Daniel Liechtenstein, CEO e co-fondatore di Hypercore – Serie di interviste

Daniel Liechtenstein, CEO e co-fondatore di Hypercore, è un imprenditore fintech e stratega finanziario con un background che spazia dalla tecnologia del credito, allo sviluppo software, alla consulenza aziendale e alla pianificazione finanziaria su larga scala. Ha co-fondato Hypercore nel 2020 dopo aver ricoperto il ruolo di Partner per lo sviluppo commerciale presso Articode, dove si è concentrato su progetti software fintech e clienti dei servizi finanziari, e aver lavorato in modo indipendente come consulente finanziario e aziendale per startup e aziende in crescita. All’inizio della sua carriera, Liechtenstein ha ricoperto ruoli senior nella pianificazione finanziaria e nella strategia all’interno delle Israel Defense Forces e del Ministero della Difesa israeliano, dove le sue responsabilità includevano la gestione di importanti budget ICT, la valutazione di investimenti tecnologici, la negoziazione di accordi su larga scala con fornitori tecnologici globali e il contributo all’infrastruttura cloud e alle iniziative di approvvigionamento strategico.

Hypercore è una piattaforma tecnologica costruita per fondi di credito privato e finanziatori non bancari, progettata per modernizzare l’infrastruttura operativa alla base del credito. La sua piattaforma end-to-end centralizza i dati dei prestiti e supporta l’intero ciclo di vita, dall’origine e gestione del pipeline fino al servicing, alla gestione delle fonti di finanziamento, al reporting e alla scadenza, automatizzando molte delle calcolazioni e dei flussi di lavoro tradizionalmente gestiti tramite fogli di calcolo e sistemi disconnessi. Più recentemente, Hypercore ha ampliato il suo focus sull’amministrazione dei prestiti nativa AI, utilizzando agenti AI insieme a dati di prestito strutturati e supervisione professionale per automatizzare le attività ricorrenti di servicing, come l’onboarding delle strutture, i calcoli, i pagamenti, la riconciliazione, le comunicazioni e il reporting. La piattaforma è progettata per offrire ai finanziatori visibilità in tempo reale del portafoglio, flussi di lavoro auditabili e l’infrastruttura necessaria per scalare le operazioni senza espandere proporzionalmente i team amministrativi.

Quando hai avviato Hypercore, cosa pensavi mancasse nel modo in cui le società di credito privato gestivano i prestiti dopo la chiusura? E come è cambiata quell’idea con lo sviluppo dell’AI?

Abbiamo avviato Hypercore perché non esisteva davvero un sistema di gestione dei prestiti costruito per il credito privato.

Molti sistemi gestiscono i prodotti di credito standard in modo ragionevolmente efficace, ma il credito privato non è standard. Coinvolge strutture diverse, meccaniche di pagamento differenti, covenant, emendamenti, waterfall, gruppi di finanziatori e altro ancora. Nessun accordo è uguale a un altro, e le aziende fanno affidamento troppo pesantemente su fogli di calcolo e processi manuali.

La nostra idea era costruire un’infrastruttura in grado di rappresentare correttamente il prestito e gestirlo per l’intero ciclo di vita.

Questa idea si è evoluta quando ci siamo resi conto che, una volta avuta quell’infrastruttura di base, l’AI poteva fare qualcosa di utile con essa. Se il prestito è rappresentato correttamente nel sistema e si conosce il suo stato attuale, l’AI può comprendere un evento, applicare i termini del prestito, avviare il flusso di lavoro, aggiornare i sistemi, preparare l’output e coinvolgere una persona quando è necessario un giudizio o un’approvazione umana.

Questa consapevolezza è ciò che ci ha spinto a iniziare a offrire servizi di amministrazione dei prestiti insieme al software. Stiamo utilizzando l’infrastruttura che abbiamo già costruito, insieme a agenti AI e al nostro team operativo, per gestire il lavoro.

L’infrastruttura deve venire prima, ma una volta che la si possiede, è possibile utilizzare l’AI per modificare il modo in cui le operazioni post-chiusura vengono completate.

La maggior parte della discussione sull’AI nel credito privato è stata incentrata su underwriting e due diligence. Perché pensi che la più grande opportunità possa effettivamente arrivare dopo la chiusura del prestito?

L’underwriting è il punto di partenza ovvio perché c’è molto da leggere e analizzare, e l’AI è molto brava in questo. Tuttavia, quel processo richiede solo poche settimane. Dopo la chiusura, sei responsabile del prestito per anni, dovendo gestire pagamenti, variazioni dei tassi, emendamenti, test dei covenant, prelievi, comunicazioni, riconciliazioni, reporting e altro ancora. Inoltre, ogni volta che il portafoglio cresce, tutto quel lavoro cresce con esso.

Se l’AI fa risparmiare a un professionista degli investimenti un’ora durante l’underwriting, è utile. Ma se riduce la quantità di lavoro manuale necessario per gestire un portafoglio ogni giorno, è enorme.

Cosa rende più difficile automatizzare il servicing di un prestito per cinque o sette anni rispetto all’analisi durante l’underwriting iniziale dell’operazione?

Se chiedi a un sistema AI di riassumere un accordo di credito, è un compito piuttosto basilare. Qualcuno verifica la risposta dell’AI e prosegue.

Ma il servicing non funziona così. Il calcolo di questo mese può essere influenzato da un emendamento dell’anno scorso, da una revisione del tasso di tre mesi fa e da un pagamento della scorsa settimana. Lo stato del prestito, e in effetti il prestito stesso, cambia continuamente. L’accordo originale è solo il punto di partenza. Devi anche tenere sotto controllo emendamenti, deroghe, scelte e qualsiasi altra cosa concordata al di fuori del documento originale.

Non è facile! Non si tratta solo di leggere i documenti; devi mantenere uno strumento finanziario attivo per diversi anni e garantire che ogni nuovo evento venga applicato correttamente. Se commetti un errore all’inizio, può propagarsi nei calcoli futuri per mesi o addirittura anni prima che qualcuno se ne accorga.

Molti manager conservano ancora il proprio “libro ombra” per verificare il lavoro del loro amministratore. Perché è diventato così comune? E cosa dovrebbe cambiare affinché le aziende si sentano a proprio agio nell’abbandonarlo?

Se un amministratore ti invia un calcolo senza alcuna informazione su come è stato ottenuto, probabilmente lo rifarai anche tu! È sostanzialmente quello che è il libro ombra. Genera lavoro duplicato, ma esiste per una ragione: il manager deve sapere che i numeri sono corretti.

Per eliminare i libri ombra, i manager avranno bisogno di molta più visibilità sul lavoro, inclusi gli input utilizzati, i termini applicati e cosa, se qualcosa, è cambiato.

Se manager e amministratore lavorano sullo stesso record di prestito di base, non c’è bisogno di libri ombra. Tuttavia, non credo che qualcuno li abbandonerà solo perché un nuovo fornitore dice che può farlo. Tale fiducia dovrà essere guadagnata con risultati accurati nel tempo.

C’è una grande differenza tra un’IA che può leggere un contratto di credito e un’IA che può effettivamente svolgere il lavoro di servicing. Cosa serve a un sistema prima che tu possa fidarti che esegua quei flussi di lavoro?

Richiede più elementi, tra cui:

• Un record di prestito affidabile
• Conoscenza delle attività precedenti
• Accesso ai sistemi in cui il lavoro viene completato
• Consapevolezza di quando un compito è terminato e cosa fare se qualcosa non sembra corretto

Prendiamo un pagamento, per esempio. Ovviamente, l’IA deve calcolare il pagamento, ma non finisce qui.

Il pagamento deve anche essere processato, potrebbero dover essere distribuiti avvisi, i sistemi devono essere aggiornati, un umano potrebbe doverlo revisionare e il denaro deve essere riconciliato successivamente.

E la tolleranza per gli errori è molto bassa. Per questo il nostro team è responsabile del servizio di amministrazione che offriamo. L’IA svolge parte del lavoro sottostante, ma non fingiamo che il software stesso sia in qualche modo responsabile del risultato.

Una volta che l’IA inizia a toccare cose come pagamenti, allocazioni e report per gli investitori, come decidete cosa può gestire autonomamente e dove è ancora necessario l’intervento umano?

Onestamente, dipende da cosa succede se il sistema sbaglia. Ci sono molte situazioni in cui l’IA può svolgere il lavoro automaticamente, come estrarre informazioni, riconciliare registri, identificare anomalie – cose del genere. Ma se si sta muovendo denaro o inviando qualcosa all’esterno, è necessario che una persona intervenga.

Detto ciò, penso anche che ci sia troppa attenzione sul fatto che ci sia un passaggio di approvazione umana e non abbastanza su ciò che quella persona può effettivamente vedere. Se do a qualcuno un numero e un pulsante di approvazione, non è di grande aiuto. Ha bisogno della capacità di capire da dove proviene il numero senza sprecare un’ora a rifare il calcolo.

In sintesi, se un tasso cambia, il sistema deve essere in grado di fornire il tasso vecchio, il tasso nuovo, il documento di origine e gli input. Poi un umano può effettivamente revisionarlo.

Man mano che il sistema si dimostra efficace su un flusso di lavoro, è possibile automatizzarne di più, ma non farlo solo perché è stato rilasciato un nuovo modello.

I prestiti di credito privato possono essere incredibilmente su misura. Come automatizzate senza chiedere a un modello di IA di reinterpretare il contratto ogni volta che accade qualcosa?

L’IA è utile quando leggi i documenti e capisci come funziona l’accordo. Un contratto di 200 pagine più gli emendamenti è esattamente il tipo di cosa con cui l’IA può aiutare. Poi, una volta compresa la struttura, l’IA può aiutare a mappare l’accordo nel modello di prestito in modo che sia rappresentato correttamente. Dopo di che, i calcoli sono deterministici.

Se il prestito prevede un waterfall, una componente PIK, più tranche o una riduzione del prezzo, quelle regole sono nel sistema. Non stiamo chiedendo a un modello linguistico di rileggere i documenti ogni volta che arriva un pagamento! I manager devono essere in grado di riprodurre e spiegare ogni calcolo; è impossibile farlo se il modello reinterpreta l’accordo ogni volta che accade qualcosa.

Il rischio di investimento naturalmente riceve la maggior parte dell’attenzione nel credito privato. Quali tipi di rischio operativo pensate che i manager tendano a sottovalutare?

I manager sottovalutano le piccole cose: un emendamento che viene riflesso in un luogo ma non in un altro; una riconciliazione che avviene più tardi del previsto; un dipendente che, inconsapevolmente, lavora su una versione vecchia dei termini.

Di solito non si tratta di un unico fallimento colossale, ma di un piccolo problema che rimane errato in background per un po’ prima di cominciare a influenzare altre cose.

Ad esempio, se calcoli qualcosa basandoti su un termine errato, ciò alimenta un pagamento e poi compare nei report. Quando qualcuno se ne accorge, dovrai rivedere mesi di lavoro.

L’IA può aiutare riducendo quella finestra temporale. Se riesci a riconciliare ogni giorno invece che a fine trimestre, puoi individuare i problemi molto più rapidamente. Se ogni emendamento viene rilevato e riflesso nel sistema immediatamente, riduci la probabilità che le persone lavorino su versioni diverse del prestito.

Non è entusiasmante come l’idea che l’IA prenda decisioni di investimento, ma operativamente fa una grande differenza.

Per un’azienda che ha anni di prestiti sparsi tra sistemi legacy, fogli di calcolo, PDF e email, qual è realmente la difficoltà nel passare a un nuovo ambiente operativo?

Capire quali siano i dati corretti.

Un’azienda potrebbe avere termini in un contratto di credito, saldi in un sistema diverso, modifiche in una cartella, storico dei pagamenti in un’email e persino contesti importanti che esistono solo nella memoria di un singolo membro del team!

Quindi prima devi ricostruire il prestito così com’è oggi. Poi devi confrontarlo con quanto dice il sistema esistente. A volte i numeri non coincidono e devi capire il perché. Forse qualcosa è stato mappato in modo errato durante la migrazione?  Forse c’è stato un aggiustamento manuale anni fa? O forse il vecchio sistema era semplicemente sbagliato. In ogni caso, non puoi semplicemente ignorare la differenza.

Raccomandiamo di far funzionare gli ambienti vecchio e nuovo in parallelo per un po’, confrontare i risultati, indagare le differenze e mettere tutto a posto prima di completare la migrazione.

Non è il modo più veloce per migrare, ma su un portafoglio di prestiti attivo, la rapidità non dovrebbe essere l’obiettivo principale.

Se l’IA consente alle aziende di gestire portafogli molto più grandi con team operativi più piccoli, come pensi che cambi il ruolo dell’amministratore di prestito tradizionale?

L’amministrazione significava lavoro manuale, ma se l’IA può fare la maggior parte, il nuovo ruolo dell’amministratore di prestito è assicurarsi che i numeri siano corretti e correggere rapidamente eventuali problemi che emergono.

I manager potrebbero effettivamente assumersi più lavoro direttamente, a seconda di quante persone hanno e se riescono a svolgere il lavoro in modo accurato e trasparente. Molte aziende continueranno comunque a preferire l’outsourcing. I team operativi più piccoli funzionano solo se la conoscenza dei membri precedenti è effettivamente catturata da qualche parte. Se togli semplicemente le persone dal processo senza farlo, non hai necessariamente migliorato nulla.

Grazie per la splendida intervista, i lettori che desiderano saperne di più dovrebbero visitare Hypercore.