Daniel Liechtenstein、Hypercore CEO兼共同創業者 – インタビューシリーズ

Daniel Liechtensteinは、HypercoreのCEO兼共同創業者で、フィンテック起業家かつ金融戦略家です。貸付テクノロジー、ソフトウェア開発、ビジネスコンサルティング、大規模な財務計画にわたるバックグラウンドを持っています。2020年にHypercoreを共同設立する前は、Articodeでビジネスデベロップメントパートナーとして勤務し、フィンテックソフトウェアプロジェクトと金融サービスクライアントに注力していました。また、スタートアップや成長企業向けに金融・ビジネスコンサルタントとして独立して活動していました。キャリアの初期には、イスラエル国防軍およびイスラエル国防省で上級財務計画・戦略の役割を担い、主要なICT予算の管理、技術投資の評価、グローバルテクノロジーベンダーとの大規模契約交渉、クラウドインフラと戦略的調達イニシアチブへの貢献などを行っていました。

Hypercoreは、プライベートクレジットファンドや非銀行系貸し手向けに構築されたテクノロジープラットフォームで、貸付のオペレーショナルインフラを近代化することを目的としています。そのエンドツーエンドプラットフォームはローンデータを集中管理し、オリジネーションからパイプライン管理、サービス、資金源管理、レポーティング、満期までの全ライフサイクルをサポートすると同時に、従来はスプレッドシートや分散システムで行われていた多くの計算やワークフローを自動化します。最近では、AIネイティブなローン管理に注力し、構造化されたローンデータと専門家の監督と組み合わせたAIエージェントを活用して、施設のオンボーディング、計算、支払い、照合、通知、レポーティングといった定期的なサービス活動を自動化しています。このプラットフォームは、貸し手にリアルタイムのポートフォリオ可視性、監査可能なワークフロー、管理チームを比例的に拡大せずに運用規模を拡大するために必要なインフラを提供するよう設計されています。

Hypercoreを立ち上げたとき、プライベートクレジット企業が融資をクローズ後に管理する方法で何が不足していると考えていましたか？そして、AIの発展に伴いその考えはどのように変化しましたか？

プライベートクレジット向けに構築されたローン管理システムが実際に存在しなかったため、私たちはHypercoreを立ち上げました。

多くのシステムは標準的な貸付商品をかなりうまく処理しますが、プライベートクレジットは標準的ではありません。さまざまな構造、支払メカニズム、契約条項、修正、ウォーターフォール、貸し手グループなどが関わります。取引は一つとして同じものはなく、企業はスプレッドシートや手作業プロセスに過度に依存しています。

私たちの考えは、ローンを正確に表現し、その全ライフサイクルを通じて管理できるインフラを構築することでした。

この考えは、基盤となるインフラが整った時点で、AIがそれを有用に活用できることに気付いたときに進化しました。システム上でローンが正しく表現され、現在の状態が把握できていれば、AIはイベントを理解し、ローン条件を適用し、ワークフローを開始し、システムを更新し、出力を作成し、人間の判断や承認が必要なときに人を呼び出すことができます。

この認識が、ソフトウェアと併せてローン管理サービスの提供を開始するきっかけとなりました。私たちは既に構築したインフラとAIエージェント、そしてオペレーションチームを組み合わせて、業務を実行しています。

インフラはまず最初に整備する必要がありますが、それが整えばAIを活用してクローズ後の業務遂行方法を変えることができます。

プライベートクレジットにおけるAIに関する議論の多くはアンダーライティングとデューデリジェンスに集中しています。なぜ、より大きな機会は実際にはローンがクローズした後にあると考えるのでしょうか？

アンダーライティングは、読むべき資料や分析すべき情報が多く、AIが非常に得意とする分野であるため、当然の出発点です。しかし、このプロセスは数週間で完了します。クローズ後は、何年もの間ローンの責任を負い、支払い、金利変動、修正、契約条項のテスト、引き出し、通知、照合、レポーティングなどに対応しなければなりません。さらに、ポートフォリオが拡大するたびに、これらの作業も比例して増大します。

AIがアンダーライティング時に投資専門家の時間を1時間削減できれば便利ですが、ポートフォリオ運用に必要な日々の手作業を大幅に減らすことができれば、それは非常に大きなインパクトです。

取引が最初にアンダーライティングされる時の分析に比べ、5年または7年にわたるローンサービスの自動化が難しい理由は何ですか？

AIシステムにクレジット契約の要約を求めれば、かなり基本的なタスクです。誰かがAIの回答を確認し、次に進みます。

しかし、サービス業務はそう簡単ではありません。今月の計算は、昨年の修正や3か月前の金利リセット、先週の支払いの影響を受けることがあります。ローンの状態、そして実際のローン自体は常に変化し続けます。元の契約は出発点にすぎません。修正、免除、選択、そして元の文書以外で合意されたその他すべての事項を常に把握しておく必要があります。

これは決して容易ではありません。単に文書を読むだけの問題ではなく、数年にわたってライブの金融商品を維持し、あらゆる新しいイベントが正しく適用されていることを保証しなければなりません。初期にミスをすると、数か月あるいは数年先の計算に影響が及び、誰も気付くまでに時間がかかります。

多くのマネージャーは、管理者の作業をチェックするために自分の「シャドーブック」をまだ保持しています。なぜそれがこれほど一般的になったのでしょうか？そして、企業がそれを手放すことに安心感を持つためには何が変わる必要があるのでしょうか？

管理者が計算結果だけを送ってきて、その根拠が全く示されていなければ、あなたも自分で計算し直すでしょう！それがまさにシャドーブックの役割です。重複した作業を生むものですが、マネージャーは数値が正しいことを確認したいという理由で存在します。

シャドーブックをなくすためには、マネージャーは作業内容をはるかに可視化する必要があります。使用された入力や適用された条件、そして変更があったかどうかなどが含まれます。

マネージャーと管理者が同じ元となるローン記録を基に作業していれば、シャドーブックは不要です。しかし、新しいプロバイダーが可能だと言っただけで、すぐに手放す人はほとんどいないでしょう。その信頼は、長期間にわたって正確な結果を提供し続けることで築かれます。

クレジット契約書を読むだけのAIと、実際にサービス業務を実行できるAIでは大きな違いがあります。そのようなワークフローを実行させる前に、システムには何が必要だと考えますか？

それには、次のような複数の要件があります。

• 信頼できるローン記録
• 過去の活動に関する知識
• 作業が行われるシステムへのアクセス
• タスクが完了した時点と、問題がある場合の対処方法の認識

例として支払いを取り上げましょう。もちろん、AIは支払い額を計算しなければなりませんが、そこでは終わりません。

支払いは処理され、通知が配布され、システムが更新され、人間がレビューし、最後に現金が照合される必要があります。

そして、ミスに対する許容度は非常に低いです。だからこそ、当社のチームが提供する管理サービスに責任を持っています。AIが裏でいくつかの作業を行ってはいますが、ソフトウェア自体が結果に対して直接責任があるかのように装うつもりはありません。

AIが支払い、割当、投資家向けレポートなどに関与し始めたとき、どこまで自動で処理させ、どこで人間が介入すべきかをどのように判断しますか？

正直なところ、システムが間違った場合に何が起こるかに依存します。情報の取得、記録の照合、異常の検出など、AIが自動的に処理できるケースは多数あります。しかし、現金の移動や外部への送信が関わる場合は、人間が介入する必要があります。

とはいえ、人間の承認ステップがあるかどうかに過度に焦点が当てられ、実際にその人が何を見られるかが十分に考慮されていないと思います。数字と承認ボタンだけを渡してもあまり助けになりません。計算の根拠を再計算に時間を費やさずに理解できる能力が必要です。

要するに、金利が変わった場合、システムは旧金利・新金利・元文書・入力項目を提示できる必要があります。そうすれば人間が実際にレビューできます。

システムが特定のワークフローで実績を示すにつれて、さらに自動化を進めることができますが、新しいモデルがリリースされたからといって安易に自動化すべきではありません。

プライベートクレジットローンは非常にカスタマイズされることがあります。そのような取引を、何かが起きるたびにAIモデルに再解釈させることなく自動化するにはどうすればよいでしょうか？

AIは文書を読み、取引の仕組みを把握する際に有用です。200ページに及ぶ契約書とその修正は、まさにAIが支援できる対象です。構造を理解した後、AIは取引をローンモデルにマッピングし、正しく表現できるようにします。その後の計算は決定的です。

ローンにウォーターフォールやPIK要素、複数のトランシェ、価格の段階的引き下げがある場合、そのルールはシステムに組み込まれています。支払いが入るたびに言語モデルに文書を再読させるわけではありません。マネージャーはすべての計算を再現し説明できなければならず、取引が起きるたびにモデルが再解釈するとそれは不可能です。

プライベートクレジットでは投資リスクが自然と最も注目されますが、マネージャーが過小評価しがちなオペレーショナルリスクはどのようなものだと思いますか？

マネージャーは小さなことを過小評価しがちです。ある修正が一部の場所にしか反映されない、予想より遅れて照合が行われる、従業員が古いバージョンの条件で作業している、などです。

通常、単一の大規模な失敗ではなく、小さな問題がしばらく背景で誤ったままで、やがて他の事柄に影響を及ぼし始めます。

例えば、誤った条件で計算すると、その結果が支払いに反映され、レポートにも現れます。誰かが気付く頃には、数か月分の作業を再検証しなければなりません。

AIはその期間を短縮することで支援できます。四半期末ではなく毎日照合できれば、問題をはるかに早く発見できます。すべての修正が即座にシステムに取り込まれれば、異なるバージョンで作業するリスクが減ります。

AIが投資判断を下すという考えほどワクワクするものではありませんが、運用面では大きな違いをもたらします。

何年ものローンがレガシーシステム、スプレッドシート、PDF、メールに散在している企業にとって、新しい運用環境への移行で実際に難しい点は何ですか？

正しいデータが何かを見極めることです。

企業は信用契約の条項、別システムの残高、フォルダーに保存された修正、メールの支払履歴、さらには単一のチームメンバーの記憶にしか残っていない重要なコンテキストまで、さまざまな場所に情報を持っている可能性があります！

まず、現在のローンを再構築しなければなりません。その上で、既存システムが示す内容と比較します。数値が合わないことがあり、その原因を突き止める必要があります。移行時にマッピングが誤っていたのかもしれませんし、何年も前に手動で調整されたのかもしれません。あるいは、旧システム自体が間違っていたのかもしれません。いずれにせよ、差異を無視することはできません。

旧環境と新環境をしばらく並行運用し、出力を比較して差異を調査し、移行完了前にすべてを整えることを推奨します。

最速の移行方法ではありませんが、稼働中のローンブックにおいては速度が最重要課題であるべきではありません。

AIにより企業がはるかに大規模なポートフォリオを小規模な運用チームで運用できるようになると、従来のローン管理者の役割はどのように変わると考えますか？

管理業務はかつては手作業を意味していましたが、AIがほとんどを担えるようになれば、ローン管理者の新たな役割は数値の正確性を確保し、問題が生じた際に迅速に修正することになります。

マネージャーは、人数や正確かつ透明に業務を遂行できるかに応じて、実際に自ら作業を担うことも増えるでしょう。多くの企業は依然としてアウトソーシングを好むでしょう。小規模な運用チームが機能するのは、過去のメンバーの知識がどこかに確実に蓄積されている場合に限られます。その知識を残さずに人員を削減しても、必ずしも何も改善したとは言えません。

素晴らしいインタビューをありがとうございました。詳しく知りたい読者は Hypercore をご覧ください。