Neal Lathia, со‑основатель и технический директор Gradient Labs — серия интервью

Neal Lathia, со‑основатель и технический директор Gradient Labs, является лидером в области машинного обучения и науки о данных с почти двумя десятилетиями опыта в финансовых технологиях, потребительских платформах и академических исследованиях. До со‑создания Gradient Labs в 2023 году он более пяти лет работал в Monzo, продвигаясь от старшего специалиста по данным до директора по машинному обучению и старшего инженера по машинному обучению, где создавал инфраструктуру машинного обучения и помог масштабировать дисциплину для поддержки приложений в операциях, финансовых преступлениях и продукте. Ранее Lathia работал старшим специалистом по данным в Skyscanner и занимал исследовательские позиции в University of Cambridge и University College London, где его работа исследовала рекомендательные системы, поведенческие данные, сенсорику смартфонов и персонализированные цифровые сервисы. В Gradient Labs он теперь возглавляет технологию, стоящую за AI‑агентами, предназначенными для сложных, регулируемых рабочих процессов в финансовых услугах.

Gradient Labs — лондонская AI‑компания, разрабатывающая специализированные автономные агенты для финансовых услуг, сосредоточенные на автоматизации клиентских операций, которые традиционно требуют значительного участия человека. Основанная бывшими лидерами Monzo Димитри Масином, Neal Lathia и Данай Антониу, компания разрабатывает агентов для таких областей, как кредитование и взыскание, споры, Know Your Business (KYB), онбординг, страховые претензии и обслуживание клиентов, работающих через голос, чат и электронную почту, при этом включающих контрольные механизмы соответствия, предназначенные для регулируемых сред. Gradient Labs заявляет, что её технология сейчас обслуживает более 32 миллионов конечных пользователей среди клиентов, включая Wise, Zego, Current, Stash и Rho. В июне 2026 года компания объявила о расширении финансирования серии A до 26 млн долларов, продолжая работать над более широкой визией автоматизации сложных банковских и финтех‑операций с помощью взаимосвязанных специализированных AI‑агентов.

Вы провели более пяти лет, создавая и возглавляя машинное обучение в Monzo, прежде чем со‑создать Gradient Labs в 2023 году. Что вы увидели изнутри в Monzo, что убедило вас в возможности построить новую компанию вокруг автономных AI‑агентов, и почему появление больших языковых моделей сделало эту возможность реальной?

В Monzo я много лет создавал ML‑системы, которые должны работать в регулируемой среде, где ошибки имеют реальные последствия, а всё требует аудиторского следа. Наибольшее влияние на меня оказала необходимость разрабатывать собственную инфраструктуру, потому что готовые решения не могли безопасно функционировать в этих строгих ограничениях. Этот опыт привёл меня к двум убеждениям. Первое — технологии наконец могут снять с банков операционное бремя, которое сдерживает отрасль десятилетиями. Второе — универсальный, горизонтальный AI не сможет решить эту задачу — нюансы регулируемой работы слишком специфичны. Когда LLM стали достаточно способны рассуждать через многошаговые, иногда неоднозначные взаимодействия с клиентами, стало реально построить агентов, способных управлять целыми регулируемыми рабочими процессами от начала до конца, а не просто помогать человеку. Этот разрыв между тем, что действительно нужны регулируемым компаниям, и тем, что уже существует, стал причиной создания Gradient Labs и нашей ставки на вертикальный AI, построенный специально для финансов.

Вы описали то, что потребители переживают как «неровный край опыта»: AI‑агент может выполнить чрезвычайно сложную задачу, в то время как другая система падает уже на такой простой задаче, как различие телефонного номера и имени. Что на самом деле вызывает такой драматический разрыв между AI‑опытами, когда базовые модели могут быть схожи по возможностям?

Я бы сказал, что разрыв больше связан с тем, сколько инженерных усилий вложено в модель, а не с её чистой компетентностью. Если система падает на простой задаче, например, путает телефонный номер с именем, это значит, что вокруг неё не вложены необходимые рамки — валидация, логика отката, обработка структурированных данных и т.д. Более впечатляющий агент, скорее всего, был спроектирован именно под свою задачу. Это та же фундаментальная модель, но с совершенно разным уровнем строгости вокруг неё, и именно это и создаёт «неровный край».

По мере того как передовые модели продолжают улучшаться, почему, кажется, базовые сбои AI продолжают происходить? Являются ли они в первую очередь ограничениями самих моделей, или же сбоями в окружающей системной архитектуре, данных, рабочих процессах, оценке и дизайне продукта?

В основном это система, а не модель. Передовые модели продолжают улучшать свои способности к рассуждению. Однако компании часто привязывают их к системам, которые не разрабатывались для поведения, основанного на вероятностях. Существуют хрупкие интеграции и неполные данные в системах, без реального цикла оценки перед выпуском изменений. Поэтому базовый сбой AI в продакшене на самом деле не является сбой AI, а является провалом инвестиций в оценку, мониторинг и процессы проектирования рабочих процессов.

Многие компании, кажется, оптимизируют AI‑обслуживание клиентов по скорости, удержанию или отклонению тикетов. Какие метрики следует использовать вместо этого, если они хотят измерять, действительно ли AI‑агент улучшает клиентский опыт?

Для этого нам придётся учитывать точность решения. Скорость и удержание используют для оценки того, смогли ли вы снять клиента с телефона, а не того, смогли ли вы решить его проблему. Точность решения, которую следует использовать для измерения возможностей ИИ‑агента, будет оценивать, сделал ли агент правильное действие, а не просто ответил быстро. Это будет сочетаться с другими сигналами, такими как частота повторных контактов, объём жалоб и то, как часто после этого требуется вмешательство человека. Вы поймёте, что оптимизируете неправильный результат, если показатель отклонения растёт, но при этом увеличиваются повторные контакты и жалобы.

Gradient Labs сосредоточена на регулируемых финансовых услугах, где неверный ответ может иметь гораздо более серьёзные последствия, чем типичная ошибка обслуживания клиентов. Как определить, когда ИИ‑агент достаточно надёжен, чтобы автономно обрабатывать процессы, связанные с кредитованием, спорами, онбордингом или проверками Know Your Customer?

Стандартный путь, который большинство команд предпочитают, — это роль сопилота: кто‑то утверждает каждое действие, потому что так кажется безопаснее. И большинство считает, что так действительно безопаснее. Но на практике, когда ИИ начинает правильно выполнять большинство задач, проверяющие одобряют их, не проверяя по‑настоящему, и безопасность всё равно теряется. Это не уменьшает существующую нагрузку, а лишь ускоряет процесс и снижает получаемую ценность.

Поэтому понятие «достаточно надёжного» ИИ‑агента в Gradient Labs сильно зависит от конкретного процесса. Для нас это должно развиваться через поэтапную автономию и не рассматриваться как единственная цель. Агент может получить большую независимость в таких областях, как KYC или споры, только после того, как его сравнят с большой, постоянно обновляемой базой реальных кейсов, а также после того, как часть его решений будет проверена человеком даже после выхода в продакшн. Интересно, что это подтверждает, насколько важна обратимость: если действие можно отменить, агент получит автономию быстрее, чем в случае необратимых действий.

Ограничения всё чаще представляют как решение для повышения безопасности ИИ‑агентов, но добавление большего количества правил может сделать системы жёсткими или помешать им выполнять законные задачи. Как сбалансировать автономию и ограничения, не превратив агента в ещё один сильно ограниченный чат‑бот?

Ошибка заключается в том, что ограничения рассматривают как стену, от которой агент отскакивает. В нашей системе они выполняют две функции одновременно. Мы применяем ограничения на каждом отдельном ходе разговора — одни проверяют, что говорит клиент, чтобы выявлять уязвимости, финансовые трудности или жалобы, а другие проверяют, что собирается сказать агент, чтобы обеспечить соответствие. Но когда срабатывает ограничение, оно не просто блокирует действие: оно перенаправляет агента в правильную процедуру, и это решение прозрачно отображается в логике агента, так что операторы видят причину его действия. Более глубокие ограничения также встроены в то, как агент обучается мыслить о задаче, какие данные он может использовать и какие инструменты применять. Такое сочетание сохраняет безопасность без жёсткости: агент понимает, что такое ограничения и зачем они нужны, поэтому выполняет законную задачу, а не отказывает в выполнении всего, что лишь отдалённо напоминает запрещённое.

Здесь, по‑моему, проблема в том, что ограничения воспринимаются как кирпичная стена, от которой агент отскакивает. Более конкретно, мы запускаем два разных типа ограничений на каждом отдельном ходе разговора. Сначала — ограничения для клиента, которые проверяют, что говорит клиент, и должны выявлять уязвимости, финансовые трудности, жалобы и подобные ситуации. Затем — ограничения для агента, которые работают в обратном направлении и проверяют, что агент собирается сказать перед отправкой сообщения, чтобы обеспечить соответствие.

Это означает, что вместо полного блокирования действия, когда срабатывает одно из ограничений, система перенаправит его по правильному пути. Таким образом сохраняется прозрачность процессов принятия решений агентом, а операторы‑человеки получают объяснение, почему было предпринято конкретное действие.

Мы способны делать это, потому что не каждый аспект рассуждений агента вынужден проходить через LLM. Такие ограничения детерминированы: они срабатывают не только в конце разговора, а на протяжении всего жизненного цикла агента. Именно поэтому мы можем доверять агенту в работе с чувствительной коммуникацией и позволять настраивать конкретных агентов для масштабных и предсказуемых сценариев.

Самое важное — то, как агент обучается изначально мыслить над задачей, обеспечивая доступ к релевантным данным и знание, какие инструменты ему нужны. Эта способность выполнять законную задачу, а не отказываться от любой, которая кажется запрещённой, помогает повысить безопасность и избежать жёсткости.

Где люди должны оставаться в цепочке принятия решений по мере того, как ИИ‑агенты становятся всё более автономными? Существуют ли определённые решения или взаимодействия с клиентами, которые, по вашему мнению, должны по‑прежнему требовать человеческого суждения, независимо от того, насколько способны становятся базовые модели?

Человек должен быть задействован, если решение требует честного усмотрения, имеет значительные последствия для клиента или связано с результатом, против которого агент ещё не был оценён. Человек не обязательно должен выполнять всю работу, но он должен при необходимости проверять или утверждать её. Это, вероятно, останется верным и по мере роста возможностей моделей, поскольку речь часто идёт не о способности, а об ответственности и праве клиента на человеческое принятие решения в ситуациях, таких как кредитные результаты или споры.

Человек должен быть задействован, если решение требует честного усмотрения, имеет значительные последствия для клиента или связано с результатом, против которого агент ещё не был оценён. Я бы даже пошёл дальше типичной модели отката и утверждал, что агенты всё более занимают своё место в организационной структуре рядом с людьми. В свою очередь это смещает усилия людей в сторону эскалаций и оценочных решений, оставляя агентам координацию и маршрутизацию.

Но для того, чтобы это действительно сработало, агентам нужен тот же институциональный контекст, что и у человека, чтобы они знали, кого привлекать к определённым вопросам и в какое время. Поэтому мы создали Collaborate. Чтобы операторы, инженеры и агенты могли работать вместе как равные, с контролем версий, оценками и непрерывным обучением в основе. Это гарантирует, что люди остаются полностью в процессе, а процесс лишь меняет форму, учитывая, насколько хорошо координируются агент и человек.

Gradient Labs сосредоточилась на специализированных агентах, разработанных для конкретных рабочих процессов в финансовых услугах, а не на едином универсальном агенте. Считаете ли вы, что будущее корпоративного ИИ будет в основном состоять из сетей специализированных агентов, или же всё более мощные базовые модели со временем сделают такую специализацию менее важной?

Я считаю, что даже по мере улучшения базовых моделей специализация остаётся важной. Клиенты будут платить не только за умную модель, но и за оценку, специфичную для рабочего процесса, защитные механизмы и интеграцию данных, построенные вокруг неё. И эта работа не исчезнет лишь потому, что базовая модель станет лучше. Я вижу это как сеть специализированных агентов, построенных на общем надёжном базовом моделировании, а не как одного универсального агента, выполняющего всё.

AI‑агенты всё чаще должны учиться и совершенствоваться после развертывания, но в регулируемых средах даже небольшое изменение поведения может создать новые риски. Как компании могут постоянно улучшать агента, гарантируя, что обновления не вызывают регрессий, проблем с соответствием или непредвиденного поведения?

Принцип, которому мы следуем, заключается в том, что каждое обновление рассматривается как новый выпуск модели, а не как постепенное изменение конфигурации, поэтому каждое изменение проходит полный набор оценок перед выпуском. Это включает регрессионные тесты, сравнивающие с прецедентами, где ошибка могла бы иметь реальное значение, и ничего не выводится сразу всем клиентам: мы постепенно развёртываем и мониторим, так что если начинается дрейф, мы фиксируем его на ограниченной части трафика, а не на полном масштабе. Именно на этом основан наш недавний релиз Collaborate. Collaborate позволяет операторам, инженерам и AI‑агенту работать вместе как равные над единой живой дефиницией того, как агент должен мыслить, с контролем версий, оценками и непрерывным обучением, встроенными непосредственно в рабочий процесс. Поэтому когда кто‑то улучшает обработку случая агентом, это изменение версионируется, тестируется на прошлых диалогах и развёртывается под теми же контролями, что и любой другой релиз. Это значит, что агент может продолжать улучшаться после развертывания, не превращая само улучшение в источник регрессии или проблемы с соответствием.

Глядя вперёд, по мере того как доступ к мощным базовым моделям становится всё более товарным, откуда будет реальное конкурентное преимущество в AI‑приложениях? Будут ли победителями те, у кого лучшие модели, или те, кто лучше умеет создавать надёжные системы и постоянно предоставлять качественный опыт вокруг них?

Теперь, когда всё больше базовых моделей начинают сходиться, преимущество почти полностью перейдёт к тем, кто лучше умеет строить надёжные системы вокруг этих моделей, включая оценку, защитные механизмы, данные и проектирование рабочих процессов. Модель становится товарным вводом, но именно согласованность и надёжность в продакшене становятся фактическим продуктом.

Даже за пределами этого я вижу преимущество в том, насколько глубоко агент интегрирован в операции компании. Агенты, способные внедряться во многие части бизнес‑процессов, победят над инструментами, которые могут решать лишь отдельные задачи или охватывать только фронт‑офис. Когда агент может работать как во фронт‑офисе, так и в бэк‑офисе, он приносит больше контекста во взаимодействия и способен решать более сложные задачи от начала до конца, как это делает человек. Способность агента вписаться в реальный рабочий процесс компании — вот откуда, по моему мнению, будет долгосрочная победа.

Спасибо за отличное интервью, читатели, желающие узнать больше, должны посетить Gradient Labs.