Daniel Liechtenstein, administrerende direktør og medstifter af Hypercore – interviewserie

Daniel Liechtenstein, administrerende direktør og medstifter af Hypercore, er en fintech‑entreprenør og finansstrateg med en baggrund inden for låneteknologi, softwareudvikling, forretningskonsultation og stor‑skala finansplanlægning. Han medstiftede Hypercore i 2020 efter tidligere at have arbejdet som forretningsudviklingspartner hos Articode, hvor han fokuserede på fintech‑softwareprojekter og finansielle tjenestekunder, samt som selvstændig finans‑ og forretningskonsulent for startups og vækstvirksomheder. Tidligere i sin karriere havde Liechtenstein seniorroller inden for finansplanlægning og strategi i Israels forsvarsstyrker og Israels forsvarsministerium, hvor hans ansvarsområder omfattede styring af store IKT‑budgetter, evaluering af teknologiinvesteringer, forhandling af stor‑skala aftaler med globale teknologileverandører samt bidrag til cloud‑infrastruktur og strategiske indkøbsinitiativer.

Hypercore er en teknologiplatform bygget til private kreditfonde og ikke‑banklånere, designet til at modernisere den operationelle infrastruktur bag udlån. Dens end‑to‑end‑platform centraliserer lånedata og understøtter hele livscyklussen fra oprindelse og pipeline‑styring gennem betjening, styring af finansieringskilder, rapportering og udløb, samtidig med at den automatiserer mange af de beregninger og arbejdsgange, der traditionelt håndteres via regneark og adskilte systemer. For nylig har Hypercore udvidet sit fokus til AI‑native låneadministration, hvor AI‑agenter anvendes sammen med strukturerede lånedata og professionel overvågning for at automatisere tilbagevendende betjeningsaktiviteter såsom onboarding af faciliteter, beregninger, betalinger, afstemning, meddelelser og rapportering. Platformen er designet til at give långivere realtids‑indsigt i porteføljen, audit‑bare arbejdsgange og den infrastruktur, der er nødvendig for at skalere driften uden proportionelt at udvide de administrative teams.

Da du startede Hypercore, hvad syntes du manglede i den måde, private kreditvirksomheder håndterede lån efter lukning? Og hvordan har den idé ændret sig, efterhånden som AI er blevet udviklet?

Vi startede Hypercore, fordi der i praksis ikke fandtes et lånestyringssystem bygget til private kredit.

Mange systemer håndterer standardlåneprodukter rimeligt godt, men private kredit er ikke standard. Det involverer forskellige strukturer, forskellige betalingsmekanismer, covenant‑aftaler, ændringer, waterfall‑modeller, långivergrupper og mere. Ingen to aftaler er ens, og virksomheder er alt for afhængige af regneark og manuelle processer.

Vores idé var at bygge en infrastruktur, der kan repræsentere lånet korrekt og håndtere det gennem hele dets livscyklus.

Denne idé udviklede sig, da vi indså, at når vi først havde den underliggende infrastruktur, kunne AI gøre noget nyttigt med den. Hvis lånet er korrekt repræsenteret i systemet, og du kender dets aktuelle tilstand, kan AI forstå en hændelse, anvende lånebetingelserne, starte arbejdsgangen, opdatere systemerne, forberede output og inddrage en person, når menneskelig dømmekraft eller godkendelse er nødvendig.

Denne erkendelse er det, der fik os til at begynde at levere låneadministrationstjenester sammen med softwaren. Vi bruger den infrastruktur, vi allerede har bygget, sammen med AI‑agenter og vores driftsteam, til at udføre arbejdet.

Infrastrukturen skal komme først, men når du har den, kan du bruge AI til at ændre, hvordan efter‑lukningsoperationer udføres.

Det meste af samtalen om AI i private kredit har handlet om kreditvurdering og grundig undersøgelse. Hvorfor tror du, at den større mulighed faktisk kan komme efter lånet er lukket?

Kreditvurdering er det oplagte udgangspunkt, fordi der er meget at læse og analysere, og AI er meget god til det.  Processen tager dog kun et par uger. Efter lukning er du ansvarlig for lånet i årevis og skal håndtere betalinger, renteskift, ændringer, covenant‑test, træk, meddelelser, afstemninger, rapportering og mere. Desuden vokser alt arbejdet i takt med, at porteføljen vokser.

Hvis AI sparer en investeringsprofessionel en time under kreditvurderingen, er det nyttigt. Men hvis det reducerer den mængde manuelt arbejde, der kræves for at drive en portefølje hver dag, er det enormt.

Hvad gør det sværere at automatisere betjening af et lån over fem eller syv år end at analysere det, når aftalen først bliver kreditvurderet?

Hvis du beder et AI‑system om at opsummere en kreditaftale, er det en ret basal opgave. En person tjekker AI‑svaret og går videre.

Men betjening fungerer ikke på den måde. Denne måneds beregning kan blive påvirket af en ændring fra sidste år, en rentesætning fra tre måneder siden og en betaling fra sidste uge. Lånets tilstand, og faktisk lånet selv, ændrer sig hele tiden. Den oprindelige aftale er kun udgangspunktet. Du skal også holde styr på ændringer, dispensationsaftaler, valg og alt andet, der er aftalt uden for det oprindelige dokument.

Det er ikke let!  Det handler ikke kun om at læse dokumenter; du skal vedligeholde et levende finansielt instrument over flere år og sikre, at hver ny hændelse anvendes korrekt. Hvis du begår en fejl i starten, kan den påvirke fremtidige beregninger i måneder eller endda år, før nogen bemærker det.

Mange ledere holder stadig deres eget “shadow book” for at kontrollere deres administrators arbejde. Hvorfor er det blevet så udbredt? Og hvad skulle ændre sig, så virksomhederne føler sig trygge ved at opgive det?

Hvis en administrator sender dig en beregning uden nogen information om, hvordan de kom frem til den, vil du sandsynligvis også selv beregne den! Det er i bund og grund, hvad skyggebogen er. Den skaber dobbeltarbejde, men den findes af en grund; lederen skal vide, at tallene er korrekte.

For at fjerne skyggebøger skal ledere have langt større indsigt i arbejdet, herunder hvilke input der blev brugt, hvilke vilkår der blev anvendt, og hvad der eventuelt er ændret.

Hvis lederen og administratoren arbejder ud fra den samme underliggende lånedata, er der ingen grund til skyggebøger. Jeg tror dog ikke, at nogen vil opgive dem, blot fordi en ny udbyder fortæller dem, at de kan. Den tillid skal opnås gennem nøjagtige resultater over en periode.

Der er en stor forskel mellem AI, der kan læse en kreditkontrakt, og AI, der faktisk kan udføre servicearbejde. Hvad skal et system have, før du vil stole på, at det kan gennemføre disse arbejdsprocesser?

Det kræver flere ting, herunder:

• En pålidelig lånedata
• Kendskab til tidligere aktiviteter
• Adgang til de systemer, hvor arbejdet udføres
• Bevidsthed om, hvornår en opgave er afsluttet, og hvad der skal gøres, hvis noget ser forkert ud

Tag for eksempel en betaling. AI’en skal naturligvis beregne betalingen, men det slutter ikke der.

Betalingen skal også behandles, meddelelser kan skulle distribueres, systemerne skal opdateres, en person kan skulle gennemgå den, og pengene skal afstemmes bagefter.

Og tolerancegrænsen for fejl er meget lav. Derfor er vores team ansvarligt for den administrationsservice, vi tilbyder. AI’en udfører noget af arbejdet i baggrunden, men vi foregiver ikke, at softwaren selv på en eller anden måde er ansvarlig for resultatet.

Når AI begynder at håndtere ting som betalinger, allokeringer og investorrapportering, hvordan beslutter du så, hvad den kan klare selv, og hvor en person stadig skal træde ind?

Ærligt talt afhænger det af, hvad der sker, hvis systemet tager fejl. Der er mange situationer, hvor AI kan udføre arbejdet automatisk, som at hente information, afstemme poster, identificere anomalier – den slags. Men hvis du flytter penge eller sender noget udad, skal en person træde ind.

Det sagt, mener jeg også, at der er for meget fokus på, om der er et menneskeligt godkendelsestrin, og for lidt på, hvad den person faktisk kan se. Hvis jeg giver nogen et tal og en godkendelsesknap, hjælper det ikke meget. De har brug for muligheden for at forstå, hvor tallet kommer fra, uden at spilde en time på at gentage beregningen.

Kort sagt, hvis en rente ændres, skal systemet kunne give den gamle rente, den nye rente, kilde-dokumentet og inputtene. Så kan en person faktisk gennemgå det.

Når systemet har bevist sig på en arbejdsproces, kan du automatisere mere af den, men gør det ikke blot fordi en ny model er blevet udgivet.

Private kreditlån kan være utroligt skræddersyede. Hvordan automatiserer du omkring det uden at bede en AI-model om at genfortolke aftalen hver gang noget sker?

AI er nyttig, når du læser dokumenterne og finder ud af, hvordan aftalen fungerer. En 200-siders aftale plus tillæg er netop den type opgave, AI kan hjælpe med. Når du så forstår strukturen, kan AI hjælpe med at kortlægge aftalen i lånemodellen, så den er korrekt repræsenteret. Derefter er beregningerne deterministiske.

Hvis lånet har en waterfall, en PIK-komponent, flere tranche eller en prisnedtrapning, er disse regler i systemet. Vi beder ikke en sprogmodel om at genlæse dokumenterne hver gang en betaling kommer ind! Ledere skal kunne reproducere og forklare hver beregning; det er umuligt, hvis modellen genfortolker aftalen hver gang noget sker.

Investeringsrisiko får naturligvis mest opmærksomhed i private kredit. Hvilke typer af operationel risiko tror du, at ledere har en tendens til at undervurdere?

Ledere undervurderer de små ting: et tillæg, der bliver reflekteret ét sted men ikke et andet; en afstemning, der sker senere end forventet; en medarbejder, der ubevidst arbejder ud fra en gammel version af vilkårene.

Det er generelt ikke en enkelt enorm fejl, men et lille problem, der forbliver forkert i baggrunden i et stykke tid, før det begynder at påvirke andre ting.

For eksempel, hvis du beregner noget ud fra den forkerte betingelse, så påvirker det en betaling og dukker op i rapporteringen. Når nogen først bemærker det, skal du gennemgå måneders arbejde.

AI kan hjælpe ved at indsnævre dette vindue. Hvis du kan afstemme hver dag i stedet for ved kvartalsafslutning, kan du finde problemer meget hurtigere. Hvis hvert tillæg opfanges og reflekteres i systemet med det samme, reducerer du chancen for, at folk arbejder ud fra forskellige versioner af lånet.

Det er ikke så spændende som idéen om, at AI træffer investeringsbeslutninger, men operationelt gør det en stor forskel.

For en virksomhed, der har årtiers lån spredt over ældre systemer, regneark, PDF‑filer og e‑mail, hvad er der så egentlig svært ved at skifte til et nyt driftsmiljø?

At finde ud af, hvad de korrekte data er.

En virksomhed kan have vilkår i en kreditkontrakt, saldoer i et andet system, ændringer i en mappe, betalingshistorik i en e‑mail og endda vigtig kontekst, der kun findes i hukommelsen hos et enkelt teammedlem!

Så først skal du rekonstruere lånet, som det ser ud i dag. Derefter skal du sammenligne det med, hvad det eksisterende system viser. Nogle gange stemmer tallene ikke overens, og du skal finde ud af hvorfor. Måske blev noget kortlagt forkert under migreringen? Måske var der en manuel justering for år tilbage? Eller måske var det gamle system bare forkert. Uanset hvad kan du ikke bare ignorere forskellen.

Vi anbefaler at køre de gamle og nye miljøer parallelt i et stykke tid, sammenligne resultaterne, undersøge forskellene og få alting på plads, inden migreringen afsluttes.

Det er ikke den hurtigste måde at migrere på, men i en aktiv låneportefølje bør hastighed ikke være hovedmålet.

Hvis AI gør det muligt for virksomheder at håndtere meget større porteføljer med mindre driftsteams, hvordan tror du så, at det ændrer den traditionelle låneadministrators rolle?

Administration plejede at betyde manuelt arbejde, men hvis AI kan klare det meste, er den nye rolle for låneadministratoren at sikre, at tallene er korrekte og hurtigt rette eventuelle problemer, der opstår.

Ledere kan faktisk påtage sig mere af arbejdet selv, afhængigt af hvor mange personer de har, og om de kan levere arbejdet præcist og gennemsigtigt. Mange virksomheder vil dog stadig foretrække at outsource. Små driftsteams fungerer kun, hvis viden fra tidligere teammedlemmer faktisk er dokumenteret et sted. Hvis du blot fjerner folk fra processen uden at gøre det, har du ikke nødvendigvis forbedret noget.

Tak for det gode interview, læsere der ønsker at lære mere, bør besøge Hypercore.