Jeffrey Lai, grunnlegger og administrerende direktør i IrisGo – Intervju-serie

Jeffrey Lai, grunnlegger og administrerende direktør i IrisGo, er en AI-entrepreneur og produktleder med dype røtter i intelligente assistenter og språkteknologier. Før han startet IrisGo i 2025 og tjenestegjorde som grunnlegger i AI Fund, tilbragte Lai mer enn 12 år i Apple (AAPL ), der han hjalp til å bygge og skalerer Siri, og til slutt tjenestegjorde som Siris språk-teknologi-leder. Hans arbeid konsentrerte seg om å fremme flerspråklig konversasjons-AI, inkludert utviklingen av den kinesiske versjonen av Siri. Før Apple, hadde han ingeniørstillinger i Cisco Systems (CSCO ) og fullførte en praktikantperiode med Intelligent Robotics Group ved NASA Ames Research Center. Med en karriere som spenner over robotikk, bedriftsprogramvare og forbruker-AI, har Lai konsistently fokusert på å gjøre komplekse teknologier mer tilgjengelige og nyttige i hverdags-arbeidsflyten.

IrisGo utvikler et AI-operativsystem designet for den nye generasjonen av AI-drevne personlige datamaskiner. I stedet for å fungere som en selvstendig chatbot, er plattformen bygget for å observere hvordan brukerne utfører oppgaver over applikasjoner, lære disse arbeidsflytene og automatisere dem gjennom en intelligent på-enhet-assistent. Dets kjerne-tilnærming sentrerer seg på å la brukerne demonstrere en oppgave en gang og deretter konvertere den prosessen til en gjenbrukbar arbeidsflyt, og hjelpe med å redusere gjentakende digitalt arbeid. Ved å utnytte dedikert AI-prosesseringskapasitet funnet i moderne AI-PC-er, har IrisGo som mål å aktivere mer private, responsiv og kontekst-bevisst automatisering, og posisjonerer seg innen den voksende markedet for agens-AI-systemer som kan aktivt utføre oppgaver på vegne av brukerne, i stedet for bare å gi anbefalinger.

Etter å ha hjulpet til å bygge Siri hos Apple, hva var de spesifikke erfaringene som overbeviste deg om at det var på tide å starte IrisGo, og hva var det avgjørende problemet i menneske-datamaskin-interaksjonen som du følte forblev uløst?

Da vi bygde Siri, var vi usedvanlig fokusert på naturlig språk-forståelse. Men Siri kjempet med kontekst, som er utfordrende fordi måten mennesker faktisk arbeider og kommuniserer er full av implisitt kontekst. Når du spør en kollega “Kan du sende meg den rapporten?” vet de hvilken rapport. De vet din felles historie, ditt nåværende prosjekt, hva du har diskutert. Siri hadde ikke det.

I mange år har AI blitt designet for å reagere på deg. Skriv noe inn, få noe tilbake. Det er interaksjonsmodellen vi har arvet fra søkemotorer og chatbot-er. Men det meste av hva mennesker faktisk gjør på en datamaskin, er ikke et spørsmål, det er en arbeidsflyt. Kompilér denne rapporten. Kryss-referanse disse regnearkene. Trek data fra tre forskjellige apper og formatér det inn i et dokument. Den type arbeid passer ikke inn i en prompt.

Hva overbeviste meg om å starte IrisGo var å innse at industrien ikke bygde for hverdags-brukstilfeller. Alle bygde smartere modeller, bedre språk-forståelse, raskere responser. Men det grunnleggende gapet, der AI faktisk kan gjøre arbeidet, og ikke bare reagere på forespørsler, var fortsatt der. Det er problemet vi satte oss for å løse.

Se tilbake på dine år med å arbeide på Siri, hva var de største lærdommene du lærte om begrensningene til tale-assistenter, særlig når det gjelder å forstå kontekst, intensjon og bruker-atferd?

Den største lærdommen jeg lærte er at kontekst er alt. Mennesker kommuniserer sjelden i isolerte kommandoer; deres forespørsler formas av hva de arbeider med og hva de prøver å oppnå. Tidlige tale-assistenter var designet rundt å svare på enkelt-forespørsler, som fungerer bra for mange oppgaver, men er mindre effektive for pågående arbeid som omfatter flere applikasjoner og arbeidsflyter. Den erfaringen lærte meg at å forstå intensjon krever å forstå kontekst, og at innsikten ble en av de grunnleggende idéene bak IrisGo.

Hva vi lærte er at intensjon ofte er lagd. Noen sier en ting og mener en annen, og å få det riktig krever å forstå personen, ikke bare ordene. Den forståelsen er innbygd i IrisGo fra begynnelsen.

IrisGo blir ofte beskrevet som et AI-operativsystem i stedet for en AI-assistent. Hva er forskjellen, og hvorfor tror du industrien trenger et nytt programvare-lag for AI-PC-æraen?

En AI-assistent venter på deg. Du åpner den, du skriver noe, den responderer, og deretter er den ferdig. Interaksjonsmodellen er essensielt den samme som en søkemotor, der brukeren gjør en forespørsel og AI genererer en respons.

IrisGo, som er et AI-operativsystem, arbeider sammen med alt du gjør, over hele systemet, hele tiden. Det har tilgang til dine filer, dine apper, din nettleser, din e-post. Det forstår hvordan du arbeider fordi det har vært å se på, med din tillatelse. Og kanskje mest kritisk, kan det handle, ikke bare råd.

Tenk på hva Windows gjorde for personlig datamaskin. Før det, måtte du være teknisk for å bruke en datamaskin. Windows skapte et universelt, intuitivt lag mellom mennesker og programvare. AI-PC-æraen trenger sin egen versjon av det laget, og tar den rå kraften av AI-modeller og gjør dem virkelig nyttige for mennesker som gjør sitt dag-til-dag-arbeid.

Det er hva IrisGo er: intelligens-laget til AI-PC-en. Når du skiper AI-PC-er uten det laget, har du bare en kraftig chip som står inaktiv. Hva du trenger er programvare som vet hvordan å sette den i arbeid på vegne av personen som bruker den.

En av IrisGos kjerne-idéer er at brukerne kan lære systemet en oppgave gjennom en enkelt demonstrasjon. Hvorfor tror du “se og lære” er en mer naturlig modell enn å promotere eller manuelt bygge arbeidsflyter?

Hva gjør “Se og Lær”-funksjonen så kraftig er at den er basert på hvordan vi faktisk lærer hverandre. Når du tar inn en ny ansatt, skriver du ikke en 40-trinns prompt. Du viser dem hvordan du gjør noe en gang, de ser på, de lærer, og de tar det fra der. Det er intuitivt. Det er naturlig.

Problemet med å promotere er at det legger byrden på brukeren til å artikulere nøyaktig hva de vil, i et format AI kan forstå. For enkle forespørsler fungerer det bra. Men hva med komplekse, multi-trinns arbeidsflyter som involverer dine spesifikke filer og din spesifikke måte å gjøre ting på? Det kan bryte sammen raskt. De fleste mennesker kan ikke beskrive sine arbeidsflyter med tilstrekkelig presisjon til å promotere en AI til å gjøre dem riktig.

Å vise er lettere enn å fortelle. Det er ikke en ny innsikt; det er sunn fornuft. Hva “Se og Lær” gjør er å anvende den logikken til automatisering. Du gjør din oppgave en gang, på din vanlige måte. IrisGo lærer mønsteret. Og fra det punktet håndterer den arbeidsflyten for deg.

Mange AI-agenter i dag krever betydelig oppsett og overvåking. Hva skiller en virkelig autonom agent fra en chatbot som bare følger instruksjoner?

Det korte svaret er at en virkelig autonom agent har sin egen kontekst, tar sine egne avgjørelser, og fortsetter å arbeide selv når du ikke ser på.

En chatbot er reaktiv av design. Den lever og dør av prompten. Du gir den en instruks, den utfører, og deretter stopper den. Hvis noe endres, hvis et trinn feiler, eller hvis den må tilpasse seg, blir den forvirret. Den vil spørre deg hva du skal gjøre neste.

En virkelig autonom agent har et mål, ikke bare en instruks. Den har kontekst om miljøet den opererer i. Den kan håndtere unntak. Den kan bestemme om å fortsette, prøve igjen eller flagge noe for menneskelig gjennomgang. Og viktigst, kan den kjøre i bakgrunnen mens du arbeider på andre ting.

Det meste av hva som selges som “AI-agenter” i dag er virkelig sofistikerte chatbot-er med ekstra trinn. Gapet mellom disse produktene og virkelig autonomi er enormt. Hva gjør IrisGo forskjellig er at det starter fra en modell av hvordan du arbeider, lært direkte fra å se på deg, og bruker det til å ta de riktige avgjørelsene, ikke bare følge instruksjoner.

Du har talt om viktigheten av varig minne og lokal kontekst. Hvorfor er disse evnene essensielle hvis AI skal gå ut over å svare på spørsmål og begynne å handle på vegne av en bruker?

Forestall deg å ansette en assistent som, hver eneste morgen, har ingen minne om hvem du er, hva du arbeider med, eller hvordan du foretrekker å gjøre ting. Du ville tilbringe halve dagen med å forklare kontekst, og du ville bli ekstremt frustrert. Det er essensielt hva de fleste AI-verktøy ber deg om å gjøre i dag.

Varig minne betyr at systemet kjenner deg. Det kjenner dine prosjekter, dine arbeidsflyter, dine preferanser, og hvordan ting har utviklet seg over tid. Du trenger ikke å etablere kontekst hver sesjon. AI bærer den videre.

Lokal kontekst er like kritisk, fordi ditt arbeid ikke bor i skyen. Det bor på din datamaskin, i filer, applikasjoner, e-post, nettleser-faner. IrisGo kjører på din enhet, som betyr at det har tilgang til hele din arbeidsmiljø og kan operere på vegne av deg over hele.

Disse to ting sammen — minne og lokal tilgang — er hva som lar AI slutte å være et verktøy du bruker og begynne å bli et system som arbeider for deg. Vi ser mer av tech-industrien begynne å anerkjenne viktigheten av denne tilnærmingen, inkludert de store tech-selskapene, så det er en klar validering av vår tilnærming.

Personvern er fortsatt en av de største bekymringene omkring AI. Hvordan balanserer du behovet for personlig tilpasning og minne med bruker-forventninger om sikkerhet og data-eierskap?

Antagelsen at personvern og tilpasning er i spenning er det første å utfordre. Vi bygde IrisGo så at tilpasning kan skje på-enhet, ikke bare i skyen.

Det meste av IrisGos prosessering skjer lokalt, på din datamaskin. Dine arbeidsflyter, dine filer, din kontekst, alt det forblir hos deg. Sky-prosessering skjer bare når du uttrykkelig autoriserer det, og når det skjer, er det kryptert fra ende til ende. Du er i kontroll over hva som går hvor.

Denne modellen gjør IrisGo mer kraftig, fordi det har tilgang til full kontekst av din arbeidsmiljø. Og det betyr at brukere ikke må velge mellom et nyttig AI og et sikkerhets-tilpasset AI.

Mennesker stoler på sine personlige datamaskiner med sensitive arbeidsoppgaver. Vårt mål er å gjøre IrisGo verdig av den samme tilliten. Dette er fundamentalt for hvordan produktet er designet.

IrisGo er allerede blitt levert på AI-PC-er fra Acer, med planer om å utvide til flere produsenter. Hvor viktig tror du distribusjons-partnerskap vil være i å bestemme hvilke AI-plattformer som til slutt når mainstream-aksept?

Distribusjon er absolutt kritisk for mainstream-aksept. Bare se på historien til plattform-konkurransen i tech. Windows vant fordi det var på nesten hver PC. Android vant fordi det var det mest brukte operativsystemet for mobile enheter som ikke var iPhones. Selskapene som prøvde å vinne gjennom ren produkt-kvalitet, uten distribusjon til å støtte det, gjorde det ikke.

AI-PC-markedet følger en lignende mønster. Når IrisGo er forhåndsinstallert på en enhet, er det der når du åpner esken. Du trenger ikke å søke etter det, laste det ned eller bestemme deg for å gi det en sjanse. Det er en enorm fordel.

Vi er allerede i 3 millioner Acer-bærbare datamaskiner som vil bli levert i år, og vi er i samtaler med flere topp-nivå PC-produsenter. Målet er å være AI-operativsystemet for PC-er som standard. Den distribusjons-strategien er sentral for hvordan vi blir standarden i denne kategorien.

Når AI-agenter blir i stand til å håndtere fakturaer, forskning, rapportering og andre forretnings-arbeidsflyter, hva nye styrings-, overvåkings- og tillits-utfordringer bør organisasjoner forberede seg på i dag?

Den første utfordringen er overvåkbarhet. Når en AI-agent fullfører en arbeidsflyt, som for eksempel å prosessere en faktura eller generere en rapport, kan du se hva den gjorde, hvorfor den gjorde det, og hvor dataene kom fra? Den type gjennomsiktig overvåkings-spor er essensielt for overholdelse og for å fange feil før de forverres.

Den andre er å definere grenser. Hvilke arbeidsflyter er egnet for autonom utførelse, og hvilke krever menneskelig gjennomgang? Selskaper trenger klare politikker rundt dette. Tendensen er å la AI gjøre mer og mer, inkrementelt, og deretter innse for sent at høyrisk-decisjoner tas uten tilstrekkelig overvåkning.

Tredje er tillits-justering. Ansatte må forstå hva AI kan og ikke kan gjøre, og når de må verifisere utgangen i stedet for å anta det er riktig. Det er en kultur- og opplærings-utfordring like mye som en teknisk.

Jeg tror at organisasjonene som forbereder seg på dette i dag vil ha en betydelig fordel, fordi når AI-evnen vokser, vil også flere styrings-rammer vokse.

Om fem år, tror du mennesker vil fortsatt tilbringe mesteparten av sin tid med å interagere med AI gjennom chat-grensesnitt, eller vil AI øke i bakgrunnen og proaktivt fullføre arbeid uten å bli bedt?

Trajektoren er allerede synlig og viser at AI vil øke i bakgrunnen. Modellen vi bygger mot er en der din datamaskin forstår ditt arbeid og tar seg av de rutinemessige delene, så din oppmerksomhet frigjøres for tingene som faktisk krever deg.

Tenk på hvordan autopilot fungerer i luftfart. Piloter er ikke manuelt involvert hver eneste sekund av hver flytur. Systemet håndterer grunnlaget, og mennesket engasjeres når dømmekraft og ekspertise er nødvendig. Det er fremtiden for AI-assistert kunnskaps-arbeid. Din datamaskin håndterer de repetitive, regel-baserte arbeidsflytene. Du fokuserer på strategi, kreativitet og avgjørelser som krever virkelig menneskelig dømmekraft.

Om fem år, vil de mest produktive menneskene være de som er sammen med systemer som forstår hvordan brukeren opererer. I fortiden gjorde mennesker allt arbeidet på sine datamaskiner. I fremtiden vil din datamaskin også gjøre arbeid for deg.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke IrisGo.