Jito Chadha, Gründer und CEO von Nventr – Interview-Serie

Jito Chadha, Gründer und CEO von Nventr, ist ein erfahrener Technologie-Executive und Investor, dessen Karriere sich über künstliche Intelligenz, Data Science, Venture Capital und Geschäftsentwicklung erstreckt. Seit der Gründung von Nventr im Jahr 2019 hat er die Entwicklung von Unternehmens-AI-Technologien geleitet, während er auch als CEO des Predictive-Analytics-Unternehmens Rule14 tätig war. Chadha ist seit 2007 Teil von HandsOn Global Management und wurde 2013 Partner, wobei er zur Quelle, Struktur und Wertsteigerung zahlreicher Transaktionen beigetragen hat, während er Investitionen in Venture Capital, Data Science und natürliche Ressourcen leitete.

Nventr ist ein in Los Angeles ansässiges Unternehmen für Unternehmens-AI, das Technologien für den Bau, die Bereitstellung und das Management intelligenter Anwendungen und automatisierter Workflows entwickelt. Seine Plattform bringt AI-Agents, Machine-Learning-Modelle, neuronale Netze, Datenmanagement, intelligente Dokumentenverarbeitung, Visualisierung und Entwicklungstools zusammen. Zu den Produkten gehören Agent IO, ein Betriebssystem für die Orchestrierung autonomer Agenten über Geschäftsfunktionen hinweg, und nQube, ein Workflow-Builder, der die Entwicklung ohne Code, mit wenig Code und mit vollständigem Code unterstützt, sowie die Bereitstellung über Cloud, On-Premises und Edge-Umgebungen hinweg.

Bevor Sie Nventr und Rule14 leiteten, haben Sie Jahre damit verbracht, Investitionen zu suchen, Wert über Portfolio-Unternehmen zu schaffen und an Data-Science-Initiativen innerhalb komplexer Organisationen zu arbeiten. Wie hat diese Erfahrung Ihre Entscheidung beeinflusst, eine Unternehmens-AI-Plattform zu bauen, die auf Workflows anstatt auf einzelne Tools fokussiert ist?

Die Arbeit mit Portfolio-Unternehmen hat das gleiche Muster in verschiedenen Geschäften aufgedeckt. Jedes Unternehmen hatte Informationen, die durch mehrere Personen, Systeme und Genehmigungen fließen mussten, bevor ein Prozess abgeschlossen werden konnte.

Das hat Nventr dazu gebracht, sich auf Workflows anstatt auf einzelne Tools zu konzentrieren. Die Verbesserung einer einzelnen Aufgabe hat nur begrenzten Wert, wenn das Ergebnis nicht effizient durch den Rest des Unternehmens fließen kann. Wir haben uns auf die Strukturierung des gesamten Prozesses und dessen Ausführung im großen Maßstab konzentriert.

Nventr kombiniert agente Handlungen, Machine-Learning-Modelle und neuronale Netze innerhalb von skalierbaren Unternehmens-Workflows. Welche Einschränkungen haben Sie bei herkömmlichen Automatisierungsplattformen festgestellt, die Sie dazu veranlasst haben, diese breitere Architektur zu entwickeln? 

Unternehmen operierten jahrelang mit Sammlungen von Cloud- und lokal gehosteten SaaS-Anwendungen, die umständlich, starr und teuer sein konnten. Das Workflowsystem, Modelle, Agenten und Unternehmensdaten wurden in der Regel als separate Schichten behandelt, was eine umfassendere Automatisierung erschwerte.

Wir haben eine Architektur entwickelt, in der diese Komponenten zusammenarbeiten und unabhängig voneinander skaliert werden können, wenn sich die Nachfrage ändert. Der Prozess muss nicht in eine feste Anwendung oder ein bestimmtes Computing-Umfeld gezwängt werden.

Viele Organisationen beginnen ihre AI-Strategien damit, ein Modell auszuwählen oder einen Chatbot zu starten. Welche grundlegenden Arbeiten im Bereich Daten, Berechtigungen, Prozesse und Systemintegration müssen vor einer AI-Bereitstellung durchgeführt werden, damit diese bedeutende Ergebnisse liefern kann? 

Ein Unternehmen muss zunächst den Prozess definieren, feststellen, welche Informationen der Agent benötigt, und bestimmen, wo diese Informationen gespeichert sind. Dies kann Datenbanken, Dateirepositorien, PDFs, Artikel, E-Mail-Systeme oder andere Unternehmensdatenquellen umfassen, die dem Agenten in einer nutzbaren Form zur Verfügung gestellt werden müssen.

Das Unternehmen muss dann definieren, was nach Erhalt dieser Informationen mit dem Agenten passiert. Ein Gespräch kann eine Antwort, eine Zusammenfassung, eine Warteschlange oder einen anderen agentenbasierten Workflow erzeugen. Genehmigte Tools, Datenberechtigungen und Benutzerberechtigungen müssen nach Rolle festgelegt werden, damit jede Aktion innerhalb eines definierten Prozesses erfolgt.

nQube ist darauf ausgelegt, sowohl Data Scientists als auch Business-Analysten dabei zu unterstützen, AI-gestützte Workflows zu erstellen, zu testen, bereitzustellen und zu überwachen. Wie machen Sie diese Fähigkeiten für Nicht-Spezialisten zugänglich, während Sie die technischen Kontrollen für Produktionsumgebungen beibehalten?

Menschen denken über AI und Software-Produkte im Rahmen ihrer eigenen Rolle und darüber nach, wie das Produkt ihre Arbeit erleichtern oder ihre Produktivität steigern kann. Die Schnittstelle sollte es ihnen ermöglichen, zu beschreiben, was sie benötigen, Fragen zu stellen und einen Agenten oder Workflow durch normale Sprache und Stimme anzupassen.

Die Workflows, Computing-Prozesse und Skalierbarkeit bleiben unter dieser Interaktion. Das Unternehmen kontrolliert immer noch die Tools, Datenquellen und Zugriffsrechte, die jeder Rolle zugewiesen sind, sodass ein Business-Analyst das System ohne direkte Infrastrukturverwaltung nutzen kann.

Nventrs Agent-Betriebssystem verwendet einen koordinierenden Agenten, um spezialisierte Agenten durch sequenzielle und iterative Workflows zu leiten. Wie bestimmt die Plattform, welcher Agent jede Aufgabe ausführen sollte, den Kontext zwischen Agenten aufrechterhält und mit einem unzuverlässigen Ergebnis umgeht? 

Der Workflow bestimmt, wie eine Anfrage durch definierte Schritte, Zweige und spezialisierte Agenten fließt. Informationen aus einer Phase können zusammengefasst und an die nächste Phase weitergegeben werden, sodass der nächste Agent versteht, was passiert ist, was angefordert wurde und welche Nachbearbeitung erforderlich ist.

Die Behandlung eines unzuverlässigen Ergebnisses hängt vom Prozess und den Konsequenzen der Aktion ab. Die Workflow-Kontrollen müssen widerspiegeln, wo das System fortgesetzt werden kann und wo das Ergebnis einer Überprüfung bedarf.

Unternehmen möchten zunehmend die Flexibilität haben, verschiedene große Sprachmodelle, spezialisierte Machine-Learning-Systeme und Drittanbieter-Agenten zu verwenden. Wie sollten Organisationen ihre AI-Infrastruktur entwerfen, um eine Abhängigkeit von einem Modell-Anbieter oder Technologie-Stack zu vermeiden? 

Die Infrastruktur sollte eine Vielzahl von Modellen unterstützen und es ihnen ermöglichen, innerhalb desselben Workflows parallel zu operieren. Ein Anbieter kann beispielsweise den Sprache-zu-Sprache-Teil übernehmen, während ein anderes Modell die Argumentation oder Verarbeitung dahinter durchführt.

Das Toolkit sollte nach den Kosten, Leistung, Sicherheit, Latenz und Offenheit für Drittanbieter-Dienste des Kunden ausgewählt werden. Einige Unternehmen sind damit zufrieden, Anbieter zu kombinieren, während andere den Agenten auf ihrer eigenen Cloud oder dedizierten Infrastruktur haben möchten. Die Architektur muss beide Ansätze unterstützen.

Sobald ein AI-Agent auf Unternehmensdaten zugreifen und Aktionen über Geschäftssysteme hinweg ausführen kann, wird die Sicherheit komplexer als der Schutz einer konversationellen Schnittstelle. Welche Kontrollen sollten die Berechtigungen, Autonomie und Fähigkeit eines Agents zur Initiierung folgenreicher Aktionen regeln?

Zugriff sollte nach Rolle, Projekt und Workflow kontrolliert werden. Ein Agent sollte nur die Informationen, Tools und Aktionen verwenden, die für diesen Kontext genehmigt sind, und Anfragen außerhalb dieses Umfangs zur Autorisierung weiterleiten.

Das Maß an Autonomie sollte der Sensibilität der Daten und den Konsequenzen der Aktion entsprechen. Für Transaktionen, die Geld, private Informationen oder ein anderes bedeutendes Ergebnis betreffen, sollte das Unternehmen in der Lage sein, zu sehen, was der Agent tut, und die Genehmigung vor Abschluss zu verlangen.

Nventr präsentiert Anwendungen in Bereichen wie Dokumentenverarbeitung, Kundenservice, Berichterstellung, Gesundheitskommunikation und Betrugsbekämpfung. Welche technischen oder betrieblichen Merkmale machen einen Workflow für eine agente Automation geeignet, und welche Prozesse sollten hauptsächlich von Menschen geleitet werden? 

Wir balancieren die Anzahl der Menschen oder die Kosten, die mit einem Prozess verbunden sind, gegen dessen Komplexität und Eignung für die Automatisierung. Ein Prozess kann teuer oder arbeitsintensiv sein und dennoch der falsche Ausgangspunkt sein, wenn er zu komplex oder unzuverlässig für die Automatisierung ist.

Der allgemeine Ansatz besteht darin, nach den niedrigsten Früchten mit dem größten Einfluss zu suchen. Diese Formel ist fraktal, da sie auf eine Person, mehrere Abteilungen oder ein ganzes Unternehmen angewendet werden kann. Prozesse, die Unsicherheit oder folgenschwere Urteile beinhalten, sollten weiterhin Menschen einbeziehen.

Sie haben die Idee von Mitarbeitern diskutiert, die schließlich AI-Gegenstücke haben, die repetitive Elemente ihrer Arbeit übernehmen. Wie könnte dies die Organisationsstrukturen verändern, und was sollten Führungskräfte tun, um sicherzustellen, dass diese Systeme das menschliche Urteil stärken, anstatt es allmählich aus wichtigen Entscheidungen zu entfernen? 

Die Idee ist, jedem Mitarbeiter auf der Gehaltsliste einen Agenten-Gegenstück zu geben, der Teile der Arbeit über die Zeit hinweg lernen kann. Über einen größeren Prozentsatz des Unternehmens hinweg entsteht so eine zentrale Intelligenz und Optimierung über die Org-Chart hinweg, anstatt den Nutzen auf einen oder zwei Mitarbeiter zu beschränken.

Der Agent kann repetitive Arbeiten wie das Sammeln von Informationen, das Verschieben von Daten oder das Erstellen von Routine-Präsentationen übernehmen. Das gibt den Menschen mehr Zeit für wichtige Diskussionen und Entscheidungen, während das Unternehmen die Autorität über sensible Informationen und folgenschwere Aktionen beibehält.

Wenn AI-Agenten von Assistenten zu einer BetriebsEbene für komplexe Organisationen evolvieren, welche Fähigkeiten müssen am meisten verbessert werden, bevor Unternehmen Workflows sicher automatisieren können, die ganze Abteilungen oder Geschäftseinheiten umfassen? 

Agenten benötigen eine geringere Latenz und stärkere Integrationen mit Unternehmensdatenbanken, Dateien und größeren Systemen. Informationen müssen über Rollen und Abteilungen hinweg fließen, ohne dass Menschen sie manuell übertragen oder neue Flaschenhälse schaffen müssen.

Die Interaktionsschicht muss auch verbessert werden. Sprachagenten sollten sich wie eine normale Konversation anfühlen, bei der eine Person unterbrechen und die Richtung ändern kann, und Unternehmen werden schließlich direkte Wege benötigen, um autorisierte Agenten mit ihren Systemen zu interagieren. Browser-Automatisierung kann die Lücke überbrücken, aber die Branche wird sich in Richtung einer effizienteren Struktur bewegen, da Rechenleistung und Infrastruktur Kosten verursachen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Nventr besuchen.