Matthew Fitzpatrick, CEO de Invisible Technologies – Serie de entrevistas

Matthew Fitzpatrick es un especialista experimentado en operaciones y crecimiento con una profunda experiencia en la escalabilidad de flujos de trabajo y equipos complejos. Con una formación que abarca la consultoría, la estrategia y el liderazgo operativo, actualmente se desempeña como CEO en Invisible Technologies, donde se centra en el diseño y la optimización de soluciones empresariales de extremo a extremo. Matthew es apasionado de combinar el talento humano con la automatización para impulsar la eficiencia a gran escala, ayudando a las empresas a desbloquear un crecimiento transformador a través de la innovación en procesos.

Invisible Technologies es una capa de producción de IA y una empresa de software empresarial que ayuda a las organizaciones a construir, implementar y escalar sistemas de IA en entornos empresariales complejos. Su plataforma combina software de IA, experiencia humana y infraestructura operativa para respaldar los flujos de trabajo de producción necesarios para entrenar, evaluar y operar IA avanzada. Invisible trabaja con empresas para gestionar datos complejos, automatizar flujos de trabajo e integrar la IA en los procesos empresariales, proporcionando la infraestructura y la experiencia necesarias para trasladar las iniciativas de IA desde la experimentación hasta la implementación a escala de producción.

Recientemente, hizo la transición de liderar QuantumBlack Labs en McKinsey a convertirse en CEO de Invisible Technologies. ¿Qué lo llevó a este rol y qué es lo que más lo emociona sobre la misión de Invisible?

En McKinsey, tuve el privilegio de trabajar en la vanguardia de la innovación en IA – construyendo productos de software de IA, liderando esfuerzos de I+D y ayudando a las empresas a aprovechar el poder de los datos. Lo que me llevó a Invisible Technologies fue la oportunidad de hacer que funcione a gran escala con una combinación de una plataforma de software de IA única y flexible y un mercado de expertos para la retroalimentación humana en el bucle – creo que el aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF) es la clave para implementaciones de GenAI precisas y confiables. Invisible respalda la IA en toda la cadena de valor, desde la limpieza de datos y la automatización de la entrada de datos hasta la razonamiento en cadena de pensamiento y evaluaciones personalizadas. Nuestra misión es simple: combinar la inteligencia humana y la IA para ayudar a las empresas a aprovechar el potencial de la IA, que en la empresa ha sido mucho más difícil de lo que la mayoría de la gente esperaba.

Ha supervisado a más de 1.000 ingenieros y ha escalado múltiples productos de IA en diversas industrias. ¿Qué lecciones de McKinsey está aplicando a la próxima fase de crecimiento de Invisible?

Dos lecciones destacan. Primero, la adopción exitosa de la IA es tan importante para la transformación organizativa como para la tecnología. Necesita tener a las personas y los procesos adecuados en su lugar – además de grandes modelos. Segundo, las empresas que ganan en IA son aquellas que dominan el “último kilómetro” – la transición de la experimentación a la producción. En Invisible, estamos aplicando esa misma rigidez y estructura para ayudar a los clientes a moverse más allá de las pruebas piloto y hacia la producción, entregando un valor empresarial real.

Ha dicho que “2024 fue el año de la experimentación con la IA, y 2025 es sobre la obtención de ROI”. ¿Qué tendencias específicas está viendo entre las empresas que realmente están obteniendo ese ROI?

Las empresas que están obteniendo un ROI real este año están haciendo tres cosas bien. Primero, están alineando los casos de uso de la IA estrechamente con los KPI principales del negocio – como la eficiencia operativa o la satisfacción del cliente. Segundo, están invirtiendo en mejores datos y bucles de retroalimentación humana para mejorar continuamente el rendimiento del modelo. Tercero, están pasando de soluciones genéricas a sistemas personalizados y específicos del dominio que reflejan la complejidad de sus entornos. Estas empresas ya no están solo probando la IA – la están escalando con propósito.

¿Cómo está evolucionando la demanda de etiquetado de datos especializados y de nivel de doctorado en proveedores de modelos de base como AWS, Microsoft (MSFT ), y Cohere?

Estamos viendo un aumento en la demanda de etiquetado especializado a medida que los proveedores de modelos de base se adentran en verticales más complejas. En Invisible, tenemos una tasa de aceptación anual del 1% en nuestro grupo de expertos, y el 30% de nuestros entrenadores tienen maestrías o doctorados. Esa experiencia profunda es cada vez más necesaria – no solo para anotar datos con precisión, sino para proporcionar retroalimentación contextual y consciente para mejorar la razonamiento, la precisión y la alineación. A medida que los modelos se vuelven más inteligentes, la barra para entrenarlos se vuelve más alta.

Invisible se encuentra a la vanguardia de la IA agente, enfatizando la toma de decisiones en flujos de trabajo del mundo real. ¿Cuál es su definición de IA agente y dónde está viendo la mayor promesa?

La IA agente se refiere a sistemas que no solo responden a instrucciones – planean, toman decisiones y actúan dentro de límites definidos. Es la IA que se comporta más como un compañero de equipo que como una herramienta. Estamos viendo la mayor tracción en flujos de trabajo complejos y de alto volumen: como el soporte al cliente y los reclamos de seguros, por ejemplo. En estas áreas, la IA agente puede reducir el esfuerzo manual, aumentar la coherencia y entregar resultados que de otro modo requerirían grandes equipos humanos. No se trata de reemplazar a los humanos – en su lugar, estamos aumentando su capacidad con agentes inteligentes que pueden manejar lo repetitivo y lo rutinario.

¿Puede compartir ejemplos de cómo Invisible entrena modelos para la razonamiento en cadena de pensamiento y por qué es fundamental para la implementación empresarial?

La razonamiento en cadena de pensamiento (CoT) ha desbloqueado un nuevo potencial para la IA empresarial. En Invisible, entrenamos a los modelos para razonar paso a paso, lo cual es esencial cuando las apuestas son altas – ya sea que se esté diagnosticando a un paciente, analizando un contrato o validando un modelo financiero. La CoT no solo mejora la transparencia, sino que también permite la depuración, el perfeccionamiento y las ganancias de rendimiento sin conjuntos de datos masivos nuevos. Hemos visto que los modelos líderes como Gemini, Sonnet y Grok comienzan a revelar sus rutas de razonamiento, lo que nos permite observar no solo lo que los modelos producen, sino cómo llegan allí. Esto está sentando las bases para métodos más avanzados como el Árbol de Pensamiento (donde los modelos evalúan múltiples rutas de razonamiento posibles antes de establecer una respuesta) y la Autoconsistencia (donde se exploran múltiples rutas de razonamiento).

Invisible admite el entrenamiento en más de 40 lenguajes de codificación y 30 lenguajes humanos. ¿Qué tan importante es la precisión cultural y lingüística en la construcción de IA escalable a nivel mundial?

Es fundamental. El lenguaje no se trata solo de traducción – se trata de contexto, matices y normas culturales. Si un modelo malinterpreta el tono o pierde la variación regional, puede llevar a experiencias de usuario deficientes o incluso riesgos de cumplimiento. Nuestros entrenadores multilingües no solo son fluidos – están inmersos en las culturas que representan.

¿Cuáles son los puntos de falla comunes cuando las empresas intentan escalar desde la prueba de concepto hasta la producción, y cómo ayuda Invisible a navegar ese “último kilómetro”?

La mayoría de los modelos de IA nunca llegan a la producción porque las empresas subestiman el esfuerzo operativo necesario. Carecen de datos limpios, protocolos de evaluación robustos y una estrategia para integrar los modelos en flujos de trabajo reales. En Invisible, combinamos una profunda experiencia técnica con infraestructura de datos de producción para ayudar a las empresas a salvar la brecha. Nuestras capacidades simbióticas en entrenamiento y optimización nos permiten construir mejores modelos y desplegarlos con éxito.

¿Puede explicarnos el enfoque de Invisible hacia el aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF) y cómo difiere de otros en la industria?

En Invisible, vemos el aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF) como algo más que un ajuste fino – permite un diseño de evaluación personalizada más sofisticado y un cambio hacia el entrenamiento de modelos con juicio humano matizado en lugar de señales binarias como pulgares hacia arriba y hacia abajo. Mientras que los enfoques de la industria a menudo priorizan la escala a través de datos de alto volumen y baja señal, nos centramos en recopilar retroalimentación estructurada y de alta calidad que capture el razonamiento, el contexto y las compensaciones. Esta señal más rica permite que los modelos generalicen más efectivamente y se alineen más estrechamente con la intención humana. Al priorizar la profundidad sobre la amplitud, estamos construyendo la infraestructura para sistemas de IA más robustos y alineados.

¿Cómo vislumbra el futuro de la colaboración entre humanos y IA, especialmente en campos de alto riesgo como las finanzas, la atención médica o el sector público?

La IA no está reemplazando la experiencia humana – se está convirtiendo en la infraestructura que la respalda. Me imagino un futuro en el que los agentes de IA y los expertos humanos trabajen en conjunto – donde los clínicos son respaldados por copilotos de diagnóstico, las agencias gubernamentales utilizan la IA para tramitar beneficios más eficientemente, y los analistas financieros están libres de centrarse en la estrategia en lugar de las hojas de cálculo. Nuestro enfoque es diseñar sistemas en los que la IA mejore la capacidad humana, en lugar de oscurecerla o anularla.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Invisible Technologies.