Daniel Liechtenstein, CEO i współzałożyciel Hypercore – seria wywiadów

Daniel Liechtenstein, CEO i współzałożyciel Hypercore, jest przedsiębiorcą fintech oraz strategiem finansowym z doświadczeniem obejmującym technologię pożyczkową, rozwój oprogramowania, doradztwo biznesowe i planowanie finansowe na dużą skalę. Współzałożył Hypercore w 2020 roku po wcześniejszej pracy jako Partner ds. Rozwoju Biznesu w Articode, gdzie koncentrował się na projektach oprogramowania fintech oraz klientach z sektora usług finansowych, a także prowadząc działalność jako niezależny konsultant finansowy i biznesowy dla startupów i rozwijających się firm. Na wcześniejszym etapie kariery Liechtenstein pełnił wysokie stanowiska w planowaniu finansowym i strategii w Siłach Zbrojnych Izraela oraz w izraelskim Ministerstwie Obrony, gdzie jego obowiązki obejmowały zarządzanie dużymi budżetami ICT, ocenę inwestycji technologicznych, negocjowanie umów na dużą skalę z globalnymi dostawcami technologii oraz wkład w inicjatywy dotyczące infrastruktury chmurowej i strategicznych zakupów.

Hypercore to platforma technologiczna przeznaczona dla funduszy kredytowych prywatnych i pożyczkodawców pozabankowych, zaprojektowana w celu modernizacji infrastruktury operacyjnej stojącej za udzielaniem pożyczek. Jej kompleksowa platforma centralizuje dane o pożyczkach i obsługuje cały cykl życia – od początkowego pozyskania i zarządzania pipeline’em, przez obsługę, zarządzanie źródłami finansowania, raportowanie i spłatę, jednocześnie automatyzując wiele obliczeń i przepływów pracy tradycyjnie realizowanych w arkuszach kalkulacyjnych i odłączonych systemach. Ostatnio Hypercore rozszerzyło swoją działalność o administrację pożyczek opartą na sztucznej inteligencji, wykorzystując agenty AI wraz ze strukturalnymi danymi pożyczkowymi i nadzorem profesjonalistów do automatyzacji powtarzalnych czynności obsługowych, takich jak wprowadzanie nowych obiektów, obliczenia, płatności, uzgadnianie, powiadomienia i raportowanie. Platforma ma zapewnić pożyczkodawcom widoczność portfela w czasie rzeczywistym, audytowalne przepływy pracy oraz infrastrukturę niezbędną do skalowania operacji bez proporcjonalnego zwiększania zespołów administracyjnych.

Kiedy założyłeś Hypercore, co twoim zdaniem brakowało w sposobie, w jaki firmy prywatnego kredytu zarządzały pożyczkami po ich zamknięciu? I jak ta koncepcja zmieniła się wraz z rozwojem sztucznej inteligencji?

Rozpoczęliśmy Hypercore, ponieważ nie istniał naprawdę system zarządzania pożyczkami przeznaczony dla prywatnego kredytu.

Wiele systemów radzi sobie całkiem nieźle ze standardowymi produktami pożyczkowymi, ale prywatny kredyt nie jest standardowy. Obejmuje on różne struktury, różne mechanizmy płatności, klauzule, aneksy, podziały przychodów, grupy pożyczkodawców i wiele innych. Żadne dwie transakcje nie są takie same, a firmy zbyt mocno polegają na arkuszach kalkulacyjnych i ręcznych procesach.

Naszą koncepcją było stworzenie infrastruktury, która potrafi prawidłowo odzwierciedlić pożyczkę i zarządzać nią przez cały jej cykl życia.

Ta koncepcja ewoluowała, gdy uświadomiliśmy sobie, że po zbudowaniu takiej infrastruktury AI może z niej korzystać w sposób użyteczny. Jeśli pożyczka jest prawidłowo odzwierciedlona w systemie i znasz jej aktualny stan, AI może zrozumieć zdarzenie, zastosować warunki pożyczki, uruchomić przepływ pracy, zaktualizować systemy, przygotować wynik i wciągnąć człowieka, gdy potrzebna jest ludzka ocena lub zatwierdzenie.

To uświadomienie skłoniło nas do rozpoczęcia świadczenia usług administracji pożyczkami wraz z oprogramowaniem. Wykorzystujemy już zbudowaną infrastrukturę, razem z agentami AI i naszym zespołem operacyjnym, aby realizować te zadania.

Infrastruktura musi najpierw powstać, ale gdy już ją masz, możesz wykorzystać AI do zmiany sposobu realizacji operacji po zamknięciu.

Większość dyskusji na temat AI w prywatnym kredycie dotyczy underwriting’u i due diligence. Dlaczego uważasz, że większa szansa może pojawić się po zamknięciu pożyczki?

Underwriting jest oczywistym punktem wyjścia, ponieważ wymaga dużo czytania i analizy, a AI radzi sobie w tym bardzo dobrze. Jednak ten proces trwa tylko kilka tygodni. Po zamknięciu jesteś odpowiedzialny za pożyczkę przez lata, musząc radzić sobie z płatnościami, zmianami stóp procentowych, aneksami, testami klauzul, wypłatami, powiadomieniami, uzgodnieniami, raportowaniem i wieloma innymi kwestiami. Dodatkowo, za każdym razem, gdy portfel rośnie, cała ta praca rośnie wraz z nim.

Jeśli AI oszczędza profesjonalistowi inwestycyjnemu godzinę podczas underwriting’u, jest to przydatne. Ale jeśli redukuje ilość ręcznej pracy potrzebnej do codziennego zarządzania portfelem, to ogromne.

Co sprawia, że obsługa pożyczki przez pięć lub siedem lat jest trudniejsza do automatyzacji niż jej analiza w trakcie początkowego underwriting’u?

Jeśli poprosisz system AI o podsumowanie umowy kredytowej, to dość proste zadanie. Ktoś sprawdza odpowiedź AI i przechodzi dalej.

Jednak obsługa nie działa w ten sposób. Obliczenia za ten miesiąc mogą być wpływane przez aneks z zeszłego roku, reset stopy z trzech miesięcy temu i płatność z zeszłego tygodnia. Stan pożyczki, a właściwie sama pożyczka, zmienia się nieustannie. Oryginalna umowa to tylko punkt wyjścia. Musisz także na bieżąco śledzić aneksy, zwolnienia, wybory i wszystko, co zostało uzgodnione poza pierwotnym dokumentem.

To nie jest łatwe! To nie tylko kwestia czytania dokumentów; musisz utrzymywać żywy instrument finansowy przez kilka lat i zapewnić, że każde nowe zdarzenie jest prawidłowo zastosowane. Jeśli popełnisz błąd na początku, może on przenikać do przyszłych obliczeń przez miesiące, a nawet lata, zanim ktoś to zauważy.

Wielu menedżerów wciąż prowadzi własną „książkę cieni”, aby sprawdzić pracę swojego administratora. Dlaczego stało się to tak powszechne? I co musiałoby się zmienić, aby firmy czuły się komfortowo, rezygnując z niej?

Jeśli administrator prześle Ci obliczenie bez żadnych informacji, jak do niego doszedł, prawdopodobnie sam je przeliczysz! To w zasadzie to, czym jest książka cieni. Powoduje podwójną pracę, ale istnieje z pewnego powodu; menedżer musi mieć pewność, że liczby są prawidłowe.

Aby wyeliminować książki cieni, menedżerowie będą potrzebowali znacznie większej przejrzystości pracy, w tym informacji o użytych danych wejściowych, zastosowanych warunkach oraz o tym, czy i co się zmieniło.

Jeśli menedżer i administrator pracują na tej samej bazowej dokumentacji pożyczki, nie ma potrzeby posiadania książek cieni. Jednak nie sądzę, aby ktoś zrezygnował z nich tylko dlatego, że nowy dostawca twierdzi, że to możliwe. Zaufanie będzie musiało zostać zbudowane dzięki dokładnym wynikom w dłuższym okresie.

Istnieje duża różnica między sztuczną inteligencją, która potrafi przeczytać umowę kredytową, a taką, która naprawdę może wykonywać prace serwisowe. Co musi posiadać system, zanim będziesz mu ufał w realizacji tych procesów?

Wymaga to kilku elementów, w tym:

• Niezawodny rejestr pożyczki
• Wiedza o poprzednich działaniach
• Dostęp do systemów, w których praca jest wykonywana
• Świadomość, kiedy zadanie jest zakończone i co zrobić, jeśli coś wygląda nieprawidłowo

Weźmy na przykład płatność. Oczywiście AI musi obliczyć płatność, ale to nie koniec.

Płatność musi również zostać przetworzona, mogą być potrzebne powiadomienia, systemy muszą zostać zaktualizowane, człowiek może musieć ją zweryfikować, a gotówka musi zostać później uzgodniona.

A tolerancja na błędy jest bardzo niska. Dlatego nasz zespół jest odpowiedzialny za usługę administracyjną, którą oferujemy. AI wykonuje część pracy w tle, ale nie udajemy, że sam program jest w jakikolwiek sposób odpowiedzialny za rezultat.

Gdy AI zaczyna dotykać takich obszarów jak płatności, alokacje i raportowanie inwestorów, jak decydujesz, co może obsługiwać samodzielnie, a gdzie wciąż potrzebna jest interwencja człowieka?

Szczerze mówiąc, zależy to od tego, co się stanie, jeśli system się pomyli. Istnieje wiele sytuacji, w których AI może wykonywać pracę automatycznie, np. pobieranie informacji, uzgadnianie rekordów, wykrywanie anomalii – tego rodzaju zadania. Jednak jeśli przemieszcza się gotówkę lub wysyła coś na zewnątrz, konieczna jest interwencja człowieka.

Mimo to uważam, że zbyt duży nacisk kładzie się na to, czy istnieje krok zatwierdzenia przez człowieka, a za mało na to, co ta osoba faktycznie może zobaczyć. Jeśli podam komuś liczbę i przycisk „zatwierdź”, to niewiele pomaga. Potrzebuje on możliwości zrozumienia, skąd pochodzi liczba, bez tracenia godziny na ponowne przeliczanie.

Krótko mówiąc, jeśli zmienia się stawka, system musi mieć możliwość podania starej stawki, nowej stawki, dokumentu źródłowego oraz danych wejściowych. Wtedy człowiek może to rzeczywiście zweryfikować.

W miarę jak system udowadnia swoją skuteczność w danym procesie, możesz automatyzować go coraz bardziej, ale nie rób tego tylko dlatego, że wydano nowy model.

Pożyczki prywatne mogą być niezwykle indywidualne. Jak zautomatyzować je, nie zmuszając modelu AI do ciągłego reinterpretowania transakcji przy każdym zdarzeniu?

AI jest przydatna, gdy czytasz dokumenty i starasz się zrozumieć, jak działa transakcja. Umowa o objętości 200 stron plus aneksy to dokładnie taki przypadek, w którym AI może pomóc. Następnie, gdy już zrozumiesz strukturę, AI może pomóc odwzorować transakcję w modelu pożyczki, aby była właściwie reprezentowana. Po tym obliczenia są deterministyczne.

Jeśli pożyczka ma strukturę waterfall, komponent PIK, wiele transz lub stopniowe obniżanie ceny, te zasady są zapisane w systemie. Nie prosimy modelu językowego o ponowne czytanie dokumentów przy każdej przychodzącej płatności! Menedżerowie muszą być w stanie odtworzyć i wyjaśnić każde obliczenie; jest to niemożliwe, jeśli model reinterpretowałby transakcję przy każdym zdarzeniu.

Ryzyko inwestycyjne naturalnie przyciąga najwięcej uwagi w kredycie prywatnym. Jakiego rodzaju ryzyko operacyjne Twoim zdaniem menedżerowie najczęściej pomijają?

Menedżerowie pomijają drobne sprawy: aneks, który zostaje odzwierciedlony w jednym miejscu, ale nie w innym; uzgodnienie, które następuje później niż oczekiwano; pracownik nieświadomie pracujący na starej wersji warunków.

Zazwyczaj nie jest to pojedyncza, kolosalna awaria, lecz mały problem, który pozostaje niepoprawny w tle przez pewien czas, zanim zacznie wpływać na inne elementy.

Na przykład, jeśli obliczysz coś na podstawie niewłaściwego warunku, to wpływa to na płatność, a potem pojawia się w raportach. Zanim ktoś to zauważy, będziesz musiał przejrzeć miesiące pracy.

AI może pomóc, skracając to okno czasowe. Jeśli możesz uzgadniać codziennie zamiast na koniec kwartału, problemy zostaną wykryte znacznie szybciej. Jeśli każdy aneks zostanie natychmiast wykryty i odzwierciedlony w systemie, zmniejszasz ryzyko, że ludzie będą pracować na różnych wersjach pożyczki.

To nie jest tak ekscytujące jak pomysł, że AI podejmuje decyzje inwestycyjne, ale operacyjnie robi dużą różnicę.

Dla firmy, której lata pożyczek zalegają w systemach legacy, arkuszach kalkulacyjnych, plikach PDF i e‑mailach, co tak naprawdę jest trudne w przejściu do nowego środowiska operacyjnego?

Ustalenie, które dane są prawidłowe.

Firma może mieć warunki w umowie kredytowej, salda w innym systemie, aneksy w folderze, historię płatności w e‑mailu, a nawet ważny kontekst, który istnieje tylko w pamięci jednego członka zespołu!

Najpierw musisz odtworzyć pożyczkę taką, jaka jest dziś. Następnie musisz porównać to z tym, co mówi istniejący system. Czasami liczby się nie zgadzają i trzeba ustalić przyczynę. Może coś zostało nieprawidłowo zamapowane podczas migracji?  Może kilka lat temu dokonano ręcznej korekty? Albo stary system po prostu był błędny. Niezależnie od przyczyny, nie możesz po prostu zignorować różnicy.

Zalecamy uruchomienie starego i nowego środowiska równolegle na pewien czas, porównywanie wyników, badanie różnic i doprowadzenie wszystkiego do porządku przed zakończeniem migracji.

To nie jest najszybszy sposób migracji, ale przy żywej książce pożyczek prędkość nie powinna być głównym celem.

Jeśli AI pozwala firmom obsługiwać znacznie większe portfele przy mniejszych zespołach operacyjnych, jak myślisz, że zmieni to rolę tradycyjnego administratora pożyczek?

Administracja kiedyś oznaczała pracę ręczną, ale jeśli AI może wykonać większość zadań, nowa rola administratora pożyczek polega na zapewnieniu prawidłowości liczb i szybkim korygowaniu pojawiających się problemów.

Menedżerowie mogą faktycznie przejąć więcej pracy samodzielnie, w zależności od liczby osób w zespole i tego, czy potrafią wykonać zadania dokładnie i przejrzyście. Wiele firm nadal będzie wolało outsourcować. Mniejsze zespoły operacyjne działają tylko wtedy, gdy wiedza poprzednich członków jest rzeczywiście gdzieś utrwalona. Jeśli po prostu wyłączysz ludzi z procesu, nie dokonując tego, niekoniecznie poprawi się nic.

Dziękujemy za świetny wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Hypercore.