Lender Price, een leverancier van technologie voor hypotheekproducten en prijsstelling, heeft de volgende evolutie aangekondigd van POD, het AI Pricing Optimization Dashboard: menselijk gecontroleerde AI-agenten die een nieuwe standaard voor prijsnauwkeurigheid binnen de Lender Price Pricing Engine moeten realiseren.

De prijsengine is het systeem dat geldverstrekkers gebruiken om rentestatens van investeerders om te zetten in de rentes en aanpassingen die zij uiteindelijk aan leningnemers offreren, waardoor de nauwkeurigheid van elke update direct operationeel gewicht heeft. POD AI-agenten zijn ontworpen om de herhalende stappen te leren en uit te voeren die de pricingteams van Lender Price uitvoeren telkens wanneer investeerders wijzigingen publiceren in rentes, leningniveau-prijsaanpassingen (LLPA's), productgeschiktheid, programma's en prijsspecials. LLPA's, de op risico gebaseerde prijsaanpassingen die investeerders toepassen op individuele leningen op basis van factoren zoals creditscore en loan-to-value, bepalen rechtstreeks de prijs van elk leningsofferte. Binnen gedefinieerde kaders en goedkeuringsworkflows kunnen de agenten binnenkomende wijzigingsinformatie interpreteren, systeemupdates voorbereiden en valideren, uitzonderingen identificeren en wijzigingen die beoordeling vereisen doorsturen naar pricingprofessionals van Lender Price.

"In hypotheekprijsstelling is nauwurigheid geen functie — het is de fundering", aldus Dawar Alimi, CEO en medeoprichter van Lender Price. "Het gaat POD niet om het vervangen van de mensen die hypotheekproducten, de kapitaalmarkten en de bedrijven van onze klanten begrijpen. Het gaat om hen AI-agenten te geven die het nauwgezette, herhalende werk kunnen overnemen, zodat onze experts zich kunnen richten op controles, uitzonderingen en de beslissingen die menselijke expertise verdienen. Het resultaat dat we nastreven is ongeëvenaarde prijsnauwkeurigheid."

In fasen gebouwd, geworteld in pricingoperaties

Het POD-initiatief heeft meerdere fasen doorlopen. Lender Price paste AI eerst toe om nauwkeurigheidscontroles te versterken, zodat teams potentiële prijsverschillen sneller konden opsporen. Vervolgens werd AI-ondersteuning voor implementatiewerk uitgebreid, met het organiseren van geldverstrekkersdata, het identificeren van hiaten en het versnellen van de onboarding van producten, programma's, geschiktheidsregels en investeerdersspecifieke prijzen.

De laatste fase operationaliseert die opgebouwde kennis via AI-agenten die zijn getraind op de stapsgewijze workflows van het pricingteam van Lender Price zelf. In plaats van ongecontroleerde automatisering toe te staan, past POD controles toe zoals validatie van brongegevens, op regels gebaseerde kaders, uitzonderingsdrempels, wijzigingslogboeken, testen en menselijke review vóór productie-uitrol. Het doel is updates sneller en consistenter te maken met behoud van duidelijke verantwoordingsplicht.

Verwachte operationele impact

Lender Price verwacht dat POD de kans op handmatige invoerfouten aanzienlijk verkleint en de consistentie van routinematige investeerdersupdates verbetert. Initiële operationele doelen omvatten:

• Tot 90% reductie in handmatige ingrepen voor in aanmerking komende, herhalende workflows voor rentestatens- en prijsupdates.
• Tot 75% snellere voorbereiding en validatie van routinematige LLPA-, prijsspecial- en programma-updates, met uitzonderingen doorgestuurd naar een expert.
• Ten minste 99,9% traceerbaarheid van wijzigingen voor door POD verwerkte updates, ondersteund door bronkoppelingen, validatierecords, goedkeuringen en auditlogboeken.
• Een aanzienlijke vermindering van voorkombare configuratiefouten — waaronder verkeerde toetsaanslagen, verwisselde waarden of gemiste geschiktheidsvoorwaarden — via gestructureerde extractie, validatieregels en gecontroleerde release-workflows.

Deze cijfers zijn vooruitziende operationele doelen, geen historische resultaten van klanten. Lender Price gaf aan dat het gemeten resultaten zal valideren en publiceren naarmate POD-imaties volwassener worden. Die gepubliceerde resultaten geven geldverstrekkers een concreet ijkpunt om te beoordelen of de doelen in productie standhouden.

Nauwkeurigheid op schaal met experts in controle

Het ontwerp van POD erkent dat hypotheekprijsstelling niet in een vacuüm plaatsvindt. Richtlijnen van investeerders kunnen variëren in formaat en complexiteit, en updates in de praktijk vereisen vaak contextuele interpretatie. De AI-agenten zijn bedoeld voor het hoogvolume-, herhalende werk, terwijl escalatiepaden menselijk toezicht behouden voor dubbelzinnige richtlijnen, ongebruikelijke productstructuren en wijzigingen die extra controle verdienen.

Het resultaat is een pricingoperatie die sneller kan reageren op investeerderswijzigingen zonder de controles op te offeren die geldverstrekkers verwachten. Door repetitief handmatig werk te verminderen, stelt POD de pricingexperts van Lender Price in staat meer tijd te besteden aan kwaliteitsborging, randgevallen, strategie en klantspecifieke behoeften.

"De toekomst van POD is een nauwkeurigere, veerkrachtigere pricingoperatie", voegde Alimi toe. "Onze mensen blijven essentieel. AI-agenten maken hun expertise krachtiger door te helpen garanderen dat elke update — van een LLPA-wijziging tot een prijsspecial of geschiktheidsregel — met discipline, zichtbaarheid en snelheid wordt afgehandeld."

POD maakt deel uit van de bredere AI-strategie van Lender Price, die AI toepast waar het de implementatie-efficiëntie kan verbeteren, kwaliteitscontroles bij prijsstelling kan versterken en geldverstrekkers kan helpen met meer vertrouwen te opereren in een snel veranderende markt. De menselijk gecontroleerde opzet van POD weerspiegelt ook een breder patroon in fintech, waarbij AI-agenten steeds vaker worden ingezet onder menselijke review in plaats van volledige autonomie in gereguleerde gebieden van financiële dienstverlening.