Matthew Fitzpatrick, PDG de Invisible Technologies – Série d’entretiens

Matthew Fitzpatrick est un spécialiste expérimenté des opérations et de la croissance, doté d’une expertise approfondie dans la mise à l’échelle de flux de travail complexes et d’équipes. Avec une expérience qui s’étend sur le conseil, la stratégie et le leadership opérationnel, il occupe actuellement le poste de PDG d’Invisible Technologies, où il se concentre sur la conception et l’optimisation de solutions commerciales intégrales. Matthew est passionné par la combinaison du talent humain avec l’automatisation pour stimuler l’efficacité à grande échelle, aidant les entreprises à débloquer une croissance transformative grâce à l’innovation des processus.

Invisible Technologies est une entreprise de logiciel et de production d’IA qui aide les organisations à construire, déployer et mettre à l’échelle des systèmes d’IA à travers des environnements commerciaux complexes. Sa plateforme combine des logiciels alimentés par l’IA, une expertise humaine et une infrastructure opérationnelle pour soutenir les flux de travail de production nécessaires pour former, évaluer et exploiter des IA avancées. Invisible travaille avec des entreprises pour gérer des données complexes, automatiser les flux de travail et intégrer l’IA dans les processus commerciaux, fournissant l’infrastructure et l’expertise nécessaires pour passer des initiatives d’IA de l’expérimentation à un déploiement fiable à grande échelle.

Vous venez de passer de la direction de QuantumBlack Labs chez McKinsey à celle de PDG d’Invisible Technologies. Qu’est-ce qui vous a attiré vers ce rôle, et qu’est-ce qui vous excite le plus dans la mission d’Invisible ?

Chez McKinsey, j’ai eu le privilège de travailler à la pointe de l’innovation de l’IA – en construisant des produits logiciels d’IA, en dirigeant les efforts de R&D et en aidant les entreprises à exploiter le pouvoir des données. Ce qui m’a attiré vers Invisible Technologies est l’opportunité de le rendre opérationnel à grande échelle avec une combinaison d’une plateforme logicielle d’IA unique et flexible et d’un marché d’experts pour les rétroactions humaines dans la boucle – je crois que l’apprentissage par renforcement à partir des rétroactions humaines (RLHF) est la clé pour des mises en œuvre de GenAI précises et fiables. Invisible prend en charge l’IA sur toute la chaîne de valeur, de la nettoyage des données et de l’automatisation de la saisie des données à la raison et à l’évaluation personnalisées. Notre mission est simple : combiner l’intelligence humaine et l’IA pour aider les entreprises à réaliser le potentiel de l’IA, qui dans l’entreprise a été beaucoup plus difficile que ce que la plupart des gens attendaient.

Vous avez supervisé plus de 1 000 ingénieurs et mis à l’échelle de multiples produits d’IA à travers les industries. Quelles sont les leçons de McKinsey que vous appliquez à la prochaine phase de croissance d’Invisible ?

Deux leçons se démarquent. Premièrement, l’adoption réussie de l’IA est autant liée à la transformation organisationnelle qu’à la technologie. Vous avez besoin des bonnes personnes et des bons processus en place – en plus de grands modèles. Deuxièmement, les entreprises qui gagnent avec l’IA sont celles qui maîtrisent le « dernier kilomètre » – la transition de l’expérimentation à la production. Chez Invisible, nous appliquons la même rigueur et la même structure pour aider les clients à passer des pilotes à la production, en délivrant une véritable valeur commerciale.

Vous avez déclaré que « 2024 était l’année de l’expérimentation de l’IA, et 2025 est sur la réalisation du ROI ». Quels sont les tendances spécifiques que vous voyez parmi les entreprises qui réalisent réellement ce ROI ?

Les entreprises qui réalisent un ROI réel cette année font trois choses bien. Premièrement, elles alignent étroitement les cas d’utilisation de l’IA avec les indicateurs de performance clés de l’entreprise – tels que l’efficacité opérationnelle ou la satisfaction client. Deuxièmement, elles investissent dans de meilleures données et des boucles de rétroaction humaines pour améliorer continuellement les performances du modèle. Troisièmement, elles passent de solutions génériques à des systèmes spécifiques au domaine qui reflètent la complexité de leurs environnements. Ces entreprises ne testent plus seulement l’IA – elles la mettent à l’échelle avec un objectif.

Comment évolue la demande de labellisation de données spécifiques au domaine et de niveau doctorat chez les fournisseurs de modèles de base tels qu’AWS, Microsoft (MSFT ), et Cohere ?

Nous voyons une augmentation de la demande pour une labellisation spécialisée à mesure que les fournisseurs de modèles de base pénètrent dans des secteurs plus complexes. Chez Invisible, nous avons un taux d’acceptation annuel de 1 % pour notre pool d’experts, et 30 % de nos formateurs détiennent un master ou un doctorat. Cette expertise approfondie est de plus en plus nécessaire – non seulement pour annoter avec précision les données, mais pour fournir des rétroactions nuancées et sensibles au contexte pour améliorer la raison, la précision et l’alignement. À mesure que les modèles deviennent plus intelligents, la barre pour les former se situe plus haut.

Invisible est à la pointe de l’IA agente, en mettant l’accent sur la prise de décision dans les flux de travail du monde réel. Quelle est votre définition de l’IA agente, et où voyez-vous les promesses les plus grandes ?

L’IA agente fait référence à des systèmes qui ne répondent pas simplement aux instructions – ils planifient, prennent des décisions et agissent dans des limites définies. C’est l’IA qui se comporte plus comme un partenaire que comme un outil. Nous voyons la plus grande traction dans les flux de travail complexes et à haute volumétrie : tels que le support client et les réclamations d’assurance, par exemple. Dans ces domaines, l’IA agente peut réduire les efforts manuels, accroître la cohérence et délivrer des résultats qui nécessiteraient autrement de grandes équipes humaines. Il ne s’agit pas de remplacer les humains – mais plutôt de les compléter avec des agents intelligents qui peuvent gérer le répétitif et la routine.

Pouvez-vous partager des exemples de la façon dont Invisible forme des modèles pour la raison et la chaîne de pensée, et pourquoi cela est critique pour le déploiement de l’entreprise ?

La raison et la chaîne de pensée (CoT) ont débloqué un nouveau potentiel pour l’IA d’entreprise. Chez Invisible, nous formons des modèles pour raisonner étape par étape, ce qui est essentiel lorsque les enjeux sont élevés – que vous diagnostiquiez un patient, analysiez un contrat ou validiez un modèle financier. La CoT améliore non seulement la transparence, mais permet également le débogage, l’affinement et les gains de performance sans de nouvelles données massives. Nous avons vu des modèles de pointe comme Gemini, Sonnet et Grok commencer à divulguer leurs chemins de raisonnement, ce qui nous permet d’observer non seulement ce que les modèles produisent, mais aussi comment ils y arrivent. Cela jette les bases pour des méthodes plus avancées comme l’Arbre de Pensée (où les modèles évaluent plusieurs chemins de raisonnement possibles avant de se fixer sur une réponse) et l’Auto-Coherence (où plusieurs chemins de raisonnement sont explorés).

Invisible prend en charge la formation dans plus de 40 langages de codage et 30 langues humaines. Quelle est l’importance de la précision culturelle et linguistique dans la construction d’une IA à grande échelle ?

C’est critique. Le langage n’est pas seulement une question de traduction – c’est une question de contexte, de nuance et de normes culturelles. Si un modèle interprète mal le ton ou manque de variation régionale, cela peut conduire à de mauvaises expériences utilisateur ou à des risques de conformité. Nos formateurs multilingues ne sont pas seulement fluent – ils sont ancrés dans les cultures qu’ils représentent.

Quels sont les points de défaillance courants lorsque les entreprises tentent de passer de la preuve de concept à la production, et comment Invisible aide à naviguer ce « dernier kilomètre » ?

La majorité des modèles d’IA ne parviennent jamais à la production parce que les entreprises sous-estiment l’effort opérationnel requis. Ils manquent de données propres, de protocoles d’évaluation robustes et d’une stratégie pour intégrer les modèles dans les flux de travail réels. Chez Invisible, nous combinons une expérience technique approfondie avec une infrastructure de données de production pour aider les entreprises à combler le fossé. Nos capacités symbiotiques dans la formation et l’optimisation nous permettent de construire de meilleurs modèles et de les déployer avec succès.

Pouvez-vous nous faire part de l’approche d’Invisible en matière de RLHF (Apprentissage par renforcement à partir des rétroactions humaines) et de la façon dont elle diffère des autres dans l’industrie ?

Chez Invisible, nous considérons le RLHF comme plus qu’un simple affinage – cela permet une conception d’évaluation personnalisée plus sophistiquée et un déplacement vers la formation de modèles avec des jugements humains nuancés plutôt que des signaux binaires comme les pouces levés ou baissés. Alors que les approches de l’industrie donnent souvent la priorité à l’échelle grâce à des données à haute volumétrie et à faible signal, nous nous concentrons sur la collecte de rétroactions de haute qualité et structurées qui capturent la raison, le contexte et les compromis. Ce signal plus riche permet aux modèles de généraliser plus efficacement et de s’aligner plus étroitement sur l’intention humaine. En donnant la priorité à la profondeur plutôt qu’à la largeur, nous construisons l’infrastructure pour des systèmes d’IA plus robustes et plus alignés.

Comment voyez-vous l’avenir de la collaboration entre l’IA et les humains évoluer, en particulier dans des domaines à enjeux élevés comme la finance, les soins de santé ou le secteur public ?

L’IA ne remplace pas l’expertise humaine – elle devient l’infrastructure qui la soutient. Je vois un avenir où les agents d’IA et les experts humains travaillent en tandem – où les cliniciens sont soutenus par des copilotes de diagnostic, les agences gouvernementales utilisent l’IA pour gérer les avantages plus efficacement, et les analystes financiers sont libres de se concentrer sur la stratégie plutôt que sur les tableurs. Notre objectif est de concevoir des systèmes où l’IA améliore les capacités humaines, plutôt que de les obscurcir ou de les outrepasser.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Invisible Technologies.