インタビュー
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業界向けに設計された自律的なカスタマーサポート・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でシニア・リーダーシップ・ロールを務めていました。そこでは、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で働いていました。マシンのリーダーシップの下、Gradient Labsは短期間で成長を遂げ、立ち上げから5ヶ月で年間再発生収入100万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、複雑なカスタマー・オペレーションに対する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での成功したキャリアを終えましたが。
Monzoでは、カスタマーサポートの自動化に数年間取り組み、10%の効率向上を目指していました。しかし、2023年の初めに、GPT-4のリリースにより技術的な地殻変動が起こり、AIを使用して70〜80%の手作業の繰り返し作業を完全に自動化できるようになりました。
私たちのキャリアの中で、私は2つの革命的な波を見てきました。1つはモバイル革命（私のキャリアの初期に起こった）で、もう1つは現在のAIです。私たちは、世界を変えるような変革の真っ只中にあることを認識し、その瞬間を掴まなければなりません。私たちのチームはそれを知っていました。これがその時です。
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、自主性と方向性のバランスをとることです。Monzoでは、当初、人々は自主性を与えられれば動機付けられるという仮定でした。しかし、その見方は現在では単純すぎるようです。私は、人々は指針も価値があると考えています。真の自主性とは、「何をしてもよい」ということではなく、明確な方向性を示しながら、人々に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・コンペンセーションが必要です。トップ5%のタレントを雇用したい場合は、相応の報酬を支払わなければなりません。そうでない場合、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うでしょう。
3つ目は、車の輪を再発明する必要はありません。Monzoでは、革新的なアプローチで仕事の構造、報酬システム、キャリア・ラダーを作ろうとしました。重要な教訓は、組織の基礎については、既存のベスト・プラクティスに従うべきです。私たちは、既存の構造に戻ることになるでしょう。
Gradient Labsは、従来的には複雑なニーズを持つ規制業界に焦点を当てています。規制環境で効果的に動作するAIエージェント（Ottoなど）を構築するために、あなたはどのようにアプローチしましたか。
私たちは、通常のアドバイスに従わず、迅速にリリースしてから製品を改良するのではなく、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成す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、カスタマーサポートのエンドツーエンドの自動化を構築しました。金融サービスでの経験を活かし、内部ベンチマークを設定して、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、品質にこだわりながら迅速に反復することができ、最終的にリリース時に優れた製品を提供す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を処理します。Ottoが、典型的なAIエージェントが失敗する可能性のある、マルチステップまたはハイリスク・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（Standard Operating Procedure）という概念を中心に構築しました。これは、人間のエージェントに与えるのと同じような、特定の問題を解決する方法を記載したガイダンス・ドキュメントです。
Ottoを特に効果的にする2つの重要なアーキテクチャ上の決定があります。
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パターンは、多すぎる選択肢から選択することです。各手順について、Ottoに表示されるツールの数を制限します。たとえば、カードの交換ワークフローでは、Ottoはシステムに登録されている30のツールのうち1〜2つしか表示されません。これにより、決定スペースが減り、精度が大幅に向上します。
2つ目は、深い思考を可能にするために、AIアシスタントのインフラストラクチャの大部分を再構築しました。OpenAIやAnthropicのアシスタントに手順を単純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、カスタマーサポートで「超人」的な品質を達成したと述べています。「超人」的な品質とはあなたにとって何を意味しますか。内部的にそれをどのよう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カスタマーサポートを提供することを意味します。次の3つの例はそれを示しています。
まず、包括的な知識です。AIエージェントは大量の情報を処理し、会社について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しません。何かを知らない場合は、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、顧客がチーム間で転送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おり、一貫したエンドツーエンドの回答を提供します。エスカレーションは必要ありません。
2つ目は、怠惰な検索ではありません。AIは情報を素早く収集します。人間は時間を節約するために、調査する前に顧客に質問する傾向があります。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ます。したがって、顧客が「Xについて問題がある」と漠然と言う場合、AIは複数の明確化の質問をするのではなく、すぐに解決策を提供できます。
3つ目は、忍耐力と品質の一貫性です。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が、AIは一貫した高品質、忍耐力、簡潔なコミュニケーションを維持します。必要なだけ時間をかけて、焦らずに回答します。
これを主に顧客満足度スコアで測定しています。すべての現在の顧客に対して、80〜90%のCSATスコアを達成しています。通常、これは人間のチームよりも高くなります。
あなたはGradient Labsを単一のLLMプロバイダーに結びつけることを避けてきました。この選択はなぜ重要でしたか。顧客へのパフォーマンスと信頼性への影響は何ですか。
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がより速い、より優れた、またはより正確な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、品質を継続的に向上させながらコストを管理できます。いくつかのタスクには、より強力なモデルが必要ですが、他のタスクにはそうではありません。私たちのアーキテクチャでは、時間の経過とともに適応し、進化することができ、各状況に最適なモデルを選択できます。
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、この移行は容易になります。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、重要な点です。
Gradient Labsはチャットボットを構築するだけでなく、バックオフィス・プロセスも処理することを目指しています。AIを使用して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つの異なるプロセスのカテゴリがあり、それぞれに独自の課題があります。
よりシンプルなプロセスについては、技術的にはすでに存在しています。主な課題は、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・システムやツールへの接続です。ほとんどのカスタマー・オペレーションには、複数の内部システムが含まれます。
複雑なプロセスについては、重大な技術的課題が残っています。これらのプロセスは通常、6〜12ヶ月間のトレーニングを受けた人間が必要です。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。ここでの課題は、ドメインの知識をAIエージェントにどのように伝えるかです。これは、現在誰もが解決しようとしている難しい問題です。
Gradient Labsは、AIの速度と効率の必要性と、規制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。
これは確かにバランスですが、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ます。次の要素を評価します。顧客が何を求めているのかを理解していますか。正しい答えを出していますか。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。
この故意のアプローチにより、遅延が増加します。私たちの平均応答時間は15〜20秒かもしれません。しかし、規制対象会社にとっては、これは公平な取引です。15秒の応答は人間の応答よりもはるかに速いからです。一方、品質の保証は、規制対象会社にとっては、遥かに重要です。
あなたは、AIエージェントが将来、サポートだけでなく、金融機関内のよりハイリスクな意思決定タスクにも信頼されることを予見しますか。
金融機関は、従来のAI技術を使用して、すでにハイリスクな意思決定を行っていました。現在の波にあるジェネレーティブAIでは、オーケストレーション、つまり意思決定を行うのではなく、プロセスを調整することに真正の機会を見ています。
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、顧客へのアクションとコミュニケーションをトリガーします。このオーケストレーション機能は、AIエージェントが優れています。
一方、最高レベルの意思決定については、近い将来に大きな変化は見込めません。これらのモデルは、説明可能性、バイアスの防止、モデル・リスク・コミットティの承認を必要とします。大規模言語モデルは、これらのコンテキストでは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、他の規制対象業界の顧客体験をどのように変えるでしょうか。
私は、顧客体験を変える5つの大きなトレンドを見ています。
まず、真正のオムニチャネル・インタラクションです。銀行アプリでのチャットを開始し、同じAIエージェントと声でスイッチすることを想像してください。声、電話、チャットが1つのシームレスな体験に統合されます。
2つ目は、アダプティブなUIです。顧客は、特定の機能を探すためにメニューを探すのではなく、単に「制限を増やしてください」と声に出します。アクションは会話を通じてすぐに実行されます。
3つ目は、優れたユニット・エコノミクスです。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することができます。特に、未銀行化セグメントで重要です。
4つ目は、スケーラブルな優れたサポートです。スタートアップは、顧客が少ない場合にはパーソナライズされたサポートを提供できますが、会社が成長すると、品質が低下することがよくあります。AIにより、優れたサポートがスケーラブルになります。
5つ目は、カスタマーサポートが、面倒な必須から、真正に役立つサービスへと変化します。カスタマーサポートは、労力密度の高いインフラストラクチャ・コストとしてではなく、全体的な体験を向上させる貴重で効率的なカスタマー・タッチポイントとして見られるようになります。
素晴らしいインタビュー、詳細についてはGradient Labsを訪れてください。
