Neal Lathia, Gradient Labsin perustajaosakas ja teknologiajohtaja – Haastattelusarja

Neal Lathia, Gradient Labsin perustajaosakas ja teknologiajohtaja, on koneoppimisen ja datatieteen johtaja, jolla on lähes kaksi vuosikymmentä kokemusta rahoitusteknologiasta, kuluttaja-alustoista ja akateemisesta tutkimuksesta. Ennen Gradient Labsin perustamista vuonna 2023 hän vietti yli viisi vuotta Monzossa, edeten Senior Data Scientist -tehtävästä koneoppimisen johtajaksi 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 on monimutkaisiin, säänneltyihin rahoituspalveluiden työnkulkuihin suunniteltujen AI‑agenttien taustalla.

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 sellaisten asiakkaiden kautta kuin 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 perustit 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, joiden täytyi toimia säännellyssä ympäristössä, jossa virheillä on todellisia seurauksia ja kaikki vaatii auditointijäljen. Minuun vaikutti eniten tarve kehittää räätälöityä infrastruktuuria, koska mikään valmis ratkaisu 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 käsittelemään päättelyn avulla 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 sen välillä, mitä säännellyt yritykset todella tarvitsevat, ja sen, mitä jo on olemassa, on syy siihen, miksi perustimme 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 niinkin yksinkertaisessa asiassa 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 sen ympärillä olevaan kehykseen ole investoitu, kuten validointiin, varmistuslogiikkaan, rakenteisen datan käsittelyyn 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 näennäisen yksinkertaiset 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 hauraita integraatioita ja puutteellista dataa, eikä ennen muutosten julkaisemista ole kunnollista 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, containment-mittarin tai ticket deflection ‑mittarin 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 containment-mittaria käytetään arvioimaan, onnistuitko saamaan asiakkaan lopettamaan puhelun, 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 osuuden, valitusten volyymin ja sen kanssa, kuinka usein ihmisen täytyy puuttua asiaan jälkikäteen. Tiedät optimoivasi väärää tulosta, jos ticket deflection lisääntyy, 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 yksittäisenä tavoitteena, jonka voi vain merkitä saavutetuksi. Agentille voidaan myöntää suurempaa itsenäisyyttä esimerkiksi KYC- tai riita‑asioissa vasta, kun se on benchmarkattu laajaa, elävää todellisten tapausten kokoelmaa vastaan, ja kun ihmiset tarkastavat otoksen sen päätöksistä myös tuotantoon siirtymisen jälkeen. Mielenkiintoista on, että tämä vahvistaa myös toimien vaikutusten kumottavuuden merkityksen: jos jonkin toimen vaikutukset voidaan kumota, se saa autonomian nopeammin kuin toimi, jonka vaikutuksia ei voi kumota.

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

Virhe on pitää suojarajoja seinänä, josta agentti vain kimpoaa. 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 agenttia opetetaan 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 ovat olemassa, joten se suorittaa hyväksyttävän tehtävän sen sijaan, että kieltäytyisi kaikesta, mikä vain muistuttaa kiellettyä.

Tässä mielestäni ongelma on nähdä suojarajat tiiliseinänä, josta agentti kimpoaa. 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 ihmisoperaattoreille selitys, miksi kyseinen toiminto toteutettiin.

Pystymme myös tekemään näin, koska agentin päättelyprosessin kaikkien osa-alueiden ei tarvitse kulkea LLM:n kautta. 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 tärkeintä on, miten agentti opastetaan ajattelemaan tehtävää alun perin, varmistaen, että se pääsee käsiksi relevanttiin dataan ja tuntee tarvitsemansa työkalut. Tämä kyky suorittaa hyväksyttävä tehtävä sen sijaan, että se kieltäytyisi tekemästä mitään, mikä vaikuttaa kielletyltä, parantaa turvallisuutta ja estää jäykistymistä.

Missä ihmisten tulisi pysyä mukana prosessissa, kun AI‑agentit tulevat yhä itsenäisemmiksi? Onko olemassa tiettyjä päätöksiä tai asiakasvuorovaikutuksia, joiden tulisi jatkossakin vaatia ihmisen harkintaa riippumatta siitä, kuinka kykeneviksi taustalla olevat mallit kehittyvät?

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

Ihmisen on oltava mukana, jos päätös vaatii rehellistä harkintaa, sillä on merkittäviä vaikutuksia asiakkaaseen tai se koskee tulosta, jonka suhteen agenttia ei ole vielä arvioitu. 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 silmukassa, ja silmukka vain muuttaa muotoaan sen mukaan, miten hyvin agentti ja ihminen koordinoivat toimintaansa.

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 perusmallit erikoistumisesta vähemmän merkityksellistä?

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 erikoistuneiden agenttien verkostona, jossa kaikki agentit rakentuvat yhteisen ja vahvan perusmallin päälle, sen sijaan että yksi yleiskäyttöinen agentti hoitaisi kaiken.

AI‑agenttien on yhä enemmän opittava ja parannettava toimintaansa 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 samojen kontrollien 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 perusmalleihin 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 perusmallit 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. Mallista tulee hyödykeluonteinen panos, mutta varsinainen tuote 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, lukijoiden, jotka haluavat oppia lisää, tulisi vierailla sivustolla Gradient Labs.