliteten i de eksisterende regler. Vejledningen anerkender at kreditgivere kan tilpasse vurderingen til det konkrete lån – hvilket åbner for mere sofistikerede, databaserede modeller så længe de grundlæggende forbrugerbeskyttelsesprincipper overholdes.

EU AI Act og kreditvurdering – hvad sker der 2. august 2026?

For danske banker og kreditgivere der bruger ML-modeller i kreditprocessen, betyder højrisiko-klassificeringen konkret:

1. Risikostyringssystem

Der skal etableres et løbende risikostyringssystem for AI-systemet. Det indebærer identifikation og analyse af kendte og forudsigelige risici, estimering af risici ved brug som tilsigtet, og tiltag til at minimere dem.

2. Data governance og kvalitet

Træningsdata skal være relevante, repræsentative og så fejlfrie som muligt. Virksomheden skal kunne dokumentere hvilke data der er brugt, og hvordan datakvaliteten er sikret. For kreditvurdering er dette særligt vigtigt fordi historisk bias i lånedata kan føre til diskriminerende modeller.

3. Teknisk dokumentation

Komplet teknisk dokumentation af AI-systemet skal foreligge og holdes opdateret. Det inkluderer modellens arkitektur, træningsproces, performance-metrikker og kendte begrænsninger.

4. Transparens over for brugere

Kreditgivere skal kunne forklare for kunden hvordan AI-systemet har påvirket beslutningen. Det kræver teknikker som SHAP (SHapley Additive exPlanations) eller LIME (Local Interpretable Model-agnostic Explanations) for at gøre “black box”-modeller gennemsigtige.

5. Menneskeligt tilsyn

Der skal være effektivt menneskeligt tilsyn med AI-systemet. Det betyder ikke at et menneske skal godkende hver kreditbeslutning, men at der skal være processer for at overvåge, gribe ind og tilsidesatte AI-beslutninger når det er nødvendigt.

6. Nøjagtighed, robusthed og cybersikkerhed

AI-systemet skal være nøjagtigt, robust over for fejl og sikret mod manipulation. For kreditmodeller betyder det løbende validering, stresstest og beskyttelse mod adversarial attacks.

Konsekvensen ved overtrædelse: Bøder på op til 35 mio. euro eller 7% af global årlig omsætning – alt efter hvad der er højest. For en stor dansk bank kan det potentielt løbe op i milliarder.

Udfordringer og risici

Bias og diskrimination

Den største risiko ved ML-kreditvurdering er algoritmisk bias. Hvis historiske lånedata afspejler diskrimination – fx at visse postnumre eller demografiske grupper systematisk har fået flere afslag – kan ML-modellen lære og forstærke det mønster. Finanstilsynets rapport om dataetik i den finansielle sektor understreger at dette er en reel udfordring for danske institutter.

Forklarbarhed

ML-modeller – især dybe neurale netværk – er sværere at forklare end traditionelle scorekort. Når en kunde får afslag, har de ret til at vide hvorfor. Teknikker som SHAP og LIME kan hjælpe, men der er stadig et gap mellem den tekniske forklaring og hvad en forbruger kan forstå.

Datakvalitet og repraesentativitet

ML-modeller er kun så gode som de data de trænes på. Danske kreditdata har generelt høj kvalitet takket være CPR-systemet og digitaliserede offentlige registre, men der er stadig udfordringer med ufuldstændige data for nye borgere, unge og selvstændige.

Cybersikkerhed

ML-modeller kan være sårbare over for adversarial attacks – manipuleret input der narre modellen til at give forkerte resultater. I en kreditkontekst kunne det betyde at en svindler systematisk opbygger et transaktionsmønster der ligner en lav-risiko profil.

Fremtiden for ML-kreditvurdering i Danmark

Udviklingen går kun én vej: mod mere data, bedre modeller og strengere regulering. Her er de vigtigste trends:

• Real-time scoring: Kreditbeslutninger i realtid baseret på live transaktionsdata – allerede virkelighed hos neobanker som Lunar
• Explainable AI (XAI): EU AI Act driver investering i forklarbare modeller der både performer godt og kan auditeres
• Open Banking 2.0: Udvidede datakilder via PSD3 og Financial Data Access-forordningen (FiDA) vil give ML-modeller endnu bredere datagrundlag
• Alternative data: Huslejebetalinger, abonnementer og andre ikke-traditionelle datakilder integreres i kreditmodeller for at inkludere “credit invisible”-segmentet
• Federated learning: Teknikker der gør det muligt at træne modeller på tværs af institutioner uden at dele rådata – relevant for compliance og privacy

Danmark er godt positioneret i denne udvikling. Med 42% af danske virksomheder der allerede bruger mindst én AI-teknologi – langt over EU-gennemsnittet på 20% – er adoptionstakten høj. Og med et velfungerende CPR-system, høj digital modenhed og et stærkt Finanstilsyn er fundamentet for ansvarlig AI-kreditvurdering til stede.

Spørgsmålet er ikke om machine learning vil dominere kreditvurdering i Danmark, men hvor hurtigt omstillingen sker – og om de regulatoriske rammer følger med.