ディミトリ・マシン、Gradient LabsのCEO兼共同創設者 – インタビュー・シリーズ

ディミトリ・マシンは、Gradient LabsのCEO兼共同創設者です。Gradient Labsは、金融サービスなどの規制された業界向けに設計された自律的な顧客サポートエージェントを開発するAIスタートアップです。Gradient Labsを2023年に創設する前に、マシンはMonzo Bankでデータサイエンス、金融犯罪、不正行為の副社長を務め、以前はGoogleで働きました。マシンの指導の下、Gradient Labsは短期間で成長し、発売から5ヶ月で年間再発行収入1万ポンドに達しました。マシンの焦点は、高パフォーマンスと厳格な規制遵守を組み合わせたAIシステムの開発にあり、複雑な顧客操作のための安全でスケーラブルな自動化を可能にします。

あなたをGradient Labsを立ち上げることにしたのは何ですか？あなたはMonzoでの成功の後でしたからです。

Monzoでは、顧客サポートの自動化に取り組んでいました。目標は10％の効率性の向上でした。しかし、2023年の初めにGPT-4のリリースにより、技術的な変化が起こりました。突然、70～80％の手動で繰り返される作業を完全に自律的に自動化できるようになりました。

私たちが現在経験している技術的なブレークスルーがGradient Labsを立ち上げるきっかけでした。私のキャリアの中で2つの革命的な波がありました。1つはモバイル革命で、もう1つは現在のAI革命です。そういう変化が起こっている時に、その瞬間を逃さないでください。私たちのチームはその時が今だとわかっていました。

Monzoでは、超高速成長を経験しました。そこでの経験からGradient Labsに適用している最大の教訓は何ですか？

まず、自律性と方向性のバランスをとることです。Monzoでは、人々は自律性を与えられれば動機付けられるという考えでした。しかし、その考えは単純すぎるようです。私は、人々は指導も必要だと考えています。真の自律性とは、人々に何でも自由にさせてしまうことではなく、明確な方向性を示し、問題を解決する自由を与えることです。

2つ目は、トップタレントにはトップの報酬が必要です。トップ5％のタレントを雇うのであれば、相応の報酬を支払う必要があります。そうでないと、大手テクノロジー企業があなたのトップタレントを引き抜いてしまいます。

3つ目は、車の輪を再発明しないことです。Monzoでは、仕事の構造、報酬システム、キャリアラダーに创新的なアプローチを試みました。重要なことは、組織の基本的な側面で创新を試みないことです。多くの企業がすでにベストプラクティスを確立しています。

Gradient Labsは規制された業界に焦点を当てています。そこでは複雑なニーズがあります。OttoのようなAIエージェントをどのように構築しましたか？

私たちは非伝統的なアプローチを取りました。早くリリースし、ライブ製品で反復するという通常のアドバイスを受け付けませんでした。代わりに、Ottoをリリースする前に14ヶ月間、非常に高い品質基準を維持しました。銀行や金融機関が完全に自律的にサポートを処理できるものを作る必要がありました。

私たちは共同パイロットを作るのではなく、エンドツーエンドの自動化を作りました。金融サービスでの私の背景から、「何が良いか」の基準を持っていました。顧客のフィードバックに頼ることなく、品質を評価することができました。これにより、品質にこだわることができました。

Ottoは単純な質問に答えるだけでなく、複雑なワークフローも処理します。Ottoが複数ステップまたは高リスクタスクをどのように処理するかについて説明してください。

私たちは、OttoをSOP（標準作業手順）という概念の周りに構築しました。SOPとは、特定の問題をどのように処理するかを詳細に記述したガイダンスドキュメントです。

2つの重要なアーキテクチャ上の決定がOttoを複雑なワークフローで特に効果的にしています。

まず、ツールの露出を制限します。AIエージェントが失敗する一般的な方法は、多すぎる選択肢から正しく選択できないことです。各手順では、Ottoに登録されているシステムツールの小さなサブセットのみを公開します。

2つ目は、幅広い連鎖的思考を可能にするようにAIアシスタントのインフラストラクチャを再構築しました。単に手順をOpenAIまたはAnthropicアシスタントに投げるのではなく、私たちのアーキテクチャでは、入力と出力の間で複数の処理ステップを可能にします。これにより、より深い思考とより信頼性の高い結果が可能になります。

Gradient Labsは「超人的な品質」の顧客サポートを達成したと述べています。「超人的な品質」とは何を意味しますか？また、それをどのように内部的に測定していますか？

超人的な品質とは、人間が達成できる以上の顧客サポートを提供することを意味します。以下の3つの例がそれを示しています。

まず、包括的な知識です。AIエージェントは膨大な量の情報を処理し、会社の詳細な知識を持っています。一方、人間は通常、情報の小さなサブセットしか学習できません。何かわからない場合は、ナレッジベースを参照したり、同僚にエスカレートしたりします。これにより、顧客がチーム間でパスされるフラストレーションが生じます。一方、AIエージェントは会社とそのプロセスについて深い理解を持っています。エスカレーションは必要ありません。

2つ目は、怠けない検索です。AIは情報を収集するのが早いです。人間は時間を節約するために、調査する前に顧客に質問します。一方、AIは会話が始まる前にアカウント情報、フラグ、警告、エラーメッセージを調べて、すぐに解決策を提供できます。

3つ目は、忍耐強さと一貫性です。人間は1時間あたりに一定数の返信を処理する圧力に直面します。一方、AIは質の高い回答を一貫して提供し、必要なだけ時間をかけて回答します。

私たちはこれを主に顧客満足度スコアで測定しています。現在の顧客すべてで、80～90％のCSATスコアを達成しています。人間のチームよりも高いスコアです。

あなたはGradient Labsを単一のLLMプロバイダーに結び付けないことにしました。なぜその選択が重要でしたか？また、それはパフォーマンスと信頼性にどのように影響しますか？

過去2年間で、私たちが得た最大のパフォーマンス向上は、OpenAIまたはAnthropicが新しいモデルをリリースするたびに、次のベストモデルに切り替える能力から来ました。モデルアジリティが重要でした。

この柔軟性により、私たちは品質を継続的に向上させながらコストを管理することができます。タスクによっては、より強力なモデルが必要です。他のタスクでは、より弱いモデルで十分です。私たちのアーキテクチャにより、状況に応じて最適なモデルを選択することができます。

最終的には、顧客のインフラストラクチャ上でホストされるプライベートオープンソースLLMをサポートする予定です。私たちのアーキテクチャにより、これは簡単な移行になります。特に、モデル展開に関する特定の要件を持つ銀行をサポートする場合には重要です。

Gradient Labsはチャットボットだけではなく、バックオフィスのプロセスも処理しようとしています。AIでこれらのタスクを自動化する際の最大の技術的または運用上の課題は何ですか？

2つのカテゴリのプロセスがあり、それぞれに独自の課題があります。

より単純なプロセスでは、技術的にはほとんど問題ありません。最大の課題は、金融機関が使用する多くのカスタマイズされたバックエンドシステムやツールに接続することです。ほとんどの顧客操作では、複数の内部システムが関与します。

より複雑なプロセスでは、重大な技術的な課題があります。これらのプロセスでは、通常、人間が6～12ヶ月間のトレーニングを受けて専門知識を身に付けます。たとえば、不正行為の調査やマネーロンダリングの評価などです。課題は、AIエージェントに同じドメインの専門知識を与える方法を発見することです。これは、誰もがまだ解決しようとしている難しい問題です。

Gradient Labsは、AIの速度と効率性の必要性と、規制された業界の厳格なコンプライアンス要件のバランスをとる方法は何ですか？

それは確かにバランスです。会話レベルでは、私たちのエージェントは単に時間をかけて考えるだけです。次の要素を評価します。顧客の質問を理解していますか？正しい回答を提供していますか？顧客は脆弱性の兆候を示していますか？顧客は苦情を申し立てたいと思っていますか？

この意図的なアプローチにより、待ち時間が増えます。私たちのエージェントの平均応答時間は15～20秒かかります。しかし、金融機関にとっては、人間の応答よりもはるかに速いです。品質保証は、規制された企業が私たちと協力する上で重要です。

あなたは、AIエージェントがサポートだけでなく、金融機関内のより高リスクの意思決定タスクにも信頼される未来を予見しますか？

金融機関はすでに、高リスクの意思決定に従来のAI技術を使用していました。私が今見る機会は、オーケストレーションにあります。意思決定そのものではなく、プロセスを調整することです。

たとえば、顧客がドキュメントをアップロードし、AIエージェントがそれを検証システムにルーティングし、有効性の確認を受け取り、適切なアクションと顧客への通知をトリガーします。AIエージェントはオーケストレーション機能で優れています。

一方、最高リスクの意思決定自体については、近い将来に大きな変化は見込めません。説明可能性、バイアスの防止、モデルリスク委員会の承認が必要です。大規模言語モデルはこれらのコンテキストで重大なコンプライアンス課題に直面します。

あなたの見解では、AIは次の3～5年間で、銀行、フィンテック企業、他の規制された業界の顧客体験をどのように変えるでしょうか？

私が見る5つの大きなトレンドがあります。

まず、真正のオムニチャネルインタラクションです。アプリ内のチャットを開始し、同じAIエージェントと音声でシームレスに切り替えることを想像してください。音声、電話、チャットは1つの連続した体験に統合されます。

2つ目は、ナビゲーションを最小限に抑える適応性UIです。メニューを探さずに、顧客は必要な機能をただ声で要求できます。たとえば、「制限を上げてください」と声をかけると、アクションが実行されます。

3つ目は、優れたユニット経済学です。サポートとオペレーションは巨大なコストセンターです。これらのコストを削減することで、銀行は以前は利益が出なかった顧客にサービスを提供したり、ユーザーに節約を渡したりできます。特に、未銀行化セグメントでは顕著です。

4つ目は、スケーラブルな優れたサポートです。現在、スタートアップは顧客が少ないため、パーソナライズされたサポートを提供できます。しかし、会社が成長すると、品質が低下します。AIにより、高品質のサポートをスケーラブルに提供できます。

5つ目は、顧客サポートが変わります。サポートは、面倒な必要性から、真正に役立つサービスへと変わります。サポートは、労力的なインフラストラクチャコストではなく、効率的な顧客タッチポイントとして見られるようになり、全体的な体験を向上させます。

素晴らしいインタビュー、詳しく知りたい読者はGradient Labsを訪れてください。