Neal Lathia, Gradient Labsin perustajaosakas ja teknologiajohtaja – Haastattelusarja

Neal Lathia, Gradient Labsin perustajaosakas ja teknologiajohtaja, on koneoppimisen ja data-analytiikan johtaja, jolla on lähes kaksi vuosikymmentä kokemusta rahoitusteknologiasta, kuluttajaplatformeista ja akateemisesta tutkimuksesta. Ennen Gradient Labsin perustamista vuonna 2023 hän vietti yli viisi vuotta Monzossa, edeten Senior Data Scientist -tehtävästä Machine Learning -direktoriksi ja Staff Machine Learning Engineeriksi, missä hän rakensi koneoppimisen infrastruktuuria ja auttoi laajentamaan alaa tukemaan sovelluksia operaatioissa, rahoitusrikollisuudessa ja tuotealueella. Aikaisemmin Lathia työskenteli Senior Data Scientistina Skyscannerilla ja toimi tutkimustehtävissä University of Cambridgeissa ja University College Londonissa, joissa hänen työnsä käsitteli suositusjärjestelmiä, käyttäytymistietoja, älypuhelimen antureita ja personoituja digitaalisia palveluita. Gradient Labsissa hän johtaa nyt teknologiaa, joka takaa AI‑agenttien toiminnan monimutkaisissa, säännellyissä rahoituspalveluiden työnkuluissa.

Gradient Labs on Lontoossa toimiva AI-yritys, joka rakentaa erikoistuneita autonomisia agenteja rahoituspalveluille, keskittyen automatisoimaan asiakasoperaatioita, jotka perinteisesti vaativat merkittävää ihmistyötä. Yrityksen perustivat entiset Monzo‑johtajat Dimitri Masin, Neal Lathia ja Danai Antoniou, ja se kehittää agenteja alueille kuten lainananto ja perinnät, riitatilanteet, Know Your Business (KYB), asiakasrekisteröinti, vakuutuskorvaukset ja asiakaspalvelu, toimien äänen, chatin ja sähköpostin kautta sekä sisällyttäen säänneltyihin ympäristöihin suunnitellut vaatimustenmukaisuusturvat. Gradient Labsin mukaan sen teknologia palvelee nyt yli 32 miljoonaa loppukäyttäjää asiakkainaan, kuten Wise, Zego, Current, Stash ja Rho. Kesäkuussa 2026 yritys ilmoitti laajentaneensa Series A -rahoituksensa $26 miljoonaan edetessään kohti laajempaa visiota monimutkaisten pankki- ja fintech‑toimintojen automatisoinnista toisiinsa kytkettyjen erikoistuneiden AI‑agenttien avulla.

Rakensit ja johdit koneoppimista Monzossa yli viisi vuotta ennen kuin peristit Gradient Labsin vuonna 2023. Mitä näit omakohtaisesti Monzossa, mikä vakuutti sinut siitä, että oli mahdollisuus perustaa uusi yritys autonomisten AI‑agenttien ympärille, ja miksi suurten kielimallien tulo teki tästä mahdollisuuden toteutettavaksi?

Monzossa vietin vuosia rakentaen ML‑järjestelmiä, jotka täytyi toimia säännellyssä ympäristössä, jossa virheillä on todellisia seurauksia ja kaikki vaatii auditointijäljen. Eniten minua vaikutti tarve kehittää räätälöityä infrastruktuuria, koska mikään valmiiksi oleva ei voinut toimia turvallisesti näiden tiukkojen rajoitteiden alla. Tämä kokemus jätti minulle kaksi vakaumusta. Ensimmäinen oli, että teknologia voisi viimein vapauttaa pankit operatiivisesta taakasta, joka on rajoittanut alaa vuosikymmeniä. Toinen oli, että yleiskäyttöinen, vaakasuuntainen AI ei tee merkittävää vaikutusta — säännellyn työn hienovaraisuus on liian erityinen. Kun LLM:t tulivat tarpeeksi kykeneviksi päättämään monivaiheisia, joskus epäselviä asiakasvuorovaikutuksia, alkoi olla mahdollista rakentaa agenteja, jotka pystyvät hallitsemaan kokonaisia säänneltyjä työnkulkuja alusta loppuun, eikä vain avustamaan ihmistä niiden toteuttamisessa. Tämä kuilu, mitä säännellyt yritykset todella tarvitsevat ja mitä jo on olemassa, on syy siihen, miksi perustin Gradient Labsin ja miksi panostimme erityisesti rahoitukseen suunniteltuun pystysuoraan AI:hin.

Olet kuvannut kuluttajien kokemaa ilmiötä “kokemuksen särmikkäänä reunana”: AI‑agentti pystyy suorittamaan poikkeuksellisen monimutkaisen tehtävän, kun taas toinen järjestelmä epäonnistuu niin yksinkertaisessa kuin puhelinnumeron ja nimen erottamisessa. Mikä oikeastaan aiheuttaa tällaisen dramaattisen kuilun AI‑kokemusten välillä, kun taustalla olevat mallit voivat olla samankaltaisen kykeneviä?

Sanon, että kuilu johtuu enemmän siitä, kuinka paljon insinöörityötä malliin on tehty, kuin itse mallin kyvykkyydestä. Jos järjestelmä epäonnistuu yksinkertaisessa tehtävässä, kuten sekoittaa puhelinnumeron nimeen, se tarkoittaa, ettei siihen ole investoitu tarvittavaan kehykseen, kuten validointiin, varmistuslogiikkaan, rakenteelliseen datankäsittelyyn ym. Vaikuttavampi agentti on todennäköisesti suunniteltu juuri sen tehtävän vaatimuksiin. Kyse on samasta perusmalliperheestä, mutta täysin erilaisella tiukkuudella sen ympärillä, ja juuri se aiheuttaa särmikkään reunan.

Kun huipputason mallit kehittyvät edelleen, miksi näennäisesti perus AI‑virheet jatkuvat? Johtuuko tämä ensisijaisesti mallien rajoituksista vai ympäröivän järjestelmäarkkitehtuurin, datan, työnkulkujen, arvioinnin ja tuotesuunnittelun puutteista?

Kyse on pääosin järjestelmästä, ei mallista. Huipputason mallit kehittyvät edelleen päättelykyvyssä. Yritykset kuitenkin kiinnittävät ne usein järjestelmiin, joita ei ole suunniteltu todennäköisyyspohjaisiin käyttäytymisiin. Järjestelmissä on haavoittuvia integraatioita ja puutteellista dataa, eikä muutosten julkaisemiseen ole oikeaa arviointisilmukkaa. Näin ollen perus AI‑virhe tuotannossa ei ole oikeastaan AI‑virhe, vaan puutteellinen investointi arviointiin, seurantaan ja työnkulkujen suunnitteluprosesseihin.

Monet yritykset näyttävät optimoivan AI‑asiakaspalvelua nopeuden, sisällön hallinnan tai tikettien ohjauksen perusteella. Mitä mittareita yritysten tulisi sen sijaan käyttää, jos ne haluavat mitata, parantaako AI‑agentti todella asiakaskokemusta?

Tämän vuoksi meidän on tarkasteltava ratkaisun tarkkuutta. Nopeutta ja hallintaa käytetään arvioimaan, onnistuiko asiakas saamaan puhelun päätökseen, ei sitä, onnistuiko ongelman ratkaiseminen. Ratkaisun tarkkuus, jota tulisi käyttää AI‑agentin kyvykkyyden mittarina, huomioi, tekikö agentti oikean asian, eikä pelkästään vastannut nopeasti. Tämä toimii yhdessä muiden signaalien, kuten toistuvien yhteydenottojen määrän, valitusten volyymin ja sen kanssa, kuinka usein ihmisen täytyy puuttua asiaan jälkikäteen. Tiedät optimoivasi väärää tulosta, jos ohjauksen määrä kasvaa, mutta toistuvat yhteydenotot ja valituksetkin lisääntyvät.

Gradient Labs keskittyy säänneltyihin rahoituspalveluihin, joissa virheellinen vastaus voi aiheuttaa paljon suurempia seurauksia kuin tavallinen asiakaspalveluvirhe. Kuinka määritätte, milloin AI‑agentti on riittävän luotettava hoitamaan itsenäisesti prosesseja, kuten lainanmyöntö, riita-asiat, asiakasrekisteröinti tai Tunne Asiakkaasi -tarkistukset?

Useimpien tiimien oletusreitti on co‑pilot-malli: joku hyväksyy jokaisen toiminnon, koska se tuntuu turvallisemmalta. Ja useimmat olettavat sen olevan turvallisempaa. Todellisuudessa, kun AI tekee suurimman osan asioista oikein, tarkistajat hyväksyvät asiat tarkistamatta kunnolla, ja turvallisuus katoaa silti. Tämä ei missään nimessä vähennä olemassa olevaa työkuormaa. Se vain nopeuttaa prosessia ja heikentää saavutettua arvoa.

Tämän takia AI‑agentin luotettavuus on Gradient Labsilla hyvin prosessikohtainen käsite. Meille se täytyy kehittää vaiheittaisen autonomian kautta, eikä sitä voi nähdä pelkkänä tavoitteen merkitsemisenä. Agentille voidaan myöntää suurempaa itsenäisyyttä esimerkiksi KYC‑tai riita‑asioissa vasta, kun se on benchmarkattu laajaa, elävää todellisten tapausten kokoelmaa vastaan, ja kun sen päätöksiä tarkastetaan satunnaisesti myös tuotantoon siirtymisen jälkeen. Mielenkiintoista on, että tämä vahvistaa myös perääntymisen merkityksen: jos jotain voidaan peruuttaa, se saa autonomian nopeammin kuin asia, jota ei voi peruuttaa.

Suojarajat (guardrails) esitetään yhä useammin ratkaisuna AI‑agenttien turvallisuuden parantamiseksi, mutta lisää sääntöjä voi myös tehdä järjestelmistä jäykkiä tai estää niiden laillisten tehtävien suorittamisen. Kuinka tasapainotatte autonomian ja suojarajat niin, että agentti ei muutu vain toisen erittäin rajoitetun chatbotin kaltaiseksi?

Virhe on pitää suojarajoja seinänä, jonka agentti vain pomppaa. Järjestelmässämme ne tekevät kahta asiaa samanaikaisesti. Suojarajat ajetaan jokaisessa keskustelun vuorossa – osa tarkastelee, mitä asiakas sanoo, jotta voidaan havaita esimerkiksi haavoittuvuus, taloudellinen vaikeus tai valitus, ja toinen tarkastelee, mitä agentti aikoo sanoa, jotta se pysyy sääntöjen mukaisena. Kun jokin suojaraja aktivoituu, se ei pelkästään estä toimintaa: se ohjaa agentin oikeaan menettelyyn, ja päätös on läpinäkyvä agentin perustelussa, jotta operaattorit näkevät, miksi se toimi näin. Syvemmät suojarajat sisältyvät myös siihen, miten agentti opettaa ajattelemaan tehtävää, mihin dataan sillä on pääsy ja mitä työkaluja se voi käyttää. Tämä yhdistelmä pitää sen turvallisena ilman jäykistymistä: agentti ymmärtää, mitkä suojarajat ovat ja miksi ne on olemassa, joten se suorittaa laillisen tehtävän sen sijaan, että kieltäytyisi kaikesta, mikä vain muistuttaa kiellettyä.

Tässä mielestäni ongelma on nähdä suojarajat tiiliseinänä, jonka agentti pomppaa. Tarkemmin sanottuna ajamme kahta erilaista suojarajatyyppiä jokaisessa keskustelun vuorossa. Ensinnäkin meillä on asiakassuojarajat, jotka tarkastelevat, mitä asiakas sanoo, ja joiden on tarkoitus havaita haavoittuvuuksia, taloudellisia vaikeuksia, valituksia ja vastaavia. Toiseksi meillä on agenttisuoja‑rajat, jotka toimivat päinvastoin ja tarkistavat, mitä agentti aikoo sanoa ennen viestin lähettämistä, jotta se pysyy sääntöjen mukaisena.

Tämä tarkoittaa, että sen sijaan että toiminto estettäisiin kokonaan, kun jokin suojaraja aktivoituu, se ohjataan oikeaan polkuun. Näin säilytetään läpinäkyvyys agentin päätöksentekoprosesseissa ja annetaan ihmiskäyttäjille selitys, miksi kyseinen toiminto toteutettiin.

Pystymme myös tekemään näin, koska kaikki agentin päättelyprosessin osa-alueet eivät ole pakotettuja läpäisemään LLM:ää. Tällaiset suojarajat ovat deterministisiä, koska ne eivät ainoastaan laukea keskustelun lopussa, vaan ne käynnistyvät koko agentin elinkaaren ajan. Näin voimme luottaa agenttiin arkaluontoisessa viestinnässä ja mahdollistaa tiettyjen agenttien räätälöinnin laajamittaisiin käyttötapauksiin ennustettavalla tavalla.

Kaikkein tärkeämpää on, miten agentti opastetaan ajattelemaan tehtävää alun perin, varmistaen, että se pääsee käsiksi relevanttiin dataan ja tuntee tarvitsemansa työkalut. Tämä kyky suorittaa laillinen tehtävä sen sijaan, että se kieltäytyisi ottamasta mitään, mikä vaikuttaa kielletyltä, parantaa turvallisuutta ja estää jäykistymistä.

Missä ihmiset tulisi pitää rooliaan mukana, kun AI‑agentit tulevat yhä itsenäisemmiksi? Onko olemassa tiettyjä päätöksiä tai asiakasvuorovaikutuksia, joiden tulisi jatkossakin vaatia ihmisen harkintaa riippumatta siitä, kuinka kykeneviä taustalla olevat mallit kehittyvät?

Ihminen on mukana, jos päätös vaatii rehellistä harkintaa, sillä on merkittäviä vaikutuksia asiakkaaseen tai se koskee tulosta, jota agenttia ei ole vielä arvioitu vastaan. Ihmisen ei tarvitse tehdä kaikkea, mutta hänen tulee tarkistaa tai hyväksyä tarpeen mukaan. Tämä pätee todennäköisesti entisestään, kun mallit tulevat kykenevämmiksi, koska kyse ei usein ole kyvykkyydestä vaan vastuullisuudesta ja asiakkaan oikeudesta saada ihmisen tekemä päätös, kun kyseessä ovat esimerkiksi luottotulokset tai riita‑asiat.

Ihminen on mukana, jos päätös vaatii rehellistä harkintaa, sillä on merkittäviä vaikutuksia asiakkaaseen tai se koskee tulosta, jota agenttia ei ole vielä arvioitu vastaan. Vienkin tätä hieman pidemmälle kuin tyypillinen varmistusmalli väittäen, että agentit ansaitsevat yhä enemmän paikkansa organisaatiokaaviossa ihmisten rinnalla. Tämä puolestaan siirtää ihmisten panostuksen yhä enemmän eskalaatioihin ja harkintapäätöksiin, jolloin agentit hoitavat koordinaatio‑ ja reititystyön.

Mutta jotta tämä olisi todella menestyksekästä, agenteilla täytyy olla sama institutionaalinen konteksti kuin ihmisillä, jotta he tietävät, kenet ottaa mukaan tiettyihin ongelmiin ja milloin. Tästä syystä rakensimme Collaborate‑järjestelmän. Sen avulla operaattorit, insinöörit ja agentit voivat työskennellä yhdessä tasavertaisina versionhallinnan, arviointien ja jatkuvan oppimisen ytimessä. Tämä varmistaa, että ihmiset pysyvät täysin mukana, ja silta muuttuu vain muotoaan siten, että agentin ja ihmisen välinen koordinointi toimii sujuvasti.

Gradient Labs on keskittynyt erikoistuneisiin agenteihin, jotka on suunniteltu tiettyihin rahoituspalveluiden työnkulkuihin, eikä yhteen yleiskäyttöiseen agenttiin. Uskotko, että yritys‑AI:n tulevaisuus koostuu pääasiassa erikoistuneiden agenttien verkostoista, vai tekevätkö yhä kykenevämmät perustamallit erikoistumisen vähäisemmäksi merkitykselliseksi?

Uskon, että vaikka perusmallit kehittyvät, erikoistuminen on edelleen tärkeää. Ihmiset eivät maksa pelkästään älykkäästä mallista, vaan myös työnkulkuun räätälöidystä arvioinnista, suojarajoista ja sen ympärille rakennetusta dataintegraatiosta. Tämä työ ei katoa pelkästään sen takia, että taustamalli paranee. Näen tämän verkostona erikoistuneita agenteja, jotka kaikki rakentuvat yhteisen ja vahvan perusmallin päälle, sen sijaan että yksi yleiskäyttöinen agentti hoitaisi kaiken.

AI‑agenttien on yhä enemmän opittava ja kehitettävä itse käyttöönoton jälkeen, mutta säännellyissä ympäristöissä jopa pieni käyttäytymismuutoksikin voi tuoda uusia riskejä. Kuinka yritykset voivat jatkuvasti parantaa agenttia varmistaen, että päivitykset eivät aiheuta regressioita, vaatimustenmukaisuusongelmia tai odottamattomia toimintoja?

Periaatteemme on, että jokainen päivitys käsitellään uutena mallijulkaisuna, ei inkrementaalisena konfiguraatiomuutoksena, joten jokainen muutos käy läpi täyden arviointipaketin ennen julkaisua. Tämä sisältää regressiotestit, jotka suoritetaan esimerkkitapauksia vastaan, joissa virhe olisi tehnyt todellisen eron, eikä mitään julkaista kerralla kaikille asiakkaille: otamme käyttöön asteittain ja valvomme, jotta mahdollinen poikkeama havaittaisiin rajoitetussa liikenteen osassa eikä koko mittakaavassa. Tämä on juuri se, mitä viimeisin Collaborate‑julkaisumme käsittelee. Collaborate mahdollistaa operaattorien, insinöörien ja AI‑agentin työskentelyn tasavertaisina samassa elävässä määritelmässä siitä, miten agentin tulisi ajatella, versionhallinnan, arviointien ja jatkuvan oppimisen ollessa suoraan työnkulussa. Kun joku parantaa tapaa, jolla agentti käsittelee tapausta, muutos versioidaan, testataan menneitä keskusteluja vastaan ja otetaan käyttöön samoin kontrolloinnin alaisena kuin muutkin julkaisut. Tämä tarkoittaa, että agentti voi kehittyä käyttöönoton jälkeen ilman, että parannus itsessään aiheuttaa regressiota tai vaatimustenmukaisuusongelmaa.

Katsottaessa tulevaisuuteen, kun pääsy voimakkaisiin perustamalleihin yleistyy, mistä todellinen kilpailuetu AI‑sovelluksissa syntyy? Ovatko voittajat ne, joilla on parhaat mallit, vai ne, jotka osaavat parhaiten suunnitella luotettavia järjestelmiä ja tarjota johdonmukaisesti hyviä käyttökokemuksia niiden ympärillä?

Kun yhä useammat perustamallit alkavat lähentyä toisiaan, etu siirtyy lähes kokonaan sille, joka osaa parhaiten suunnitella luotettavampia järjestelmiä näiden mallien ympärille, mukaan lukien arviointi, suojarajat, data ja työnkulun suunnittelu. Malli muuttuu tavalliseksi syötteeksi, mutta tuotteen todellinen arvo on johdonmukaisuus ja luotettavuus tuotannossa.

Jopa senkin lisäksi näen edun tulevan siitä, kuinka syvälle agentti on upotettu yrityksen toimintaan. Agentit, joilla on kyky integroitua moniin eri osiin yrityksen toimintoja, voittavat työkalut, jotka pystyvät käsittelemään vain tiettyjä ongelmia tai tavoittamaan vain etulinjan. Kun agentti voi toimia sekä etulinjan että taustajärjestelmien välillä, se tuo enemmän kontekstia vuorovaikutuksiin ja pystyy käsittelemään monimutkaisempia ongelmia alusta loppuun, aivan kuten ihminen. Agentin kyky sopia yrityksen todelliseen toimintatapaan on se, mistä odotan kestävän voiton syntyvän.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, tulisi vierailla Gradient Labs.