Daniel Liechtenstein, CEO dan Co-Founder Hypercore – Seri Wawancara

Daniel Liechtenstein, CEO dan Co-Founder Hypercore, adalah seorang wirausahawan fintech dan ahli strategi keuangan dengan latar belakang yang mencakup teknologi pemberian pinjaman, pengembangan perangkat lunak, konsultasi bisnis, dan perencanaan keuangan berskala besar. Ia mendirikan Hypercore pada tahun 2020 setelah sebelumnya menjabat sebagai Mitra Pengembangan Bisnis di Articode, di mana ia fokus pada proyek perangkat lunak fintech dan klien layanan keuangan, serta bekerja secara independen sebagai konsultan keuangan dan bisnis untuk startup serta perusahaan yang sedang berkembang. Pada awal kariernya, Liechtenstein memegang peran senior dalam perencanaan keuangan dan strategi di Angkatan Pertahanan Israel dan Kementerian Pertahanan Israel, dengan tanggung jawab mengelola anggaran ICT utama, mengevaluasi investasi teknologi, menegosiasikan kesepakatan berskala besar dengan vendor teknologi global, dan berkontribusi pada infrastruktur cloud serta inisiatif pengadaan strategis.

Hypercore adalah platform teknologi yang dibangun untuk dana kredit swasta dan pemberi pinjaman non-bank, dirancang untuk memodernisasi infrastruktur operasional di balik pemberian pinjaman. Platform end-to-end-nya memusatkan data pinjaman dan mendukung seluruh siklus hidup mulai dari originasi dan manajemen pipeline hingga layanan, manajemen sumber pendanaan, pelaporan, dan jatuh tempo, sambil mengotomatiskan banyak perhitungan dan alur kerja yang biasanya ditangani melalui spreadsheet dan sistem terpisah. Baru-baru ini, Hypercore memperluas fokusnya pada administrasi pinjaman berbasis AI, menggunakan agen AI bersama data pinjaman terstruktur dan pengawasan profesional untuk mengotomatiskan aktivitas layanan berulang seperti onboarding fasilitas, perhitungan, pembayaran, rekonsiliasi, pemberitahuan, dan pelaporan. Platform ini dirancang untuk memberikan pemberi pinjaman visibilitas portofolio secara real-time, alur kerja yang dapat diaudit, serta infrastruktur yang diperlukan untuk menskalakan operasi tanpa harus memperbesar tim administratif secara proporsional.

Ketika Anda memulai Hypercore, apa yang Anda rasa kurang dalam cara perusahaan kredit swasta mengelola pinjaman setelah penutupan? Dan bagaimana ide tersebut berubah seiring perkembangan AI?

Kami memulai Hypercore karena tidak ada sistem manajemen pinjaman yang memang dibangun untuk kredit swasta.

Banyak sistem menangani produk pinjaman standar dengan cukup baik, tetapi kredit swasta tidak standar. Ia melibatkan struktur yang berbeda, mekanisme pembayaran yang berbeda, ketentuan, amandemen, waterfall, kelompok pemberi pinjaman, dan lain-lain. Tidak ada dua kesepakatan yang sama, dan perusahaan terlalu bergantung pada spreadsheet dan proses manual.

Ide kami adalah membangun infrastruktur yang dapat merepresentasikan pinjaman secara tepat dan mengelolanya sepanjang siklus hidupnya.

Ide ini berkembang ketika kami menyadari bahwa, setelah memiliki infrastruktur tersebut, AI dapat melakukan sesuatu yang berguna dengan itu. Jika pinjaman direpresentasikan dengan benar dalam sistem dan Anda mengetahui status terkini, AI dapat memahami sebuah peristiwa, menerapkan ketentuan pinjaman, memulai alur kerja, memperbarui sistem, menyiapkan output, dan melibatkan seseorang ketika diperlukan penilaian atau persetujuan manusia.

Penyadaran ini yang mendorong kami untuk mulai menyediakan layanan administrasi pinjaman bersamaan dengan perangkat lunak. Kami menggunakan infrastruktur yang telah kami bangun, bersama dengan agen AI dan tim operasi kami, untuk menjalankan pekerjaan tersebut.

Infrastruktur harus dibangun terlebih dahulu, tetapi setelah Anda memilikinya, Anda dapat menggunakan AI untuk mengubah cara operasi pasca-penutupan diselesaikan.

Sebagian besar diskusi tentang AI dalam kredit swasta berfokus pada underwriting dan due diligence. Mengapa Anda berpikir peluang yang lebih besar sebenarnya dapat muncul setelah pinjaman ditutup?

Underwriting adalah titik awal yang jelas karena ada banyak hal yang harus dibaca dan dianalisis, dan AI sangat handal dalam hal itu. Namun, proses tersebut hanya memakan beberapa minggu. Setelah penutupan, Anda bertanggung jawab atas pinjaman selama bertahun‑tahun, harus menangani pembayaran, perubahan suku bunga, amandemen, pengujian ketentuan, penarikan, pemberitahuan, rekonsiliasi, pelaporan, dan lain-lain. Selain itu, setiap kali portofolio tumbuh, semua pekerjaan tersebut juga meningkat.

Jika AI menghemat satu jam bagi profesional investasi selama underwriting, itu berguna. Tetapi jika AI mengurangi jumlah pekerjaan manual yang diperlukan untuk mengelola portofolio setiap hari, itu sangat signifikan.

Apa yang membuat layanan pinjaman selama lima atau tujuh tahun lebih sulit untuk diotomatisasi dibandingkan menganalisisnya saat kesepakatan pertama kali di‑underwrite?

Jika Anda meminta sistem AI untuk merangkum perjanjian kredit, itu adalah tugas yang cukup dasar. Seseorang memeriksa jawaban AI dan melanjutkan.

Tetapi layanan tidak bekerja seperti itu. Perhitungan bulan ini mungkin dipengaruhi oleh amandemen dari tahun lalu, penyesuaian suku bunga tiga bulan yang lalu, dan pembayaran dari minggu lalu. Status pinjaman, dan bahkan pinjaman itu sendiri, terus berubah sepanjang waktu. Perjanjian asli hanyalah titik awal. Anda juga harus terus memantau amandemen, pengecualian, pilihan, dan hal lain yang disepakati di luar dokumen asli.

Ini tidak mudah! Bukan sekadar membaca dokumen; Anda harus memelihara instrumen keuangan yang aktif selama beberapa tahun dan memastikan setiap peristiwa baru diterapkan dengan tepat. Jika Anda melakukan kesalahan di awal, kesalahan tersebut dapat memengaruhi perhitungan di masa mendatang selama berbulan‑bulan atau bahkan bertahun‑tahun sebelum ada yang menyadarinya.

Banyak manajer masih menyimpan “buku bayangan” mereka sendiri untuk memeriksa pekerjaan administrator mereka. Mengapa hal itu menjadi begitu umum? Dan apa yang harus berubah agar perusahaan merasa nyaman melepaskannya?

Jika seorang administrator mengirimkan perhitungan tanpa memberi tahu cara mereka mendapatkannya, Anda mungkin akan menghitungnya sendiri juga! Pada dasarnya itulah buku bayangan. Ia menciptakan pekerjaan ganda, tetapi ada alasan keberadaannya; manajer perlu memastikan bahwa angka-angka tersebut benar.

Untuk menghilangkan buku bayangan, manajer memerlukan visibilitas yang jauh lebih besar terhadap pekerjaan, termasuk input yang digunakan, istilah yang diterapkan, dan apa saja yang telah berubah, bila ada.

Jika manajer dan administrator bekerja dari catatan pinjaman yang sama, tidak ada kebutuhan untuk buku bayangan. Namun, saya rasa tidak ada yang akan melepaskannya hanya karena penyedia baru memberi tahu mereka bahwa mereka bisa. Kepercayaan itu harus dibangun melalui hasil yang akurat selama periode waktu tertentu.

Ada perbedaan besar antara AI yang dapat membaca perjanjian kredit dan AI yang benar‑benar dapat melakukan pekerjaan layanan. Apa yang dibutuhkan sebuah sistem sebelum Anda mempercayainya untuk mengeksekusi alur kerja tersebut?

Hal itu memerlukan beberapa hal, antara lain:

• Catatan pinjaman yang dapat diandalkan
• Pengetahuan tentang aktivitas sebelumnya
• Akses ke sistem tempat pekerjaan diselesaikan
• Kesadaran tentang kapan sebuah tugas selesai dan apa yang harus dilakukan jika ada yang tidak beres

Ambil contoh pembayaran. Jelas, AI harus menghitung pembayaran, tetapi tidak berhenti di situ.

Pembayaran juga harus diproses, pemberitahuan mungkin perlu didistribusikan, sistem harus diperbarui, seorang manusia mungkin perlu meninjaunya, dan uang tunai harus direkonsiliasi setelahnya.

Dan toleransi terhadap kesalahan sangat rendah. Itulah mengapa tim kami bertanggung jawab atas layanan administrasi yang kami tawarkan. AI melakukan sebagian pekerjaan di balik layar, tetapi kami tidak mengklaim bahwa perangkat lunak itu sendiri bertanggung jawab atas hasilnya.

Setelah AI mulai menyentuh hal‑hal seperti pembayaran, alokasi, dan pelaporan investor, bagaimana Anda memutuskan apa yang dapat ditangani secara mandiri dan di mana manusia masih harus terlibat?

Sejujurnya, itu tergantung pada apa yang terjadi jika sistem salah. Ada banyak situasi di mana AI dapat melakukan pekerjaan secara otomatis, seperti menarik informasi, merekonsiliasi catatan, mengidentifikasi anomali—hal‑hal semacam itu. Tetapi jika Anda memindahkan uang atau mengirim sesuatu ke luar, Anda memerlukan intervensi manusia.

Meskipun begitu, saya juga rasa terlalu banyak fokus pada apakah ada langkah persetujuan manusia dan tidak cukup pada apa yang sebenarnya dapat dilihat orang tersebut. Jika saya memberi seseorang sebuah angka dan tombol persetujuan, itu tidak banyak membantu. Mereka membutuhkan kemampuan untuk memahami asal‑usul angka itu tanpa menghabiskan satu jam untuk menghitung ulang.

Singkatnya, jika tarif berubah, sistem harus dapat menyediakan tarif lama, tarif baru, dokumen sumber, dan input‑inputnya. Kemudian manusia dapat meninjau secara nyata.

Seiring sistem membuktikan diri pada suatu alur kerja, Anda dapat mengotomatisasi lebih banyak, tetapi jangan melakukannya hanya karena model baru telah dirilis.

Pinjaman kredit swasta dapat sangat khusus. Bagaimana Anda mengotomatisasi hal itu tanpa meminta model AI untuk menafsirkan kembali kesepakatan setiap kali sesuatu terjadi?

AI berguna ketika Anda membaca dokumen dan memahami cara kerja kesepakatan. Perjanjian 200 halaman ditambah amandemen adalah contoh tepat hal yang dapat dibantu AI. Setelah Anda memahami strukturnya, AI dapat membantu memetakan kesepakatan ke dalam model pinjaman sehingga terwakili dengan tepat. Setelah itu, perhitungannya bersifat deterministik.

Jika pinjaman memiliki waterfall, komponen PIK, beberapa tranche, atau penurunan harga, aturan‑aturan itu ada di dalam sistem. Kami tidak meminta model bahasa untuk membaca ulang dokumen setiap kali pembayaran masuk! Manajer harus dapat mereproduksi dan menjelaskan setiap perhitungan; hal itu tidak mungkin dilakukan jika model menafsirkan kembali kesepakatan setiap kali sesuatu terjadi.

Risiko investasi secara alami mendapatkan sebagian besar perhatian dalam kredit swasta. Risiko operasional jenis apa yang Anda rasa sering diremehkan oleh manajer?

Manajer meremehkan hal‑hal kecil: amandemen yang tercermin di satu tempat tetapi tidak di tempat lain; rekonsiliasi yang terjadi lebih lambat dari yang diharapkan; seorang karyawan yang tanpa sadar bekerja dari versi lama ketentuan.

Biasanya bukan kegagalan besar tunggal, melainkan masalah kecil yang tetap salah di latar belakang untuk sementara waktu sebelum mulai memengaruhi hal‑hal lain.

Misalnya, jika Anda menghitung sesuatu berdasarkan istilah yang salah, itu akan memengaruhi pembayaran, lalu muncul dalam pelaporan. Pada saat seseorang menyadarinya, Anda harus meninjau pekerjaan selama berbulan‑bulan.

AI dapat membantu dengan memperpendek jendela waktu itu. Jika Anda dapat merekonsiliasi setiap hari alih‑alih pada akhir kuartal, Anda dapat menemukan masalah jauh lebih cepat. Jika setiap amandemen langsung terdeteksi dan tercermin dalam sistem, Anda mengurangi kemungkinan orang bekerja dengan versi pinjaman yang berbeda.

Tidak begitu menarik seperti gagasan AI membuat keputusan investasi, tetapi secara operasional hal ini memberikan perbedaan besar.

Untuk perusahaan yang memiliki tahun‑tahun pinjaman tersebar di sistem warisan, spreadsheet, PDF, dan email, apa sebenarnya yang sulit dalam beralih ke lingkungan operasional baru?

Menentukan data yang tepat.

Sebuah perusahaan mungkin memiliki ketentuan dalam perjanjian kredit, saldo di sistem yang berbeda, amandemen dalam folder, riwayat pembayaran di email, dan bahkan konteks penting yang hanya ada dalam ingatan satu anggota tim!

Jadi pertama Anda harus merekonstruksi pinjaman sebagaimana adanya saat ini. Kemudian Anda harus membandingkannya dengan apa yang dikatakan sistem yang ada. Terkadang angka tidak cocok dan Anda harus mencari tahu mengapa. Mungkin ada yang dipetakan secara salah selama migrasi?  Mungkin ada penyesuaian manual bertahun‑tahun yang lalu? Atau mungkin sistem lama memang salah. Bagaimanapun, Anda tidak dapat begitu saja mengabaikan perbedaan tersebut.

Kami menyarankan menjalankan lingkungan lama dan baru secara paralel untuk sementara, membandingkan outputnya, menyelidiki perbedaan,  dan menyiapkan semuanya sebelum menyelesaikan migrasi.

Bukan cara tercepat untuk migrasi, tetapi pada buku pinjaman yang aktif, kecepatan tidak seharusnya menjadi tujuan utama.

Jika AI memungkinkan perusahaan mengelola portofolio jauh lebih besar dengan tim operasi yang lebih kecil, bagaimana menurut Anda hal itu mengubah peran administrator pinjaman tradisional?

Administrasi dulu berarti pekerjaan manual, tetapi jika AI dapat melakukan sebagian besar, peran baru administrator pinjaman adalah memastikan angka-angka tepat dan dengan cepat memperbaiki masalah yang muncul.

Manajer mungkin justru mengambil lebih banyak pekerjaan sendiri, tergantung pada berapa banyak orang yang mereka miliki dan apakah mereka dapat menyelesaikan pekerjaan secara akurat dan transparan. Banyak perusahaan masih akan memilih outsourcing. Tim operasi yang lebih kecil hanya dapat berfungsi jika pengetahuan anggota tim sebelumnya benar‑benar ditangkap di suatu tempat. Jika Anda mengeluarkan orang dari proses tanpa melakukan itu, Anda belum tentu memperbaiki apa‑pun.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin belajar lebih lanjut dapat mengunjungi Hypercore.