Daniel Liechtenstein, CEO und Mitbegründer von Hypercore – Interviewreihe

Daniel Liechtenstein, CEO und Mitbegründer von Hypercore, ist ein Fintech‑Unternehmer und Finanzstratege mit einem Hintergrund, der Kredittechnologie, Softwareentwicklung, Unternehmensberatung und groß angelegte Finanzplanung umfasst. Er gründete Hypercore im Jahr 2020, nachdem er zuvor als Business Development Partner bei Articode tätig war, wo er sich auf Fintech‑Softwareprojekte und Kunden aus dem Finanzdienstleistungsbereich konzentrierte, und selbstständig als Finanz‑ und Unternehmensberater für Start‑ups und wachsende Unternehmen arbeitete. Zu Beginn seiner Laufbahn hatte Liechtenstein leitende Positionen im Bereich Finanzplanung und Strategie bei den Israelischen Verteidigungsstreitkräften und dem israelischen Verteidigungsministerium inne, wo er für die Verwaltung großer IKT‑Budgets, die Bewertung von Technologieinvestitionen, die Verhandlung groß angelegter Verträge mit globalen Technologieanbietern sowie für Beiträge zu Cloud‑Infrastruktur‑ und Beschaffungsstrategien verantwortlich war.

Hypercore ist eine Technologieplattform, die für Private‑Credit‑Fonds und Nicht‑Bank‑Kreditgeber entwickelt wurde und die operative Infrastruktur hinter der Kreditvergabe modernisieren soll. Ihre End‑to‑End‑Plattform zentralisiert Kreditdaten und unterstützt den gesamten Lebenszyklus von der Entstehung und Pipeline‑Verwaltung über das Servicing, das Management von Finanzierungsquellen, Reporting und Fälligkeit, während sie viele der Berechnungen und Workflows automatisiert, die traditionell über Tabellenkalkulationen und getrennte Systeme abgewickelt werden. In jüngerer Zeit hat Hypercore den Fokus auf KI‑native Kreditverwaltung ausgeweitet und nutzt KI‑Agenten zusammen mit strukturierten Kreditdaten und professioneller Aufsicht, um wiederkehrende Servicing‑Aktivitäten wie Facility‑Onboarding, Berechnungen, Zahlungen, Abstimmungen, Mitteilungen und Reporting zu automatisieren. Die Plattform ist darauf ausgelegt, Kreditgebern Echtzeit‑Einblick in das Portfolio, prüfbare Workflows und die Infrastruktur zu bieten, die nötig ist, um Operationen zu skalieren, ohne die Verwaltungs‑Teams proportional zu vergrößern.

Als Sie Hypercore gründeten, was fehlte Ihrer Meinung nach an der Art und Weise, wie Private‑Credit‑Firmen Kredite nach dem Abschluss verwalteten? Und wie hat sich diese Idee verändert, seit sich KI entwickelt hat?

Wir haben Hypercore gegründet, weil es kein wirkliches Kreditmanagementsystem für Private Credit gab.

Viele Systeme bewältigen Standard‑Kreditprodukte recht gut, aber Private Credit ist nicht standardisiert. Es umfasst unterschiedliche Strukturen, verschiedene Zahlungsmechanismen, Covenants, Änderungen, Waterfalls, Kreditgebergruppen und mehr. Keine zwei Transaktionen sind gleich, und Unternehmen verlassen sich viel zu stark auf Tabellenkalkulationen und manuelle Prozesse.

Unsere Idee war, eine Infrastruktur zu schaffen, die den Kredit korrekt abbilden und über den gesamten Lebenszyklus hinweg verwalten kann.

Diese Idee entwickelte sich, als wir erkannten, dass KI etwas Nützliches damit tun kann, sobald wir diese Infrastruktur darunter haben. Wenn der Kredit im System korrekt abgebildet ist und Sie seinen aktuellen Zustand kennen, kann KI ein Ereignis verstehen, die Kreditbedingungen anwenden, den Workflow starten, Systeme aktualisieren, die Ausgabe vorbereiten und eine Person hinzuziehen, wenn menschliches Urteil oder eine Genehmigung erforderlich ist.

Diese Erkenntnis hat uns dazu veranlasst, neben der Software auch Kreditverwaltungsdienste anzubieten. Wir nutzen die bereits entwickelte Infrastruktur zusammen mit KI‑Agenten und unserem Betriebsteam, um die Arbeit auszuführen.

Die Infrastruktur muss zuerst geschaffen werden, aber sobald sie vorhanden ist, kann KI die Art und Weise verändern, wie nachgelagerte Prozesse abgeschlossen werden.

Der Großteil der Diskussion über KI im Private Credit dreht sich um Underwriting und Due Diligence. Warum glauben Sie, dass die größere Chance tatsächlich nach dem Kreditabschluss liegen könnte?

Underwriting ist der offensichtliche Einstiegspunkt, weil es viel zu lesen und zu analysieren gibt, und KI dabei sehr gut ist. Dieser Prozess dauert jedoch nur wenige Wochen. Nach dem Abschluss sind Sie über Jahre für den Kredit verantwortlich und müssen sich mit Zahlungen, Zinsänderungen, Änderungen, Covenant‑Tests, Draws, Mitteilungen, Abstimmungen, Reporting und vielem mehr auseinandersetzen. Außerdem wächst mit dem Portfolio auch der gesamte Arbeitsaufwand.

Wenn KI einem Investment‑Professional während des Underwritings eine Stunde erspart, ist das nützlich. Reduziert sie jedoch den manuellen Aufwand, der täglich für die Verwaltung eines Portfolios erforderlich ist, ist das enorm.

Was macht die Servicing‑Phase eines Kredits über fünf oder sieben Jahre schwieriger zu automatisieren als die Analyse während des ersten Underwritings?

Wenn Sie ein KI‑System bitten, einen Kreditvertrag zusammenzufassen, ist das eine ziemlich einfache Aufgabe. Jemand prüft die Antwort der KI und fährt fort.

Beim Servicing funktioniert das jedoch nicht so. Die Berechnung dieses Monats kann von einer Änderung aus dem letzten Jahr, einer Zinsanpassung vor drei Monaten und einer Zahlung aus der letzten Woche beeinflusst werden. Der Zustand des Kredits und tatsächlich der Kredit selbst ändern sich ständig. Das ursprüngliche Abkommen ist nur der Ausgangspunkt. Sie müssen zudem Änderungen, Verzichtserklärungen, Wahlrechte und alles, was außerhalb des ursprünglichen Dokuments vereinbart wurde, im Blick behalten.

Das ist nicht einfach! Es geht nicht nur darum, Dokumente zu lesen; Sie müssen ein lebendes Finanzinstrument über mehrere Jahre hinweg pflegen und sicherstellen, dass jedes neue Ereignis korrekt angewendet wird. Wenn Sie frühzeitig einen Fehler machen, kann er sich über Monate oder sogar Jahre hinweg in zukünftige Berechnungen einschleichen, bevor jemand ihn bemerkt.

Viele Manager führen immer noch ihr eigenes “shadow book”, um die Arbeit ihres Administrators zu überprüfen. Warum ist das so verbreitet geworden? Und was müsste sich ändern, damit Unternehmen sich wohl dabei fühlen, darauf zu verzichten?

Wenn ein Administrator Ihnen eine Berechnung schickt, ohne Angaben dazu, wie er zu dem Ergebnis gekommen ist, würden Sie sie wahrscheinlich selbst nachrechnen! Genau das ist das shadow book. Es erzeugt doppelte Arbeit, existiert aber aus einem Grund; der Manager muss sicher sein, dass die Zahlen korrekt sind.

Um shadow books zu eliminieren, benötigen Manager deutlich mehr Transparenz in die Arbeit, einschließlich welcher Eingaben verwendet wurden, welche Bedingungen angewendet wurden und was, falls etwas, sich geändert hat.

Wenn Manager und Administrator dieselbe zugrunde liegende Darlehensakte verwenden, gibt es keinen Grund für shadow books. Ich glaube jedoch nicht, dass jemand sie einfach aufgibt, weil ein neuer Anbieter behauptet, man könne das. Dieses Vertrauen muss über einen Zeitraum hinweg durch genaue Ergebnisse erworben werden.

Es gibt einen großen Unterschied zwischen KI, die einen Kreditvertrag lesen kann, und KI, die tatsächlich Servicetätigkeiten ausführen kann. Was muss ein System haben, bevor Sie ihm vertrauen, diese Arbeitsabläufe auszuführen?

Es erfordert mehrere Dinge, darunter:

• Eine zuverlässige Darlehensakte
• Kenntnis früherer Aktivitäten
• Zugang zu den Systemen, in denen die Arbeit erledigt wird
• Bewusstsein dafür, wann eine Aufgabe abgeschlossen ist und was zu tun ist, wenn etwas nicht korrekt erscheint

Nehmen wir zum Beispiel eine Zahlung. Offensichtlich muss die KI die Zahlung berechnen, aber das endet nicht dort.

Die Zahlung muss außerdem verarbeitet werden, Mitteilungen müssen ggf. verteilt werden, Systeme müssen aktualisiert werden, ein Mensch muss sie möglicherweise prüfen, und das Geld muss anschließend abgeglichen werden.

Und die Fehlertoleranz ist sehr gering. Deshalb ist unser Team für den von uns angebotenen Verwaltungsservice verantwortlich. Die KI erledigt einen Teil der Arbeit im Hintergrund, aber wir tun nicht so, als wäre die Software selbst irgendwie für das Ergebnis verantwortlich.

Sobald KI Dinge wie Zahlungen, Zuweisungen und Investorenberichte berührt, wie entscheiden Sie, was sie eigenständig bewältigen kann und wo noch ein Mensch eingreifen muss?

Ehrlich gesagt hängt es davon ab, was passiert, wenn das System Fehler macht. Es gibt zahlreiche Situationen, in denen KI die Arbeit automatisch erledigen kann, etwa Informationen abrufen, Datensätze abgleichen, Anomalien erkennen – solche Dinge. Aber wenn Sie Geld bewegen oder etwas extern versenden, muss ein Mensch eingreifen.

Dennoch denke ich, dass zu sehr darauf fokussiert wird, ob ein menschlicher Genehmigungsschritt existiert, und zu wenig darauf, was diese Person tatsächlich sehen kann. Wenn ich jemandem eine Zahl und einen Genehmigungs‑Button gebe, ist das nicht besonders hilfreich. Sie benötigen die Möglichkeit zu verstehen, woher die Zahl stammt, ohne eine Stunde damit zu verbringen, die Berechnung neu zu machen.

Kurz gesagt, wenn sich ein Zinssatz ändert, muss das System in der Lage sein, den alten Zinssatz, den neuen Zinssatz, das Quelldokument und die Eingaben bereitzustellen. Dann kann ein Mensch dies tatsächlich prüfen.

Wenn das System sich bei einem Arbeitsablauf bewährt, können Sie mehr davon automatisieren, aber tun Sie das nicht nur, weil ein neues Modell veröffentlicht wurde.

Private‑Credit‑Darlehen können äußerst maßgeschneidert sein. Wie automatisieren Sie das, ohne ein KI‑Modell jedes Mal die Transaktion neu interpretieren zu lassen, wenn etwas passiert?

KI ist nützlich, wenn Sie die Dokumente lesen und verstehen, wie die Transaktion funktioniert. Ein 200‑seitiger Vertrag plus Ergänzungen ist genau das, wobei KI unterstützen kann. Sobald Sie die Struktur verstanden haben, kann KI helfen, die Transaktion in das Darlehensmodell zu überführen, sodass sie korrekt abgebildet wird. Danach sind die Berechnungen deterministisch.

Wenn das Darlehen eine Waterfall‑Struktur, eine PIK‑Komponente, mehrere Tranchen oder eine Preis‑Stufen‑Absenkung hat, sind diese Regeln im System hinterlegt. Wir verlangen nicht von einem Sprachmodell, die Dokumente jedes Mal neu zu lesen, wenn eine Zahlung eingeht! Manager müssen jede Berechnung reproduzieren und erklären können; das ist unmöglich, wenn das Modell die Transaktion jedes Mal neu interpretiert, wenn etwas passiert.

Das Investitionsrisiko erhält im Private Credit naturgemäß die meiste Aufmerksamkeit. Welche Arten von operationellen Risiken werden Ihrer Meinung nach von Managern häufig unterschätzt?

Manager unterschätzen die Kleinigkeiten: eine Ergänzung, die an einer Stelle, aber nicht an einer anderen, übernommen wird; ein Abgleich, der später als erwartet erfolgt; ein Mitarbeitender, der unwissentlich mit einer alten Version der Bedingungen arbeitet.

Es ist in der Regel kein einzelner katastrophaler Fehler, sondern ein kleines Problem, das eine Zeit lang im Hintergrund falsch bleibt, bevor es andere Dinge zu beeinträchtigen beginnt.

Zum Beispiel, wenn Sie etwas anhand einer falschen Bedingung berechnen, fließt das in eine Zahlung ein und erscheint später im Reporting. Wenn jemand es bemerkt, müssen Sie Monate an Arbeit überprüfen.

KI kann helfen, dieses Zeitfenster zu verkleinern. Wenn Sie täglich statt zum Quartalsende abgleichen können, finden Sie Probleme deutlich schneller. Wenn jede Ergänzung sofort erfasst und im System abgebildet wird, reduzieren Sie die Wahrscheinlichkeit, dass Personen mit unterschiedlichen Versionen des Darlehens arbeiten.

Es ist nicht so aufregend wie die Vorstellung, dass KI Investitionsentscheidungen trifft, aber operativ macht es einen großen Unterschied.

Für ein Unternehmen, das über Jahre hinweg Kredite in Altsystemen, Tabellenkalkulationen, PDFs und E‑Mails hat, was ist eigentlich schwierig beim Umstieg auf eine neue Betriebsumgebung?

Herauszufinden, welche Daten korrekt sind.

Ein Unternehmen könnte Vertragsbedingungen in einem Kreditvertrag, Salden in einem anderen System, Änderungen in einem Ordner, Zahlungshistorie in einer E‑Mail und sogar wichtige Kontextinformationen haben, die nur im Gedächtnis eines einzelnen Teammitglieds existieren!

Zuerst muss man den Kredit so rekonstruieren, wie er heute steht. Dann muss man ihn mit dem vergleichen, was das bestehende System anzeigt. Manchmal stimmen die Zahlen nicht überein und man muss herausfinden, warum. Vielleicht wurde etwas bei der Migration falsch zugeordnet? Vielleicht gab es vor Jahren eine manuelle Anpassung? Oder das alte System war einfach falsch. Wie auch immer, man kann die Differenz nicht einfach ignorieren.

Wir empfehlen, die alte und die neue Umgebung für eine Weile parallel zu betreiben, die Ergebnisse zu vergleichen, die Unterschiede zu untersuchen und alles in Ordnung zu bringen, bevor die Migration abgeschlossen wird.

Es ist nicht der schnellste Weg zu migrieren, aber bei einem aktiven Kreditportfolio sollte Geschwindigkeit nicht das Hauptziel sein.

Wenn KI Unternehmen ermöglicht, viel größere Portfolios mit kleineren Operationsteams zu verwalten, wie denken Sie, dass sich die Rolle des traditionellen Kreditadministrators ändert?

Administration bedeutete früher manuelle Arbeit, aber wenn KI den Großteil übernehmen kann, besteht die neue Aufgabe des Kreditadministrators darin, sicherzustellen, dass die Zahlen korrekt sind, und auftretende Probleme schnell zu beheben.

Manager könnten tatsächlich mehr Arbeit selbst übernehmen, abhängig davon, wie viele Personen sie haben und ob sie die Arbeit genau und transparent erledigen können. Viele Unternehmen werden jedoch weiterhin Outsourcing bevorzugen. Kleine Operationsteams funktionieren nur, wenn das Wissen früherer Teammitglieder tatsächlich irgendwo festgehalten wird. Wenn man Menschen aus dem Prozess nimmt, ohne das zu tun, hat man nicht unbedingt etwas verbessert.

Danke für das großartige Interview, Leser, die mehr erfahren möchten, sollten Hypercore besuchen.