Matthew Fitzpatrick, CEO da Invisible Technologies – Série de Entrevistas

Matthew Fitzpatrick é um especialista em operações e crescimento com profunda experiência em escalonar fluxos de trabalho complexos e equipes. Com uma formação que abrange consultoria, estratégia e liderança operacional, ele atualmente atua como CEO da Invisible Technologies, onde se concentra em projetar e otimizar soluções de negócios de ponta a ponta. Matthew é apaixonado por combinar talento humano com automação para impulsionar a eficiência em escala, ajudando as empresas a desbloquear um crescimento transformador por meio da inovação de processos.

Invisible Technologies é uma camada de produção de IA e empresa de software empresarial que ajuda as organizações a construir, implantar e escalar sistemas de IA em ambientes de negócios complexos. Sua plataforma combina software de IA, expertise humana e infraestrutura operacional para apoiar os fluxos de trabalho de produção necessários para treinar, avaliar e operar IA avançada. A Invisible trabalha com empresas para gerenciar dados complexos, automatizar fluxos de trabalho e integrar a IA aos processos de negócios, fornecendo a infraestrutura e a expertise necessárias para mover as iniciativas de IA da experimentação para a implantação em escala de produção.

Você recentemente mudou de liderar o QuantumBlack Labs na McKinsey para se tornar CEO da Invisible Technologies. O que o atraiu para esse papel, e o que o excita mais sobre a missão da Invisible?

Na McKinsey, tive o privilégio de trabalhar na vanguarda da inovação em IA – construindo produtos de software de IA, liderando esforços de P&D e ajudando as empresas a aproveitar o poder dos dados. O que me atraiu para a Invisible Technologies foi a oportunidade de torná-lo operacional em escala com uma combinação de uma plataforma de software de IA única e flexível e um mercado de especialistas para feedback humano no loop – acredito que o Aprendizado por Reforço com Feedback Humano (RLHF) é a chave para implementações de GenAI precisas e confiáveis. A Invisible apoia a IA em toda a cadeia de valor, desde a limpeza de dados e automação de entrada de dados até a razão em cadeia de pensamento e avaliações personalizadas. Nossa missão é simples: combinar inteligência humana e IA para ajudar os negócios a entregar o potencial da IA, que nas empresas tem sido muito mais difícil do que a maioria das pessoas esperava.

Você supervisionou 1.000+ engenheiros e escalonou vários produtos de IA em diferentes setores. Quais lições da McKinsey você está aplicando na próxima fase de crescimento da Invisible?

Duas lições se destacam. Primeiro, a adoção bem-sucedida da IA é tanto sobre transformação organizacional quanto sobre tecnologia. Você precisa ter as pessoas e os processos certos no lugar – além de ótimos modelos. Segundo, as empresas que vencem na IA são aquelas que dominam a “última milha” – a transição da experimentação para a produção. Na Invisible, estamos aplicando a mesma rigidez e estrutura para ajudar os clientes a ir além dos pilotos e entrar em produção, entregando valor de negócios real.

Você disse que “2024 foi o ano da experimentação com IA, e 2025 é sobre realizar o ROI.” Quais tendências específicas você está vendo entre as empresas que realmente estão alcançando esse ROI?

As empresas que estão vendo um ROI real este ano estão fazendo três coisas bem. Primeiro, elas estão alinhando os casos de uso de IA com os KPIs de negócios principais – como eficiência operacional ou satisfação do cliente. Segundo, elas estão investindo em melhores dados e loops de feedback humano para melhorar continuamente o desempenho do modelo. Terceiro, elas estão mudando de soluções genéricas para sistemas personalizados e específicos de domínio que refletem a complexidade de seus ambientes. Essas empresas não estão mais apenas testando a IA – elas estão escalonando com propósito.

Como está evoluindo a demanda por rotulagem de dados específicos de domínio e nível de PhD em provedores de modelos de base como AWS, Microsoft (MSFT ), e Cohere?

Estamos vendo um aumento na demanda por rotulagem especializada à medida que os provedores de modelos de base avançam em verticais mais complexas. Na Invisible, temos uma taxa de aceitação anual de 1% em nosso pool de especialistas, e 30% de nossos treinadores têm mestrado ou PhD. Essa expertise profunda é cada vez mais necessária – não apenas para anotar dados com precisão, mas para fornecer feedback nuanciado e consciente do contexto para melhorar a razão, a precisão e o alinhamento. À medida que os modelos se tornam mais inteligentes, a barreira para treiná-los aumenta.

A Invisible está à vanguarda da IA agente, enfatizando a tomada de decisão em fluxos de trabalho do mundo real. Qual é sua definição de IA agente, e onde estamos vendo a maior promessa?

IA agente se refere a sistemas que não apenas respondem a instruções – eles planejam, tomam decisões e agem dentro de limites definidos. É a IA que se comporta mais como um parceiro de equipe do que como uma ferramenta. Estamos vendo a maior adesão em fluxos de trabalho complexos e de alto volume: como suporte ao cliente e processamento de sinistros, por exemplo. Nesses setores, a IA agente pode reduzir o esforço manual, aumentar a consistência e entregar resultados que de outra forma exigiriam grandes equipes humanas. Não se trata de substituir humanos – estamos aumentando seus recursos com agentes inteligentes que podem lidar com o que é repetitivo e rotineiro.

Pode compartilhar exemplos de como a Invisible treina modelos para raciocínio em cadeia de pensamento e por que isso é crítico para a implantação empresarial?

O raciocínio em cadeia de pensamento (CoT) desbloqueou um novo potencial para a IA empresarial. Na Invisible, treinamos modelos para raciocinar passo a passo, o que é essencial quando as apostas são altas – seja diagnosticando um paciente, analisando um contrato ou validando um modelo financeiro. O CoT não apenas melhora a transparência, mas também permite depuração, refinamento e ganhos de desempenho sem conjuntos de dados maciços. Vimos modelos líderes como Gemini, Sonnet e Grok começarem a divulgar seus caminhos de raciocínio, o que nos permite observar não apenas o que os modelos produzem, mas como eles chegam lá. Isso está criando as bases para métodos mais avançados, como a Árvore de Pensamento (onde os modelos avaliam vários caminhos de raciocínio possíveis antes de se decidir por uma resposta) e a Autoconsistência (onde vários caminhos de raciocínio são explorados).

A Invisible apoia o treinamento em 40+ linguagens de codificação e 30+ idiomas humanos. Quão importante é a precisão cultural e linguística na construção de IA escalável globalmente?

É crítico. A linguagem não é apenas sobre tradução – é sobre contexto, nuances e normas culturais. Se um modelo interpreta mal o tom ou perde a variação regional, pode levar a experiências de usuário ruins ou mesmo riscos de conformidade. Nossos treinadores multilíngues não são apenas fluentes – eles estão imersos nas culturas que representam.

Quais são os pontos de falha comuns quando as empresas tentam escalar de conceito de prova para produção, e como a Invisible ajuda a navegar essa “última milha”?

A maioria dos modelos de IA nunca chega à produção porque as empresas subestimam o esforço operacional necessário. Elas carecem de dados limpos, protocolos de avaliação robustos e uma estratégia para incorporar modelos em fluxos de trabalho reais. Na Invisible, combinamos experiência técnica profunda com infraestrutura de dados de produção para ajudar as empresas a superar a lacuna. Nossas capacidades simbióticas em treinamento e otimização nos permitem construir melhores modelos e implantá-los com sucesso.

Pode nos guiar pelo enfoque da Invisible em RLHF (Aprendizado por Reforço com Feedback Humano) e como ele difere de outros na indústria?

Na Invisible, vemos o RLHF como mais do que apenas ajuste fino – permite um design de avaliação personalizada mais sofisticado e uma mudança em direção ao treinamento de modelos com julgamento humano nuanciado, em vez de sinais binários como polegar para cima e polegar para baixo. Enquanto as abordagens da indústria frequentemente priorizam a escala por meio de dados de alto volume e baixo sinal, nos concentramos em coletar feedback de alta qualidade e estruturado que capture a razão, o contexto e as compensações. Esse sinal mais rico permite que os modelos generalizem mais eficazmente e se alinhem mais de perto com a intenção humana. Priorizando a profundidade em vez da amplitude, estamos construindo a infraestrutura para sistemas de IA mais robustos e alinhados.

Como você vê o futuro da colaboração entre humanos e IA evoluindo, especialmente em setores de alto risco como finanças, saúde ou setor público?

A IA não está substituindo a expertise humana – está se tornando a infraestrutura que a apoia. Eu imagino um futuro onde agentes de IA e especialistas humanos trabalham em tandem – onde clínicos são apoiados por copilotos de diagnóstico, agências governamentais usam a IA para triar benefícios mais eficientemente, e analistas financeiros são livres para se concentrar em estratégia em vez de planilhas. Nosso foco é projetar sistemas onde a IA melhora a capacidade humana, em vez de obscurecê-la ou sobrepujá-la.

Obrigado pela ótima entrevista, leitores que desejam aprender mais devem visitar Invisible Technologies.