Daniel Liechtenstein, Διευθύνων Σύμβουλος και Συν-Ιδρυτής της Hypercore – Σειρά Συνεντεύξεων

Daniel Liechtenstein, Διευθύνων Σύμβουλος και Συν-Ιδρυτής της Hypercore, είναι επιχειρηματίας fintech και χρηματοοικονομικός στρατηγός με υπόβαθρο που καλύπτει τεχνολογία δανεισμού, ανάπτυξη λογισμικού, επιχειρηματική συμβουλευτική και μεγάλης κλίμακας χρηματοοικονομικό σχεδιασμό. Συν-ιδρυσε την Hypercore το 2020 μετά από προηγούμενη θέση ως Business Development Partner στην Articode, όπου εστιάζετο σε έργα λογισμικού fintech και πελάτες χρηματοοικονομικών υπηρεσιών, καθώς και εργάστηκε ανεξάρτητα ως χρηματοοικονομικός και επιχειρηματικός σύμβουλος για νεοσύστατες και αναπτυσσόμενες εταιρείες. Στην αρχή της καριέρας του, ο Liechtenstein κατείχε ανώτερες θέσεις χρηματοοικονομικού σχεδιασμού και στρατηγικής στο Israel Defense Forces και στο Israeli Ministry of Defense, όπου οι ευθύνες του περιλάμβαναν τη διαχείριση μεγάλων προϋπολογισμών ICT, την αξιολόγηση επενδύσεων τεχνολογίας, τη διαπραγμάτευση μεγάλων συμφωνιών με παγκόσμιους προμηθευτές τεχνολογίας, και τη συμβολή σε υποδομές νέφους και στρατηγικές προμηθειών.

Hypercore είναι μια τεχνολογική πλατφόρμα σχεδιασμένη για ιδιωτικά κεφάλαια πίστωσης και μη τραπεζικούς δανειστές, με σκοπό τον εκσυγχρονισμό της λειτουργικής υποδομής πίσω από τη χορήγηση δανείων. Η ολοκληρωμένη πλατφόρμα ενοποιεί τα δεδομένα δανείων και υποστηρίζει ολόκληρο τον κύκλο ζωής από την έναρξη και τη διαχείριση του pipeline έως την εξυπηρέτηση, τη διαχείριση πηγών χρηματοδότησης, την αναφορά και τη λήξη, αυτοματοποιώντας πολλές από τις υπολογιστικές διαδικασίες και τις ροές εργασίας που παραδοσιακά γίνονταν μέσω λογιστικών φύλλων και αποσπασμένων συστημάτων. Πιο πρόσφατα, η Hypercore έχει επεκτείνει την εστίασή της στη διαχείριση δανείων AI-native, χρησιμοποιώντας AI agents μαζί με δομημένα δεδομένα δανείων και επαγγελματική επίβλεψη για την αυτοματοποίηση επαναλαμβανόμενων δραστηριοτήτων εξυπηρέτησης όπως η ενσωμάτωση εγκαταστάσεων, οι υπολογισμοί, οι πληρωμές, οι συμφωνίες, οι ειδοποιήσεις και η αναφορά. Η πλατφόρμα σχεδιάστηκε ώστε να παρέχει στους δανειστές ορατότητα σε πραγματικό χρόνο του χαρτοφυλακίου, ροές εργασίας που μπορούν να ελεγχθούν και την υποδομή που απαιτείται για την κλιμάκωση των λειτουργιών χωρίς ανάλογη αύξηση των διοικητικών ομάδων.

Όταν ξεκινήσατε τη Hypercore, τι θεωρήσατε ότι έλειπε από τον τρόπο που οι εταιρείες ιδιωτικής πίστωσης διαχειρίζονταν τα δάνεια μετά το κλείσιμο; Και πώς έχει αλλάξει αυτή η ιδέα καθώς η AI έχει εξελιχθεί;

Ξεκινήσαμε τη Hypercore επειδή δεν υπήρχε πραγματικά ένα σύστημα διαχείρισης δανείων σχεδιασμένο για ιδιωτική πίστωση.

Πολλά συστήματα διαχειρίζονται τα τυπικά προϊόντα δανεισμού λογικά καλά, αλλά η ιδιωτική πίστωση δεν είναι τυπική. Περιλαμβάνει διαφορετικές δομές, διαφορετικούς μηχανισμούς πληρωμής, συμβάσεις, τροποποιήσεις, κατανεμητικούς μηχανισμούς, ομάδες δανειστών κ.ά. Κανένα δύο συμβόλαιο δεν είναι το ίδιο, και οι εταιρείες εξαρτώνται υπερβολικά από λογιστικά φύλλα και χειροκίνητες διαδικασίες.

Η ιδέα μας ήταν να δημιουργήσουμε μια υποδομή που να μπορεί να αναπαριστά το δάνειο σωστά και να το διαχειρίζεται καθ’ όλη τη διάρκεια του κύκλου ζωής του.

Αυτή η ιδέα εξελίχθηκε όταν συνειδητοποιήσαμε ότι, μόλις έχουμε αυτήν την υποδομή στο παρασκήνιο, η AI μπορεί να κάνει κάτι χρήσιμο με αυτήν. Εάν το δάνειο αναπαρίσταται σωστά στο σύστημα και γνωρίζετε την τρέχουσα κατάσταση του, η AI μπορεί να κατανοήσει ένα γεγονός, να εφαρμόσει τους όρους του δανείου, να ξεκινήσει τη ροή εργασίας, να ενημερώσει τα συστήματα, να προετοιμάσει το αποτέλεσμα και να προσλάβει ένα άτομο όταν απαιτείται ανθρώπινη κρίση ή έγκριση.

Αυτή η συνειδητοποίηση είναι αυτή που μας οδήγησε να αρχίσουμε να παρέχουμε υπηρεσίες διαχείρισης δανείων παράλληλα με το λογισμικό. Χρησιμοποιούμε την υποδομή που έχουμε ήδη δημιουργήσει, μαζί με AI agents και την ομάδα λειτουργιών μας, για να εκτελούμε τη δουλειά.

Η υποδομή πρέπει να έρθει πρώτα, αλλά μόλις την έχετε, μπορείτε να χρησιμοποιήσετε την AI για να αλλάξετε τον τρόπο ολοκλήρωσης των λειτουργιών μετά το κλείσιμο.

Το μεγαλύτερο μέρος της συζήτησης γύρω από την AI στην ιδιωτική πίστωση αφορά την αξιολόγηση κινδύνου και τη δέουσα επιμέλεια. Γιατί πιστεύετε ότι η μεγαλύτερη ευκαιρία θα μπορούσε στην πραγματικότητα να εμφανιστεί μετά το κλείσιμο του δανείου;

Η αξιολόγηση κινδύνου είναι το προφανές σημείο εκκίνησης επειδή υπάρχει πολύ για ανάγνωση και ανάλυση, και η AI είναι πολύ καλή σε αυτό. Ωστόσο, αυτή η διαδικασία διαρκεί μόνο λίγες εβδομάδες. Μετά το κλείσιμο, είστε υπεύθυνοι για το δάνειο για χρόνια, αντιμετωπίζοντας πληρωμές, αλλαγές επιτοκίων, τροποποιήσεις, δοκιμές συμβάσεων, ανάληψη κεφαλαίων, ειδοποιήσεις, συμφωνίες, αναφορές κ.ά. Επιπλέον, κάθε φορά που το χαρτοφυλάκιο μεγαλώνει, όλη αυτή η εργασία μεγαλώνει μαζί του.

Αν η AI εξοικονομεί σε έναν επενδυτικό επαγγελματία μία ώρα κατά την αξιολόγηση κινδύνου, αυτό είναι χρήσιμο. Αλλά αν μειώνει την ποσότητα της χειροκίνητης εργασίας που απαιτείται για τη διαχείριση ενός χαρτοφυλακίου καθημερινά, αυτό είναι τεράστιο.

Τι καθιστά την εξυπηρέτηση ενός δανείου για πέντε ή επτά χρόνια πιο δύσκολη στην αυτοματοποίηση σε σύγκριση με την ανάλυσή του όταν η συμφωνία αξιολογείται αρχικά;

Αν ζητήσετε από ένα σύστημα AI να συνοψίσει μια σύμβαση πίστωσης, είναι μια αρκετά βασική εργασία. Κάποιος ελέγχει την απάντηση της AI και προχωρά.

Αλλά η εξυπηρέτηση δεν λειτουργεί έτσι. Ο υπολογισμός αυτού του μήνα μπορεί να επηρεαστεί από μια τροποποίηση του περασμένου χρόνου, μια επαναρύθμιση επιτοκίου από τρεις μήνες πριν και μια πληρωμή από την περασμένη εβδομάδα. Η κατάσταση του δανείου, και στην πραγματικότητα το ίδιο το δάνειο, αλλάζει συνεχώς. Η αρχική σύμβαση είναι μόνο το σημείο εκκίνησης. Πρέπει επίσης να παρακολουθείτε τις τροποποιήσεις, τις αποποιήσεις, τις εκλογές και οτιδήποτε άλλο συμφωνήθηκε εκτός του αρχικού εγγράφου.

Αυτό δεν είναι εύκολο! Δεν είναι μόνο θέμα ανάγνωσης εγγράφων· πρέπει να διατηρείτε ένα ζωντανό χρηματοοικονομικό όργανο για πολλά χρόνια και να διασφαλίζετε ότι κάθε νέο γεγονός εφαρμόζεται σωστά. Αν κάνετε λάθος νωρίς, μπορεί να επηρεάσει μελλοντικούς υπολογισμούς για μήνες ή ακόμα και χρόνια πριν το παρατηρήσει κάποιος.

Πολλοί διευθυντές εξακολουθούν να διατηρούν το δικό τους “σκιώδες βιβλίο” για να ελέγχουν τη δουλειά του διαχειριστή τους. Γιατί έχει γίνει τόσο κοινό; Και τι θα έπρεπε να αλλάξει ώστε οι εταιρείες να αισθάνονται άνετα να το εγκαταλείψουν;

Αν ένας διαχειριστής σας στείλει έναν υπολογισμό χωρίς καμία πληροφορία για το πώς τον έφτασε, πιθανότατα θα τον υπολογίζατε και εσείς! Αυτό είναι ουσιαστικά το σκιώδες βιβλίο. Δημιουργεί διπλή εργασία, αλλά υπάρχει για έναν λόγο· ο διευθυντής πρέπει να ξέρει ότι οι αριθμοί είναι σωστοί.

Για να εξαλειφθούν τα σκιώδη βιβλία, οι διευθυντές θα χρειαστούν πολύ μεγαλύτερη διαφάνεια στη δουλειά, συμπεριλαμβανομένου του ποιων εισροών χρησιμοποιήθηκαν, των όρων που εφαρμόστηκαν και του τι, αν κάτι, έχει αλλάξει.

Αν ο διευθυντής και ο διαχειριστής εργάζονται πάνω στην ίδια υποκείμενη εγγραφή δανείου, δεν υπάρχει ανάγκη για σκιώδη βιβλία. Ωστόσο, δεν πιστεύω ότι κανείς θα τα εγκαταλείψει μόνο επειδή ένας νέος πάροχος τους λέει ότι μπορούν. Η εμπιστοσύνη αυτή θα πρέπει να κερδιστεί με ακριβή αποτελέσματα σε μια χρονική περίοδο.

Υπάρχει μεγάλη διαφορά μεταξύ AI που μπορεί να διαβάσει μια σύμβαση πίστωσης και AI που μπορεί πραγματικά να εκτελεί εργασίες εξυπηρέτησης. Τι χρειάζεται ένα σύστημα πριν το εμπιστευθείτε να εκτελεί αυτές τις ροές εργασίας;

Απαιτεί πολλαπλά στοιχεία, μεταξύ των οποίων:

• Αξιόπιστη εγγραφή δανείου
• Γνώση προηγούμενων δραστηριοτήτων
• Πρόσβαση στα συστήματα όπου ολοκληρώνεται η εργασία
• Επίγνωση του πότε ολοκληρώνεται μια εργασία και τι να κάνετε αν κάτι δεν φαίνεται σωστό

Πάρτε, για παράδειγμα, μια πληρωμή. Προφανώς, το AI πρέπει να υπολογίσει την πληρωμή, αλλά δεν τελειώνει εκεί.

Η πληρωμή πρέπει επίσης να επεξεργαστεί, ενδέχεται να χρειαστεί να διανεμηθούν ειδοποιήσεις, τα συστήματα πρέπει να ενημερωθούν, ένας άνθρωπος μπορεί να χρειαστεί να την ελέγξει, και τα μετρητά πρέπει να εξοφληθούν μετά.

Και η ανοχή για λάθη είναι πολύ μικρή. Γι’ αυτό η ομάδα μας είναι υπεύθυνη για την υπηρεσία διαχείρισης που προσφέρουμε. Το AI εκτελεί μέρος της εργασίας στο παρασκήνιο, αλλά δεν προσποιούμαστε ότι το λογισμικό αυτό καθαυτό είναι υπεύθυνο για το αποτέλεσμα.

Μόλις το AI αρχίσει να επεμβαίνει σε στοιχεία όπως πληρωμές, κατανομές και αναφορές επενδυτών, πώς αποφασίζετε τι μπορεί να διαχειριστεί μόνο του και πού χρειάζεται ακόμη η παρέμβαση ενός ανθρώπου;

Ειλικρινά, εξαρτάται από το τι συμβαίνει αν το σύστημα κάνει λάθος. Υπάρχουν πολλές καταστάσεις όπου το AI μπορεί να εκτελεί την εργασία αυτόματα, όπως η εξαγωγή πληροφοριών, η συμφωνία εγγραφών, η αναγνώριση ανωμαλιών – τέτοια πράγματα. Αλλά αν μετακινείτε χρήματα ή στέλνετε κάτι εξωτερικά, χρειάζεται να εμπλακεί ένας άνθρωπος.

Παρόλα αυτά, πιστεύω επίσης ότι υπάρχει υπερβολική εστίαση στο αν υπάρχει βήμα ανθρώπινης έγκρισης και όχι αρκετή στο τι μπορεί πραγματικά να δει αυτό το άτομο. Αν δώσω σε κάποιον έναν αριθμό και ένα κουμπί έγκρισης, δεν είναι πολύ χρήσιμο. Χρειάζεται η δυνατότητα να καταλάβει από πού προέρχεται ο αριθμός χωρίς να χάσει μια ώρα ξανακάνοντας τον υπολογισμό.

Συνοπτικά, αν αλλάξει ένα επιτόκιο, το σύστημα πρέπει να μπορεί να παρέχει το παλιό επιτόκιο, το νέο επιτόκιο, το πηγαίο έγγραφο και τις εισροές. Τότε ένας άνθρωπος μπορεί πραγματικά να το ελέγξει.

Καθώς το σύστημα αποδεικνύει την αξία του σε μια ροή εργασίας, μπορείτε να αυτοματοποιήσετε περισσότερα από αυτά, αλλά μην το κάνετε μόνο επειδή κυκλοφόρησε ένα νέο μοντέλο.

Τα ιδιωτικά δάνεια πίστωσης μπορούν να είναι εξαιρετικά προσαρμοσμένα. Πώς μπορείτε να αυτοματοποιήσετε γύρω από αυτό χωρίς να ζητάτε από ένα μοντέλο AI να επανερμηνεύει ουσιαστικά τη συμφωνία κάθε φορά που συμβαίνει κάτι;

Το AI είναι χρήσιμο όταν διαβάζετε τα έγγραφα και προσπαθείτε να καταλάβετε πώς λειτουργεί η συμφωνία. Μία σύμβαση 200 σελίδων συν τροπολογίες είναι ακριβώς το είδος της εργασίας που μπορεί να βοηθήσει το AI. Στη συνέχεια, μόλις κατανοήσετε τη δομή, το AI μπορεί να βοηθήσει στη χαρτογράφηση της συμφωνίας στο μοντέλο δανείου ώστε να αναπαρίσταται σωστά. Μετά από αυτό, οι υπολογισμοί είναι ντετερμινιστικοί.

Αν το δάνειο έχει καταρράκτη, στοιχείο PIK, πολλαπλές φάσεις ή μείωση τιμής, αυτοί οι κανόνες είναι στο σύστημα. Δεν ζητάμε από ένα μοντέλο γλώσσας να ξαναδιαβάζει τα έγγραφα κάθε φορά που εισέρχεται μια πληρωμή! Οι διευθυντές πρέπει να είναι σε θέση να επαναπαράγουν και να εξηγήσουν κάθε υπολογισμό· κάτι αδύνατο αν το μοντέλο επανερμηνεύει τη συμφωνία κάθε φορά που συμβαίνει κάτι.

Ο επενδυτικός κίνδυνος φυσικά λαμβάνει το μεγαλύτερο μέρος της προσοχής στα ιδιωτικά δάνεια. Τι είδους λειτουργικό κίνδυνο πιστεύετε ότι οι διευθυντές τείνουν να υποτιμούν;

Οι διευθυντές υποτιμούν τα μικρά πράγματα: μια τροπολογία που αντικατοπτρίζεται σε ένα μέρος αλλά όχι σε άλλο· μια συμφωνία που συμβαίνει αργότερα από το αναμενόμενο· ένας υπάλληλος που άθελα εργάζεται από μια παλιά έκδοση των όρων.

Γενικά δεν πρόκειται για μια μοναδική τεράστια αποτυχία, αλλά για ένα μικρό πρόβλημα που παραμένει λανθασμένο στο παρασκήνιο για κάποιο χρονικό διάστημα πριν αρχίσει να επηρεάζει άλλα πράγματα.

Για παράδειγμα, αν υπολογίσετε κάτι βάσει λανθασμένου όρου, αυτό τροφοδοτεί μια πληρωμή και στη συνέχεια εμφανίζεται στην αναφορά. Μέχρι να το προσέξει κάποιος, θα πρέπει να ελέγξετε μήνες εργασίας.

Το AI μπορεί να βοηθήσει μειώνοντας αυτό το παράθυρο. Αν μπορείτε να συμφωνείτε καθημερινά αντί στο τέλος του τριμήνου, μπορείτε να εντοπίζετε προβλήματα πολύ πιο γρήγορα. Αν κάθε τροπολογία εντοπίζεται και αντικατοπτρίζεται στο σύστημα αμέσως, μειώνετε την πιθανότητα οι άνθρωποι να εργάζονται με διαφορετικές εκδόσεις του δανείου.

Δεν είναι τόσο συναρπαστικό όσο η ιδέα της τεχνητής νοημοσύνης να λαμβάνει επενδυτικές αποφάσεις, αλλά λειτουργικά κάνει μεγάλη διαφορά.

Για μια εταιρεία που έχει χρόνια δανείων κατανεμημένα σε παλαιά συστήματα, λογιστικά φύλλα, PDF και email, τι είναι πραγματικά δύσκολο στην μετάβαση σε ένα νέο λειτουργικό περιβάλλον;

Να προσδιορίσει ποια είναι τα σωστά δεδομένα.

Μια εταιρεία μπορεί να έχει όρους σε μια πιστωτική σύμβαση, υπολοίπα σε διαφορετικό σύστημα, τροποποιήσεις σε έναν φάκελο, ιστορικό πληρωμών σε ένα email, και ακόμη κάποιο σημαντικό πλαίσιο που υπάρχει μόνο στη μνήμη ενός μόνο μέλους της ομάδας!

Έτσι, πρώτα πρέπει να ανακατασκευάσετε το δάνειο όπως είναι σήμερα. Στη συνέχεια πρέπει να το συγκρίνετε με ό,τι λέει το υπάρχον σύστημα. Μερικές φορές οι αριθμοί δεν ταιριάζουν και πρέπει να καταλάβετε γιατί. Ίσως κάτι να είχε χαρτογραφηθεί λανθασμένα κατά τη μετάβαση; Ίσως υπήρχε μια χειροκίνητη διόρθωση πριν από χρόνια; Ή ίσως το παλιό σύστημα ήταν απλώς λανθασμένο. Όπως και να έχει, δεν μπορείτε απλώς να αγνοήσετε τη διαφορά.

Συνιστούμε να λειτουργούν τα παλιά και τα νέα περιβάλλοντα παράλληλα για κάποιο χρονικό διάστημα, συγκρίνοντας τα αποτελέσματα, διερευνώντας τις διαφορές και φέρνοντας τα πάντα σε τάξη πριν ολοκληρωθεί η μετάβαση.

Δεν είναι ο πιο γρήγορος τρόπος μετάβασης, αλλά σε ένα ενεργό χαρτοφυλάκιο δανείων, η ταχύτητα δεν πρέπει να είναι ο κύριος στόχος.

Αν η τεχνητή νοημοσύνη επιτρέπει στις εταιρείες να διαχειρίζονται πολύ μεγαλύτερα χαρτοφυλάκια με μικρότερες ομάδες λειτουργίας, πώς πιστεύετε ότι αλλάζει ο ρόλος του παραδοσιακού διαχειριστή δανείου;

Η διαχείριση παλαιότερα σήμαινε χειροκίνητη εργασία, αλλά αν η τεχνητή νοημοσύνη μπορεί να κάνει το μεγαλύτερο μέρος της, ο νέος ρόλος του διαχειριστή δανείου είναι να εξασφαλίζει ότι οι αριθμοί είναι σωστοί και να διορθώνει γρήγορα τυχόν προβλήματα που προκύπτουν.

Οι διαχειριστές μπορεί να αναλάβουν περισσότερο από την εργασία τους οι ίδιοι, ανάλογα με το πόσα άτομα έχουν και αν μπορούν να παραδώσουν την εργασία με ακρίβεια και διαφάνεια. Πολλές εταιρείες θα προτιμούν όμως να εκχωρήσουν το έργο σε εξωτερικούς συνεργάτες. Οι μικρότερες ομάδες λειτουργίας λειτουργούν μόνο εάν η γνώση των προηγούμενων μελών της ομάδας καταγράφεται κάπου. Αν αφαιρέσετε απλώς τα άτομα από τη διαδικασία χωρίς να το κάνετε αυτό, δεν έχετε απαραίτητα βελτιώσει τίποτα.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν το Hypercore.