Matthew Fitzpatrick, CEO von Invisible Technologies – Interview-Serie

Matthew Fitzpatrick ist ein erfahrener Operations- und Wachstumsspezialist mit tiefgreifender Expertise im Bereich der Skalierung komplexer Workflows und Teams. Mit einer Vergangenheit, die sich über Beratung, Strategie und operative Führung erstreckt, ist er derzeit CEO bei Invisible Technologies, wo er sich auf die Gestaltung und Optimierung von End-to-End-Geschäftslösungen konzentriert. Matthew ist leidenschaftlich daran interessiert, menschliches Talent mit Automatisierung zu kombinieren, um Effizienz im großen Maßstab zu erzielen und Unternehmen dabei zu helfen, durch Prozessinnovation transformatives Wachstum zu erzielen.

Invisible Technologies ist eine AI-Produktionsschicht und ein Unternehmen für Unternehmenssoftware, das Organisationen dabei hilft, AI-Systeme über komplexe Geschäftsumgebungen hinweg aufzubauen, bereitzustellen und zu skalieren. Die Plattform kombiniert AI-gesteuerte Software, menschliche Expertise und operative Infrastruktur, um die Produktionsworkflows zu unterstützen, die erforderlich sind, um fortgeschrittene AI zu trainieren, zu bewerten und zu betreiben. Invisible arbeitet mit Unternehmen zusammen, um komplexe Daten zu verwalten, Workflows zu automatisieren und AI in Geschäftsprozesse zu integrieren, und bietet die Infrastruktur und Expertise, die erforderlich sind, um AI-Initiativen von der Experimentierung in die zuverlässige, produktionsgerechte Bereitstellung zu überführen.

Sie haben sich kürzlich von der Leitung von QuantumBlack Labs bei McKinsey zur Position des CEO von Invisible Technologies bewegt. Was hat Sie zu dieser Rolle gezogen, und was begeistert Sie am meisten an Invisible’s Mission?

Bei McKinsey hatte ich das Privileg, an der Spitze der AI-Innovation zu arbeiten – AI-Software-Produkte aufzubauen, Forschungs- und Entwicklungsarbeiten zu leiten und Unternehmen dabei zu helfen, die Macht der Daten zu nutzen. Was mich zu Invisible Technologies gezogen hat, war die Gelegenheit, es operational im großen Maßstab mit einer Kombination aus einer einzigartig flexiblen AI-Software-Plattform und einem Expertenmarkt für Human-in-the-Loop-Feedback zu machen – ich glaube, dass Reinforcement Learning from Human Feedback (RLHF) der Schlüssel zu genauen und zuverlässigen GenAI-Implementierungen ist. Invisible unterstützt AI über die gesamte Wertschöpfungskette, von der Datenreinigung und der Automatisierung der Dateneingabe bis hin zur Kette von Gedanken und benutzerdefinierten Bewertungen. Unsere Mission ist einfach: menschliche Intelligenz und AI kombinieren, um Unternehmen dabei zu helfen, das Potenzial von AI zu erfüllen, was im Unternehmen viel schwieriger war, als die meisten Menschen erwartet hatten.

Sie haben die Leitung von über 1.000 Ingenieuren und die Skalierung mehrerer AI-Produkte über Branchen hinweg überwacht. Welche Lektionen aus McKinsey wenden Sie auf Invisible’s nächste Wachstumsphase an?

Zwei Lektionen stehen heraus. Erstens ist die erfolgreiche Einführung von AI ebenso sehr eine organisatorische Transformation wie eine technologische. Man benötigt die richtigen Menschen und Prozesse – neben großartigen Modellen. Zweitens sind die Unternehmen, die in AI gewinnen, diejenigen, die den “letzten Meilen” – den Übergang von der Experimentierung zur Produktion – meistern. Bei Invisible wenden wir dieselbe Strenge und Struktur an, um Kunden dabei zu helfen, über Pilotprojekte hinaus in die Produktion zu gelangen und echten Geschäftswert zu liefern.

Sie haben gesagt, dass “2024 das Jahr der AI-Experimentierung war und 2025 darum geht, ROI zu realisieren.” Welche spezifischen Trends sehen Sie bei Unternehmen, die tatsächlich diesen ROI erzielen?

Unternehmen, die tatsächlich ROI erzielen, tun drei Dinge gut. Erstens ordnen sie AI-Anwendungsfälle eng mit den Kern-Geschäfts-KPIs – wie operativer Effizienz oder Kundenzufriedenheit – zu. Zweitens investieren sie in bessere Datenqualität und menschliche Feedback-Schleifen, um die Modellleistung kontinuierlich zu verbessern. Drittens wechseln sie von generischen Lösungen zu maßgeschneiderten, branchenspezifischen Systemen, die die Komplexität ihrer Umgebungen widerspiegeln. Diese Unternehmen testen AI nicht mehr nur – sie skalieren es mit einem Zweck.

Wie entwickelt sich die Nachfrage nach branchenspezifischer und PhD-gradiger Datenbeschriftung bei Grundmodell-Anbietern wie AWS, Microsoft (MSFT ) und Cohere?

Wir sehen eine Nachfrage nach spezialisierter Beschriftung, da Grundmodell-Anbieter in komplexere vertikale Märkte eindringen. Bei Invisible haben wir eine jährliche Annahmequote von 1 % in unserem Expertenpool, und 30 % unserer Trainer haben Master- oder PhD-Abschlüsse. Diese tiefe Expertise ist zunehmend notwendig – nicht nur, um Daten genau zu annotieren, sondern auch, um nuancenreiche, kontextbewusste Feedback zu liefern, um die Argumentation, Genauigkeit und Ausrichtung zu verbessern. Wenn Modelle intelligenter werden, wird die Latte für ihre Schulung höher.

Invisible ist an der Spitze der agentischen AI, mit dem Schwerpunkt auf Entscheidungsfindung in realen Workflows. Was ist Ihre Definition von agentischer AI, und wo sehen wir das größte Versprechen?

Agentische AI bezieht sich auf Systeme, die nicht nur auf Anweisungen reagieren – sie planen, treffen Entscheidungen und handeln innerhalb definierter Grenzen. Es ist AI, die mehr wie ein Teammitglied als ein Werkzeug handelt. Wir sehen den größten Zugang in komplexen Workflows mit hohem Volumen: wie Kundensupport und Versicherungsansprüche, zum Beispiel. In diesen Bereichen kann agentische AI manuelle Anstrengungen reduzieren, Konsistenz erhöhen und Ergebnisse liefern, die sonst große menschliche Teams erfordern würden. Es geht nicht darum, Menschen zu ersetzen – stattdessen ergänzen wir sie mit intelligenten Agenten, die repetitive und routinemäßige Aufgaben übernehmen können.

Können Sie Beispiele dafür nennen, wie Invisible Modelle für die Kette von Gedanken und warum dies für die Unternehmenseinführung so wichtig ist?

Die Kette von Gedanken (CoT) hat neues Potenzial für die Unternehmens-AI freigeschaltet. Bei Invisible trainieren wir Modelle, um Schritt für Schritt zu argumentieren, was unerlässlich ist, wenn der Einsatz hoch ist – sei es, einen Patienten zu diagnostizieren, einen Vertrag zu analysieren oder ein Finanzmodell zu überprüfen. CoT verbessert nicht nur die Transparenz, sondern ermöglicht auch die Fehlersuche, Verfeinerung und Leistungssteigerung ohne massive neue Datensätze. Wir haben gesehen, wie führende Modelle wie Gemini, Sonnet und Grok ihre Argumentationspfade offenlegen, was es uns ermöglicht, nicht nur zu sehen, was Modelle ausgeben, sondern auch, wie sie dort hingelangen. Dies legt den Grundstein für fortgeschrittenere Methoden wie den Baum des Denkens (bei dem Modelle mehrere mögliche Argumentationspfade auswerten, bevor sie sich für eine Antwort entscheiden) und Selbstkonsistenz (bei der mehrere Argumentationspfade erforscht werden).

Unterstützt Invisible die Schulung in über 40 Programmiersprachen und 30 menschlichen Sprachen. Wie wichtig ist kulturelle und sprachliche Präzision beim Aufbau global skalierbarer AI?

Es ist entscheidend. Sprache ist nicht nur Übersetzung – es ist Kontext, Nuancen und kulturelle Normen. Wenn ein Modell den Ton oder regionale Variationen missversteht, kann dies zu schlechten Benutzererfahrungen oder sogar Compliance-Risiken führen. Unsere mehrsprachigen Trainer sind nicht nur fließend – sie sind in den Kulturen, die sie repräsentieren, eingebettet.

Was sind die häufigsten Fehlerpunkte, wenn Unternehmen versuchen, von der Proof-of-Concept-Phase zur Produktionsphase zu gelangen, und wie hilft Invisible dabei, diese “letzte Meile” zu überwinden?

Die meisten AI-Modelle schaffen es nie in die Produktion, weil Unternehmen die erforderliche operative Anstrengung unterschätzen. Ihnen fehlt es an sauberen Daten, robusten Bewertungsprotokollen und einer Strategie zur Einbettung von Modellen in reale Workflows. Bei Invisible kombinieren wir tiefgreifende technische Erfahrung mit produktionsgerechter Dateninfrastruktur, um Unternehmen dabei zu helfen, die Lücke zu überbrücken. Unsere symbiotischen Fähigkeiten in Schulung und Optimierung ermöglichen es uns, nicht nur bessere Modelle aufzubauen, sondern auch erfolgreich zu bereitstellen.

Können Sie uns durch Invisible’s Ansatz für RLHF (Reinforcement Learning from Human Feedback) führen und wie es sich von anderen in der Branche unterscheidet?

Bei Invisible sehen wir Reinforcement Learning from Human Feedback (RLHF) als mehr als nur Feinabstimmung – es ermöglicht eine komplexere benutzerdefinierte Bewertungs(“eval”)-Gestaltung und einen Wechsel hin zu einer Schulung von Modellen mit nuancenreichem menschlichem Urteil anstelle von binären Signalen wie Daumen hoch und Daumen runter. Während die Ansätze der Branche oft die Skalierung durch hochvolumige, niedrigsignale Daten priorisieren, konzentrieren wir uns auf die Erfassung strukturierter, hochwertiger Feedback, die Argumentation, Kontext und Kompromisse erfasst. Dieses reichere Signal ermöglicht es Modellen, effektiver zu generalisieren und sich enger an menschliche Absichten auszurichten. Indem wir die Tiefe über die Breite priorisieren, bauen wir die Infrastruktur für robustere, ausgerichtete AI-Systeme auf.

Wie stellen Sie sich die Zukunft der Zusammenarbeit zwischen Mensch und AI vor, insbesondere in hochriskanten Bereichen wie Finanzen, Gesundheitswesen oder öffentlicher Sektor?

AI ersetzt nicht menschliche Expertise – es wird zur Infrastruktur, die sie unterstützt. Ich stelle mir eine Zukunft vor, in der AI-Agenten und menschliche Experten Hand in Hand arbeiten – in der Kliniker von diagnostischen Co-Piloten unterstützt werden, Regierungsbehörden AI nutzen, um Leistungen effizienter zu bearbeiten, und Finanzanalysten frei sind, sich auf Strategie zu konzentrieren, anstatt auf Tabellen. Unser Fokus liegt auf der Gestaltung von Systemen, in denen AI menschliche Fähigkeiten erweitert, anstatt sie zu verdecken oder zu überlagern.

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