Brian Hartzband, præsident for US-drift, GMEX Robotics – interviewserie

Brian Hartzband, præsident for US-drift hos GMEX Robotics, leder virksomhedens udvidelse i USA med fokus på at opbygge sit kommercielle fodaftryk, udvikle strategiske partnerskaber og bringe sine fysiske AI‑ og robotikplatforme i virkelige implementeringer. Før han tiltrådte GMEX Robotics, tilbragte Hartzband næsten fire år hos TEKsystems i teknisk rekruttering og kontoadministrationsroller for regerings‑ og videregående uddannelseskunder. Han var tidligere medstifter og medleder af Handcrafted 4 Home, hvor han drev udvidelsen af det amerikanske marked og partnerskaber med store detailhandlere og e‑handelsplatforme. Tidligere i sin karriere arbejdede Hartzband med formueforvaltning hos Merrill Lynch og UBS, hvor han rådgav høj‑ og ultra‑høj‑nettoformue‑kunder og hjalp med at opbygge en betydelig international kundeportefølje.

GMEX Robotics er et Nasdaq‑noteret fysisk AI‑ og robotikfirma, der udvikler intelligente maskiner til kommercielle miljøer. Tidligere kendt som Fitell Corporation, følger virksomheden det, den beskriver som en “Terminal + Brain”-tilgang, der kombinerer specialbygget robothardware med tilpasningsdygtige AI‑funktioner i stedet for at stole på en fuldt vertikalt integreret teknologisk stack. Dens første store kommercialiseringsfokus er 2F Culinary AI, en kommerciel køkkenrobotikplatform, der omfatter Bon Vivant 3.0‑ og Max‑systemerne, som bruger sensorer, AI‑drevne styringer og programmerbare arbejdsgange til at automatisere madforberedelse. GMEX har også identificeret transport og logistik, industriel automation og ressourceudforskning som langsigtede ekspansionsområder. I marts 2026 annoncerede virksomheden en aftale på AU$4.2 million, der dækker mindst 50 intelligente køkkenrobotiksystemer til en australsk hospitality‑gruppe, efterfulgt af dens første leveringsordre i maj.

Du tiltrådte for nylig GMEX Robotics som præsident for US‑drift efter en karriere, der spænder over finansielle tjenester, iværksætteri, teknologirekruttering og virksomheders relationer. Hvad overbeviste dig om, at fysisk AI og robotik udgjorde det rigtige næste kapitel, og hvad er dine prioriteter, når du opbygger GMEX’s tilstedeværelse i USA?

Jeg så værdien i AI og robotter, især inden for social intelligens, som sker lige nu. Jeg ønskede at bidrage til det. Det, der begejstrer mig ved GMEX, er Terminal + Brain-modellen. Vi forsøger ikke at gøre alt selv. Vi bygger hardware, der er pålidelig og praktisk, og vi forbinder den med AI i verdensklasse. Det er en helt anden tilgang end den, de fleste robotikvirksomheder har. Lige nu taler jeg med investorer om, hvad vi faktisk bygger, og etablerer nøglepartnerskaber i USA. Dette er det rette tidspunkt for dette.

GMEX beskriver sin strategi som et “Terminal + Brain”‑økosystem, hvor robothardware forbinder den fysiske verden med et AI‑intelligenslag. Kan du forklare, hvordan denne arkitektur fungerer, og hvad du mener adskiller den fra mere vertikalt integrerede tilgange til robotik?

De fleste robotikvirksomheder forsøger at bygge alt selv; hardware, software og AI. Det er dyrt og langsomt. Vi gør det anderledes. Terminalen er vores hardware. Hjernen er vores AI‑orchestreringslag, som vi bygger i partnerskab med virksomheder som 247meta. Fordelen er fleksibilitet. Hvis bedre AI bliver tilgængelig, integrerer vi den uden at skulle genopbygge robotten. Vi er ikke låst fast i én løsning. Vi fokuserer på det, vi er bedst til; pålidelig, praktisk hardware, og vi samarbejder med AI i verdensklasse i stedet for at forsøge at overgå alle på tekniksiden alene. Det betyder hurtigere iteration, lavere kapitalbehov, og vi bevæger os i AI‑innovationens tempo, ikke i mekanisk ingeniørs tidsrammer.

GMEX har indgået en aftale om at erhverve en indledende andel i MediaMeta.ai, hvis teknologi fokuserer på social intelligens og menneskelig adfærdsmodellering. Hvad betyder “social intelligens” i en robots kontekst, og hvilke nye funktioner kan den åbne op for, som nutidens multimodale AI‑modeller ikke kan levere pålideligt?

Social intelligens betyder robotter, der tænker på mennesker, ikke kun på opgaver. Nutidens AI er fremragende inden for syn, sprog og ræsonnement. Men den er svag til at læse en person, deres følelsesmæssige tilstand, hvad de faktisk har brug for, og hvordan man arbejder med dem i et reelt miljø. Vi underskrev en bindende aftale med MediaMeta, fordi deres fokus på menneskelig adfærdsmodellering præcist adresserer dette hul. Det er den retning, MediaMets langsigtede roadmap peger mod: at udvikle social‑intelligens‑AI og adfærdsmodellering som et kontekstuelt forståelseslag, der på sigt kan supplere vores Terminal + Brain‑økosystem. Underlagt udvikling, integration og test kan disse funktioner hjælpe robotter med at fortolke kontekst, kommunikationsmønstre og menneskelig intention, hvilket er forskellen mellem en robot, der blot udfører en opgave, og en, der er virkelig nyttig.

Hvor har de mest avancerede robotter i dag stadig problemer med at fortolke mennesker? Er de største begrænsninger omkring genkendelse af følelser og intentioner, forståelse af social kontekst, tilpasning til kulturelle forskelle, eller er det noget mere grundlæggende?

Alt det ovenstående. Men det egentlige problem er, at AI-udviklingen har optimeret for opgavefuldførelse – kan robotten samle objektet op, navigere i rummet? Det er målbare. At læse mennesker er det ikke. Så det får mindre opmærksomhed. Robotter kan genkende, at nogen ser ked af det ud, men de er svage til at forstå, hvorfor de er ked af det, eller hvad der faktisk ville hjælpe. Selv små fejl nedbryder tilliden. En robot, der får 90 % af de sociale signaler rigtige, lyder godt i et testmiljø, men i den virkelige verden betyder de resterende 10 % meget. Folk beslutter, at de ikke vil arbejde med den maskine. Vi er nødt til at vende prioriteringen. Det er, hvad vi bygger hos GMEX.

En robot, der opererer i et lager, kan ofte fungere inden for relativt strukturerede regler, mens en robot på et hospital, hotel, skole eller i hjemmet skal håndtere langt mere uforudsigelig menneskelig adfærd. Hvordan skal AI‑stakken ændres, når robotter bevæger sig ind i disse mere socialt komplekse miljøer?

Social intelligens. På et lager kan du kode reglerne. Miljøet er forudsigeligt. Når du flytter en robot ind i et rum med mennesker, ændrer alting sig. Folk improviserer, de skifter mening, de har dårlige dage. AI’en skal læse dette i realtid og tilpasse sig. Det er ikke længere regelbaseret. Det er kontekstbaseret. Robotten skal forstå øjeblikket, personen, miljøet og beslutte, hvad der giver mening. Det kræver hurtig forbindelse og en helt anden arkitektur underliggende. Den skal også vide, hvornår den skal bede om hjælp i stedet for at gætte forkert.

Menneskelig adfærdsmodellering rejser uundgåeligt spørgsmål om privatliv, samtykke, bias og fejltolkning af menneskelige intentioner. Hvordan skal udviklere bygge social intelligens ind i robotter uden at skabe maskiner, der bliver for påtrængende eller foretager potentielt konsekvente antagelser om mennesker?

I sidste ende handler det om at bygge social intelligens ind i robotter, så de er hjælpsomme uden at være mærkelige. Robotter bør ikke psykoanalysere folk eller gætte, hvad nogen “mente” – det er sådan, man får privatlivsproblemer og dårlige antagelser. Hold dig til det, der kan observeres: hvordan nogen bevæger sig, hvor tæt de er, gestusser. Giv folk kontrol med tydelige privatlivssignaler og enkle opt‑in‑interaktioner. Hold dataaftrykket lille, behandl lokalt når du kan, og auditér adfærd, så den behandler alle ens. MediaMeta formaliserer en databeskyttelses‑ og ansvarlig AI‑ramme, der dækker dataminimering, gennemsigtighed, bias‑gennemgang, menneskelig tilsyn og sporbarhed. Det er den slags gennemtænkte tilgang, vi vil have integreret i vores systemer. Hvis robotten ikke er sikker på, hvad nogen vil, bør den sænke farten, give plads eller pause. Sådan bygger du social bevidsthed uden at overskride grænser.

Hvordan evaluerer du egentlig, om en robot er blevet bedre til at forstå mennesker? Hvilke typer benchmarks, simulationer eller virkelige tests er nødvendige for at måle social intelligens frem for blot om en robot har fuldført en opgave succesfuldt?

Du kan ikke bare se på, om den har afsluttet en opgave. Du ser på mikro‑adfærd: giver robotten behagelig afstand, giver den efter, når nogen træder ind i dens vej, bevæger den sig med den rette timing, tøver den, når intentionen er uklar? I simulation stress‑tester du med tætte menneskemængder, pludselige stop, tvetydige gestusser. I den virkelige verden observerer du, om robotten føles forudsigelig og behagelig for folk omkring den, og om den opfører sig konsistent på tværs af forskellige grupper. Det er den reelle benchmark, ikke opgavefuldførelse, men om mennesker føler, at robotten “forstår”, hvordan man bevæger sig og koordinerer i delt rum.

GMEX er allerede begyndt at kommercialisere sin Bon Vivant madlavningsrobotplatform. Hvad har disse tidlige implementeringer i den virkelige verden lært virksomheden om afstanden mellem at demonstrere en AI‑drevet robot og at drive en pålideligt i et kommercielt miljø?

Der er en reel kløft mellem at bevise, at en robot kan udføre en opgave, og at bevise, at den kan udføre den pålideligt, dag efter dag, i et kommercielt miljø. I en demo er alt kontrolleret. Rigtige køkkener er høj varme, høj volumen, uforudsigeligt – udstyr bliver ramt, ingredienser varierer, mennesker ændrer konstant rytmen. Bon Vivant er stationær, så udfordringen er ikke navigation; den er gentagelighed, holdbarhed, fejlgenopretning og at forblive integreret med eksisterende arbejdsgange. Vi har lært, at pålidelighed kommer fra at håndtere det “kedelige” – at tåle varme og fedt, forblive kalibreret, komme sig yndefuldt når noget går ud af script, holde tempoet uden at bremse mennesker. Kommerciel robotik handler ikke om at bevise, at robotten kan lave mad. Det handler om at bevise, at den kan lave mad konsekvent, sikkert, uden at blive en byrde i en rigtig virksomhed.

GMEX udvikler også en multi‑agent AI‑platform designet til at koordinere forskellige modeller og arbejdsgange. Hvordan ser du digitale AI‑agenter og fysiske robotter konvergere i fremtiden, og kan det samme intelligenslag i sidste ende koordinere både software‑agenter og maskinflåder?

Digitale AI‑agenter og fysiske robotter vil i stigende grad konvergere omkring et fælles koordineringslag. Software‑agenter kan fortolke forespørgsler og håndtere digitale arbejdsgange. Robotter udfører opgaver i den fysiske verden. Et fælles intelligenslag forbinder de to ved at oversætte en forretningsmæssig målsætning til opgaver, vælge de rette modeller og agenter og koordinere udførelsen. Den væsentlige forskel er koordination versus kontrol: Det fælles lag beslutter, hvad der skal ske, og hvem der skal gøre det, mens robot‑specifikke systemer bevarer ansvaret for navigation, bevægelsesstyring og sikkerhed. I et lager, for eksempel, behandler software‑agenter en ordre og tjekker lagerbeholdning, mens koordineringslaget anmoder om en passende robot til at flytte varerne. Den feedback løber tilbage og informerer næste skridt. Menneskelig overvågning og sikkerhedsmekanismer forbliver essentielle. Det er her, vi fokuserer med 247meta – en trinvis vej gennem grænsefladeintegration, simulering og kontrollerede pilotprojekter for at understøtte koordinerede arbejdsgange på tværs af virksomhedssoftware og fysiske maskiner.

Hvis social intelligens bliver et grundlæggende lag i fysisk AI, hvad tror du så, det vil ændre ved robotindustrien? Kan forståelse af menneskelig adfærd i sidste ende vise sig at være lige så vigtig for udbredt robotadoption som fremskridt inden for smidighed, computersyn og ræsonnement?

Social intelligens vil fundamentalt omforme robotteknologi. Branchen har fokuseret på hardware‑kapacitet, visionssystemer og ydeevne – alt vigtigt, men intet af dette garanterer, at en robot fungerer gnidningsløst omkring mennesker i et køkken eller på en produktionslinje. Social intelligens er det, der gør en robot forudsigelig, nem at omgå, og som er i overensstemmelse med, hvordan mennesker naturligt bevæger sig og koordinerer. Når robotter bevæger sig fra kontrollerede demonstrationer til reelle kommercielle miljøer, bliver denne del af systemet lige så vigtig som hardware og kontrolstakken. Forståelse af menneskelig adfærd vil være lige så væsentlig som fremskridt inden for perception eller pålidelighed. Det er forskellen mellem en robot, der kan udføre opgaven, og en robot, der passer ind i den reelle driftsflow.

Tak for det gode interview, læsere, der ønsker at lære mere om dette robotfirma, bør besøge GMEX Robotics.