Jeffrey Lai, Oprichter en CEO van IrisGo – Interviewreeks

Jeffrey Lai, Oprichter en CEO van IrisGo, is een ondernemer in AI en productleider met diepe wortels in intelligente assistenten en taaltechnologieën. Voordat hij IrisGo in 2025 lanceerde en als Founder in Residence bij AI Fund diende, werkte Lai meer dan 12 jaar bij Apple (AAPL ), waar hij hielp bij het bouwen en schalen van Siri, uiteindelijk als Siri Language Engineering Manager. Zijn werk was gericht op het verbeteren van multilinguale conversational AI, waaronder de ontwikkeling van de Chinese-versie van Siri. Voordat hij bij Apple kwam, had hij ingenieursfuncties bij Cisco Systems (CSCO ) en voltooide hij een stage bij de Intelligent Robotics Group van het NASA Ames Research Center. Met een carrière die zich uitstrekt over robotica, enterprise software en consumenten-AI, heeft Lai consistent gefocust op het maken van complexe technologieën toegankelijker en nuttiger in dagelijkse workflows.

IrisGo ontwikkelt een AI-besturingssysteem dat is ontworpen voor de nieuwe generatie AI-gepowered personal computers. In plaats van als een zelfstandige chatbot te functioneren, is het platform gebouwd om te observeren hoe gebruikers taken uitvoeren over applicaties, deze workflows te leren en ze te automatiseren via een intelligente on-device assistent. De kernaanpak draait om gebruikers in staat te stellen een taak eenmaal te demonstreren en vervolgens dat proces om te zetten in een herbruikbare workflow, waardoor repetitief digitaal werk wordt verminderd. Door de toegewijde AI-verwerkingseenheden in moderne AI-PC’s te benutten, streeft IrisGo ernaar om meer privé, responsief en contextueel bewustzijn te bieden, waardoor het zichzelf positioneert binnen de groeiende markt voor agente AI-systemen die taken actief kunnen uitvoeren namens gebruikers in plaats van alleen aanbevelingen te doen.

Nadat je hebt geholpen bij het bouwen van Siri bij Apple, welke specifieke ervaringen hebben je ervan overtuigd dat het tijd was om IrisGo te starten, en wat was het belangrijkste probleem in de interactie tussen mens en computer dat je onopgelost liet?

Toen we Siri aan het bouwen waren, waren we ongelooflijk gefocust op natuurlijke taalbegrip. Maar Siri had moeite met context, wat een uitdaging is omdat de manier waarop mensen werkelijk werken en communiceren vol impliciete context zit. Wanneer je een collega vraagt: “Kun je me dat rapport sturen?”, weet hij welk rapport. Hij weet je gedeelde geschiedenis, je huidige project, waar je het over hebt. Siri had dat niet.

Al jarenlang is AI ontworpen om op je te reageren. Typ iets in, krijg iets terug. Dat is de interactiemodel die we hebben geërfd van zoekmachines en chatbots. Maar het grootste deel van wat mensen werkelijk op een computer doen, is geen vraag, het is een workflow. Compileer dit rapport. Kruisverwijs deze spreadsheets. Haal gegevens op uit drie verschillende apps en formateer ze in een document. Dat soort werk past niet in een prompt.

Wat me ervan overtuigde om IrisGo te starten, was het realiseren dat de industrie niet bouwt voor dagelijkse gebruikscases. Iedereen bouwt slimmere modellen, beter taalbegrip, snellere antwoorden. Maar de fundamentele kloof, waar AI werkelijk werk kan doen, niet alleen reageren op verzoeken, was er nog steeds. Dat is het probleem dat we wilden oplossen.

Terugkijkend op je jaren werken aan Siri, wat waren de belangrijkste lessen die je hebt geleerd over de beperkingen van spraakassistenten, met name als het gaat om het begrijpen van context, intentie en gebruikersgedrag?

De belangrijkste les die ik heb geleerd, is dat context alles is. Mensen communiceren zelden in geïsoleerde opdrachten; hun verzoeken worden gevormd door waar ze aan werken en wat ze proberen te bereiken. Vroege spraakassistenten waren ontworpen rond het beantwoorden van individuele verzoeken, wat goed werkt voor veel taken, maar minder effectief is voor lopend werk dat meerdere applicaties en workflows omvat. Die ervaring leerde me dat het begrijpen van intentie het begrijpen van context vereist, en dat inzicht werd een van de fundamenten van IrisGo.

Wat we hebben geleerd, is dat intentie vaak in lagen is opgebouwd. Iemand zegt iets en bedoelt iets anders, en het juist krijgen van die intentie vereist het begrijpen van de persoon, niet alleen de woorden. Dat begrip is vanaf het begin ingebakken in IrisGo.

IrisGo wordt vaak beschreven als een AI-besturingssysteem in plaats van een AI-assistent. Wat is het verschil, en waarom denk je dat de industrie een nieuwe softwarelaag nodig heeft voor de AI-PC-era?

Een AI-assistent wacht op je. Je opent het, je typt iets, het reageert, en dan is het klaar. Het interactiemodel is essentieel hetzelfde als een zoekmachine, waar de gebruiker een verzoek doet en de AI een antwoord genereert.

IrisGo, dat een AI-besturingssysteem is, werkt naast alles wat je doet, over je hele systeem, de hele tijd. Het heeft toegang tot je bestanden, je apps, je browser, je e-mail. Het begrijpt hoe je werkt omdat het met jouw toestemming heeft gekeken. En cruciaal, het kan handelen, niet alleen adviseren.

Denk aan wat Windows heeft gedaan voor persoonlijke computing. Voordat het bestond, moest je technisch onderlegd zijn om een computer te gebruiken. Windows creëerde een universele, intuïtieve laag tussen mensen en software. De AI-PC-era heeft zijn eigen versie van die laag nodig, waarbij de rauwe kracht van AI-modellen wordt omgezet in iets dat echt nuttig is voor mensen die hun dagelijkse werk doen.

Dat is wat IrisGo is: de intelligentielaag van de AI-PC. Wanneer je AI-PC’s zonder die laag verzendt, heb je alleen een krachtige chip die niets doet. Wat je nodig hebt, is software die weet hoe die te gebruiken ten behoeve van de persoon die hem gebruikt.

Een van de kernideeën van IrisGo is dat gebruikers het systeem een taak kunnen leren door middel van één demonstratie. Waarom denk je dat “kijken en leren” een natuurlijker model is dan het geven van prompts of het handmatig opbouwen van workflows?

Wat de ‘Kijk en Leer’-functie zo krachtig maakt, is dat het gebaseerd is op hoe we elkaar werkelijk leren. Wanneer je een nieuwe medewerker inwerkt, schrijf je hem geen 40-stappenprompt. Je laat hem zien hoe je iets doet, hij kijkt, hij leert, en hij neemt het van daar over. Dat is intuïtief. Dat is natuurlijk.

Het probleem met prompts is dat het de last legt bij de gebruiker om exact te articuleren wat hij wil, in een formaat dat de AI kan begrijpen. Voor eenvoudige queries werkt dat prima. Maar hoe zit het met complexe, multi-stapworkflows die betrekking hebben op je specifieke bestanden en je specifieke manier van doen? Het kan snel falen. De meeste mensen kunnen hun workflows niet beschrijven met voldoende precisie om een AI te laten doen wat ze correct moeten doen.

Laten zien is gemakkelijker dan vertellen. Dat is geen nieuwe inzicht; het is gewoon gezond verstand. Wat ‘Kijk en Leer’ doet, is die logica toepassen op automatisering. Je doet je taak eenmaal, op de manier zoals je het normaal zou doen. IrisGo leert het patroon. En vanaf dat moment doet het die workflow voor je.

Veel AI-agents vandaag nog steeds significante setup en toezicht vereisen. Wat onderscheidt een werkelijk autonome agent van een chatbot die simpelweg instructies volgt?

Het korte antwoord is dat een werkelijk autonome agent zijn eigen context heeft, zijn eigen oordeelsvellingen maakt en blijft werken, zelfs wanneer je niet kijkt.

Een chatbot is reactief van ontwerp. Het leeft en sterft bij de prompt. Je geeft het een instructie, het voert uit, en dan stopt het. Als iets verandert, als een stap faalt, of als het moet aanpassen, raakt het verloren. Het zal vragen wat te doen volgende.

Een echt autonome agent heeft een doel, niet alleen een instructie. Het heeft context over de omgeving waarin het opereert. Het kan uitzonderingen afhandelen. Het kan beslissen of het moet doorgaan, opnieuw proberen of iets vlaggen voor menselijke beoordeling. En belangrijk, het kan op de achtergrond draaien terwijl je aan andere dingen werkt.

Het merendeel van wat vandaag wordt verkocht als ‘AI-agents’ zijn eigenlijk geavanceerde chatbots met extra stappen. De kloof tussen die producten en echte autonomie is enorm. Wat IrisGo anders maakt, is dat het begint met een model van hoe jij werkt, geleerd rechtstreeks van jouw observaties, en gebruikt dat om de juiste oordeelsvellingen te maken, niet alleen instructies te volgen.

Je hebt gesproken over het belang van persistente geheugen en lokale context. Waarom zijn deze capaciteiten essentieel als AI verder gaat dan het beantwoorden van vragen en begint te handelen namens een gebruiker?

Stel je voor dat je een assistent inhuurt die elke ochtend geen herinnering heeft aan wie je bent, waar je aan werkt of hoe je dingen graag gedaan krijgt. Je zou de helft van je dag besteden aan het opnieuw uitleggen van context, en je zou extreem gefrustreerd raken. Dat is eigenlijk wat de meeste AI-hulpmiddelen vandaag van je vragen.

Persistente geheugen betekent dat het systeem jou kent. Het kent je projecten, je workflows, je voorkeuren en hoe dingen in de loop van de tijd zijn geëvolueerd. Je hoeft geen context opnieuw te vestigen elke sessie. De AI draagt die voort.

Lokale context is even kritisch, omdat je werk niet in de cloud leeft. Het leeft op je computer, in bestanden, applicaties, e-mails, browsertabbladen. IrisGo draait op je apparaat, wat betekent dat het toegang heeft tot je hele werkomgeving en kan opereren namens jou overal.

Deze twee dingen samen — geheugen en lokale toegang — zijn wat AI in staat stelt om te stoppen met een hulpmiddel dat je gebruikt en te beginnen met een systeem dat voor jou werkt. We zien meer van de technologie-industrie beginnen te erkennen het belang van deze aanpak, inclusief de grote technologiebedrijven, dus het is een duidelijke validatie van onze benadering.

Privacy blijft een van de grootste zorgen rondom AI. Hoe balanceren jullie de behoefte aan personalisatie en geheugen met gebruikersverwachtingen rond beveiliging en gegevensbezit?

De veronderstelling dat privacy en personalisatie in spanning staan, is het eerste dat we in twijfel trekken. We hebben IrisGo zo gebouwd dat personalisatie kan gebeuren op het apparaat, niet alleen in de cloud.

Het overgrote deel van de verwerking van IrisGo gebeurt lokaal, op je computer. Je workflows, je bestanden, je context blijven bij jou. Cloudverwerking gebeurt alleen wanneer je het expliciet autoriseert, en wanneer het gebeurt, is het van eind tot eind versleuteld. Jij bent in controle over wat waarheen gaat.

Dit model maakt IrisGo krachtiger, omdat het toegang heeft tot de volledige context van je werkomgeving. En het betekent dat gebruikers niet hoeven te kiezen tussen een nuttige AI en een veilige.

Mensen vertrouwen hun persoonlijke computers met gevoelige werk. Ons doel is om IrisGo waardig te maken van datzelfde vertrouwen. Dit is fundamenteel voor hoe het product is ontworpen.

IrisGo wordt al geleverd op AI-PC’s van Acer, met plannen om uit te breiden naar aanvullende fabrikanten. Hoe belangrijk denk je dat distributiepartnerschappen zullen zijn bij het bepalen welke AI-platforms uiteindelijk mainstreamadoptie bereiken?

Distributie is absoluut kritisch voor mainstreamadoptie. Kijk alleen maar naar de geschiedenis van platformconcurrentie in tech. Windows won omdat het op vrijwel elke PC stond. Android won omdat het het meest gebruikte besturingssysteem was voor mobiele apparaten die geen iPhones waren. De bedrijven die probeerden te winnen door pure productkwaliteit, zonder de distributie om het te ondersteunen, slaagden meestal niet.

De AI-PC-markt volgt een soortgelijk patroon. Wanneer IrisGo is vooraf geïnstalleerd op een apparaat, is het er wanneer je de doos opent. Je hoeft niet te zoeken, te downloaden of te beslissen om het een kans te geven. Dat is een enorm voordeel.

We zijn al in 3 miljoen Acer-laptops die dit jaar worden verzonden, en we zijn in gesprek met aanvullende tier-one PC-fabrikanten. Het doel is om het AI-besturingssysteem voor PC’s te zijn per default. Die distributiestrategie is centraal voor hoe we de standaard worden in deze categorie.

Naarmate AI-agents in staat raken om facturen, onderzoek, rapporten en andere bedrijfsworkflows te verwerken, welke nieuwe governance-, toezichts- en vertrouwensuitdagingen moeten organisaties zich vandaag voorbereiden op?

De eerste uitdaging is controleerbaarheid. Wanneer een AI-agent een workflow voltooit, zoals het verwerken van een factuur of het genereren van een rapport, kun je dan zien wat het heeft gedaan, waarom het het heeft gedaan en waar de gegevens vandaan kwamen? Die soort transparante audittrail is essentieel voor compliance en voor het vangen van fouten voordat ze zich opstapelen.

De tweede is het definiëren van grenzen. Welke workflows zijn geschikt voor autonome uitvoering, en welke vereisen menselijke beoordeling? Bedrijven hebben duidelijke beleidsregels nodig rond dit onderwerp. De neiging is om AI steeds meer te laten doen, incrementeel, en dan te laat te realiseren dat hoogrisicobeslissingen worden genomen zonder voldoende toezicht.

Derde is vertrouwenskalibratie. Medewerkers moeten begrijpen wat de AI kan en niet kan doen, en wanneer ze de output moeten verifiëren in plaats van ervan uit te gaan dat het correct is. Dat is een cultuur- en trainingskwestie evenzeer als een technisch onderwerp.

Ik geloof dat de organisaties die zich vandaag hierop voorbereiden, een significante voorsprong zullen hebben, omdat naarmate de AI-capaciteiten groeien, de meer governancekaders zullen accumuleren.

Over vijf jaar denk je dat mensen nog steeds de meeste tijd zullen besteden aan interactie met AI via chatinterfaces, of zal AI steeds meer naar de achtergrond verdwijnen en proactief werk doen zonder gevraagd te worden?

De trend laat al zien dat AI steeds meer naar de achtergrond zal verdwijnen. Het model waar we naar toe werken, is een waarin je computer je werk begrijpt en de routineonderdelen ervan voor je afhandelt, zodat je aandacht vrijkomt voor de dingen die echt van je vereisen.

Denk aan hoe autopilot werkt in de luchtvaart. Piloten zijn niet elke seconde van elke vlucht hands-on. Het systeem handelt de basis, en de mens engageert wanneer oordeel en expertise nodig zijn. Dat is de toekomst van AI-ondersteund kenniswerk. Je computer handelt de repetitieve, regelgebaseerde workflows. Jij richt je op strategie, creativiteit en de beslissingen die echte menselijke beoordeling vereisen.

Over vijf jaar zullen de meest productieve mensen degene zijn die naast systemen werken die begrijpen hoe de gebruiker opereert. In het verleden deden mensen al het werk op hun computers. In de toekomst zal je computer ook werk voor je doen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoeken IrisGo.