تصور کنید مدیر یک صندوق اعتباری باشید که مجبور است برای هر وام، یک فایل اکسل موازی نگه دارد تا مطمئن شود محاسبات شرکت خدمات‌دهنده درست است. این اتلاف وقت، دقیقاً همان نقطه‌ای است که Hypercore قصد دارد با استفاده از عامل‌های هوش مصنوعی (AI Agents) — شبیه به دستیاران دیجیتالی که می‌توانند به‌جای شما ابزارها را اجرا کنند و تصمیم بگیرند — آن را از بین ببرد. مدیران اعتبارات خصوصی در حال تغییر تمرکز خود از هفته‌های اول یک معامله به پنج یا هفت سالی هستند که پس از آن می‌گذرد.
بیشتر کاربردهای فعلی هوش مصنوعی در فین‌تک روی تحلیل اسناد اولیه، پذیرش وام (Underwriting) و بررسی‌های لازم (Due Diligence) متمرکز شده‌اند؛ زیرا تحلیل یک قرارداد اعتباری یک وظیفه مجزا و کوتاه‌مدت است. اما فشار واقعی و بار عملیاتی در مرحله «سرویس‌دهی وام» است؛ یعنی مدیریت پرداخت‌ها، بازبینی نرخ‌ها (Rate Resets) و تست‌های پیمانی (Covenant Tests) در طول چندین سال. دانیل لایختنشتاین (Daniel Liechtenstein)، مدیرعامل Hypercore، در مصاحبه‌ای با unite.ai تأکید می‌کند که فرصت کاهش کارهای دستی روزانه، بسیار ارزشمندتر از صرفه‌جویی در چند ساعت زمان در مرحله‌ی ابتدایی بررسی اعتبار است.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اتوماسیون فرآیندهای سازمانی اشاره کردیم، انتقال از «خواندن سند» به «مدیریت وضعیت» گام بعدی هوش مصنوعی در محیط‌های تجاری است. این رویکرد در تضاد با مدل‌های عمومی است، چرا که همان‌طور که در بررسی‌های ما درباره‌ی برتری داده‌های تراکنشی اختصاصی در فرآیندهای ادغام شرکت‌ها دیدیم، دقت در محیط‌های مالی مستلزم استفاده از داده‌های ساختاریافته و تخصصی است.
زمینه: بنیان‌گذار و چشم‌انداز
دانیل لایختنشتاین این پلتفرم را در سال ۲۰۲۰ برای پر کردن خلأ سیستم‌های مدیریت وام در اعتبارات خصوصی تأسیس کرد. او متوجه شد که هیچ سیستم مدیریت وامی وجود ندارد که به‌طور خاص برای نیازهای اعتبارات خصوصی ساخته شده باشد. پیش از راه‌اندازی Hypercore، لایختنشتاین سابقه‌ای متنوع در استراتژی‌های مالی و فناوری ایجاد کرد. او به عنوان شریک توسعه کسب‌وکار در Articode فعالیت می‌کرد و بر نرم‌افزارهای فین‌تک و مشتریان خدمات مالی تمرکز داشت و همچنین به عنوان مشاور مستقل برای استارت‌آپ‌های در حال رشد کار می‌کرد.
تجربیات او همچنین شامل برنامه‌ریزی‌های مالی در مقیاس بزرگ دولتی است. لایختنشتاین نقش‌های ارشدی را در نیروهای دفاعی اسرائیل و وزارت دفاع اسرائیل بر عهده داشت. در این جایگاه‌ها، او بودجه‌های کلان ICT را مدیریت کرد، قراردادهایی را با فروشندگان جهانی فناوری به نتیجه رساند و در ابتکارات تدارکات استراتژیک و زیرساخت‌های ابری مشارکت داشت. این ترکیب از نظارت مالی در مقیاس دولتی و کارآفرینی در حوزه فین‌تک، رویکرد Hypercore را به سمت ایجاد زیرساخت‌هایی در سطح سازمانی (Institutional-grade) سوق داده است.
ماهیت پیچیدگی در اعتبارات خصوصی
برای سال‌ها، اعتبارات خصوصی به دژ مستحکمی از صفحات اکسل و سیستم‌های گسسته تبدیل شده بود. برخلاف وام‌های استاندارد، اعتبارات خصوصی «استاندارد» نیستند. این حوزه شامل ساختارهای سفارشی (Bespoke)، آبشارهای پرداخت پیچیده (Complex Waterfalls)، گروه‌های متنوع وام‌دهنده و اصلاحات مکرر در قراردادها است. هیچ دو معامله‌ای دقیقاً شبیه به هم نیستند و همین موضوع تاریخی، شرکت‌ها را مجبور کرده است تا به فرآیندهای دستی تکیه کنند.
این عدم استانداردسازی منجر به رویه‌ای رایج به نام «دفاتر سایه» (Shadow Books) شده است. این‌ها سوابق دستی تکراری هستند که مدیران برای تأیید صحت کار شرکت‌های مدیریت ثالث (Third-party Administrators) نگه می‌دارند. لایختنشتاین اشاره می‌کند که اگر یک مدیر خدمات‌دهنده، محاسباتی را بدون توضیح نحوه رسیدن به آن عدد ارسال کند، مدیر صندوق احتمالاً خودش دوباره آن را محاسبه می‌کند. برای حذف این دفاتر سایه، مدیران به شفافیت بسیار بیشتری در مورد ورودی‌های مورد استفاده و شرایط اعمال شده نیاز دارند.
مکانیزم مدیریت مبتنی بر هوش مصنوعی
رویکرد Hypercore بر یک توالی خاص استوار است: ابتدا زیرساخت، سپس هوش مصنوعی. سیستم ابتدا یک رکورد قطعی (Deterministic) از وام ایجاد می‌کند که وضعیت واقعی معامله را نشان می‌دهد. هنگامی که این داده‌های ساختاریافته وجود داشته باشند، عامل‌های هوش مصنوعی می‌توانند جریان‌های کاری را اجرا کنند، بدون اینکه نیاز باشد هر بار که پرداختی رخ می‌دهد، شرایط وام را «تفسیر» کنند.
لایختنشتاین استدلال می‌کند که اگرچه هوش مصنوعی در خلاصه‌سازی یک قرارداد اعتباری عالی است، اما سرویس‌دهی بسیار پیچیده‌تر است. یک محاسبه برای ماه جاری ممکن است تحت تأثیر بازبینی نرخ در سه ماه پیش، پرداختی در هفته گذشته و یک اصلاحیه در سال گذشته باشد. قرارداد اصلی صرفاً یک نقطه شروع است؛ سیستم باید یک ابزار مالی زنده را حفظ کند که معافیت‌ها (Waivers)، انتخاب‌ها و سایر توافقات خارج از سند اصلی را لحاظ کند.
طبق مستندات این پلتفرم، قابلیت‌های کلیدی آن عبارتند از:
- مدیریت چرخه حیات کامل: متمرکز کردن داده‌ها از مرحله جذب و مدیریت خط لوله (Pipeline) تا سرویس‌دهی، مدیریت منابع تأمین مالی، گزارش‌دهی و سررسید.
- سرویس‌دهی خودکار: مدیریت فعالیت‌های تکراری از جمله پذیرش تسهیلات (Facility Onboarding)، محاسبات، پرداخت‌ها، تطبیق حساب‌ها، ارسال اعلان‌ها و گزارش‌دهی توسط عامل‌های AI.
- منطق قطعی: در حالی که هوش مصنوعی اسناد ۲۰۰ صفحه‌ای را می‌خواند تا معامله را در مدل جای‌گذاری کند، محاسبات واقعی — مانند اجزای PIK، تراش‌های متعدد (Multiple Tranches) یا کاهش پله‌ای قیمت‌گذاری (Pricing Step-downs) — توسط قوانین کدنویسی‌شده (Hard-coded) انجام می‌شود. این امر تضمین می‌کند که مدیران بتوانند هر محاسبه را بازتولید و توضیح دهند.
- شفافیت در لحظه: سیستم یک «منبع واحد حقیقت» (Single Source of Truth) و جریان‌های کاری قابل حسابرسی فراهم می‌کند و نیاز مدیران به اجرای محاسبات موازی در اکسل را کاهش می‌دهد.
- شناسایی ناهنجاری‌ها: هوش مصنوعی اختلافات در رکوردها را به‌صورت روزانه شناسایی می‌کند، به‌جای اینکه منتظر تطبیق‌های پایان فصل بماند. این کار بازه زمانی پنهان ماندن خطاها را به شدت کوچک می‌کند.
- مقیاس‌پذیری عملیاتی: این زیرساخت به وام‌دهندگان اجازه می‌دهد سبد دارایی‌های خود را بدون نیاز به گسترش متناسب تیم‌های اداری، افزایش دهند.
اعتماد و نظارت انسانی
لایختنشتاین خاطرنشان می‌کند که سطح تحمل خطا در جابه‌جایی پول تقریباً صفر است. از آنجایی که یک اشتباه در ابتدای فرآیند می‌تواند برای ماه‌ها یا سال‌ها در محاسبات آینده جاری شود، Hypercore اجازه نمی‌دهد هوش مصنوعی به‌طور مستقل پول جابه‌جا کند یا اعلان‌های خارجی بفرستد.
او معتقد است برای اعتماد به یک سیستم در این جریان‌های کاری، چهار رکن ضروری است:
۱. یک رکورد قابل‌اعتماد از وام.
۲. دانش کامل از تمام فعالیت‌های پیشین.
۳. دسترسی به سیستم‌هایی که کار در آن‌ها تکمیل می‌شود.
۴. آگاهی از زمان اتمام یک وظیفه و نحوه مدیریت ناهنجاری‌ها.
به عنوان مثال، در یک جریان کاری پرداخت، هوش مصنوعی باید مبلغ را محاسبه کند، اما فرآیند همچنین نیازمند پردازش پرداخت، توزیع اعلان‌ها، به‌روزرسانی سیستم‌ها، بررسی انسانی و در نهایت تطبیق نهایی نقدینگی است.
در واقع، نقش انسان از یک «ماشین‌حساب» به یک «تأییدکننده» تغییر می‌کند. سیستم به‌جای یک دکمه ساده برای «تأیید»، سند منبع دقیق، نرخ قدیمی، نرخ جدید و ورودی‌های خاص مورد استفاده در محاسبه را در اختیار بازبین انسانی قرار می‌دهد. این کار باعث می‌شود انسان بتواند بدون تلف کردن یک ساعت زمان برای محاسبه مجدد، بفهمد عدد از کجا آمده است.
مدیریت ریسک عملیاتی
ریسک عملیاتی در اعتبارات خصوصی به‌ندرت یک شکست فاجعه‌بار واحد است. در عوض، اغلب یک «مشکل کوچک» است — مانند اصلاحیه‌ای که در یک پوشه ثبت شده اما در سیستم پرداخت اعمال نشده، یا کارمندی که نادانسته از نسخه قدیمی شرایط استفاده می‌کند — که در طول زمان انباشته و تشدید می‌شود.
اگر یک محاسبه بر اساس شرط اشتباه باشد، این خطا وارد پرداخت شده و در نهایت در گزارشات ظاهر می‌شود. تا زمانی که این خطا شناسایی شود، ممکن است شرکت مجبور شود چندین ماه کار را بازبینی کند. با تبدیل بازه تطبیق حساب‌ها از سه ماه یک‌بار به صورت روزانه، هوش مصنوعی زمان پنهان ماندن این خطاها را کاهش داده و تضمین می‌کند هر اصلاحیه فوراً در سیستم منعکس شود.
چالش‌های مهاجرت داده‌ها
مهاجرت به این محیط برای شرکت‌هایی با داده‌های قدیمی (Legacy Data) یک مانع بزرگ است. لایختنشتاین توضیح می‌دهد که سخت‌ترین بخش، بازسازی داده‌های «صحیح» است. اطلاعات یک شرکت اغلب پراکنده است:
- شرایط در یک قرارداد اعتباری ذخیره شده است.
- مانده‌ها در یک سیستم مجزا نگه داشته شده‌اند.
- اصلاحات در یک پوشه قرار دارند.
- تاریخچه پرداخت‌ها در ایمیل‌ها دفن شده است.
- بافت‌های حیاتی (Context) فقط در حافظه یک عضو تیم وجود دارد.
هنگام مهاجرت، شرکت‌ها اغلب متوجه می‌شوند که اعداد بین سیستم قدیمی و جدید به دلیل خطاهای نگاشتی یا تعدیلات دستی سال‌ها پیش، با هم نمی‌خوانند. برای حل این مشکل، Hypercore پیشنهاد می‌کند محیط‌های قدیمی و جدید به‌طور موازی اجرا شوند. این کار به شرکت‌ها اجازه می‌دهد تفاوت‌ها را بررسی کرده و داده‌ها را پیش از تکمیل مهاجرت مرتب کنند و دقت را بر سرعت اولویت دهند.
تحول در نقش مدیر اداری
این تغییر، نقش مدیر سنتی وام را دگرگون می‌کند. شغل آن‌ها از ورود دستی داده‌ها به نظارت سطح بالا تغییر می‌کند تا اطمینان حاصل شود که اعداد تولید شده توسط هوش مصنوعی دقیق هستند و دانش سازمانی به‌جای اینکه در ذهن یک کارمند باشد، در سیستم ثبت شود.
در حالی که برخی مدیران ممکن است کارهای بیشتری را شخصاً بر عهده بگیرند، بسیاری دیگر به برون‌سپاری ادامه خواهند داد. با این حال، تیم‌های عملیاتی کوچک‌تر تنها زمانی پایدار هستند که دانش اعضای قبلی به‌صورت دیجیتال ثبت شده باشد. بدون این ثبت، حذف افراد از فرآیند لزوماً باعث بهبود عملیات نمی‌شود.
این گذار نشان می‌دهد که مرز بعدی هوش مصنوعی سازمانی، تنها «خواندن» اسناد نیست، بلکه حفظ وضعیت ابزارهای مالی پیچیده در طول زمان است. برنده میدان در اعتبارات خصوصی، کسانی خواهند بود که بتوانند سبد وام‌های خود را بدون افزایش متناسب تعداد کارکنان اداری، گسترش دهند.
برای درک تأثیر این موضوع بر چشم‌انداز گسترده‌تر فین‌تک، باید پذیرش عامل‌های هوش مصنوعی «آگاه به وضعیت» (State-aware) را در سایر دارایی‌های سفارشی مانند بدهی‌های املاک یا محصولات ساختاریافته دنبال کرد.
گام بعدی شما
- اگر در حوزه مدیریت دارایی فعال هستید، بررسی کنید که چه مقدار از داده‌های شما در «دفاتر سایه» یا اکسل‌های موازی ذخیره شده است.
- مدل‌های «آگاه به وضعیت» (State-aware) را در سایر دارایی‌های سفارشی مثل بدهی‌های املاک بررسی کنید.
- فرآیند تطبیق حساب‌های خود را از بازه‌های فصلی به بازه‌های روزانه منتقل کنید تا ریسک انباشته نشود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو