Matthew Fitzpatrick, administrerende direktør for Invisible Technologies – Intervieuserie

Matthew Fitzpatrick er en erfaren operations- og vækstspecialist med dyb ekspertise i at skala komplekse arbejdsgange og teams. Med en baggrund, der spænder over konsulentvirksomhed, strategi og operativ ledelse, fungerer han i øjeblikket som administrerende direktør i Invisible Technologies, hvor han fokuserer på at designe og optimere end-to-end forretningsløsninger. Matthew er passioneret om at kombinere menneskelig talent med automatisering for at drive effektivitet i stor skala, og hjælper virksomheder med at låse op transformerende vækst gennem procesinnovation.

Invisible Technologies er et AI-produktionslag og et enterprise softwarefirma, der hjælper organisationer med at bygge, udrulle og skala AI-systemer på tværs af komplekse forretningsmiljøer. Dets platform kombinerer AI-drevet software, menneskelig ekspertise og operativ infrastruktur for at understøtte produktionsarbejdsgangene, der kræves for at træne, evaluere og operere avanceret AI. Invisible samarbejder med virksomheder om at håndtere kompleks data, automatisere arbejdsgange og integrere AI i forretningsprocesser, og leverer den infrastruktur og ekspertise, der er nødvendig for at flytte AI-initiativer fra eksperimenter til pålidelig, produktionsklar udrulning.

Du er lige gået fra at lede QuantumBlack Labs hos McKinsey til at blive administrerende direktør for Invisible Technologies. Hvad tiltrak dig til denne rolle, og hvad er det, der mest fascinerer dig ved Invisible’s mission?

Hos McKinsey havde jeg privileiet at arbejde i fremhærd af AI-innovation – bygge AI-softwareprodukter, lede R&D-bestræbelser og hjælpe virksomheder med at udnytte kraften af data. Det, der tiltrak mig til Invisible Technologies, var muligheden for at gøre det operationelt i stor skala med en kombination af en unikt fleksibel AI-softwareplatform og en ekspertmarked for menneskelig feedback – jeg tror, at Reinforcement Learning fra menneskelig feedback (RLHF) er nøglen til præcise og pålidelige GenAI-implementeringer. Invisible understøtter AI på tværs af hele værdikæden, fra datarensning og dataindtastningsautomatisering til kæde af tankegang og brugerdefinerede evalueringer. Vores mission er enkel: kombinere menneskelig intelligens og AI for at hjælpe virksomheder med at leve op til AI’s potentiale, som i virksomheder har været meget sværere end de fleste mennesker havde forventet.

Du har overvåget 1.000+ ingeniører og skaleret multiple AI-produkter på tværs af brancher. Hvad lærte du af McKinsey, og hvordan anvender du det i Invisible’s næste vækstfase?

To lærdomme står frem. Først er succesfuld AI-adopterering lige så meget om organisations-transformation som det er om teknologi. Du har brug for de rigtige mennesker og processer på plads – oven i fantastiske modeller. Anden, de virksomheder, der vinder i AI, er de, der mestre “sidste mile” – overgangen fra eksperimenter til produktion. Hos Invisible anvender vi den samme rigor og struktur til at hjælpe kunder med at flytte sig ud over pilotprojekter og ind i produktion, og levere reel forretningsværdi.

Du har sagt, at “2024 var året for AI-eksperimenter, og 2025 handler om at realisere ROI.” Hvad er de specifikke tendenser, du ser hos virksomheder, der faktisk opnår denne ROI?

Virksomheder, der ser reel ROI i år, gør tre ting godt. Først er de tæt forbundet med AI-brugsfald til kerneforretnings-KPI’er – såsom operativ effektivitet eller kundetilfredshed. Anden, de investerer i bedre kvalitetsdata og menneskelig feedback-løkker for at kontinuerligt forbedre modellens præstation. Tredje, de skifter fra generiske løsninger til tilpassede, domænespecifikke systemer, der afspejler kompleksiteten af deres miljøer. Disse virksomheder tester ikke længere kun AI – de skalerer det med formål.

Hvordan udvikler efterspørgslen efter domænespecifik og PhD-niveau data-mærkning sig på tværs af grundlæggende model-leverandører som AWS, Microsoft (MSFT ), og Cohere?

Vi ser en stigning i efterspørgslen efter specialiseret mærkning, da grundlæggende model-leverandører bevæger sig ind i mere komplekse vertikaler. Hos Invisible har vi en årlig accepteringsrate på 1% på vores ekspertpool, og 30% af vores trænere har master- eller PhD-uddannelser. Denne dybe ekspertise er stadig mere nødvendig – ikke kun for at annotere data præcist, men for at give nuanceret, kontekstbevidst feedback for at forbedre tankegang, præcision og alignment. Da modellerne bliver smartere, bliver standarden for at træne dem højere.

Invisible er i fremhærd af agens-ai, med fokus på beslutningstagning i virkelige arbejdsgange. Hvad er din definition af agens-ai, og hvor ser vi mest løfte?

Agens-ai henviser til systemer, der ikke kun reagerer på instruktioner – de planlægger, tager beslutninger og handler inden for definerede rammer. Det er ai, der opfører sig mere som en medarbejder end et værktøj. Vi ser mest fremgang i højvolumen, komplekse arbejdsgange – såsom kundesupport og forsikringskrav, for eksempel. I disse områder kan agens-ai reducere manuel indsats, øge konsistens og levere resultater, der ellers ville kræve store menneskelige hold. Det handler ikke om at erstatte mennesker – i stedet supplerer vi dem med intelligente agenter, der kan håndtere det repetitive og det rutinemæssige.

Kan du dele eksempler på, hvordan Invisible træner modeller for kæde af tankegang og hvorfor det er kritisk for virksomhedsudrulning?

Kæde af tankegang (CoT) har låst op nye muligheder for virksomheds-ai. Hos Invisible træner vi modeller til at tænke skridt for skridt, hvilket er afgørende, når der er høje stakes – enten du diagnosticerer en patient, analyserer en kontrakt eller validerer en finansiel model. CoT forbedrer ikke kun gennemsigtighed, men også fejlfinding, forbedring og præstationsgevinster uden massive nye datasæt. Vi har set førende modeller som Gemini, Sonnet og Grok begynde at afsløre deres tankegangsveje, hvilket giver os mulighed for at observere ikke kun, hvad modellerne producerer, men hvordan de kommer dertil. Dette lægger grundlag for mere avancerede metoder som Tree of Thought (hvor modeller evaluerer multiple mulige tankegangsveje, før de fastholder et svar) og Selv-Konsistens (hvor multiple tankegangsveje undersøges).

Invisible understøtter træning på tværs af 40+ programmeringssprog og 30+ menneskesprog. Hvor vigtig er kulturel og sproglig præcision i opbygning af globalt skalerbar ai?

Det er kritisk. Sprog handler ikke kun om oversættelse – det handler om kontekst, nuance og kulturelle normer. Hvis en model misfortolker tone eller mangler regional variation, kan det føre til dårlige brugeroplevelser eller endda compliance-risici. Vores flersprogede trænere er ikke kun flydende – de er integreret i de kulturer, de repræsenterer.

Hvad er de almindelige fejlpunkter, når virksomheder forsøger at skala fra bevis for koncept til produktion, og hvordan hjælper Invisible med at navigere i denne “sidste mile”?

De fleste ai-modeller når aldrig til produktion, fordi virksomheder undervurderer den operative indsats, der kræves. De mangler ren data, robuste evalueringsskemaer og en strategi for at integrere modeller i virkelige arbejdsgange. Hos Invisible kombinerer vi dyb teknisk erfaring med produktionsklar data-infrastruktur for at hjælpe virksomheder med at brokke gapet. Vores symbiotiske kapaciteter i træning og optimering giver os mulighed for både at bygge bedre modeller og udrulle dem succesfuldt.

Kan du føre os igennem Invisible’s tilgang til RLHF (Reinforcement Learning fra menneskelig feedback) og hvordan det adskiller sig fra andre i branchen?

Hos Invisible ser vi Reinforcement Learning fra menneskelig feedback (RLHF) som mere end bare fin-justering – det giver mulighed for mere sofistikeret brugerdefineret evaluering (“eval”) design og en skiftning mod træning af modeller med nuanceret menneskelig vurdering i stedet for binære signaler som tommelfinger op og tommelfinger ned. Mens branchetilgange ofte prioriterer skala gennem højvolumen, lav-signal data, fokuserer vi på at indsamle struktureret, høj-kvalitets feedback, der fanger tankegang, kontekst og kompromiser. Denne rigere signal giver modellerne mulighed for at generalisere mere effektivt og tilpasse sig mere nøjagtigt til menneskelig intention. Ved at prioritere dybde over bredde bygger vi infrastrukturen for mere robuste, tilpassede ai-systemer.

Hvordan forestiller du dig, at fremtiden for ai-menneskelig samarbejde vil udvikle sig, især i højrisiko-områder som finans, sundhed eller offentlig sektor?

AI erstatter ikke menneskelig ekspertise – det bliver den infrastruktur, der understøtter det. Jeg forestiller mig en fremtid, hvor ai-agenter og menneskelige eksperter arbejder sammen – hvor kliniske specialister støttes af diagnostiske co-piloter, regeringsinstitutioner bruger ai til at prioritere goder mere effektivt, og finansielle analytikere er fri til at fokusere på strategi i stedet for regneark. Vores fokus er på at designe systemer, hvor ai forbedrer menneskelig kapacitet, i stedet for at skjule eller overtage den.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Invisible Technologies.