Neal Lathia, Gradient Labs के सह-संस्थापक और CTO – इंटरव्यू श्रृंखला

Neal Lathia, Gradient Labs के सह-संस्थापक और CTO, एक मशीन लर्निंग और डेटा साइंस नेता हैं जिनके पास लगभग दो दशकों का अनुभव है, जो वित्तीय प्रौद्योगिकी, उपभोक्ता प्लेटफ़ॉर्म और शैक्षणिक अनुसंधान में फैला हुआ है। 2023 में Gradient Labs की सह-स्थापना करने से पहले, उन्होंने Monzo में पाँच से अधिक वर्षों तक काम किया, जहाँ वे वरिष्ठ डेटा वैज्ञानिक से लेकर मशीन लर्निंग निदेशक और स्टाफ मशीन लर्निंग इंजीनियर तक पदोन्नत हुए, और मशीन लर्निंग इन्फ्रास्ट्रक्चर का निर्माण किया तथा संचालन, वित्तीय अपराध और उत्पाद के विभिन्न अनुप्रयोगों को समर्थन देने के लिए इस क्षेत्र को स्केल करने में मदद की। पहले, Lathia Skyscanner में वरिष्ठ डेटा वैज्ञानिक के रूप में कार्यरत थे और University of Cambridge और University College London में शोध पदों पर रहे, जहाँ उनका काम सिफ़ारिश प्रणाली, व्यवहारिक डेटा, स्मार्टफ़ोन सेंसिंग और व्यक्तिगत डिजिटल सेवाओं की खोज करता था। Gradient Labs में, वे अब जटिल, नियामक वित्तीय‑सेवा कार्यप्रवाहों के लिए डिज़ाइन किए गए AI एजेंट्स की तकनीक का नेतृत्व करते हैं।

Gradient Labs लंदन स्थित एक AI कंपनी है जो वित्तीय सेवाओं के लिए विशेष स्वायत्त एजेंट्स बनाती है, जिसका फोकस उन ग्राहक संचालन को स्वचालित करने पर है जो पारंपरिक रूप से बड़े पैमाने पर मानव भागीदारी की मांग करते हैं। यह कंपनी पूर्व Monzo नेताओं Dimitri Masin, Neal Lathia, और Danai Antoniou द्वारा स्थापित की गई है, और यह ऋण और संग्रह, विवाद, Know Your Business (KYB), ऑनबोर्डिंग, बीमा दावे, और ग्राहक सेवा सहित क्षेत्रों के लिए एजेंट्स विकसित करती है, जो वॉइस, चैट और ईमेल के माध्यम से काम करते हैं और नियामक वातावरण के लिए डिज़ाइन किए गए अनुपालन सुरक्षा उपायों को शामिल करती है। Gradient Labs के अनुसार, उनकी तकनीक अब 32 मिलियन से अधिक अंत उपयोगकर्ताओं को सेवा देती है, जिनमें Wise, Zego, Current, Stash, और Rho जैसे ग्राहक शामिल हैं। जून 2026 में, कंपनी ने घोषणा की कि उसने अपने Series A वित्तपोषण को $26 मिलियन तक बढ़ा दिया है, क्योंकि वह जटिल बैंकिंग और फिनटेक संचालन को परस्पर जुड़े विशेषज्ञ AI एजेंट्स के साथ स्वचालित करने के व्यापक विज़न की ओर काम कर रही है।

आपने 2023 में Gradient Labs की सह-स्थापना करने से पहले Monzo में मशीन लर्निंग का निर्माण और नेतृत्व करने में पाँच से अधिक वर्ष बिताए। आपने Monmo में प्रत्यक्ष रूप से क्या देखा जिसने आपको यह विश्वास दिलाया कि स्वायत्त AI एजेंट्स के आसपास एक नई कंपनी बनाने का अवसर है, और बड़े भाषा मॉडलों के आगमन ने वह अवसर क्यों संभव बना दिया?

Monzo में, मैंने वर्षों तक ऐसे ML सिस्टम बनाए जो नियामक वातावरण में काम करने की आवश्यकता रखते थे, जहाँ गलतियों के बहुत वास्तविक परिणाम होते हैं और हर चीज़ को ऑडिट ट्रेल की जरूरत होती है। मुझे सबसे अधिक प्रभावित करने वाला पहलू कस्टम‑बिल्ट इन्फ्रास्ट्रक्चर विकसित करने की आवश्यकता थी, क्योंकि पूर्व‑निर्मित कोई भी समाधान उन सख्त प्रतिबंधों के तहत सुरक्षित रूप से कार्य नहीं कर सकता था। उस अनुभव ने मुझे दो विश्वास दिलाए। पहला यह कि प्रौद्योगिकी अंततः बैंकों को उस परिचालन बोझ से मुक्त कर सकती है जो दशकों से उद्योग को पीछे धकेल रहा था। दूसरा यह कि सामान्य‑उद्देश्य, क्षैतिज AI इस समस्या को हल नहीं कर पाएगा — नियामक कार्य की बारीकियों बहुत विशिष्ट हैं। जब LLMs इतने सक्षम हो गए कि वे बहु‑चरणीय, कभी‑कभी अस्पष्ट ग्राहक इंटरैक्शन को समझ सकें, तो यह संभव हो गया कि ऐसे एजेंट बनाए जाएँ जो पूरे नियामक कार्यप्रवाह को अंत‑से‑अंत प्रबंधित कर सकें, न कि केवल मानव को सहायता प्रदान करें। यह अंतर, अर्थात् नियामक कंपनियों को वास्तव में जो चाहिए था और जो पहले से मौजूद था, के बीच का अंतर, वही कारण है कि हमने Gradient Labs की स्थापना की और वित्त के लिए विशेष रूप से निर्मित वर्टिकल AI पर दांव लगाया।

आपने उपभोक्ताओं के अनुभव को “जैग्ड एज ऑफ एक्सपीरियंस” कहा है: एक AI एजेंट अत्यंत जटिल कार्य कर सकता है, जबकि दूसरा सिस्टम फोन नंबर को नाम से अलग करने जैसी सरल चीज़ में विफल हो जाता है। जब अंतर्निहित मॉडल समान रूप से सक्षम हो सकते हैं, तो AI अनुभवों के बीच इस प्रकार के नाटकीय अंतर का वास्तविक कारण क्या है?

मैं कहूँगा कि यह अंतर मॉडल की मूल क्षमता की तुलना में उस पर किए गए इंजीनियरिंग के स्तर के बारे में अधिक है। यदि कोई सिस्टम एक सरल कार्य में विफल हो जाता है, जैसे फोन नंबर को नाम के रूप में गलत पहचानना, तो इसका मतलब है कि उसने उसके आसपास के फ्रेमवर्क में निवेश नहीं किया है, जैसे वैलिडेशन, फॉलबैक लॉजिक, संरचित डेटा हैंडलिंग आदि। अधिक प्रभावशाली एजेंट संभवतः अपने कार्य के लिए विशेष रूप से इंजीनियर किया गया है। यह वही मूल मॉडल परिवार है, लेकिन इसके आसपास की सख्ती पूरी तरह अलग है, और यही कारण है जो “जैग्ड एज” का निर्माण करता है।

जैसे-जैसे फ्रंटियर मॉडल सुधारते जा रहे हैं, बुनियादी AI विफलताएँ क्यों बनी रहती हैं? क्या ये मुख्यतः स्वयं मॉडल की सीमाएँ हैं, या आसपास की सिस्टम आर्किटेक्चर, डेटा, वर्कफ़्लो, मूल्यांकन और प्रोडक्ट डिज़ाइन में विफलताएँ हैं?

यह मुख्यतः सिस्टम है, मॉडल नहीं। फ्रंटियर मॉडल तर्क क्षमता में लगातार सुधार कर रहे हैं। हालांकि, कंपनियां अक्सर उन्हें उन सिस्टमों से जोड़ देती हैं जो प्रायिकता‑आधारित व्यवहारों के लिए विकसित नहीं किए गए थे। सिस्टमों में नाज़ुक इंटीग्रेशन और अपूर्ण डेटा होते हैं, और बदलाव लागू होने से पहले कोई वास्तविक मूल्यांकन लूप नहीं होता। इसलिए उत्पादन में एक बुनियादी AI विफलता वास्तव में AI विफलता नहीं, बल्कि मूल्यांकन, मॉनिटरिंग और वर्कफ़्लो डिज़ाइन प्रक्रियाओं में निवेश की कमी है।

कई कंपनियां AI ग्राहक सेवा को गति, कंटेनमेंट या टिकट डिफ्लेक्शन के आसपास अनुकूलित करती दिखती हैं। यदि कंपनियां यह मापना चाहती हैं कि कोई AI एजेंट वास्तव में ग्राहक अनुभव को सुधार रहा है या नहीं, तो उन्हें किन मेट्रिक्स का उपयोग करना चाहिए?

इसके लिए हमें समाधान की सटीकता पर विचार करना होगा। गति और कंटेनमेंट का उपयोग यह आकलन करने के लिए किया जाता है कि क्या आप ग्राहक को फोन से हटाने में सफल हुए, न कि यह कि क्या आप उनकी समस्या का समाधान कर पाए। समाधान की सटीकता, जिसे AI एजेंट की क्षमता मापने के लिए उपयोग किया जाना चाहिए, यह देखेगी कि एजेंट ने सही कार्य किया या नहीं, न कि केवल जल्दी प्रतिक्रिया दी। यह दोहराए गए संपर्क दर, शिकायतों की मात्रा, और बाद में मानव को कितनी बार हस्तक्षेप करना पड़ता है जैसे अन्य संकेतों के साथ मिलकर काम करेगा। यदि डिफ्लेक्शन बढ़ता है, लेकिन दोहराए गए संपर्क और शिकायतें भी बढ़ती हैं, तो आप समझ जाएंगे कि आप गलत परिणाम के लिए अनुकूलन कर रहे हैं।

Gradient Labs नियामक वित्तीय सेवाओं पर केंद्रित है, जहाँ एक गलत उत्तर का परिणाम सामान्य ग्राहक सेवा त्रुटि की तुलना में कहीं अधिक गंभीर हो सकता है। आप कैसे निर्धारित करते हैं कि कब एक AI एजेंट को लेंडिंग, विवाद, ऑनबोर्डिंग, या Know Your Customer जांच जैसे प्रक्रियाओं को स्वायत्त रूप से संभालने के लिए पर्याप्त विश्वसनीय माना जा सकता है?

अधिकांश टीमें जो डिफ़ॉल्ट मार्ग अपनाना पसंद करती हैं वह सह‑पायलट का है: कोई हर कार्रवाई को मंजूरी देता है क्योंकि यह सुरक्षित महसूस होता है। और अधिकांश मानते हैं कि यह अधिक सुरक्षित है। लेकिन वास्तविकता में, जब AI अधिकांश चीज़ें सही कर रहा होता है, तो समीक्षक बिना वास्तव में जाँच किए ही अनुमोदन कर देते हैं, और सुरक्षा फिर भी खो जाती है। यह मौजूदा कार्यभार को कम करने में कुछ नहीं करता। यह केवल प्रक्रिया को तेज़ बनाता है और आपको मिलने वाले मूल्य को घटा देता है।

यही कारण है कि Gradient Labs में AI एजेंट की पर्याप्त विश्वसनीयता का विचार प्रक्रिया‑विशिष्ट है। हमारे लिए, इसे चरणबद्ध स्वायत्तता के माध्यम से विकसित होना चाहिए और इसे केवल एक लक्ष्य के रूप में नहीं देखा जाना चाहिए। एक एजेंट को KYC या विवाद जैसी चीज़ों पर अधिक स्वतंत्रता तभी दी जा सकती है जब उसे वास्तविक मामलों के बड़े, जीवंत सेट के खिलाफ बेंचमार्क किया गया हो, और उत्पादन में जाने के बाद भी उसके निर्णयों के एक नमूने पर मानव समीक्षा की गई हो। रोचक बात यह है कि यह फिर यह पुष्टि करता है कि पुनरावर्तनीयता यहाँ वास्तव में महत्वपूर्ण है। यदि कुछ को वापस लिया जा सकता है, तो वह ऐसी चीज़ की तुलना में अधिक तेज़ी से स्वायत्तता प्राप्त करेगा जो नहीं ली जा सकती।

गार्डरेल्स को AI एजेंट को अधिक सुरक्षित बनाने के समाधान के रूप में अधिकतर प्रस्तुत किया जा रहा है, लेकिन अधिक नियम जोड़ने से सिस्टम कठोर हो सकते हैं या वैध कार्यों को पूरा करने से रोक सकते हैं। आप कैसे स्वायत्तता को गार्डरेल्स के साथ संतुलित करते हैं बिना एजेंट को एक अत्यधिक प्रतिबंधित चैटबॉट में बदल दिए?

गलती यह है कि गार्डरेल्स को वह दीवार माना जाए जिस पर एजेंट बस टकराता है। हमारे सिस्टम में, वे एक साथ दो काम करते हैं। हम गार्डरेल्स को बातचीत के हर एक टर्न पर लागू करते हैं — कुछ ग्राहक की बातों की जाँच करते हैं, जैसे कि कमजोरी, वित्तीय कठिनाई, या शिकायत को पकड़ना, और अन्य एजेंट के कहने वाले शब्दों की जाँच करते हैं, ताकि वह अनुपालन में रहे। लेकिन जब कोई गार्डरेल सक्रिय होता है, तो यह केवल ब्लॉक नहीं करता: यह एजेंट को सही प्रक्रिया में पुनः मार्गित करता है, और यह निर्णय एजेंट के तर्क में पारदर्शी होता है, जिससे ऑपरेटर देख सकते हैं कि उसने ऐसा क्यों किया। गहरी गार्डरेल्स एजेंट को कार्य के बारे में सोचने, वह किस डेटा तक पहुँच सकता है, और कौन‑से टूल उपयोग कर सकता है, इन सब में भी अंतर्निहित होती हैं। यही संयोजन इसे कठोर बनाए बिना सुरक्षित रखता है: एजेंट समझता है कि गार्डरेल्स क्या हैं और उनका अस्तित्व क्यों है, इसलिए वह वैध कार्य को पूरा करता है बजाय इसके कि वह केवल प्रतिबंधित जैसा दिखने वाली किसी भी चीज़ को अस्वीकार कर दे।

यहाँ, मेरा मानना है कि समस्या गार्डरेल्स को एजेंट के लिए ईंट की दीवार मानने में है। अधिक विशिष्ट रूप से, हम प्रत्येक बातचीत के टर्न पर दो अलग-अलग प्रकार के गार्डरेल्स चलाते हैं। पहला, ग्राहक गार्डरेल्स हैं जो ग्राहक की बातों की जाँच करते हैं और कमजोरियों, वित्तीय कठिनाइयों, शिकायतों आदि को पकड़ने के लिए होते हैं। दूसरा, एजेंट गार्डरेल्स हैं जो विपरीत दिशा में काम करते हैं और संदेश भेजने से पहले यह जांचते हैं कि एजेंट क्या कहेगा, ताकि वह अनुपालन में रहे।

इसका मतलब है कि जब इन गार्डरेल्स में से कोई सक्रिय होता है, तो पूरी तरह से कार्रवाई को ब्लॉक करने के बजाय, इसे सही मार्ग पर पुनः निर्देशित किया जाएगा। इस तरह, यह एजेंट के निर्णय‑निर्धारण प्रक्रिया में पारदर्शिता बनाए रखता है और मानव ऑपरेटरों को उस कार्रवाई के कारण प्रदान करता है।

हम यह इसलिए भी कर सकते हैं क्योंकि एजेंट की तर्क प्रक्रिया के हर पहलू को LLM के पास पास करना अनिवार्य नहीं है। ऐसे गार्डरेल्स निर्धारक होते हैं क्योंकि वे केवल बातचीत के अंत में नहीं बल्कि एजेंट के पूरे जीवनकाल में सक्रिय होते हैं। यही कारण है कि हम एजेंट पर संवेदनशील संचार के साथ भरोसा कर सकते हैं और बड़े पैमाने पर तथा पूर्वानुमेय तरीके से विशिष्ट उपयोग‑केसों के लिए एजेंटों को अनुकूलित कर सकते हैं।

सबसे महत्वपूर्ण बात यह है कि एजेंट को कार्य के बारे में सोचने की शिक्षा कैसे दी गई है, यह सुनिश्चित करते हुए कि वह संबंधित डेटा तक पहुँच सके और आवश्यक टूल्स को जानता हो। यह क्षमता कि एजेंट वैध कार्य को पूरा कर सके, बजाय इसके कि वह किसी भी ऐसी चीज़ को अस्वीकार कर दे जिसे वह प्रतिबंधित समझे, सुरक्षा को बढ़ाने और कठोरता से बचने में मदद करती है।

AI एजेंटों के अधिक स्वायत्त होते जाने पर मनुष्यों को कहाँ लूप में बनाए रखना चाहिए? क्या कुछ निर्णय या ग्राहक इंटरैक्शन ऐसे हैं जिन्हें आप मानते हैं कि अंततः मॉडल कितने भी सक्षम क्यों न हों, मानव निर्णय की आवश्यकता बनी रहेगी?

यदि कोई निर्णय ईमानदार विवेक की माँग करता है, ग्राहक पर महत्वपूर्ण प्रभाव डालता है, या ऐसे परिणाम से संबंधित है जिसे एजेंट ने अभी तक मूल्यांकन नहीं किया है, तो एक मानव को शामिल होना आवश्यक है। मानव को ज़रूरी नहीं कि वह पूरी प्रक्रिया संभाले, परन्तु आवश्यकतानुसार उसे समीक्षा या अनुमोदन करना चाहिए। मॉडल अधिक सक्षम होते जाने पर भी यह संभवतः सत्य रहेगा, क्योंकि यह अक्सर क्षमता के प्रश्न से नहीं, बल्कि उत्तरदायित्व और ग्राहक के अधिकार से जुड़ा होता है कि जहाँ क्रेडिट परिणाम या विवाद जैसे मामलों में एक मानव निर्णयकर्ता हो।

यदि कोई निर्णय ईमानदार विवेक की माँग करता है, ग्राहक पर महत्वपूर्ण प्रभाव डालता है, या ऐसे परिणाम से संबंधित है जिसे एजेंट ने अभी तक मूल्यांकन नहीं किया है, तो एक मानव को शामिल होना आवश्यक है। मैं इसे सामान्य फॉलबैक मॉडल से भी आगे बढ़ाकर यह तर्क देना चाहूँगा कि एजेंट धीरे‑धीरे मानव के साथ संगठनात्मक चार्ट में अपना स्थान बना रहे हैं। परिणामस्वरूप, मानव प्रयास अब अधिकतर एस्केलेशन और निर्णय‑निर्धारण पर केंद्रित हो रहे हैं, जबकि एजेंट समन्वय और रूटिंग कार्य संभालते हैं।

लेकिन इसे वास्तव में सफल बनाने के लिए, एजेंटों को वही संस्थागत संदर्भ चाहिए जो एक मानव के पास होता है, ताकि वे जानते हों कि किन मुद्दों में किसे शामिल करना है और किस समय। यही कारण है कि हमने Collaborate बनाया। यह ऑपरेटरों, इंजीनियरों और एजेंटों को समान स्तर पर काम करने देता है, जिसमें संस्करण नियंत्रण, मूल्यांकन और निरंतर सीखना मुख्य तत्व हैं। इससे यह सुनिश्चित होता है कि मानव पूरी तरह लूप में बना रहे, और लूप का रूप केवल इस बात को दर्शाने के लिए बदलता है कि एजेंट और मानव कितनी अच्छी तरह समन्वय करते हैं।

Gradient Labs ने एकल सामान्य‑उद्देश्य एजेंट के बजाय विशिष्ट वित्तीय‑सेवा कार्यप्रवाहों के लिए डिज़ाइन किए गए विशेषज्ञ एजेंटों पर ध्यान केंद्रित किया है। क्या आप मानते हैं कि एंटरप्राइज़ AI का भविष्य मुख्यतः विशेषीकृत एजेंटों के नेटवर्क से बनेगा, या अधिक सक्षम फाउंडेशन मॉडल अंततः इस विशेषीकरण को कम महत्वपूर्ण बना देंगे?

मेरे विचार में, बेस मॉडल के सुधार के बावजूद, विशेषीकरण अभी भी महत्वपूर्ण है। लोग केवल एक स्मार्ट मॉडल के लिए नहीं, बल्कि उस कार्यप्रवाह के लिए विशिष्ट मूल्यांकन, सुरक्षा उपाय और डेटा इंटीग्रेशन के लिए भुगतान करेंगे जो उसके आसपास निर्मित हैं। और यह काम केवल इसलिए नहीं हटता क्योंकि आधारभूत मॉडल बेहतर हो जाता है। मैं इसे एक सामान्य और मजबूत बेस मॉडल पर निर्मित विशेषज्ञ एजेंटों के नेटवर्क के रूप में देखता हूँ, न कि सभी कार्यों को संभालने वाले एकल सामान्य‑उद्देश्य एजेंट के रूप में।

AI एजेंटों को तैनाती के बाद निरंतर सीखने और सुधारने की आवश्यकता बढ़ती जा रही है, लेकिन नियामक वातावरण में छोटी‑सी व्यवहारिक परिवर्तन भी नए जोखिम उत्पन्न कर सकता है। कंपनियां एजेंट को लगातार कैसे सुधार सकती हैं जबकि यह सुनिश्चित किया जाए कि अपडेट्स रिग्रेशन, अनुपालन समस्याएं या अप्रत्याशित व्यवहार न पैदा करें?

हमारा सिद्धांत यह है कि प्रत्येक अपडेट को नई मॉडल रिलीज़ के रूप में माना जाए, न कि क्रमिक कॉन्फ़िगरेशन परिवर्तन के रूप में, इसलिए हर परिवर्तन को शिप करने से पहले पूरी मूल्यांकन श्रृंखला से गुजरना पड़ता है। इसमें उन पूर्व स्थितियों के खिलाफ रिग्रेशन परीक्षण शामिल हैं जहाँ एक गलती वास्तविक अंतर पैदा करती। और कोई भी अपडेट एक साथ सभी ग्राहकों के लिए लाइव नहीं किया जाता: हम क्रमिक रूप से रोल‑आउट करते हैं और मॉनिटर करते हैं, ताकि यदि ड्रिफ्ट शुरू हो तो हम इसे पूरे ट्रैफ़िक के बजाय सीमित हिस्से में पकड़ सकें। यही ठीक वही है जिस पर हमारा नवीनतम Collaborate रिलीज़ आधारित है। Collaborate ऑपरेटरों, इंजीनियरों और AI एजेंट को समान स्तर पर काम करने देता है, जहाँ एजेंट के सोचने के तरीके की जीवित परिभाषा पर संस्करण नियंत्रण, मूल्यांकन और निरंतर सीखना सीधे वर्कफ़्लो में अंतर्निहित है। इसलिए जब कोई व्यक्ति एजेंट के केस हैंडलिंग में सुधार करता है, तो वह परिवर्तन संस्करणित, पिछले संवादों के विरुद्ध परीक्षणित और अन्य रिलीज़ की तरह ही नियंत्रणों के तहत रोल‑आउट किया जाता है। इसका अर्थ है कि एजेंट तैनाती के बाद भी लगातार बेहतर हो सकता है, बिना इस सुधार के रिग्रेशन या अनुपालन समस्या उत्पन्न किए।

आगे देखते हुए, जैसे-जैसे शक्तिशाली फाउंडेशन मॉडल की पहुँच अधिक सामान्य हो रही है, AI अनुप्रयोगों में वास्तविक प्रतिस्पर्धात्मक लाभ कहाँ से आएगा? क्या विजेता वे होंगे जिनके पास सबसे बेहतर मॉडल होंगे, या वे जो विश्वसनीय सिस्टम बनाने और उनके आसपास लगातार अच्छे अनुभव प्रदान करने में सर्वश्रेष्ठ हैं?

अब जब अधिक से अधिक फाउंडेशन मॉडल आपस में मिलना शुरू कर रहे हैं, तो लाभ लगभग पूरी तरह से उन लोगों के पक्ष में होगा जो इन मॉडलों के चारों ओर अधिक विश्वसनीय सिस्टम बनाने में सर्वश्रेष्ठ हैं, जिसमें मूल्यांकन, सुरक्षा उपाय, डेटा और वर्कफ़्लो डिज़ाइन शामिल हैं। मॉडल एक कमोडिटी इनपुट बन रहा है, लेकिन उत्पादन में स्थिरता और भरोसेमंदता ही वास्तविक उत्पाद हैं।

इसे भी आगे बढ़ाकर, मैं मानता हूँ कि लाभ अधिकतर इस बात से आएगा कि एजेंट कंपनी के संचालन में कितनी गहराई से समाहित है। ऐसे एजेंट जो कंपनी के विभिन्न विभागों में एम्बेड हो सकते हैं, वे केवल विशिष्ट समस्याओं को संभालने या केवल फ्रंटलाइन तक पहुँचने वाले टूल्स से बेहतर जीतेंगे। जब एक एजेंट फ्रंटलाइन और बैक‑ऑफ़िस सिस्टम दोनों में काम कर सकता है, तो वह इंटरैक्शन में अधिक संदर्भ जोड़ता है और जटिल समस्याओं को अंत‑से‑अंत संभालता है, बिल्कुल मानव की तरह। एक एजेंट का कंपनी के वास्तविक कार्यप्रवाह के साथ फिट होना ही वह स्थायी जीत है जिसकी मैं अपेक्षा करता हूँ।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें Gradient Labs पर जाना चाहिए।