Matthew Fitzpatrick, CEO of Invisible Technologies – Interview Series

Matthew Fitzpatrick adalah seorang spesialis operasi dan pertumbuhan yang berpengalaman dengan keahlian mendalam dalam menskala alur kerja dan tim yang kompleks. Dengan latar belakang yang meliputi konsultasi, strategi, dan kepemimpinan operasional, ia saat ini menjabat sebagai CEO di Invisible Technologies, di mana ia fokus pada merancang dan mengoptimalkan solusi bisnis ujung ke ujung. Matthew sangat antusias untuk menggabungkan bakat manusia dengan otomatisasi untuk menghasilkan efisiensi dalam skala besar, membantu perusahaan membuka pertumbuhan transformasional melalui inovasi proses.

Invisible Technologies adalah perusahaan otomatisasi proses bisnis yang menggabungkan teknologi canggih dengan keahlian manusia untuk membantu organisasi menskala dengan efisien. Daripada menggantikan manusia dengan otomatisasi, Invisible menciptakan alur kerja khusus di mana pekerja digital (perangkat lunak) dan operator manusia berkolaborasi dengan lancar. Perusahaan ini menawarkan layanan di berbagai bidang seperti pengayaan data, generasi lead, dukungan pelanggan, dan operasi back-office—memungkinkan klien untuk mendelegasikan tugas yang kompleks dan berulang-ulang dan fokus pada tujuan strategis inti. Model “kerja-sebagai-layanan” unik dari Invisible menyediakan dukungan operasional yang dapat diskalakan, transparan, dan hemat biaya bagi perusahaan.

Baru-baru ini Anda beralih dari memimpin QuantumBlack Labs di McKinsey ke menjadi CEO of Invisible Technologies. Apa yang menarik Anda ke peran ini, dan apa yang paling Anda sukai tentang misi Invisible?

Di McKinsey, saya memiliki kehormatan bekerja di garis depan inovasi AI – membangun produk perangkat lunak AI, memimpin upaya R&D, dan membantu perusahaan memanfaatkan kekuatan data. Apa yang menarik saya ke Invisible Technologies adalah kesempatan untuk membuatnya operasional dalam skala besar dengan kombinasi platform perangkat lunak AI yang unik dan fleksibel serta pasar ahli untuk umpan balik loop manusia – saya percaya Reinforcement Learning dari Human Feedback (RLHF) adalah kunci untuk implementasi GenAI yang akurat dan dapat diandalkan. Invisible mendukung AI di seluruh rantai nilai, dari pembersihan data dan otomatisasi entri data hingga penalaran rantai pikir dan evaluasi khusus. Misi kami sederhana: menggabungkan kecerdasan manusia dan AI untuk membantu bisnis memenuhi potensi AI, yang di perusahaan telah lebih sulit daripada yang diharapkan banyak orang.

Anda telah mengawasi 1.000+ insinyur dan menskala beberapa produk AI di berbagai industri. Apa pelajaran dari McKinsey yang Anda terapkan pada fase pertumbuhan berikutnya dari Invisible?
Dua pelajaran yang menonjol. Pertama, adopsi AI yang sukses sama-sama tentang transformasi organisasi dan teknologi. Anda memerlukan orang dan proses yang tepat – di atas model yang hebat. Kedua, perusahaan yang menang dalam AI adalah mereka yang menguasai “mil terakhir” – transisi dari eksperimen ke produksi. Di Invisible, kami menerapkan disiplin dan struktur yang sama untuk membantu pelanggan berpindah dari pilot ke produksi, menghasilkan nilai bisnis nyata.
Anda telah mengatakan bahwa “2024 adalah tahun eksperimen AI, dan 2025 adalah tentang merealisasikan ROI.” Apa tren spesifik yang Anda lihat di antara perusahaan yang benar-benar mencapai ROI tersebut?

Perusahaan yang melihat ROI nyata tahun ini melakukan tiga hal dengan baik. Pertama, mereka menyelaraskan kasus penggunaan AI dengan erat dengan KPI bisnis inti – seperti efisiensi operasional atau kepuasan pelanggan. Kedua, mereka berinvestasi dalam data yang lebih baik dan loop umpan balik manusia untuk terus meningkatkan kinerja model. Ketiga, mereka beralih dari solusi generik ke sistem khusus domain yang mencerminkan kompleksitas lingkungan mereka. Perusahaan ini tidak hanya menguji AI – mereka menskalakannya dengan tujuan.
Bagaimana permintaan untuk pelabelan data khusus domain dan tingkat PhD berkembang di seluruh penyedia model dasar seperti AWS, Microsoft, dan Cohere?

Kami melihat lonjakan permintaan untuk pelabelan khusus karena penyedia model dasar mendorong ke vertikal yang lebih kompleks. Di Invisible, kami memiliki tingkat penerimaan tahunan 1% pada kolam ahli kami, dan 30% dari pelatih kami memegang gelar master atau PhD. Keahlian yang mendalam ini semakin diperlukan – tidak hanya untuk mengannotasi data dengan akurat, tetapi juga untuk memberikan umpan balik yang halus dan sadar konteks untuk meningkatkan penalaran, akurasi, dan keselarasan. Ketika model menjadi lebih pintar, batang untuk melatih mereka menjadi lebih tinggi.

Invisible berada di garis depan AI agen, menekankan pengambilan keputusan dalam alur kerja dunia nyata. Apa definisi Anda tentang AI agen, dan di mana kita melihat janji terbesar?

AI agen mengacu pada sistem yang tidak hanya merespons instruksi – mereka merencanakan, membuat keputusan, dan mengambil tindakan dalam batasan yang ditentukan. Ini adalah AI yang berperilaku lebih seperti rekan kerja daripada alat. Kami melihat traksi terbesar di alur kerja yang kompleks dan volume tinggi: seperti dukungan pelanggan dan klaim asuransi, misalnya. Di area ini, AI agen dapat mengurangi upaya manual, meningkatkan konsistensi, dan menghasilkan hasil yang akan memerlukan tim manusia besar. Ini tidak tentang menggantikan manusia – kita malah melengkapi mereka dengan agen pintar yang dapat menangani tugas berulang dan rutin.

Apakah Anda bisa membagikan contoh tentang bagaimana Invisible melatih model untuk penalaran rantai pikir dan mengapa itu kritis untuk penerapan perusahaan?

Penalaran rantai pikir (CoT) telah membuka potensi baru untuk AI perusahaan. Di Invisible, kami melatih model untuk bernalar langkah demi langkah, yang penting ketika taruhan tinggi – apakah Anda mendiagnosis pasien, menganalisis kontrak, atau memvalidasi model keuangan. CoT tidak hanya meningkatkan transparansi, tetapi juga memungkinkan debugging, penyempurnaan, dan peningkatan kinerja tanpa dataset baru yang besar. Kami telah melihat model terkemuka seperti Gemini, Sonnet, dan Grok mulai mengungkapkan jalur penalaran mereka, yang memungkinkan kami untuk mengamati tidak hanya apa yang dihasilkan model, tetapi bagaimana mereka mencapai sana. Ini meletakkan dasar untuk metode yang lebih maju seperti Pohon Pikir (di mana model mengevaluasi beberapa jalur penalaran yang mungkin sebelum menetapkan jawaban) dan Konsistensii (di mana beberapa jalur penalaran dieksplorasi).

Invisible mendukung pelatihan di lebih dari 40 bahasa pemrograman dan 30 bahasa manusia. Seberapa pentingnya presisi budaya dan linguistik dalam membangun AI yang dapat diskalakan secara global?

Ini sangat kritis. Bahasa tidak hanya tentang terjemahan – itu tentang konteks, nuansa, dan norma budaya. Jika model salah mengartikan nada atau melewatkan variasi regional, itu dapat menyebabkan pengalaman pengguna yang buruk, atau bahkan risiko kepatuhan. Pelatih multibahasa kami tidak hanya fasih – mereka terbenam dalam budaya yang mereka wakili.

Apa poin kegagalan umum ketika perusahaan mencoba menskala dari konsep bukti ke produksi, dan bagaimana Invisible membantu menavigasi “mil terakhir” tersebut?

Mayoritas model AI tidak pernah mencapai produksi karena perusahaan meremehkan beban operasional yang diperlukan. Mereka kekurangan data yang bersih, protokol evaluasi yang kuat, dan strategi untuk memasukkan model ke dalam alur kerja nyata. Di Invisible, kami menggabungkan pengalaman teknis yang mendalam dengan infrastruktur data produksi untuk membantu perusahaan memenuhi kesenjangan. Kemampuan simbiotik kami dalam pelatihan dan optimasi memungkinkan kami untuk tidak hanya membangun model yang lebih baik tetapi juga menerapkannya dengan sukses.
Apakah Anda bisa menjelaskan pendekatan Invisible terhadap RLHF (Reinforcement Learning dari Human Feedback) dan bagaimana itu berbeda dari yang lain di industri?

Di Invisible, kami melihat Reinforcement Learning dari Human Feedback (RLHF) sebagai lebih dari sekadar penyetelan halus – itu memungkinkan desain evaluasi kustom (“eval”) yang lebih canggih, dan pergeseran menuju pelatihan model dengan penilaian manusia yang halus daripada sinyal biner seperti jempol atas dan jempol bawah. Sementara pendekatan industri sering memprioritaskan skala melalui data volume tinggi dengan sinyal rendah, kami fokus pada mengumpulkan umpan balik yang terstruktur, berkualitas tinggi yang menangkap penalaran, konteks, dan trade-off. Sinyal yang lebih kaya ini memungkinkan model untuk menggeneralisasi lebih efektif dan selaras lebih dekat dengan niat manusia. Dengan memprioritaskan kedalaman daripada keluasan, kami membangun infrastruktur untuk sistem AI yang lebih kuat dan selaras.

Bagaimana Anda membayangkan masa depan kolaborasi AI-manusia berkembang, terutama di bidang yang berisiko tinggi seperti keuangan, kesehatan, atau sektor publik?

AI tidak menggantikan keahlian manusia – itu menjadi infrastruktur yang mendukungnya. Saya membayangkan masa depan di mana agen AI dan ahli manusia bekerja bersama – di mana klinisi didukung oleh kopilot diagnostik, lembaga pemerintah menggunakan AI untuk menangani manfaat dengan lebih efisien, dan analis keuangan bebas fokus pada strategi daripada spreadsheet. Fokus kami adalah merancang sistem di mana AI meningkatkan kemampuan manusia, bukan mengaburkan atau mengesampingkannya.

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