Dimitri Masin, CEO e Co-Fundador da Gradient Labs – Série de Entrevistas

Dimitri Masin é o CEO e Co-Fundador da Gradient Labs, uma startup de IA que constrói agentes de suporte ao cliente autônomos projetados especificamente para setores regulamentados, como serviços financeiros. Antes de fundar a Gradient Labs em 2023, Masin ocupou cargos de liderança sênior no Monzo Bank, incluindo Vice-Presidente de Ciência de Dados, Crime Financeiro e Fraude, e trabalhou anteriormente na Google. Sob sua liderança, a Gradient Labs rapidamente ganhou tração, alcançando £1 milhão em receita anual recorrente dentro de cinco meses após o lançamento. O foco de Masin está em desenvolver sistemas de IA que combinam alto desempenho com estrita conformidade regulatória, permitindo automação segura e escalável para operações de cliente complexas.

O que o inspirou a lançar a Gradient Labs após uma jornada tão bem-sucedida no Monzo?

No Monzo, passamos anos trabalhando na automação do suporte ao cliente, visando ganhos de eficiência modestos de 10%. Mas no início de 2023, testemunhamos um terremoto tecnológico com o lançamento do GPT-4. De repente, tornou-se possível automatizar 70-80% do trabalho manual e repetitivo de forma completamente autônoma por meio da IA.

Essa quebra tecnológica que estamos vivendo nos inspirou a iniciar a Gradient Labs. Em minha carreira, vi duas ondas revolucionárias: a revolução móvel (que ocorreu no início de minha carreira) e agora a IA. Quando você reconhece que está no meio de uma transformação que mudará completamente o mundo, você deve aproveitar o momento. Nossa equipe sabia – é hora.

No Monzo, você ajudou a liderar a empresa por meio de um crescimento hiper. Quais foram as principais lições dessa experiência que você está aplicando agora na Gradient Labs?

Primeiro, equilibre a autonomia com a direção. No Monzo, inicialmente supúnhamos que as pessoas simplesmente prosperam na autonomia – que é o que as motiva mais. No entanto, essa visão agora parece simplista demais. Acredito que as pessoas também valorizam a orientação. A verdadeira autonomia não é dizer às pessoas “faça o que decidir”, mas fornecer direção clara enquanto lhes dá liberdade para resolver problemas bem definidos do seu jeito.

Segundo, o talento superior exige compensação superior. Se você visa contratar os 5% superiores em sua função, você deve pagar de acordo. Caso contrário, as grandes empresas de tecnologia contratarão eles uma vez que se torne conhecido que você tem talento superior que está sendo subpagado.

Terceiro, não reinvente a roda. No Monzo, tentamos criar abordagens inovadoras para estruturas de trabalho, sistemas de compensação e escadas de carreira. A lição principal: não desperdice energia inovando em fundamentos organizacionais – milhares de empresas já estabeleceram as melhores práticas. Ainda vejo posts no LinkedIn sobre “se livrar de todos os títulos e hierarquia” – assisti a isso acontecer repetidamente, e quase todas as empresas eventualmente reverteram para estruturas tradicionais.

A Gradient Labs está focada em setores regulamentados, que tradicionalmente têm necessidades complexas. Como você abordou a construção de um agente de IA (como o Otto) que possa operar efetivamente nesse ambiente?

Tomamos uma abordagem não convencional, rejeitando o conselho típico de lançar rapidamente e iterar em um produto ao vivo. Em vez disso, passamos 14 meses antes de lançar o Otto, mantendo uma barra de qualidade muito alta desde o início. Precisávamos criar algo que os bancos e instituições financeiras confiassem para lidar com o suporte completamente de forma autônoma.

Não estávamos construindo co-pilotos – estávamos construindo automação de ponta a ponta do suporte ao cliente. Com nossa experiência em serviços financeiros, tínhamos um benchmark interno preciso para “o que é bom” que nos permitia avaliar a qualidade sem depender do feedback do cliente. Isso nos deu a liberdade de nos obcecar com a qualidade enquanto iterávamos rapidamente. Sem clientes ao vivo, pudemos dar saltos maiores, quebrar coisas livremente e mudar rapidamente – eventualmente entregando um produto superior no lançamento.

O Otto vai além de responder a perguntas simples e lida com fluxos de trabalho complexos. Pode nos guiar sobre como o Otto lida com tarefas de múltiplos passos ou de alto risco que os agentes de IA típicos podem falhar?

Construímos o Otto em torno do conceito de SOPs (Procedimentos Operacionais Padrão) – essencialmente documentos de orientação escritos em inglês simples que detalham como lidar com questões específicas, semelhantes ao que você daria a um agente humano.

Duas decisões arquitetônicas principais tornam o Otto particularmente eficaz no gerenciamento de fluxos de trabalho complexos:

Primeiro, limitamos a exposição às ferramentas. Um modo de falha comum para agentes de IA é escolher incorretamente entre muitas opções. Para cada procedimento, expomos apenas um pequeno subconjunto de ferramentas relevantes ao Otto. Por exemplo, em um fluxo de trabalho de substituição de cartão, o Otto pode ver apenas 1-2 ferramentas em vez de todas as 30 registradas no sistema. Isso melhora significativamente a precisão, reduzindo o espaço de decisão.

Segundo, reconstruímos grande parte da infraestrutura típica de assistente de IA para permitir uma extensa cadeia de pensamento. Em vez de simplesmente jogar procedimentos em um assistente OpenAI ou Anthropic, nossa arquitetura permite vários passos de processamento entre entradas e saídas. Isso permite um raciocínio mais profundo e resultados mais confiáveis.

A Gradient Labs menciona alcançar “qualidade super-humana” no suporte ao cliente. O que “qualidade super-humana” significa para você, e como você mede isso internamente?

Qualidade super-humana significa entregar suporte ao cliente mensuravelmente melhor do que o que os humanos podem alcançar. Os seguintes três exemplos ilustram isso:

Primeiro, conhecimento abrangente. Os agentes de IA podem processar vastas quantidades de informações e ter conhecimento detalhado de uma empresa. Em contraste, os humanos normalmente aprendem apenas um subconjunto de informações, e quando não sabem algo, devem consultar bases de conhecimento ou escalar para colegas. Isso leva a uma experiência frustrante onde os clientes são passados entre equipes. Um agente de IA, por outro lado, tem uma compreensão profunda da empresa e seus processos, entregando respostas consistentes e de ponta a ponta – sem escalonamento necessário.

Segundo, buscas não preguiçosas – a IA é rápida em coletar informações. Enquanto os humanos tentam economizar tempo fazendo perguntas aos clientes antes de investigar, a IA examina proativamente as informações da conta, bandeiras, alertas e mensagens de erro antes que a conversa comece. Então, quando um cliente diz vagamente “tenho um problema com X”, a IA pode oferecer imediatamente uma solução em vez de fazer perguntas clarificadoras múltiplas.

Finalmente, paciência e consistência de qualidade. Ao contrário dos humanos, que enfrentam pressão para lidar com um certo número de respostas por hora, nossa IA mantém consistentemente alta qualidade, paciência e comunicação concisa. Ela responde pacientemente por tanto tempo quanto necessário sem se apressar.

Medimos isso principalmente por meio de pontuações de satisfação do cliente. Para todos os clientes atuais, alcançamos pontuações de satisfação do cliente que variam de 80% a 90% – normalmente mais altas do que as equipes humanas.

Você deliberadamente evitou vincular a Gradient Labs a um único provedor de LLM. Por que essa escolha foi importante, e como isso afeta o desempenho e a confiabilidade para seus clientes?

Ao longo dos últimos dois anos, observamos que nossas principais melhorias de desempenho vieram de nossa capacidade de mudar para o próximo melhor modelo sempre que a OpenAI ou a Anthropic lançavam algo mais rápido, melhor ou mais preciso. A agilidade do modelo foi fundamental.

Essa flexibilidade nos permite continuar a melhorar a qualidade enquanto gerenciamos os custos. Algumas tarefas exigem modelos mais poderosos, outras menos. Nossa arquitetura nos permite adaptar e evoluir com o tempo, selecionando o modelo ótimo para cada situação.

Eventualmente, vamos suportar LLMs de código aberto privados hospedados na infraestrutura dos clientes. Devido à nossa arquitetura, essa será uma transição direta, o que é especialmente importante ao atender a bancos que podem ter requisitos específicos sobre a implantação do modelo.

A Gradient Labs não está apenas construindo um chatbot — vocês estão visando lidar com processos de back-office também. Quais são os principais desafios técnicos ou operacionais na automação desses tipos de tarefas com IA?

Há duas categorias distintas de processos, cada uma com seus próprios desafios:

Para processos mais simples, a tecnologia em grande parte já existe. O principal desafio é a integração – conectar-se aos muitos sistemas e ferramentas personalizados de back-end que as instituições financeiras usam, pois a maioria das operações de cliente envolve vários sistemas internos.

Para processos complexos, desafios técnicos significativos permanecem. Esses processos normalmente exigem que os humanos sejam contratados e treinados por 6-12 meses para desenvolver especialização, como investigações de fraude ou avaliações de lavagem de dinheiro. O desafio aqui é a transferência de conhecimento — como damos aos agentes de IA a mesma especialização de domínio? Esse é um problema difícil que todos nesse espaço ainda estão tentando resolver.

Como a Gradient Labs equilibra a necessidade de velocidade e eficiência da IA com os requisitos rigorosos de conformidade dos setores regulamentados?

Certamente é um equilíbrio, mas no nível da conversa, nosso agente simplesmente leva mais tempo para pensar. Ele avalia vários fatores: Estou entendendo o que o cliente está perguntando? Estou dando a resposta correta? O cliente está mostrando sinais de vulnerabilidade? O cliente deseja registrar uma reclamação?

Essa abordagem deliberada aumenta a latência – nosso tempo de resposta médio pode ser de 15-20 segundos. Mas para as instituições financeiras, isso é uma troca justa. Uma resposta de 15 segundos ainda é muito mais rápida do que uma resposta humana, enquanto as garantias de qualidade são muito mais importantes para as empresas regulamentadas com as quais trabalhamos.

Você prevê um futuro onde os agentes de IA sejam confiáveis não apenas para suporte, mas também para tarefas de tomada de decisão de alto risco dentro das instituições financeiras?

As instituições financeiras já estavam usando técnicas de IA mais tradicionais para decisões de alto risco antes da onda atual de IA geradora. Onde vejo a verdadeira oportunidade agora é na orquestração – não tomando a decisão, mas coordenando o processo inteiro.

Por exemplo, um cliente carrega documentos, um agente de IA os encaminha para um sistema de validação, recebe confirmação de validade e, em seguida, dispara ações e comunicações apropriadas ao cliente. Essa função de orquestração é onde os agentes de IA excelentem.

Para as decisões de alto risco em si, não vejo muita mudança no curto prazo. Esses modelos exigem explicabilidade, prevenção de viés e aprovação por meio de comitês de risco de modelo. Os grandes modelos de linguagem enfrentariam desafios de conformidade significativos nesses contextos.

Em sua visão, como a IA remodelará a experiência do cliente para bancos, empresas fintech e outros setores regulamentados nos próximos 3-5 anos?

Vejo cinco principais tendências remodelando a experiência do cliente:

Primeiro, interação de verdade em todos os canais. Imagine começar um bate-papo no aplicativo de banco e, em seguida, mudar-se sem esforço para a voz com o mesmo agente de IA. Voz, chamadas e bate-papo se misturarão em uma experiência contínua única.

Segundo, UIs adaptáveis que minimizam a navegação dentro do aplicativo. Em vez de procurar por funções específicas nos menus, os clientes simplesmente expressarão suas necessidades: “Por favor, aumente meus limites” – e a ação acontece imediatamente por meio da conversa.

Terceiro, melhores economias unitárias. Suporte e operações são centros de custo maciços. Reduzir esses custos poderia permitir que os bancos atendessem a clientes anteriormente não rentáveis ou passessem as economias para os usuários — especialmente em segmentos subatendidos.

Quarto, suporte excepcional em escala. Atualmente, as startups com poucos clientes podem fornecer suporte personalizado, mas a qualidade normalmente degrada à medida que as empresas crescem. A IA torna o suporte de alta qualidade escalável, não apenas possível.

Finalmente, o suporte ao cliente se transformará de uma necessidade frustrante em um serviço genuinamente útil. Ele não será mais visto como um custo de infraestrutura intensivo em mão de obra, mas como um ponto de contato de cliente valioso e eficiente que melhora a experiência geral.

Obrigado pela ótima entrevista, leitores que desejam aprender mais devem visitar Gradient Labs.