Jin Han是Pipe Technologies的首席法务官。该公司总部位于加州旧金山，是一家为中小企业提供资本平台的金融科技公司。

尽管行业和监管机构为改善企业融资的公平获取已努力数十年，但重大差距依然存在，尤其是在女性、少数族裔和移民拥有的企业方面。

这些差距很大程度上源于当前风险评级体系中的结构性偏见，而人工和算法（无论是否基于AI）承保流程中引入的额外偏见又加剧了这一问题。增加服务不足群体的融资渠道，需要的不仅仅是遵守法律，还必须解决这些群体面临的结构性劣势。

关于AI和机器学习能使承保过程不偏不倚的许多论点，近乎一厢情愿。任何算法过程都无法免受其分析数据中固有偏见的影响，也不能替代承保政策层面的审慎考量。

我们亟需更多关于如何系统性地实现金融包容的讨论。AI和机器学习技术的进步常常被吹捧为解决融资渠道不均的万能药。我们需要的是一份计划，明确这些技术如何真正帮助而非接管这项增加金融可及性的工作。

AI技术是准确摄取和分析数据、以及自动化实施公平且设计良好的承保政策的绝佳工具。我们认为，将近期技术进步带来的效率提升与人工审慎选择有利于服务不足群体的风险数据相结合，才是制胜策略。以下是我们对这一问题的思考：

传统承保方法的局限

主要依赖FICO或Vantage分数的传统风险评估模型，对资本提供者有明显好处。积极的还款和信用记录显示了企业主的责任感、管理能力和履行义务的意愿。依赖征信机构数据也往往能缩短承保人的审查时间，并使承保流程更易自动化。良好的信用评分是企业责任感的可靠指标，可替代耗时的调研和访谈。

尽管有这些好处，传统承保模型长期以来一直因延续融资机会不平等而受到批评。根据美联储小企业信贷调查的数据，直到2023年，女性和少数族裔所有的企业仍不成比例地被拒绝融资，或获批金额低于申请金额的可能性更高。

造成这种差异的原因很直接。女性和少数族裔或近期移民群体中的成员往往是较新的企业家，通常经营利润率较薄的实体零售业务。一些新移民可能对债务持谨慎态度，不太重视建立还款或信用记录。

这些历史和文化因素使得基于信用评分的承保不适合增加金融可及性。虽然考虑企业的运营历史进行风险承保表面上价值中立，但其影响对较新的企业主更为显著。

解决一个具有明显预测能力且没有明显歧视意图的系统的问题并不容易。但除非行业找到减少对信用评分和经营历史依赖的方法，否则根本无法解决融资可及性问题。

这是一个巨大的挑战。但围绕AI的神奇思维并非答案。有一种不同且更系统的方法来应对这一问题。我们在Pipe已经看到它奏效，我相信它将持续增加金融可及性。

增加金融可及性的不同方法

鉴于传统因素的明显好处，完全将其从承保中移除对大多数金融科技公司或银行而言既不明智也不实际。即使承保人考虑“替代”数据，如租金、水电费、公共记录、银行数据和学历，也不确定额外数据集是否能带来更多金融包容。一些替代数据集本身需要长期测量，而围绕教育和社交圈的数据集可能对某些传统上代表性不足的群体产生不利影响。

Pipe的方法主要依赖价值中立的替代数据，如收入、支出和资金流动趋势进行承保，同时逐步缩短获得融资所需的企业历史长度。Pipe并未寄望于突破性的AI承保流程，而是使用AI和机器学习技术来确保数据的完整性和可靠性，以及其承保模型的可预测性。

在模型获得信心后，Pipe也得以避免将信用评分作为承保的主要因素。事实上，如今我们100%的申请者都通过基于收入的承保模型进行审查。只有当引入信用评分有助于我们整体上为更多人提供资金，而非减少时，我们才会考虑将其作为要素。

Pipe还在工具方面进行了大量投资，以自动化实施其信贷政策，目前Pipe近100%的风险决策通过自动流程应用。人工审查通常仅保留在自动化合规、身份验证或欺诈预防系统触发需要申请者提供额外信息的情况下。

在这些措施到位后，Pipe已能够为运营历史仅三个月的企业提供有意义的融资。我们还构建了针对行业的风险模型，能够承保在传统评级体系下可能呈现较高风险特征的商户。这一成就使Pipe成功满足了女性及少数族裔所有者高度集中的小企业的资本需求，包括美容、服务、零售和餐饮行业。

成果需要细致的工作

对AI和其他算法技术的历史性兴奋不应使金融服务公司忽视实现更大金融包容的机会，而这些机会只有通过枯燥、细致的人工思考才能实现。在目前的技术和数据可用性状态下，AI和其他算法技术最适合用于为设计良好的承保、合规和欺诈预防流程带来效率。简而言之，AI用于处理关键人工思考的结果。

人工承保人必须专注于系统地筛选具有预测能力且有利于服务不足群体的风险因素。当技术最终赶上时，我们确信那些在当前限制下对实现金融包容思考最深入的公司，将是最成功地利用技术的公司。