AI Credit Underwriter

En AI credit underwriter sidder mellem modellen og kunden. Scoremodellen klarer de nemme sager på sekunder. Mennesket tager de sager, hvor modellen er usikker, hvor beløbet er stort, eller hvor kunden klager over et afslag.

Rollen findes i banker, realkreditinstitutter, forbrugslåns- og delbetalingsselskaber (buy now, pay later), billeasing, factoring og kreditforsikring.

Typiske opgaver

• Behandle ansøgninger, som kreditmotoren har sendt i gråzone eller afvist
• Kontrollere modellens input: årsopgørelse via eSkatData, kontobevægelser via PSD2, CVR-tal og registreringer hos Experian eller RKI
• Overrule modellen, når tallene er misvisende — og dokumentere begrundelsen i sagen
• Skrive afslag, som både kunden og en tilsynsmedarbejder kan forstå
• Følge modellens nøgletal: override-rate, Gini, PSI (population stability index) og faktiske tab mod forventede
• Teste om bestemte grupper rammes skævt, fx selvstændige, folk på barsel eller kunder med kort kredithistorik i Danmark
• Levere materiale til modeldokumentation og til Finanstilsynets tilsyn

En almindelig dag
Formiddagen går i sagskøen. En simpel forbrugssag tager fem minutter. Et erhvervsengagement kan tage en hel formiddag med regnskabsanalyse og en indstilling til kreditkomitéen. Efter frokost er der ofte møde med modelholdet eller risikoafdelingen. Her gennemgår man ugens afvigelser: hvorfor steg override-raten, og hvorfor afviser modellen pludselig flere selvstændige. Sidst på dagen ligger dokumentation, klagesager og svar til compliance.

Det særlige ved rollen er dobbeltheden. Du skal både kunne sige nej til en kunde og sige nej til en model. Mange underwritere beskriver override-raten som deres vigtigste tal: er den for høj, virker modellen ikke. Er den nul, har mennesket reelt ingen rolle.

Karriereveje
Mange starter som kreditanalytiker eller sagsbehandler i kredit. Derfra går vejen mod senior underwriter, teamleder eller kreditchef. Andre drejer over i modelvalidering, AI-governance eller bliver produktejer for selve kreditmotoren.

Hvilken lovgivning dækker denne rolle?
Kreditvurdering af privatpersoner er højrisiko-anvendelse i EU's AI-forordning (AI Act), bilag III, med krav om datastyring, logning, dokumentation og menneskeligt tilsyn. GDPR artikel 22 giver kunden ret til menneskelig indgriben, hvis afgørelsen er truffet helt automatisk. Kreditaftaleloven og EU's forbrugerkreditdirektiv kræver, at kreditgiver vurderer forbrugerens kreditværdighed før lån. Finanstilsynet fører tilsyn og lægger blandt andet EBA's retningslinjer for långivning og overvågning til grund. Hvidvaskloven stiller derudover krav om kundekendskab og om at reagere på mistænkelige forhold.

Der findes ingen uddannelse, der hedder AI credit underwriter. De fleste kommer fra en finansiel uddannelse og lærer AI-delen på jobbet.

De almindelige veje

• Finansøkonom: 2 år på erhvervsakademi. Den hurtigste vej ind i en bank eller et finansieringsselskab.
• Professionsbachelor i finans: 3½ år med praktik. Giver kreditfaget fra start.
• HD i finansiering eller cand.merc. i finance: bruges typisk på de større erhvervsengagementer.
• Cand.oecon., cand.polit. eller matematik-økonomi: vejen for dem, der ender tæt på selve modellen.

Adgangskravet til finansøkonom og finansbachelor er en gymnasial eksamen, og de fleste steder matematik B. Kravene varierer mellem erhvervsakademierne, så tjek det konkrete optagelseskrav hos uddannelsesstedet.

Vejen ind uden en finansuddannelse
Mange bliver underwriters internt. En bank- eller erhvervsrådgiver med nogle års kundekontakt kender kreditsager i forvejen. Den modsatte vej findes også: dataanalytikere fra modelholdet, der flytter ud i kreditafdelingen. De finansielle skal lære modellen. Analytikerne skal lære regelsættet og ansvaret for en afgørelse.

Efteruddannelse
Finanssektorens Uddannelsescenter udbyder kurser i kredit, erhvervsanalyse og hvidvask. Arbejder du med boligkredit til forbrugere, stiller Finanstilsynets regler om kompetencekrav til boligkreditgivere og boligkreditformidlere krav om en bestået prøve. Til AI-delen bruger de fleste huse interne kurser i modelrisiko plus grundkurser i SQL og Python.

Realistisk tidshorisont
Regn med to til fire år fra endt uddannelse til selvstændig underwriter-rolle. Bevillingsret gives i trin, og beløbsgrænsen hæves, efterhånden som dine sager holder. Det er nyttigt at vide, hvis du bliver rekrutteret: ingen kommer ind udefra og skriver store engagementer under fra dag ét.

Kreditmotoren
Kernen er en beslutningsmotor med en scoremodel bag. I danske banker ligger den ofte oven på fælles it-platforme som BEC, SDC eller Bankdata. Større huse bruger platforme som SAS Credit Scoring, FICO eller Experian PowerCurve. Fintechs og låneselskaber bygger typisk deres egen motor i Python.

Datakilder

• eSkatData: årsopgørelse og indkomst direkte fra Skattestyrelsens systemer
• PSD2-kontodata via aggregatorer som Tink eller Aiia
• CVR og offentliggjorte regnskaber fra Erhvervsstyrelsen
• Kreditoplysninger fra Experian, RKI/Debitor Registret og Dun & Bradstreet

Analyse og overvågning
SQL bruges til at trække sagsdata. Excel bruges stadig til den enkelte sag og til budgetopstilling. Python eller SAS bruges, hvis du selv skal regne på porteføljen. Power BI eller Tableau viser udviklingen i override-rate, afslagsårsager og restancer.

Forklarlighed og dokumentation
Reason codes og SHAP-værdier bruges til at forklare, hvad der trak scoren ned. Det er nødvendigt både over for kunden og i dokumentationen efter EU's AI-forordning. Modelversioner, godkendelser og afvigelser holdes typisk i Confluence, Jira eller et egentligt modelregister.

Du skal ikke kunne bygge modellen selv. Du skal kunne læse den, udfordre den og forklare den på almindeligt dansk.