Daniel Liechtenstein, administrerende direktør og medgründer av Hypercore – Intervjuserie

Daniel Liechtenstein, administrerende direktør og medgründer av Hypercore, er en fintech‑entreprenør og finansstrateg med bakgrunn innen utlånsteknologi, programvareutvikling, forretningskonsultasjon og storskala finansiell planlegging. Han var med på å grunnlegge Hypercore i 2020 etter tidligere å ha vært forretningsutviklingspartner i Articode, hvor han fokuserte på fintech‑programvareprosjekter og kunder innen finansielle tjenester, samt arbeidet selvstendig som finansiell og forretningskonsulent for oppstartsbedrifter og voksende selskaper. Tidligere i karrieren hadde Liechtenstein seniorroller innen finansiell planlegging og strategi i Israels forsvarsstyrker og det israelske forsvarsdepartementet, hvor hans ansvarsområder inkluderte styring av store IKT‑budsjetter, evaluering av teknologiinvesteringer, forhandling av storskala avtaler med globale teknologileverandører, og bidrag til sky‑infrastruktur og strategiske anskaffelsesinitiativer.

Hypercore er en teknologiplattform bygget for private kredittfond og ikke‑banklånere, designet for å modernisere den operative infrastrukturen bak utlån. Plattformen sentraliserer lånedata end‑to‑end og støtter hele livssyklusen fra opprinnelse og pipeline‑styring gjennom betjening, finansieringskilde‑styring, rapportering og forfall, samtidig som den automatiserer mange av beregningene og arbeidsflytene som tradisjonelt håndteres via regneark og frakoblede systemer. Nylig har Hypercore utvidet sitt fokus til AI‑native låneadministrasjon, ved å bruke AI‑agenter sammen med strukturerte lånedata og profesjonell tilsyn for å automatisere tilbakevendende betjeningsaktiviteter som onboarding av fasiliteter, beregninger, betalinger, avstemming, varsler og rapportering. Plattformen er laget for å gi långivere sanntidsinnsyn i porteføljen, reviderbare arbeidsflyter og infrastrukturen som trengs for å skalere driften uten at administrasjons‑teamene må vokse proporsjonalt.

Da du startet Hypercore, hva mente du manglet i måten private kredittfirmaer håndterte lån etter avslutning? Og hvordan har den ideen endret seg etter hvert som AI har utviklet seg?

Vi startet Hypercore fordi det egentlig ikke fantes et låneadministrasjonssystem bygget for private kreditter.

Mange systemer håndterer standard utlånsprodukter rimelig bra, men private kreditt er ikke standard. Det innebærer ulike strukturer, ulike betalingsmekanismer, klausuler, endringer, fordelingsmodeller, långivergrupper og mer. Ingen to avtaler er like, og firmaer er altfor avhengige av regneark og manuelle prosesser.

Vår idé var å bygge en infrastruktur som kan representere lånet korrekt og håndtere det gjennom hele livssyklusen.

Denne idéen utviklet seg da vi innså at, når vi hadde den underliggende infrastrukturen, kunne AI gjøre noe nyttig med den. Hvis lånet er korrekt representert i systemet og du kjenner dets nåværende tilstand, kan AI forstå en hendelse, anvende lånebetingelsene, starte arbeidsflyten, oppdatere systemer, forberede resultatet, og hente inn en person når menneskelig vurdering eller godkjenning er nødvendig.

Denne erkjennelsen er det som førte til at vi begynte å tilby låneadministrasjonstjenester sammen med programvaren. Vi bruker infrastrukturen vi allerede har bygget, sammen med AI‑agenter og vårt driftsteam, til å utføre arbeidet.

Infrastrukturen må komme først, men når du har den, kan du bruke AI til å endre hvordan operasjoner etter avslutning fullføres.

Mesteparten av samtalen om AI i private kreditt har handlet om underwriting og due diligence. Hvorfor tror du at den største muligheten faktisk kan komme etter at lånet er avsluttet?

Underwriting er det åpenbare stedet å starte fordi det er mye å lese og analysere, og AI er svært god på det.  Imidlertid tar den prosessen bare noen få uker. Etter avslutning er du ansvarlig for lånet i flere år, og må håndtere betalinger, rentesvingninger, endringer, test av klausuler, uttak, varsler, avstemminger, rapportering og mer. I tillegg vokser alt dette arbeidet i takt med at porteføljen vokser.

Hvis AI sparer en investeringsprofesjonell en time under underwriting, er det nyttig. Men hvis det reduserer mengden manuelt arbeid som kreves for å drifte en portefølje hver dag, er det enormt.

Hva gjør det vanskeligere å automatisere betjening av et lån over fem eller syv år enn å analysere det når avtalen først blir underwritet?

Hvis du ber et AI‑system om å oppsummere en kredittavtale, er det en ganske enkel oppgave. Noen sjekker AI‑svaret og går videre.

Men betjening fungerer ikke slik. Denne månedens beregning kan påvirkes av en endring fra i fjor, en rentesjustering fra tre måneder siden, og en betaling fra forrige uke. Tilstanden til lånet, og faktisk lånet selv, endres kontinuerlig. Den opprinnelige avtalen er bare utgangspunktet. Du må også holde oversikt over endringer, dispensasjoner, valg og alt annet som ble avtalt utenfor det opprinnelige dokumentet.

Dette er ikke lett!  Det er ikke bare et spørsmål om å lese dokumenter; du må vedlikeholde et levende finansielt instrument over flere år og sikre at hver ny hendelse blir korrekt anvendt. Hvis du gjør en feil tidlig, kan den påvirke fremtidige beregninger i måneder eller til og med år før noen legger merke til det.

Mange ledere holder fortsatt sin egen «skyggebok» for å sjekke arbeidet til administratoren sin. Hvorfor har dette blitt så vanlig? Og hva må endres for at firmaer skal føle seg trygge nok til å gi den opp?

Hvis en administrator sender deg en beregning uten noen informasjon om hvordan de kom frem til den, vil du sannsynligvis også beregne den selv! Det er i bunn og grunn hva skyggeboken er. Den skaper dobbeltarbeid, men den finnes av en grunn; lederen må vite at tallene er korrekte.

For å eliminere skyggebøker må ledere ha mye større innsyn i arbeidet, inkludert hvilke inngangsdata som ble brukt, hvilke vilkår som ble anvendt, og hva som eventuelt har endret seg.

Hvis lederen og administratoren arbeider fra samme underliggende lånepost, er det ingen grunn til skyggebøker. Likevel tror jeg ikke noen vil gi dem opp bare fordi en ny leverandør forteller dem at de kan. Den tilliten må bygges opp med nøyaktige resultater over tid.

Det er en stor forskjell mellom AI som kan lese en kredittavtale og AI som faktisk kan utføre servicearbeid. Hva trenger et system før du vil stole på at det utfører slike arbeidsflyter?

Det krever flere ting, inkludert:

• En pålitelig lånepost
• Kunnskap om tidligere aktiviteter
• Tilgang til systemene der arbeidet utføres
• Bevissthet om når en oppgave er fullført og hva som skal gjøres hvis noe ser feil ut

Ta en betaling som eksempel. Åpenbart må AI beregne betalingen, men det stopper ikke der.

Betalingen må også behandles, varsler kan måtte distribueres, systemer må oppdateres, en person kan måtte gjennomgå den, og kontantene må avstemmes i etterkant.

Og toleransen for feil er svært lav. Derfor er vårt team ansvarlig for administrasjonstjenesten vi tilbyr. AI gjør noe av arbeidet i bakgrunnen, men vi later ikke som om programvaren selv på en eller annen måte er ansvarlig for resultatet.

Når AI begynner å berøre ting som betalinger, allokeringer og investorrapportering, hvordan bestemmer du hva den kan håndtere på egen hånd og hvor en person fortsatt må gripe inn?

Ærlig talt avhenger det av hva som skjer hvis systemet tar feil. Det finnes mange situasjoner hvor AI kan utføre arbeidet automatisk, som å hente informasjon, avstemme poster, identifisere avvik – den typen oppgaver. Men hvis du flytter penger eller sender noe eksternt, må en person gripe inn.

Når det er sagt, mener jeg også at det er for mye fokus på om det finnes et menneskelig godkjenningssteg, og for lite på hva den personen faktisk kan se. Hvis jeg gir noen et tall og en godkjenn‑knapp, hjelper det ikke særlig. De trenger muligheten til å forstå hvor tallet kommer fra uten å kaste bort en time på å gjenskape beregningen.

Kort sagt, hvis en rente endres, må systemet kunne vise den gamle renten, den nye renten, kilde­dokumentet og inngangsdataene. Så kan et menneske faktisk gjennomgå det.

Etter hvert som systemet beviser seg på en arbeidsflyt, kan du automatisere mer av den, men ikke bare fordi en ny modell er lansert.

Private kredittlån kan være utrolig skreddersydde. Hvordan automatiserer du rundt det uten å be en AI-modell om å tolke avtalen på nytt hver gang noe skjer?

AI er nyttig når du leser dokumentene og finner ut hvordan avtalen fungerer. En 200‑siders avtale pluss endringer er akkurat den typen oppgave AI kan hjelpe med. Når du først forstår strukturen, kan AI hjelpe med å kartlegge avtalen inn i lånemodellen slik at den blir korrekt representert. Etter det er beregningene deterministiske.

Hvis lånet har en waterfall, en PIK‑komponent, flere trancher eller en prisnedtrapping, er de reglene i systemet. Vi ber ikke en språkmodell om å lese dokumentene på nytt hver gang en betaling kommer inn! Ledere må kunne gjenskape og forklare hver beregning; det er umulig hvis modellen tolker avtalen på nytt hver gang noe skjer.

Investeringsrisiko får naturlig nok mest oppmerksomhet i private kreditter. Hvilke typer operasjonell risiko tror du ledere har en tendens til å undervurdere?

Ledere undervurderer de små tingene: en endring som blir reflektert på ett sted, men ikke på et annet; en avstemming som skjer senere enn forventet; en ansatt som uvitende arbeider fra en gammel versjon av vilkårene.

Det er vanligvis ikke en enkelt enorm feil, men et lite problem som forblir feil i bakgrunnen en stund før det begynner å påvirke andre ting.

For eksempel, hvis du beregner noe basert på feil vilkår, så går det inn i en betaling, og dukker opp i rapporteringen. Når noen først legger merke til det, må du gå gjennom måneder med arbeid.

AI kan hjelpe ved å forkorte dette tidsvinduet. Hvis du kan avstemme hver dag i stedet for ved kvartalsavslutning, kan du finne problemer mye raskere. Hvis hver endring blir oppdaget og reflektert i systemet umiddelbart, reduserer du sjansen for at folk arbeider med ulike versjoner av lånet.

Det er ikke like spennende som tanken på at AI tar investeringsbeslutninger, men operasjonelt gjør det en stor forskjell.

For et selskap som har år med lån lagret i eldre systemer, regneark, PDF‑filer og e‑post, hva er egentlig vanskelig med å gå over til et nytt driftsmiljø?

Finne ut hvilke data som er korrekte.

Et selskap kan ha vilkår i en kredittavtale, saldoer i et annet system, endringer i en mappe, betalingshistorikk i en e‑post, og til og med viktig kontekst som kun finnes i hukommelsen til ett teammedlem!

Først må du derfor rekonstruere lånet slik det ser ut i dag. Deretter må du sammenligne det med hva det eksisterende systemet viser. Noen ganger stemmer ikke tallene, og du må finne ut hvorfor. Kanskje ble noe feilkartlagt under migreringen? Kanskje det ble gjort en manuell justering for år siden? Eller kanskje det gamle systemet bare var feil. Uansett kan du ikke bare ignorere avviket.

Vi anbefaler å kjøre de gamle og nye miljøene parallelt en periode, sammenligne resultatene, undersøke avvikene og få alt på plass før migreringen fullføres.

Det er ikke den raskeste måten å migrere på, men i en aktiv låneportefølje bør hastighet ikke være hovedmålet.

Hvis AI gjør det mulig for selskaper å håndtere mye større porteføljer med mindre driftsteam, hvordan tror du det endrer rollen til den tradisjonelle låneadministratoren?

Administrasjon pleide å bety manuelt arbeid, men hvis AI kan gjøre det meste, er den nye rollen til låneadministratoren å sikre at tallene er korrekte og raskt rette opp eventuelle problemer som oppstår.

Ledere kan faktisk ta på seg mer av arbeidet selv, avhengig av hvor mange de har og om de kan levere arbeidet nøyaktig og transparent. Mange selskaper vil fortsatt foretrekke å outsource. Små driftsteam fungerer bare hvis kunnskapen fra tidligere teammedlemmer faktisk blir fanget opp et sted. Hvis du bare fjerner folk fra prosessen uten å gjøre det, har du ikke nødvendigvis forbedret noe.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Hypercore.