Daniel Liechtenstein, toimitusjohtaja ja Hypercore‑yrityksen yhteisperustaja – Haastattelusarja

Daniel Liechtenstein, toimitusjohtaja ja Hypercore‑yrityksen yhteisperustaja, on fintech‑yrittäjä ja rahoitusstrategi, jonka taustalla on lainanantoteknologia, ohjelmistokehitys, liikkeenjohdon konsultointi ja laajamittainen rahoitussuunnittelu. Hän perusti Hypercoren vuonna 2020 sen jälkeen, kun hän toimi aiemmin Articodessa Business Development Partnerina, jossa hän keskittyi fintech‑ohjelmistoprojekteihin ja rahoituspalveluasiakkaisiin, sekä toimi itsenäisenä rahoitus- ja liiketoimintakonsulttina startupeille ja kasvaville yrityksille. Aikaisemmin urallaan Liechtensteinilla oli senioritason rahoitussuunnittelu‑ ja strategiatehtäviä Israelin puolustusvoimissa ja Israelin puolustusministeriössä, missä hänen vastuullaan olivat suurten ICT‑budjettien hallinta, teknologiasijoitusten arviointi, laajamittaisten sopimusten neuvottelu globaalien teknologiatoimittajien kanssa sekä pilvi-infrastruktuurin ja strategisten hankintojen edistäminen.

Hypercore on teknologia-alusta, joka on rakennettu yksityiselle luottorahoitukselle ja pankkittomille lainanantajille, ja sen tarkoitus on modernisoida lainanannon operatiivinen infrastruktuuri. Sen kokonaisvaltainen alusta keskittää lainatiedot ja tukee koko elinkaarta alkuperäisestä ja putkenhallinnasta palveluun, rahoituslähteiden hallintaan, raportointiin ja erääntymiseen, samalla kun se automatisoi monia laskelmia ja työnkulkuja, jotka perinteisesti hoidetaan taulukkolaskentaohjelmien ja erillisten järjestelmien avulla. Viime aikoina Hypercore on laajentanut fokusansa AI‑natiiviseen lainahallintaan, käyttäen AI‑agentteja yhdessä rakenteellisten lainatietojen ja ammatillisen valvonnan kanssa automatisoidakseen toistuvia palvelutoimintoja, kuten rahoituslaitoksen käyttöönotto, laskelmat, maksut, täsmäytykset, ilmoitukset ja raportointi. Alusta on suunniteltu antamaan lainanantajille reaaliaikainen salkunäkymä, auditointikelpoiset työnkulut ja infrastruktuuri, joka mahdollistaa toiminnan skaalaamisen ilman, että hallinnolliset tiimit kasvavat suhteellisesti.

Kun perustit Hypercoren, mitä koit puuttuvan yksityisen luottorahoituksen yritysten lainojen sulkemisen jälkeisestä hallinnasta? Ja miten tuo ajatus on muuttunut AI:n kehittyessä?

Perustimme Hypercoren, koska yksityiselle luottorahoitukselle ei ollut oikeastaan lainanhallintajärjestelmää.

Monet järjestelmät käsittelevät perinteisiä lainatuotteita melko hyvin, mutta yksityinen luottorahoitus ei ole standardia. Siihen liittyy erilaisia rakenteita, maksumekaniikkoja, ehtoja, muutoksia, vesiputousrakenteita, lainanantajaryhmiä ja paljon muuta. Kahta kauppaa ei ole samanlaisia, ja yritykset turvautuvat liikaa taulukkolaskentaohjelmiin ja manuaalisiin prosesseihin.

Ideamme oli rakentaa infrastruktuuri, joka pystyy esittämään lainan oikein ja hallitsemaan sitä koko sen elinkaaren ajan.

Tämä ajatus kehittyi, kun huomasimme, että kun meillä on tämä infrastruktuuri pohjana, AI voi tehdä sillä jotain hyödyllistä. Jos laina on järjestelmässä esitetty oikein ja tiedät sen nykytilan, AI voi ymmärtää tapahtuman, soveltaa lainaehtoja, käynnistää työnkulun, päivittää järjestelmiä, valmistella tulosteen ja kutsua henkilön mukaan, kun tarvitaan ihmisen harkintaa tai hyväksyntää.

Tämä oivallus johti siihen, että aloitimme lainahallintapalveluiden tarjoamisen ohjelmiston rinnalla. Käytämme jo rakennetun infrastruktuurin, AI‑agenttien ja operatiivisen tiimimme kanssa, suorittaaksemme työn.

Infrastruktuurin on oltava ensin, mutta kun se on olemassa, voit käyttää AI:ta muuttaaksesi sulkemisen jälkeisten toimintojen toteuttamista.

Suurin osa keskustelusta AI:n roolista yksityisessä luottorahoituksessa on keskittynyt luotonmyöntöön ja due diligence -prosesseihin. Miksi uskot, että suurin mahdollisuus voisi itse asiassa tulla lainan sulkemisen jälkeen?

Luotonmyöntö on ilmeinen aloituskohta, koska siihen liittyy paljon luettavaa ja analysoitavaa, ja AI on siinä erittäin hyvä. Kuitenkin prosessi kestää vain muutaman viikon. Sulkemisen jälkeen olet vastuussa lainasta vuosien ajan, ja sinun on käsiteltävä maksut, korkomuutokset, muutokset, ehtotestit, nostot, ilmoitukset, täsmäytykset, raportointi ja paljon muuta. Lisäksi jokaisella kerta, kun salkku kasvaa, kaikki tämä työ kasvaa sen mukana.

Jos AI säästää sijoitusammattilaiselta tunnin luotonmyöntöprosessissa, se on hyödyllistä. Mutta jos se vähentää päivittäisen salkun hallintaan tarvittavan manuaalisen työn määrää, se on valtava.

Mikä tekee lainan palvelun viiden tai seitsemän vuoden aikana vaikeammaksi automatisoida kuin sen analysoimisen, kun kauppa alun perin myönnetään?

Jos pyydät AI-järjestelmää tiivistämään luottosopimuksen, se on melko perustehtävä. Joku tarkistaa AI:n vastauksen ja jatkaa eteenpäin.

Mutta palvelu ei toimi niin. Tämän kuun laskelma voi olla vaikutuksena viime vuoden muutoksesta, kolmen kuukauden takaisesta korkojen uudelleenasetuksesta ja viime viikon maksusta. Lainan tila, ja itse laina, muuttuvat jatkuvasti. Alkuperäinen sopimus on vain lähtökohta. Sinun on myös pysyttävä perillä muutoksista, poikkeuksista, valinnoista ja kaikesta muusta, mikä on sovittu alkuperäisen asiakirjan ulkopuolella.

Tämä ei ole helppoa! Kyse ei ole pelkästään asiakirjojen lukemisesta; sinun on ylläpidettävä elävää rahoitusinstrumenttia useiden vuosien ajan ja varmistettava, että jokainen uusi tapahtuma sovelletaan oikein. Jos teet virheen alussa, se voi vaikuttaa tuleviin laskelmiin kuukausien tai jopa vuosien ajan ennen kuin kukaan huomaa sen.

Monet hallinnoijat pitävät yhä omaa “varjokirjaa” tarkistaakseen hallinnoijansa työn. Miksi se on niin yleistä? Ja mitä pitäisi muuttua, jotta yritykset olisivat valmiita luopumaan siitä?

Jos hallinnoija lähettää sinulle laskelman ilman mitään tietoa siitä, miten se on saatu, todennäköisesti lasket sen itsekin! Tämä on juuri varjokirjan idea. Se luo kaksinkertaista työtä, mutta sillä on syynsä; hallinnoijan täytyy tietää, että luvut ovat oikeita.

Jotta varjokirjat voitaisiin poistaa, hallinnoijien on saatava paljon enemmän näkyvyyttä työhön, mukaan lukien käytetyt syötteet, sovelletut ehdot ja mahdolliset muutokset.

Jos hallinnoija ja hallinnoija työskentelevät saman lainatietueen pohjalta, varjokirjoja ei tarvita. En kuitenkaan usko, että kukaan luopuu niistä pelkästään siksi, että uusi palveluntarjoaja väittää voivansa. Luottamus täytyy ansaita tarkkojen tulosten avulla ajan myötä.

On suuri ero tekoälyn välillä, joka pystyy lukemaan luottosopimuksen, ja tekoälyn välillä, joka pystyy todella hoitamaan palvelutyön. Mitä järjestelmältä vaaditaan, ennen kuin siihen voitaisiin luottaa näiden työnkulkujen suorittamisessa?

Tarvitaan useita asioita, mukaan lukien:

• Luotettava lainatietue
• Tietämys aikaisemmista toiminnoista
• Pääsy järjestelmiin, joissa työ toteutetaan
• Tieto siitä, milloin tehtävä on valmis ja mitä tehdä, jos jokin näyttää virheelliseltä

Otetaan esimerkiksi maksun käsittely. Tietenkin tekoälyn on laskettava maksu, mutta se ei lopu siihen.

Maksu täytyy myös käsitellä, mahdollisesti jakaa ilmoituksia, päivittää järjestelmiä, ihminen saattaa tarkistaa sen, ja käteinen täytyy sen jälkeen sovittaa.

Ja virheiden sietokyky on erittäin alhainen. Siksi tiimimme on vastuussa tarjoamastamme hallinnointipalvelusta. Tekoäly tekee osan taustatyöstä, mutta emme teeskentele, että itse ohjelmisto olisi jotenkin vastuussa lopputuloksesta.

Kun tekoäly alkaa koskea maksuihin, allokointeihin ja sijoittajaraportointiin, miten päätetään, mitä se voi hoitaa itsenäisesti ja missä ihmisen on vielä puututtava?

Rehellisesti sanottuna se riippuu siitä, mitä tapahtuu, jos järjestelmä on väärässä. On monia tilanteita, joissa tekoäly voi tehdä työn automaattisesti, kuten tiedon hakeminen, tietueiden sovittaminen, poikkeamien tunnistaminen – juuri tällaisia tehtäviä. Mutta jos siirrät rahaa tai lähetät jotain ulospäin, ihmisen on astuttava mukaan.

Sanoen näin, mielestäni liikaa keskitytään siihen, onko ihmisen hyväksyntävaihe olemassa, eikä riittävästi siihen, mitä tuo henkilö todella näkee. Jos annan jollekin numeron ja hyväksymispainikkeen, se ei ole kovin hyödyllistä. He tarvitsevat kyvyn ymmärtää, mistä numero on peräisin, ilman että hukkaavat tunnin laskelman uudelleentekemiseen.

Lyhyesti sanottuna, jos korko muuttuu, järjestelmän täytyy pystyä tarjoamaan vanha korko, uusi korko, lähdedokumentti ja syötteet. Tämän jälkeen ihminen voi tarkastaa sen.

Kun järjestelmä osoittaa kykynsä tietyssä työnkulussa, voit automatisoida sitä enemmän, mutta älä tee niin vain siksi, että uusi malli on julkaistu.

Yksityiset luottolainat voivat olla äärimmäisen räätälöityjä. Kuinka automatisoit ilman, että pyydät tekoälymallia tulkitsemaan sopimusta uudelleen jokaisessa tapahtumassa?

Tekoäly on hyödyllinen, kun luet asiakirjoja ja selvität, miten sopimus toimii. 200-sivuinen sopimus plus muutokset on juuri sellainen asia, jossa tekoäly voi auttaa. Kun rakenne on ymmärretty, tekoäly voi auttaa kartoittamaan sopimuksen lainamalliin, jotta se esitetään oikein. Tämän jälkeen laskelmat ovat deterministisiä.

Jos lainassa on vesiputous, PIK‑komponentti, useita tranchia tai hinnoittelun alennusvaihe, nämä säännöt ovat järjestelmässä. Emme pyydä kielimallia lukemaan asiakirjoja uudelleen jokaisen maksun yhteydessä! Hallinnoijien on pystyttävä toistamaan ja selittämään jokainen laskelma; se on mahdotonta, jos malli tulkitsee sopimuksen uudelleen jokaisessa tapahtumassa.

Sijoitusriskit saavat luonnollisesti suurimman huomion yksityisessä luotossa. Millaisia operatiivisia riskejä mielestäsi hallinnoijat aliarvioivat?

Hallinnoijat aliarvioivat pieniä asioita: muutos, joka näkyy yhdessä paikassa mutta ei toisessa; sovitus, joka tapahtuu myöhemmin kuin odotettiin; työntekijä, joka tietämättään työskentelee vanhasta versioehdoista.

Kyse ei yleensä ole yhdestä valtavasta epäonnistumisesta, vaan pienestä ongelmasta, joka pysyy virheellisenä taustalla jonkin aikaa ennen kuin se alkaa vaikuttaa muihin asioihin.

Esimerkiksi jos lasket jotain väärän ehdon perusteella, se vaikuttaa maksuun ja ilmestyy raportointiin. Kun joku huomaa, sinun täytyy tarkastaa kuukausien työ.

Tekoäly voi auttaa supistamalla tätä aikaväliä. Jos voit sovittaa päivittäin sen sijaan, että odottaisit neljännesvuoden loppua, löydät ongelmat paljon nopeammin. Jos jokainen muutos otetaan heti huomioon ja heijastuu järjestelmään, vähennät riskiä, että ihmiset työskentelevät eri lainaversioiden kanssa.

Se ei ole yhtä jännittävää kuin ajatus tekoälyn tekevän sijoituspäätöksiä, mutta operatiivisesti se tekee suuren eron.

Yritykselle, jolla on vuosien ajan lainoja hajautettuna perintöjärjestelmiin, taulukoihin, PDF-tiedostoihin ja sähköposteihin, mikä on itse asiassa vaikeaa siirtyessä uuteen toimintaympäristöön?

Selvittää, mikä data on oikeaa.

Yrityksellä saattaa olla luottosopimuksen ehdot, saldot eri järjestelmässä, muutokset kansiossa, maksuhistoria sähköpostissa, ja jopa tärkeä konteksti, joka on olemassa vain yhden tiimin jäsenen muistissa!

Joten ensin sinun täytyy rekonstruoida laina sellaisena kuin se on tänään. Sitten sinun täytyy verrata sitä siihen, mitä olemassa oleva järjestelmä sanoo. Joskus numerot eivät täsmää ja sinun täytyy selvittää miksi. Ehkä jotain kartoitettiin virheellisesti migraation aikana?  Ehkä vuosia sitten tehtiin manuaalinen korjaus? Tai ehkä vanha järjestelmä oli yksinkertaisesti väärä. Joka tapauksessa et voi vain sivuuttaa eroa.

Suosittelemme, että vanha ja uusi ympäristö ajetaan rinnakkain jonkin aikaa, vertaillaan tuloksia, tutkitaan erot ja saadaan kaikki kuntoon ennen migraation viimeistelyä.

Se ei ole nopein tapa migroida, mutta toimivassa lainakirjassa nopeuden ei pitäisi olla päätavoite.

Jos tekoäly mahdollistaa yritysten hallita paljon suurempia salkkuja pienemmillä operatiivisilla tiimeillä, miten uskot sen muuttavan perinteisen lainahallinnoijan roolia?

Hallinnointi tarkoitti aiemmin manuaalista työtä, mutta jos tekoäly pystyy hoitamaan suurimman osan siitä, lainahallinnoijan uusi rooli on varmistaa, että numerot ovat oikein, ja korjata nopeasti mahdollisesti ilmenevät ongelmat.

Johtajat saattavat itse ottaa enemmän työtä omakseen, riippuen siitä, kuinka monta henkilöä heillä on ja pystyvätkö he toimittamaan työn tarkasti ja läpinäkyvästi. Monet yritykset kuitenkin suosivat edelleen ulkoistamista. Pienet operatiiviset tiimit toimivat vain, jos edellisten tiimin jäsenten tieto on jossain tallennettu. Jos poistat ihmiset prosessista ilman tätä, et välttämättä ole parantanut mitään.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa käydä osoitteessa Hypercore.