Stefan Mesken, Chief Scientist at DeepL – Intervista della serie

Stefan Mesken, Chief Scientist at DeepL, ha trascorso oltre cinque anni a DeepL avanzando la sua ricerca di base e il suo ruolo di leadership scientifica, iniziando come Research Scientist nel ottobre 2020, progredendo come VP of Research nel novembre 2023 e assumendo il suo attuale ruolo nell’aprile 2025 a Monaco di Baviera. Prima di DeepL, ha lavorato come Data Scientist presso real.digital nella regione di Colonia-Bonn e ha condotto ricerche sulla logica matematica all’Università di Münster. La sua carriera collega la ricerca matematica fondamentale e l’AI applicata, posizionandolo per guidare la direzione scientifica dietro i modelli linguistici su larga scala e i sistemi di intelligenza artificiale multilingue di DeepL.

DeepL è un’azienda tedesca di intelligenza artificiale che si concentra sulla costruzione di sistemi linguistici avanzati che consentono traduzioni accurate e comunicazioni consapevoli del contesto in oltre 100 lingue. Fondata nel 2017 e con sede a Colonia, l’azienda serve milioni di utenti in tutto il mondo e fornisce soluzioni di livello aziendale attraverso abbonamenti e offerte API. La sua piattaforma si è estesa oltre la traduzione in una suite più ampia di intelligenza artificiale linguistica, che include strumenti di scrittura e capacità vocali, progettati per supportare comunicazioni sicure e scalabili per aziende e organizzazioni globali.

Ha iniziato la sua carriera nella logica matematica prima di passare alla scienza dei dati applicata e infine alla guida dell’organizzazione di ricerca di DeepL. Guardando indietro, come ha influenzato quel lavoro precoce nella ragione formale il modo in cui pensa ora alla costruzione di sistemi di intelligenza artificiale autonomi e di livello aziendale?

Ciò che mi ha attirato nel campo della teoria degli insiemi e della logica matematica fin dall’inizio è stata una curiosità insaziabile per imparare come funzionano questi sistemi complessi – dai principi fondamentali e in una profondità sempre maggiore. Quella curiosità è stata una costante nella mia vita fin dall’infanzia. È anche l’aspetto del mio lavoro che amo di più. Attualmente, la sfida è avanzare lo stato dello sviluppo dell’AI con un’intensa concentrazione sull’utilizzabilità nella vita reale. Oltre alla sicurezza e alla fiducia, dedico il mio tempo a garantire che le aziende e gli utenti di tutti i tipi possano trarre vantaggio da questa tecnologia incredibile. Finora, la tendenza è stata diversa: la maggior parte dell’utilizzo dell’AI nella vita reale è completamente passiva (ad esempio, sistemi di raccomandazione che si consumano ma non si controllano) o utilizzata principalmente da persone altamente formate e tecniche (ad esempio, assistenti di codifica). Voglio colmare quella lacuna: ogni individuo e azienda dovrebbe essere pronto per il successo e in grado di rivoluzionare il modo in cui affronta il lavoro.

DeepL ha costruito la sua reputazione su traduzioni ad alta precisione. Come ha influenzato quella base nella modellazione linguistica il pensiero iniziale dell’azienda nel superare la traduzione e muoversi verso sistemi di intelligenza artificiale più generali?

Ciò che rende l’AI così magico è che concetti e idee molto simili possono portare a nuove soluzioni in domini molto diversi: motori di scacchi, sistemi di raccomandazione, piegatura delle proteine, auto a guida autonoma, motori di traduzione e molti altri. Sono tutti alimentati dallo stesso insieme di principi e tecniche. Avendo padroneggiato queste tecniche per quasi un decennio, pensiamo naturalmente a nuovi problemi su cui concentrarci. Internamente questo è sempre stato il caso, portando all’invenzione del Glossario, Scrivi, Voce, Hub di personalizzazione e altro.

Come Chief Scientist, come distingue tra la costruzione di modelli linguistici che generano output fluente e la costruzione di sistemi che possono agire in modo affidabile all’interno di flussi di lavoro aziendali reali?

Le idee fondamentali sono notevolmente simili: dobbiamo capire in profondità cosa vogliono i nostri utenti e allineare i nostri sistemi di intelligenza artificiale con questi obiettivi e preferenze. A volte sono evidenti e espliciti; altre volte sono sottili e inespressi. In entrambi i casi, è nostro compito assicurare che il lavoro che produciamo abbia un alto valore per i nostri utenti.
DeepL si è sempre distinta in questo settore grazie alla sua focalizzazione sui clienti. Non inseguiremo benchmark artificiali o pubblicazioni accademiche – inseguiremo la soddisfazione del cliente. Ciò non è mai stato più importante di adesso, poiché stiamo ampliando il nostro orizzonte e aiutiamo le persone nel loro lavoro quotidiano.

DeepL Agent rappresenta un passaggio dall’AI assistiva all’esecuzione autonoma. Quali sono stati i più grandi sfidi tecnici nel rendere quel passaggio funzionante nella pratica?

Di gran lunga, la più grande sfida nella costruzione di DeepL Agent è l’usabilità. Per anni, l’ecosistema dell’AI ha servito principalmente gli sviluppatori di software e gli esperti tecnici. Con DeepL Agent, vogliamo cambiare questo e dotare ogni lavoratore della conoscenza di strumenti sofisticati per risolvere e automatizzare problemi complessi. Per raggiungere ciò, dobbiamo avere lo stesso livello di sofisticazione nel riconoscimento, nella ragione, nella pianificazione e nell’azione. Invece di presentare agli utenti un insieme ricco ma complesso di strumenti, abbiamo lavorato duramente per creare una soluzione coesa, fluida ed elegante per l’assistenza e l’automazione dei flussi di lavoro end-to-end.

Dal punto di vista architettonico, quali capacità devono essere in atto prima che un sistema di intelligenza artificiale possa essere considerato affidabile per operare in modo autonomo in ambienti aziendali?

Per una vasta gamma di compiti amministrativi, la tecnologia è già qui. DeepL Agent può agire in modo affidabile nel vostro ambiente, cercare consiglio quando necessario e offrire una verifica umana nel ciclo quando desiderato. Questo livello di intelligenza sintetica era pura finzione solo pochi mesi fa. Eppure, c’è ancora una lunga strada da percorrere. Nei prossimi anni, gli agenti di intelligenza artificiale diventeranno uno strato orizzontale nelle aziende — lavorando instancabilmente in background, collaborando con gli esseri umani e gli altri per eliminare il lavoro noioso e potenziarci per risolvere problemi precedentemente fuori portata.

Ha parlato di una comprensione profonda del linguaggio come prerequisito per agenti di intelligenza artificiale responsabili. Cosa significa “profondo” in questo contesto oltre alla fluidità di superficie?

Il linguaggio è notevolmente ambiguo e dipendente dal contesto — specialmente in domini professionali. Avrete probabilmente sperimentato questo voi stessi: ascoltare un gruppo di amici discutere di un hobby che non condividete o di una specializzazione professionale di cui non avete esperienza… Potrebbe non avere senso per gli estranei, ma in qualche modo loro capiscono perfettamente. Vogliamo che l’assistenza dell’AI sia così fluida come parlare con un collega di lavoro esperto e fidato con cui condividete anni di collaborazione. Le preferenze implicite dovrebbero rimanere implicite. Non dovreste dover spiegare ripetutamente come volete che il lavoro venga svolto. Ciò potrebbe sembrare ovvio, ma richiede un’enorme ricerca per farlo bene. È questo che intendo per “comprensione profonda del linguaggio”.

Come si approccia alle salvaguardie e alla supervisione quando si distribuiscono sistemi autonomi che possono intraprendere azioni reali e non solo fornire raccomandazioni?

Perché l’assistenza dell’AI funzioni in contesti aziendali, dobbiamo bilanciare con cura la capacità con il controllo. Una maggiore capacità crea immense opportunità per la produttività, ma se lasciata incontrollata, diventa una passività. Ciò non può accadere. Fin dal primo giorno, DeepL Agent è stato dotato di salvaguardie di livello aziendale, implementate in molte forme. Gli spazi di lavoro condivisi danno agli utenti un controllo preciso sui dati e sull’accesso, alimentando tracciati di audit, supervisione umana e verifica nel ciclo umano. Inoltre, gli amministratori di sistema hanno un controllo fine-granulare sui sistemi che DeepL Agent può navigare e meccanismi per notificare gli strumenti sottostanti quando vengono operati dall’agente.

Quali lezioni ha imparato spostando idee dalla ricerca alla produzione senza sacrificare l’affidabilità o la disciplina scientifica?

Il divario tra ricerca e sviluppo di prodotti è più ampio di quanto comunemente creduto. Entrambi iniziano con un approccio rigoroso alla risoluzione di problemi precedentemente irrisolti e un registro meticoloso di ciò che funziona e ciò che non funziona. Mentre la ricerca può semplificare l’ambito e supporre un modello di mondo più semplice, lo sviluppo di prodotti deve tenere conto della complessità dei contesti degli utenti reali. Nell’assistenza dell’AI, l’uso degli strumenti è un esempio primario. È tentante supporre che gli ambienti saranno sempre pronti per l’automazione, con l’accesso al sistema ordinato e le API pronte. La realtà differisce. Proprio come le auto a guida autonoma devono gestire la piena complessità dell’infrastruttura odierna, gli agenti di intelligenza artificiale devono operare efficacemente all’interno dei modelli di accesso, dei dati e dei sistemi di cui le aziende si affidano. Questa consapevolezza precoce è al cuore del design di DeepL Agent.

Mentre DeepL si espande da una piattaforma linguistica focalizzata a un sistema di intelligenza artificiale aziendale più ampio, come decide quali capacità dovrebbero rimanere strettamente controllate e quali dovrebbero essere esposte per un comportamento più autonomo?

Il livello di controllo richiesto per una task è determinato da due fattori: l’affidabilità dell’essere umano o del sistema che la esegue e l’impatto potenziale degli errori. Ciò si applica ugualmente all’esecuzione umana e a quella della macchina. L’affidabilità dell’AI è aumentata notevolmente negli ultimi anni e continuerà a migliorare. Pertanto, il controllo stretto sarà necessario per sempre meno compiti. Alla fine, l’affidabilità dell’AI supererà anche i livelli di esperti umani per molti compiti. Ciò si applica anche ai meccanismi di controllo, che si sposteranno sempre più verso la supervisione dell’AI. Internamente, DeepL Agent già lo fa, chiedendo agli utenti aiuto ogni volta che l’autocorrezione non è possibile.

Guardando avanti, quali sono le innovazioni nell’intelligenza artificiale linguistica o nel design degli agenti che, secondo lei, plasmeranno maggiormente l’intelligenza artificiale aziendale nei prossimi due anni?

Gli agenti di intelligenza artificiale non aiuteranno solo con compiti individuali. Formeranno uno strato di produttività collaborativa nelle aziende che lavora per nostro conto per ridurre le distrazioni, preparare e presentare le informazioni esattamente quando sono necessarie e risolvere problemi e compiti sempre più sofisticati interamente in background.

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