在聯準會升息循環看似接近尾聲，但市場對經濟前景依然充滿疑慮的今天，任何來自科技與金融交集領域的風吹草動，都足以牽動投資者的敏感神經。近期，美國一家名為Upstart的金融科技公司發布了最新財報，其營收表現超出了華爾街的普遍預期，引發了市場熱議。這家試圖用人工智慧（AI）徹底顛覆傳統信貸產業的挑戰者，究竟是展現了穿越經濟週期的強大韌性，還只是在熊市中一次短暫的技術性反彈？更重要的是，Upstart的商業模式、其在利率高牆下所面臨的掙扎與突破，對於正在積極推動金融數位轉型的台灣和日本市場，又能帶來什麼樣的深刻啟示？本文將深入剖析Upstart的核心技術、財報背後的真實溫度，並橫跨太平洋，比較美、日、台三地在AI金融領域的發展路徑，為投資者提供一個更為立體和前瞻的觀察視角。
重新定義信用風險：Upstart的AI煉金術究竟是什麼？
要理解Upstart的價值，首先必須理解傳統信貸體系的百年沉痾。長久以來，全球銀行業主要依賴一套相對簡單的標準來評估個人信用，其中最具代表性的就是美國的FICO信用評分。這套系統主要基於民眾過去的還款紀錄、負債狀況、信用歷史長度等有限的幾個維度進行評分。這就好比學校僅僅依據期中考成績來判斷一個學生的優劣，雖然有效，但顯然忽略了學生的日常表現、潛力以及其他綜合素質。這種「一刀切」的模式，導致許多信用記錄較短（如剛畢業的年輕人）或非傳統就業型態（如自由工作者）的潛在優質客戶，難以獲得公平的貸款機會與利率。
不只看FICO分數：數據驅動的個人化審批
Upstart的核心論點是：傳統的FICO分數，並不足以全面描繪一個人的真實還款能力與意願。成立於2012年的Upstart，其創辦團隊擁有Google的深厚背景，他們從一開始就試圖將網路時代的數據分析思維，應用到古老的信貸產業。Upstart的AI模型不僅僅參考傳統的信用數據，更納入了超過1,500個非傳統的變數，例如申請人的教育背景、工作經歷、居住穩定性，甚至是在填寫線上申請表時的操作行為。
這個邏輯的本質，是從「歷史總結」轉向「未來預測」。AI模型透過機器學習，不斷分析數千萬筆貸款申請與還款數據，從中找出那些傳統模型無法識別的、與違約率相關的微弱信號。舉例來說，一個畢業於頂尖大學理工科系的年輕工程師，雖然信用歷史短、FICO分數不高，但Upstart的模型可能基於其專業的稀缺性與未來的薪資成長潛力，判定其違約風險極低，從而給予比傳統銀行更優惠的貸款條件。這種極度個人化的風險定價，正是Upstart聲稱能為銀行合作夥伴帶來更高回報、同時為消費者提供更普惠金融服務的底氣所在。
全自動化的野心：從申請到放款的極速體驗
數據模型的優越性，最終體現在客戶體驗上。傳統銀行貸款流程繁瑣，需要提交大量紙本文件，經過多層人工審核，往往耗時數天甚至數週。這對於習慣了電商「一鍵下單」的現代消費者而言，無疑是痛苦的。Upstart則將整個流程搬到線上，藉由其高效的AI模型進行即時決策。根據公司最新公布的數據，其高達89%的貸款申請能夠實現「端到端」的全自動化處理，無需任何人工干預。申請人只需在線上花幾分鐘填寫資料，系統便能立即給出審批結果與貸款方案。這種近乎零摩擦的極速體驗，徹底顛覆了人們對貸款的刻板印象，也構成了其難以被傳統金融機構輕易複製的護城河。
財報數字的真實溫度：是寒冬回暖，還是曇花一現？
儘管Upstart的技術理念聽起來無懈可擊，但在現實世界中，它仍然必須面對宏觀經濟的嚴峻考驗。過去兩年，聯準會暴力升息的衝擊波，對整個信貸市場造成了巨大衝擊，而Upstart的商業模式也因此受到了前所未有的壓力測試。
營收與展望：超越預期背後的隱憂
根據Upstart於2024年2月發布的2023年第四季財報，公司實現營收1.4億美元，雖然相較去年同期仍有小幅下滑，但顯著優於市場預期的1.34億美元。同時，公司給出的2024年第一季營收指引約為1.25億美元，同樣也超越了分析師的預期。這些數字在經歷了連續幾個季度的慘淡表現後，無疑為市場注入了一絲樂觀情緒，推動其股價在盤後交易中一度大漲。
然而，我們必須清醒地看到，所謂的「超預期」，是在一個極低的預期基礎上實現的。回顧其巔峰時期的2021年，Upstart的單季營收曾超過3億美元。如今的營收規模，尚不及當年的一半。這背後的根本原因在於，利率飆升不僅壓抑了民眾的貸款需求（尤其是非必要的個人消費貸），更嚴重的是，它抽乾了市場的資金活水。Upstart本身並非銀行，它扮演的是一個撮合平台，將審批通過的借款人對接給合作的銀行或機構投資者來提供資金。當利率上升，這些資金提供方的融資成本急遽增加，風險偏好也隨之下降，他們自然會收緊錢包，對採購Upstart平台上的信貸資產變得極為謹慎。這導致Upstart的貸款成交量（Loan Origination）從高峰期的超過40億美元，萎縮至最近一季的13億美元。
商業模式的壓力測試：當AI模型遇上經濟逆風
更深層的挑戰在於，Upstart的AI模型是否真的能穿越完整的經濟週期？在過去長達十年的低利率寬鬆環境中，整體經濟欣欣向榮，個人違約率處於歷史低點，AI模型的預測準確性很容易被「證實」。然而，當經濟逆風來襲，失業率攀升，真正的考驗才剛開始。市場的核心疑慮是：那些被AI模型從傳統體系「撈」出來的次優級（near-prime）客戶，在高通膨和高利率的雙重壓力下，其違約率是否會超乎預期地惡化？
為應對資金市場的寒冬，Upstart也被迫做出調整，開始用自有資金承接一部分貸款，將其保留在資產負債表上。這雖然暫時穩住了業務量，卻也使其從一個輕資產的科技平台，向重資產的金融機構偏移，增加了自身的資本風險。最新的財報顯示，公司仍在努力尋找新的長期資金合作夥伴，並開發新的產品線（如房屋淨值信貸額度），試圖實現收入來源的多元化。這場與宏觀經濟的賽跑，顯然還遠未到終點。
跨海對望：從日本到台灣，AI金融的異同與啟示
Upstart的故事並非矽谷獨有，它所代表的AI驅動金融創新的浪潮，正以不同的形式席捲全球。將目光投向與台灣產業環境、金融文化更為接近的日本，以及我們身處的台灣市場，可以發現一番有趣的景象。
日本的穩健創新：銀行巨頭與科技巨頭的聯姻
日本的金融科技發展，呈現出與美國截然不同的路徑。相較於Upstart這種破壞式創新的挑戰者，日本的AI信貸創新更多是由傳統金融巨頭主導，或以合作形式展開。最具代表性的案例，莫過於由瑞穗銀行（Mizuho Bank）和軟銀（SoftBank）兩大巨頭合資成立的J.Score。
J.Score同樣利用AI模型進行信用評分，但其數據來源除了傳統金融數據外，更整合了軟銀旗下龐大的電信、電商用戶行為數據。這種「銀行+科技巨頭」的模式，優勢顯而易見：一方面，瑞穗銀行提供了穩定的資金來源和深厚的風險控管經驗，避免了類似Upstart到處「找錢」的窘境；另一方面，軟銀則帶來了海量的非傳統數據與技術能力。這種模式更偏向於在現有金融體系內的「改良」與「賦能」，而非「顛覆」。它的步伐或許不如矽谷新創那樣迅猛激進，但勝在穩健，也更容易被監管機構和市場大眾所接受。這反映了日本相對保守穩健的商業文化，也為尋求數位轉型的台灣金融業者提供了一個值得參考的範本。
台灣的萌芽與追趕：從P2P到銀行數位轉型
反觀台灣，目前尚未出現一家與Upstart規模和模式完全對標的上市公司。台灣的AI金融創新，主要體現在兩個層面。首先是新興的金融科技公司，例如像「LnB信用市集」這類的P2P網路借貸平台，它們同樣在嘗試運用替代性數據（Alternative Data）來優化信用評估，服務那些被傳統銀行拒之門外的客群。然而，受限於法規、市場規模與資金來源，這些平台目前仍處於相對小眾的利基市場。
更為主力的創新力量，則來自於大型金控與銀行的內部數位轉型。例如國泰金控、富邦金控、中信金控等，近年來無不將AI和大數據視為核心戰略，投入大量資源建立數據科學家團隊，優化內部的風險模型、精準行銷與客戶服務。他們正在做的事情，本質上與Upstart並無二致——都是希望透過數據挖掘，更精準地理解客戶、評估風險。只不過，他們的創新是在一個龐大而成熟的體制內進行，速度較慢，但根基扎實，擁有龐大的客戶基礎與數據金礦。
對台灣投資者而言，Upstart的崛起與掙扎提供了一個絕佳的教案。它證明了AI技術在金融領域的巨大潛力，能夠創造出全新的商業模式與效率革命。然而，它也警示我們，再先進的演算法也無法完全脫離宏觀經濟的引力。金融科技的本質終究是金融，風險控管永遠是核心。未來，在台灣市場上，真正能夠脫穎而出的，或許不是最激進的顛覆者，而是那些能將AI技術與自身深厚的金融領域知識（Domain Know-how）完美結合，實現穩健創新的領先者——無論它們是傳統金融巨頭，還是專注於金融IT解決方案的軟體服務商。AI的故事才剛剛開始，而金融產業的賽道，永遠屬於那些能平衡創新與風險的長跑選手。
