Daniel Liechtenstein, CEO en mede-oprichter van Hypercore – Interviewreeks

Daniel Liechtenstein, CEO en mede-oprichter van Hypercore, is een fintech‑ondernemer en financieel strateeg met een achtergrond die zich uitstrekt over krediettechnologie, softwareontwikkeling, bedrijfsadvies en grootschalige financiële planning. Hij richtte Hypercore op in 2020 nadat hij eerder als Business Development Partner bij Articode had gewerkt, waar hij zich richtte op fintech‑softwareprojecten en cliënten in de financiële dienstverlening, en onafhankelijk als financieel‑ en bedrijfsconsultant voor startups en groeiende bedrijven. Vroeger in zijn loopbaan bekleedde Liechtenstein senior functies op het gebied van financiële planning en strategie binnen de Israëlische Defensiemacht en het Israëlische Ministerie van Defensie, waar zijn verantwoordelijkheden onder meer het beheren van grote ICT‑budgetten, het evalueren van technologische investeringen, het onderhandelen over grootschalige overeenkomsten met wereldwijde technologie‑leveranciers, en het bijdragen aan cloud‑infrastructuur en strategische inkoopinitiatieven omvatten.

Hypercore is een technologisch platform gebouwd voor private‑credit‑fondsen en niet‑bankleners, ontworpen om de operationele infrastructuur achter kredietverlening te moderniseren. Het end‑to‑end platform centraliseert leninggegevens en ondersteunt de volledige levenscyclus, van oorsprong en pipeline‑beheer tot dienstverlening, beheer van financieringsbronnen, rapportage en aflossing, terwijl het vele berekeningen en workflows automatiseert die traditioneel via spreadsheets en losstaande systemen werden afgehandeld. Recentelijk heeft Hypercore haar focus uitgebreid naar AI‑native leningadministratie, waarbij AI‑agents worden ingezet naast gestructureerde leninggegevens en professioneel toezicht om terugkerende service‑activiteiten te automatiseren, zoals onboarding van faciliteiten, berekeningen, betalingen, reconciliatie, kennisgevingen en rapportage. Het platform is ontworpen om kredietverstrekkers realtime portfolio‑zichtbaarheid, controleerbare workflows en de infrastructuur te bieden die nodig is om operaties op te schalen zonder evenredig de administratieve teams uit te breiden.

Toen je Hypercore startte, wat dacht je dat ontbrak in de manier waarop private‑credit‑bedrijven leningen beheerden na afsluiting? En hoe is dat idee veranderd naarmate AI zich heeft ontwikkeld?

We zijn Hypercore gestart omdat er eigenlijk geen leningbeheersysteem bestond dat speciaal voor private credit was gebouwd.

Veel systemen behandelen standaard kredietproducten redelijk goed, maar private credit is niet standaard. Het omvat verschillende structuren, verschillende betalingsmechanismen, convenanten, amendementen, waterfall‑structuren, kredietgroepen en meer. Geen twee deals zijn hetzelfde, en bedrijven vertrouwen veel te veel op spreadsheets en handmatige processen.

Ons idee was om een infrastructuur te bouwen die de lening correct kan weergeven en gedurende de volledige levenscyclus kan beheren.

Dit idee evolueerde toen we beseften dat, zodra we die onderliggende infrastructuur hadden, AI er iets nuttigs mee kon doen. Als de lening correct in het systeem wordt weergegeven en je de huidige status kent, kan AI een gebeurtenis begrijpen, de leningvoorwaarden toepassen, de workflow starten, systemen bijwerken, de output voorbereiden en een persoon inschakelen wanneer menselijk oordeel of goedkeuring nodig is.

Dit inzicht is wat ons ertoe bracht om naast de software ook leningadministratiediensten aan te bieden. We gebruiken de infrastructuur die we al hebben gebouwd, samen met AI‑agents en ons operationele team, om het werk uit te voeren.

De infrastructuur moet eerst komen, maar zodra je die hebt, kun je AI inzetten om de manier waarop post‑close‑operaties worden uitgevoerd te veranderen.

Het grootste deel van de discussie over AI in private credit gaat over underwriting en due diligence. Waarom denk je dat de grotere kans juist kan liggen na de afsluiting van de lening?

Underwriting is de voor de hand liggende plek om te beginnen omdat er veel te lezen en te analyseren valt, en AI is hier erg goed in.  Die fase duurt echter slechts enkele weken. Na de afsluiting ben je jarenlang verantwoordelijk voor de lening en moet je omgaan met betalingen, rentewijzigingen, amendementen, covenant‑tests, opnames, kennisgevingen, reconciliaties, rapportages en meer. Bovendien groeit al het werk mee telkens het portfolio toeneemt.

Als AI een investeringsprofessional een uur bespaart tijdens underwriting, is dat nuttig. Maar als het de hoeveelheid handmatig werk die dagelijks nodig is om een portfolio te beheren, vermindert, is dat enorm.

Wat maakt het moeilijker om een lening over vijf of zeven jaar te servicen dan om deze te analyseren wanneer de deal voor het eerst wordt ge‑underwrited?

Als je een AI‑systeem vraagt een kredietovereenkomst samen te vatten, is dat een vrij eenvoudige taak. Iemand controleert het antwoord van de AI en gaat verder.

Maar servicing werkt niet op die manier. De berekening van deze maand kan worden beïnvloed door een amendement van vorig jaar, een rentewijziging van drie maanden geleden en een betaling van vorige week. De status van de lening, en in feite de lening zelf, verandert voortdurend. De oorspronkelijke overeenkomst is slechts het uitgangspunt. Je moet ook de amendementen, vrijstellingen, keuzes en alles wat buiten het originele document is overeengekomen, bijhouden.

Dit is niet gemakkelijk!  Het gaat niet alleen om het lezen van documenten; je moet een levend financieel instrument gedurende meerdere jaren onderhouden en ervoor zorgen dat elk nieuw evenement correct wordt toegepast. Als je vroeg een fout maakt, kan die maanden of zelfs jaren doorwerken in toekomstige berekeningen voordat iemand het opmerkt.

Veel managers houden nog steeds hun eigen “schaduwboek” bij om het werk van hun beheerder te controleren. Waarom is dat zo gebruikelijk geworden? En wat zou er moeten veranderen zodat bedrijven zich comfortabel voelen om het op te geven?

Als een beheerder je een berekening stuurt zonder enige informatie over hoe die tot stand is gekomen, zou je die waarschijnlijk zelf ook berekenen! Dat is in wezen wat het schaduwboek is. Het creëert dubbel werk, maar het bestaat om een reden; de manager moet weten dat de cijfers kloppen.

Om schaduwboeken te elimineren, hebben managers veel meer inzicht nodig in het werk, inclusief welke invoer is gebruikt, welke voorwaarden zijn toegepast en wat, indien van toepassing, is veranderd.

Als de manager en de beheerder werken met hetzelfde onderliggende leningsrecord, is er geen behoefte aan schaduwboeken. Echter, ik denk niet dat iemand ze zal opgeven alleen omdat een nieuwe provider beweert dat ze dat kunnen. Dat vertrouwen moet worden verdiend met nauwkeurige resultaten over een bepaalde periode.

Er is een groot verschil tussen AI die een kredietovereenkomst kan lezen en AI die daadwerkelijk servicediensten kan uitvoeren. Wat moet een systeem hebben voordat je het vertrouwt om die werkstromen uit te voeren?

Het vereist meerdere zaken, waaronder:

• Een betrouwbaar leningsrecord
• Kennis van eerdere activiteiten
• Toegang tot de systemen waar het werk wordt uitgevoerd
• Bewustzijn van wanneer een taak is voltooid en wat te doen als iets er niet goed uitziet

Neem bijvoorbeeld een betaling. Uiteraard moet de AI de betaling berekenen, maar daar houdt het niet op.

De betaling moet ook worden verwerkt, er moeten kennisgevingen worden verzonden, systemen moeten worden bijgewerkt, een mens moet het mogelijk beoordelen, en het geld moet daarna worden verrekend.

En de tolerantie voor fouten is zeer laag. Daarom is ons team verantwoordelijk voor de administratieve dienst die wij aanbieden. De AI voert een deel van het werk op de achtergrond uit, maar we doen niet alsof de software zelf op de een of andere manier verantwoordelijk is voor het resultaat.

Zodra AI begint te werken aan zaken als betalingen, toewijzingen en rapportage aan investeerders, hoe bepaal je wat het zelfstandig kan afhandelen en waar een mens nog moet ingrijpen?

Eerlijk gezegd hangt het af van wat er gebeurt als het systeem fout zit. Er zijn talloze situaties waarin AI het werk automatisch kan doen, zoals het ophalen van informatie, het afstemmen van gegevens, het identificeren van afwijkingen – dat soort dingen. Maar als je geld verplaatst of iets extern verstuurt, moet er een persoon ingrijpen.

Dat gezegd hebbende, denk ik ook dat er te veel nadruk ligt op of er een menselijke goedkeuringsstap is en te weinig op wat die persoon daadwerkelijk kan zien. Als ik iemand een cijfer en een goedkeuringsknop geef, is dat niet veel hulp. Ze moeten in staat zijn te begrijpen waar het cijfer vandaan komt zonder een uur te verspillen aan het opnieuw doen van de berekening.

Kortom, als een tarief verandert, moet het systeem de mogelijkheid hebben om het oude tarief, het nieuwe tarief, het brondocument en de invoer te tonen. Dan kan een mens het daadwerkelijk beoordelen.

Naarmate het systeem zich bewijst in een werkstroom, kun je meer daarvan automatiseren, maar doe dat niet alleen omdat er een nieuw model is uitgebracht.

Private credit-leningen kunnen ongelooflijk op maat gemaakt zijn. Hoe automatiseer je dat zonder een AI-model elke keer te laten herinterpreteren wat er gebeurt?

AI is nuttig wanneer je de documenten leest en probeert te begrijpen hoe de deal werkt. Een overeenkomst van 200 pagina’s plus amendementen is precies het soort materiaal waar AI bij kan helpen. Zodra je de structuur begrijpt, kan AI helpen de deal in het leningsmodel te mappen zodat deze correct wordt weergegeven. Daarna zijn de berekeningen deterministisch.

Als de lening een waterfall, een PIK-component, meerdere tranches of een prijsafname heeft, staan die regels in het systeem. We vragen een taalmodel niet om de documenten elke keer opnieuw te lezen wanneer er een betaling binnenkomt! Managers moeten elke berekening kunnen reproduceren en uitleggen; dat is onmogelijk als het model de deal telkens opnieuw interpreteert.

Investeringsrisico krijgt van nature de meeste aandacht in private credit. Welke soorten operationeel risico denk je dat managers vaak onderschatten?

Managers onderschatten de kleine dingen: een amendement dat op één plek wordt doorgevoerd maar niet op een andere; een afstemming die later plaatsvindt dan verwacht; een medewerker die onbewust werkt met een oude versie van de voorwaarden.

Het is over het algemeen niet één enorme fout, maar een klein probleem dat een tijdlang onopgemerkt blijft en pas later andere zaken beïnvloedt.

Bijvoorbeeld, als je iets berekent op basis van een verkeerde voorwaarde, voedt dat een betaling en verschijnt het later in de rapportage. Tegen de tijd dat iemand het opmerkt, moet je maanden werk herzien.

AI kan helpen door dat venster te verkleinen. Als je elke dag kunt afstemmen in plaats van aan het einde van het kwartaal, kun je problemen veel sneller vinden. Als elk amendement onmiddellijk wordt opgepikt en in het systeem wordt verwerkt, verklein je de kans dat mensen met verschillende versies van de lening werken.

Het is niet zo opwindend als het idee van AI die beleggingsbeslissingen neemt, maar operationeel maakt het een groot verschil.

Voor een bedrijf dat al jaren leningen heeft verspreid over legacy‑systemen, spreadsheets, PDF‑bestanden en e‑mail, wat is nu eigenlijk moeilijk aan de overstap naar een nieuwe operationele omgeving?

Uitzoeken welke gegevens correct zijn.

Een bedrijf kan voorwaarden in een kredietovereenkomst hebben, saldi in een ander systeem, amendementen in een map, betalingsgeschiedenis in een e‑mail, en zelfs belangrijke context die alleen in het geheugen van één teamlid bestaat!

Dus eerst moet je de lening reconstrueren zoals die vandaag bestaat. Vervolgens moet je die vergelijken met wat het bestaande systeem aangeeft. Soms komen de cijfers niet overeen en moet je achterhalen waarom. Misschien is er tijdens de migratie iets verkeerd gemapt? Misschien was er jaren geleden een handmatige aanpassing? Of was het oude systeem gewoon fout? Hoe het ook zij, je kunt het verschil niet zomaar negeren.

We raden aan om de oude en de nieuwe omgeving een tijd parallel te laten draaien, de uitkomsten te vergelijken, de verschillen te onderzoeken en alles op orde te krijgen voordat de migratie wordt afgerond.

Het is niet de snelste manier om te migreren, maar bij een live leningenportefeuille mag snelheid niet de belangrijkste doelstelling zijn.

Als AI bedrijven in staat stelt veel grotere portefeuilles te beheren met kleinere operationele teams, hoe verandert dat dan de rol van de traditionele leningadministrateur?

Administratie betekende vroeger handmatig werk, maar als AI het grootste deel kan overnemen, bestaat de nieuwe rol van de leningadministrateur uit ervoor zorgen dat de cijfers kloppen en eventuele problemen snel te corrigeren.

Managers kunnen zelf meer van het werk op zich nemen, afhankelijk van hoeveel mensen ze hebben en of ze het werk nauwkeurig en transparant kunnen leveren. Veel bedrijven zullen echter nog steeds uitbesteden. Kleine operationele teams werken alleen als de kennis van eerdere teamleden daadwerkelijk ergens wordt vastgelegd. Als je mensen uit het proces haalt zonder dat te doen, heb je niet per se iets verbeterd.

Dank u voor het geweldige interview, lezers die meer willen weten, kunnen Hypercore bezoeken.