Daniel Liechtenstein, VD och medgrundare av Hypercore – Intervjuserie

Daniel Liechtenstein, VD och medgrundare av Hypercore, är en fintech‑entreprenör och finansiell strateg med en bakgrund som spänner över utlåningsteknologi, mjukvaruutveckling, affärsrådgivning och storskalig finansiell planering. Han medgrundade Hypercore år 2020 efter att tidigare ha varit Business Development Partner på Articode, där han fokuserade på fintech‑programvaruprojekt och kunder inom finansiella tjänster, samt arbetat självständigt som finansiell och affärsrådgivare för startups och växande företag. Tidigare i sin karriär hade Liechtenstein seniora roller inom finansiell planering och strategi inom Israel Defense Forces och Israeli Ministry of Defense, där hans ansvarsområden inkluderade hantering av stora ICT‑budgetar, utvärdering av teknikinvesteringar, förhandling av storskaliga avtal med globala teknikleverantörer och bidrag till molninfrastruktur samt strategiska upphandlingsinitiativ.

Hypercore är en teknikplattform byggd för privata kreditfonder och icke‑banklångivare, avsedd att modernisera den operativa infrastrukturen bakom utlåning. Dess helhetsplattform centraliserar lånedata och stödjer hela livscykeln från upplåning och pipeline‑hantering till service, hantering av finansieringskällor, rapportering och förfall, samtidigt som den automatiserar många av de beräkningar och arbetsflöden som traditionellt hanterats via kalkylblad och fristående system. På senare tid har Hypercore utökat sitt fokus på AI‑inbyggd låneadministration, där AI‑agenter används tillsammans med strukturerad lånedata och professionell tillsyn för att automatisera återkommande serviceaktiviteter såsom onboarding av anläggningar, beräkningar, betalningar, avstämningar, meddelanden och rapportering. Plattformen är utformad för att ge långivare realtidsinsyn i portföljen, auditabla arbetsflöden och den infrastruktur som behövs för att skala verksamheten utan att proportionellt öka de administrativa teamen.

När du startade Hypercore, vad ansåg du saknades i hur privata kreditföretag hanterade lån efter avslut? Och hur har den idén förändrats i takt med att AI har utvecklats?

Vi startade Hypercore eftersom det egentligen inte fanns något lånehanteringssystem byggt för privat kredit.

Många system hanterar standardlåneprodukter rimligt bra, men privat kredit är inte standard. Det innebär olika strukturer, olika betalningsmekanismer, villkor, tillägg, fördelningsmodeller, långivaregrupper och mer. Inga två affärer är likadana, och företagen förlitar sig alltför mycket på kalkylblad och manuella processer.

Vår idé var att bygga en infrastruktur som kan representera lånet korrekt och hantera det genom hela dess livscykel.

Denna idé utvecklades när vi insåg att, när vi hade den underliggande infrastrukturen, kunde AI göra något användbart med den. Om lånet är korrekt representerat i systemet och du känner till dess aktuella status, kan AI förstå en händelse, tillämpa lånevillkoren, starta arbetsflödet, uppdatera system, förbereda resultatet och involvera en person när mänskligt omdöme eller godkännande krävs.

Denna insikt är det som fick oss att börja erbjuda lånadministreringstjänster tillsammans med mjukvaran. Vi använder den infrastruktur vi redan har byggt, tillsammans med AI‑agenter och vårt driftteam, för att utföra arbetet.

Infrastrukturen måste komma först, men när du har den kan du använda AI för att förändra hur efteravslutningsoperationer utförs.

Det mesta av samtalet om AI i privat kredit har handlat om underwriting och due diligence. Varför tror du att den större möjligheten faktiskt kan komma efter att lånet har avslutats?

Underwriting är den uppenbara starten eftersom det finns mycket att läsa och analysera, och AI är mycket bra på det.  Processen tar dock bara några veckor. Efter avslut är du ansvarig för lånet i flera år och måste hantera betalningar, ränteändringar, tillägg, villkorstester, uttag, meddelanden, avstämningar, rapportering och mer. Dessutom växer allt arbete i takt med att portföljen expanderar.

Om AI sparar en investeringsprofessionell en timme under underwriting är det användbart. Men om det minskar den manuella arbetsinsatsen som krävs för att driva en portfölj varje dag, är det enormt.

Vad gör det svårare att automatisera service av ett lån över fem eller sju år jämfört med att analysera det när affären först underwriters?

Om du ber ett AI‑system att sammanfatta ett kreditavtal är det en ganska grundläggande uppgift. Någon kontrollerar AI:s svar och går vidare.

Men service fungerar inte så. Den här månadens beräkning kan påverkas av ett tillägg från förra året, en räntejustering från tre månader sedan och en betalning från förra veckan. Lånets status, och faktiskt lånet självt, förändras hela tiden. Det ursprungliga avtalet är bara utgångspunkten. Du måste också hålla koll på tillägg, undantag, val och allt annat som avtalats utanför det ursprungliga dokumentet.

Det är inte lätt!  Det handlar inte bara om att läsa dokument; du måste underhålla ett levande finansiellt instrument under flera år och säkerställa att varje ny händelse tillämpas korrekt. Om du gör ett misstag tidigt kan det spridas genom framtida beräkningar i månader eller till och med år innan någon märker det.

Många chefer håller fortfarande sin egen “shadow book” för att kontrollera sin administratörs arbete. Varför har det blivit så vanligt? Och vad skulle behöva förändras för att företag ska känna sig bekväma med att avstå från den?

Om en administratör skickar dig en beräkning utan någon information om hur de kom fram till den, skulle du förmodligen också räkna ut den själv! Det är i princip vad shadow book är. Den skapar dubbelt arbete, men den finns av en anledning; chefen behöver veta att siffrorna är korrekta.

För att eliminera shadow books måste chefer ha mycket större insyn i arbetet, inklusive vilka indata som användes, vilka villkor som tillämpades och vad, om någonting, som har förändrats.

Om chefen och administratören arbetar utifrån samma underliggande lånepost finns det ingen anledning till shadow books. Jag tror dock inte att någon kommer att avstå från dem bara för att en ny leverantör säger att de kan. Förtroendet måste förtjänas med korrekta resultat under en tidsperiod.

Det finns en stor skillnad mellan AI som kan läsa ett kreditavtal och AI som faktiskt kan utföra servicearbete. Vad krävs av ett system innan du skulle lita på att det kan genomföra sådana arbetsflöden?

Det kräver flera saker, inklusive:

• En pålitlig lånepost
• Kunskap om tidigare aktiviteter
• Tillgång till de system där arbetet utförs
• Medvetenhet om när en uppgift är slutförd och vad som ska göras om något ser felaktigt ut

Ta en betalning som exempel. Självklart måste AI:n beräkna betalningen, men det slutar inte där.

Betalningen måste också behandlas, meddelanden kan behöva distribueras, system måste uppdateras, en människa kan behöva granska den, och pengarna måste avräknas efteråt.

Och toleransen för misstag är mycket låg. Det är därför vårt team ansvarar för den administrativa tjänst vi erbjuder. AI:n utför en del av arbetet under ytan, men vi låtsas inte att mjukvaran i sig på något sätt är ansvarig för resultatet.

När AI börjar hantera saker som betalningar, allokeringar och investerarrapportering, hur bestämmer du vad den kan klara av på egen hand och var en människa fortfarande måste ingripa?

Ärligt talat beror det på vad som händer om systemet är felaktigt. Det finns många situationer där AI kan utföra arbetet automatiskt, som att hämta information, avstämma poster, identifiera avvikelser – den sortens saker. Men om du flyttar pengar eller skickar något externt, måste en person ingripa.

Det sagt tror jag också att det läggs för stor vikt vid huruvida det finns ett mänskligt godkännandesteg och för lite på vad den personen faktiskt kan se. Om jag ger någon ett tal och en godkännandeknapp, hjälper det inte mycket. De behöver kunna förstå var talet kommer ifrån utan att slösa en timme på att göra om beräkningen.

Kort sagt, om en ränta ändras måste systemet kunna visa den gamla räntan, den nya räntan, källdokumentet och indata. Därefter kan en människa faktiskt granska det.

När systemet bevisar sig på ett arbetsflöde kan du automatisera mer av det, men gör det inte bara för att en ny modell har släppts.

Privata kreditlån kan vara otroligt skräddarsydda. Hur automatiserar du utan att be en AI-modell att i praktiken omtolka avtalet varje gång något händer?

AI är användbart när du läser dokumenten och försöker förstå hur avtalet fungerar. Ett 200‑sidigt avtal plus tillägg är exakt den typ av sak som AI kan hjälpa till med. När du sedan förstår strukturen kan AI hjälpa till att kartlägga avtalet i lånemodellen så att det representeras korrekt. Därefter är beräkningarna deterministiska.

Om lånet har en waterfall, en PIK‑komponent, flera tranche‑nivåer eller en prisnedgång, finns dessa regler i systemet. Vi ber inte en språkmodell att läsa om dokumenten varje gång en betalning kommer in! Chefer måste kunna reproducera och förklara varje beräkning; det är omöjligt om modellen omtolkar avtalet varje gång något händer.

Investeringsrisk får naturligtvis mest uppmärksamhet inom privat kredit. Vilken typ av operativ risk tror du att chefer tenderar att underskatta?

Chefer underskattar de små sakerna: ett tillägg som reflekteras på ett ställe men inte på ett annat; en avstämning som sker senare än förväntat; en anställd som omedvetet arbetar från en gammal version av villkoren.

Det är vanligtvis inte ett enda enormt fel, utan ett litet problem som förblir felaktigt i bakgrunden ett tag innan det börjar påverka andra saker.

Till exempel, om du beräknar något utifrån fel villkor, så matas det in i en betalning och visas sedan i rapporteringen. När någon märker det, måste du gå igenom månader av arbete.

AI kan hjälpa genom att förkorta det fönstret. Om du kan avstämma varje dag istället för i kvartalsslutet, kan du hitta problem mycket snabbare. Om varje tillägg tas upp och reflekteras i systemet omedelbart minskar du risken för att personer arbetar från olika versioner av lånet.

Det är inte lika spännande som idén om att AI fattar investeringsbeslut, men operativt gör det en stor skillnad.

För ett företag som har år av lån lagrade i äldre system, kalkylblad, PDF-filer och e‑post, vad är egentligen svårt med att gå över till en ny driftmiljö?

Ta reda på vilka data som är korrekta.

Ett företag kan ha villkor i ett kreditavtal, saldon i ett annat system, ändringar i en mapp, betalningshistorik i ett e‑postmeddelande och till och med viktig kontext som bara finns i minnet hos en enskild teammedlem!

Så först måste du återskapa lånet som det ser ut idag. Därefter måste du jämföra det med vad det befintliga systemet visar. Ibland stämmer siffrorna inte och du måste ta reda på varför. Kanske mappades något felaktigt under migreringen?  Kanske gjordes en manuell justering för år sedan? Eller så var det gamla systemet helt enkelt felaktigt. Oavsett vad är fallet kan du inte bara ignorera skillnaden.

Vi rekommenderar att köra de gamla och nya miljöerna parallellt ett tag, jämföra resultaten, undersöka skillnaderna och få allt i ordning innan migreringen slutförs.

Det är inte det snabbaste sättet att migrera, men i en aktiv låneportfölj bör hastighet inte vara huvudmålet.

Om AI gör det möjligt för företag att hantera mycket större portföljer med mindre driftsteam, hur tror du att det förändrar den traditionella låneadministratörens roll?

Administration innebar tidigare manuellt arbete, men om AI kan sköta det mesta är låneadministratörens nya roll att säkerställa att siffrorna är korrekta och snabbt rätta till eventuella problem som uppstår.

Chefer kan faktiskt ta på sig mer av arbetet själva, beroende på hur många personer de har och om de kan leverera arbetet korrekt och transparent. Många företag kommer dock fortfarande att föredra att outsourca. Mindre driftteam fungerar bara om kunskapen från tidigare teammedlemmar faktiskt fångas upp någonstans. Om du bara tar bort personer från processen utan att göra det, har du inte nödvändigtvis förbättrat någonting.

Tack för den fantastiska intervjun, läsare som vill veta mer bör besöka Hypercore.