Neal Lathia, co-fondatore e CTO di Gradient Labs – Serie di interviste

Neal Lathia, co-fondatore e CTO di Gradient Labs, è un leader nel campo del machine learning e della data science con quasi due decenni di esperienza che coprono la tecnologia finanziaria, le piattaforme consumer e la ricerca accademica. Prima di co-fondare Gradient Labs nel 2023, ha trascorso più di cinque anni presso Monzo, passando da Senior Data Scientist a Director of Machine Learning e Staff Machine Learning Engineer, dove ha costruito l’infrastruttura di machine learning e ha contribuito a scalare la disciplina per supportare applicazioni in operazioni, crimine finanziario e prodotto. In precedenza, Lathia ha lavorato come Senior Data Scientist presso Skyscanner e ha ricoperto posizioni di ricerca presso l’University of Cambridge e l’University College London, dove il suo lavoro ha esplorato sistemi di raccomandazione, dati comportamentali, rilevamento tramite smartphone e servizi digitali personalizzati. Presso Gradient Labs, ora guida la tecnologia alla base degli agenti AI progettati per flussi di lavoro finanziari complessi e regolamentati.

Gradient Labs è un’azienda AI con sede a Londra che sviluppa agenti autonomi specialistici per i servizi finanziari, concentrandosi sull’automazione delle operazioni clienti che tradizionalmente richiedono un notevole coinvolgimento umano. Fondata dagli ex leader di Monzo Dimitri Masin, Neal Lathia e Danai Antoniou, la società sviluppa agenti per aree tra cui prestiti e recuperi, controversie, Know Your Business (KYB), onboarding, reclami assicurativi e servizio clienti, operando su voce, chat ed email e incorporando barriere di conformità progettate per ambienti regolamentati. Gradient Labs afferma che la sua tecnologia ora serve più di 32 milioni di utenti finali tra clienti tra cui Wise, Zego, Current, Stash e Rho. Nel giugno 2026, l’azienda ha annunciato di aver ampliato il finanziamento di Serie A a 26 milioni di dollari mentre lavora verso una visione più ampia di automazione di operazioni bancarie e fintech complesse con agenti AI specialistici interconnessi.

Hai trascorso più di cinque anni costruendo e guidando il machine learning presso Monzo prima di co-fondare Gradient Labs nel 2023. Cosa hai osservato direttamente a Monzo che ti ha convinto che esistesse un’opportunità di creare una nuova azienda attorno ad agenti AI autonomi, e perché l’arrivo dei grandi modelli linguistici ha reso possibile tale opportunità?

In Monzo, ho trascorso anni costruendo sistemi di ML che dovevano operare in un contesto regolamentato, dove gli errori hanno conseguenze molto reali e tutto richiede una traccia di audit. Ciò che mi ha influenzato maggiormente è stata la necessità di sviluppare un’infrastruttura su misura, perché nulla di preconfezionato poteva funzionare in modo sicuro sotto tali vincoli rigorosi. Questa esperienza mi ha lasciato con due convinzioni. La prima era che la tecnologia potesse finalmente sollevare le banche dal peso operativo che ha frenato il settore per decenni. La seconda era che l’AI generica e orizzontale non avrebbe potuto fare la differenza — la sfumatura del lavoro regolamentato è troppo specifica. Quando i LLM sono diventati sufficientemente capaci di ragionare su interazioni cliente multi-step, talvolta ambigue, è diventato realizzabile costruire agenti in grado di gestire interi flussi di lavoro regolamentati end-to-end, anziché assistere semplicemente un umano. Questo divario, tra ciò di cui le aziende regolamentate avevano realmente bisogno e ciò che già esisteva, è il motivo per cui abbiamo avviato Gradient Labs e perché abbiamo scommesso su un’AI verticale costruita specificamente per la finanza.

Hai descritto ciò che i consumatori stanno vivendo come il “bordo frastagliato dell’esperienza”: un agente AI può svolgere un compito straordinariamente complesso mentre un altro sistema fallisce in qualcosa di semplice come distinguere un numero di telefono da un nome. Cosa causa realmente un divario così drammatico tra le esperienze AI quando i modelli sottostanti possono essere similmente capaci?

Direi che il divario riguarda più la quantità di ingegneria impiegata nel modello che la pura competenza del modello stesso. Se un sistema fallisce in un compito semplice, come scambiare un numero di telefono per un nome, significa che non ha investito nel framework circostante, come la validazione, la logica di fallback, la gestione dei dati strutturati, ecc. L’agente più impressionante è probabilmente stato ingegnerizzato appositamente per il suo compito. È la stessa famiglia di modelli fondamentale, ma con un livello di rigore completamente diverso, ed è esattamente questo a generare il bordo frastagliato.

Man mano che i modelli di frontiera continuano a migliorare, perché persistono i fallimenti apparentemente basilari dell’AI? Sono principalmente limitazioni dei modelli stessi, o fallimenti nell’architettura del sistema circostante, nei dati, nei flussi di lavoro, nella valutazione e nel design del prodotto?

È principalmente il sistema e non il modello. I modelli di frontiera continuano a migliorare nel ragionamento. Tuttavia, le aziende spesso li collegano a sistemi che non sono stati sviluppati per comportamenti basati sulla probabilità. Esistono integrazioni fragili e dati incompleti nei sistemi, senza un vero ciclo di valutazione prima che le modifiche vengano rilasciate. Pertanto, un fallimento AI di base in produzione non è realmente un fallimento dell’AI, ma un fallimento nell’investire in processi di valutazione, monitoraggio e progettazione dei flussi di lavoro.

Molte aziende sembrano ottimizzare il servizio clienti AI in base a velocità, contenimento o deviazione dei ticket. Quali metriche dovrebbero invece utilizzare le aziende se vogliono misurare se un agente AI sta realmente migliorando l’esperienza del cliente?

Per questo, dovremmo considerare la precisione nella risoluzione. Velocità e contenimento vengono usati per valutare se sei riuscito a far chiudere la chiamata al cliente, non se sei riuscito a risolvere il suo problema. La precisione nella risoluzione, che dovrebbe essere usata per misurare la capacità di un agente IA, valuterà se l’agente ha fatto la cosa giusta, anziché limitarsi a rispondere rapidamente. Questo si combina con altri segnali come i tassi di contatto ripetuto, il volume dei reclami e la frequenza con cui un umano deve intervenire successivamente. Saprai di stare ottimizzando per il risultato sbagliato se la deviazione aumenta, ma aumentano anche i contatti ripetuti e i reclami.

Gradient Labs si concentra sui servizi finanziari regolamentati, dove una risposta errata può avere conseguenze molto più gravi rispetto a un tipico errore di assistenza clienti. Come si determina quando un agente IA è sufficientemente affidabile da gestire autonomamente processi che coinvolgono aree come il credito, le controversie, l’onboarding o i controlli Know Your Customer?

Il percorso predefinito che la maggior parte dei team preferirebbe è quello del co-pilota: qualcuno approva ogni azione perché sembra più sicuro. E molti presumerebbero che sia più sicuro. Ma in realtà, man mano che l’IA ottiene la maggior parte delle risposte corrette, i revisori approvano le cose senza controllare davvero, e la sicurezza si perde comunque. Questo non riduce il carico di lavoro esistente; lo rende solo più veloce e diminuisce il valore che ottieni.

Per questo il concetto di un agente IA sufficientemente affidabile è molto specifico per processo in Gradient Labs. Per noi, deve essere sviluppato attraverso un’autonomia graduale e non considerato come un unico obiettivo da spuntare. Un agente può ottenere maggiore indipendenza su attività come KYC o controversie solo dopo essere stato confrontato con un ampio set vivente di casi reali, con revisione umana su un campione delle sue decisioni anche dopo il passaggio in produzione. Curiosamente, questo conferma che la reversibilità è davvero importante qui. Se qualcosa può essere annullato, guadagnerà autonomia più rapidamente rispetto a qualcosa che non può esserlo.

Le barriere di sicurezza sono sempre più presentate come la soluzione per rendere gli agenti IA più sicuri, ma aggiungere più regole può anche rendere i sistemi rigidi o impedire loro di completare compiti legittimi. Come bilanciare l’autonomia con le barriere di sicurezza senza ridurre un agente a un altro chatbot altamente vincolato?

L’errore è trattare le barriere di sicurezza come un muro dal quale l’agente semplicemente rimbalza. Nel nostro sistema, svolgono due funzioni contemporaneamente. Applichiamo le barriere a ogni singolo turno di una conversazione — alcune ispezionano ciò che il cliente sta dicendo, per rilevare vulnerabilità, difficoltà finanziarie o un reclamo, e altre ispezionano ciò che l’agente sta per dire, per mantenerlo conforme. Ma quando una si attiva, non blocca semplicemente: reindirizza l’agente alla procedura corretta, e quella decisione è trasparente nel ragionamento dell’agente, così gli operatori possono vedere il motivo dell’azione. Le barriere più profonde sono integrate anche nel modo in cui l’agente è addestrato a pensare a un compito, nei dati a cui può accedere e negli strumenti che può usare. Questa combinazione è ciò che lo mantiene sicuro senza renderlo rigido: l’agente comprende quali sono le barriere e perché esistono, così completa un compito legittimo invece di rifiutare tutto ciò che somiglia a qualcosa di non consentito.

Qui, penso che il problema sia vedere le barriere di sicurezza come un muro di mattoni dal quale l’agente rimbalza. Più specificamente, applichiamo due diversi tipi di barriere a ogni singolo turno di una conversazione. Prima, abbiamo le barriere per il cliente che ispezionano ciò che il cliente sta dicendo e dovrebbero rilevare vulnerabilità, difficoltà finanziarie, reclami dei clienti e simili. Secondo, abbiamo le barriere per l’agente che funzionano al contrario e controllano ciò che l’agente dirà prima di inviare il messaggio, per mantenerlo conforme.

Ciò significa che, invece di bloccare completamente un’azione quando una di queste barriere si attiva, la reindirizza al percorso corretto. In questo modo, mantiene la trasparenza riguardo ai processi decisionali dell’agente e fornisce agli operatori umani la ragione dell’azione intrapresa.

Siamo in grado di farlo anche perché non ogni aspetto del processo di ragionamento di un agente è costretto a passare attraverso un LLM. Barriere come queste sono deterministiche perché non si attivano solo alla fine di una conversazione, ma si innescano durante l’intera vita dell’agente. È così che possiamo fidarci dell’agente nelle comunicazioni sensibili e consentire la personalizzazione di agenti specifici per casi d’uso su larga scala in modo prevedibile.

Ciò che conta di più è come l’agente viene insegnato a pensare a un compito fin dall’inizio, assicurandosi che possa accedere ai dati rilevanti e conoscere gli strumenti da utilizzare. Questa capacità dell’agente di completare un compito legittimo invece di rifiutare tutto ciò che sembra non consentito è ciò che aiuta a migliorare la sicurezza e a evitare la rigidità.

Dove dovrebbero rimanere gli esseri umani nel ciclo man mano che gli agenti IA diventano sempre più autonomi? Esistono decisioni o interazioni con i clienti che, a tuo avviso, dovrebbero continuare a richiedere il giudizio umano indipendentemente da quanto i modelli sottostanti diventino capaci?

È necessario che un essere umano sia coinvolto se una decisione richiede una discrezione onesta, ha ripercussioni significative per il cliente, o riguarda un risultato che l’agente non è ancora stato valutato. L’umano non deve necessariamente occuparsi di tutto, ma dovrebbe rivedere o approvare secondo necessità. Probabilmente ciò rimane vero anche man mano che i modelli diventano più capaci, perché spesso la questione non riguarda la capacità, ma la responsabilità e il diritto del cliente a un decisore umano in situazioni come risultati creditizi o controversie.

È necessario che un essere umano sia coinvolto se una decisione richiede una discrezione onesta, ha ripercussioni significative per il cliente o riguarda un risultato che l’agente non è ancora stato valutato. Andrei persino oltre il modello tipico di fallback, sostenendo che gli agenti stanno guadagnando sempre più spazio nella struttura organizzativa accanto agli esseri umani. Di conseguenza, gli sforzi umani si stanno spostando verso escalation e decisioni di giudizio, lasciando agli agenti il compito di gestire il coordinamento e il routing.

Ma affinché ciò abbia reale successo, gli agenti hanno bisogno dello stesso contesto istituzionale di cui dispone un essere umano, così da sapere a chi coinvolgere in determinate questioni e quando. Per questo abbiamo creato Collaborate. Per consentire a operatori, ingegneri e agenti di lavorare insieme come pari, con controllo di versione, valutazioni e apprendimento continuo al centro. Questo garantisce che gli esseri umani rimangano pienamente nel ciclo, e il ciclo cambia semplicemente forma per tenere conto di quanto bene l’agente e l’umano si coordinano.

Gradient Labs si è concentrata su agenti specialisti progettati per flussi di lavoro specifici nei servizi finanziari, piuttosto che su un unico agente a scopo generale. Credete che il futuro dell’IA aziendale consisterà principalmente in reti di agenti specializzati, o che i modelli di base sempre più capaci renderanno quella specializzazione meno importante?

Penso che, anche con il miglioramento dei modelli di base, la specializzazione rimanga importante. Le persone non pagheranno solo per un modello intelligente, ma per una valutazione specifica al flusso di lavoro, per le barriere di sicurezza e per l’integrazione dei dati costruiti attorno ad esso. E quel lavoro non scompare solo perché il modello sottostante migliora. Immagino che si tratti di una rete di agenti specialisti tutti costruiti su un modello di base comune e solido, piuttosto che di un unico agente a scopo generale che faccia tutto.

Gli agenti IA hanno sempre più bisogno di apprendere e migliorare dopo il deployment, ma negli ambienti regolamentati anche una piccola variazione comportamentale può introdurre nuovi rischi. Come possono le aziende migliorare continuamente un agente garantendo che gli aggiornamenti non generino regressioni, problemi di conformità o comportamenti inattesi?

Il principio che seguiamo è che ogni aggiornamento venga trattato come una nuova versione del modello, non come una modifica incrementale di configurazione, così ogni cambiamento passa attraverso una suite completa di valutazioni prima di essere rilasciato. Ciò include test di regressione eseguiti su precedenti in cui un errore avrebbe avuto un impatto reale, e nulla viene messo in produzione per tutti i clienti simultaneamente: rilasciamo gradualmente e monitoriamo, così se inizia a verificarsi un drift lo individuiamo su una porzione limitata di traffico anziché su scala totale. Questo è esattamente il fulcro del nostro recente rilascio di Collaborate. Collaborate consente a operatori, ingegneri e all’agente IA di lavorare insieme come pari sulla stessa definizione viva di come l’agente dovrebbe pensare, con controllo di versione, valutazioni e apprendimento continuo integrati direttamente nel flusso di lavoro. Pertanto, quando qualcuno migliora il modo in cui l’agente gestisce un caso, quella modifica viene versionata, testata contro conversazioni passate e rilasciata sotto gli stessi controlli di qualsiasi altro rilascio. Significa che un agente può continuare a migliorare dopo il deployment senza che il miglioramento stesso diventi la causa di una regressione o di un problema di conformità.

Guardando al futuro, man mano che l’accesso a potenti modelli di base diventa sempre più commoditizzato, da dove deriverà il vero vantaggio competitivo nelle applicazioni IA? I vincitori saranno coloro che possiedono i migliori modelli, o chi è più abile nell’ingegnerizzare sistemi affidabili e nel fornire esperienze costantemente buone intorno a essi?

Ora che sempre più modelli di base stanno iniziando a convergere, il vantaggio si sposterà quasi interamente a favore di chi è più esperto nell’ingegnerizzare sistemi più affidabili attorno a questi modelli, includendo valutazione, barriere di sicurezza, dati e progettazione dei flussi di lavoro. Il modello sta diventando un input di commodity, ma è la coerenza e l’affidabilità in produzione a costituire il vero prodotto.

Anche oltre, vedo il vantaggio derivare più dal livello di integrazione di un agente nelle operazioni di un’azienda. Gli agenti che hanno la capacità di inserirsi in molteplici parti delle operazioni aziendali vinceranno rispetto a strumenti che possono gestire solo problemi specifici o raggiungere solo il front‑line. Quando un agente può operare sia nei sistemi di front‑line sia in quelli di back‑office, può fornire più contesto alle interazioni e gestire problemi più complessi end‑to‑end, proprio come farebbe un essere umano. Un agente capace di adattarsi al modo in cui un’azienda funziona realmente è dove mi aspetto che nasca il vantaggio duraturo.

Grazie per la splendida intervista, i lettori che desiderano saperne di più dovrebbero visitare Gradient Labs.