Matthew Fitzpatrick, CEO van Invisible Technologies – Interviewreeks

Matthew Fitzpatrick is een ervaren specialist in operaties en groei met diepgaande expertise in het schalen van complexe workflows en teams. Met een achtergrond die bestaat uit consulting, strategie en operationeel leiderschap, is hij momenteel CEO bij Invisible Technologies, waar hij zich richt op het ontwerpen en optimaliseren van end-to-end bedrijfsoplossingen. Matthew is gepassioneerd over het combineren van menselijk talent met automatisering om efficiency op grote schaal te stimuleren, waardoor bedrijven transformatieve groei kunnen realiseren door procesinnovatie.

Invisible Technologies is een AI-productielaag en een onderneming voor bedrijfssoftware die organisaties helpt bij het bouwen, implementeren en schalen van AI-systemen in complexe bedrijfsomgevingen. Het platform combineert AI-gebaseerde software, menselijke expertise en operationele infrastructuur om de productieworkflows te ondersteunen die nodig zijn om geavanceerde AI te trainen, te evalueren en te exploiteren. Invisible werkt samen met ondernemingen om complexe gegevens te beheren, workflows te automatiseren en AI in bedrijfsprocessen te integreren, waardoor de infrastructuur en expertise beschikbaar komen om AI-initiatieven van experimenten naar betrouwbare, productieschaal te brengen.

U bent onlangs overgestapt van het leiden van QuantumBlack Labs bij McKinsey naar het worden van CEO van Invisible Technologies. Wat trok u aan in deze rol, en wat vindt u het meest spannend aan de missie van Invisible?

Bij McKinsey had ik het voorrecht om te werken aan de voorhoede van AI-innovatie – het bouwen van AI-softwareproducten, het leiden van R&D-inspanningen en het helpen van ondernemingen om de kracht van gegevens te benutten. Wat me aantrok bij Invisible Technologies was de kans om het operationeel te maken op grote schaal met een combinatie van een uniek flexibel AI-softwareplatform en een expertmarkt voor human-in-the-loop feedback – ik geloof dat Reinforcement Learning from Human Feedback (RLHF) de sleutel is tot nauwkeurige en betrouwbare GenAI-implementaties. Invisible ondersteunt AI over de hele waardeketen, van gegevensreiniging en gegevensinvoerautomatisering tot keten van gedachtenredenering en aangepaste evaluaties. Onze missie is eenvoudig: het combineren van menselijke intelligentie en AI om bedrijven te helpen de potentie van AI te realiseren, wat in het bedrijfsleven moeilijker is gebleken dan de meeste mensen hadden verwacht.

U hebt 1.000+ ingenieurs begeleid en meerdere AI-producten over verschillende branches heen geschaald. Welke lessen uit McKinsey past u toe bij de volgende groeifase van Invisible?

Twee lessen springen eruit. Ten eerste is succesvolle AI-adoptie net zozeer een kwestie van organisatorische transformatie als van technologie. U hebt de juiste mensen en processen nodig – naast geweldige modellen. Ten tweede zijn de bedrijven die winnen in AI degene die de “laatste mijl” meester zijn – de overgang van experimenten naar productie. Bij Invisible passen we diezelfde discipline en structuur toe om klanten te helpen verder te gaan dan pilots en naar productie te brengen, waardoor echte bedrijfswaarde wordt geleverd.

U hebt gezegd dat “2024 het jaar van AI-experimenten was, en 2025 gaat over het realiseren van ROI.” Welke specifieke trends ziet u onder ondernemingen die daadwerkelijk die ROI realiseren?

Ondernemingen die echte ROI zien dit jaar, doen drie dingen goed. Ten eerste aligneren ze AI-use cases nauw met core business KPI’s – zoals operationele efficiëntie of klanttevredenheid. Ten tweede investeren ze in betere kwaliteit gegevens en humane feedbackloops om modelprestaties voortdurend te verbeteren. Ten derde schakelen ze over van generieke oplossingen naar op maat gemaakte, domeinspecifieke systemen die de complexiteit van hun omgevingen weerspiegelen. Deze bedrijven testen AI niet langer alleen – ze schalen het met een doel.

Hoe evolueert de vraag naar domeinspecifieke en PhD-niveau gegevenslabeling bij foundation model providers zoals AWS, Microsoft (MSFT ), en Cohere?

We zien een toename in de vraag naar gespecialiseerde labeling omdat foundation model providers het opnemen tegen complexere verticale markten. Bij Invisible hebben we een jaarlijkse acceptatiegraad van 1% in onze expertpool, en 30% van onze trainers hebben een master- of PhD-titel. Die diepgaande expertise is steeds noodzakelijker – niet alleen om gegevens nauwkeurig te annoteren, maar om nuance, context en afwegingen te bieden om redenering, nauwkeurigheid en alignering te verbeteren. Naarmate modellen slimmer worden, wordt de lat voor het trainen ervan hoger.

Invisible staat aan de voorhoede van agente AI, met de nadruk op besluitvorming in echte wereldworkflows. Wat is uw definitie van agente AI, en waar zien we de meeste belofte?

Agente AI verwijst naar systemen die niet alleen reageren op instructies – ze plannen, nemen beslissingen en nemen actie binnen gedefinieerde grenzen. Het is AI die zich meer gedraagt als een teamgenoot dan als een instrument. We zien de meeste tractie in hoge-volumewerkflows met complexe processen: zoals klantenservice en verzekeringsclaims, bijvoorbeeld. In deze gebieden kan agente AI handmatige inspanning verminderen, consistentie verhogen en resultaten leveren die anders een grote menselijke ploeg zouden vereisen. Het gaat er niet om mensen te vervangen – in plaats daarvan versterken we hen met intelligente agenten die repetitieve en routineuze taken kunnen afhandelen.

Kunt u voorbeelden geven van hoe Invisible modellen traint voor keten van gedachtenredenering en waarom dit cruciaal is voor ondernemingsimplementatie?

Keten van gedachtenredenering (CoT) heeft nieuw potentieel voor ondernemings-AI ontsloten. Bij Invisible trainen we modellen om stap voor stap te redeneren, wat essentieel is wanneer de inzet hoog is – of u nu een patiënt diagnoseert, een contract analyseert of een financieel model valideert. CoT verbetert niet alleen transparantie, maar maakt ook debugging, verfijning en prestatieverbetering mogelijk zonder enorme nieuwe datasets. We hebben gezien dat toonaangevende modellen zoals Gemini, Sonnet en Grok hun redeneringspaden beginnen te onthullen, waardoor we niet alleen zien wat modellen uitvoeren, maar ook hoe ze daar komen. Dit legt de basis voor geavanceerdere methoden zoals Tree of Thought (waar modellen meerdere mogelijke redeneringspaden evalueren voordat ze een antwoord kiezen) en Self-Consistency (waar meerdere redeneringspaden worden onderzocht).

Invisible ondersteunt training in 40+ programmeertalen en 30+ menselijke talen. Hoe belangrijk is culturele en linguïstische precisie bij het opbouwen van wereldwijd schaalbare AI?

Het is cruciaal. Taal is niet alleen vertaling – het gaat over context, nuance en culturele normen. Als een model toon of regionale variatie verkeerd interpreteert, kan dit leiden tot slechte gebruikerservaringen of zelfs compliancerisico’s. Onze meertalige trainers zijn niet alleen vloeiend – ze zijn ingebed in de culturen die ze vertegenwoordigen.

Wat zijn de meest voorkomende foutenpunten als bedrijven proberen over te schakelen van proof of concept naar productie, en hoe helpt Invisible bij het navigeren van die “laatste mijl”?

Het merendeel van de AI-modellen komt nooit in productie omdat bedrijven de operationele inspanning onderschatten die nodig is. Ze missen schone gegevens, robuuste evaluatieprotocollen en een strategie voor het integreren van modellen in echte workflows. Bij Invisible combineren we diepgaande technische ervaring met productieklasse data-infrastructuur om ondernemingen te helpen de kloof te overbruggen. Onze symbiotische capaciteiten in training en optimalisatie stellen ons in staat om zowel betere modellen te bouwen als ze succesvol te implementeren.

Kunt u ons door Invisible’s aanpak van RLHF (Reinforcement Learning from Human Feedback) heen loodsen en hoe het verschilt van anderen in de industrie?

Bij Invisible zien we Reinforcement Learning from Human Feedback (RLHF) als meer dan alleen fijnslijpen – het stelt ons in staat om meer geavanceerde aangepaste evaluatie (“eval”) ontwerp te bieden en een verschuiving naar het trainen van modellen met nuance, humane oordeel in plaats van binaire signalen zoals duimen omhoog en omlaag. Terwijl de industrieaanpak vaak prioriteit geeft aan schaal door hoge volumes, lage signaalgegevens, richten wij ons op het verzamelen van gestructureerde, hoge kwaliteit feedback die redenering, context en afwegingen vastlegt. Deze rijkere signalen stellen modellen in staat om effectiever te generaliseren en nauwer aan te sluiten bij humane intentie. Door diepte te prioriteren boven breedte, bouwen we de infrastructuur voor robuustere, aangepaste AI-systemen.

Hoe ziet u de toekomst van AI-menselijke samenwerking, vooral in hoge-inzetbranches zoals financiën, gezondheidszorg of overheidssector?

AI vervangt menselijke expertise niet – het wordt de infrastructuur die het ondersteunt. Ik voorzie een toekomst waarin AI-agenten en menselijke experts samenwerken – waar clinici worden ondersteund door diagnostische copiloten, overheidsagentschappen AI gebruiken om uitkeringen efficiënter te verwerken, en financiële analisten vrij zijn om zich te concentreren op strategie in plaats van spreadsheets. Onze focus ligt op het ontwerpen van systemen waarin AI menselijke capaciteit versterkt, in plaats van deze te verhullen of te overrulen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Invisible Technologies bezoeken.