Sohrab Hosseini, medstifter af orq.ai – Interviewserie

Sohrab Hosseini, medstifter af orq.ai, er en teknologileder og iværksætter baseret i Amsterdam-området med dyb erfaring på tværs af SaaS, store skala systemer og anvendt AI. Siden han co-foundede orq.ai i 2022, har han fokuseret på at bygge praktisk infrastruktur, der hjælper hold med at flytte store sprogmodeller fra eksperimenter til pålidelig produktionsbrug. Hans baggrund omfatter senior ledelsesroller som COO og CTO i Neocles, CTO of Future Technology i Transdev, hvor han arbejdede med autonome ruter og flådestyring, og COO i TradeYourTrip. Samtidig er han aktiv som rådgiver og engleinvestor, hvor han støtter tidlige AI-virksomheder med produktretning, teknisk dømmekraft og udførelsesstrategi.

orq.ai er en generativ AI-samarbejds- og LLMOps-platform bygget til at hjælpe organisationer med at designe, operere og skala AI-drevne produkter og agenter i virkelige miljøer. Platformen bringer promptstyring, eksperimentering, feedbackindsamling og realtids indsigt i ydeevne og omkostninger sammen i en enkelt arbejdsplads, samtidig med at den forbliver kompatibel med alle større leverandører af store sprogmodeller. Ved at enable nært samarbejde mellem tekniske og ikke-tekniske hold hjælper orq.ai virksomhederne med at forkorte udgivelsescykler, forbedre styre og gennemsigtighed og reducere kompleksiteten og omkostningerne ved at køre AI-systemer i produktion.

De har haft senior tekniske og operationelle roller på tværs af autonome systemer, flådestyringsteknologi og SaaS-platforme, før de co-foundede Orq.ai — hvordan formede denne karrierebane deres beslutning om at bygge en enterprise-klar kontrolskikt for AI-agenter i 2022?

Vores baggrund har altid været om at lede ingeniørhold og fokusere på enablement-platforme; ting som cloud, DevOps og data-enablement, især under vores tid som tekniske konsulenter. Da den generative AI-boom startede, spurgte min medstifter og jeg os selv: Hvad for slags enablement vil virksomhederne behøve, ikke kun for at bygge AI, men for at styre og kontrollere det ordentligt?

Vi så, at det virkelige behov var for et enterprise-klart kontrolskikt for AI-agenter. Dette ledte os til at bygge Orq.ai fra starten.

Da de først lancerede Orq.ai, hvad så de i markedet, der overbeviste dem om, at den virkelige flaskehals ikke var modelkvaliteten, men udygtigheden til at tage agenter fra demos til pålidelig produktion?

Vi har altid troet, at når man bygger innovativt software, skal man bygge for fremtiden. Fra starten antog vi, at store sprogmodeller ville blive bedre og smartere over tid. Så det virkelige problem, vi så, var ikke modelkvaliteten i sig selv, men alle kontrol-, styre- og livscyklusproblemer, der opstår, når man forsøger at flytte fra en demo til et rigtigt produktionsmiljø.

Med andre ord, selvom modellerne forbedres, er den virkelige værdi for vores kunder (og for os) at sikre, at disse systemer faktisk kører pålideligt i produktion. Og det er virkelig, hvad vi satte os for at løse.

De fleste hold kan bygge imponerende prototyper, men kæmper med runtime-koordination, styre og overvågning. I deres syn, hvad er den største fejl ved, når ingeniørhold forsøger at skala fra et proof-of-concept-miljø til et live-produktionsagent?

Det største fejl er, at hold ofte tror, det er en lige, lineær vej fra at starte med at bygge en agent til at have den færdig. I virkeligheden er det en meget iterativ proces.

Man tilpasser konstant sine antagelser, tester dem, flytter ting til produktion og overvåger, hvad der sker i den virkelige verden. Man finder kanter, og så starter man den cyklus igen.

Udfordringen er, at det ikke er en enkelt indsats; det er en kontinuerlig proces. Og for at bygge videre på det er det ikke kun, at det er iterativt, men at der ofte ikke er nok værktøjer eller scaffold til stede for at støtte processen jævnt.

Man har brug for en måde for domæneeksperter, produktchefer og ingeniører at samarbejde uden at skabe siloer eller dyre overdragelser, der spilder meget tid. Så det er endnu et stort stykke af puslespillet: At sikre, at alle disse interessenter kan iterere sammen effektivt. Og det er noget, vi har virkelig forsøgt at løse.

Orq.ai positionerer sig selv som et samlet kontrolskikt, der spænder over eksperimentering, evaluering, overvågning og runtime. Hvorfor troede de, at en slut til slut-arkitektur var essentiel, snarere end at tilbyde isolerede værktøjer som mange punktløsninger?

Når man starter ud, er det naturligt at vælge et enkelt værktøj, der løser det største problem på det tidspunkt, ofte det, der er observabilitet. Men når holdet udvikler sig, rammer man det næste flaskehals og tilføjer endnu et værktøj, for eksempel en AI-port. Før man ved det, har man fem til syv forskellige værktøjer i sin landskab. Data bliver fragmenteret, folk mister overblik, og man spilder ressourcer bare på at vedligeholde alle disse integrationer. Man mister det samlede overblik over sin livscyklus.

Vi troede, at når agent-drevne virksomheder opstår, har man virkelig brug for den slut til slut-arkitektur. Man har brug for et samlet overblik over, hvad alle agenterne gør på tværs af organisationen, ikke kun fragmenterede punktløsninger. Det er derfor, vi ikke så nogen anden vej end at omfatte disse store dele af workflowet i en samlet platform.

Med den nye Agent Studio og redesignet runtime, hvilke store udfordringer forsøgte de at løse baseret på feedback fra tidlige kunder på tværs af Europa og USA?

Det, vi så, var, at hold brugte alle mulige open-source-biblioteker til at bygge deres agenter, selvom agentens arkitektur kan være ret ren og simpel. De endte med at have opblæste biblioteker, meget overhead og en stor læringskurve bare for at få simple agenter ud. Med Orq ville vi aflaste den byrde.

I stedet for at bekymre sig om arkitekturen, beregningen, autoskaleringen, alt det infrastruktur, kan holdene fokusere på at konfigurere deres agenter og give dem de rigtige værktøjer og API’er. Vi håndterer det tungeste arbejde, så de kan koncentrere sig om at bygge deres virkelige use-cases. Og oveni det, fordi vi understøtter hele livscyklussen, har vi bygget specialiserede værktøjer, der låter dig rigtigt teste dine agenter i stor skala.

Det betyder, at du kan finde kanter hurtigere og hærde dine agenter mere effektivt. Det handler om at give holdene de rigtige værktøjer, ikke kun for at bygge agenter let, men for at forfine og styrke dem i virkelige scenarier, uden alt det ekstra besvær.

Som GDPR og EU’s AI-lov strammer kravene, hvordan påvirker disse reguleringer, hvordan virksomheder designer, overvåger og implementerer agenter — og hvordan tilpasser Orq.ai sig?

Det er ikke så meget, at disse krav pludselig strammes, de er bare en del af loven, og vores kunder må overholde dem. Det, vi gør, er at sikre, at vi giver holdene de rigtige værktøjer, evalueringer og guardrails, så de kan bygge overensstemmelse ind fra dag én.

Vi sikrer, at dataresidens, dataprotektion, alt det, er indbygget fra starten. Og med de geopolitiske spændinger og skubben for teknologi- og AI-suverænitet i Europa, har vi set en stor efterspørgsel efter det. Da vi kan køre fuldt på-premises og hjælpe virksomhederne med at reducere afhængigheden, er vi i en god position til at hjælpe dem med at blive i kontrol over deres egen skæbne.

Virksomheder beder mere og mere om suveræne arkitekturer og hybrid-/on-premises-installationer. Hvad siger denne skift til dig om, hvor enterprise AI-infrastruktur er på vej?

Hver virksomhed og hver enkelt use-case indebærer kompromiser. Det er et spørgsmål om, hvor færdigbygget versus hvor sikker og på-premises noget skal være. Vi understøtter hver smag på spektret. Men det, vi ser, er en stærk fokus på suverænitet og dataresidens på modelniveau.

Kunderne ønsker klarhed over, hvor deres data bor, og evnen til at reducere afhængigheden af store cloud-udbydere. Takket være vores AI-port, der kører på tværs af alle større cloud-platforme og på-premises, kan holdene let gøre disse kompromiser på en use-case-basis. De får fleksibiliteten til at blive i kontrol og glide ubesværet mellem miljøer.

Vi ser en enorm efterspørgsel fra større virksomheder og offentlige institutioner.

Hvordan ser du multi-agent-workflows, safety-guardrails og mere avancerede resonanssystemer udvikle sig, når virksomhederne flytter fra eksperimenter til sand agent-industrialisering i 2026?

Når agent-brugen virkelig industrialiseres, ser vi nye typer problemer opstå, især med multi-agent-sætninger. Du kan have dusinvis eller endda hundredvis af agenter, der kører rundt i din organisation på samme tid, ligesom medarbejdere.

Spørgsmålet er: Hvordan styrer man dem alle, når man har denne multi-dimensionale sæt af problemer, som omkostninger, datakvalitet, dataresidens, korrekthed, hallucinationsmetrikker og så videre? Man har brug for et nyt styre-lag til at håndtere det, og man har brug for safety-guardrails, der kan deployes top-down.

Man har brug for top-down-overblik og nye aggregationslag, så CFO’en, COO’en, CISO’en kan se, hvad der sker, og gribe ind med handlebare indsigt. Vi mener virkelig, at i 2026 vil dette hele “agent-afdeling”-koncept og teknologien til at støtte det blive et meget varmere emne.

Agent-drift, kvalitetsregression og uklare dataflader er tilbagevendende problemer i produktions-AI. Hvordan tackler Orq.ai’s kontrolskikt disse langvarige huller i versionering, evaluering og fortsat overvågning?

Hver agent har virkelig brug for sin egen harness af evalueringer. Disse evalueringer definerer, hvad der er rigtigt og forkert for det pågældende scenario. Ved at bruge tid på at konfigurere disse evalueringssæt korrekt, kan holdene gøre bedre offline-eksperimenter for at se, hvordan tingene opfører sig, før de går live. Og så ved at overvåge disse samme evalueringer online, kan man spotte, når modellerne drifter eller når agentadfærd begynder at ændre sig over tid. På den måde har man en konsekvent sæt af kvalitetsmetrikker under offline-test, online-overvågning og guardrailing.

Settende fremad, hvad tror du vil definere den næste generation af enterprise-klare AI-agenter — og hvordan positionerer Orq.ai sig for at blive den standard-operationsplatform for den verden?

Settende fremad, tror jeg, at det, der vil definere den næste generation af enterprise-klare AI-agenter, er, at hver enkelt leverandør vil levere sine egne agenter. I større virksomheder vil det være et bredt landskab af first-party- og third-party-agenter, der arbejder sammen og kalder på hinanden.

Det vil ikke være kun en type agent eller en leverandør; det vil være et helt økosystem, der kræver styre og overensstemmelse. Og det er her, Orq kommer ind. Vi positionerer os selv som agent-kontroltårnet, der giver forskellige lag i organisationen det rigtige aggregations-overblik og handlebare indsigt til at gribe ind på ethvert stadium.

Uanset om det er bygning, skala, drift eller endda afvikling af agenter, vil forskellige funktioner have brug for forskellige overblik over det landskab. Og vi vil være den gå-to-leverandør af den kapacitet. Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge orq.ai.