Dimitri Masin, CEO y Co-Fundador de Gradient Labs – Serie de Entrevistas

Dimitri Masin es el CEO y Co-Fundador de Gradient Labs, una startup de inteligencia artificial que construye agentes de soporte al cliente autónomos diseñados específicamente para industrias reguladas como los servicios financieros. Antes de fundar Gradient Labs en 2023, Masin ocupó puestos de liderazgo senior en Monzo Bank, incluyendo Vicepresidente de Ciencia de Datos, Delito Financiero y Fraude, y anteriormente trabajó en Google. Bajo su liderazgo, Gradient Labs ha ganado rápidamente tracción, alcanzando £1 millón en ingresos anuales recurrentes dentro de los cinco meses posteriores al lanzamiento. La atención de Masin se centra en desarrollar sistemas de inteligencia artificial que combinen un alto rendimiento con un cumplimiento regulatorio estricto, lo que permite una automatización segura y escalable para operaciones de cliente complejas.

¿Qué te inspiró a lanzar Gradient Labs después de un viaje tan exitoso en Monzo?

En Monzo, habíamos pasado años trabajando en la automatización del soporte al cliente, apuntando a mejoras de eficiencia modestas del 10%. Pero a principios de 2023, presenciamos un cambio tecnológico sísmico con el lanzamiento de GPT-4. De repente, se hizo posible automatizar el 70-80% del trabajo manual y repetitivo de manera completamente autónoma a través de la inteligencia artificial.

Este avance tecnológico que estamos viviendo nos inspiró a iniciar Gradient Labs. En mi carrera, he visto dos olas revolucionarias: la revolución móvil (que ocurrió al comienzo de mi carrera) y ahora la inteligencia artificial. Cuando reconoces que estás en medio de una transformación que cambiará completamente la forma en que funciona el mundo, debes aprovechar el momento. Nuestro equipo sabía: este es el momento.

En Monzo, ayudaste a liderar la empresa a través de un crecimiento hiperactivo. ¿Cuáles fueron algunas de las lecciones más importantes de esa experiencia que ahora estás aplicando en Gradient Labs?

Primero, equilibra la autonomía con la dirección. En Monzo, inicialmente asumimos que las personas simplemente prosperan en la autonomía, que es lo que más las motiva. Sin embargo, esa visión ahora parece demasiado simplista. Creo que las personas también valoran la orientación. La verdadera autonomía no consiste en decirle a la gente “haga lo que decida”, sino en proporcionar una dirección clara mientras se les da la libertad de resolver problemas bien definidos a su manera.

Segundo, el talento superior requiere una compensación superior. Si te propones contratar al 5% superior en tu función, debes pagar en consecuencia. De lo contrario, las grandes empresas tecnológicas se los llevarán una vez que se sepa que tienes talento superior que está siendo mal pagado.

Tercero, no reinventes la rueda. En Monzo, intentamos crear enfoques innovadores para las estructuras de trabajo, los sistemas de compensación y las escaleras de carrera. La lección clave: no malgastes energía innovando en fundamentos organizacionales, ya que miles de empresas han establecido ya las mejores prácticas. Todavía veo publicaciones en LinkedIn sobre “eliminar todos los títulos y la jerarquía” – he visto esto suceder una y otra vez, y casi todas las empresas eventualmente regresan a estructuras tradicionales.

Gradient Labs se centra en industrias reguladas, que tradicionalmente tienen necesidades complejas. ¿Cómo abordaste la construcción de un agente de inteligencia artificial (como Otto) que pueda operar de manera efectiva en este entorno?

Tomamos un enfoque poco convencional, rechazando el consejo típico de lanzar rápidamente y iterar en un producto en vivo. En su lugar, pasamos 14 meses antes de lanzar Otto, manteniendo una barra de calidad muy alta desde el principio. Necesitábamos crear algo en lo que los bancos y las instituciones financieras confiaran para manejar su soporte de manera completamente autónoma.

No estábamos construyendo copilotos, estábamos construyendo una automatización de extremo a extremo del soporte al cliente. Con nuestro trasfondo en servicios financieros, teníamos un benchmark interno preciso para “qué es lo bueno”, lo que nos permitió evaluar la calidad sin depender de la retroalimentación del cliente. Esto nos dio la libertad de obsesionarnos con la calidad mientras iterábamos rápidamente. Sin clientes en vivo, podíamos dar saltos más grandes, romper cosas libremente y pivotar rápidamente, lo que finalmente nos permitió entregar un producto superior en el lanzamiento.

Otto va más allá de responder preguntas simples y maneja flujos de trabajo complejos. ¿Puedes explicarnos cómo Otto maneja tareas de varios pasos o de alto riesgo que los agentes de inteligencia artificial típicos podrían fallar?

Construímos a Otto alrededor del concepto de SOP (Procedimientos Operativos Estándar) – esencialmente documentos de orientación escritos en inglés plano que detallan cómo manejar cuestiones específicas, similares a lo que le darías a un agente humano.

Dos decisiones arquitectónicas clave hacen que Otto sea particularmente efectivo para manejar flujos de trabajo complejos:

Primero, limitamos la exposición a herramientas. Un modo de fallo común para los agentes de inteligencia artificial es elegir incorrectamente entre demasiadas opciones. Para cada procedimiento, solo exponemos un subconjunto pequeño de herramientas relevantes a Otto. Por ejemplo, en un flujo de trabajo de reemplazo de tarjeta, Otto podría ver solo 1-2 herramientas en lugar de las 30 registradas en el sistema. Esto mejora dramáticamente la precisión al reducir el espacio de decisión.

Segundo, hemos reconstruido gran parte de la infraestructura típica del asistente de inteligencia artificial para permitir una cadena de pensamiento extensa. En lugar de simplemente arrojar procedimientos a un asistente de OpenAI o Anthropic, nuestra arquitectura permite múltiples pasos de procesamiento entre entradas y salidas. Esto permite un razonamiento más profundo y resultados más confiables.

Gradient Labs menciona lograr una “calidad sobrehumana” en el soporte al cliente. ¿Qué significa “calidad sobrehumana” para ti, y cómo la miden internamente?

La calidad sobrehumana significa brindar soporte al cliente medible mejor que lo que los humanos pueden lograr. Los siguientes tres ejemplos ilustran esto:

Primero, conocimiento integral. Los agentes de inteligencia artificial pueden procesar grandes cantidades de información y tienen un conocimiento detallado de una empresa. En contraste, los humanos típicamente solo aprenden un subconjunto pequeño de información, y cuando no saben algo, deben consultar bases de conocimiento o escalar a colegas. Esto conduce a una experiencia frustrante donde los clientes son pasados entre equipos. Un agente de inteligencia artificial, por otro lado, tiene una comprensión profunda de la empresa y sus procesos, brindando respuestas consistentes y de extremo a extremo – sin necesidad de escalación.

Segundo, búsquedas no perezosas – la inteligencia artificial es rápida para recopilar información. Mientras que los humanos intentan ahorrar tiempo haciendo preguntas a los clientes antes de investigar, la inteligencia artificial examina proactivamente la información de la cuenta, banderas, alertas y mensajes de error antes de que comience la conversación. Así, cuando un cliente dice vagamente “tengo un problema con X”, la inteligencia artificial puede ofrecer inmediatamente una solución en lugar de hacer múltiples preguntas clarificadoras.

Finalmente, paciencia y consistencia de calidad. A diferencia de los humanos que enfrentan presión para manejar un cierto número de respuestas por hora, nuestra inteligencia artificial mantiene consistentemente una calidad alta, paciencia y comunicación concisa. Responde pacientemente tanto tiempo como sea necesario sin apresurarse.

Medimos esto principalmente a través de las puntuaciones de satisfacción del cliente. Para todos los clientes actuales, logramos puntuaciones de CSAT que promedian del 80% al 90% – típicamente más altas que los equipos humanos.

Has evitado deliberadamente vincular a Gradient Labs a un solo proveedor de LLM. ¿Por qué fue importante esta elección, y cómo afecta el rendimiento y la confiabilidad para tus clientes?

En los últimos dos años, hemos observado que nuestras mayores mejoras de rendimiento provinieron de nuestra capacidad para cambiar al siguiente mejor modelo cada vez que OpenAI o Anthropic lanzaban algo más rápido, mejor o más preciso. La agilidad del modelo ha sido clave.

Esta flexibilidad nos permite mejorar continuamente la calidad mientras gestionamos los costos. Algunas tareas requieren modelos más potentes, otras menos. Nuestra arquitectura nos permite adaptarnos y evolucionar con el tiempo, seleccionando el modelo óptimo para cada situación.

Eventualmente, apoyaremos LLM de código abierto privado alojado en la infraestructura de los clientes. Debido a nuestra arquitectura, esta será una transición sencilla, lo cual es especialmente importante cuando se sirve a bancos que pueden tener requisitos específicos sobre la implementación del modelo.

Gradient Labs no solo está construyendo un chatbot, sino que también apunta a manejar procesos de oficina trasera. ¿Cuáles son los mayores desafíos técnicos u operativos en la automatización de este tipo de tareas con inteligencia artificial?

Hay dos categorías distintas de procesos, cada una con sus propios desafíos:

Para procesos más simples, la tecnología en gran medida ya existe. El desafío principal es la integración – conectarse a los muchos sistemas y herramientas de backend personalizados que utilizan las instituciones financieras, ya que la mayoría de las operaciones de cliente involucran numerosos sistemas internos.

Para procesos complejos, persisten desafíos técnicos significativos. Estos procesos típicamente requieren que los humanos sean contratados y capacitados durante 6-12 meses para desarrollar experiencia, como investigaciones de fraude o evaluaciones de lavado de dinero. El desafío aquí es la transferencia de conocimiento – ¿cómo les damos a los agentes de inteligencia artificial la misma experiencia en el dominio? Ese es un problema difícil que todos en este espacio todavía están tratando de resolver.

¿Cómo equilibra Gradient Labs la necesidad de velocidad y eficiencia de la inteligencia artificial con los estrictos requisitos de cumplimiento de las industrias reguladas?

Es ciertamente un equilibrio, pero a nivel de conversación, nuestro agente simplemente toma más tiempo para pensar. Evalúa múltiples factores: ¿Estoy entendiendo lo que el cliente está preguntando? ¿Estoy dando la respuesta correcta? ¿El cliente muestra signos de vulnerabilidad? ¿El cliente quiere presentar una queja?

Este enfoque deliberado aumenta la latencia – nuestro tiempo de respuesta promedio podría ser de 15-20 segundos. Pero para las instituciones financieras, eso es un intercambio justo. Una respuesta de 15 segundos sigue siendo mucho más rápida que una respuesta humana, mientras que las garantías de calidad son mucho más importantes para las empresas reguladas con las que trabajamos.

¿Preves un futuro en el que los agentes de inteligencia artificial sean confiables no solo para el soporte, sino también para tareas de toma de decisiones de alto riesgo dentro de las instituciones financieras?

Las instituciones financieras ya estaban utilizando técnicas de inteligencia artificial más tradicionales para decisiones de alto riesgo antes de la actual ola de inteligencia artificial generativa. Donde veo la verdadera oportunidad ahora es en la orquestación – no en la toma de decisiones, sino en la coordinación de todo el proceso.

Por ejemplo, un cliente carga documentos, un agente de inteligencia artificial los envía a un sistema de validación, recibe la confirmación de validez y luego activa las acciones y comunicaciones adecuadas al cliente. Esta función de orquestación es donde los agentes de inteligencia artificial sobresalen.

Para las decisiones de más alto riesgo en sí, no veo muchos cambios en el corto plazo. Estos modelos requieren explicabilidad, prevención de sesgo y aprobación a través de comités de riesgo de modelos. Los modelos de lenguaje grande enfrentarían importantes desafíos de cumplimiento en estos contextos.

En tu opinión, ¿cómo cambiará la inteligencia artificial la experiencia del cliente para los bancos, las empresas fintech y otros sectores regulados en los próximos 3-5 años?

Veo cinco tendencias principales que cambiarán la experiencia del cliente:

Primero, interacción omnicanal verdadera. Imagina comenzar un chat en tu aplicación bancaria y luego cambiar sin problemas a voz con el mismo agente de inteligencia artificial. La voz, las llamadas y el chat se fusionarán en una experiencia continua.

Segundo, interfaces de usuario adaptativas que minimicen la navegación dentro de la aplicación. En lugar de buscar a través de menús para funciones específicas, los clientes simplemente expresarán sus necesidades: “Por favor, aumenta mis límites” – y la acción sucede inmediatamente a través de la conversación.

Tercero, mejores economías de unidad. El soporte y las operaciones son centros de costo masivos. Reducir estos costos podría permitir que los bancos sirvan a clientes previamente no rentables o pasen los ahorros a los usuarios, especialmente en segmentos subatendidos.

Cuarto, soporte excepcional a escala. Actualmente, las startups con pocos clientes pueden brindar soporte personalizado, pero la calidad generalmente se degrada a medida que las empresas crecen. La inteligencia artificial hace que el soporte excelente sea escalable, no solo posible.

Finalmente, el soporte al cliente se transformará de una necesidad frustrante a un servicio genuinamente útil. Ya no se verá como un costo de infraestructura laborioso, sino como un punto de contacto valioso y eficiente del cliente que mejora la experiencia general.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Gradient Labs.