Matthew Fitzpatrick, CEO di Invisible Technologies – Serie di interviste

Matthew Fitzpatrick è un esperto di operazioni e crescita con una profonda esperienza nella scalabilità di flussi di lavoro complessi e team. Con una formazione che copre consulenza, strategia e leadership operativa, attualmente ricopre il ruolo di CEO presso Invisible Technologies, dove si concentra sulla progettazione e ottimizzazione di soluzioni aziendali end-to-end. Matthew è appassionato di combinare il talento umano con l’automazione per guidare l’efficienza su larga scala, aiutando le aziende a sbloccare una crescita trasformativa attraverso l’innovazione dei processi.

Invisible Technologies è un’azienda di software e tecnologia AI che aiuta le organizzazioni a costruire, distribuire e scalare sistemi AI in ambienti aziendali complessi. La sua piattaforma combina software AI, competenze umane e infrastrutture operative per supportare i flussi di lavoro di produzione necessari per addestrare, valutare e operare sistemi AI avanzati. Invisible lavora con le aziende per gestire dati complessi, automatizzare i flussi di lavoro e integrare l’AI nei processi aziendali, fornendo le infrastrutture e le competenze necessarie per spostare le iniziative AI dall’esperimentazione alla distribuzione su larga scala.

Hai appena trasferito la tua attenzione dal guidare QuantumBlack Labs presso McKinsey al diventare CEO di Invisible Technologies. Cosa ti ha attirato in questo ruolo e cosa ti entusiasma di più della missione di Invisible?

In McKinsey, ho avuto il privilegio di lavorare alla forefront dell’innovazione AI – costruendo prodotti software AI, guidando gli sforzi di R&D e aiutando le aziende a sfruttare il potere dei dati. Cosa mi ha attirato in Invisible Technologies è stata l’opportunità di renderlo operativo su larga scala con una combinazione di una piattaforma software AI unicamente flessibile e un mercato di esperti per il feedback umano – credo che il Reinforcement Learning da feedback umano (RLHF) sia la chiave per implementazioni GenAI accurate e affidabili. Invisible supporta l’AI in tutta la catena del valore, dalla pulizia dei dati e l’automazione dell’inserimento dei dati alla catena di pensiero e alle valutazioni personalizzate. La nostra missione è semplice: combinare l’intelligenza umana e l’AI per aiutare le aziende a realizzare il potenziale dell’AI, che nel settore aziendale è stato molto più difficile di quanto la maggior parte delle persone si aspettasse.

Hai supervisionato oltre 1.000 ingegneri e scalato più prodotti AI in vari settori. Quali lezioni da McKinsey stai applicando alla prossima fase di crescita di Invisible?
Due lezioni spiccano. In primo luogo, l’adozione di successo dell’AI è tanto un’organizzazione di trasformazione quanto una tecnologia. È necessario avere le persone e i processi giusti – oltre a modelli eccellenti. In secondo luogo, le aziende che vincono nell’AI sono quelle che padroneggiano l'”ultimo miglio” – il passaggio dall’esperimentazione alla produzione. In Invisible, stiamo applicando la stessa rigida struttura per aiutare i clienti a spostarsi oltre i piloti e nella produzione, fornendo un reale valore aziendale.
Hai detto che “il 2024 è stato l’anno dell’esperimentazione AI e il 2025 è sulla realizzazione del ROI”. Quali tendenze specifiche stai vedendo tra le aziende che stanno effettivamente realizzando quel ROI?

Le aziende che stanno vedendo un reale ROI quest’anno stanno facendo tre cose bene. In primo luogo, stanno allineando i casi d’uso AI in modo stretto con i KPI aziendali di base – come l’efficienza operativa o la soddisfazione del cliente. In secondo luogo, stanno investendo in dati di migliore qualità e feedback umani per migliorare continuamente le prestazioni del modello. In terzo luogo, stanno passando da soluzioni generiche a sistemi personalizzati e specifici del dominio che riflettono la complessità dei loro ambienti. Queste aziende non stanno più solo testando l’AI – la stanno scalando con uno scopo.
Come sta evolvendo la domanda di etichettatura dei dati specifica del dominio e di livello PhD tra i fornitori di modelli di base come AWS, Microsoft (MSFT ), e Cohere?

Stiamo vedendo un aumento della domanda di etichettatura specializzata poiché i fornitori di modelli di base si spingono in settori più complessi. In Invisible, abbiamo un tasso di accettazione annuale del 1% nel nostro pool di esperti e il 30% dei nostri formatori detiene un master o un dottorato. Quella profonda competenza è sempre più necessaria – non solo per annotare i dati in modo accurato, ma per fornire un feedback umano sfumato e consapevole del contesto per migliorare la ragione, l’accuratezza e l’allineamento. Man mano che i modelli diventano più intelligenti, la barra per addestrarli diventa più alta.

Invisible è all’avanguardia dell’AI agente, enfatizzando la presa di decisioni nei flussi di lavoro del mondo reale. Qual è la tua definizione di AI agente e dove stiamo vedendo la maggiore promessa?

L’AI agente si riferisce a sistemi che non solo rispondono a istruzioni – pianificano, prendono decisioni e agiscono all’interno di limiti definiti. È un’AI che si comporta più come un compagno di squadra che come uno strumento. Stiamo vedendo la maggiore trazione in flussi di lavoro complessi e ad alta volumetria: ad esempio, il supporto clienti e le richieste di assicurazione. In questi settori, l’AI agente può ridurre lo sforzo manuale, aumentare la coerenza e fornire risultati che altrimenti richiederebbero grandi squadre umane. Non si tratta di sostituire gli esseri umani – stiamo aumentando le loro capacità con agenti intelligenti che possono gestire il ripetitivo e il routine.

Puoi condividere esempi di come Invisible addestra i modelli per la catena di pensiero e perché è fondamentale per il deployment aziendale?

La catena di pensiero (CoT) ha sbloccato un nuovo potenziale per l’AI aziendale. In Invisible, addestriamo i modelli a ragionare passo dopo passo, il che è essenziale quando le poste in gioco sono alte – sia che si stia diagnosticando un paziente, analizzando un contratto o convalidando un modello finanziario. La CoT non solo migliora la trasparenza, ma consente anche il debug, il raffinamento e i guadagni di prestazioni senza enormi nuovi set di dati. Abbiamo visto modelli leader come Gemini, Sonnet e Grok iniziare a divulgare i loro percorsi di ragionamento, il che ci consente di osservare non solo cosa i modelli producono, ma anche come ci arrivano. Ciò sta gettando le basi per metodi più avanzati come l’Albero del Pensiero (dove i modelli valutano più percorsi di ragionamento possibili prima di stabilire una risposta) e l’Auto-Coerenza (dove vengono esplorati più percorsi di ragionamento).

Invisible supporta l’addestramento in oltre 40 linguaggi di codifica e 30 lingue umane. Quanto è importante la precisione culturale e linguistica nella costruzione di un’AI su scala globale?

È fondamentale. La lingua non è solo traduzione – è contesto, sfumatura e norme culturali. Se un modello interpreta male il tono o perde la variazione regionale, può portare a esperienze utente scadenti o addirittura a rischi di conformità. I nostri formatori multilingue non sono solo fluenti – sono integrati nelle culture che rappresentano.

Quali sono i punti di fallimento comuni quando le aziende cercano di scalare da un concetto dimostrativo alla produzione e come Invisible aiuta a navigare quel “ultimo miglio”?

La maggior parte dei modelli AI non raggiunge la produzione perché le aziende sottovalutano il carico operativo richiesto. Mancano di dati puliti, protocolli di valutazione robusti e una strategia per incorporare i modelli nei flussi di lavoro reali. In Invisible, combiniamo una profonda esperienza tecnica con un’infrastruttura di dati di produzione per aiutare le aziende a colmare il divario. Le nostre capacità simbiotiche nell’addestramento e nell’ottimizzazione ci consentono di costruire modelli migliori e di distribuirli con successo.

Puoi guidarci attraverso l’approccio di Invisible al RLHF (Reinforcement Learning da feedback umano) e come differisce dagli altri nel settore?

In Invisible, vediamo il Reinforcement Learning da feedback umano (RLHF) come più di un semplice affinamento – consente una progettazione di valutazione personalizzata (“eval”) più sofisticata e uno spostamento verso l’addestramento di modelli con giudizi umani sfumati piuttosto che segnali binari come pollici su e giù. Mentre gli approcci del settore spesso priorizzano la scala attraverso dati ad alta volumetria e basso segnale, ci concentriamo sulla raccolta di feedback di alta qualità e strutturato che cattura la ragione, il contesto e i compromessi. Questo segnale più ricco consente ai modelli di generalizzare meglio e allinearsi più strettamente con l’intento umano. Priorizzando la profondità sulla larghezza, stiamo costruendo le infrastrutture per sistemi AI più robusti e allineati.

Come immagini il futuro della collaborazione uomo-AI evolversi, soprattutto in settori ad alto rischio come finanza, sanità o pubblico?

L’AI non sta sostituendo l’esperienza umana – sta diventando l’infrastruttura che la supporta. Immagino un futuro in cui gli agenti AI e gli esperti umani lavorano in tandem – dove i clinici sono supportati da copiloti diagnostici, le agenzie governative utilizzano l’AI per gestire i benefici più efficientemente e gli analisti finanziari sono liberi di concentrarsi sulla strategia piuttosto che sulle cartelle. Il nostro focus è progettare sistemi in cui l’AI migliora la capacità umana, piuttosto che oscurarla o sovrastarla.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Invisible Technologies.