Daniel Liechtenstein, generální ředitel a spoluzakladatel Hypercore – série rozhovorů

Daniel Liechtenstein, generální ředitel a spoluzakladatel Hypercore, je fintech podnikatel a finanční stratég s zkušenostmi v oblasti úvěrových technologií, vývoje softwaru, obchodního poradenství a rozsáhlého finančního plánování. Spoluzaložil Hypercore v roce 2020 poté, co dříve působil jako partner pro rozvoj podnikání ve společnosti Articode, kde se zaměřoval na fintech softwarové projekty a klienty ze sektoru finančních služeb, a pracoval samostatně jako finanční a obchodní konzultant pro startupy a rostoucí společnosti. Dříve ve své kariéře zastával seniorní pozice v oblasti finančního plánování a strategie v izraelském obranném sboru a izraelském ministerstvu obrany, kde jeho odpovědnosti zahrnovaly řízení velkých rozpočtů ICT, hodnocení investic do technologií, vyjednávání rozsáhlých smluv s globálními dodavateli technologií a přispívání k cloudové infrastruktuře a strategickým nákupním iniciativám.

Hypercore je technologická platforma určená pro soukromé úvěrové fondy a nebankovní poskytovatele úvěrů, navržená k modernizaci provozní infrastruktury úvěrování. Její kompletní platforma centralizuje úvěrová data a podporuje celý životní cyklus od získávání úvěrů a řízení pipeline až po servis, správu zdrojů financování, reporting a splatnost, přičemž automatizuje mnoho výpočtů a pracovních postupů, které byly tradičně prováděny v tabulkových kalkulacích a oddělených systémech. Nedávno Hypercore rozšířil své zaměření na AI‑nativní správu úvěrů, využívající AI agenty spolu se strukturovanými úvěrovými daty a profesionálním dohledem k automatizaci opakujících se servisních činností, jako je onboarding zařízení, výpočty, platby, smírování, oznámení a reporting. Platforma je navržena tak, aby poskytovala věřitelům v reálném čase přehled o portfoliu, auditovatelné pracovní postupy a infrastrukturu potřebnou k rozšíření operací bez proporciálního rozšiřování administrativních týmů.

Když jste zakládali Hypercore, co vám připadalo chybějící v tom, jak soukromé úvěrové firmy spravovaly úvěry po uzavření? A jak se tento koncept změnil s rozvojem AI?

Hypercore jsme založili, protože neexistoval skutečný systém pro správu úvěrů určený soukromému úvěrování.

Spousta systémů si vede dobře u standardních úvěrových produktů, ale soukromé úvěry nejsou standardní. Zahrnují různé struktury, různé platební mechaniky, podmínky, dodatky, vodopády, skupiny věřitelů a další. Žádná dvě transakce nejsou stejné a firmy příliš spoléhají na tabulky a manuální procesy.

Naším záměrem bylo vytvořit infrastrukturu, která dokáže úvěr správně reprezentovat a spravovat po celý jeho životní cyklus.

Tento koncept se vyvinul, když jsme si uvědomili, že jakmile máme tuto infrastrukturu podklad, AI s ní může něco užitečného udělat. Pokud je úvěr v systému správně reprezentován a znáte jeho aktuální stav, AI může pochopit událost, aplikovat podmínky úvěru, spustit pracovní postup, aktualizovat systémy, připravit výstup a zapojit člověka, když je potřeba lidský úsudek nebo schválení.

Toto uvědomění nás přimělo začít poskytovat služby správy úvěrů vedle softwaru. Využíváme infrastrukturu, kterou jsme již vybudovali, spolu s AI agenty a naším provozním týmem, k provádění této práce.

Infrastruktura musí přijít jako první, ale jakmile ji máte, můžete použít AI k změně způsobu, jakým jsou po uzavření operace dokončovány.

Většina diskusí o AI v soukromém úvěrování se soustředila na underwriting a due diligence. Proč si myslíte, že větší příležitost může ve skutečnosti přijít po uzavření úvěru?

Underwriting je zřejmé místo, kde začít, protože je zde hodně materiálu ke čtení a analýze a AI je v tom velmi dobrá. Tento proces však trvá jen několik týdnů. Po uzavření jste zodpovědní za úvěr po léta a musíte se zabývat platbami, změnami sazeb, dodatky, testy podmínek, čerpáním, oznámeními, smírováním, reportováním a dalšími úkoly. Navíc s každým růstem portfolia roste i veškerá tato práce.

Pokud AI ušetří investičnímu profesionálovi hodinu během underwriting, je to užitečné. Pokud však sníží množství manuální práce potřebné k každodennímu řízení portfolia, je to obrovské.

Co dělá servis úvěru po dobu pěti či sedmi let obtížnějším k automatizaci než jeho analýzu během počátečního underwriting?

Pokud požádáte AI systém o shrnutí úvěrové smlouvy, jde o poměrně základní úkol. Někdo zkontroluje odpověď AI a pokračuje dál.

Ale servis tak nefunguje. Výpočet za tento měsíc může být ovlivněn dodatkem z loňského roku, resetem sazby před třemi měsíci a platbou z minulého týdne. Stav úvěru, a ve skutečnosti i samotný úvěr, se neustále mění. Původní smlouva je jen výchozím bodem. Musíte také sledovat dodatky, výjimky, volby a vše, co bylo dohodnuto mimo původní dokument.

Není to jednoduché! Nejde jen o čtení dokumentů; musíte udržovat živý finanční nástroj po několik let a zajistit, aby každá nová událost byla aplikována správně. Pokud uděláte chybu na začátku, může se promítnout do budoucích výpočtů měsíce nebo dokonce roky, než si ji někdo všimne.

Mnoho manažerů si stále vede vlastní „stínovou knihu“, aby kontrolovali práci svého administrátora. Proč se to tak rozšířilo? A co by se muselo změnit, aby firmy byly ochotny ji vzdát?

Když vám administrátor pošle výpočet bez jakýchkoli informací o tom, jak k němu dospěl, pravděpodobně byste si ho spočítali sami! To je v podstatě podstata stínové knihy. Vytváří duplicitní práci, ale existuje z důvodu; manažer potřebuje vědět, že čísla jsou správná.

Aby se stínové knihy odstranily, budou manažeři potřebovat mnohem větší přehled o práci, včetně toho, jaké vstupy byly použity, jaké podmínky byly aplikovány a co, pokud vůbec, se změnilo.

Pokud manažer i administrátor pracují se stejným základním záznamem o úvěru, není potřeba stínových knih. Nicméně si nemyslím, že je někdo vzdá jen proto, že nový poskytovatel tvrdí, že může. Důvěra bude muset být získána přesnémi výsledky po určitou dobu.

Existuje velký rozdíl mezi AI, která dokáže přečíst úvěrovou smlouvu, a AI, která dokáže skutečně provádět servisní práci. Co systém potřebuje, než mu budete důvěřovat při provádění těchto pracovních postupů?

Vyžaduje to několik věcí, včetně:

• Spolehlivý záznam o úvěru
• Znalost předchozích aktivit
• Přístup k systémům, kde se práce provádí
• Povědomí o tom, kdy je úkol dokončen a co dělat, pokud něco nevypadá správně

Vezměme si například platbu. AI samozřejmě musí platbu vypočítat, ale nekončí to zde.

Platba také musí být zpracována, mohou být rozeslány oznámení, systémy je třeba aktualizovat, člověk ji může potřebovat zkontrolovat a peníze je třeba po té smířit.

A tolerance k chybám je velmi nízká. Proto je náš tým odpovědný za administrativní službu, kterou nabízíme. AI provádí část práce v pozadí, ale nepředstíráme, že samotný software je zodpovědný za výsledek.

Jakmile AI začne zasahovat do plateb, alokací a reportování investorům, jak rozhodujete, co může zvládnout samostatně a kde je stále potřeba lidský zásah?

Upřímně řečeno, záleží na tom, co se stane, pokud je systém špatný. Existuje spousta situací, kdy AI může práci provádět automaticky, například získávání informací, sladění záznamů, identifikace anomálií – takové věci. Ale pokud přesouváte peníze nebo něco posíláte externě, je potřeba, aby do toho zasáhl člověk.

Přesto si také myslím, že se příliš soustředíme na to, zda existuje lidský schvalovací krok, a ne dostatečně na to, co ten člověk skutečně vidí. Když někomu dám číslo a tlačítko schválit, nepomůže to moc. Potřebují schopnost pochopit, odkud číslo pochází, aniž by ztráceli hodinu přepočítáním.

Stručně řečeno, pokud se sazba změní, systém musí být schopen poskytnout starou sazbu, novou sazbu, zdrojový dokument a vstupy. Pak ji může člověk skutečně zkontrolovat.

Jakmile se systém osvědčí v konkrétním pracovním postupu, můžete ho automatizovat více, ale ne jen proto, že byl vydán nový model.

Soukromé úvěry mohou být neuvěřitelně na míru šité. Jak to automatizovat, aniž byste požadovali, aby AI model pokaždé znovu přetvářel dohodu, když se něco stane?

AI je užitečná, když čtete dokumenty a zjišťujete, jak dohoda funguje. 200stránková smlouva plus dodatky jsou přesně tím, s čím může AI pomoci. Pak, jakmile pochopíte strukturu, může AI pomoci mapovat dohodu do úvěrového modelu, aby byla správně reprezentována. Poté jsou výpočty deterministické.

Pokud má úvěr vodopád, komponentu PIK, více tranží nebo krokové snižování ceny, jsou tato pravidla v systému. Neptáme se jazykového modelu, aby pokaždé, když přijde platba, znovu četl dokumenty! Manažeři musí být schopni reprodukovat a vysvětlit každý výpočet; to je nemožné, pokud model pokaždé přetváří dohodu při každé události.

Investiční riziko přirozeně získává největší pozornost v soukromém úvěrování. Jaké druhy provozního rizika podle vás manažeři často podceňují?

Manažeři podceňují drobnosti: dodatky, které se projeví na jednom místě, ale ne na druhém; sladění, které nastane později, než se očekávalo; zaměstnanec neúmyslně pracující se starou verzí podmínek.

Obvykle to není jedna obrovská selhání, ale malý problém, který zůstane špatně v pozadí po nějakou dobu, než začne ovlivňovat další věci.

Například pokud něco spočítáte na základě špatného termínu, to se promítne do platby a pak se objeví v reportingu. Když si to někdo všimne, budete muset přezkoumat měsíce práce.

AI může pomoci tím, že zkrátí toto okno. Pokud můžete sladit každý den místo na konci čtvrtletí, můžete problémy najít mnohem rychleji. Pokud se každý dodatek okamžitě zachytí a projeví v systému, snižujete šanci, že lidé budou pracovat s různými verzemi úvěru.

Není to tak vzrušující jako představa, že AI bude rozhodovat o investicích, ale provozně to představuje velký rozdíl.

Pro firmu, která má roky úvěrů rozptýlených napříč starými systémy, tabulkami, PDF soubory a e‑mailem, co je vlastně obtížné při přechodu na nové provozní prostředí?

Zjistit, jaká data jsou správná.

Firma může mít podmínky v úvěrové smlouvě, zůstatky v jiném systému, dodatky ve složce, historii plateb v e‑mailu a dokonce i důležitý kontext, který existuje jen v paměti jediného člena týmu!

Nejprve tedy musíte úvěr rekonstruovat tak, jak vypadá dnes. Pak jej musíte porovnat s tím, co uvádí stávající systém. Někdy čísla nesouhlasí a musíte zjistit proč. Možná bylo během migrace něco nesprávně namapováno?  Možná před lety proběhla ruční úprava? Nebo byl starý systém prostě špatný. V každém případě rozdíl nemůžete prostě ignorovat.

Doporučujeme po určitou dobu provozovat staré i nové prostředí paralelně, porovnávat výstupy, zkoumat rozdíly a připravit vše do pořádku před dokončením migrace.

Není to nejrychlejší způsob migrace, ale u aktivního úvěrového portfolia by rychlost neměla být hlavním cílem.

Pokud AI umožní firmám spravovat mnohem větší portfolia s menšími provozními týmy, jak si myslíte, že se změní role tradičního úvěrového administrátora?

Administrativa dříve znamenala manuální práci, ale pokud AI dokáže většinu úkolů zvládnout, novou rolí úvěrového administrátora je zajistit, aby čísla byla správná, a rychle opravit vzniklé problémy.

Manažeři mohou ve skutečnosti převzít více práce sami, v závislosti na počtu lidí, které mají, a na tom, zda dokážou práci vykonávat přesně a transparentně. Mnoho firem však stále raději outsourcuje. Menší provozní týmy fungují jen tehdy, pokud je znalost předchozích členů týmu skutečně zachycena někde. Pokud jen vyřadíte lidi z procesu, aniž byste to zajistili, nutně jste nic nezlepšili.

Děkujeme za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit Hypercore.