Daniel Liechtenstein, CEO และผู้ร่วมก่อตั้ง Hypercore – ซีรีส์สัมภาษณ์

Daniel Liechtensteinเป็น CEO และผู้ร่วมก่อตั้ง Hypercore, เป็นผู้ประกอบการฟินเทคและนักกลยุทธ์ทางการเงินที่มีประสบการณ์ครอบคลุมเทคโนโลยีการให้กู้, การพัฒนาซอฟต์แวร์, การให้คำปรึกษาทางธุรกิจ, และการวางแผนการเงินระดับใหญ่. เขาก่อตั้ง Hypercore ในปี 2020 หลังจากเคยดำรงตำแหน่ง Business Development Partner ที่ Articode, ซึ่งเขามุ่งเน้นโครงการซอฟต์แวร์ฟินเทคและลูกค้าบริการทางการเงิน, และทำงานอิสระในฐานะที่ปรึกษาการเงินและธุรกิจให้กับสตาร์ทอัพและบริษัทที่กำลังเติบโต. ในช่วงต้นของอาชีพ, Liechtenstein ดำรงตำแหน่งระดับสูงด้านการวางแผนการเงินและกลยุทธ์ในกองทัพอิสราเอลและกระทรวงกลาโหมอิสราเอล, โดยรับผิดชอบการจัดการงบประมาณ ICT ขนาดใหญ่, การประเมินการลงทุนเทคโนโลยี, การเจรจาต่อรองสัญญาขนาดใหญ่กับผู้จำหน่ายเทคโนโลยีระดับโลก, และมีส่วนร่วมในโครงสร้างพื้นฐานคลาวด์และโครงการจัดซื้อเชิงกลยุทธ์.

Hypercoreเป็นแพลตฟอร์มเทคโนโลยีที่สร้างขึ้นสำหรับกองทุนเครดิตส่วนบุคคลและผู้ให้กู้ที่ไม่ใช่ธนาคาร, มีจุดมุ่งหมายเพื่อปรับปรุงโครงสร้างพื้นฐานการดำเนินงานด้านการให้กู้ให้ทันสมัย. แพลตฟอร์มแบบครบวงจรนี้รวมศูนย์ข้อมูลการกู้และสนับสนุนวงจรชีวิตทั้งหมดตั้งแต่การเริ่มต้นและการจัดการพายป์ไลน์จนถึงการให้บริการ, การจัดการแหล่งทุน, การรายงาน, และการครบกำหนด, พร้อมกับอัตโนมัติหลายการคำนวณและกระบวนการทำงานที่เคยทำด้วยสเปรดชีตและระบบที่แยกจากกัน. เมื่อเร็ว ๆ นี้, Hypercore ได้ขยายความสนใจไปยังการจัดการการกู้แบบ AI-เนทีฟ, โดยใช้เอเจนต์ AI ร่วมกับข้อมูลการกู้ที่มีโครงสร้างและการตรวจสอบจากผู้เชี่ยวชาญเพื่ออัตโนมัติการทำงานบริการที่ทำซ้ำได้ เช่น การลงทะเบียนสิ่งอำนวยความสะดวก, การคำนวณ, การชำระเงิน, การกระทบยอด, การแจ้งเตือน, และการรายงาน. แพลตฟอร์มนี้ออกแบบมาเพื่อให้ผู้ให้กู้มองเห็นพอร์ตโฟลิโอแบบเรียลไทม์, มีขั้นตอนการทำงานที่ตรวจสอบได้, และมีโครงสร้างพื้นฐานที่จำเป็นสำหรับการขยายการดำเนินงานโดยไม่ต้องเพิ่มทีมงานด้านการบริหารในอัตราส่วนที่เท่าเดิม.

เมื่อคุณเริ่ม Hypercore, คุณคิดว่าอะไรหายไปจากวิธีที่บริษัทเครดิตส่วนบุคคลจัดการสินเชื่อหลังการปิด? และแนวคิดนั้นเปลี่ยนแปลงอย่างไรเมื่อ AI พัฒนา?

เราเริ่ม Hypercore เพราะไม่มีระบบการจัดการสินเชื่อที่สร้างขึ้นสำหรับเครดิตส่วนบุคคลจริง ๆ

ระบบหลายระบบสามารถจัดการผลิตภัณฑ์การให้กู้แบบมาตรฐานได้ค่อนข้างดี, แต่เครดิตส่วนบุคคลไม่ใช่มาตรฐาน. มันเกี่ยวข้องกับโครงสร้างที่แตกต่าง, กลไกการชำระเงินที่ต่างกัน, ข้อตกลง, การแก้ไข, การจัดสรร, กลุ่มผู้ให้กู้, และอื่น ๆ อีกมาก. ไม่มีข้อตกลงใดสองข้อที่เหมือนกัน, และบริษัทต่าง ๆ พึ่งพาแผ่นงานและกระบวนการทำมืออย่างมากเกินไป.

แนวคิดของเราคือการสร้างโครงสร้างพื้นฐานที่สามารถแสดงสินเชื่อได้อย่างถูกต้องและจัดการตลอดวงจรชีวิตทั้งหมดของมัน.

แนวคิดนี้พัฒนาเมื่อเราตระหนักว่าเมื่อเรามีโครงสร้างพื้นฐานนั้นอยู่, AI สามารถทำสิ่งที่เป็นประโยชน์กับมันได้. หากสินเชื่อถูกแสดงอย่างถูกต้องในระบบและคุณรู้สถานะปัจจุบันของมัน, AI สามารถเข้าใจเหตุการณ์, นำเงื่อนไขสินเชื่อไปใช้, เริ่มกระบวนการทำงาน, อัปเดตระบบ, เตรียมผลลัพธ์, และเรียกคนเข้ามาเมื่อจำเป็นต้องใช้การตัดสินใจหรือการอนุมัติของมนุษย์.

การตระหนักเช่นนี้เป็นสิ่งที่ทำให้เราเริ่มให้บริการการจัดการสินเชื่อควบคู่กับซอฟต์แวร์. เราใช้โครงสร้างพื้นฐานที่ได้สร้างไว้แล้ว, ร่วมกับเอเจนต์ AI และทีมปฏิบัติการของเรา, เพื่อดำเนินงาน.

โครงสร้างพื้นฐานต้องมาก่อน, แต่เมื่อคุณมีแล้ว, คุณสามารถใช้ AI เพื่อเปลี่ยนวิธีการดำเนินงานหลังการปิดให้เสร็จสมบูรณ์.

การสนทนาส่วนใหญ่เกี่ยวกับ AI ในเครดิตส่วนบุคคลมักมุ่งไปที่การประเมินความเสี่ยงและการตรวจสอบความถูกต้อง. ทำไมคุณคิดว่าโอกาสที่ใหญ่กว่าอาจเกิดขึ้นหลังจากสินเชื่อปิดแล้ว?

การประเมินความเสี่ยงเป็นจุดเริ่มต้นที่ชัดเจนเพราะมีข้อมูลให้อ่านและวิเคราะห์มาก, และ AI ทำได้ดีมาก. อย่างไรก็ตามกระบวนการนี้ใช้เวลาเพียงไม่กี่สัปดาห์. หลังจากการปิด, คุณต้องรับผิดชอบสินเชื่อเป็นปี ๆ, ต้องจัดการกับการชำระเงิน, การเปลี่ยนอัตราดอกเบี้ย, การแก้ไข, การทดสอบข้อตกลง, การเบิกเงิน, การแจ้งเตือน, การกระทบยอด, การรายงาน, และอื่น ๆ อีกมาก. นอกจากนี้ทุกครั้งที่พอร์ตโฟลิโอขยาย, งานทั้งหมดนั้นก็ขยายตาม.

ถ้า AI ช่วยผู้เชี่ยวชาญการลงทุนประหยัดเวลาหนึ่งชั่วโมงในขั้นตอนการประเมินความเสี่ยง, นั่นก็มีประโยชน์. แต่ถ้ามันลดปริมาณงานทำมือที่ต้องใช้ในการดำเนินพอร์ตโฟลิโอทุกวัน, นั่นคือผลลัพธ์ที่มหาศาล.

อะไรทำให้การให้บริการสินเชื่อเป็นเวลาห้าหรือเจ็ดปียากต่อการทำอัตโนมัติมากกว่าการวิเคราะห์เมื่อข้อตกลงกำลังถูกประเมินความเสี่ยงครั้งแรก?

หากคุณขอให้ระบบ AI สรุปสัญญาเครดิต, นั่นเป็นงานพื้นฐานมาก. มีคนตรวจสอบคำตอบของ AI แล้วดำเนินต่อ.

แต่การให้บริการไม่ได้ทำเช่นนั้น. การคำนวณของเดือนนี้อาจได้รับผลกระทบจากการแก้ไขจากปีที่ผ่านมา, การรีเซ็ตอัตราดอกเบี้ยจากสามเดือนที่แล้ว, และการชำระเงินจากสัปดาห์ที่ผ่านมา. สถานะของสินเชื่อ, และจริง ๆ แล้วสินเชื่อเอง, เปลี่ยนแปลงตลอดเวลา. สัญญาเดิมเป็นเพียงจุดเริ่มต้น. คุณยังต้องติดตามการแก้ไข, การยกเว้น, การเลือก, และสิ่งอื่นใดที่ได้ตกลงนอกเอกสารเดิม.

นี่ไม่ง่ายเลย! ไม่ใช่แค่การอ่านเอกสาร; คุณต้องดูแลเครื่องมือทางการเงินที่ทำงานต่อเนื่องหลายปีและทำให้แน่ใจว่าทุกเหตุการณ์ใหม่ถูกนำไปใช้อย่างถูกต้อง. หากคุณทำผิดพลาดตั้งแต่แรก, ความผิดพลาดนั้นอาจส่งผลต่อการคำนวณในอนาคตหลายเดือนหรือแม้แต่หลายปีก่อนที่ใครจะสังเกตเห็น.

ผู้จัดการหลายคนยังคงเก็บ “หนังสือเงา” ของตนเองเพื่อเช็คงานของผู้ดูแลระบบ ทำไมเรื่องนี้ถึงกลายเป็นเรื่องทั่วไป? แล้วต้องมีการเปลี่ยนแปลงอะไรบ้างเพื่อให้บริษัทรู้สึกสบายใจที่จะละทิ้งมัน?

หากผู้ดูแลส่งการคำนวณให้คุณโดยไม่มีข้อมูลว่าพวกเขาได้มาจากอะไร คุณก็น่าจะคำนวณเองด้วย! นั่นแหละคือความหมายของหนังสือเงา มันทำให้ต้องทำงานซ้ำซ้อน แต่ก็มีเหตุผลอยู่; ผู้จัดการต้องการให้แน่ใจว่าตัวเลขนั้นถูกต้อง

เพื่อกำจัดหนังสือเงา ผู้จัดการจะต้องมีการมองเห็นงานอย่างละเอียดมากขึ้น รวมถึงข้อมูลว่ามีการใช้อินพุตอะไรบ้าง เงื่อนไขใดที่ถูกนำมาใช้ และมีการเปลี่ยนแปลงอะไรหรือไม่

หากผู้จัดการและผู้ดูแลทำงานจากบันทึกสินเชื่อพื้นฐานเดียวกัน ก็ไม่จำเป็นต้องมีหนังสือเงา อย่างไรก็ตาม ฉันไม่คิดว่าใครจะละทิ้งมันเพียงเพราะผู้ให้บริการใหม่บอกว่าสามารถทำได้ ความเชื่อนั้นต้องได้รับการสร้างขึ้นจากผลลัพธ์ที่แม่นยำตลอดระยะเวลาหนึ่ง

มีความแตกต่างอย่างมากระหว่าง AI ที่สามารถอ่านสัญญาเครดิตและ AI ที่สามารถดำเนินการบริการจริงได้ ระบบต้องมีอะไรบ้างก่อนที่คุณจะเชื่อใจให้มันดำเนินการเวิร์กโฟลว์เหล่านั้น?

มันต้องการหลายสิ่งหลายอย่าง รวมถึง:

• บันทึกสินเชื่อที่เชื่อถือได้
• ความรู้เกี่ยวกับกิจกรรมที่ผ่านมา
• การเข้าถึงระบบที่ทำงานเสร็จสิ้น
• การรับรู้เมื่อภารกิจเสร็จสิ้นและต้องทำอย่างไรหากมีสิ่งที่ดูไม่ถูกต้อง

ยกตัวอย่างการชำระเงิน แน่นอนว่า AI ต้องคำนวณยอดชำระ แต่เรื่องไม่ได้จบแค่นั้น

การชำระเงินยังต้องถูกประมวลผล แจ้งเตือนอาจต้องส่งต่อ ระบบต้องอัปเดต คนอาจต้องตรวจสอบ และเงินสดต้องทำการกระทบยอดต่อมา

และความทนทานต่อความผิดพลาดนั้นต่ำมาก นั่นคือเหตุผลที่ทีมของเราต้องรับผิดชอบต่อบริการการจัดการที่เรานำเสนอ AI ทำงานบางส่วนอยู่ด้านล่าง แต่เราไม่ได้ทำให้ซอฟต์แวร์เป็นผู้รับผิดชอบผลลัพธ์โดยตรง

เมื่อ AI เริ่มเข้ามาเกี่ยวข้องกับการชำระเงิน การจัดสรรและการรายงานต่อผู้ลงทุน คุณจะตัดสินใจว่าอะไรที่ AI สามารถทำได้เองและส่วนไหนที่ยังต้องมีคนเข้ามาแทรกแซงได้อย่างไร?

พูดตรง ๆ แล้วมันขึ้นอยู่กับว่าจะเกิดอะไรขึ้นหากระบบผิดพลาด มีหลายสถานการณ์ที่ AI สามารถทำงานได้โดยอัตโนมัติ เช่น ดึงข้อมูล กระทบยอดบันทึก ระบุความผิดปกติ – สิ่งเหล่านี้ แต่หากคุณกำลังย้ายเงินหรือส่งสิ่งใดออกไปภายนอก จำเป็นต้องมีคนเข้ามาแทรกแซง

อย่างไรก็ตาม ฉันก็คิดว่ามีการให้ความสำคัญมากเกินไปกับขั้นตอนการอนุมัติของมนุษย์และไม่เพียงพอกับสิ่งที่คนนั้นจะเห็นจริง ๆ หากฉันให้ตัวเลขและปุ่มอนุมัติแก่ใครสักคน นั่นไม่ค่อยช่วยเลย พวกเขาต้องการความสามารถในการเข้าใจที่มาของตัวเลขโดยไม่ต้องเสียเวลาชั่วโมงหนึ่งในการคำนวณซ้ำ

สรุปคือ หากอัตราเปลี่ยนแปลง ระบบต้องสามารถให้ข้อมูลอัตราเดิม อัตราใหม่ เอกสารต้นทางและอินพุตต่าง ๆ จากนั้นคนจะสามารถตรวจสอบได้จริง

เมื่อระบบพิสูจน์ตัวเองในเวิร์กโฟลว์หนึ่งแล้ว คุณสามารถทำให้กระบวนการนั้นอัตโนมัติมากขึ้นได้ แต่ไม่ควรทำเพียงเพราะมีโมเดลใหม่ออกมา

สินเชื่อเครดิตส่วนบุคคลอาจมีความเฉพาะเจาะจงอย่างมาก คุณจะทำให้เป็นอัตโนมัติได้อย่างไรโดยไม่ต้องให้โมเดล AI ต้องตีความข้อตกลงใหม่ทุกครั้งที่มีเหตุการณ์เกิดขึ้น?

AI มีประโยชน์เมื่อคุณอ่านเอกสารและทำความเข้าใจวิธีการทำงานของข้อตกลง ข้อตกลง 200 หน้า พร้อมการแก้ไขเป็นสิ่งที่ AI สามารถช่วยได้อย่างตรงจุด จากนั้นเมื่อคุณเข้าใจโครงสร้าง AI สามารถช่วยแมปข้อตกลงเข้าสู่โมเดลสินเชื่อเพื่อให้แสดงผลอย่างถูกต้อง หลังจากนั้นการคำนวณจะเป็นแบบกำหนดล่วงหน้า

หากสินเชื่อมีโครงสร้าง waterfall, ส่วนประกอบ PIK, หลาย tranche หรือการลดราคาในขั้นตอนนั้น กฎเหล่านั้นจะถูกบันทึกในระบบ เราไม่ได้ขอให้โมเดลภาษาต้องอ่านเอกสารใหม่ทุกครั้งที่มีการชำระเงิน! ผู้จัดการต้องสามารถทำซ้ำและอธิบายการคำนวณทุกขั้นตอนได้ ซึ่งเป็นไปไม่ได้หากโมเดลต้องตีความข้อตกลงใหม่ทุกครั้งที่มีเหตุการณ์เกิดขึ้น

ความเสี่ยงด้านการลงทุนโดยธรรมชาติได้รับความสนใจเป็นส่วนใหญ่ในเครดิตส่วนบุคคล คุณคิดว่าผู้จัดการมักมองข้ามความเสี่ยงด้านปฏิบัติการประเภทใดบ้าง?

ผู้จัดการมักมองข้ามเรื่องเล็ก ๆ เช่น การแก้ไขที่สะท้อนในที่หนึ่งแต่ไม่ในที่อื่น; การกระทบยอดที่เกิดขึ้นช้ากว่าที่คาดไว้; พนักงานที่ไม่รู้ตัวทำงานจากเวอร์ชันเก่าของเงื่อนไข

โดยทั่วไปไม่ใช่ความล้มเหลวครั้งใหญ่เดียว แต่เป็นปัญหาเล็ก ๆ ที่ค้างอยู่ในพื้นหลังเป็นระยะเวลาหนึ่งก่อนที่จะส่งผลต่อสิ่งอื่น ๆ

เช่น หากคุณคำนวณจากเงื่อนไขที่ผิดพลาด สิ่งนั้นจะส่งผลต่อการชำระเงินและปรากฏในรายงาน เมื่อมีคนสังเกตเห็น คุณจะต้องตรวจสอบงานหลายเดือน

AI สามารถช่วยได้โดยการลดระยะเวลานั้น หากคุณสามารถกระทบยอดได้ทุกวันแทนที่จะทำตอนสิ้นไตรมาส คุณจะพบปัญหาได้เร็วขึ้นมาก หากการแก้ไขทุกครั้งถูกจับและสะท้อนในระบบทันที คุณจะลดความเสี่ยงที่คนทำงานจากเวอร์ชันสินเชื่อที่ต่างกัน

มันอาจไม่น่าตื่นเต้นเท่ากับแนวคิดที่ AI ทำการตัดสินใจการลงทุน, แต่ในแง่การปฏิบัติแล้วมันสร้างความแตกต่างอย่างใหญ่หลวง.

สำหรับบริษัทที่มีสินเชื่อหลายปีกระจายอยู่ในระบบเดิม, สเปรดชีต, PDF และอีเมล, สิ่งที่จริงๆ แล้วยากในการย้ายไปสู่สภาพแวดล้อมการดำเนินงานใหม่คืออะไร?

การหาว่าข้อมูลที่ถูกต้องคืออะไร.

บริษัทอาจมีเงื่อนไขในสัญญาเครดิต, ยอดคงเหลือในระบบอื่น, การแก้ไขในโฟลเดอร์, ประวัติการชำระเงินในอีเมล, และแม้แต่บริบทสำคัญบางอย่างที่มีอยู่เพียงในความทรงจำของสมาชิกทีมคนเดียว!

ดังนั้นขั้นแรกคุณต้องสร้างสภาพสินเชื่อใหม่ตามที่เป็นอยู่ในปัจจุบัน จากนั้นคุณต้องเปรียบเทียบกับข้อมูลที่ระบบเดิมแสดง บางครั้งตัวเลขไม่ตรงกันและคุณต้องหาสาเหตุ อาจเป็นเพราะมีการแมปข้อมูลผิดพลาดระหว่างการย้ายระบบ?  หรืออาจมีการปรับด้วยมือเมื่อนานมาน? หรือระบบเก่าอาจผิดพลาดเองก็เป็นได้ ไม่ว่าเหตุผลใด คุณก็ไม่สามารถเพิกเฉยต่อความแตกต่างนั้นได้.

เราขอแนะนำให้รันสภาพแวดล้อมเก่าและใหม่พร้อมกันเป็นระยะเวลา, เปรียบเทียบผลลัพธ์, ตรวจสอบความแตกต่าง, และทำให้ทุกอย่างพร้อมก่อนดำเนินการย้ายระบบให้เสร็จสิ้น.

วิธีนี้อาจไม่เร็วที่สุดในการย้ายระบบ, แต่สำหรับพอร์ตสินเชื่อที่ใช้งานจริง, ความเร็วไม่ควรเป็นเป้าหมายหลัก.

หาก AI ทำให้บริษัทสามารถจัดการพอร์ตโฟลิโอที่ใหญ่ขึ้นด้วยทีมปฏิบัติการที่เล็กลง, คุณคิดว่ามันจะเปลี่ยนบทบาทของผู้ดูแลสินเชื่อแบบดั้งเดิมอย่างไร?

การบริหารเดิมเคยหมายถึงงานมือ, แต่หาก AI สามารถทำส่วนใหญ่ได้, บทบาทใหม่ของผู้ดูแลสินเชื่อคือการตรวจสอบให้ตัวเลขถูกต้องและแก้ไขปัญหาที่เกิดขึ้นอย่างรวดเร็ว.

ผู้จัดการอาจทำงานส่วนใหญ่ด้วยตนเอง, ขึ้นอยู่กับจำนวนคนในทีมและความสามารถในการส่งมอบงานอย่างแม่นยำและโปร่งใส. อย่างไรก็ตามหลายบริษัทยังคงเลือกจ้างเอาท์ซอร์ส. ทีมปฏิบัติการขนาดเล็กจะทำงานได้ก็ต่อเมื่อความรู้ของสมาชิกทีมก่อนหน้าถูกบันทึกไว้ที่ใดที่หนึ่ง. หากคุณเพียงแค่ตัดคนออกจากกระบวนการโดยไม่ได้ทำเช่นนั้น, คุณอาจไม่ได้ปรับปรุงอะไรเลย.

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรไปเยี่ยมชม Hypercore.