Matthew Fitzpatrick, administrerende direktør i Invisible Technologies – Intervju-serie

Matthew Fitzpatrick er en erfaren operasjons- og vekstspesialist med dypt kjennskap til å skalerer komplekse arbeidsflyter og team. Med en bakgrunn som omfatter konsulentvirksomhet, strategi og operasjonell ledelse, er han nå administrerende direktør i Invisible Technologies, der han fokuserer på å designe og optimalisere helhetlige forretningsløsninger. Matthew er lidenskapelig opptatt av å kombinere menneskelig talent med automatisering for å drive effisiens i stor skala, og hjelper selskaper med å låse opp transformasjonsmessig vekst gjennom prosessinnovasjon.

Invisible Technologies er et AI-produksjonslag og et entreprise-programvareselskap som hjelper organisasjoner med å bygge, distribuere og skalerer AI-systemer over komplekse forretningsmiljøer. Deres plattform kombinerer AI-drevet programvare, menneskelig ekspertise og operasjonell infrastruktur for å støtte produksjonsarbeidsflytene som er nødvendige for å trene, evaluere og operere avansert AI. Invisible samarbeider med bedrifter for å håndtere kompleks data, automatisere arbeidsflyter og integrere AI i forretningsprosesser, og tilbyr den infrastrukturen og ekspertisen som trengs for å flytte AI-initiativer fra eksperimentering til pålitelig, produksjonsskala distribusjon.

Du gikk nylig fra å lede QuantumBlack Labs i McKinsey til å bli administrerende direktør i Invisible Technologies. Hva var det som dro deg til denne rollen, og hva er det som spenner deg mest om Invisible sin misjon?

I McKinsey hadde jeg privileget til å arbeide i forkant av AI-innovasjon – bygge AI-programvareprodukter, lede FoU-ansats og hjelpe bedrifter med å utnytte kraften i data. Det som dro meg til Invisible Technologies var muligheten til å gjøre det operasjonelt i stor skala med en kombinasjon av et unikt fleksibelt AI-programvareplattform og en ekspertmarkedsplass for menneskelig tilbakemelding – Jeg tror Reinforcement Learning fra menneskelig tilbakemelding (RLHF) er nøkkel til nøyaktig og pålitelig GenAI-implementering. Invisible støtter AI over hele verdikjeden, fra datarensing og datainntasting til kjedetankning og tilpassede evalueringer. Vår misjon er enkel: kombinere menneskelig intelligens og AI for å hjelpe bedrifter med å levere på AI sitt potensiale, som i bedriftssektoren har vært mye harder enn de fleste mennesker forventet.

Du har ledet 1 000+ ingeniører og skalert multiple AI-produkter over bransjer. Hva er lærdommene fra McKinsey som du anvender på Invisible sin neste vekstfase?

To lærdommer står ut. Først er vellykket AI-tilpasning like mye om organisatorisk transformasjon som det er om teknologi. Du trenger riktige mennesker og prosesser på plass – i tillegg til gode modeller. Andre er at selskapene som vinner i AI er de som behersker “siste mil” – overgangen fra eksperimentering til produksjon. I Invisible anvender vi samme rigor og struktur for å hjelpe kunder med å flytte seg fra piloter og inn i produksjon, og levere reell forretningsverdi.

Du har sagt at “2024 var året for AI-eksperimentering, og 2025 handler om å realisere ROI.” Hva er de spesifikke trendene du ser blant bedrifter som faktisk oppnår denne ROI?

Bedrifter som ser reell ROI i år gjør tre ting godt. Først er de tilpasset AI-bruksområder tett til kjerneforretnings-KPI-er – som operasjonell effisiens eller kundetilfredshet. Andre er at de investerer i bedre kvalitet på data og menneskelig tilbakemeldingsløkker for å kontinuerlig forbedre modellprestasjon. Tredje er at de flytter fra generiske løsninger til tilpassede, domenespesifikke systemer som reflekterer kompleksiteten i deres miljøer. Disse selskapene er ikke bare testende AI – de skalerer det med formål.

Hvordan er etterspørselen etter domenespesifikk og PhD-nivå data-merking i utvikling over foundation model-leverandører som AWS, Microsoft (MSFT ), og Cohere?

Vi ser en økning i etterspørsel etter spesialisert merking når foundation model-leverandører går inn i mer komplekse vertikaler. I Invisible har vi en 1% årlig akseptansesats på vår ekspertpool, og 30% av våre trenere har master- eller PhD-grad. Denne dypte ekspertisen er stadig mer nødvendig – ikke bare for å annotere data nøyaktig, men for å gi nyansert, kontekst-avhengig tilbakemelding for å forbedre resonnering, nøyaktighet og tilpasning. Etterhvert som modellene blir smartere, blir standarden for å trene dem høyere.

Invisible er i forkant av agens AI, med fokus på beslutningstaking i virkelige arbeidsflyter. Hva er din definisjon av agens AI, og hvor ser vi mest løfte?

Agens AI refererer til systemer som ikke bare responderer på instruksjoner – de planlegger, tar beslutninger og handler innenfor definerte rammer. Det er AI som oppfører seg mer som en teamkollega enn et verktøy. Vi ser mest fremgang i høyt-volum, komplekse arbeidsflyter: som kundestøtte og forsikringskrav, for eksempel. I disse områdene kan agens AI redusere manuelt arbeid, øke konsistens og levere resultater som ellers ville kreve store menneskelige team. Det handler ikke om å erstatte mennesker – i stedet utvikler vi dem med intelligente agenter som kan håndtere det repetitive og det rutinemessige.

Kan du dele eksempler på hvordan Invisible trener modeller for kjedetankning og hvorfor det er kritisk for bedrifts-distribusjon?

Kjedetankning (CoT) har låst opp nytt potensiale for bedrifts-AI. I Invisible trener vi modeller til å resonnere trinnvis, som er essensielt når det er høye innsatser – enten du diagnostiserer en pasient, analyserer en kontrakt eller validerer en finansiell modell. CoT forbedrer ikke bare gjennomsiktighet, men også feilsøking, finjustering og ytelsesforbedring uten massive nye datasamlinger. Vi har sett ledende modeller som Gemini, Sonnet og Grok begynne å avsløre sine resonnementbane, som gjør det mulig for oss å observere ikke bare hva modellene produserer, men hvordan de kommer dit. Dette legger grunnlaget for mer avanserte metoder som Tree of Thought (der modeller evaluere flere mulige resonnementbaner før de avgjør en løsning) og Selv-konsistens (der flere resonnementbaner utforskes).

Invisible støtter trening over 40+ programmeringsspråk og 30+ menneskespråk. Hvor viktig er kulturell og språklig presisjon i å bygge globalt skalerbart AI?

Det er kritisk. Språk er ikke bare om oversettelse – det handler om kontekst, nyanser og kulturelle normer. Hvis en modell misforstår tone eller glemmer regional variasjon, kan det føre til dårlige brukeropplevelser eller til og med compliance-risiko. Våre flerspråklige trenere er ikke bare flytende – de er innlejret i kulturene de representerer.

Hva er de vanlige feilpunktene når selskaper prøver å skalerer fra proof of concept til produksjon, og hvordan hjelper Invisible med å navigere denne “siste milen”?

De fleste AI-modeller kommer aldri til produksjon fordi selskaper underskatter den operative anstrengelsen som er nødvendig. De mangler ren data, robuste evalueringprotokoller og en strategi for å innlemme modeller i virkelige arbeidsflyter. I Invisible kombinerer vi dypt teknisk erfaring med produksjonsgradert data-infrastruktur for å hjelpe bedrifter med å brolegge gapet. Våre symbiotiske evner i trening og optimalisering gjør det mulig for oss å både bygge bedre modeller og distribuere dem med suksess.

Kan du gå gjennom Invisible sin tilnærming til RLHF (Reinforcement Learning fra menneskelig tilbakemelding) og hvordan det forskjeller seg fra andre i bransjen?

I Invisible ser vi på Reinforcement Learning fra menneskelig tilbakemelding (RLHF) som mer enn bare finjustering – det tillater mer sofistikert tilpasset evaluering (“eval”) design, og en overgang mot å trene modeller med nyansert menneskelig dømmekraft i stedet for binære signaler som tummer opp og ned. Mens bransje-tilnærmingene ofte prioriterer skala gjennom høy-volum, lav-signaldatabasen, fokuserer vi på å samle inn strukturert, høykvalitets tilbakemelding som fanger resonnering, kontekst og kompromisser. Denne rikere signalen gjør det mulig for modellene å generalisere mer effektivt og tilpasse seg menneskelig intensjon nærmere. Ved å prioritere dybde over bredde, bygger vi infrastrukturen for mer robuste, tilpassede AI-systemer.

Hvordan forestiller du deg fremtiden for AI-menneskelig samarbeid utvikler seg, spesielt i høyrisiko-områder som finansielle tjenester, helse eller offentlig sektor?

AI erstatter ikke menneskelig ekspertise – det blir infrastrukturen som støtter det. Jeg forestiller meg en fremtid hvor AI-agenter og menneskelige eksperter arbeider i tandem – hvor kliniske ansatte støttes av diagnostiske co-piloter, myndigheter bruker AI til å sortere fordeler mer effektivt, og finansielle analytikere er fri til å fokusere på strategi i stedet for regneark. Vår fokus er å designe systemer hvor AI forbedrer menneskelig evne, i stedet for å skjule eller overstyre det.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Invisible Technologies.