Private credit og direct lending med AI – alternativ indkomst for formuende danskere 2026

Da renterne var tæt på nul, jagtede formuende investorer i mange år afkast, hvor det overhovedet kunne findes. En af de døre, der åbnede sig, hed private credit – lån ydet uden om bankerne, direkte fra fonde til virksomheder, mod en rente højere end den, en almindelig noteret obligation kunne give. Det, der begyndte som en niche for de allerstørste institutioner, er på få år vokset til en af de hurtigst ekspanderende aktivklasser i verden, og den er efterhånden også blevet tilgængelig for formuende private investorer gennem fonde og formueforvaltere.

Men et højere afkast kommer aldrig gratis. Private credit bærer sin egen række risici – kreditrisiko, likviditetsrisiko og en gennemsigtighed, der er markant lavere end på det noterede marked. Netop derfor er kunstig intelligens ved at blive et af de vigtigste værktøjer i disciplinen: til at vurdere låntagere, overvåge dem løbende og stress-teste porteføljen mod det, der kan gå galt. Denne guide gennemgår, hvad private credit og direct lending egentlig er, hvorfor aktivklassen er boomet, hvilke risici den rummer, hvordan AI bruges i den, og hvad en dansk investor skal være opmærksom på med hensyn til likviditet og skat.

Hvad private credit og direct lending egentlig er

Private credit er en samlebetegnelse for lån, der ydes uden om både bankerne og de børsnoterede obligationsmarkeder. I stedet for at en virksomhed låner i banken eller udsteder en obligation, som handles på en børs, låner den direkte af en specialiseret kreditfond. Som investor stiller man kapital til rådighed via den fond og modtager til gengæld renter. Man er altså långiver, ikke ejer – en vigtig forskel fra aktier og private equity, hvor man køber en andel af selve virksomheden.

Direct lending er den største og mest udbredte form for private credit. Det dækker lån, som en kreditfond yder direkte til en mellemstor virksomhed – ofte i forbindelse med et opkøb foretaget af en kapitalfond, hvor lånet finansierer en del af købet. Ved siden af direct lending findes flere underkategorier, som er værd at kende, fordi de bærer ret forskellig risiko.

Det, der binder dem sammen, er, at lånene ikke handles dagligt på en børs. De ligger fast i fonden, indtil de tilbagebetales. Til gengæld for at binde sin kapital på den måde modtager investoren typisk en højere rente end på tilsvarende noterede obligationer – en såkaldt illikviditetspræmie. Det er selve kernen i aktivklassens tiltækningskraft: man betales for at give afkald på at kunne sælge sig ud når som helst.

Hvorfor aktivklassen er boomet

Væksten i private credit er ikke tilfældig. Den hviler på to strømninger, der har trukket i samme retning i over et årti.

Den første er regulering. Efter finanskrisen strammede myndighederne kravene til bankerne, særligt om hvor meget kapital de skal holde bag deres udlån. Det gjorde det mindre attraktivt for bankerne at låne ud til mellemstore og mere risikofyldte virksomheder, og ind i det hul trådte kreditfondene. De var ikke underlagt de samme kapitalkrav og kunne derfor tage lån på deres bøger, som bankerne trak sig fra. For virksomhederne betyder det ofte hurtigere og mere fleksibel finansiering; for investorerne betyder det adgang til en helt ny strøm af renteindtægter.

Den anden strømning er jagten på afkast. Efter mange år med lave renter havde både institutionelle og formuende investorer svært ved at finde et fornuftigt løbende afkast i statsobligationer og sikre kreditter. Private credit tilbød netop det: en højere rente mod at binde kapitalen i nogle år. Resultatet er, at aktivklassen er vokset fra en nichebeskeftigelse til et af de største og hurtigst voksende områder inden for alternative investeringer, hvor de globale forvaltede midler nu måles i tusinder af milliarder dollar.

Risiciene ved private credit

Det højere afkast afspejler højere risiko. Fire risici skiller sig ud, og de forstærker hinanden i dårlige tider.

Kreditrisiko

Dette er den centrale risiko. Lånene ydes ofte til mellemstore virksomheder med relativt høj gæld, og går en låntager konkurs, kan investoren tabe hele eller dele af sit indskud. Hvor godt man er stillet ved en konkurs, afhænger af, om lånet er senior (først i køen og med sikkerhed) eller efterstillet, og af hvilke sikkerheder der er stillet. Netop derfor er kreditvurderingen af den enkelte låntager kernen i hele disciplinen.

Likviditetsrisiko

Likviditetsrisikoen er ikke en fejl, men et indbygget vilkår. Pengene er typisk bundet i flere år, og man kan sjældent trække sig ud før tid – og ikke til en garanteret pris, hvis man kan. Det gør private credit uegnet for kapital, man kan få brug for på kort sigt, og det gør det særligt farligt at overeksponere sig: hvis en investor har brug for likviditet netop, når markedet er anstrengt, kan pengene være låst fast præcis, når de skal bruges.

Gennemsigtighedsrisiko

Fordi lånene ikke handles offentligt, findes der ingen daglig markedskurs. Værdiansættelsen bygger derfor på forvalterens egne modeller frem for på en markedspris. Det kan få en portefølje til at se mere stabil ud, end den er – udsvingene bliver simpelthen ikke målt dagligt – men det skjuler ikke den underliggende risiko. Investoren er i høj grad afhængig af, at forvalteren værdiansætter ærligt og konservativt.

Makro- og renterisiko

Mange private credit-lån har variabel rente. Det er en fordel, når renten stiger, fordi investorens afkast så stiger med. Men den samme rentestigning øger låntagernes renteudgifter og kan svække deres evne til at betale – særligt de mest gælstyngede. En økonomisk nedtur kan derfor ramme aktivklassen fra to sider på én gang: flere låntagere kommer i problemer, netop mens investoren ikke kan komme ud. Det er kombinationen af disse risici – ikke nogen af dem alene – der gør private credit til en aktivklasse, der kræver ægte forståelse, før man går ind i den.

Hvordan AI bruges i private credit

Private credit er i sin kerne et informationsproblem: hvor kreditværdig er den her låntager egentlig, og hvordan udvikler den sig over de år, lånet løber? Det er præcis den slags spørgsmål, kunstig intelligens er ved at forandre. Fire anvendelser skiller sig ud.

1. Kreditvurdering

Den mest oplagte anvendelse er selve kreditvurderingen. AI-modeller kan læse og sammenstille regnskaber, brancheforhold, kundekoncentration og en række alternative datakilder hurtigere og bredere end en analytiker, der arbejder manuelt. Det gør det muligt at vurdere flere potentielle låntagere, og at grave dybere i hver enkelt, så svage punkter i en virksomheds økonomi træder frem tidligere i processen. AI erstatter ikke kreditanalytikerens dømmekraft, men den giver ham eller hende et langt bedre og hurtigere beslutningsgrundlag.

2. Løbende overvågning

Kreditrisiko forsvinder ikke, når lånet er ydet – den skal følges i hele lånets løbetid. AI kan overvåge de virksomheder, der allerede er lånt til, ved løbende at følge indikatorer som omsætning, betalingsmønstre, brancheudvikling og nyhedsstrømmen omkring dem. Formålet er at opdage tegn på problemer tidligt – mens der stadig er tid til at handle – frem for først at reagere, når en låntager misligholder. I en aktivklasse, hvor man ikke bare kan sælge sig ud, er tidlig varsling særligt værdifuld.

3. Portefølje- og risikoanalyse

På portefølje-niveau kan AI måle, hvor koncentreret risikoen er – om for mange lån er ydet til den samme branche, den samme type låntager eller virksomheder med samme følsomhed over for renten. Systemet kan stress-teste den samlede portefølje mod scenarier som en rentestigning eller en recession og vise, hvordan afkast og tab kan udvikle sig under pres. Det gør risikoen synlig, selv når der ikke findes daglige markedskurser at måle den på.

4. Due diligence

Endelig fremskynder AI selve gennemgangen af de store dokumentmængder, der følger med en kreditvurdering – låneaftaler, regnskaber, kontrakter og juridiske dokumenter. AI kan læse dem, finde de relevante klausuler og fremhæve uoverensstemmelser hurtigere end en manuel gennemgang, så de menneskelige eksperter kan bruge deres tid på de svære vurderinger frem for på at lede.

Skatten og likviditeten – det danske forbehold

For en dansk investor er der to praktiske forbehold, som er mindst lige så vigtige som selve afkastet. Det første er likviditeten. Fordi kapitalen typisk er bundet i flere år, bør private credit kun udgøre en del af formuen, som man med sikkerhed kan undvære i hele løbetiden. Aktivklassen hører hjemme i den langsigtede, illikvide del af en portefølje – ikke i den beholdning, der skal kunne dække uforudsete behov.

Det andet forbehold er skatten. Beskatningen af afkast fra private credit-fonde afhænger stærkt af, hvordan investeringen er struktureret – om den sker gennem en dansk eller udenlandsk fond, om afkastet behandles som kapitalindkomst, og om der gælder lager- eller realisationsbeskatning. For formuende investorer sker eksponeringen ofte gennem et holdingselskab eller en særlig fondsstruktur, hvor de skattemæssige konsekvenser kan være markant anderledes end ved en direkte privatinvestering. Reglerne er komplekse og stærkt afhængige af den konkrete konstruktion, og en fejlvurdering kan æde en betydelig del af det merafkast, aktivklassen ellers tilbyder. Afklar din skattemæssige stilling med en revisor eller Skattestyrelsen, før du investerer.

Den hybride tilgang – menneske plus maskine

Som på resten af formueområdet er den fornuftige model i 2026 hverken den rene algoritme eller den rene hånd. AI håndterer volumen og mønstergenkendelse: at læse hundredvis af regnskaber, overvåge porteføljen døgnet rundt og stress-teste den mod scenarier, som ingen analytiker kunne regne igennem manuelt. Men den endelige kreditbeslutning – skal vi låne til den her virksomhed, på hvilke vilkår, og til hvilken pris – hviler stadig på erfaring og dømmekraft.

Faren ved at stole for meget på modellerne er, at private credit-lån netop mangler den lange historik af markedspriser, som AI ellers trænes på. Hvert lån er unikt, forhandlet individuelt, og de værste kredittab opstår ofte i situationer, en model ikke har set før. En algoritme, der værdiansætter et lån som sikkert, fordi det ligner tidligere sikre lån, kan tage grundigt fejl, når verden ændrer sig. AI bør derfor bruges til at gøre kreditarbejdet hurtigere og bredere – ikke til at fjerne den menneskelige skepsis, der er kreditinvesteringens vigtigste værn. Det endelige ansvar bliver hos mennesket.

Sådan griber du private credit an

1. Afklar din likviditet først. Invester kun kapital, du med sikkerhed kan undvære i hele løbetiden – typisk flere år – så du aldrig tvinges til at søge ud af en aktivklasse, du ikke kan komme ud af.
2. Vælg forvalteren med omhu. I en aktivklasse uden daglige markedskurser er forvalterens disciplin, erfaring og dokumenterede kredithistorik afgørende – det er ham eller hende, du reelt betror pengene.
3. Forstå hvor i kapitalstrukturen du står. Spørg, om lånene er senior og med sikkerhed eller efterstillede – det afgør, hvor godt du er dækket, hvis en låntager går konkurs.
4. Kræv gennemsigtighed om værdiansættelse. Bed om at forstå, hvordan fonden værdiansætter sine lån, og hvor konservativt den gør det – en stabil kurve kan skjule reel risiko.
5. Afklar skatten før du investerer. Få en revisor til at gennemgå den konkrete struktur og beskatning, så merafkastet ikke forsvinder i en skatteregning, du ikke havde regnet med.