Дэниел Лихтенштейн, генеральный директор и соучредитель Hypercore — серия интервью

Daniel Liechtenstein, генеральный директор и соучредитель Hypercore, является финтех‑предпринимателем и финансовым стратегом с опытом в области технологий кредитования, разработки программного обеспечения, бизнес‑консультирования и масштабного финансового планирования. Он соосновал Hypercore в 2020 году после того, как ранее работал бизнес‑развития партнёром в Articode, где занимался проектами финтех‑программного обеспечения и клиентами финансовых услуг, а также работал независимо в качестве финансового и бизнес‑консультанта для стартапов и растущих компаний. Ранее в своей карьере Лихтенштейн занимал старшие должности в финансовом планировании и стратегии в Силах обороны Израиля и Израильском министерстве обороны, где его обязанности включали управление крупными ИКТ‑бюджетами, оценку технологических инвестиций, переговоры о масштабных соглашениях с глобальными поставщиками технологий и участие в инициативах по облачной инфраструктуре и стратегическим закупкам.

Hypercore — технологическая платформа, созданная для фондов частного кредитования и небанковских кредиторов, предназначенная для модернизации операционной инфраструктуры кредитования. Ее сквозная платформа централизует данные о займах и поддерживает весь жизненный цикл от создания и управления пайплайном до обслуживания, управления источниками финансирования, отчетности и погашения, одновременно автоматизируя многие расчёты и рабочие процессы, традиционно выполнявшиеся в таблицах и разрозненных системах. В последнее время Hypercore расширила фокус на нативное AI‑управление кредитами, используя AI‑агентов вместе со структурированными данными о займах и профессиональным надзором для автоматизации повторяющихся обслуживающих действий, таких как ввод в эксплуатацию объектов, расчёты, платежи, сверка, уведомления и отчётность. Платформа предназначена для предоставления кредиторам возможности в реальном времени видеть портфель, аудируемые рабочие процессы и инфраструктуру, необходимую для масштабирования операций без пропорционального увеличения административных команд.

Когда вы запустили Hypercore, что, по вашему мнению, отсутствовало в том, как компании частного кредитования управляли займами после закрытия? И как эта идея изменилась с развитием ИИ?

Мы создали Hypercore, потому что действительно не существовало системы управления займами, разработанной для частного кредитования.

Многие системы достаточно хорошо справляются со стандартными кредитными продуктами, но частное кредитование не является стандартным. Оно включает разные структуры, различные механизмы платежей, ковенанты, поправки, распределения, группы кредиторов и многое другое. Нет двух одинаковых сделок, и компании слишком сильно полагаются на таблицы и ручные процессы.

Наша идея заключалась в создании инфраструктуры, способной корректно представлять займ и управлять им на протяжении всего жизненного цикла.

Эта идея эволюционировала, когда мы поняли, что, имея под собой такую инфраструктуру, ИИ может сделать с ней что‑то полезное. Если займ правильно представлен в системе и вы знаете его текущее состояние, ИИ может понять событие, применить условия займа, запустить рабочий процесс, обновить системы, подготовить вывод и привлечь человека, когда требуется человеческое суждение или одобрение.

Это осознание заставило нас начать предоставлять услуги по администрированию займов наряду с программным обеспечением. Мы используем уже построенную инфраструктуру совместно с AI‑агентами и нашей операционной командой для выполнения работы.

Сначала должна быть построена инфраструктура, но как только она готова, вы можете использовать ИИ, чтобы изменить способ выполнения постзакрывающих операций.

Большая часть обсуждения ИИ в частном кредитовании была посвящена андеррайтингу и проверке благонадежности. Почему вы считаете, что более значительная возможность может появиться после закрытия займа?

Андеррайтинг — очевидное место для начала, потому что требуется много чтения и анализа, а ИИ в этом очень хорош. Однако этот процесс занимает всего несколько недель. После закрытия вы отвечаете за займ в течение лет, сталкиваясь с платежами, изменениями ставок, поправками, проверками ковенант, снятиями, уведомлениями, сверками, отчетностью и многим другим. К тому же каждый раз, когда портфель растет, весь этот объём работы растет вместе с ним.

Если ИИ экономит у инвестиционного профессионала час во время андеррайтинга, это полезно. Но если он сокращает количество ручной работы, необходимой для ежедневного управления портфелем, это огромно.

Что делает обслуживание займа в течение пяти‑семи лет более сложным для автоматизации, чем его анализ на этапе первоначального андеррайтинга?

Если попросить систему ИИ суммировать кредитное соглашение, это довольно простая задача. Кто‑то проверяет ответ ИИ и переходит к следующему.

Но обслуживание не работает так. Расчёт за текущий месяц может зависеть от поправки прошлого года, переустановки ставки три месяца назад и платежа прошлой недели. Состояние займа, а фактически и сам займ, постоянно меняются. Исходное соглашение — лишь отправная точка. Кроме того, необходимо постоянно отслеживать поправки, отказы, выборы и всё, что было согласовано вне оригинального документа.

Это нелегко! Это не просто чтение документов; нужно поддерживать живой финансовый инструмент в течение нескольких лет и гарантировать, что каждое новое событие применяется корректно. Если вы ошибётесь в начале, ошибка может просочиться в будущие расчёты на месяцы или даже годы, прежде чем её заметят.

Многие менеджеры всё ещё ведут собственные «теневые книги», чтобы проверять работу своего администратора. Почему это стало так распространено? И что должно измениться, чтобы компании чувствовали себя комфортно, отказываясь от них?

Если администратор присылает вам расчёт без какой‑либо информации о том, как он был получен, вы, вероятно, тоже посчитаете его сами! Именно в этом суть теневой книги. Она создаёт дублирование работы, но существует по причине: менеджеру нужно знать, что цифры верны.

Чтобы избавиться от теневых книг, менеджерам потребуется гораздо больше прозрачности в работе, включая используемые входные данные, применённые условия и любые изменения, если они есть.

Если менеджер и администратор работают с одной и той же базовой записью по займу, в теневых книгах нет необходимости. Однако я не думаю, что кто‑то откажется от них лишь потому, что новый поставщик говорит, что это возможно. Доверие придётся заслужить точными результатами в течение определённого времени.

Существует большая разница между ИИ, который может прочитать кредитный договор, и ИИ, который действительно может выполнять обслуживающие операции. Что необходимо системе, прежде чем вы будете доверять ей выполнение этих рабочих процессов?

Для этого требуется несколько вещей, включая:

• Надёжную запись по займу
• Знание предыдущих действий
• Доступ к системам, где выполняется работа
• Осведомлённость о том, когда задача завершена, и что делать, если что‑то выглядит неправильно

Возьмём, к примеру, платёж. Очевидно, ИИ должен рассчитать платёж, но на этом всё не заканчивается.

Платёж также должен быть обработан, могут потребоваться рассылки уведомлений, системы нужно обновить, человек может потребоваться для проверки, а после этого необходимо сверить наличные.

И толерантность к ошибкам очень низка. Поэтому наша команда отвечает за административный сервис, который мы предоставляем. ИИ выполняет часть работы в фоне, но мы не претендуем, что само программное обеспечение каким‑то образом отвечает за результат.

Как только ИИ начинает касаться таких вещей, как платежи, распределения и отчётность перед инвесторами, как решить, что он может выполнять самостоятельно, а где всё ещё нужен человек?

Честно говоря, всё зависит от того, что произойдёт, если система ошибётся. Существует множество ситуаций, когда ИИ может выполнять работу автоматически, например, извлекать информацию, сверять записи, выявлять аномалии — всё это. Но если вы перемещаете деньги или отправляете что‑то наружу, нужен человек.

Тем не менее, я также считаю, что слишком много внимания уделяется наличию шага одобрения человеком и недостаточно — тому, что человек действительно может увидеть. Если я даю кому‑то цифру и кнопку «одобрить», это не особо помогает. Им нужна возможность понять, откуда взялась цифра, без траты часа на повторный расчёт.

Короче говоря, если ставка меняется, системе необходимо предоставить старую ставку, новую ставку, исходный документ и входные данные. Тогда человек сможет действительно её проверить.

По мере того как система доказывает свою надёжность в рабочем процессе, вы можете автоматизировать всё больше, но не делайте этого лишь потому, что выпущена новая модель.

Частные кредитные займы могут быть чрезвычайно индивидуальными. Как автоматизировать процесс, не заставляя ИИ каждый раз переинтерпретировать сделку, когда происходит какое‑то событие?

ИИ полезен, когда вы читаете документы и разбираетесь, как работает сделка. Соглашение на 200 страниц плюс поправки — именно то, с чем ИИ может помочь. Затем, когда вы понимаете структуру, ИИ может помочь отобразить сделку в модели займа, чтобы она была правильно представлена. После этого расчёты становятся детерминированными.

Если в займе есть водопад, компонент PIK, несколько траншей или ступенчатое ценообразование, эти правила находятся в системе. Мы не просим языковую модель перечитывать документы каждый раз, когда приходит платёж! Менеджеры должны уметь воспроизводить и объяснять каждый расчёт; это невозможно, если модель каждый раз переинтерпретирует сделку при любом событии.

Инвестиционный риск естественно получает большую часть внимания в частных кредитах. Какие виды операционного риска, по вашему мнению, менеджеры склонны недооценивать?

Менеджеры недооценивают мелочи: поправка, отражённая в одном месте, но не в другом; сверка, произошедшая позже, чем ожидалось; сотрудник, незнающий, что работает со старой версией условий.

Это обычно не один огромный сбой, а небольшая проблема, остающаяся неверной в фоне некоторое время, прежде чем начнёт влиять на другие вещи.

Например, если вы рассчитываете что‑то по неверному условию, это попадает в платёж, а затем появляется в отчётности. К моменту, когда кто‑то заметит, вам придётся проверять месяцы работы.

ИИ может помочь, сократив это окно. Если вы можете проводить сверку каждый день, а не только в конце квартала, вы сможете находить проблемы гораздо быстрее. Если каждая поправка сразу же фиксируется и отражается в системе, вы уменьшаете шанс того, что люди работают с разными версиями займа.

Это не так захватывающе, как идея, что ИИ принимает инвестиционные решения, но с операционной точки зрения это имеет большое значение.

Для фирмы, у которой годы кредитов находятся в наследуемых системах, электронных таблицах, PDF‑файлах и электронной почте, что действительно трудно при переходе в новую операционную среду?

Определить, какие данные являются правильными.

У фирмы могут быть условия в кредитном соглашении, балансы в другой системе, поправки в папке, история платежей в электронном письме и даже важный контекст, который существует только в памяти одного члена команды!

Итак, сначала нужно воссоздать кредит в его текущем виде. Затем сравнить его с тем, что показывает существующая система. Иногда цифры не совпадают, и нужно понять, почему. Возможно, что‑то было неправильно сопоставлено во время миграции? Может, была ручная корректировка несколько лет назад? Или, может, старая система просто ошибалась. В любом случае, игнорировать различия нельзя.

Мы рекомендуем некоторое время работать со старой и новой средой параллельно, сравнивать результаты, исследовать различия и привести всё в порядок перед завершением миграции.

Это не самый быстрый способ миграции, но при работе с живым портфелем кредитов скорость не должна быть главной целью.

Если ИИ позволяет фирмам управлять гораздо более крупными портфелями при меньших операционных командах, как, по вашему мнению, изменится роль традиционного кредитного администратора?

Раньше администрирование означало ручную работу, но если ИИ может выполнить большую её часть, новая роль кредитного администратора — убедиться, что цифры верны, и быстро исправлять возникающие проблемы.

Менеджеры могут действительно взять на себя большую часть работы, в зависимости от количества сотрудников и способности выполнять задачи точно и прозрачно. Тем не менее многие компании всё равно предпочтут аутсорсинг. Маленькие операционные команды работают только тогда, когда знания предыдущих сотрудников действительно где‑то зафиксированы. Если просто убрать людей из процесса, не зафиксировав их знания, вы не обязательно улучшили ситуацию.

Спасибо за отличное интервью, читатели, желающие узнать больше, должны посетить Hypercore.