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

Matthew Fitzpatrick est un spécialiste chevronné 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 à la consultation, à la stratégie et au 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 et de l’automatisation pour stimuler l’efficacité à grande échelle, aidant les entreprises à débloquer une croissance transformatrice grâce à l’innovation des processus.

Invisible Technologies est une entreprise de mise à l’échelle des processus métier qui combine la technologie avancée avec l’expertise humaine pour aider les organisations à évoluer de manière efficace. Plutôt que de remplacer les humains par l’automatisation, Invisible crée des flux de travail personnalisés où les travailleurs numériques (logiciels) et les opérateurs humains collaborent de manière transparente. L’entreprise propose des services dans des domaines tels que l’enrichissement des données, la génération de leads, le soutien client et les opérations de back-office, permettant ainsi aux clients de déléguer des tâches complexes et répétitives et de se concentrer sur les objectifs stratégiques essentiels. Le modèle unique « travail en tant que service » d’Invisible fournit aux entreprises un soutien opérationnel évolutif, transparent et rentable.

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 au sujet de 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 était l’opportunité de le rendre opérationnel à grande échelle avec une combinaison d’une plate-forme logicielle d’IA unique et flexible et d’un marché d’experts pour les commentaires humains dans la boucle – je crois que l’apprentissage par renforcement à partir des commentaires humains (RLHF) est la clé des implémentations 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 de données à la chaîne de raisonnement et aux évaluations 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 la plupart des gens ne l’avaient prévu.

Vous avez supervisé plus de 1 000 ingénieurs et avez mis à l’échelle de multiples produits d’IA dans différents secteurs. Quelles leçons de McKinsey appliquez-vous à la prochaine phase de croissance d’Invisible ?
Deux leçons ressortent. 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 celle de la réalisation du ROI ». Quels sont les tendances spécifiques que vous observez chez 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 KPI clés de l’entreprise – tels que l’efficacité opérationnelle ou la satisfaction client. Deuxièmement, elles investissent dans de meilleures données et des boucles de commentaires humains pour améliorer en continu les performances des modèles. 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 de niveau doctorat et spécifiques au domaine auprès des fournisseurs de modèles de base tels qu’AWS, Microsoft et Cohere ?

Nous observons une augmentation de la demande de 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 % dans 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 commentaires nuancés et sensibles au contexte pour améliorer le raisonnement, 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 seulement 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 soutien 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 – nous les augmentons plutôt avec des agents intelligents capables de gérer le répétitif et la routine.

Pouvez-vous partager des exemples de la façon dont Invisible forme des modèles pour le raisonnement en chaîne de pensée et pourquoi il est critique pour le déploiement d’entreprise ?

Le raisonnement en chaîne de pensée (CoT) a 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. 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 comment ils y arrivent. Cela jette les bases de 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 plus de 30 langues humaines. Quelle est l’importance de la précision culturelle et linguistique dans la construction d’une IA à l’échelle mondiale ?

C’est critique. Le langage ne concerne pas seulement la traduction – il s’agit du contexte, de la nuance et des normes culturelles. Si un modèle interprète mal le ton ou manque de variation régionale, cela peut conduire à de mauvaises expériences utilisateur ou même à des risques de conformité. Nos formateurs multilingues ne sont pas seulement fluent – ils sont intégrés dans les cultures qu’ils représentent.

Quels sont les points de défaillance courants lorsque les entreprises tentent de passer d’une 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 car 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 guider à travers l’approche d’Invisible en matière de RLHF (Reinforcement Learning from Human Feedback) et comment elle diffère des autres dans l’industrie ?
Chez Invisible, nous considérons le RLHF comme plus qu’un simple affinement – cela permet une conception d’évaluation (« eval ») personnalisée plus sophistiquée et un déplacement vers la formation de modèles avec des jugements humains nuancés plutôt que des signaux binaires comme les pouces vers le haut et vers le bas. Alors que les approches de l’industrie donnent souvent la priorité à la mise à l’échelle grâce à des données à haut volume et faible signal, nous nous concentrons sur la collecte de commentaires de haute qualité et structurés qui capturent le raisonnement, 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 privilégiant la profondeur plutôt que la largeur, nous construisons les infrastructures pour des systèmes d’IA plus robustes et plus alignés.
Comment imaginez-vous l’avenir de la collaboration humaine-IA 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 m’imagine 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 trier les avantages de manière plus efficace 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 la capacité humaine, plutôt que de l’obscurcir ou de la remplacer.

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