Neal Lathia, współzałożyciel i CTO Gradient Labs – seria wywiadów

Neal Lathia, współzałożyciel i CTO Gradient Labs, jest liderem w dziedzinie uczenia maszynowego i data science z prawie dwudziestoletnim doświadczeniem obejmującym technologię finansową, platformy konsumenckie i badania akademickie. Przed współzałożeniem Gradient Labs w 2023 roku spędził ponad pięć lat w Monzo, awansując od Senior Data Scientist do Dyrektora ds. Uczenia Maszynowego oraz Starszego Inżyniera Uczenia Maszynowego, gdzie budował infrastrukturę ML i pomagał skalować tę dziedzinę, aby wspierać aplikacje w obszarach operacji, przestępczości finansowej i produktu. Wcześniej Lathia pracował jako Senior Data Scientist w Skyscanner oraz pełnił stanowiska badawcze na University of Cambridge i University College London, gdzie jego prace dotyczyły systemów rekomendacji, danych behawioralnych, sensingu smartfonów oraz spersonalizowanych usług cyfrowych. W Gradient Labs obecnie kieruje technologią stojącą za agentami AI przeznaczonymi do złożonych, regulowanych przepływów pracy w usługach finansowych.

Gradient Labs to londyńska firma AI budująca specjalistyczne autonomiczne agenty dla usług finansowych, koncentrująca się na automatyzacji operacji obsługi klienta, które tradycyjnie wymagają znacznego udziału człowieka. Firma została założona przez byłych liderów Monzo: Dimitri Masin, Neal Lathia i Danai Antoniou, i opracowuje agenty dla obszarów takich jak pożyczki i windykacja, spory, Know Your Business (KYB), onboarding, roszczenia ubezpieczeniowe oraz obsługa klienta, działające w kanałach głosowych, czatowych i e-mailowych, przy jednoczesnym uwzględnianiu zabezpieczeń zgodności zaprojektowanych dla regulowanych środowisk. Gradient Labs twierdzi, że ich technologia obsługuje ponad 32 miliony końcowych użytkowników wśród klientów takich jak Wise, Zego, Current, Stash i Rho. W czerwcu 2026 roku firma ogłosiła, że rozszerzyła finansowanie serii A do $26 millionów, dążąc do szerszej wizji automatyzacji złożonych operacji bankowych i fintechowych przy użyciu połączonych, specjalistycznych agentów AI.

Spędziłeś ponad pięć lat budując i prowadząc uczenie maszynowe w Monzo przed współzałożeniem Gradient Labs w 2023 roku. Co zobaczyłeś na własne oczy w Monzo, co przekonało Cię, że istnieje możliwość założenia nowej firmy wokół autonomicznych agentów AI, i dlaczego pojawienie się dużych modeli językowych uczyniło tę szansę możliwą?

W Monzo spędziłem lata budując systemy ML, które musiały działać w regulowanym środowisku, gdzie błędy mają bardzo realne konsekwencje, a wszystko wymaga ścieżki audytu. Najbardziej wpłynęło na mnie potrzeba opracowania własnej infrastruktury, ponieważ żadne gotowe rozwiązanie nie mogło działać bezpiecznie przy tak surowych ograniczeniach. To doświadczenie pozostawiło mnie z dwoma przekonaniami. Pierwsze było takie, że technologia może w końcu uwolnić banki od operacyjnego ciężaru, który hamował branżę przez dziesięciolecia. Drugie było, że ogólnego przeznaczenia, poziome AI nie zrobi w tym różnicy — niuanse regulowanej pracy są zbyt specyficzne. Kiedy LLM stały się wystarczająco zdolne, by rozumować w wieloetapowych, czasem niejednoznacznych interakcjach z klientem, stało się możliwe budowanie agentów, którzy mogą zarządzać całymi regulowanymi przepływami pracy od początku do końca, a nie tylko wspomagać człowieka w ich realizacji. Ta luka, między tym, czego naprawdę potrzebują regulowane firmy, a tym, co już istnieje, jest powodem, dla którego założyliśmy Gradient Labs i postawiliśmy na pionową AI budowaną specjalnie dla finansów.

Opisałeś, że konsumenci doświadczają „zębatego brzegu doświadczenia”: agent AI może wykonać niezwykle złożone zadanie, podczas gdy inny system zawodzi przy tak prostym zadaniu, jak odróżnienie numeru telefonu od imienia. Co tak naprawdę powoduje tak dramatyczną różnicę między doświadczeniami AI, gdy podstawowe modele mogą być podobnie zdolne?

Powiedziałbym, że różnica wynika bardziej z tego, ile inżynierii wkłada się w model, niż z samej kompetencji modelu. Jeśli system zawodzi przy prostym zadaniu, takim jak pomylenie numeru telefonu z imieniem, oznacza to, że nie zainwestowano w otaczające go ramy, takie jak walidacja, logika awaryjna, obsługa danych strukturalnych itp. Bardziej imponujący agent został prawdopodobnie zaprojektowany precyzyjnie pod jego zadanie. To ta sama podstawowa rodzina modeli, ale z zupełnie innym poziomem rygoru wokół niej, i to właśnie prowadzi do zębatego brzegu.

W miarę jak modele na pograniczu postępują dalej, dlaczego wydają się utrzymywać podstawowe awarie AI? Czy są to głównie ograniczenia samych modeli, czy awarie w otaczającej architekturze systemu, danych, przepływach pracy, ocenie i projektowaniu produktu?

To głównie system, a nie model. Modele na pograniczu nadal poprawiają się w rozumowaniu. Jednak firmy często łączą je z systemami, które nie zostały opracowane pod kątem zachowań probabilistycznych. W systemach istnieją kruche integracje i niekompletne dane, bez rzeczywistej pętli oceny przed wdrożeniem zmian. Dlatego podstawowa awaria AI w produkcji nie jest tak naprawdę awarią AI, lecz awarią w inwestowaniu w ocenę, monitorowanie i procesy projektowania przepływów pracy.

Wiele firm zdaje się optymalizować obsługę klienta AI pod kątem szybkości, zatrzymania problemu lub odciągania zgłoszeń. Jakie metryki powinny firmy stosować zamiast tego, jeśli chcą zmierzyć, czy agent AI naprawdę poprawia doświadczenie klienta?

Aby to zrobić, musimy wziąć pod uwagę dokładność rozwiązywania. Szybkość i ograniczanie są używane do oceny, czy udało się odciągnąć klienta od telefonu, a nie czy udało się rozwiązać jego problemu. Dokładność rozwiązywania, którą należy stosować do pomiaru zdolności agenta AI, będzie oceniać, czy agent zrobił to, co było właściwe, a nie tylko odpowiedział szybko. Będzie to współgrało z innymi sygnałami, takimi jak wskaźnik powtórnych kontaktów, liczba skarg oraz częstotliwość interwencji człowieka po rozmowie. Zrozumiesz, że optymalizujesz niewłaściwy rezultat, jeśli odrzucenie rośnie, ale jednocześnie zwiększają się powtórne kontakty i skargi.

Gradient Labs koncentruje się na regulowanych usługach finansowych, gdzie nieprawidłowa odpowiedź może mieć znacznie poważniejsze konsekwencje niż typowy błąd obsługi klienta. Jak określić, kiedy agent AI jest wystarczająco niezawodny, aby samodzielnie obsługiwać procesy obejmujące takie obszary jak udzielanie kredytów, spory, onboarding czy weryfikację Know Your Customer?

Domyślną drogą, którą większość zespołów woli obrać, jest rola współpilota: ktoś zatwierdza każde działanie, ponieważ wydaje się to bezpieczniejsze. I większość zakłada, że tak jest. Jednak w rzeczywistości, gdy AI poprawnie wykonuje większość zadań, recenzenci zatwierdzają je bez rzeczywistego sprawdzania, a bezpieczeństwo i tak zostaje utracone. Nie zmniejsza to istniejącego obciążenia pracy. Po prostu przyspiesza proces i obniża uzyskiwaną wartość.

Dlatego pojęcie, że agent AI jest wystarczająco niezawodny, jest w Gradient Labs ściśle zależne od procesu. Dla nas musi być rozwijany poprzez stopniową autonomię i nie może być postrzegany jako jedyny cel do odhaczenia. Agent może otrzymać większą niezależność w obszarach takich jak KYC czy spory dopiero po tym, jak zostanie porównany z dużym, aktualnym zestawem rzeczywistych przypadków, przy jednoczesnym przeglądzie ludzkim wybranej próbki jego decyzji, nawet po wdrożeniu do produkcji. Co ciekawe, potwierdza to, że odwracalność ma tutaj naprawdę duże znaczenie. Jeśli coś da się cofnąć, zyska autonomię szybciej niż to, czego nie da się odwrócić.

Barierki są coraz częściej przedstawiane jako rozwiązanie zwiększające bezpieczeństwo agentów AI, ale dodawanie kolejnych reguł może również uczynić systemy sztywnymi lub uniemożliwić im realizację prawidłowych zadań. Jak zrównoważyć autonomię z barierkami, nie sprowadzając agenta do kolejnego silnie ograniczonego chatbota?

Błędem jest traktowanie barierek jako ściany, od której agent po prostu odbija się. W naszym systemie pełnią one dwie funkcje jednocześnie. Stosujemy barierki przy każdym pojedynczym kroku rozmowy — niektóre analizują, co mówi klient, aby wykryć takie kwestie jak podatność, trudności finansowe lub skarga, a inne sprawdzają, co agent zamierza powiedzieć, aby zapewnić zgodność. Gdy jednak barierka zostaje uruchomiona, nie blokuje jedynie: przekierowuje agenta do właściwej procedury, a decyzja ta jest przejrzysta w uzasadnieniu agenta, dzięki czemu operatorzy mogą zobaczyć, dlaczego podjął taką akcję. Głębsze barierki są również wbudowane w sposób, w jaki agent jest uczony myślenia o zadaniu, w dostępne mu dane oraz w narzędzia, z których może korzystać. To połączenie zapewnia bezpieczeństwo bez sztywności: agent rozumie, czym są barierki i dlaczego istnieją, dzięki czemu realizuje prawidłowe zadanie zamiast odrzucać wszystko, co jedynie przypomina niedozwolone.

Uważam, że problem polega na postrzeganiu barierek jako ceglanej ściany, od której agent się odbija. Dokładniej, przy każdym kroku rozmowy stosujemy dwa różne rodzaje barierek. Po pierwsze, mamy barierki klienta, które analizują, co klient mówi i mają wykrywać podatności, trudności finansowe, skargi klientów i podobne sytuacje. Po drugie, mamy barierki agenta, które działają odwrotnie i sprawdzają, co agent zamierza powiedzieć przed wysłaniem wiadomości, aby zapewnić zgodność.

Oznacza to, że zamiast całkowicie blokować działanie, gdy jedna z barierek zostanie uruchomiona, przekierowuje je na właściwą ścieżkę. Dzięki temu zachowuje się przejrzystość procesów decyzyjnych agenta i dostarcza operatorom ludzkim powód podjęcia danej akcji.

Możemy to także zrobić, ponieważ nie każdy element procesu rozumowania agenta musi przechodzić przez model językowy (LLM). Barierki tego rodzaju są deterministyczne, ponieważ nie uruchamiają się jedynie pod koniec rozmowy, lecz wyzwalają się w trakcie całego życia agenta. Dzięki temu możemy zaufać agentowi w zakresie wrażliwej komunikacji i umożliwić dostosowanie konkretnych agentów do zastosowań na dużą skalę w przewidywalny sposób.

Najważniejsze jest to, w jaki sposób agent jest uczony rozwiązywania zadania od samego początku, zapewniając mu dostęp do odpowiednich danych i znajomość potrzebnych narzędzi. Ta zdolność agenta do realizacji prawidłowego zadania, zamiast odmawiania podjęcia czegokolwiek, co wydaje się niedozwolone, pomaga zwiększyć bezpieczeństwo i uniknąć sztywności.

Gdzie ludzie powinni pozostać w pętli, gdy agenci AI stają się coraz bardziej autonomiczni? Czy istnieją określone decyzje lub interakcje z klientami, które według Ciebie powinny nadal wymagać ludzkiego osądu, niezależnie od tego, jak zdolne staną się podstawowe modele?

Człowiek musi być zaangażowany, jeśli decyzja wymaga uczciwej dyskrecji, ma istotne konsekwencje dla klienta lub dotyczy wyniku, którego agent nie został jeszcze oceniony. Człowiek nie musi koniecznie wykonywać całego zadania, ale powinien je przeglądać lub zatwierdzać w razie potrzeby. To prawdopodobnie będzie prawdziwe nawet w miarę rosnących możliwości modeli, ponieważ często nie chodzi o zdolność, lecz o odpowiedzialność i prawo klienta do decyzji podjętej przez człowieka, gdy w grę wchodzą takie kwestie jak wyniki kredytowe czy spory.

Człowiek musi być zaangażowany, jeśli decyzja wymaga uczciwej dyskrecji, ma istotne konsekwencje dla klienta lub dotyczy wyniku, którego agent nie został jeszcze oceniony. Idę nawet dalej niż typowy model awaryjny, argumentując, że agenci coraz częściej zajmują miejsce w strukturze organizacyjnej obok ludzi. W efekcie wysiłki ludzkie są coraz częściej skierowane na eskalacje i decyzje wymagające oceny, pozostawiając agentom koordynację i routing.

Aby to naprawdę się powiodło, agenci potrzebują takiego samego kontekstu instytucjonalnego, jaki ma człowiek, aby wiedzieli, kogo włączyć w określone kwestie i w jakim czasie. Dlatego stworzyliśmy Collaborate. Pozwala on operatorom, inżynierom i agentom współpracować jako równi partnerzy, z kontrolą wersji, ocenami i ciągłym uczeniem się w centrum procesu. Dzięki temu ludzie pozostają w pełni w pętli, a pętla po prostu zmienia kształt, aby uwzględnić, jak dobrze agent i człowiek koordynują się ze sobą.

Gradient Labs koncentruje się na specjalistycznych agentach zaprojektowanych dla konkretnych przepływów pracy w usługach finansowych, a nie na jednym, uniwersalnym agencie. Czy uważasz, że przyszłość AI w przedsiębiorstwach będzie głównie składać się z sieci wyspecjalizowanych agentów, czy też coraz potężniejsze modele bazowe ostatecznie sprawią, że specjalizacja stanie się mniej istotna?

Uważam, że nawet gdy modele bazowe się poprawiają, specjalizacja nadal ma znaczenie. Klienci nie będą płacić jedynie za inteligentny model, ale za ocenę dopasowaną do konkretnego przepływu pracy, zabezpieczenia i integrację danych wokół niego. Ta praca nie znika po prostu dlatego, że podstawowy model staje się lepszy. Widzę to jako sieć specjalistycznych agentów zbudowanych na wspólnym, silnym modelu bazowym, a nie jednego agenta ogólnego, który robi wszystko.

Agenci AI coraz częściej muszą się uczyć i doskonalić po wdrożeniu, ale w środowiskach regulowanych nawet niewielka zmiana zachowania może wprowadzić nowe ryzyka. Jak firmy mogą nieustannie udoskonalać agenta, zapewniając jednocześnie, że aktualizacje nie powodują regresji, problemów z zgodnością ani nieprzewidzianych zachowań?

Nasza zasada polega na traktowaniu każdej aktualizacji jako nowego wydania modelu, a nie jako przyrostowej zmiany konfiguracji, więc każda zmiana przechodzi pełny zestaw ocen przed wypuszczeniem. Obejmuje to testy regresji przeprowadzane na precedensach, gdzie błąd miałby realny wpływ, oraz fakt, że nic nie jest udostępniane wszystkim klientom jednocześnie: wprowadzamy zmiany stopniowo i monitorujemy, tak aby w razie pojawienia się dryfu wykryć go na ograniczonym odcinku ruchu, a nie na pełną skalę. Dokładnie tak działa nasza najnowsza wersja Collaborate. Collaborate umożliwia operatorom, inżynierom i agentowi AI współpracę jako równi partnerzy nad jedną, żywą definicją tego, jak agent powinien myśleć, z kontrolą wersji, ocenami i ciągłym uczeniem się wbudowanymi bezpośrednio w przepływ pracy. Dzięki temu, gdy ktoś ulepsza sposób, w jaki agent obsługuje przypadek, zmiana jest wersjonowana, testowana na wcześniejszych konwersacjach i wdrażana pod tymi samymi kontrolami co każde inne wydanie. Oznacza to, że agent może się stale poprawiać po wdrożeniu, bez tego, by samo udoskonalenie stało się przyczyną regresji lub problemu z zgodnością.

Patrząc w przyszłość, w miarę jak dostęp do potężnych modeli bazowych staje się coraz bardziej powszechny, skąd naprawdę będzie pochodziła przewaga konkurencyjna w aplikacjach AI? Czy zwycięzcami będą ci z najlepszymi modelami, czy ci, którzy najlepiej potrafią budować niezawodne systemy i dostarczać konsekwentnie dobre doświadczenia wokół nich?

Teraz, gdy coraz więcej modeli bazowych zaczyna się zbiegać, przewaga przejdzie prawie całkowicie na stronę tych, którzy najlepiej potrafią budować bardziej niezawodne systemy wokół tych modeli, w tym ocenę, zabezpieczenia, dane i projektowanie przepływów pracy. Model staje się towarem, ale to spójność i niezawodność w produkcji są prawdziwym produktem.

Nawet poza tym, widzę przewagę płynącą z tego, jak głęboko agent zostanie wbudowany w operacje firmy. Agenci, którzy potrafią integrować się w wielu różnych częściach działalności firmy, wygrają z narzędziami, które radzą sobie tylko z konkretnymi problemami lub docierają wyłącznie do frontu. Gdy agent może działać zarówno w systemach frontowych, jak i zaplecza, wnosi więcej kontekstu do interakcji i radzi sobie z bardziej złożonymi problemami od początku do końca, tak jak człowiek. Zdolność agenta do dopasowania się do rzeczywistego funkcjonowania firmy będzie, moim zdaniem, źródłem trwałego sukcesu.

Dziękujemy za świetny wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Gradient Labs.