Neal Lathia, mede-oprichter en CTO van Gradient Labs – Interviewreeks

Neal Lathia, mede-oprichter en CTO van Gradient Labs, is een leider op het gebied van machine learning en data science met bijna twee decennia ervaring in financiële technologie, consumentenplatformen en academisch onderzoek. Voor hij in 2023 Gradient Labs mede-oprichtte, werkte hij meer dan vijf jaar bij Monzo, waar hij opstapte van Senior Data Scientist naar Director of Machine Learning en Staff Machine Learning Engineer, en waar hij machine‑learning‑infrastructuur bouwde en de discipline opschaalde om toepassingen te ondersteunen op het gebied van operaties, financiële criminaliteit en product. Eerder werkte Lathia als Senior Data Scientist bij Skyscanner en bekleedde hij onderzoeksposities aan de University of Cambridge en University College London, waar zijn werk aanbevelingssystemen, gedragsdata, smartphonesensing en gepersonaliseerde digitale diensten onderzocht. Bij Gradient Labs leidt hij nu de technologie achter AI‑agents die zijn ontworpen voor complexe, gereguleerde workflows in de financiële dienstverlening.

Gradient Labs is een in Londen gevestigd AI‑bedrijf dat specialistische autonome agents bouwt voor financiële diensten, met de focus op het automatiseren van klantprocessen die traditioneel veel menselijke betrokkenheid vereisen. Opgericht door voormalige Monzo‑leiders Dimitri Masin, Neal Lathia en Danai Antoniou, ontwikkelt het bedrijf agents voor onder meer leningen en incasso’s, geschillen, Know Your Business (KYB), onboarding, verzekeringsclaims en klantenservice, opererend via spraak, chat en e‑mail, terwijl het compliance‑richtlijnen integreert die zijn ontworpen voor gereguleerde omgevingen. Gradient Labs zegt dat haar technologie nu meer dan 32 miljoen eindgebruikers bedient bij klanten waaronder Wise, Zego, Current, Stash en Rho. In juni 2026 kondigde het bedrijf aan dat het zijn Series‑A‑financiering had uitgebreid tot $26 million terwijl het werkt aan een bredere visie om complexe bank‑ en fintech‑processen te automatiseren met onderling verbonden specialistische AI‑agents.

Je hebt meer dan vijf jaar machine learning gebouwd en geleid bij Monzo voordat je in 2023 Gradient Labs mede-oprichtte. Wat zag je uit de eerste hand bij Monzo dat je overtuigde dat er een kans was om een nieuw bedrijf rond autonome AI‑agents te starten, en waarom maakte de komst van grote taalmodellen die kans mogelijk?

Bij Monzo heb ik jaren ML‑systemen gebouwd die moesten functioneren in een gereguleerde omgeving, waar fouten zeer reële consequenties hebben en alles een audit‑trail vereist. Wat mij het meest beïnvloedde was de noodzaak om maatwerk‑infrastructuur te ontwikkelen, omdat er niets kant‑klaar veilig kon werken onder die strenge voorwaarden. Die ervaring leverde mij twee overtuigingen op. De eerste was dat technologie eindelijk banken kon bevrijden van de operationele last die de sector al tientallen jaren tegenhoudt. De tweede was dat algemene, horizontale AI daar geen impact op zou hebben — de nuance van gereguleerd werk is te specifiek. Toen LLM’s capabel genoeg werden om te redeneren over meerstaps, soms ambiguë klantinteracties, werd het haalbaar om agents te bouwen die volledige gereguleerde workflows end‑to‑end kunnen beheren, in plaats van alleen een mens te assisteren. Die kloof, tussen wat gereguleerde bedrijven daadwerkelijk nodig hebben en wat er al bestaat, is de reden waarom we Gradient Labs zijn gestart en waarom we inzetten op verticale AI die specifiek voor de financiële sector is gebouwd.

Je hebt beschreven wat consumenten ervaren als de “schroffe rand van de ervaring”: een AI‑agent kan een buitengewoon complexe taak uitvoeren terwijl een ander systeem faalt bij iets zo eenvoudigs als het onderscheiden van een telefoonnummer van een naam. Wat veroorzaakt zo’n dramatische kloof tussen AI‑ervaringen wanneer de onderliggende modellen mogelijk even capabel zijn?

Ik zou zeggen dat de kloof meer te maken heeft met hoeveel engineering er in het model wordt gestoken dan met de ruwe modelcompetentie zelf. Als een systeem faalt bij een eenvoudige taak, zoals het verwarren van een telefoonnummer met een naam, betekent dit dat er niet is geïnvesteerd in het raamwerk eromheen, zoals validatie, fallback‑logica, gestructureerde gegevensverwerking, enzovoort. De meer indrukwekkende agent is waarschijnlijk precies voor die taak ge‑engineerd. Het is dezelfde fundamentele modelfamilie, maar met een totaal andere mate van strengheid eromheen, en dat is precies wat leidt tot de schroffe rand.

Naarmate frontier‑modellen blijven verbeteren, waarom blijven ogenschijnlijk eenvoudige AI‑fouten bestaan? Zijn deze voornamelijk beperkingen van de modellen zelf, of fouten in de omringende systeemarchitectuur, data, workflows, evaluatie en productontwerp?

Het is voornamelijk het systeem en niet het model. Frontier‑modellen blijven verbeteren in redeneren. Echter, bedrijven koppelen ze vaak aan systemen die niet zijn ontwikkeld voor probabilistische gedragingen. Er zijn fragiele integraties en onvolledige data in de systemen, zonder een echte evaluatielus voordat wijzigingen worden uitgerold. Dus een eenvoudige AI‑fout in productie is eigenlijk geen AI‑fout, maar een tekortkoming in het investeren in evaluatie, monitoring en workflow‑ontwerpprocessen.

Veel bedrijven lijken AI‑klantenservice te optimaliseren op snelheid, containment of ticket‑deflectie. Welke meetwaarden zouden bedrijven in plaats daarvan moeten gebruiken als ze willen meten of een AI‑agent de klantbeleving daadwerkelijk verbetert?

Hiervoor moeten we de oplossingsnauwkeurigheid in overweging nemen. Snelheid en containment worden gebruikt om te beoordelen of je een klant van de telefoon kreeg, niet of je hun probleem hebt opgelost. Oplossingsnauwkeurigheid, die gebruikt zou moeten worden om de capaciteit van een AI‑agent te meten, kijkt of de agent het juiste deed, in plaats van alleen snel te reageren. Dit werkt samen met andere signalen zoals het percentage herhaalde contacten, het aantal klachten en hoe vaak een mens later moet ingrijpen. Je weet dat je optimaliseert voor het verkeerde resultaat als de afleiding toeneemt, maar de herhaalde contacten en klachten ook stijgen.

Gradient Labs richt zich op gereguleerde financiële diensten, waar een onjuist antwoord veel grotere gevolgen kan hebben dan een typische klantenservicefout. Hoe bepaal je wanneer een AI‑agent betrouwbaar genoeg is om zelfstandig processen te behandelen die betrekking hebben op bijvoorbeeld leningen, geschillen, onboarding of Know Your Customer‑controles?

De standaardroute die de meeste teams verkiezen, is die van co‑pilot: iemand keurt elke actie goed omdat dat veiliger aanvoelt. En de meesten gaan ervan uit dat het veiliger is. Maar in de praktijk, nu de AI de meeste dingen goed doet, keuren beoordelaars zaken goed zonder echt te controleren, en de veiligheid gaat toch verloren. Dit draagt niets bij aan het verminderen van de bestaande werkdruk. Het maakt het alleen sneller en verkleint de waarde die je krijgt.

Daarom is het concept van een voldoende betrouwbare AI‑agent bij Gradient Labs sterk procesafhankelijk. Voor ons moet dit worden ontwikkeld via gefaseerde autonomie en mag het niet worden gezien als één enkel doel om af te vinken. Een agent kan meer zelfstandigheid krijgen bij zaken zoals KYC of geschillen, maar alleen nadat hij is getoetst aan een grote, levende set van echte gevallen, met menselijke beoordeling van een steekproef van zijn beslissingen, zelfs nadat hij in productie is genomen. Interessant genoeg bevestigt dit dat omkeerbaarheid hier echt van belang is. Als iets ongedaan kan worden gemaakt, krijgt het sneller autonomie dan iets dat dat niet kan.

Guardrails worden steeds vaker gepresenteerd als de oplossing om AI‑agents veiliger te maken, maar het toevoegen van meer regels kan systemen ook star maken of voorkomen dat ze legitieme taken uitvoeren. Hoe balanceer je autonomie met guardrails zonder een agent te reduceren tot een andere sterk beperkte chatbot?

De fout is guardrails te behandelen als een muur waar de agent simpelweg van af stuitert. In ons systeem doen ze twee dingen tegelijk. We passen guardrails toe op elke enkele beurt van een gesprek — sommige inspecteren wat de klant zegt, om zaken als kwetsbaarheid, financiële moeilijkheden of een klacht op te vangen, en andere inspecteren wat de agent op het punt staat te zeggen, om naleving te waarborgen. Maar wanneer één wordt geactiveerd, blokkeert het niet alleen: het leidt de agent om naar de juiste procedure, en die beslissing is transparant in de redenering van de agent, zodat operators kunnen zien waarom hij handelde. De diepere guardrails zijn ook ingebouwd in hoe de agent leert over een taak, de gegevens waartoe hij toegang heeft, en de tools die hij kan gebruiken. Die combinatie houdt hem veilig zonder star te maken: de agent begrijpt wat de guardrails zijn en waarom ze bestaan, zodat hij een legitieme taak uitvoert in plaats van alles te weigeren dat slechts lijkt op een niet‑toegestane.

Hier denk ik dat het probleem is dat guardrails worden gezien als een bakstenen muur waar de agent van af stuitert. Meer specifiek voeren we twee verschillende soorten guardrails uit bij elke enkele beurt van een gesprek. Ten eerste hebben we de klant‑guardrails die inspecteren wat de klant zegt en bedoeld zijn om kwetsbaarheden, financiële moeilijkheden, klachten van klanten en soortgelijke zaken op te vangen. Ten tweede hebben we agent‑guardrails die het tegenovergestelde doen en controleren wat de agent zal zeggen voordat het bericht wordt verzonden, om naleving te waarborgen.

Dit betekent dat, in plaats van een actie volledig te blokkeren wanneer een van deze guardrails wordt geactiveerd, deze wordt omgeleid naar het juiste pad. Op deze manier behoudt men transparantie over de besluitvormingsprocessen van de agent en krijgt de menselijke operator de reden voor het nemen van die actie.

We kunnen dit ook doen omdat niet elk aspect van het redeneerproces van een agent moet worden verwerkt door een LLM. Guardrails zoals deze zijn deterministisch omdat ze niet alleen aan het einde van een gesprek worden geactiveerd, maar gedurende de hele levensduur van de agent. Op die manier kunnen we de agent vertrouwen met gevoelige communicatie en maatwerk mogelijk maken voor specifieke agents voor grootschalige en voorspelbare use‑cases.

Wat het belangrijkste is, is hoe de agent wordt geleerd een taak te doordenken, zodat hij toegang heeft tot relevante gegevens en de tools kent die hij moet gebruiken. Het vermogen van de agent om een legitieme taak uit te voeren in plaats van alles te weigeren wat lijkt alsof het niet is toegestaan, draagt bij aan een betere veiligheid en voorkomt starheid.

Waar moeten mensen in de lus blijven terwijl AI‑agents steeds autonomer worden? Zijn er bepaalde beslissingen of klantinteracties waarvan je gelooft dat ze menselijke beoordeling moeten blijven vereisen, ongeacht hoe capabel de onderliggende modellen worden?

Een mens moet betrokken zijn als een beslissing eerlijk oordeel vereist, aanzienlijke gevolgen voor de klant heeft, of te maken heeft met een uitkomst waartegen de agent nog niet is geëvalueerd. De mens hoeft niet per se het hele proces te doen, maar moet waar nodig beoordelen of goedkeuren. Dit zal waarschijnlijk zelfs waar blijven naarmate modellen capabeler worden, omdat het vaak niet gaat om een kwestie van capaciteit, maar om verantwoordelijkheid en het recht van een klant op een menselijke besluitvormer wanneer zaken als kredietresultaten of geschillen aan de orde zijn.

Een mens moet betrokken zijn als een beslissing eerlijk oordeel vereist, aanzienlijke gevolgen voor de klant heeft, of te maken heeft met een uitkomst waartegen de agent nog niet is geëvalueerd. Ik zou dit zelfs een stap verder gaan dan het typische fallback‑model en betogen dat agents steeds meer hun plaats in de organisatiestructuur naast mensen innemen. Hierdoor verschuift de menselijke inspanning naar escalaties en beoordelingsbeslissingen, terwijl agents de coördinatie‑ en routeringswerkzaamheden overnemen.

Maar om dit echt te laten slagen, hebben agents dezelfde institutionele context nodig als een mens, zodat ze weten met wie ze bepaalde kwesties moeten delen en op welk moment. Daarom hebben we Collaborate gebouwd. Om operators, engineers en agents samen te laten werken als peers met versiebeheer, evaluaties en continu leren als kern. Dit zorgt ervoor dat mensen volledig in de lus blijven, en de lus verandert alleen van vorm om rekening te houden met hoe goed de agent en de mens coördineren.

Gradient Labs richt zich op specialistische agents die zijn ontworpen voor specifieke workflows in de financiële dienstverlening in plaats van één algemene agent. Gelooft u dat de toekomst van enterprise‑AI voornamelijk zal bestaan uit netwerken van gespecialiseerde agents, of dat steeds capabelere foundation‑models die specialisatie uiteindelijk minder belangrijk zullen maken?

Ik denk dat, zelfs als basis‑modellen verbeteren, specialisatie nog steeds van belang is. Mensen zullen niet alleen betalen voor een slim model, maar voor evaluaties die specifiek zijn voor de workflow, guardrails en dataintegratie eromheen. En dat werk verdwijnt niet alleen omdat het onderliggende model beter wordt. Ik zie dit als een netwerk van specialistische agents, allemaal gebouwd op een gemeenschappelijk en sterk basis‑model, in plaats van één algemene agent die alles doet.

AI‑agents moeten steeds meer leren en verbeteren na implementatie, maar in gereguleerde omgevingen kan zelfs een kleine gedragsverandering nieuwe risico’s introduceren. Hoe kunnen bedrijven een agent continu verbeteren terwijl ze ervoor zorgen dat updates geen regressies, compliance‑problemen of onverwacht gedrag veroorzaken?

Het principe dat wij hanteren is dat elke update wordt behandeld als een nieuwe modelrelease, niet als een incrementele configuratiewijziging, zodat elke wijziging door een volledige evaluatiesuite gaat voordat deze wordt uitgerold. Dat omvat regressietests tegen precedenten waarbij een fout een reëel verschil zou hebben gemaakt, en niets wordt in één keer live gezet voor alle klanten: we voeren een geleidelijke uitrol uit en monitoren, zodat we bij drift een beperkt deel van het verkeer kunnen opvangen in plaats van op volledige schaal. Dit is precies waar onze recente Collaborate‑release om draait. Collaborate laat operators, engineers en de AI‑agent samenwerken als peers op dezelfde levende definitie van hoe de agent moet denken, met versiebeheer, evaluaties en continu leren direct ingebouwd in de workflow. Dus wanneer iemand verbetert hoe de agent een case afhandelt, wordt die wijziging geversioneerd, getest tegen eerdere gesprekken en uitgerold onder dezelfde controles als elke andere release. Het betekent dat een agent na implementatie beter kan blijven worden zonder dat de verbetering zelf de oorzaak wordt van een regressie of een compliance‑probleem.

Kijkend naar de toekomst, nu de toegang tot krachtige foundation‑models steeds meer een commodity wordt, waar zal het echte concurrentievoordeel in AI‑toepassingen vandaan komen? Zullen de winnaars die met de beste modellen zijn, of diegenen die het beste zijn in het bouwen van betrouwbare systemen en het consequent leveren van goede ervaringen rondom die modellen?

Naarmate meer en meer foundation‑models beginnen te convergeren, zal het voordeel bijna volledig verschuiven naar wie het beste is in het bouwen van betrouwbaardere systemen rond deze modellen, inclusief evaluatie, guardrails, data en workflow‑ontwerp. Het model wordt een commodity‑invoer, maar consistentie en betrouwbaarheid in productie zijn het daadwerkelijke product.

Zelfs daarbuiten zie ik het voordeel meer komen uit hoe diep een agent is ingebed in de operaties van een bedrijf. Agents die zich kunnen integreren in veel verschillende delen van de bedrijfsvoering zullen winnen van tools die slechts specifieke problemen kunnen aanpakken of alleen de front‑line bereiken. Wanneer een agent zowel in front‑line als back‑office systemen kan werken, kan hij meer context bieden aan interacties en complexere problemen end‑to‑end afhandelen, net als een mens. Een agent die past bij de manier waarop een bedrijf daadwerkelijk werkt, is waar ik de blijvende winst verwacht.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht op Gradient Labs.