Neal Lathia, cofundador e CTO da Gradient Labs – Série de entrevistas

Neal Lathia, cofundador e CTO da Gradient Labs, é um líder em aprendizado de máquina e ciência de dados com quase duas décadas de experiência que abrange tecnologia financeira, plataformas de consumo e pesquisa acadêmica. Antes de cofundar a Gradient Labs em 2023, passou mais de cinco anos na Monzo, progredindo de Cientista de Dados Sênior para Diretor de Aprendizado de Máquina e Engenheiro de Aprendizado de Máquina Sênior, onde construiu a infraestrutura de aprendizado de máquina e ajudou a escalar a disciplina para apoiar aplicações em operações, combate a crimes financeiros e produto. Anteriormente, Lathia trabalhou como Cientista de Dados Sênior na Skyscanner e ocupou cargos de pesquisa na University of Cambridge e na University College London, onde seu trabalho explorou sistemas de recomendação, dados comportamentais, sensoriamento por smartphone e serviços digitais personalizados. Na Gradient Labs, ele agora lidera a tecnologia por trás de agentes de IA projetados para fluxos de trabalho complexos e regulados de serviços financeiros.

Gradient Labs é uma empresa de IA sediada em Londres que cria agentes autônomos especializados para serviços financeiros, com foco em automatizar operações de cliente que tradicionalmente exigem grande envolvimento humano. Fundada pelos ex‑líderes da Monzo Dimitri Masin, Neal Lathia e Danai Antoniou, a empresa desenvolve agentes para áreas como empréstimos e cobranças, disputas, Know Your Business (KYB), integração, sinistros de seguros e atendimento ao cliente, operando em voz, chat e e‑mail enquanto incorpora barreiras de conformidade projetadas para ambientes regulados. A Gradient Labs afirma que sua tecnologia agora atende a mais de 32 milhões de usuários finais entre clientes como Wise, Zego, Current, Stash e Rho. Em junho de 2026, a empresa anunciou a expansão de seu financiamento Série A para $26 million, enquanto avança em uma visão mais ampla de automatizar operações bancárias e fintech complexas com agentes de IA especializados interconectados.

Você passou mais de cinco anos construindo e liderando aprendizado de máquina na Monzo antes de cofundar a Gradient Labs em 2023. O que você viu de perto na Monzo que o convenceu de que havia uma oportunidade de criar uma nova empresa em torno de agentes de IA autônomos, e por que a chegada de grandes modelos de linguagem tornou essa oportunidade possível?

Na Monzo, passei anos construindo sistemas de aprendizado de máquina que precisavam operar em um ambiente regulado, onde erros têm consequências muito reais e tudo exige um registro de auditoria. O que mais me influenciou foi a necessidade de desenvolver uma infraestrutura sob medida, pois nada pronto poderia operar com segurança sob essas restrições rigorosas. Essa experiência me deixou com duas convicções. A primeira era de que a tecnologia poderia finalmente aliviar os bancos do fardo operacional que tem impedido a indústria por décadas. A segunda era de que IA de uso geral e horizontal não faria diferença — a nuance do trabalho regulado é muito específica. Quando os LLMs se tornaram suficientemente capazes de raciocinar através de interações multietapas, às vezes ambíguas, com clientes, tornou‑se viável construir agentes que pudessem gerir fluxos de trabalho regulados completos de ponta a ponta, em vez de apenas auxiliar um humano. Essa lacuna, entre o que as empresas reguladas realmente precisam e o que já existia, é o motivo pelo qual iniciamos a Gradient Labs e por que apostamos em IA vertical construída especificamente para o setor financeiro.

Você descreveu o que os consumidores vivenciam como a “aresta irregular da experiência”: um agente de IA pode executar uma tarefa extraordinariamente complexa enquanto outro sistema falha em algo tão simples como distinguir um número de telefone de um nome. O que realmente causa essa diferença dramática entre experiências de IA quando os modelos subjacentes podem ser igualmente capazes?

Eu diria que a diferença tem mais a ver com a quantidade de engenharia aplicada ao modelo do que com a competência bruta do modelo em si. Se um sistema falha em uma tarefa simples, como confundir um número de telefone com um nome, isso indica que não houve investimento na estrutura ao seu redor, como validação, lógica de contingência, tratamento de dados estruturados etc. O agente mais impressionante provavelmente foi projetado especificamente para sua tarefa. É a mesma família de modelo fundamental, mas com um nível de rigor completamente diferente, e isso é exatamente o que gera a aresta irregular.

À medida que os modelos de ponta continuam a melhorar, por que falhas aparentemente básicas de IA persistem? Essas falhas são principalmente limitações dos próprios modelos ou falhas na arquitetura do sistema circundante, nos dados, nos fluxos de trabalho, na avaliação e no design do produto?

É principalmente o sistema e não o modelo. Os modelos de ponta continuam a melhorar em raciocínio. Contudo, as empresas frequentemente os acoplam a sistemas que não foram desenvolvidos para comportamentos baseados em probabilidade. Existem integrações frágeis e dados incompletos nos sistemas, sem um ciclo de avaliação real antes que as mudanças sejam lançadas. Portanto, uma falha básica de IA em produção não é realmente uma falha de IA, mas sim uma falha de investimento em avaliação, monitoramento e processos de design de fluxos de trabalho.

Muitas empresas parecem otimizar o atendimento ao cliente por IA em torno de velocidade, contenção ou desvio de tickets. Quais métricas as empresas deveriam usar em vez disso se quiserem medir se um agente de IA está realmente melhorando a experiência do cliente?

Para isso, precisaríamos considerar a precisão da resolução. Velocidade e contenção são usadas para avaliar se você conseguiu retirar um cliente do telefone, não se conseguiu resolver o problema dele. A precisão da resolução, que deve ser usada para medir a capacidade de um agente de IA, considerará se o agente fez a coisa certa, em vez de apenas responder rapidamente. Isso funcionará em conjunto com outros sinais, como taxas de contato repetido, volume de reclamações e a frequência com que um humano precisa intervir depois. Você saberá que está otimizando para o resultado errado se a deflexão aumentar, mas os contatos repetidos e as reclamações também aumentarem.

A Gradient Labs foca em serviços financeiros regulados, onde uma resposta incorreta pode ter consequências muito maiores do que um erro típico de atendimento ao cliente. Como determinar quando um agente de IA é confiável o suficiente para lidar autonomamente com processos que envolvem áreas como empréstimos, disputas, onboarding ou verificações de Conheça Seu Cliente?

A rota padrão que a maioria das equipes prefere seguir é a do co‑piloto: alguém aprova cada ação porque parece mais seguro. E a maioria assume que é realmente mais seguro. Mas, na prática, à medida que a IA acerta a maioria das coisas, os revisores aprovam sem realmente verificar, e a segurança se perde de qualquer forma. Isso não reduz a carga de trabalho existente; apenas a torna mais rápida e diminui o valor que você obtém.

É por isso que o conceito de um agente de IA ser confiável o suficiente é bastante específico ao processo na Gradient Labs. Para nós, isso deve ser desenvolvido por meio de autonomia em etapas e não visto como um único objetivo a ser marcado. Um agente pode receber maior independência em tarefas como KYC ou disputas somente depois de ser comparado a um grande conjunto vivo de casos reais, com revisão humana de uma amostra de suas decisões mesmo após entrar em produção. Curiosamente, isso confirma que a reversibilidade também é realmente importante aqui. Se algo pode ser desfeito, ganhará autonomia mais rapidamente do que algo que não pode.

Guardrails são cada vez mais apresentados como a solução para tornar agentes de IA mais seguros, mas adicionar mais regras também pode tornar os sistemas rígidos ou impedir que concluam tarefas legítimas. Como equilibrar autonomia com guardrails sem reduzir um agente a outro chatbot altamente restrito?

O erro está em tratar os guardrails como uma parede que o agente simplesmente rebate. No nosso sistema, eles fazem duas coisas ao mesmo tempo. Executamos guardrails a cada turno da conversa — alguns inspecionam o que o cliente está dizendo, para detectar vulnerabilidade, dificuldade financeira ou reclamação, e outros inspecionam o que o agente está prestes a dizer, para mantê‑lo em conformidade. Mas quando um deles dispara, não bloqueia apenas: redireciona o agente para o procedimento correto, e essa decisão fica transparente no raciocínio do agente, permitindo que os operadores vejam por que ele agiu assim. Os guardrails mais profundos também são incorporados à forma como o agente aprende a pensar sobre uma tarefa, aos dados que pode acessar e às ferramentas que pode usar. Essa combinação mantém a segurança sem tornar o sistema rígido: o agente entende quais são os guardrails e por que existem, completando uma tarefa legítima em vez de recusar tudo que apenas se assemelhe a algo proibido.

Aqui, acho que o problema está em ver os guardrails como uma parede de tijolos para o agente bater. Mais especificamente, executamos dois tipos diferentes de guardrails a cada turno da conversa. Primeiro, temos os guardrails do cliente que inspecionam o que o cliente está dizendo e devem identificar vulnerabilidades, dificuldades financeiras, reclamações e situações semelhantes. Segundo, temos os guardrails do agente que funcionam ao contrário, verificando o que o agente vai dizer antes de enviar a mensagem, a fim de mantê‑lo em conformidade.

Isso significa que, em vez de bloquear completamente uma ação quando um desses guardrails é acionado, ele a redireciona para o caminho correto. Dessa forma, mantém‑se a transparência quanto aos processos de decisão do agente e fornece aos operadores humanos a razão para a ação tomada.

Também conseguimos fazer isso porque nem todo aspecto do processo de raciocínio de um agente precisa passar por um LLM. Guardrails como esses são determinísticos, pois não disparam apenas ao final de uma conversa, mas são acionados ao longo da vida do agente. É assim que conseguimos confiar no agente em comunicações sensíveis e permitir a personalização de agentes específicos para casos de uso em escala e de maneira previsível.

O que mais importa é como o agente é ensinado a pensar em uma tarefa desde o início, garantindo que ele possa acessar os dados relevantes e conhecer as ferramentas que precisa usar. Essa capacidade de o agente concluir uma tarefa legítima em vez de recusar algo que parece não permitido é o que ajuda a melhorar a segurança e evitar rigidez.

Em que pontos os humanos devem permanecer no loop à medida que os agentes de IA se tornam cada vez mais autônomos? Existem certas decisões ou interações com clientes que você acredita que devam continuar exigindo julgamento humano, independentemente de quão capazes os modelos subjacentes se tornem?

Um ser humano precisa estar envolvido se uma decisão exigir discrição honesta, tiver repercussões significativas para o cliente ou envolver um resultado que o agente ainda não foi avaliado. O ser humano não precisa necessariamente fazer tudo, mas deve revisar ou aprovar conforme necessário. Isso provavelmente continuará verdadeiro à medida que os modelos se tornarem mais capazes, porque muitas vezes a questão não é de capacidade, mas de responsabilidade e do direito do cliente a um tomador de decisão humano quando questões como resultados de crédito ou disputas estão envolvidas.

Um ser humano precisa estar envolvido se uma decisão exigir discrição honesta, tiver repercussões significativas para o cliente ou envolver um resultado que o agente ainda não foi avaliado. Eu iria ainda mais além do modelo típico de fallback para argumentar que os agentes estão cada vez mais conquistando seu lugar no organograma ao lado dos humanos. Por sua vez, isso está deslocando onde os esforços humanos são aplicados intensamente, direcionando‑os para escalonamentos e decisões de julgamento, deixando os agentes responsáveis pela coordenação e roteamento.

Mas, para que isso seja realmente bem‑sucedido, os agentes precisam do mesmo contexto institucional que um ser humano teria, para que saibam quem envolver em determinadas questões e em que momento. É por isso que criamos o Collaborate. Para permitir que operadores, engenheiros e agentes trabalhem juntos como pares, com controle de versão, avaliações e aprendizado contínuo no centro do processo. Isso garante que os humanos permaneçam totalmente no ciclo, e o ciclo apenas muda de forma para refletir o quão bem o agente e o humano coordenam.

A Gradient Labs tem se concentrado em agentes especializados projetados para fluxos de trabalho específicos de serviços financeiros, em vez de um único agente de uso geral. Você acredita que o futuro da IA empresarial consistirá principalmente em redes de agentes especializados, ou que modelos de base cada vez mais capazes acabarão tornando essa especialização menos importante?

Acho que, mesmo à medida que os modelos de base melhoram, a especialização ainda importa. As pessoas não pagarão apenas por um modelo inteligente, mas por avaliações específicas ao fluxo de trabalho, salvaguardas e integração de dados construídas ao seu redor. E esse trabalho não desaparece só porque o modelo subjacente melhora. Eu vejo isso como uma rede de agentes especializados, todos construídos sobre um modelo de base comum e robusto, em vez de um único agente de uso geral que faz tudo.

Os agentes de IA precisam cada vez mais aprender e melhorar após a implantação, mas em ambientes regulados até mesmo uma pequena mudança comportamental pode introduzir novos riscos. Como as empresas podem melhorar continuamente um agente garantindo que as atualizações não criem regressões, problemas de conformidade ou comportamentos inesperados?

O princípio que seguimos é que cada atualização seja tratada como um novo lançamento de modelo, não como uma mudança incremental de configuração, de modo que toda alteração passe por uma suíte completa de avaliações antes de ser enviada. Isso inclui testes de regressão executados contra precedentes onde um erro teria causado uma diferença real, e nada é colocado em produção para todos os clientes de uma só vez: lançamos gradualmente e monitoramos, de modo que, se houver desvio, o detectamos em uma fatia limitada de tráfego ao invés de em escala total. É exatamente isso que nossa recente versão do Collaborate foi construída. O Collaborate permite que operadores, engenheiros e o agente de IA trabalhem juntos como pares na mesma definição viva de como o agente deve pensar, com controle de versão, avaliações e aprendizado contínuo incorporados diretamente ao fluxo de trabalho. Assim, quando alguém melhora a forma como o agente lida com um caso, essa mudança é versionada, testada contra conversas passadas e lançada sob os mesmos controles de qualquer outra versão. Isso significa que um agente pode continuar melhorando após a implantação sem que a própria melhoria se torne a causa de regressão ou problema de conformidade.

Olhando para o futuro, à medida que o acesso a modelos de base poderosos se torna cada vez mais comoditizado, de onde virá a verdadeira vantagem competitiva nas aplicações de IA? Os vencedores serão aqueles com os melhores modelos, ou aqueles que são melhores em projetar sistemas confiáveis e oferecer experiências consistentemente boas ao redor deles?

Agora que cada vez mais modelos de base começam a convergir, a vantagem passará quase que totalmente para quem for melhor em projetar sistemas mais confiáveis em torno desses modelos, incluindo avaliação, salvaguardas, dados e design de fluxos de trabalho. O modelo está se tornando um insumo comoditizado, mas a consistência e a confiabilidade em produção são o verdadeiro produto.

Além disso, vejo a vantagem vindo mais de quão profundamente um agente está incorporado nas operações de uma empresa. Agentes que conseguem se integrar a muitas partes diferentes das operações da empresa vencerão ferramentas que só podem lidar com problemas específicos ou alcançar apenas a linha de frente. Quando um agente pode operar tanto nos sistemas de front‑office quanto de back‑office, ele traz mais contexto às interações e trata problemas mais complexos de ponta a ponta, assim como um ser humano faria. A capacidade de um agente se adaptar ao modo como a empresa realmente funciona é, na minha opinião, de onde virá o ganho duradouro.

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