Jeffrey Lai, grundlægger og administrerende direktør for IrisGo – Intervieuserie

Jeffrey Lai, grundlægger og administrerende direktør for IrisGo, er en AI-iværksætter og produktleder med dybe rødder i intelligente assistenter og sprogteknologier. Før han startede IrisGo i 2025 og fungerede som grundlægger i AI Fund, tilbragte Lai mere end 12 år hos Apple (AAPL ), hvor han hjalp med at bygge og skala Siri, og fungerede til sidst som Sirisprogteknisk chef. Hans arbejde fokuserede på at fremme multilingual conversational AI, herunder udviklingen af den kinesisk-sprogede version af Siri. Før Apple havde han ingeniørroller hos Cisco Systems (CSCO ) og gennemførte en praktikperiode hos Intelligent Robotics Group på NASA Ames Research Center. Med en karriere, der spænder over robotteknologi, virksomhedssoftware og forbruger-AI, har Lai konsekvent fokuseret på at gøre komplekse teknologier mere tilgængelige og nyttige i daglige arbejdsprocesser.

IrisGo udvikler et AI-operativsystem designet til den nye generation af AI-drevne personlige computere. I stedet for at fungere som en selvstændig chatbot er platformen bygget til at observere, hvordan brugere udfører opgaver på tværs af applikationer, lære disse arbejdsprocesser og automatisere dem gennem en intelligent på-enhed-assistent. Dets kerneapproach handler om at give brugerne mulighed for at demonstrere en opgave én gang og derefter omdanne denne proces til en genbrugbar arbejdsproces, hvilket hjælper med at reducere gentagen digitalt arbejde. Ved at udnytte de dedikerede AI-behandlingskapaciteter, der findes i moderne AI-PC’er, sigter IrisGo mod at aktivere mere private, responsive og kontekstbevidste automation, og positionerer sig selv inden for den voksende marked for agente AI-systemer, der kan aktivt udføre opgaver på vegne af brugere i stedet for blot at give anbefalinger.

Efter at have hjulpet med at bygge Siri hos Apple, hvilke specifikke erfaringer overbeviste dig om, at det var tid at starte IrisGo, og hvilket var det centrale problem i menneske-computer-interaktion, som du følte var uløst?

Da vi byggede Siri, var vi utrolig fokuserede på naturlig sprogforståelse. Men Siri kæmpede med kontekst, hvilket er udfordrende, fordi måden, mennesker faktisk arbejder og kommunikerer på, er fuld af implicit kontekst. Når du spørger en kollega: “Kan du sende mig den rapport?” ved de, hvilken rapport. De ved jeres fælles historie, jeres nuværende projekt, hvad I har diskuteret. Siri havde ikke det.

I mange år er AI blevet designet til at reagere på dig. Skriv noget ind, få noget tilbage. Det er interaktionsmodellen, vi har arvet fra søgemaskiner og chatbots. Men det meste af, hvad mennesker faktisk gør på en computer, er ikke et spørgsmål, det er en arbejdsproces. Sammenstil denne rapport. Sammenlign disse regneark. Træk data fra tre forskellige apps og formatér det til en dokument. Den slags arbejde passer ikke ind i en prompt.

Hvad overbeviste mig om at starte IrisGo, var, at industrien ikke byggede til hverdagsbrug. Alle byggede smartere modeller, bedre sprogforståelse, hurtigere svar. Men den fundamentale lukke, hvor AI kan faktisk udføre arbejdet, og ikke blot reagere på anmodninger, var stadig der. Det er problemet, vi satte os for at løse.

Med tilbageblik på dine år med at arbejde på Siri, hvilke var de største lærdomme, du lærte om begrænsningerne for taleassistenter, især når det kommer til at forstå kontekst, hensigt og brugeradfærd?

Den største lærdom, jeg lærte, er, at kontekst er alt. Mennesker kommunikerer sjældent i isolerede kommandoer; deres anmodninger formas af, hvad de arbejder på, og hvad de prøver at opnå. Tidlige taleassistenter var designet omkring at besvare enkeltanmodninger, hvilket fungerer godt for mange opgaver, men er mindre effektivt for fortsat arbejde, der omfatter multiple applikationer og arbejdsprocesser. Denne erfaring lærte mig, at forståelse af hensigt kræver forståelse af kontekst, og den indsigt blev en af de grundlæggende idéer bag IrisGo.

Hvad vi lærte, er, at hensigt ofte er lagdelt. Nogen siger noget og mener noget andet, og at få det rigtigt kræver forståelse af personen, ikke blot ordene. Den forståelse er indbygget i IrisGo fra begyndelsen.

IrisGo beskrives ofte som et AI-operativsystem snarere end en AI-assistent. Hvad er forskellen, og hvorfor tror du, industrien har brug for et nyt softwarelag til AI-PC-æraen?

En AI-assistent venter på dig. Du åbner den, skriver noget, den reagerer, og så er den færdig. Interaktionsmodellen er essentiellement den samme som en søgemaskine, hvor brugeren giver en anmodning, og AI genererer et svar.

IrisGo, som er et AI-operativsystem, arbejder sammen med alt, du gør, på tværs af hele dit system, hele tiden. Det har adgang til dine filer, dine apps, din browser, din e-mail. Det forstår, hvordan du arbejder, fordi det har overvåget, med din tilladelse. Og afgørende, det kan handle, ikke blot rådgive.

Tænk på, hvad Windows gjorde for personlig computing. Før det havde du en teknisk person, der skulle bruge en computer. Windows skabte et universelt, intuitivt lag mellem mennesker og software. AI-PC-æraen har brug for sin egen version af det lag, der tager den rå kraft fra AI-modeller og gør den virkelig nyttig for mennesker, der udfører deres daglige arbejde.

Det er, hvad IrisGo er: intelligenslaget i AI-PC’en. Når du leverer AI-PC’er uden det lag, har du bare en kraftfuld chip, der står inaktiv. Det, du har brug for, er software, der ved, hvordan man sætter det i arbejde på vegne af personen, der bruger det.

En af IrisGos kerneidéer er, at brugere kan lære systemet en opgave gennem en enkelt demonstration. Hvorfor tror du, at “watch and learn” er en mere naturlig model end prompting eller manuelt at bygge arbejdsprocesser?

Hvad der gør “Watch and Learn”-funktionen så kraftfuld, er, at den er baseret på, hvordan vi faktisk underviser hinanden. Når du påbegynder en ny medarbejder, skriver du ikke en 40-trins prompt. Du viser dem, hvordan du gør noget én gang, de ser til, de lærer, og de tager det fra der. Det er intuitivt. Det er naturligt.

Problemet med prompting er, at det lægger byrden på brugeren at formulere præcis, hvad de vil have, på en måde, som AI kan forstå. For simple forespørgsler fungerer det fint. Men hvad med komplekse, multisteps-arbejdsprocesser, der involverer dine specifikke filer og din specifikke måde at gøre tingene på? Det kan bryde sammen hurtigt. De fleste mennesker kan ikke beskrive deres arbejdsprocesser med tilstrækkelig præcision til at prompte en AI til at gøre dem korrekt.

At vise er lettere end at fortælle. Det er ikke en ny indsigt; det er fælles fornuft. Hvad Watch and Learn gør, er at anvende den logik til automation. Du udfører din opgave én gang, på den måde du normalt ville. IrisGo lærer mønsteret. Og fra det punkt udfører det arbejdsprocessen for dig.

Mange AI-agenter i dag kræver betydelig opsætning og overvågning. Hvad adskiller en virkelig autonom agent fra en chatbot, der blot følger instruktioner?

Det korte svar er, at en virkelig autonom agent har sin egen kontekst, tager sine egne beslutninger og fortsætter med at arbejde, selv når du ikke overvåger.

En chatbot er reaktiv ved design. Den lever og dør af prompten. Du giver den en instruktion, den udfører, og så stopper den. Hvis noget ændrer sig, hvis et trin fejler, eller hvis den skal tilpasse sig, bliver den fortabt. Den vil spørge dig, hvad den skal gøre herefter.

En virkelig autonom agent har et mål, ikke blot en instruktion. Den har kontekst omkring den omgivelse, den opererer i. Den kan håndtere undtagelser. Den kan beslutte, om den skal fortsætte, gentage eller flagge noget for menneskelig gennemgang. Og vigtigt, den kan køre i baggrunden, mens du arbejder på andre ting.

Det meste af, hvad der sælges som “AI-agenter” i dag, er faktisk avancerede chatbots med ekstra trin. Gapet mellem disse produkter og rigtig autonomi er enormt. Hvad der gør IrisGo anderledes, er, at det starter fra en model af, hvordan du arbejder, lært direkte fra at observere dig, og bruger det til at tage de rigtige beslutninger, ikke blot følge instruktioner.

Du har talt om vigtigheden af varig hukommelse og lokal kontekst. Hvorfor er disse kapaciteter essentielle, hvis AI skal gå ud over at besvare spørgsmål og begynde at handle på vegne af en bruger?

Forestil dig, at du ansætter en assistent, der hver eneste morgen har ingen erindring om, hvem du er, hvad du arbejder på, eller hvordan du foretrækker, tingene bliver gjort. Du ville bruge halvdelen af din dag på at forklare kontekst om og om igen, og du ville blive ekstremt frustreret. Det er grundlæggende, hvad de fleste AI-værktøjer beder dig om at gøre i dag.

Varig hukommelse betyder, at systemet kender dig. Det kender dine projekter, dine arbejdsprocesser, dine præferencer og hvordan tingene har udviklet sig over tid. Du behøver ikke at genoprette kontekst hver session. AI bærer det videre.

Lokal kontekst er lige så kritisk, fordi dit arbejde ikke bor i skyen. Det bor på din computer, i filer, applikationer, e-mails, browserfaneblade. IrisGo kører på din enhed, hvilket betyder, at den har adgang til hele din arbejdsmiljø og kan operere på din vegne på tværs af alt.

Disse to ting sammen – hukommelse og lokal adgang – er, hvad der tillader AI at stoppe med at være et værktøj, du bruger, og starte med at være et system, der arbejder for dig. Vi ser mere af tech-industrien begynde at anerkende vigtigheden heraf, herunder de store tech-virksomheder, så det er en tydelig validering af vores tilgang.

Privatliv er en af de største bekymringer omkring AI. Hvordan balancerer du behovet for personliggørelse og hukommelse med brugerforventninger omkring sikkerhed og dataejerskab?

Antagelsen om, at privatliv og personliggørelse er i spænding, er det første, der skal udfordres. Vi byggede IrisGo, så personliggørelse kan ske på enheden, ikke blot i skyen.

Det overvældende flertal af IrisGos behandling sker lokalt på din computer. Dine arbejdsprocesser, dine filer, din kontekst bliver hos dig. Skybehandling sker kun, når du udtrykkeligt autoriserer det, og når det sker, er det krypteret fra ende til ende. Du er i kontrol over, hvad der går hvor.

Denne model gør IrisGo mere kraftfuld, fordi den har adgang til den fulde kontekst af din arbejdsmiljø. Og det betyder, at brugere ikke behøver at vælge mellem et brugbart AI og et sikkert.

Mennesker stoler på deres personlige computere med følsomt arbejde. Vores mål er at gøre IrisGo værdig til den samme tillid. Dette er grundlæggende for, hvordan produktet er designet.

IrisGo bliver allerede leveret på AI-PC’er fra Acer, med planer om at udvide til yderligere fabrikater. Hvor vigtigt tror du, distributionspartnerskaber vil være i afgørelsen af, hvilke AI-platforme til sidst når mainstream-accept?

Distribution er absolut kritisk for mainstream-accept. Se blot på historien om platformkonkurrence i tech. Windows vandt, fordi det var på næsten hver PC. Android vandt, fordi det var det mest brugte operativsystem til mobile enheder, der ikke var iPhones. Virksomhederne, der prøvede at vinde gennem ren produktkvalitet, uden distribution til at bakke det op, gjorde det som regel ikke.

AI-PC-markedet følger en lignende mønster. Når IrisGo er forudinstalleret på en enhed, er det der, når du åbner kassen. Du behøver ikke at søge efter det, downloade det eller beslutte dig for at give det en chance. Det er en enorm fordel.

Vi er allerede i 3 millioner Acer-laptopenheder, der vil blive leveret i år, og vi er i samtaler med yderligere top-PC-fabrikater. Målet er at være AI-operativsystemmet for PC’er som standard. Den distributionsstrategi er central for, hvordan vi bliver standarden i denne kategori.

Når AI-agenter bliver i stand til at håndtere fakturaer, forskning, rapportering og andre forretningsarbejdsprocesser, hvilke nye regulerings-, overvågnings- og tillidsudfordringer bør organisationer forberede sig på i dag?

Den første udfordring er revision. Når en AI-agent fuldfører en arbejdsproces, såsom behandling af en faktura eller generering af en rapport, kan du se, hvad den gjorde, hvorfor den gjorde det, og hvor data kom fra? Den slags gennemsigtig revisionshistorik er essentiel for overholdelse og for at fange fejl, før de forværres.

Den anden er at definere grænser. Hvilke arbejdsprocesser er egnet til autonom udførelse, og hvilke kræver menneskelig gennemgang? Virksomhederne har brug for klare politikker omkring dette. Tendensen er at lade AI gøre mere og mere, gradvist, og derefter realisere for sent, at vigtige beslutninger bliver taget uden tilstrækkelig overvågning.

Tredje er tillidskalibrering. Medarbejdere har brug for at forstå, hvad AI kan og ikke kan, og hvornår de skal verificere dens output i stedet for at antage, det er korrekt. Det er en kultur- og uddannelsesmæssig sag lige så meget som en teknisk.

Jeg tror, at organisationerne, der forbereder sig på dette i dag, vil have en betydelig fordel, fordi når AI-kapaciteterne vokser, vil reguleringsrammerne også vokse.

Om fem år tror du, at mennesker stadig vil bruge det meste af deres tid på at interagere med AI gennem chat-grænseflader, eller vil AI mere og mere forsvinde i baggrunden og proaktivt udføre arbejde uden at blive bedt om det?

Trajektoren er allerede tydelig og viser, at AI vil mere og mere flytte sig ind i baggrunden. Modellen, vi bygger imod, er en, hvor din computer forstår dit arbejde og tager sig af de rutinemæssige dele af det, så din opmærksomhed frigøres til de ting, der faktisk kræver dig.

Tænk på, hvordan autopilot fungerer i luftfart. Piloter er ikke hånd-til-hånd hver eneste sekund af hver eneste flyvning. Systemet håndterer grundlaget, og mennesket engagerer sig, når dømmekraft og ekspertise er nødvendig. Det er fremtiden for AI-assisteret videnarbejde. Din computer håndterer de repetitive, regelbaserede arbejdsprocesser. Du fokuserer på strategi, kreativitet og de beslutninger, der kræver rigtig menneskelig dømmekraft.

Om fem år vil de mest produktive mennesker være dem, der står ved siden af systemer, der forstår, hvordan brugeren opererer. I fortiden gjorde mennesker alt arbejdet på deres computere. I fremtiden vil din computer også udføre arbejde for dig.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge IrisGo.