Inteligența artificială reconfigurează arhitectura creditării corporate la nivel global și, treptat, și în România. De la modele de machine learning care prezic insolvența cu luni înainte, până la sisteme agentic AI capabile să ia decizii autonome și explicabile în timp real, transformarea este profundă. Dar viteza de adoptie ridică și întrebări serioase despre reglementare, transparență și rolul analiștilor umani.
Timp de decenii, decizia de a acorda un credit corporate a urmat un ritual bine cunoscut: dosare fizice sau digitale cu situații financiare auditate, modele de scoring bazate pe indicatori contabili tradiționali, runde de negociere și comitete de credit care deliberau săptămâni întregi. Modelul funcționează, dar are costuri ridicate, este lent și, uneori, surprinde rău băncile atunci când companiile aparent solide intră brusc în dificultate.
Inteligența artificială schimbă aceste reguli la modul fundamental. Nu o face printr-o revoluție bruscă, ci printr-o infiltrare graduală în fiecare etapă a procesului de creditare: culegerea datelor, analiza riscului, monitorizarea portofoliului și decizia finală. Iar miza este imensă: piața globală a platformelor de creditare bazate pe AI era estimată la 109,73 miliarde de dolari în 2024, cu o traiectorie care o plasează la 2,01 trilioane de dolari până în 2037, potrivit Research Nester, cu o rată de creștere anuală compusă de 25,1%.
În România, transformarea este în curs, însă cu o abordare deliberat prudentă. Specialiștii din sectorul bancar autohton descriu un model de adoptie în două faze: automatizarea proceselor interne și, ulterior, integrarea AI în deciziile cu impact asupra clienților corporativi. Direcția este, însă, ireversibilă.
De la scoringul tradițional la machine learning: ce s-a schimbat cu adevărat
Modelele clasice de creditare corporate se bazau pe un număr limitat de variabile financiare cuantificabile: rata de îndatorare, lichiditate, profitabilitate, acoperirea serviciului datoriei. Aveau avantajul simplității și al transparenței, dar un dezavantaj crucial: nu puteau procesa date nestructurate, nu se adaptau rapid la schimbări de context și nu identificau semnale de alarmă subtile în comportamentul debitorului.
Machine learning a schimbat acest echilibru. Prin capacitatea de a analiza simultan sute sau mii de variabile — inclusiv date nestructurate cum sunt comunicările publice, rapoartele de management, datele din lanțul de aprovizionare sau dinamica sectorului — modelele ML pot prezice probabilitatea de default cu o acuratețe semnificativ superioară regresiei logistice clasice. Studii academice recente, inclusiv o cercetare bazată pe date de la o bancă norvegiană, au demonstrat că algoritmii de tip LightGBM depășesc în mod consistent modelele tradiționale de creditare în scenarii de credit nesecurizat.
Un raport al Băncii Centrale Europene din 2025, bazat pe workshopuri cu băncile supervizate, confirmă că AI aduce beneficii clare în procesul de creditare, în special în termeni de acuratețe și explicabilitate a deciziilor. Băncile europene utilizează tehnici ML consacrate — cum sunt gradient boosting — pentru scoring și detectarea fraudelor, iar aproape 80% dintre instituțiile evaluate începuseră deja evaluări de conformitate cu cerințele AI Act pentru sistemele lor de credit scoring. Niciuna nu raporta utilizarea AI generativ (GenAI) în creditare propriu-zisă, din cauza provocărilor legate de timp de dezvoltare, costuri și încrederea în sistem.
România: între experimentare și scalare
Piața bancară românească se află, conform specialiștilor, într-o etapă de tranziție: experimentele AI din procesele interne sunt gata de scalare, dar extinderea către decizii cu impact direct asupra clienților corporativi se face cu maximă prudență.
Evaluarea BNR privind gradul de digitalizare a instituțiilor de credit, publicată în 2024, a relevat că 13 bănci din România utilizează soluții bazate pe machine learning. Investițiile în digitalizare ale băncilor românești s-au ridicat la circa 770 de milioane de lei în 2023, conform aceleiași surse. BCR s-a clasat pe locul al treilea în topul internațional FinnoScore al celor mai competitive bănci din perspectiva digitalizării, într-un clasament care a inclus 234 de instituții din 24 de țări din Europa și America de Nord.
Dan Cristea, Lead AI Innovation la BCR, descria în septembrie 2025 filozofia de adoptie în două faze: «Anul trecut a fost anul experimentărilor, ne-am dat seama ce poate AI-ul, iar acum suntem în faza în care trebuie să scalăm în interior aceste experimente. Nu mergem cu nimic către clienți până când nu ne asigurăm de cel puțin cinci ori că sistemul funcționează corect.»
La Raiffeisen Bank România, analiza riscului de creditare și funcțiile de evaluare pentru toate segmentele de activitate sunt complet centralizate, cu sisteme de avertizare timpurie operaționale din 2009, care monitorizează lunar portofoliul, identifică semnalele de alarmă și le explică. Numărul clienților activi pe canale digitale a depășit 1,6 milioane la sfârșitul anului 2024, cu un avans de 15% față de anul anterior. Aproape 90% dintre noii clienți înrolați în 2025 au ales fluxul de înrolare digitală.
Daniel Nicolaescu, Director Juridic și de Guvernanță Corporativă la Raiffeisen Bank, surprinde esența abordării locale: «Există deja aplicații AI care redactează contractele pe baza unor date introduse, redactează răspunsuri date autorităților, însă sistemele de credit scoring fără intervenție umană reprezintă un risc semnificativ. Folosirea AI în bănci nu se adresează deocamdată clienților, ci este utilă mai mult în procesele băncii.»
Aplicații concrete în creditarea corporativă: de la OCR la agentic AI
Dincolo de scoringul de credit, AI pătrunde în creditarea corporativă pe mai multe paliere operaționale simultan. Înțelegerea lor separată este esențială pentru a evalua impactul real.
1. Extracția și procesarea documentelor (OCR + NLP)
Una dintre cele mai mature și mai rapid adoptate aplicații este automatizarea procesării documentelor financiare. Sistemele de recunoaștere optică a caracterelor (OCR) combinate cu modele de procesare a limbajului natural (NLP) pot extrage automat date din situații financiare scanate, rapoarte de audit, contracte și declarații fiscale. Potrivit unui studiu al US Census Bureau din 2025, AI reduce costul de colectare și integrare a informației despre debitori, permițând băncilor să obțină mai multe date cu aceleași resurse. Ceea ce durează zile pentru un analist uman se realizează în minute.
2. Monitorizarea în timp real și avertizarea timpurie
Sistemele ML permit monitorizarea continuă a indicatorilor de sănătate financiară ai debitorului corporate: variații ale cash flow-ului operațional, schimbări în comportamentul de plată față de furnizori, date publice despre litigii sau schimbări de management. Avantajul față de raportările periodice trimestriale sau semestriale este semnificativ: banca poate reacționa cu luni înainte ca o problemă să devină vizibilă în situațiile financiare auditate. Raiffeisen Bank România are implementat un astfel de sistem încă din 2009, un exemplu timpuriu de adoptie a logicii early warning în banking-ul corporate românesc.
3. Large Language Models (LLM) în analiza de credit corporate
Cel mai recent val de inovație vine din aplicarea modelelor de tip LLM (Large Language Models) la analiza informațiilor nefinanciare despre companiile debitoare. O cercetare publicată în octombrie 2025 pe arxiv.org descrie un sistem LLM care analizează date nefinanciare pentru a evalua capacitatea de rambursare a creditelor corporate, generând raționamente explicite care leagă informația non-financiară de capacitatea de rambursare. LLM-urile specializate financiar — precum FinBERT și FinGPT — pot procesa rapoarte de analiști, disclosures publice ale companiilor, știri și comunicări manageriale, generând predicții de risc contextuale și argumente explicabile.
O meta-analiză sistematică publicată în ScienceDirect în 2025, care a analizat 60 de studii peer-reviewed din perioada 2020–2025, confirmă că modelele LLM hibride, combinate cu tehnici de explainability (SHAP, LIME, chain-of-thought prompting), reprezintă direcția dominantă în cercetarea academică privind creditarea bazată pe AI. Reproductibilitatea, controlul bias-ului și robustețea față de halucinații rămân însă provocări deschise.
4. Agentic AI: de la recomandare la decizie
Frontiera cea mai îndepărtată, dar cu cea mai mare miză, o reprezintă sistemele agentic AI, capabile să acționeze autonom în procese de decizie complexe. O lucrare publicată în International Journal of Intelligent Systems and Applications in Engineering la sfârșitul anului 2024 propune un framework agentic AI pentru decizii de risc de credit în timp real și cu explicabilitate integrată. Spre deosebire de modelele ML clasice, sistemele agentice pot integra contexte dinamice, pot solicita informații suplimentare și pot justifica în limbaj natural fiecare decizie luată. Adoptia în creditarea corporate rămâne însă limitată, datorită exigențelor regulatorii și a rezistenței instituționale față de automatizarea totală a deciziilor cu impact semnificativ.
Cadrul regulatoriu: AI Act și provocările pentru băncile europene
În Uniunea Europeană, utilizarea AI în procesele de creditare este reglementată de AI Act, primul cadru legal comprehensiv și obligatoriu privind inteligența artificială la nivel mondial. Intrat în vigoare în august 2024 și cu aplicabilitate completă din august 2026, actul clasifică sistemele AI de evaluare a bonității ca sisteme de înalt risc (high-risk AI).
Implicațiile pentru băncile din România și din Europa sunt semnificative. Potrivit unui whitepaper Advisense publicat în martie 2025, toate modelele de credit scoring care îndeplinesc definiția AI Act și sunt utilizate pentru evaluarea persoanelor sau companiilor sunt clasificate automat ca sisteme de înalt risc, indiferent de complexitatea lor tehnică. Obligațiile derivate includ sisteme de management al riscului documentate, guvernanță a datelor riguroasă pentru eliminarea bias-urilor, documentație tehnică exhaustivă, mecanisme de transparență și supraveghere umană obligatorie.
Banca Centrală Europeană avertizează că aproape 80% dintre băncile europene evaluate începuseră evaluări de conformitate AI Act pentru sistemele lor de credit scoring, însă 20% încă lucrau la implementarea procedurilor. Costul anual de conformitate per sistem AI de tip high-risk este estimat la aproximativ 29.277 euro, conform analizei Lucinity. Nu este un cost neglijabil, mai ales în contextul în care băncile operează zeci de modele AI simultan.
În domeniul explicabilității, BCE a documentat în workshopurile sale din 2025 că băncile europene utilizează deja instrumente de explainability pentru modelele de credit scoring, însă nu există încă standardizare. Principiul central este însă nenegociabil: «algoritmul a decis» nu mai este o justificare acceptabilă din punct de vedere legal sau regulatoriu în nicio jurisdicție europeană, conform HES FinTech, care a implementat soluții de creditare AI în peste 30 de țări.
Riscuri și limite: ce nu poate face încă AI în creditarea corporate
Entuziasmul față de potențialul AI trebuie echilibrat cu o înțelegere realistă a limitelor actuale. În creditarea corporativă, specificul este deseori mai complex decât în segmentul retail: tranzacțiile sunt mai rare, structurile de grup sunt opace, iar informația calitativă despre echipa de management, strategia competitivă sau relațiile cu furnizorii-cheie este greu de cuantificat.
Sistemele ML și LLM actuale sunt excelente la recunoașterea tiparelor în date istorice, dar fragile în fața discontinuităților: crize geopolitice bruște, schimbări de reglementare sau șocuri sectoriale neprevăzute pot invalida predicțiile unui model antrenat pe date istorice. Pandemia din 2020 a demonstrat brutal că modelele de scoring calibrate pe perioade de normalitate economică puteau genera semnale greșite în contextul unui șoc fără precedent.
Riscul de bias algoritmic este, de asemenea, real. Dacă datele de antrenament reflectă discriminări istorice în acordarea creditelor, modelul le va perpetua sistematic. Penalizările aplicate Apple și Goldman Sachs în 2024 — 89 de milioane de dolari — pentru probleme de discriminare algoritmică în creditare au trimis un semnal puternic industriei globale.
Specialiștii români avertizează că sistemele de credit scoring fără intervenție umană reprezintă un risc semnificativ, iar o prelucrare excesivă a datelor poate duce la rezultate viciate. Abordarea recomandată este modelul «human in the loop», în care AI sprijină decizia analistului, nu o înlocuiește.
Concluzie: AI schimbă regulile, dar omul rămâne arbitrul final
Inteligența artificială nu elimină creditarea corporate tradițională — o remodelează profund. Viitorul aparține instituțiilor care reușesc să combine puterea de procesare și predicție a AI cu judecata contextuală și experiența sectorului a analiștilor umani. Modelul hibrid nu este un compromis, ci un standard de calitate mai înalt.
Pentru băncile din România, fereastra de oportunitate este deschisă, dar se îngustează. Investițiile în infrastructura de date, în sisteme de monitorizare a portofoliului și în conformitate cu AI Act nu mai sunt opționale. Ele definesc capacitatea instituției de a concura în următoarea decadă.
Iar pentru companiile care accesează credite corporate, mesajul este la fel de clar: calitatea datelor pe care le furnizează băncilor, transparența raportării financiare și adoptia propriilor sisteme digitale vor deveni factori de diferențiere în accesul la finanțare. AI face băncile mai bune la analiza riscului. Și tocmai de aceea debitorul nepregătit are mai puține locuri unde să se ascundă.
――――――――――――――――――――――――――――
Surse și referințe
1. Banca Centrală Europeană (BCE) — AI Workshops with Banks 2025, raport tehnic privind utilizarea AI în creditare și conformitatea cu AI Act: bankingsupervision.europa.eu
2. Research Nester — Global AI Platform Lending Market, 2024–2037, citat în HES FinTech Blog (2025): hesfintech.com/blog/all-legislative-trends-regulating-ai-in-lending
3. US Census Bureau Working Paper — U.S. Banks, Artificial Intelligence and Small Business Lending (2025): census.gov/ces/wp/2025/CES-WP-25-07.pdf
4. Piața Financiară / Puterea.ro — Ne pot ajuta roboții în relația cu banca? AI transformă bankingul românesc (sept. 2025): piatafinanciara.ro / puterea.ro
5. Curs de Guvernare — Digitalizarea băncilor din România în cifre. TOP 10 instituții (nov. 2025): cursdeguvernare.ro
6. Raiffeisen Bank România — Raportul Directoratului la 31 decembrie 2024: raiffeisen.ro
7. Raiffeisen Bank România — Comunicat: 23% mai mulți clienți noi și digitalizare accelerată în primele 9 luni din 2025: raiffeisen.ro
8. Advisense Whitepaper — The EU AI Act and Its Implications for Credit Risk Models in Banking (martie 2025): advisense.com
9. Golec & Alabduljalil — Interpretable LLMs for Credit Risk: A Systematic Review and Taxonomy, ScienceDirect (2025): sciencedirect.com
10. Kubam, Chandra Sekhar — Agentic AI for Autonomous, Explainable, and Real-Time Credit Risk Decision-Making, IJISAE (dec. 2024): arxiv.org/pdf/2601.00818
11. Structured Debate Improves Corporate Credit Reasoning in Financial AI, arxiv.org (oct. 2025): arxiv.org/pdf/2510.17108
12. Banking.Vision — 2025: The first year of AI regulation in Europe (ian. 2026): banking.vision
13. HES FinTech — AI in Lending: AI Credit Regulations Affecting Lending 2025 (nov. 2025): hesfintech.com
14. Lucinity — AI Regulations in Financial Compliance: EU AI Act analysis (2025): lucinity.com
15. Goodwin Law — EU AI Act: Key Points for Financial Services Businesses (2024): goodwinlaw.com
