- Mer än 659 000 företag är mindre än två år gamla och har ingen ekonomisk historia
- AI försöker minska osäkerheten innan man beviljar ett lån
Att få finansiering kan vara särskilt svårt för nyskapade små och medelstora företag. Och även om verksamheten har aktivitets- och tillväxtutsikter, gör avsaknaden av en tillräckligt omfattande kredithistorik det svårt för finansinstitut att bedöma sin solvens med traditionella metoder.
Därför undersöker banken nu ett möjligt sätt att ändra denna situation: använda artificiell intelligens och prediktiva modeller att analysera risken för unga företag, eftersom tekniken därmed skulle kunna göra det möjligt för ett företag med liten erfarenhet att analyseras bortom dess ekonomiska historia.
För små och medelstora företag kan förändringen vara särskilt relevant i ett skede där tillgången till kredit vanligtvis är svårare och finansieringsalternativ kan ha en högre kostnad som är svår att bära.
Mer än 659 000 företag är mindre än två år gamla och har ingen ekonomisk historia
Enligt uppgifter från Central Business Directory (Dirce) vid National Statistics Institute (INE) fanns det 2025 mer än 659 000 företag som var yngre än 24 månader.
Som det var representerade dessa företag 19,9 % av de totala ekonomiskt aktiva företagen, vilket uppgick till 3,31 milj. Och majoriteten är små och medelstora företag och fokuserar särskilt på aktiviteter som handel, byggande, professionell verksamhet och gästfrihet.
För sin del, för en finansiell institution, innebär det att låna ut pengar till ett företag som ännu inte har tillräcklig historik att ha mindre information för att beräkna risken. Och denna osäkerhet kan leda till högre krav på tillgång till kredit eller högre finansieringskostnader.
I den meningen försöker prediktiva modeller baserade på artificiell intelligens just att utöka mängden tillgänglig information. Enligt experter är bland de variabler som kan analyseras företagets ålder, utvecklingen av dess egna data och beteendet hos jämförbara företag inom dess sektor.
Och enligt uppskattningar som samlats in av Equifax, den amerikanska kreditupplysningsbyrån, kan dessa prediktiva modeller öka 30 % noggrannhet i riskförutsägelse.
För banker skulle en större förmåga att skilja mellan projekt med olika solvensnivåer kunna underlätta allokeringen av kapital till nya verksamheter och därmed ge nya möjligheter.
AI försöker minska osäkerheten innan man beviljar ett lån
Som förklarats i Equifax, svarar finansiella enheters intresse för dessa tekniker också på en kontext av tillväxt i krediter och låg brottslighet. För att banker letar efter nya möjligheter att finansiera projekt, men de måste också hålla risken förknippad med verksamheten under kontroll.
Situationen är annorlunda när det gäller en kund som redan har en ekonomisk relation med enheten. I så fall kan banken ha information om dina inkomster, rörelser och kreditbeteende, vilket gör det lättare att automatisera vissa finansieringserbjudanden.
Men ett nybildat företag har inte nödvändigtvis den mängden historisk information. Därför möjligheten att införliva realtidsdata och referenser om utvecklingen av jämförbara företag Det kan öppna ett annat sätt att analysera din förmåga att betala tillbaka.
Målet skulle alltså inte bara vara att påskynda beslutet. En mer komplett analys skulle kunna hjälpa enheter att identifiera projekt som för närvarande ligger utanför de traditionella kretsarna på grund av bristande meritlista och samtidigt begränsa exponeringen för affärer med en högre sannolikhet för fallissemang.
För företagare som är egenföretagare och nyskapade små och medelstora företag skulle den möjliga förändringen vara relevant eftersom ett av de främsta hindren i de tidiga stadierna inte bara är att få kunder, utan ha tillräcklig finansiering att växa, investera eller lansera nya projekt.
Det är dock fortfarande en teknik som finanssektorn studerar för dessa processer. Användningen av prediktiva modeller eliminerar inte behovet av att analysera varje operation och garanterar inte heller att ett företag utan historik kommer att få finansiering.
