Hero FinCorp hat die Kreditvergabe rund um KI-Kontext neu aufgebaut – die Kreditkosten sanken in sechs Monaten um 15 %

Hero FinCorp, der Nichtbank-Kreditgeber der Hero-Gruppe, der mehr als 13 Millionen Kunden in über 96 % der indischen Postleitzahlgebiete bedient, hat das Projekt Dhruv Tara aufgebaut – eine KI-gestützte Kreditarchitektur, die den gesamten Kreditzyklus umfasst: Kundenakquise, Underwriting, Onboarding, Portfolioüberwachung, Servicing und Inkasso. Das Problem, auf das sie abzielte: Kreditentscheidungen, die auf Auskunftei-Scores, Rückzahlungshistorien und Dokumenten beruhen, erzählen nur einen Teil der Geschichte – insbesondere bei Kunden mit dünner formaler Kredithistorie, deren Unterlagen ihr tatsächliches Risiko untertreiben.

Die Architektur ersetzt die Sicht auf einen einzigen Score durch Kontext. Ein Cloud-Datenlake kombiniert Auskunftei- und Rückzahlungsdaten mit Bankdaten, GST-Daten, Eingaben von Account Aggregatoren, Demografie, Vermögensmerkmalen und Geografie – mehr als 100 Mikromarkt-Datenpunkte und über 40 APIs, die es dem Kreditgeber ermöglichen, Muster auf Postleitzahlebene zu lesen, vom lokalen Einkommensverhalten bis zu Vermögensnormen. Fünfzehn dynamische Risiko- und Inkassomodelle bewerten Rückzahlungsfähigkeit, Stabilität und -absicht und steuern ein prädiktives Inkasso, das früher und angemessener eingreift, statt alle Kreditnehmer gleich zu behandeln.

Das Unternehmen meldet die operativen Ergebnisse: Die Kreditkosten sanken im zweiten Halbjahr des Geschäftsjahres 2026 gegenüber dem ersten Halbjahr des Geschäftsjahres 2026 um 15 %, und die Brutto-NPL verbesserte sich im selben Zeitraum um rund 20 %. KI ist auch in die Frontlinie vorgedrungen – Chatbots, IVR, automatisierte Workflows und KI-gestützte E-Mail bearbeiten heute nahezu 60 % der Kundenanfragen, sparen mehr als 4 Lakh menschliche Minuten pro Quartal, und eine Onboarding-Reise schrumpfte von 90 Feldern auf drei.

Die Chief Operating Officer Priya Kashyap beschreibt die Disziplin so: Der wahre Wert von KI im Finanzdienstleistungssektor liegt nicht allein in der Geschwindigkeit, sondern in besserer Entscheidungsfindung – verbesserte Risikoauswahl, frühzeitige Stresserkennung, weniger Reibung für den Kunden. Menschliche Teams behalten kontextbezogenes Urteilsvermögen, Governance und Rechenschaftspflicht, während die Modelle Muster im großen Maßstab verarbeiten.

Kreditkosten um 15 % gesenkt und GNPA im zweiten Halbjahr des Geschäftsjahres 2026 gegenüber dem ersten Halbjahr um ~20 % verbessert; KI bearbeitet ~60 % der Anfragen und spart 4 Lakh menschliche Minuten pro Quartal; Onboarding von 90 Feldern auf 3 reduziert.

Kreditnehmer mit dünner Akte wurden auf der Grundlage fehlender Daten bepreist; Mikromarkt-Kontext gewann Signal zurück, das die Auskunfteiakte nie hatte.

Einheitliches Inkasso behandelte jeden säumigen Kreditnehmer gleich; prädiktive Modelle timen und adressieren Interventionen nach Verhalten.

Der Aufbau brachte Intelligenz in den Entscheidungspfad selbst, statt KI-Tools neben den alten Prozess zu stellen.

Wenn alle auf derselben Auskunfteiakte underwriten, verschiebt sich der Vorteil zum Kontext – wo der Kreditnehmer lebt, wie sich das lokale Einkommen verhält – und nicht zu einem weiteren Blick auf denselben Score.

Die Zahlen sind vom Unternehmen gemeldet; das Material enthält keine unabhängige Prüfung. Die genannte nächste Phase ist ein tieferer Kontext über den gesamten Kreditzyklus: reichere Signale für eine frühere Risikoerkennung, weniger Reibung für den Kunden und personalisierte Ansprache, wobei menschliches Urteilsvermögen für Entscheidungen erhalten bleibt, bei denen Rechenschaftspflicht zählt.