Model underwritingowy Affirm oparty na transformerze zwiększa liczbę akceptacji, ale granicę wyznacza wyjaśnialność
Affirm wdrożył nowy model underwritingowy oparty na transformerze po tym, jak eksperyment przyniósł o 3,4% więcej sfinalizowanych zakupów wśród kwalifikujących się nowych użytkowników. System zatwierdzał wnioski, które obecne modele firmy wcześniej odrzuciłyby, w tym wnioski części konsumentów bez ocen FICO. Kluczowe napięcie jest oczywiste: Affirm chce rozszerzyć liczbę akceptacji bez ponoszenia większych strat kredytowych.
Model nie jest chatbotem ogólnego przeznaczenia podłączonym do procesu udzielania kredytu. Analizuje kolejność i czas występowania zdarzeń w historii kredytowej konsumenta. Następnie Affirm łączy tę wyuczoną reprezentację z utrwalonymi cechami underwritingowymi i systemem decyzyjnym.
Taka architektura podważa podejście do inżynierii cech stosowane w wielu modelach kredytowych. Jednak sama lepsza predykcja nie rozstrzyga sprawy. Affirm musi również wyjaśniać indywidualne odmowy, kontrolować opóźnienia przy finalizacji zakupu, zapobiegać niesprawiedliwym wynikom oraz wykazać, że dodatkowe pożyczki dobrze funkcjonują przez pełne cykle spłaty.
Model underwritingowy Affirm oparty na transformerze już podejmuje decyzje
Affirm przeniósł swój system transformerowy poza etap badań i wykorzystuje go już w rzeczywistych decyzjach przy finalizacji zakupów w USA.
Firma ogłosiła wdrożenie 17 września 2026 r. Jej system transformer underwriting początkowo koncentruje się na konsumentach, którzy nie mają ukończonej historii spłat w Affirm.
Ta grupa stawia trudny problem underwritingowy. Affirm ma niewiele lub nie ma wcale własnej historii spłat nowego wnioskodawcy. Musi czerpać więcej informacji z danych biur kredytowych, planowanego zakupu oraz zaangażowanego sprzedawcy.
Tradycyjne modele underwritingowe często sprowadzają raport kredytowy do skonstruowanych zmiennych. Mogą one obejmować salda, wykorzystanie limitów, liczbę rachunków, zapytania oraz łączną liczbę opóźnionych płatności. Każda miara dostarcza użytecznych informacji, lecz kompresuje zmieniającą się historię do stałego podsumowania.
Transformer Affirm przetwarza natomiast ustrukturyzowane rekordy z raportu kredytowego. Transformer to architektura sieci neuronowej, która potrafi uczyć się zależności między elementami uporządkowanej sekwencji. W tym przypadku elementy te reprezentują rachunki kredytowe, zapytania i miesięczne historie płatności, a nie słowa.
Różnica ma znaczenie, gdy dwóch konsumentów ma identyczne statystyki podsumowujące. Każda osoba może na przykład mieć dwa miesiące opóźnień na rachunkach. Jednak niedawne opóźnione płatności rozproszone między kilkoma rachunkami mogą wskazywać na inny wzorzec ryzyka niż starsze problemy skoncentrowane na jednym rachunku.
Konwencjonalny model może uchwycić tę różnicę, jeśli inżynierowie zaprojektują odpowiednie zmienne. Mogą obliczać aktualność opóźnień, ich koncentrację lub zmiany wykorzystania limitów. Każda nowa zmienna wymaga jednak hipotezy, rekonstrukcji danych historycznych, testów i utrzymania produkcyjnego.
Transformer może uczyć się dodatkowych interakcji, nie wymagając od inżynierów wcześniejszego zdefiniowania każdego wzorca. Tworzy embeddingi, czyli zwarte numeryczne reprezentacje bazowych rekordów kredytowych. Embeddingi zachowują sygnały, które proste liczby lub średnie mogą utracić.
Affirm nie zastąpił całego stosu underwritingowego jedną siecią neuronową. Jego architektura hybrydowa wykorzystuje dwa etapy.
Najpierw transformer uczy się reprezentacji na podstawie szczegółowych informacji z raportów kredytowych. Następnie model XGBoost oparty na przyspieszonym czasie awarii łączy te reprezentacje z ustalonymi cechami kredytowymi, dotyczącymi sprzedawcy i konsumenta. XGBoost to oparta na drzewach metoda uczenia maszynowego, szeroko stosowana w pracy z ustrukturyzowanymi danymi biznesowymi.
To rozróżnienie zapobiega prostemu, lecz nieprecyzyjnemu nagłówkowi. Affirm nie wykazał, że sam transformer przewyższa jego dojrzały system underwritingowy. Firma twierdzi, że kandydat wykorzystujący wyłącznie transformer nigdy nie osiągnął wyników wystarczająco dobrych, by uzasadnić wdrożenie produkcyjne.
Zgłoszona poprawa wynikała z połączenia wyuczonych reprezentacji z istniejącymi modelami. Innymi słowy, nowy system rozszerza utrwalone podejście Affirm, zamiast je porzucać.
Jego pierwsza rola produkcyjna była również celowo ograniczona. Transformer ponownie analizował kwalifikujące się wnioski, które istniejący system odrzuciłby. Mógł generować dodatkowe akceptacje, lecz początkowo nie mógł zmienić istniejącej akceptacji w odrzucenie.
Affirm podaje, że model obsługuje teraz pełny underwriting dla nowych użytkowników, w tym akceptacje i odmowy. Firma planuje również rozszerzyć kolejną iterację modelu na nowych i powracających użytkowników.
To rozszerzenie podnosi stawkę. Model, który jedynie ratuje wybrane wnioski, wywiera węższy wpływ niż model kontrolujący obie strony decyzji kredytowej. Pełne wdrożenie sprawia, że dokładność, stabilność i wyjaśnienia stają się ważniejsze dla każdego objętego nim wnioskodawcy.
Dlaczego dane sekwencyjne zmieniają decyzję kredytową
Najważniejszym postępem nie jest etykieta transformera, lecz próba zachowania przez Affirm czasu i relacji wewnątrz raportu kredytowego.
Raporty kredytowe zawierają zagnieżdżone historie. Każdy rachunek ma datę otwarcia, saldo, limit, status i historię płatności. Rachunki te oddziałują również z zapytaniami, zmianami wykorzystania limitów oraz inną aktywnością pożyczkową.
Cechy podsumowujące mogą ukrywać kolejność tych zdarzeń. Łączna liczba opóźnionych płatności nie pokazuje, czy problemy są świeże, czy ustępują. Zagregowane wykorzystanie limitów może również nie uwzględniać nagłego wzrostu salda na jednym rachunku.
Affirm przekształca linie kredytowe i zapytania w tokeny. Linia kredytowa to rekord dotyczący indywidualnego rachunku kredytowego. Każdy token łączy pola numeryczne, pola kategorialne oraz zakodowaną sekwencję płatności.
Model wykorzystuje następnie mechanizm uwagi, który waży relacje między różnymi rekordami. Dzięki temu historia jednego rachunku może wpływać na sposób, w jaki system interpretuje inny rachunek lub niedawne zapytanie. Kodowanie czasowe pomaga także modelowi odróżniać starsze informacje od niedawnych zmian.
Affirm uczy te reprezentacje na podstawie rzeczywistych wyników spłaty. Celem nie jest odtworzenie oceny kredytowej ani wygenerowanie tekstowego wyjaśnienia. Chodzi o identyfikację wzorców związanych z ryzykiem spłaty.
Dane wyjściowe transformera stają się wejściem do modelu XGBoost drugiego etapu. Model otrzymuje również utrwalone zmienne underwritingowe, w tym informacje o transakcji i sprzedawcy. Wynik końcowy trafia do szerszego systemu decyzyjnego Affirm.
Taka konfiguracja odzwierciedla naturę kredytowania przy finalizacji zakupu. Konsument nie wnioskuje wyłącznie o stałą linię kredytową. Affirm ocenia konkretną osobę, zakup, sprzedawcę, kwotę i moment.
Zakup podróży pokazuje, dlaczego kontekst transakcji może mieć znaczenie. Czas między rezerwacją a wyjazdem może wpływać na ryzyko i zachowanie przy spłacie. Model oparty wyłącznie na statycznej ocenie konsumenta pominąłby to rozróżnienie na poziomie zakupu.
Podejście jest również ukierunkowane na konsumentów z ograniczoną historią kredytową. Konsument z taką historią ma pewne informacje w raporcie kredytowym, lecz nie posiada wystarczającej historii, aby otrzymać standardową ocenę FICO. Brak tej podsumowującej oceny nie oznacza, że bazowe rekordy nie zawierają użytecznych sygnałów.
Affirm informuje, że model hybrydowy zapewnił 2,1 razy większą poprawę niż jego kolejny kandydat XGBoost wśród konsumentów z ograniczoną historią kredytową. Porównanie dotyczy poprawy rankingu ryzyka względem tej samej produkcyjnej wartości bazowej.
W szerszej ocenianej populacji firma zgłasza 1,8 razy większy zysk niż osiągnięty przez kolejną iterację XGBoost. Jej analiza techniczna wyraża te zyski poprzez ranking zaległości przy pierwszej płatności.
Zaległość przy pierwszej płatności mierzy, czy pierwsza zaplanowana płatność staje się przeterminowana powyżej określonego progu. Affirm ocenił wersję wykorzystującą próg 60 dni, nazwaną FPDQ60. Lepszy ranking oznacza, że model skuteczniej oddziela pożyczki o wyższym ryzyku od pożyczek o niższym ryzyku.
Affirm podał również względną poprawę pola pod krzywą charakterystyki ROC, czyli ROC-AUC. Miara ta ocenia jakość rankingu w różnych progach klasyfikacji. Model hybrydowy poprawił wynik o 3,83% względem produkcji, wobec 2,16% dla kolejnego kandydata XGBoost.
Liczby te wymagają ostrożnej interpretacji. Względny wzrost AUC nie oznacza spadku liczby niewypłacalności o 3,83%. Nie jest to również wzrost wskaźnika akceptacji o 3,83%.
Najbardziej konkretny wynik komercyjny pochodził z eksperymentu online. Affirm podaje, że dodatkowe akceptacje podniosły konwersję od początku do końca o 1,2 punktu procentowego, co odpowiada względnemu wzrostowi o 3,4%.
Wynik ten bezpośrednio łączy jakość modelu z wynikami sprzedawców. Większa liczba zaakceptowanych kupujących może oznaczać więcej sfinalizowanych zakupów. Wartość ta utrzymuje się jednak tylko wtedy, gdy wyniki spłaty pozostają pod kontrolą.
Prawdziwa rywalizacja to lepszy ranking ryzyka kontra łagodniejsze kryteria kredytowe
Affirm musi udowodnić, że jego dodatkowe akceptacje wynikają z precyzyjniejszej selekcji ryzyka, a nie tymczasowego złagodzenia standardów kredytowych.
Każdy model kredytowy mierzy się z kompromisem między akceptacjami a stratami. Obniżenie progu decyzyjnego zwykle zatwierdza więcej wnioskodawców, ale również wpuszcza więcej ryzyka. Silniejszy model powinien poprawić tę granicę kompromisu.
Affirm twierdzi, że pożyczki zatwierdzone dodatkowo osiągały lepsze wyniki niż porównywalne rozszerzenie akceptacji w ramach poprzednich modeli uczenia maszynowego. To kluczowe twierdzenie stojące za wdrożeniem.
Firma nie podała jedynie, że wzrosła konwersja. Twierdzi, że dodatkowe pożyczki wygenerowane przez transformer zapewniły lepsze wyniki spłaty niż równoważne rozszerzenie akceptacji w ramach wcześniejszych modeli XGBoost.
To porównanie jest bardziej użyteczne niż surowy wzrost wskaźnika akceptacji. Niemal każdy kredytodawca może zatwierdzić dodatkowych pożyczkobiorców, akceptując większą oczekiwaną stratę. Trudniejsze jest znalezienie wnioskodawców, których ryzyko było wcześniej błędnie rozumiane.
Konsumenci z ograniczoną historią kredytową stanowią najwyraźniejszy test. Niektórzy nie mają oceny FICO, ponieważ ich historia jest ograniczona, a nie dlatego, że ich zachowanie musi wskazywać na wysokie ryzyko. System, który wydobywa więcej informacji z bazowych rachunków, może identyfikować pożyczkobiorców niewidocznych w konwencjonalnych podsumowaniach.
Jednak opublikowane dowody nadal pochodzą od Affirm. Firma przedstawiła względne porównania modeli, eksperyment online i początkowe obserwacje dotyczące wyników pożyczek. Nie opublikowała danych na poziomie pojedynczych pożyczek, które zewnętrzni badacze mogliby odtworzyć.
Sformułowanie „osiągały lepsze wyniki” pozostawia też niewyjaśnione istotne szczegóły. Affirm nie podał bezwzględnego wskaźnika zaległości dla dodatkowej grupy. Nie opublikował wielkości próby ani rozkładu demograficznego eksperymentu.
Te braki nie unieważniają wyniku. Ograniczają jednak wnioski, jakie zewnętrzni obserwatorzy mogą z niego wyciągnąć.
Skala działalności Affirm sprawia, że nawet niewielka poprawa konwersji ma znaczenie komercyjne. Jej skala operacyjna w 2026 r. obejmowała 27,8 mln aktywnych konsumentów według stanu na 30 czerwca 2026 r. Liczba ta wzrosła o 21% w porównaniu z poprzednim rokiem.
W roku fiskalnym 2026 firma przetworzyła 50,2 mld USD wartości brutto sprzedanych towarów, co oznacza wzrost o 37% rok do roku. Liczba transakcji na aktywnego konsumenta osiągnęła 7,0, wobec 5,8 rok wcześniej.
Affirm podał również, że liczba transakcji konsumenckich wzrosła w roku fiskalnym o 45%. Większa aktywność dostarcza więcej przykładów treningowych i wyników spłat. Jednocześnie zwiększa konsekwencje systematycznych błędów modelu.
Powstająca w ten sposób pętla informacji zwrotnej jest kluczowa dla argumentacji konkurencyjnej Affirm. Więcej transakcji oznacza więcej danych o wynikach. Lepsze dane wspierają skuteczniejszą ocenę kredytową, co może zwiększać liczbę zatwierdzeń i konwersję u sprzedawców.
Ta pętla wywiera presję na innych pożyczkodawców przy finalizacji zakupu, w tym Klarna, Afterpay, PayPal, Sezzle i Zip. Nie muszą oni przyjmować identycznej architektury jak Affirm. Muszą jednak utrzymywać konkurencyjną jakość zatwierdzeń, konwersję i ekonomikę finansowania.
Rywalizacja nie sprowadza się więc do „transformerów kontra braku AI”. Dostawcy kredytów od lat wykorzystują modele statystyczne i uczenie maszynowe. W praktyce chodzi o to, kto potrafi bezpiecznie identyfikować transakcje, które zostaną spłacone, a które konkurencyjne systemy odrzucają.
Tradycyjne banki mierzą się z podobną presją. Ich modele często oceniają konsumentów na poziomie konta, podczas gdy Affirm ocenia kredytowo pojedyncze zakupy. Decyzje na poziomie transakcji pozwalają Affirm zmieniać warunki lub odrzucać pojedynczy zakup bez wydawania trwałego osądu dotyczącego każdego przyszłego wniosku.
Ta elastyczność może zwiększać precyzję. Może również utrudniać konsumentom przewidywanie decyzji. Klient, którego wniosek zatwierdzono wczoraj, może dziś spotkać się z odmową przy innej transakcji.
Sukces modelu będzie zależał od tego, czy lepsze klasyfikowanie pozostanie stabilne wśród sprzedawców, produktów, warunków gospodarczych i grup konsumentów. Eksperyment przy finalizacji zakupu jest ważnym sygnałem, ale nie stanowi ostatecznej odpowiedzi.
Wyjaśnialność jest ograniczeniem, którego Affirm nie może wyeliminować optymalizacją
Model kredytowy musi robić więcej niż trafnie przewidywać, ponieważ amerykańscy pożyczkodawcy muszą podawać konkretne powody niekorzystnych decyzji.
Transformery stwarzają wyzwanie związane z wyjaśnialnością. Ich przewidywania wynikają z interakcji między wieloma rekordami i wyuczonymi reprezentacjami. Reprezentacje te nie przekładają się automatycznie na powód zrozumiały dla konsumenta.
Affirm twierdzi, że opracował własny algorytm atrybucji dla modelu hybrydowego. Metody atrybucji szacują, które dane wejściowe najbardziej wpłynęły na określony wynik. Firma twierdzi, że jej metoda zapewnia taką samą rygorystyczność jak stosowane przez nią wyjaśnienia XGBoost.
Affirm podaje również, że waliduje te wyjaśnienia i stale je monitoruje. Firma nie opublikowała jednak algorytmu atrybucji ani niezależnej oceny jego dokładności.
Ta luka w weryfikacji ma znaczenie, ponieważ wiarygodnie brzmiące wyjaśnienie nie musi być wierne rzeczywistości. Metoda post-hoc może generować czytelny powód, nie wskazując faktycznych czynników, które wpłynęły na model.
Consumer Financial Protection Bureau jasno określiło standard. Jego zasady dotyczące niekorzystnych działań wymagają, aby wierzyciele podawali konkretne główne powody przy podejmowaniu niekorzystnych działań.
Złożoność nie stanowi wyjątku. Pożyczkodawca nie może bronić niejasnego zawiadomienia argumentem, że jego model jest zbyt nieprzejrzysty, by go interpretować.
Późniejsze wytyczne CFPB podkreśliły, że ogólne kategorie mogą również być niewystarczające. Jeżeli decyzję napędzają dane behawioralne, szerokie sformułowanie takie jak „historia zakupów” może nie wskazywać istotnego zachowania.
Wyzwanie Affirm jest szczególnie wymagające, ponieważ jego transformer wychwytuje interakcje w czasie i między kontami. Faktyczna decyzja może zależeć jednocześnie od aktualności danych, rozkładu kont, wzorców spłat i kontekstu transakcji.
Sprowadzenie takiej interakcji do jednego lub kilku trafnych powodów wymaga ostrożności. Wyjaśnienie musi odzwierciedlać rzeczywisty model, pozostawać zrozumiałe i działać w ramach operacyjnych systemów powiadomień.
Ryzyko związane z uczciwym kredytowaniem stanowi drugi test. Rejestry kredytowe mogą odzwierciedlać historyczne nierówności, nierówny dostęp, błędy w raportowaniu i odmienne wzorce pożyczania. Model może nauczyć się tych wzorców, nawet gdy cechy chronione są wykluczone.
Silniejszy predyktor ryzyka nie jest automatycznie sprawiedliwszym predyktorem. Affirm musi testować wyniki w odpowiednich grupach i badać dysproporcje, których nie można uzasadnić legalnym ryzykiem kredytowym.
Zatwierdzenia dla osób z ograniczoną historią kredytową czynią tę kwestię szczególnie istotną. Lepsze wykorzystanie ograniczonych rejestrów może poszerzać dostęp dla konsumentów słabo obsługiwanych przez konwencjonalne oceny. Może też tworzyć nowe niedogodności, jeśli wyuczone wzorce działają jako zastępniki cech chronionych.
Publiczne materiały firmy nie przedstawiają demograficznych wskaźników zatwierdzeń ani błędów. Nie ujawniają też, jak model zachowuje się, gdy dane z biur kredytowych zawierają brakujące, nieaktualne lub kwestionowane informacje.
Spójność danych stanowi kolejne ryzyko. Historyczne przykłady szkoleniowe muszą odzwierciedlać wyłącznie informacje dostępne w chwili podjęcia każdej pierwotnej decyzji. W przeciwnym razie przyszłe informacje mogą przedostać się do procesu treningowego i tworzyć mylące wyniki oceny.
Affirm twierdzi, że rekonstruuje dane wejściowe dla odpowiedniego momentu historycznego oraz waliduje artefakty produkcyjne względem zachowania w środowisku rozwojowym. Standaryzuje też wartości kategorialne, brakujące pola, wypełnienie oraz obliczenia czasowe.
Te mechanizmy kontroli są niezbędne, ponieważ niewielkie różnice w przetwarzaniu mogą zmienić ocenę punktową. Stają się trudniejsze wraz z łączeniem przez system wnioskowania transformera, przygotowania danych i modelu drzew decyzyjnych działającego dalej w procesie.
Własnościowy charakter systemu sprawia, że regulatorzy, pożyczkobiorcy i zewnętrzni badacze są zależni od ujawnień Affirm. Niezależna walidacja wzmocniłaby argumentację firmy, zwłaszcza w odniesieniu do wyjaśnień i wyników na poziomie grup.
Do tego czasu zgłaszane wyniki należy traktować jako obiecujące dowody przedstawiane przez firmę. Nie są one dowodem, że każda decyzja jest trafniejsza, sprawiedliwsza lub bardziej zrozumiała.
Decyzje kredytowe w czasie rzeczywistym pozostawiają niewiele miejsca na złożoność modelu
Osiągnięcie produkcyjne Affirm jest częściowo historią infrastruktury, ponieważ model musi zakończyć pracę w ramach budżetu poniżej sekundy przy finalizacji zakupu.
Decyzje kredytowe podczas finalizacji zakupu rywalizują z cierpliwością klienta. Model, który poprawia przewidywanie ryzyka, ale powoduje zauważalne opóźnienie, może obniżyć konwersję, zanim zatwierdzi kogokolwiek.
Affirm twierdzi, że pełna ścieżka obliczeniowa musi mieścić się w budżecie opóźnienia poniżej sekundy. Obejmuje ona przygotowanie ustrukturyzowanych danych wejściowych, wnioskowanie transformera, generowanie embeddingów i ocenę modelu XGBoost.
Firma utrzymała liczbę parametrów transformera na relatywnie niewielkim poziomie. Zoptymalizowała również ścieżki obsługi zarówno na CPU, jak i GPU. To inny cel projektowy niż w przypadku dużych modeli językowych, które generują tekst przez kilka sekund.
Rozmiar modelu nie został ujawniony. Affirm nie opublikował też mediany ani opóźnienia skrajnego po wdrożeniu. Opóźnienie skrajne mierzy wolne żądania, które mogą pogarszać doświadczenie, nawet jeśli średnia wydajność wydaje się akceptowalna.
Niezawodność ma równie duże znaczenie jak szybkość. Raporty kredytowe różnią się długością i strukturą. Niektóre zawierają liczne konta, zapytania i długie historie płatności, inne natomiast mają skąpe dane lub brakujące pola.
Affirm normalizuje wartości numeryczne, przypisuje spójne kodowania kategorialne i maskuje pozycje wypełniające. Wypełnienie pozwala rekordom o różnej długości mieścić się w standaryzowanych partiach obliczeniowych bez traktowania pustych pozycji jako informacji.
System treningowy korzysta z rozproszonych GPU, obliczeń o mieszanej precyzji i strumieniowanych danych. Mieszana precyzja zmniejsza wymagania pamięciowe przez zastosowanie obniżonej precyzji numerycznej tam, gdzie jest to właściwe. Akumulacja gradientów pomaga symulować większe partie treningowe bez przechowywania każdego przykładu jednocześnie.
Techniki te zwiększają efektywność eksperymentowania, ale środowisko produkcyjne stwarza odrębny problem. Wyeksportowany model musi odtwarzać zachowanie testowane podczas rozwoju. Różnice w przetwarzaniu wstępnym lub wykonaniu numerycznym mogą zmieniać oceny ryzyka.
Affirm twierdzi, że waliduje wyniki modelu podczas procesu eksportu. System obsługujący łączy następnie przetwarzanie danych online, wnioskowanie transformera i istniejący stos oceny kredytowej.
Ta hybrydowa konstrukcja ogranicza część ryzyka wdrożeniowego, ponieważ firma zachowuje sprawdzone cechy i infrastrukturę decyzyjną. Dodaje jednak zależności. Awaria na którymkolwiek etapie może wpłynąć na końcową ocenę ryzyka.
Monitorowanie modelu musi zatem obejmować więcej niż ogólną liczbę opóźnionych spłat. Inżynierowie muszą obserwować rozkłady danych wejściowych, brakujące wartości, zachowanie embeddingów, stabilność wyjaśnień, opóźnienia i dalsze wzorce zatwierdzeń.
Zmiany gospodarcze dodają kolejną warstwę. Model trenowany na historycznych wzorcach spłat może słabnąć, gdy zmieniają się stopy procentowe, warunki zatrudnienia, zachowania konsumentów lub struktura sprzedawców.
Modelowanie sekwencji nie eliminuje tego problemu. Może potencjalnie wykrywać bogatsze wzorce, lecz nadal pochodzą one z danych historycznych. Relacje wyuczone w jednym środowisku kredytowym mogą nie zachować stabilności w innym.
Rosnąca różnorodność oferty Affirm dodatkowo komplikuje ocenę. Oprocentowane pożyczki ratalne odpowiadały za 70% wartości brutto sprzedanych towarów w roku fiskalnym 2026. Pay-in-X stanowił 16%, a nieoprocentowane miesięczne raty — 14%.
Każdy produkt może mieć inny okres trwania, profil konsumentów, ekonomikę sprzedawców i zachowania spłatowe. Model działający dobrze w jednym segmencie może wymagać rekalkibracji w innym.
Firma planuje uczyć się wspólnych reprezentacji na podstawie rejestrów biur kredytowych i wewnętrznej aktywności w Affirm. Takie reprezentacje mogłyby wspierać kilka zadań kredytowych bez odrębnego tworzenia cech dla każdego zastosowania.
Ta strategia mogłaby przyspieszyć rozwój przyszłych modeli. Mogłaby także rozszerzyć wpływ wadliwej reprezentacji na kilka decyzji. Wspólne fundamenty wymagają silniejszej walidacji, ponieważ błędy nie pozostają już odizolowane w jednym modelu.
Osiągnięcie infrastrukturalne jest więc realne, lecz niepełne. Affirm pokazał, że cechy pochodzące z transformera mogą działać w aktywnej ocenie kredytowej przy finalizacji zakupu. Długoterminowa eksploatacja pokaże, czy podejście pozostanie szybkie, stabilne i audytowalne na dużą skalę.
Trzy sygnały przesądzą, czy model spełnia obietnice
Kolejne dowody powinny pochodzić z wyników spłat, wdrożenia pełnego procesu decyzyjnego i przejrzystej walidacji, a nie z kolejnego benchmarku modelu.
Pierwszym sygnałem są dojrzałe wyniki kredytowe dodatkowych zatwierdzeń. „Dojrzałe” pożyczki istnieją wystarczająco długo, by mogły pojawić się miarodajne wyniki spłat. Wczesne wyniki mogą wyglądać korzystnie, zanim nadejdzie termin późniejszych rat.
Obserwatorzy powinni śledzić wskaźniki opóźnień w spłacie, odpisów netto i trendów rezerw Affirm w kolejnych okresach raportowych. Powinni też porównywać te miary ze wzrostem zatwierdzeń i strukturą produktów.
Rezerwa firmy na straty kredytowe w roku fiskalnym 2026 wzrosła o 29%, podczas gdy średnia wartość pożyczek utrzymywanych w celu inwestycyjnym wzrosła o 27%. Liczby te dotyczą szerszego portfela i poprzedzają pełną ocenę tego wdrożenia.
Niewielka zmiana zagregowanych strat nie dowodziłaby niepowodzenia modelu. Wzrost pożyczek, warunki gospodarcze i struktura portfela mogą wpływać na te liczby. Mocniejsze dowody połączyłyby kohorty kierowane przez model z porównywalnymi grupami kontrolnymi w pełnych okresach spłaty.
Stabilne wyniki kohort wspierałyby kluczowe twierdzenie Affirm. Rosnące straty skoncentrowane wśród dodatkowych zatwierdzeń osłabiłyby je, nawet gdyby konwersja przy finalizacji zakupu pozostała wyższa.
Drugim sygnałem będzie wydajność po uzyskaniu przez model uprawnień zarówno do zatwierdzania, jak i odrzucania wniosków. Początkowy eksperyment drugiej oceny testował jedynie, czy model może uratować wybrane wnioski.
Pełna ocena kredytowa jest trudniejsza. Model może teraz odrzucać wnioskodawców, których poprzedni system mógłby zatwierdzić. To sprawia, że fałszywie negatywne wyniki, wyjaśnienia i doświadczenie konsumentów stają się bardziej widoczne.
Affirm planuje również wdrożyć kolejną iterację dla powracających użytkowników. Tacy konsumenci wnoszą wewnętrzne historie spłat, których w dużej mierze brakowało w początkowej populacji docelowej.
Sukces wśród powracających użytkowników pokazałby, że architektura generalizuje się poza osoby z ograniczoną historią kredytową i wnioskodawców składających wniosek po raz pierwszy. Słabe wyniki mogłyby wskazywać, że wyuczone reprezentacje danych biur kredytowych wnoszą mniejszą wartość, gdy Affirm ma już szczegółowe dane wewnętrzne.
Trzeci sygnał to dowody dotyczące wyjaśnialności i sprawiedliwości. Affirm twierdzi, że jego własna metoda dorównuje rygorem istniejącym wyjaśnieniom XGBoost. Niezależne testy, przegląd regulacyjny lub szczegółowa metodologia zwiększyłyby wiarygodność tego twierdzenia.
Kwestia wykracza poza dokumentację zgodności. Konsumenci potrzebują trafnych uzasadnień, aby móc skorygować błędy lub poprawić swoją sytuację kredytową. Sprzedawcy i partnerzy finansujący muszą również mieć pewność, że rozszerzenie liczby zatwierdzeń nie wprowadza ukrytego ryzyka prawnego.
Szerszy kontekst branżowy podnosi stawkę. Dane CFPB dotyczące rynku BNPL pokazują, że sześciu badanych kredytodawców udzieliło w 2023 roku 335,8 mln pożyczek. Łączna wartość tych pożyczek wyniosła 45,2 mld dolarów.
Rynek ten nadal wykracza poza krótkoterminowe produkty typu „zapłać w czterech ratach”, obejmując dłuższe kredyty ratalne i usługi przypominające karty płatnicze. Wraz z rozwojem struktur pożyczkowych decyzje underwritingowe niosą ze sobą większe konsekwencje finansowe.
Wprowadzenie rozwiązania przez Affirm to zatem coś więcej niż próba dołączenia modnej architektury do procesu kredytowego. Pokazuje praktyczną drogę wykorzystania modeli sekwencyjnych w regulowanym systemie decyzyjnym, wrażliwym na opóźnienia.
Architektura ta niesie również cenną lekcję dla zespołów enterprise AI. Transformer odniósł sukces jako jeden komponent dojrzałego stosu technologicznego. Affirm zachował ustrukturyzowane cechy, XGBoost, kontrolowane eksperymenty, monitoring i ograniczenia operacyjne.
O co czytelnicy powinni zapytać w następnej kolejności? Warto szukać danych o dojrzałych spłatach, wyników pełnego procesu underwritingowego oraz dowodów, że wyjaśnienia odzwierciedlają faktyczne decyzje modelu. Jeśli te sygnały się potwierdzą, model underwritingowy transformera Affirm będzie stanowił istotny postęp w selekcji kredytowej. Jeśli nie, wzrost konwersji zmierzy jedynie początek cyklu ryzyka.
