Daniel Liechtenstein, Hypercore CEO 겸 공동 설립자 – 인터뷰 시리즈

Daniel Liechtenstein은 Hypercore의 CEO 겸 공동 설립자로, 대출 기술, 소프트웨어 개발, 비즈니스 컨설팅, 대규모 재무 계획에 걸친 배경을 가진 핀테크 기업가이자 재무 전략가이다. 그는 2020년에 Hypercore를 공동 설립했으며, 이전에는 Articode에서 비즈니스 개발 파트너로 근무하면서 핀테크 소프트웨어 프로젝트와 금융 서비스 고객을 담당했으며, 스타트업 및 성장 기업에 재무 및 비즈니스 컨설턴트로 독립적으로 활동했다. 경력 초기에 Liechtenstein은 이스라엘 방위군 및 이스라엘 국방부에서 고위 재무 계획 및 전략 역할을 수행했으며, 주요 ICT 예산 관리, 기술 투자 평가, 글로벌 기술 공급업체와의 대규모 계약 협상, 클라우드 인프라 및 전략적 조달 이니셔티브에 기여했다.

Hypercore는 사모 신용 펀드와 비은행 대출자를 위해 구축된 기술 플랫폼으로, 대출 뒤의 운영 인프라를 현대화하도록 설계되었습니다. 이 엔드‑투‑엔드 플랫폼은 대출 데이터를 중앙 집중화하고, 대출 발행 및 파이프라인 관리부터 서비스, 자금 출처 관리, 보고 및 만기까지 전체 수명 주기를 지원하며, 전통적으로 스프레드시트와 분리된 시스템으로 처리되던 많은 계산 및 워크플로를 자동화합니다. 최근에는 Hypercore가 AI 기반 대출 관리에 초점을 확대하여, 구조화된 대출 데이터와 전문가 감독과 함께 AI 에이전트를 활용해 시설 온보딩, 계산, 지급, 조정, 통지 및 보고와 같은 반복적인 서비스 활동을 자동화하고 있습니다. 이 플랫폼은 대출자에게 실시간 포트폴리오 가시성, 감사 가능한 워크플로, 그리고 관리 팀을 비례적으로 확대하지 않고도 운영을 확장할 수 있는 인프라를 제공하도록 설계되었습니다.

Hypercore를 시작했을 때, 사모 신용 회사들이 대출을 체결 후 관리하는 방식에서 무엇이 부족하다고 생각했나요? 그리고 AI가 발전하면서 그 생각은 어떻게 변했나요?

우리는 사모 신용 전용 대출 관리 시스템이 거의 없었기 때문에 Hypercore를 시작했습니다.

많은 시스템이 표준 대출 상품을 비교적 잘 처리하지만, 사모 신용은 표준이 아닙니다. 이는 다양한 구조, 다른 지급 메커니즘, 계약 조항, 수정, 워터폴, 대출자 그룹 등을 포함합니다. 두 거래가 동일한 경우는 없으며, 기업들은 스프레드시트와 수동 프로세스에 지나치게 의존하고 있습니다.

우리의 아이디어는 대출을 정확히 표현하고 전체 수명 주기 동안 관리할 수 있는 인프라를 구축하는 것이었습니다.

이 아이디어는 우리가 그 기반 인프라를 확보하면 AI가 이를 활용해 유용한 작업을 수행할 수 있다는 것을 깨달았을 때 발전했습니다. 대출이 시스템에 올바르게 표현되고 현재 상태를 알면, AI는 사건을 이해하고 대출 조건을 적용하며 워크플로를 시작하고 시스템을 업데이트하고 결과물을 준비하며 인간의 판단이나 승인이 필요할 때 사람을 투입할 수 있습니다.

이 깨달음이 소프트웨어와 함께 대출 관리 서비스를 제공하기 시작하게 만든 원동력입니다. 우리는 이미 구축한 인프라와 AI 에이전트, 운영 팀을 결합해 업무를 수행하고 있습니다.

인프라가 먼저 구축되어야 하지만, 이를 확보하면 AI를 활용해 클로징 후 운영 방식을 변화시킬 수 있습니다.

사모 신용 분야에서 AI에 대한 논의 대부분은 인수심사와 실사에 초점을 맞추고 있습니다. 왜 대출이 체결된 후에 더 큰 기회가 있을 수 있다고 생각하시나요?

인수심사는 읽고 분석해야 할 내용이 많고 AI가 매우 뛰어나기 때문에 당연히 시작점입니다. 그러나 이 과정은 몇 주에 불과합니다. 클로징 이후에는 수년간 대출에 대한 책임을 지게 되며, 지급, 금리 변동, 수정, 계약 조건 테스트, 인출, 통지, 조정, 보고 등 다양한 업무를 처리해야 합니다. 게다가 포트폴리오가 성장할 때마다 이러한 작업도 함께 증가합니다.

AI가 인수심사 중에 투자 전문가의 시간을 1시간 절감한다면 유용하지만, 매일 포트폴리오 운영에 필요한 수작업을 크게 줄여준다면 그 효과는 엄청납니다.

대출을 5년 또는 7년 동안 서비스하는 것이 초기 인수심사 시 분석하는 것보다 자동화하기 어려운 이유는 무엇인가요?

AI 시스템에게 신용 계약을 요약해 달라고 요청하면 비교적 기본적인 작업입니다. 누군가가 AI의 답변을 확인하고 넘어갑니다.

하지만 서비스는 그렇게 작동하지 않습니다. 이번 달 계산은 작년의 수정, 3개월 전의 금리 재설정, 그리고 지난 주의 지급 등에 영향을 받을 수 있습니다. 대출의 상태는 물론 대출 자체가 지속적으로 변합니다. 원본 계약은 시작점에 불과합니다. 또한 수정, 면제, 선택권 및 원본 문서 외에 합의된 모든 사항을 지속적으로 관리해야 합니다.

이것은 결코 쉽지 않습니다! 단순히 문서를 읽는 문제가 아니라, 수년간 살아있는 금융 상품을 유지하고 모든 새로운 사건이 정확히 적용되도록 해야 합니다. 초기 단계에서 실수가 발생하면 몇 달 또는 몇 년 동안 미래 계산에 영향을 미쳐도 아무도 눈치채지 못할 수 있습니다.

많은 관리자들이 여전히 자체 “shadow book”(그림자 장부)을 보관해 관리자의 작업을 확인합니다. 왜 이렇게 흔해졌을까요? 기업이 이를 포기하도록 편안함을 느끼려면 무엇이 바뀌어야 할까요?

관리자가 어떻게 계산했는지에 대한 정보를 전혀 제공하지 않고 계산 결과만 보내면, 여러분도 직접 다시 계산해볼 가능성이 높습니다! 이것이 바로 섀도우 북의 본질입니다. 중복 작업을 만들지만, 관리자는 숫자가 정확하다는 것을 확인해야 하기 때문에 존재합니다.

섀도우 북을 없애려면, 관리자는 사용된 입력값, 적용된 조건, 그리고 변경된 사항이 있는지 여부 등 작업에 대한 훨씬 더 많은 가시성이 필요합니다.

관리자와 관리자가 동일한 기본 대출 기록을 기반으로 작업한다면 섀도우 북은 필요하지 않습니다. 하지만 새로운 공급자가 가능하다고 말한다고 해서 곧바로 포기할 사람은 없을 것입니다. 신뢰는 일정 기간 동안 정확한 결과를 제공함으로써 쌓여야 합니다.

신용 계약을 읽을 수 있는 AI와 실제 서비스 작업을 수행할 수 있는 AI 사이에는 큰 차이가 있습니다. 해당 워크플로를 실행하도록 신뢰하려면 시스템에 무엇이 필요할까요?

다음과 같은 여러 요소가 필요합니다:

• 신뢰할 수 있는 대출 기록
• 이전 활동에 대한 지식
• 작업이 수행되는 시스템에 대한 접근 권한
• 작업이 완료된 시점과 문제가 발생했을 때 대처 방법에 대한 인식

예를 들어 결제를 생각해 보세요. AI가 결제를 계산하는 것은 당연하지만, 여기서 끝나지는 않습니다.

결제는 처리되어야 하고, 통지서가 배포될 필요가 있으며, 시스템이 업데이트되어야 하고, 사람이 검토해야 할 수도 있으며, 이후 현금이 조정되어야 합니다.

실수에 대한 허용 범위는 매우 낮습니다. 그래서 우리 팀은 제공하는 관리 서비스에 대해 책임을 집니다. AI가 일부 작업을 수행하지만, 소프트웨어 자체가 결과에 책임이 있다고 가장하지는 않습니다.

AI가 결제, 할당, 투자자 보고와 같은 업무에 관여하기 시작하면, 어느 부분을 스스로 처리하도록 하고 어느 부분에 사람의 개입이 필요한지 어떻게 결정하시나요?

솔직히 말하면, 시스템에 오류가 발생했을 때 어떻게 되는가에 따라 달라집니다. 정보 추출, 기록 조정, 이상 탐지 등 AI가 자동으로 수행할 수 있는 상황이 많이 있습니다. 하지만 현금을 이동하거나 외부로 무언가를 전송할 경우에는 사람이 개입해야 합니다.

그렇긴 하지만, 인간 승인 단계가 있는지 여부에만 지나치게 초점을 맞추고, 그 사람이 실제로 무엇을 볼 수 있는지는 충분히 고려되지 않는다고 생각합니다. 숫자와 승인 버튼만 제공한다면 큰 도움이 되지 않습니다. 그들은 계산이 어디서 유래했는지 한 시간을 허비하지 않고도 이해할 수 있는 능력이 필요합니다.

요약하면, 금리가 변경될 경우 시스템은 이전 금리, 새로운 금리, 원본 문서 및 입력값을 제공할 수 있어야 합니다. 그러면 사람이 실제로 검토할 수 있습니다.

시스템이 특정 워크플로에서 입증되면 더 많은 자동화를 적용할 수 있지만, 새로운 모델이 출시됐다고 해서 무조건 자동화하면 안 됩니다.

프라이빗 크레딧 대출은 매우 맞춤형일 수 있습니다. 매번 상황이 발생할 때마다 AI 모델이 계약을 다시 해석하도록 요구하지 않고 이를 자동화하려면 어떻게 해야 할까요?

AI는 문서를 읽고 계약 구조를 파악할 때 유용합니다. 200페이지에 달하는 계약서와 부속 문서는 AI가 도와줄 수 있는 전형적인 사례입니다. 구조를 이해하면 AI가 계약을 대출 모델에 매핑하여 올바르게 표현하도록 도와줍니다. 이후 계산은 결정적입니다.

대출에 워터폴, PIK 요소, 여러 트랜치 또는 가격 단계 하락이 포함되어 있다면, 해당 규칙은 시스템에 이미 정의되어 있습니다. 우리는 결제가 들어올 때마다 언어 모델에게 문서를 다시 읽게 하지 않습니다! 관리자는 모든 계산을 재현하고 설명할 수 있어야 하는데, 모델이 매번 계약을 재해석한다면 이는 불가능합니다.

프라이빗 크레딧에서는 투자 위험이 자연스럽게 가장 큰 관심을 받습니다. 관리자가 과소평가하는 운영 위험은 어떤 종류라고 생각하시나요?

관리자는 사소한 부분을 과소평가합니다. 예를 들어, 수정 사항이 한 곳에만 반영되고 다른 곳에는 반영되지 않거나, 예상보다 늦게 조정이 이루어지거나, 직원이 오래된 버전의 조건을 몰래 사용하는 경우 등이 있습니다.

보통 하나의 거대한 실패가 아니라, 작은 문제가 배경에서 오랫동안 잘못된 상태로 남아 있다가 나중에 다른 요소에 영향을 미치기 시작합니다.

예를 들어, 잘못된 조건으로 계산을 하면 그 결과가 결제로 이어지고, 보고서에도 반영됩니다. 누군가가 이를 발견할 때쯤이면 몇 달 치 작업을 다시 검토해야 할 상황이 됩니다.

AI는 이러한 기간을 단축함으로써 도움을 줄 수 있습니다. 분기 말이 아니라 매일 조정을 수행하면 문제를 훨씬 빠르게 발견할 수 있습니다. 모든 수정 사항이 즉시 시스템에 반영되면 서로 다른 버전의 대출을 사용하는 위험을 줄일 수 있습니다.

AI가 투자 결정을 내리는 아이디어만큼 흥미롭지는 않지만, 운영 측면에서는 큰 차이를 만든다.

수년간 대출이 레거시 시스템, 스프레드시트, PDF 및 이메일에 흩어져 있는 기업에게 새로운 운영 환경으로 전환하는 데 실제로 어려운 점은 무엇인가요?

올바른 데이터가 무엇인지 파악하는 것이다.

기업은 신용 계약의 조항, 다른 시스템의 잔액, 폴더에 보관된 수정 사항, 이메일에 있는 결제 이력, 그리고 심지어 단일 팀원의 기억에만 존재하는 중요한 맥락까지 다양한 곳에 보관하고 있을 수 있습니다!

따라서 먼저 현재 상황에 맞는 대출을 재구성해야 합니다. 그 다음 기존 시스템이 말하는 내용과 비교해야 합니다. 때때로 숫자가 일치하지 않아 원인을 찾아야 합니다. 마이그레이션 중에 매핑이 잘못되었을 수도 있고, 몇 년 전 수동 조정이 있었을 수도 있습니다. 혹은 오래된 시스템 자체가 잘못됐을 수도 있습니다. 어떤 경우든 차이를 무시할 수 없습니다.

우리는 일정 기간 동안 기존 환경과 새로운 환경을 병행 운영하면서 결과를 비교하고 차이를 조사하여, 마이그레이션을 완료하기 전에 모든 것을 정비할 것을 권장합니다.

가장 빠른 마이그레이션 방법은 아니지만, 실시간 대출 포트폴리오에서는 속도가 주요 목표가 되어서는 안 됩니다.

AI가 기업이 더 작은 운영 팀으로 훨씬 큰 포트폴리오를 운영하도록 허용한다면, 전통적인 대출 관리자의 역할은 어떻게 변할 것이라고 보십니까?

관리 업무는 과거에 수작업을 의미했지만, AI가 대부분을 수행한다면 대출 관리자의 새로운 역할은 숫자가 정확한지 확인하고 발생하는 문제를 신속히 수정하는 것이 됩니다.

관리자는 실제로 더 많은 업무를 직접 수행할 수 있으며, 이는 팀 인원 수와 업무를 정확하고 투명하게 수행할 수 있는지에 달려 있습니다. 많은 기업이 여전히 외주를 선호할 것입니다. 작은 운영 팀은 이전 팀원의 지식이 어딘가에 체계적으로 기록되어 있을 때만 효과적입니다. 그 과정을 거치지 않고 사람만 빼버린다면 반드시 개선된 것은 아닙니다.

멋진 인터뷰에 감사드립니다. 더 알고 싶은 독자분들은 Hypercore를 방문하세요.