Daniel Liechtenstein, CEO e Co-Fundador da Hypercore – Série de Entrevista

Daniel Liechtenstein, CEO e Co-Fundador da Hypercore, é um empreendedor fintech e estrategista financeiro com experiência que abrange tecnologia de crédito, desenvolvimento de software, consultoria empresarial e planejamento financeiro em larga escala. Co-fundou a Hypercore em 2020 após ter atuado como Parceiro de Desenvolvimento de Negócios na Articode, onde se concentrou em projetos de software fintech e clientes de serviços financeiros, além de trabalhar de forma independente como consultor financeiro e empresarial para startups e empresas em crescimento. No início de sua carreira, Liechtenstein ocupou cargos seniores de planejamento financeiro e estratégia nas Forças de Defesa de Israel e no Ministério da Defesa de Israel, onde suas responsabilidades incluíam gerenciar grandes orçamentos de TIC, avaliar investimentos em tecnologia, negociar acordos de grande porte com fornecedores globais de tecnologia e contribuir para iniciativas de infraestrutura de nuvem e aquisição estratégica.

Hypercore é uma plataforma tecnológica desenvolvida para fundos de crédito privado e credores não bancários, projetada para modernizar a infraestrutura operacional por trás de empréstimos. Sua plataforma de ponta a ponta centraliza os dados de empréstimos e suporta todo o ciclo de vida, desde a originação e gestão de pipeline até o serviço, gerenciamento de fontes de financiamento, relatórios e vencimento, automatizando muitas das cálculos e fluxos de trabalho tradicionalmente realizados em planilhas e sistemas desconectados. Mais recentemente, a Hypercore ampliou seu foco para a administração de empréstimos nativa em IA, usando agentes de IA juntamente com dados estruturados de empréstimos e supervisão profissional para automatizar atividades recorrentes de serviço, como integração de facilidades, cálculos, pagamentos, reconciliações, notificações e relatórios. A plataforma foi concebida para proporcionar aos credores visibilidade de portfólio em tempo real, fluxos de trabalho auditáveis e a infraestrutura necessária para escalar operações sem expandir proporcionalmente as equipes administrativas.

Quando você iniciou a Hypercore, o que achava que faltava na forma como as empresas de crédito privado gerenciavam os empréstimos após o fechamento? E como essa ideia mudou com o desenvolvimento da IA?

Iniciamos a Hypercore porque realmente não existia um sistema de gerenciamento de empréstimos criado para crédito privado.

Muitos sistemas lidam razoavelmente bem com produtos de crédito padrão, mas o crédito privado não é padrão. Ele envolve diferentes estruturas, diferentes mecânicas de pagamento, cláusulas restritivas, aditivos, cascatas, grupos de credores e muito mais. Não há dois negócios iguais, e as empresas dependem excessivamente de planilhas e processos manuais.

Nossa ideia era construir uma infraestrutura que pudesse representar o empréstimo adequadamente e gerenciá‑lo ao longo de todo o seu ciclo de vida.

Essa ideia evoluiu quando percebemos que, uma vez que tínhamos essa infraestrutura subjacente, a IA poderia fazer algo útil com ela. Se o empréstimo estiver representado corretamente no sistema e você souber seu estado atual, a IA pode compreender um evento, aplicar os termos do empréstimo, iniciar o fluxo de trabalho, atualizar os sistemas, preparar a saída e envolver uma pessoa quando for necessário julgamento ou aprovação humana.

Essa constatação foi o que nos levou a começar a oferecer serviços de administração de empréstimos juntamente com o software. Estamos usando a infraestrutura que já construímos, juntamente com agentes de IA e nossa equipe de operações, para executar o trabalho.

A infraestrutura precisa vir primeiro, mas, uma vez que você a tem, pode usar a IA para mudar a forma como as operações pós‑fechamento são realizadas.

A maior parte da conversa sobre IA no crédito privado tem sido sobre subscrição e diligência prévia. Por que você acha que a maior oportunidade pode realmente surgir após o fechamento do empréstimo?

A subscrição é o ponto de partida óbvio porque há muito a ler e analisar, e a IA é muito boa nisso.  No entanto, esse processo dura apenas algumas semanas. Após o fechamento, você é responsável pelo empréstimo por anos, tendo que lidar com pagamentos, alterações de taxa, aditivos, testes de cláusulas restritivas, desembolsos, notificações, reconciliações, relatórios e muito mais. Além disso, cada vez que o portfólio cresce, todo esse trabalho cresce junto.

Se a IA economiza uma hora de um profissional de investimentos durante a subscrição, isso é útil. Mas se ela reduz a quantidade de trabalho manual necessária para gerir um portfólio todos os dias, isso é enorme.

O que torna o serviço de um empréstimo ao longo de cinco ou sete anos mais difícil de automatizar do que analisá‑lo quando o negócio está sendo subscrito pela primeira vez?

Se você solicitar a um sistema de IA que resuma um contrato de crédito, é uma tarefa bastante básica. Alguém verifica a resposta da IA e segue em frente.

Mas o serviço não funciona assim. O cálculo deste mês pode ser impactado por um aditivo do ano passado, um reajuste de taxa de três meses atrás e um pagamento da semana passada. O estado do empréstimo, e de fato o próprio empréstimo, está em constante mudança. O contrato original é apenas o ponto de partida. Você também precisa acompanhar aditivos, renúncias, eleições e tudo o que foi acordado fora do documento original.

Isso não é fácil!  Não se trata apenas de ler documentos; é preciso manter um instrumento financeiro ativo por vários anos e garantir que cada novo evento seja aplicado corretamente. Se você cometer um erro no início, ele pode se propagar pelos cálculos futuros por meses ou até anos antes que alguém perceba.

Muitos gestores ainda mantêm seu próprio “livro sombra” para verificar o trabalho de seu administrador. Por que isso se tornou tão comum? E o que precisaria mudar para que as empresas se sentissem à vontade para abandoná-lo?

Se um administrador lhe envia um cálculo sem nenhuma informação sobre como chegou a ele, você provavelmente o calcularia por conta própria também! Isso é basicamente o que o livro sombra representa. Ele gera trabalho duplicado, mas existe por uma razão; o gestor precisa saber que os números estão corretos.

Para eliminar os livros sombra, os gestores precisarão de muito mais visibilidade sobre o trabalho, incluindo quais entradas foram usadas, quais termos foram aplicados e o que, se houver, mudou.

Se o gestor e o administrador estiverem trabalhando a partir do mesmo registro de empréstimo subjacente, não há necessidade de livros sombra. Contudo, não acredito que alguém os abandonará apenas porque um novo provedor diz que pode. Essa confiança precisará ser conquistada com resultados precisos ao longo do tempo.

Existe uma grande diferença entre IA que pode ler um contrato de crédito e IA que pode realmente executar o trabalho de serviço. O que um sistema precisa ter antes de você confiar que ele execute esses fluxos de trabalho?

São necessárias várias coisas, incluindo:

• Um registro de empréstimo confiável
• Conhecimento das atividades anteriores
• Acesso aos sistemas onde o trabalho é realizado
• Consciência de quando uma tarefa está concluída e o que fazer se algo não parecer correto

Pegue um pagamento, por exemplo. Obviamente, a IA precisa calcular o pagamento, mas não termina aí.

O pagamento também precisa ser processado, avisos podem precisar ser distribuídos, os sistemas precisam ser atualizados, um humano pode precisar revisá‑lo e o dinheiro precisa ser reconciliado posteriormente.

E a tolerância a erros é muito baixa. Por isso, nossa equipe é responsável pelo serviço de administração que oferecemos. A IA realiza parte do trabalho nos bastidores, mas não estamos fingindo que o próprio software seja de alguma forma responsável pelo resultado.

Quando a IA começa a tocar em coisas como pagamentos, alocações e relatórios para investidores, como decidir o que ela pode lidar sozinha e onde ainda é necessário que uma pessoa intervenha?

Honestamente, depende do que acontece se o sistema estiver errado. Existem muitas situações em que a IA pode fazer o trabalho automaticamente, como extrair informações, reconciliar registros, identificar anomalias – esse tipo de coisa. Mas se você está movimentando dinheiro ou enviando algo externamente, precisa que uma pessoa intervenha.

Dito isso, também acho que há foco demais em se há ou não uma etapa de aprovação humana e pouco foco no que essa pessoa realmente pode ver. Se eu dou a alguém um número e um botão de aprovação, isso não ajuda muito. Ela precisa ter a capacidade de entender de onde o número veio sem desperdiçar uma hora refazendo o cálculo.

Em resumo, se uma taxa mudar, o sistema precisa ser capaz de fornecer a taxa antiga, a nova taxa, o documento de origem e as entradas. Então um humano pode realmente revisá‑la.

À medida que o sistema se comprova em um fluxo de trabalho, você pode automatizar mais dele, mas não faça isso apenas porque um novo modelo foi lançado.

Empréstimos de crédito privado podem ser incrivelmente sob medida. Como automatizar isso sem pedir a um modelo de IA que reinterprete efetivamente o contrato toda vez que algo acontece?

A IA é útil quando você está lendo os documentos e descobrindo como o negócio funciona. Um contrato de 200 páginas mais aditivos é exatamente o tipo de coisa que a IA pode ajudar. Depois, uma vez que você entende a estrutura, a IA pode ajudar a mapear o negócio para o modelo de empréstimo, de modo que ele seja representado corretamente. Após isso, os cálculos são determinísticos.

Se o empréstimo tem uma cascata, um componente PIK, múltiplas tranches ou um degrau de preço, essas regras estão no sistema. Não estamos pedindo a um modelo de linguagem que releia os documentos toda vez que um pagamento chega! Os gestores precisam ser capazes de reproduzir e explicar cada cálculo; isso é impossível se o modelo reinterpreta o contrato a cada evento.

O risco de investimento naturalmente recebe a maior parte da atenção no crédito privado. Que tipos de risco operacional você acha que os gestores tendem a subestimar?

Os gestores subestimam as pequenas coisas: um aditivo que é refletido em um lugar, mas não em outro; uma reconciliação que ocorre mais tarde do que o esperado; um funcionário que, sem saber, trabalha a partir de uma versão antiga dos termos.

Não costuma ser uma única falha colossal, mas um pequeno problema que permanece errado em segundo plano por um tempo antes de começar a afetar outras coisas.

Por exemplo, se você calcula algo a partir de um termo errado, isso alimenta um pagamento e depois aparece nos relatórios. Quando alguém percebe, você terá que revisar meses de trabalho.

A IA pode ajudar reduzindo essa janela. Se você puder reconciliar todos os dias em vez de no final do trimestre, pode encontrar problemas muito mais rapidamente. Se cada aditivo for capturado e refletido no sistema imediatamente, reduz a chance de as pessoas trabalharem a partir de versões diferentes do empréstimo.

Não é tão empolgante quanto a ideia de IA tomar decisões de investimento, mas operacionalmente faz uma grande diferença.

Para uma empresa que tem anos de empréstimos espalhados por sistemas legados, planilhas, PDFs e e‑mail, o que realmente é difícil ao migrar para um novo ambiente operacional?

Descobrir quais são os dados corretos.

Uma empresa pode ter termos em um contrato de crédito, saldos em outro sistema, aditivos em uma pasta, histórico de pagamentos em um e‑mail e até mesmo algum contexto importante que existe apenas na memória de um único membro da equipe!

Então, primeiro você precisa reconstruir o empréstimo como ele está hoje. Depois, deve compará‑lo com o que o sistema existente indica. Às vezes os números não coincidem e você precisa descobrir o porquê. Talvez algo tenha sido mapeado incorretamente durante a migração? Talvez tenha havido um ajuste manual há anos? Ou talvez o sistema antigo estivesse simplesmente errado. Seja qual for o caso, você não pode simplesmente ignorar a diferença.

Recomendamos executar os ambientes antigo e novo em paralelo por um período, comparar os resultados, investigar as diferenças e colocar tudo em ordem antes de concluir a migração.

Não é a forma mais rápida de migrar, mas em um portfólio de empréstimos ativo, a velocidade não deve ser o principal objetivo.

Se a IA permite que as empresas administrem portfólios muito maiores com equipes operacionais menores, como você acha que isso mudará o papel do administrador de empréstimos tradicional?

A administração costumava significar trabalho manual, mas se a IA pode fazer a maior parte disso, o novo papel do administrador de empréstimos é garantir que os números estejam corretos e corrigir rapidamente quaisquer problemas que surgirem.

Os gestores podem acabar assumindo mais do trabalho eles mesmos, dependendo de quantas pessoas têm e se conseguem entregar o trabalho de forma precisa e transparente. Muitas empresas ainda preferirão terceirizar, porém. Equipes operacionais menores só funcionam se o conhecimento dos membros anteriores for realmente capturado em algum lugar. Se você simplesmente retirar as pessoas do processo sem fazer isso, não melhorou necessariamente nada.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar Hypercore.