Jeffrey Lai, Pendiri dan CEO IrisGo – Seri Wawancara

Jeffrey Lai, Pendiri dan CEO IrisGo, adalah seorang wirausaha AI dan pemimpin produk dengan pengalaman yang mendalam di asisten pintar dan teknologi bahasa. Sebelum meluncurkan IrisGo pada tahun 2025 dan menjabat sebagai Pendiri di AI Fund, Lai menghabiskan lebih dari 12 tahun di Apple (AAPL ), di mana ia membantu membangun dan menskalakan Siri, akhirnya menjabat sebagai Manajer Teknik Bahasa Siri. Pekerjaannya berfokus pada meningkatkan kemampuan konversasi AI multibahasa, termasuk pengembangan versi bahasa Tionghoa dari Siri. Sebelum bergabung dengan Apple, ia memegang peran teknik di Cisco Systems (CSCO ) dan menyelesaikan magang di Kelompok Robotika Cerdas NASA Ames Research Center. Dengan karir yang meliputi robotika, perangkat lunak perusahaan, dan AI konsumen, Lai secara konsisten berfokus pada membuat teknologi kompleks lebih mudah diakses dan berguna dalam alur kerja sehari-hari.

IrisGo sedang mengembangkan sistem operasi AI yang dirancang untuk generasi baru komputer pribadi yang ditenagai AI. Alih-alih beroperasi sebagai chatbot mandiri, platform ini dibangun untuk mengamati bagaimana pengguna melakukan tugas di seluruh aplikasi, mempelajari alur kerja tersebut, dan mengotomatisasi melalui asisten pintar di perangkat. Pendekatannya berfokus pada memungkinkan pengguna untuk mendemonstrasikan tugas sekali dan kemudian mengubah proses tersebut menjadi alur kerja yang dapat digunakan kembali, membantu mengurangi pekerjaan digital berulang. Dengan memanfaatkan kemampuan pemrosesan AI khusus yang ditemukan pada komputer AI modern, IrisGo bertujuan untuk memungkinkan otomatisasi yang lebih pribadi, responsif, dan sadar konteks, memposisikan diri dalam pasar yang tumbuh untuk sistem AI agen yang dapat secara aktif melaksanakan tugas atas nama pengguna daripada hanya memberikan rekomendasi.

Setelah membantu membangun Siri di Apple, apa pengalaman spesifik yang membuat Anda yakin bahwa saatnya telah tiba untuk memulai IrisGo, dan apa masalah utama dalam interaksi manusia-komputer yang Anda rasakan masih belum terpecahkan?

Ketika kami membangun Siri, kami sangat fokus pada pemahaman bahasa alami. Namun, Siri mengalami kesulitan dengan konteks, yang menantang karena cara orang sebenarnya bekerja dan berkomunikasi penuh dengan konteks implisit. Ketika Anda bertanya kepada seorang rekan, “Apakah Anda bisa mengirimkan laporan itu kepada saya?” mereka tahu laporan mana yang Anda maksud. Mereka tahu sejarah bersama Anda, proyek saat ini, apa yang telah Anda diskusikan. Siri tidak memiliki itu.

Selama bertahun-tahun, AI telah dirancang untuk merespons Anda. Ketik sesuatu, dapatkan sesuatu kembali. Itulah model interaksi yang kita warisi dari mesin pencari dan chatbot. Namun, sebagian besar dari apa yang orang sebenarnya lakukan di komputer bukanlah pertanyaan, melainkan alur kerja. Kompilasi laporan ini. Cross-referensi spreadsheet ini. Tarik data dari tiga aplikasi yang berbeda dan format menjadi dokumen. Jenis pekerjaan itu tidak sesuai dengan prompt.

Apa yang membuat saya yakin untuk memulai IrisGo adalah menyadari bahwa industri tidak membangun untuk kasus penggunaan sehari-hari. Semua orang membangun model yang lebih pintar, pemahaman bahasa yang lebih baik, respon yang lebih cepat. Namun, kesenjangan fundamental, di mana AI dapat benar-benar melakukan pekerjaan, bukan hanya merespons permintaan, masih ada. Itulah masalah yang kami coba pecahkan.

Mengingat kembali tahun-tahun Anda bekerja pada Siri, apa pelajaran terbesar yang Anda pelajari tentang keterbatasan asisten suara, terutama ketika datang ke pemahaman konteks, niat, dan perilaku pengguna?

Pelajaran terbesar yang saya pelajari adalah bahwa konteks adalah segalanya. Orang jarang berkomunikasi dalam perintah yang terisolasi; permintaan mereka dibentuk oleh apa yang mereka kerjakan dan apa yang mereka coba capai. Asisten suara awal dirancang di sekitar menjawab permintaan individu, yang bekerja dengan baik untuk banyak tugas tetapi kurang efektif untuk pekerjaan yang berkelanjutan yang melibatkan beberapa aplikasi dan alur kerja. Pengalaman itu mengajari saya bahwa memahami niat memerlukan memahami konteks, dan wawasan itu menjadi salah satu ide dasar di balik IrisGo.

Apa yang kita pelajari adalah bahwa niat sering kali berlapis. Seseorang mengatakan satu hal dan bermaksud lain, dan mendapatkan hal itu dengan benar memerlukan memahami orang tersebut, bukan hanya kata-kata. Pemahaman itu dipanggang dalam IrisGo dari awal.

IrisGo sering digambarkan sebagai sistem operasi AI daripada asisten AI. Apa perbedaannya, dan mengapa Anda percaya industri memerlukan lapisan perangkat lunak baru untuk era komputer AI?

Asisten AI menunggu Anda. Anda membuka, Anda mengetik sesuatu, itu merespons, dan kemudian selesai. Model interaksi secara esensial sama dengan mesin pencari, di mana pengguna membuat permintaan dan AI menghasilkan respon.

IrisGo, yang merupakan sistem operasi AI, bekerja bersama semua yang Anda lakukan, di seluruh sistem, sepanjang waktu. Ini memiliki akses ke file Anda, aplikasi Anda, browser Anda, email Anda. Ini memahami bagaimana Anda bekerja karena telah mengamati, dengan izin Anda. Dan yang paling penting, ini dapat bertindak, bukan hanya memberi saran.

Pikirkan apa yang dilakukan Windows untuk komputasi pribadi. Sebelum itu, Anda harus teknis untuk menggunakan komputer. Windows menciptakan lapisan universal, intuitif antara orang dan perangkat lunak. Era komputer AI memerlukan versi sendiri dari lapisan itu, mengambil kekuatan mentah dari model AI dan membuatnya benar-benar berguna bagi orang yang melakukan pekerjaan sehari-hari.

Itulah IrisGo: lapisan kecerdasan komputer AI. Ketika Anda mengirimkan komputer AI tanpa lapisan itu, Anda hanya memiliki chip kuat yang menganggur. Apa yang Anda butuhkan adalah perangkat lunak yang tahu cara menggunakannya untuk bekerja atas nama orang yang menggunakannya.

Salah satu ide inti IrisGo adalah bahwa pengguna dapat mengajarkan sistem sebuah tugas melalui demonstrasi tunggal. Mengapa Anda percaya “lihat dan pelajari” adalah model yang lebih alami daripada memicu atau membangun alur kerja secara manual?

Apa yang membuat fitur ‘Lihat dan Pelajari’ sangat kuat adalah bahwa itu berdasarkan pada bagaimana kita sebenarnya mengajar satu sama lain. Ketika Anda memasukkan karyawan baru, Anda tidak menulis instruksi 40 langkah untuk mereka. Anda menunjukkan kepada mereka bagaimana melakukan sesuatu sekali, mereka menonton, mereka belajar, dan mereka mengambil alih dari sana. Itu intuitif. Itu alami.

Masalah dengan memicu adalah bahwa itu membebani pengguna untuk mengartikulasikan dengan tepat apa yang mereka inginkan, dalam format yang AI dapat mengerti. Untuk pertanyaan sederhana, itu bekerja dengan baik. Namun, bagaimana dengan alur kerja yang kompleks, multistep yang melibatkan file spesifik Anda dan cara Anda melakukan sesuatu? Itu bisa gagal dengan cepat. Sebagian besar orang tidak bisa menjelaskan alur kerja mereka dengan cukup presisi untuk memicu AI melakukan dengan benar.

Menunjukkan lebih mudah daripada mengatakan. Itu bukanlah wawasan baru; itu adalah rasa umum. Apa yang ‘Lihat dan Pelajari’ lakukan adalah menerapkan logika itu pada otomatisasi. Anda melakukan tugas sekali, dengan cara biasa. IrisGo mempelajari pola. Dan dari titik itu, itu menangani alur kerja itu untuk Anda.

Banyak agen AI saat ini masih memerlukan pengaturan dan pengawasan yang signifikan. Apa yang membedakan agen yang benar-benar otonom dari chatbot yang hanya mengikuti instruksi?

Jawaban singkatnya adalah bahwa agen yang benar-benar otonom memiliki konteks sendiri, membuat keputusan sendiri, dan terus bekerja bahkan ketika Anda tidak mengawasinya.

Chatbot adalah reaktif oleh desain. Ini hidup dan mati oleh prompt. Anda memberinya instruksi, itu mengeksekusi, dan kemudian berhenti. Jika sesuatu berubah, jika langkah gagal, atau jika perlu beradaptasi, itu akan tersesat. Ini akan bertanya apa yang harus dilakukan selanjutnya.

Agen yang benar-benar otonom memiliki tujuan, bukan hanya instruksi. Ini memiliki konteks tentang lingkungan di mana ia beroperasi. Ini dapat menangani pengecualian. Ini dapat memutuskan apakah melanjutkan, mencoba lagi, atau menandai sesuatu untuk tinjauan manusia. Dan yang penting, ini dapat berjalan di latar belakang sementara Anda bekerja pada hal-hal lain.

Sebagian besar dari apa yang dijual sebagai ‘agen AI’ saat ini sebenarnya adalah chatbot canggih dengan langkah tambahan. Jarak antara produk-produk tersebut dan keotentikan sebenarnya sangat besar. Apa yang membuat IrisGo berbeda adalah bahwa ini dimulai dari model bagaimana Anda bekerja, dipelajari langsung dari mengamati Anda, dan menggunakan itu untuk membuat keputusan yang tepat, bukan hanya mengikuti instruksi.

Anda telah berbicara tentang pentingnya memori yang persisten dan konteks lokal. Mengapa kemampuan-kemampuan ini penting jika AI ingin melangkah lebih jauh dari menjawab pertanyaan dan mulai bertindak atas nama pengguna?

Bayangkan Anda menyewa asisten yang, setiap pagi, tidak memiliki ingatan tentang siapa Anda, apa yang Anda kerjakan, atau bagaimana Anda ingin hal-hal dilakukan. Anda akan menghabiskan setengah hari Anda menjelaskan konteks, dan Anda akan menjadi sangat frustrasi. Itulah secara esensial apa yang sebagian besar alat AI minta Anda lakukan saat ini.

Memori yang persisten berarti sistem mengenal Anda. Ini mengenal proyek Anda, alur kerja Anda, preferensi Anda, dan bagaimana hal-hal telah berkembang selama waktu. Anda tidak perlu membangun kembali konteks setiap sesi. AI membawa itu ke depan.

Konteks lokal sama pentingnya, karena pekerjaan Anda tidak hidup di awan. Ini hidup di komputer Anda, dalam file, aplikasi, email, tab browser. IrisGo berjalan di perangkat Anda, yang berarti ini memiliki akses ke seluruh lingkungan kerja Anda dan dapat beroperasi atas nama Anda di seluruhnya.

Kedua hal ini bersama-sama — memori dan akses lokal — adalah yang memungkinkan AI untuk berhenti menjadi alat yang Anda gunakan dan mulai menjadi sistem yang bekerja untuk Anda. Kami melihat lebih banyak industri teknologi mulai mengakui pentingnya ini, termasuk perusahaan Big Tech, jadi ini adalah validasi yang jelas dari pendekatan kami.

Privasi tetap menjadi salah satu kekhawatiran terbesar yang mengelilingi AI. Bagaimana Anda menyeimbangkan kebutuhan akan personalisasi dan memori dengan harapan pengguna sekitar keamanan dan kepemilikan data?

Asumsi bahwa privasi dan personalisasi berada dalam ketegangan adalah hal pertama yang perlu ditantang. Kami membangun IrisGo sehingga personalisasi dapat terjadi di perangkat, bukan hanya di awan.

Sebagian besar pemrosesan IrisGo terjadi secara lokal, di komputer Anda. Alur kerja Anda, file Anda, konteks Anda semua tetap dengan Anda. Pemrosesan awan hanya terjadi ketika Anda secara eksplisit mengizinkannya, dan ketika itu terjadi, itu dienkripsi dari ujung ke ujung. Anda berada dalam kontrol atas apa yang pergi ke mana.

Model ini membuat IrisGo lebih kuat, karena memiliki akses ke konteks penuh lingkungan kerja Anda. Dan ini berarti pengguna tidak perlu memilih antara AI yang berguna dan AI yang aman.

Orang-orang mempercayai komputer pribadi mereka dengan pekerjaan yang sensitif. Tujuan kami adalah membuat IrisGo layak mendapatkan kepercayaan yang sama. Ini fundamental bagi bagaimana produk dirancang.

IrisGo sudah dikirimkan pada komputer AI dari Acer, dengan rencana untuk memperluas ke produsen tambahan. Seberapa penting Anda pikir kemitraan distribusi akan menjadi dalam menentukan platform AI mana yang akhirnya mencapai adopsi mainstream?

Distribusi sangat kritis untuk adopsi mainstream. Lihat saja sejarah persaingan platform di teknologi. Windows memenangkan karena itu ada di hampir setiap PC. Android memenangkan karena itu adalah sistem operasi paling banyak digunakan untuk perangkat seluler yang bukan iPhone. Perusahaan yang mencoba menang melalui kualitas produk murni, tanpa distribusi untuk mendukungnya, sebagian besar tidak berhasil.

Pasar komputer AI mengikuti pola yang sama. Ketika IrisGo dipasang sebelumnya di perangkat, itu ada di sana ketika Anda membuka kotak. Anda tidak perlu mencarinya, mengunduhnya, atau memutuskan untuk mencobanya. Itu adalah keuntungan besar.

Kami sudah ada di 3 juta perangkat laptop Acer yang akan dikirim tahun ini, dan kami sedang dalam pembicaraan dengan produsen PC tier-one tambahan. Tujuan kami adalah menjadi Sistem Operasi AI untuk PC secara default. Strategi distribusi ini sentral bagi bagaimana kami menjadi standar dalam kategori ini.

Ketika agen AI menjadi mampu menangani faktur, penelitian, pelaporan, dan alur kerja bisnis lainnya, apa tantangan tata kelola, pengawasan, dan kepercayaan baru yang harus disiapkan organisasi hari ini?

Tantangan pertama adalah auditabilitas. Ketika agen AI menyelesaikan alur kerja, seperti memproses faktur atau menghasilkan laporan, apakah Anda dapat melihat apa yang dilakukan, mengapa dilakukan, dan dari mana data berasal? Jenis jejak audit yang transparan itu penting untuk kepatuhan dan menangkap kesalahan sebelum mereka berkompromi.

Kedua adalah menentukan batasan. Alur kerja mana yang tepat untuk eksekusi otonom, dan mana yang memerlukan tinjauan manusia? Perusahaan perlu memiliki kebijakan yang jelas tentang hal ini. Kecenderungan adalah membiarkan AI melakukan lebih dan lebih, secara bertahap, dan kemudian menyadari terlambat bahwa keputusan yang berisiko tinggi sedang dibuat tanpa pengawasan yang cukup.

Ketiga adalah kalibrasi kepercayaan. Karyawan perlu memahami apa yang bisa dan tidak bisa AI lakukan, dan kapan harus memverifikasi outputnya daripada menganggapnya benar. Itu adalah masalah budaya dan pelatihan sebanyak itu adalah teknologi.

Saya percaya bahwa organisasi yang mempersiapkan diri untuk ini hari ini akan memiliki keuntungan yang signifikan, karena ketika kemampuan AI tumbuh, kerangka tata kelola akan semakin kompleks.

Limah tahun dari sekarang, apakah Anda pikir orang masih akan menghabiskan sebagian besar waktu mereka berinteraksi dengan AI melalui antarmuka chat, atau apakah AI akan semakin memudar ke latar belakang dan menyelesaikan pekerjaan tanpa diminta?

Trajektori sudah menunjukkan bahwa AI akan semakin bergerak ke latar belakang. Model yang kita bangun menuju adalah di mana komputer Anda memahami pekerjaan Anda dan menangani bagian rutin, sehingga perhatian Anda dibebaskan untuk hal-hal yang sebenarnya memerlukan Anda.

Pikirkan tentang bagaimana autopilot bekerja di aviasi. Pilot tidak selalu aktif setiap detik dari setiap penerbangan. Sistem menangani baseline, dan manusia terlibat ketika penilaian dan keahlian diperlukan. Itulah masa depan pekerjaan pengetahuan yang dibantu AI. Komputer Anda menangani pekerjaan berulang, berbasis aturan. Anda fokus pada strategi, kreativitas, dan keputusan yang memerlukan penilaian manusia yang sebenarnya.

Lima tahun dari sekarang, orang-orang yang paling produktif akan menjadi mereka yang berada di samping sistem yang memahami bagaimana pengguna beroperasi. Di masa lalu, orang-orang melakukan semua pekerjaan di komputer mereka. Di masa depan, komputer Anda juga akan melakukan pekerjaan untuk Anda.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi IrisGo.