Brian Hartzband, President of US Operations, GMEX Robotics – Intervjuserie

Brian Hartzband, President of US Operations, GMEX Robotics, leder företagets expansion i USA, med fokus på att bygga upp dess kommersiella närvaro, utveckla strategiska partnerskap och föra dess fysiska AI‑ och robotikplattformar in i verkliga tillämpningar. Före han gick med i GMEX Robotics tillbringade Hartzband nästan fyra år på TEKsystems i teknisk rekrytering och kontohanteringsroller för regerings‑ och högre utbildningskunder. Han var tidigare medgrundare och hjälpte till att leda Handcrafted 4 Home, där han drev USA‑marknadsexpansion och partnerskap med stora återförsäljare och e‑handelsplattformar. Tidigare i sin karriär arbetade Hartzband med förmögenhetsförvaltning på Merrill Lynch och UBS, där han rådgav hög‑ och ultra‑hög‑netto‑värde‑kunder och hjälpte till att bygga en betydande internationell kundportfölj.

GMEX Robotics är ett Nasdaq‑noterat företag inom fysisk AI och robotik som utvecklar intelligenta maskiner för kommersiella miljöer. Företaget, tidigare känt som Fitell Corporation, följer det som det beskriver som ett “Terminal + Brain”-tillvägagångssätt, där skräddarsydd robotik‑hardware kombineras med anpassningsbara AI‑kapaciteter i stället för att förlita sig på en helt vertikalt integrerad teknikstack. Dess första stora kommersialiseringsfokus är 2F Culinary AI, en kommersiell köksrobotikplattform som inkluderar Bon Vivant 3.0‑ och Max‑systemen, vilka använder sensorer, AI‑styrda kontroller och programmerbara arbetsflöden för att automatisera matlagning. GMEX har också identifierat transport och logistik, industriell automation samt resursutforskning som längre‑siktiga expansionsområden. I mars 2026 meddelade företaget ett avtal på AU$4.2 million som omfattar minst 50 intelligenta köksrobotiksystem för en australiensisk hospitality‑grupp, följt av sin första leveransorder i maj.

Du gick nyligen in i GMEX Robotics som President of U.S. Operations efter en karriär som spänner över finansiella tjänster, entreprenörskap, teknisk rekrytering och företagsrelationer. Vad övertygade dig om att fysisk AI och robotik var nästa rätta kapitel, och vilka är dina prioriteringar när du bygger GMEX:s närvaro i USA?

Jag såg värdet i AI och robotar, särskilt kring social intelligens, som sker just nu. Jag ville bidra till det. Det som entusiasmerar mig med GMEX är Terminal + Brain‑modellen. Vi försöker inte göra allt själva. Vi bygger hårdvara som är pålitlig och praktisk, och vi kopplar den till AI i världsklass. Det är ett helt annat tillvägagångssätt än hur de flesta robotikföretag arbetar. Just nu pratar jag med investerare om vad vi faktiskt bygger och etablerar nyckelpartnerskap i USA. Detta är rätt tidpunkt för detta.

GMEX beskriver sin strategi som ett \”Terminal + Brain\”‑ekosystem där robotik‑hardware kopplar den fysiska världen till ett AI‑intelligenslager. Kan du förklara hur denna arkitektur fungerar och vad du anser särskiljer den från mer vertikalt integrerade tillvägagångssätt inom robotik?

De flesta robotikföretag försöker bygga allt själva; hårdvara, mjukvara och AI. Det är dyrt och långsamt. Vi gör det annorlunda. Terminalen är vår hårdvara. Hjärnan är vårt AI‑orchestreringslager, som vi bygger med partnerskap som 247meta. Fördelen är flexibilitet. Om bättre AI blir tillgänglig integrerar vi den utan att bygga om roboten. Vi är inte låsta vid ett enda val. Vi fokuserar på det vi är bäst på; pålitlig, praktisk hårdvara, och vi samarbetar med AI i världsklass i stället för att försöka överträffa alla på teknikområdet själva. Det innebär snabbare iterationer, lägre kapitalbehov och att vi rör oss i AI‑innovationens takt, inte i mekanisk ingenjörstidslinjer.

GMEX har ingått ett avtal om att förvärva en initial andel i MediaMeta.ai, vars teknik fokuserar på social intelligens och mänsklig beteendemodellering. Vad betyder \”social intelligens\” i en robots sammanhang, och vilka nya förmågor kan den möjliggöra som dagens multimodala AI‑modeller inte på ett tillförlitligt sätt kan leverera?

Social intelligens innebär robotar som tänker på människor, inte bara på uppgifter. Dagens AI är utmärkt på syn, språk och resonemang. Men den är svag på att läsa av en person, deras känslomässiga tillstånd, vad de faktiskt behöver och hur man samarbetar med dem i en verklig miljö. Vi skrev ett definitivt avtal med MediaMeta eftersom deras fokus på mänsklig beteendemodellering exakt fyller detta gap. Det är dit MediaMetas långsiktiga färdplan är på väg, att utveckla social‑intelligens‑AI och beteendemodellering som ett kontextuellt förståelse‑lager som så småningom kan komplettera vårt Terminal + Brain‑ekosystem. Under förutsättning att utveckling, integration och testning sker, kan dessa förmågor hjälpa robotar att tolka kontext, kommunikationsmönster och mänsklig avsikt, vilket är skillnaden mellan en robot som bara slutför en uppgift och en som är genuint användbar.

Var har dagens mest avancerade robotar fortfarande svårigheter när de tolkar människor? Är de största begränsningarna kring att känna igen känslor och avsikter, förstå social kontext, anpassa sig till kulturella skillnader, eller är det något mer grundläggande?

Allt ovanstående. Men det verkliga problemet är att AI‑utvecklingen har optimerats för att slutföra uppgifter – kan roboten plocka upp föremålet, navigera i rummet? Det är mätbart. Att läsa människor är det inte. Så det får mindre uppmärksamhet. Robotar kan känna igen att någon ser upprörd ut, men de är svaga på att förstå varför de är upprörda eller vad som faktiskt skulle hjälpa. Även små misstag urholkar förtroendet. En robot som får 90 % av de sociala signalerna rätt låter bra i en testmiljö, men i verkligheten är de återstående 10 % avgörande. Folk bestämmer sig för att de inte vill arbeta med den maskinen. Vi måste vända på prioriteringen. Det är vad vi bygger på GMEX.

En robot som arbetar i ett lager kan ofta fungera inom relativt strukturerade regler, medan en robot på ett sjukhus, hotell, skola eller i hemmet måste hantera mycket mer oförutsägbart mänskligt beteende. Hur måste AI‑stacken förändras när robotar rör sig in i dessa mer socialt komplexa miljöer?

Social intelligens. På ett lager kan du koda in reglerna. Miljön är förutsägbar. När du placerar en robot i ett utrymme med människor förändras allt. Människor improviserar, de ändrar sig, de har dåliga dagar. AI‑n måste läsa av detta i realtid och anpassa sig. Det är inte längre regelbaserat. Det är kontextuellt. Robotens måste förstå ögonblicket, personen, miljön och avgöra vad som är meningsfullt. Det kräver snabb uppkoppling och en helt annan arkitektur under ytan. Den måste också veta när den ska be om hjälp istället för att gissa fel.

Mänsklig beteendemodellering väcker oundvikligen frågor om integritet, samtycke, bias och missförstånd av mänskliga intentioner. Hur bör utvecklare bygga in social intelligens i robotar utan att skapa maskiner som blir alltför påträngande eller gör potentiellt avgörande antaganden om människor?

I slutändan handlar det om att bygga social intelligens i robotar för att vara hjälpsam utan att vara konstig. Robotar bör inte psykoanalysera människor eller gissa vad någon “menade” – så får man integritetsproblem och felaktiga antaganden. Håll dig till det som är observerbart: hur någon rör sig, hur nära de är, gester. Ge människor kontroll med tydliga integritetssignaler och enkla opt‑in‑interaktioner. Håll datamängden liten, behandla lokalt när du kan, och granska beteendet så att det behandlar alla lika. MediaMeta formaliserar ett ramverk för dataskydd och ansvarsfull AI som täcker dataminimering, transparens, bias‑granskning, mänsklig tillsyn och spårbarhet. Det är den genomtänkta ansats vi vill integrera i våra system. Om roboten är osäker på vad någon vill, bör den sakta ner, ge utrymme eller pausa. Så bygger du social medvetenhet utan att överskrida gränser.

Hur utvärderar du egentligen om en robot har blivit bättre på att förstå människor? Vilka typer av benchmarkar, simuleringar eller verkliga tester behövs för att mäta social intelligens snarare än bara om en robot lyckades slutföra en uppgift?

Du kan inte bara titta på om den slutförde en uppgift. Du måste titta på mikrobeteenden: ger roboten bekväm avstånd, ger den företräde när någon kliver in i dess bana, rör den sig med rätt timing, tvekar den när avsikten är oklar? I simulering stress‑testar du med täta folkmassor, plötsliga stopp, tvetydiga gester. I verkligheten observerar du om roboten känns förutsägbar och bekväm för människorna omkring den, och om den beter sig konsekvent över olika grupper. Det är det verkliga måttet, inte uppgiftsutförandet, utan om människor upplever att roboten “förstår” hur man rör sig och koordinerar i delat utrymme.

GMEX har redan börjat kommersialisera sin Bon Vivant‑plattform för matlagningsrobotik. Vad har dessa tidiga verkliga implementeringar lärt företaget om klyftan mellan att demonstrera en AI‑driven robot och att driva en sådan pålitligt i en kommersiell miljö?

Det finns en verklig klyfta mellan att bevisa att en robot kan utföra en uppgift och att bevisa att den kan göra den uppgiften på ett pålitligt sätt, dag efter dag, i en kommersiell miljö. I en demo är allt kontrollerat. Verkliga kök är högvärme, hög volym, oförutsägbara; utrustning stöts, ingredienser varierar, människor förändrar ständigt takten. Bon Vivant är stationär, så utmaningen är inte navigation; den är repeterbarhet, hållbarhet, felåterhämtning och att förbli integrerad med befintliga arbetsflöden. Vi lärde oss att pålitlighet kommer från att hantera det “tråkiga”: tåla värme och fett, hålla kalibreringen, återhämta sig smidigt när något avviker från skriptet, hålla takten utan att bromsa ner människorna. Kommersiell robotik handlar inte om att bevisa att roboten kan laga mat. Det handlar om att bevisa att den kan laga mat konsekvent, säkert, utan att bli en börda i en riktig verksamhet.

GMEX utvecklar också en multi‑agent‑AI‑plattform som är avsedd att samordna olika modeller och arbetsflöden. Hur ser du på att digitala AI‑agenter och fysiska robotar så småningom konvergerar, och kan samma intelligenslager i slutändan samordna både mjukvaruagenter och flottor av maskiner?

Digitala AI‑agenter och fysiska robotar kommer i allt högre grad att konvergera kring ett gemensamt koordineringslager. Mjukvaruagenter kan tolka förfrågningar och hantera digitala arbetsflöden. Robotar utför uppgifter i den fysiska världen. Ett gemensamt intelligenslager kopplar ihop de två genom att översätta ett affärsmål till uppgifter, välja rätt modeller och agenter samt samordna genomförandet. Den avgörande skillnaden är samordning kontra kontroll; det gemensamma lagret bestämmer vad som ska göras och vem som ska göra det, medan robot‑specifika system behåller ansvaret för navigering, rörelsekontroll och säkerhet. I ett lager, till exempel, bearbetar mjukvaruagenter en beställning och kontrollerar lagerstatus, medan koordineringslagret begär en lämplig robot för att flytta varorna. Den återkopplingen går tillbaka och informerar nästa steg. Mänsklig tillsyn och säkerhetsmekanismer förblir avgörande. Det är där vi fokuserar med 247meta – en stegvis väg genom gränssnitts‑integration, simulering och kontrollerade pilotprojekt för att stödja koordinerade arbetsflöden mellan företagsprogramvara och fysiska maskiner.

Om social intelligens blir ett grundläggande lager för fysisk AI, vad tror du att det kommer att förändra inom robotikindustrin? Kan förståelse för mänskligt beteende i slutändan visa sig lika viktig för bred robotadoption som framsteg inom fingerfärdighet, datorseende och resonemang?

Social intelligens kommer att omforma robotiken i grunden. Branschen har fokuserat på hårdvarukapacitet, visionsystem, prestanda – allt viktigt men inget av detta garanterar att en robot fungerar smidigt omkring människor i ett kök eller på en produktionslinje. Social intelligens är det som gör en robot förutsägbar, lätt att arbeta runt, och i linje med hur människor naturligt rör sig och samordnar sig. När robotar går från kontrollerade demonstrationer till verkliga kommersiella miljöer blir den delen av systemet lika viktig som hårdvaran och kontrollstacken. Förståelse för mänskligt beteende kommer att vara lika betydelsefullt som framsteg inom perception eller tillförlitlighet. Det är skillnaden mellan en robot som kan utföra jobbet och en robot som passar in i den faktiska verksamhetens flöde.

Tack för den fantastiska intervjun, läsare som vill lära sig mer om detta robotikföretag bör besöka GMEX Robotics.