Daniel Liechtenstein, PDG et cofondateur de Hypercore – Série d’interviews

Daniel Liechtenstein, PDG et cofondateur de Hypercore, est un entrepreneur fintech et un stratège financier dont le parcours couvre la technologie de prêt, le développement logiciel, la consultation d’entreprise et la planification financière à grande échelle. Il a cofondé Hypercore en 2020 après avoir occupé le poste de Partenaire en développement commercial chez Articode, où il se concentrait sur des projets logiciels fintech et des clients de services financiers, ainsi que sur une activité indépendante de consultant financier et d’entreprise auprès de start‑ups et d’entreprises en croissance. Au début de sa carrière, Liechtenstein a occupé des postes de direction en planification financière et en stratégie au sein des Forces de défense d’Israël et du Ministère de la Défense israélien, où ses responsabilités comprenaient la gestion de budgets TIC majeurs, l’évaluation d’investissements technologiques, la négociation d’accords de grande envergure avec des fournisseurs technologiques mondiaux, ainsi que la contribution à l’infrastructure cloud et aux initiatives d’approvisionnement stratégique.

Hypercore est une plateforme technologique conçue pour les fonds de crédit privé et les prêteurs non bancaires, destinée à moderniser l’infrastructure opérationnelle derrière le prêt. Sa plateforme de bout en bout centralise les données de prêt et prend en charge l’ensemble du cycle de vie, de l’origination et la gestion du pipeline jusqu’à la gestion du service, la gestion des sources de financement, le reporting et la maturité, tout en automatisant de nombreux calculs et flux de travail traditionnellement gérés via des feuilles de calcul et des systèmes disparates. Plus récemment, Hypercore a élargi son focus sur l’administration de prêts native IA, en utilisant des agents IA conjointement avec des données de prêt structurées et une supervision professionnelle pour automatiser les activités de service récurrentes telles que l’intégration d’installations, les calculs, les paiements, les rapprochements, les notifications et le reporting. La plateforme est conçue pour offrir aux prêteurs une visibilité en temps réel du portefeuille, des flux de travail auditable et l’infrastructure nécessaire pour faire évoluer les opérations sans augmenter proportionnellement les équipes administratives.

Lorsque vous avez lancé Hypercore, qu’est‑ce qui vous a semblé manquer dans la façon dont les sociétés de crédit privé géraient les prêts après la clôture ? Et comment cette idée a‑t‑elle évolué avec le développement de l’IA ?

Nous avons lancé Hypercore parce qu’il n’existait pas vraiment de système de gestion de prêts conçu pour le crédit privé.

De nombreux systèmes gèrent assez bien les produits de prêt standards, mais le crédit privé n’est pas standard. Il implique différentes structures, différentes mécaniques de paiement, des clauses, des avenants, des cascades, des groupes de prêteurs, et plus encore. Aucun accord n’est identique, et les entreprises s’appuient beaucoup trop sur des feuilles de calcul et des processus manuels.

Notre idée était de créer une infrastructure capable de représenter correctement le prêt et de le gérer tout au long de son cycle de vie.

Cette idée a évolué lorsque nous avons réalisé que, une fois cette infrastructure en place, l’IA pouvait en faire quelque chose d’utile. Si le prêt est correctement représenté dans le système et que vous connaissez son état actuel, l’IA peut comprendre un événement, appliquer les conditions du prêt, lancer le flux de travail, mettre à jour les systèmes, préparer la sortie, et faire intervenir une personne lorsque le jugement ou l’approbation humaine est nécessaire.

Cette prise de conscience est ce qui nous a poussés à commencer à offrir des services d’administration de prêts en parallèle du logiciel. Nous utilisons l’infrastructure que nous avons déjà construite, conjointement avec des agents IA et notre équipe opérationnelle, pour exécuter le travail.

L’infrastructure doit d’abord être mise en place, mais une fois que vous l’avez, vous pouvez utiliser l’IA pour modifier la manière dont les opérations post‑clôture sont réalisées.

La plupart des discussions autour de l’IA dans le crédit privé portent sur la souscription et la vérification préalable. Pourquoi pensez‑vous que la plus grande opportunité pourrait en fait se situer après la clôture du prêt ?

La souscription est le point de départ évident car il y a beaucoup à lire et à analyser, et l’IA excelle dans ce domaine. Cependant, ce processus ne dure que quelques semaines. Après la clôture, vous êtes responsable du prêt pendant des années, devant gérer les paiements, les changements de taux, les avenants, les tests de clauses, les décaissements, les notifications, les rapprochements, le reporting, et bien plus encore. De plus, chaque fois que le portefeuille augmente, tout ce travail augmente également.

Si l’IA fait gagner une heure à un professionnel de l’investissement pendant la souscription, c’est utile. Mais si elle réduit la quantité de travail manuel nécessaire pour gérer un portefeuille chaque jour, c’est énorme.

Qu’est‑ce qui rend le service d’un prêt sur cinq ou sept ans plus difficile à automatiser que son analyse lors de la première souscription du contrat ?

Si vous demandez à un système d’IA de résumer un accord de crédit, c’est une tâche assez basique. Quelqu’un vérifie la réponse de l’IA et passe à autre chose.

Mais le service ne fonctionne pas ainsi. Le calcul de ce mois‑ci peut être affecté par un avenant de l’année dernière, une réinitialisation de taux d’il y a trois mois et un paiement de la semaine dernière. L’état du prêt, et en fait le prêt lui‑même, évolue constamment. L’accord initial n’est que le point de départ. Vous devez également suivre les avenants, les dérogations, les élections et tout ce qui a été convenu en dehors du document original.

Ce n’est pas facile ! Ce n’est pas seulement une question de lecture de documents ; il faut maintenir un instrument financier actif pendant plusieurs années et veiller à ce que chaque nouvel événement soit appliqué correctement. Si vous commettez une erreur tôt, elle peut se répercuter sur les calculs futurs pendant des mois, voire des années, avant que quiconque ne le remarque.

De nombreux gestionnaires conservent encore leur propre « livre d’ombre » pour vérifier le travail de leur administrateur. Pourquoi cela est-il devenu si répandu ? Et que faudrait‑il changer pour que les entreprises se sentent à l’aise de s’en défaire ?

Si un administrateur vous envoie un calcul sans aucune indication sur la façon dont il a été obtenu, vous le recalculerez probablement vous‑même ! C’est essentiellement ce qu’est le livre d’ombre. Il engendre un travail en double, mais il existe pour une raison : le gestionnaire doit savoir que les chiffres sont corrects.

Pour éliminer les livres d’ombre, les gestionnaires auront besoin de beaucoup plus de visibilité sur le travail, y compris quels paramètres ont été utilisés, quels termes ont été appliqués et ce qui, le cas échéant, a changé.

Si le gestionnaire et l’administrateur travaillent à partir du même enregistrement de prêt sous‑jacent, il n’y a aucune raison d’avoir des livres d’ombre. Cependant, je ne pense pas que quiconque les abandonnera simplement parce qu’un nouveau fournisseur leur dit que c’est possible. Cette confiance devra être gagnée grâce à des résultats précis sur une période prolongée.

Il existe une grande différence entre une IA capable de lire un contrat de crédit et une IA capable d’exécuter réellement les travaux de service. Quelles conditions un système doit‑il remplir avant que vous ne lui fassiez confiance pour exécuter ces flux de travail ?

Cela nécessite plusieurs éléments, dont :

• Un enregistrement de prêt fiable
• La connaissance des activités précédentes
• L’accès aux systèmes où le travail est réalisé
• La conscience du moment où une tâche est terminée et de ce qu’il faut faire si quelque chose ne semble pas correct

Prenons un paiement, par exemple. Évidemment, l’IA doit calculer le paiement, mais cela ne s’arrête pas là.

Le paiement doit également être traité, des avis peuvent devoir être distribués, les systèmes doivent être mis à jour, un humain peut devoir le vérifier, et la trésorerie doit être conciliée par la suite.

Et la tolérance aux erreurs est très faible. C’est pourquoi notre équipe est responsable du service d’administration que nous proposons. L’IA effectue une partie du travail en arrière‑plan, mais nous ne prétendons pas que le logiciel lui‑même soit d’une manière ou d’une autre responsable du résultat.

Lorsque l’IA commence à toucher des éléments comme les paiements, les allocations et les rapports aux investisseurs, comment décidez‑vous ce qu’elle peut gérer de façon autonome et où une personne doit encore intervenir ?

Honnêtement, cela dépend de ce qui se passe si le système se trompe. Il existe de nombreuses situations où l’IA peut effectuer le travail automatiquement, comme extraire des informations, concilier des enregistrements, identifier des anomalies – ce genre de choses. Mais si vous déplacez de l’argent ou envoyez quelque chose à l’extérieur, il faut qu’une personne intervienne.

Cela dit, je pense aussi qu’on se concentre trop sur l’existence d’une étape d’approbation humaine et pas assez sur ce que cette personne peut réellement voir. Si je donne à quelqu’un un chiffre et un bouton d’approbation, cela n’aide pas beaucoup. Elle doit pouvoir comprendre d’où vient le chiffre sans perdre une heure à refaire le calcul.

En bref, si un taux change, le système doit pouvoir fournir l’ancien taux, le nouveau taux, le document source et les paramètres. Ainsi, un humain pourra réellement le vérifier.

À mesure que le système fait ses preuves sur un flux de travail, vous pouvez en automatiser davantage, mais ne le faites pas simplement parce qu’un nouveau modèle a été publié.

Les prêts de crédit privé peuvent être incroyablement sur‑mesure. Comment automatiser cela sans demander à un modèle d’IA de réinterpréter le contrat à chaque événement ?

L’IA est utile lorsque vous lisez les documents et cherchez à comprendre le fonctionnement du contrat. Un accord de 200 pages, plus les avenants, est exactement le type de chose que l’IA peut aider à analyser. Ensuite, une fois la structure comprise, l’IA peut aider à mapper le contrat dans le modèle de prêt afin qu’il soit correctement représenté. Après cela, les calculs sont déterministes.

Si le prêt comporte un waterfall, une composante PIK, plusieurs tranches ou une réduction de prix, ces règles sont déjà dans le système. Nous ne demandons pas à un modèle de langage de relire les documents à chaque fois qu’un paiement arrive ! Les gestionnaires doivent pouvoir reproduire et expliquer chaque calcul ; c’est impossible si le modèle réinterprète le contrat à chaque événement.

Le risque d’investissement attire naturellement la plupart de l’attention dans le crédit privé. Quels types de risques opérationnels pensez‑vous que les gestionnaires sous‑estiment le plus ?

Les gestionnaires sous‑estiment les petites choses : un avenant qui est reflété à un endroit mais pas à un autre ; une réconciliation qui a lieu plus tard que prévu ; un employé qui travaille sans le savoir à partir d’une version ancienne des conditions.

Ce n’est généralement pas une défaillance colossale unique, mais un petit problème qui reste erroné en arrière‑plan pendant un certain temps avant de commencer à affecter d’autres éléments.

Par exemple, si vous calculez quelque chose à partir d’un terme erroné, cela alimente un paiement, puis apparaît dans les rapports. Au moment où quelqu’un s’en rend compte, vous devrez revoir des mois de travail.

L’IA peut aider en réduisant cette fenêtre. Si vous pouvez concilier chaque jour au lieu de le faire à la fin du trimestre, vous pouvez détecter les problèmes beaucoup plus rapidement. Si chaque avenant est immédiatement pris en compte et reflété dans le système, vous diminuez le risque que des personnes travaillent à partir de versions différentes du prêt.

Ce n’est pas aussi passionnant que l’idée que l’IA prenne des décisions d’investissement, mais sur le plan opérationnel, cela fait une grande différence.

Pour une entreprise qui possède des années de prêts répartis sur des systèmes hérités, des feuilles de calcul, des PDF et des e‑mails, qu’est‑ce qui est réellement difficile dans le passage à un nouvel environnement opérationnel ?

Déterminer quelles sont les données correctes.

Une entreprise peut avoir les clauses d’un accord de crédit, les soldes dans un autre système, des avenants dans un dossier, l’historique des paiements dans un e‑mail, et même des informations importantes qui n’existent que dans la mémoire d’un seul membre de l’équipe !

Donc, premièrement, il faut reconstruire le prêt tel qu’il est aujourd’hui. Ensuite, il faut le comparer à ce que le système existant indique. Parfois, les chiffres ne correspondent pas et il faut en déterminer la raison. Peut‑être qu’un élément a été mal mappé lors de la migration ? Peut‑être qu’un ajustement manuel a été effectué il y a des années ? Ou peut‑être que l’ancien système était simplement erroné. Dans tous les cas, on ne peut pas simplement ignorer la différence.

Nous recommandons d’exécuter les environnements ancien et nouveau en parallèle pendant un certain temps, de comparer les résultats, d’enquêter sur les différences et de tout mettre en ordre avant de finaliser la migration.

Ce n’est pas la méthode la plus rapide pour migrer, mais sur un portefeuille de prêts en activité, la rapidité ne doit pas être l’objectif principal.

Si l’IA permet aux entreprises de gérer des portefeuilles beaucoup plus importants avec des équipes opérationnelles plus petites, comment pensez‑vous que cela modifie le rôle de l’administrateur de prêts traditionnel ?

L’administration signifiait autrefois du travail manuel, mais si l’IA peut en faire la plupart, le nouveau rôle de l’administrateur de prêts consiste à s’assurer que les chiffres sont corrects et à corriger rapidement tout problème qui survient.

Les gestionnaires peuvent en fait assumer davantage de travail eux‑mêmes, selon le nombre de personnes dont ils disposent et leur capacité à réaliser le travail avec précision et transparence. De nombreuses entreprises préféreront toutefois externaliser. Les petites équipes opérationnelles ne fonctionnent que si les connaissances des membres précédents sont réellement capturées quelque part. Si vous retirez simplement les personnes du processus sans le faire, vous n’avez pas nécessairement amélioré quoi que ce soit.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Hypercore.