Jeffrey Lai, grundare och VD för IrisGo – Intervjuer

Jeffrey Lai, grundare och VD för IrisGo, är en AI-entreprenör och produktledare med djupa rötter i intelligenta assistenter och språkteknologier. Innan han lanserade IrisGo 2025 och tjänstgjorde som grundare i AI Fund, tillbringade Lai mer än 12 år på Apple (AAPL ), där han hjälpte till att bygga och skala upp Siri, och slutligen tjänstgjorde som chefsingenjör för Siri-språk. Hans arbete fokuserade på att främja multilingual konversations-AI, inklusive utvecklingen av den kinesiska versionen av Siri. Före Apple hade han ingenjörsroller på Cisco Systems (CSCO ) och avslutade en praktik på Intelligent Robotics Group på NASA Ames Research Center. Med en karriär som spänner över robotteknik, företagsprogramvara och konsument-AI har Lai konsekvent fokuserat på att göra komplexa teknologier mer tillgängliga och användbara i vardagliga arbetsflöden.

IrisGo utvecklar ett AI-operativsystem som är utformat för den nya generationen AI-drivna persondatorer. Istället för att fungera som en fristående chatbot är plattformen byggd för att observera hur användare utför uppgifter över applikationer, lära sig dessa arbetsflöden och automatisera dem genom en intelligent on-device-assistent. Dess kärntillvägagångssätt kretsar kring att låta användare demonstrera en uppgift en gång och sedan omvandla den processen till ett återanvändbart arbetsflöde, vilket hjälper till att minska repetitivt digitalt arbete. Genom att utnyttja de dedikerade AI-behandlingsförmågorna i moderna AI-datorer syftar IrisGo till att möjliggöra mer privat, responsiv och kontextmedveten automation, och positionerar sig inom den växande marknaden för agenter som kan aktivt utföra uppgifter på användarens vägnar, snarare än att bara ge rekommendationer.

Efter att ha hjälpt till att bygga Siri på Apple, vilka specifika erfarenheter övertygade dig om att det var dags att starta IrisGo, och vad var den viktigaste olösta frågan i mänsklig-datorinteraktion som du kände?

När vi byggde Siri var vi otroligt fokuserade på naturligt språkförståelse. Men Siri hade svårt med kontext, vilket är utmanande eftersom sättet människor faktiskt arbetar och kommunicerar är fullt av implicit kontext. När du ber en kollega “Kan du skicka mig den rapporten?” vet de vilken rapport. De vet din delade historia, ditt aktuella projekt, vad du har diskuterat. Siri hade inte det.

Under många år har AI utformats för att svara på dig. Skriv något, få något tillbaka. Det är interaktionsmodellen vi har ärvt från sökmotorer och chatbotar. Men det mesta av vad människor faktiskt gör på en dator är inte en fråga, det är ett arbetsflöde. Sammanställ den här rapporten. Jämför dessa kalkylblad. Hämta data från tre olika appar och formatera dem till ett dokument. Det slags arbete passar inte in i en prompt.

Vad som övertygade mig att starta IrisGo var att inse att branschen inte byggde för vardagliga användningsfall. Alla byggde smartare modeller, bättre språkförståelse, snabbare svar. Men den grundläggande klyftan, där AI faktiskt kan göra arbetet, inte bara svara på förfrågningar, var fortfarande där. Det är problemet vi satte oss att lösa.

Om du ser tillbaka på dina år med att arbeta på Siri, vad var de största lärdomarna du lärde dig om begränsningarna för röstassistenter, särskilt när det gäller att förstå kontext, avsikt och användarbetende?

Den största lärdomen jag lärde mig är att kontext är allt. Människor kommunicerar sällan i isolerade kommandon; deras förfrågningar formas av vad de arbetar med och vad de försöker uppnå. Tidiga röstassistenter var utformade runt att svara på enskilda förfrågningar, vilket fungerar bra för många uppgifter men är mindre effektivt för pågående arbete som omfattar flera applikationer och arbetsflöden. Den erfarenheten lärde mig att förstå avsikt kräver förståelse av kontext, och den insikten blev en av de grundläggande idéerna bakom IrisGo.

Vad vi lärde oss är att avsikt ofta är skiktad. Någon säger en sak och menar en annan, och att få det rätt kräver förståelse av personen, inte bara orden. Den förståelsen är inbyggd i IrisGo från början.

IrisGo beskrivs ofta som ett AI-operativsystem snarare än en AI-assistent. Vad är skillnaden, och varför tror du att branschen behöver ett nytt programvarulager för AI-PC-eran?

En AI-assistent väntar på dig. Du öppnar den, skriver något, den svarar och sedan är den klar. Interaktionsmodellen är i princip samma som en sökmotor, där användaren gör en förfrågan och AI genererar ett svar.

IrisGo, som är ett AI-operativsystem, arbetar bredvid allt du gör, över hela systemet, hela tiden. Den har tillgång till dina filer, dina appar, din webbläsare, din e-post. Den förstår hur du arbetar eftersom den har sett, med din tillåtelse. Och avgörande, den kan agera, inte bara ge råd.

Tänk på vad Windows gjorde för persondatorer. Före det var du tvungen att vara teknisk för att använda en dator. Windows skapade ett universellt, intuitivt lager mellan människor och programvara. AI-PC-eran behöver sitt eget version av det lagret, som tar den råa kraften i AI-modeller och gör den verkligen användbar för människor som gör sitt dagliga arbete.

Det är vad IrisGo är: intelligenslagret för AI-PC. När du levererar AI-PC utan det lagret har du bara en kraftfull chip som står still. Vad du behöver är programvara som vet hur man använder den till förmån för personen som använder den.

En av IrisGos kärnidéer är att användare kan lära systemet en uppgift genom en enda demonstration. Varför tror du att “titta och lära” är en mer naturlig modell än att mata in eller manuellt bygga arbetsflöden?

Vad som gör “Titta och lära”-funktionen så kraftfull är att den bygger på hur vi faktiskt lär ut till varandra. När du ombordar en ny medarbetare skriver du inte ut 40 steg för dem. Du visar dem hur du gör något en gång, de tittar, de lär sig och de tar det vidare. Det är intuitivt. Det är naturligt.

Problemet med att mata in är att det lägger bördan på användaren att formulera exakt vad de vill, på ett sätt som AI kan förstå. För enkla frågor fungerar det bra. Men hur är det med komplexa, flerstegsarbetsflöden som involverar dina specifika filer och din specifika metod? Det kan bryta ihop snabbt. De flesta människor kan inte beskriva sina arbetsflöden med tillräcklig precision för att mata in en AI för att göra dem korrekt.

Att visa är lättare än att berätta. Det är ingen ny insikt; det är allmän kunskap. Vad “Titta och lära” gör är att applicera den logiken på automation. Du gör din uppgift en gång, på det sätt du normalt skulle. IrisGo lär sig mönstret. Och från den punkten hanterar den arbetsflödet för dig.

Många AI-agenter idag kräver fortfarande betydande inställningar och övervakning. Vad skiljer en verkligt autonom agent från en chatbot som bara följer instruktioner?

Det korta svaret är att en verkligt autonom agent har sin egen kontext, fattar sina egna beslut och fortsätter att arbeta även när du inte tittar på.

En chatbot är reaktiv av design. Den lever och dör med prompten. Du ger den en instruktion, den utför den och sedan slutar den. Om något ändras, om ett steg misslyckas eller om den behöver anpassa sig, blir den förlorad. Den kommer att fråga dig vad du ska göra härnäst.

En genuint autonom agent har ett mål, inte bara en instruktion. Den har kontext om den miljö den opererar i. Den kan hantera undantag. Den kan bestämma om den ska fortsätta, försöka igen eller flagga något för mänsklig granskning. Och viktigast, den kan köras i bakgrunden medan du arbetar med andra saker.

Det mesta som säljs som “AI-agenter” idag är i själva verket sofistikerade chatbotar med extra steg. Klyftan mellan dessa produkter och verklig autonomi är enorm. Vad som gör IrisGo annorlunda är att det börjar från en modell av hur du arbetar, lärd direkt från att titta på dig, och använder den för att fatta rätt beslut, inte bara följa instruktioner.

Du har talat om vikten av beständig minnes- och lokal kontext. Varför är dessa funktioner avgörande om AI ska gå utöver att svara på frågor och börja agera på användarens vägnar?

Tänk dig att du anställer en assistent som, varje morgon, inte har något minne av vem du är, vad du arbetar med eller hur du föredrar att saker görs. Du skulle tillbringa halva din dag med att förklara kontexten, och du skulle bli extremt frustrerad. Det är i princip vad de flesta AI-verktyg ber dig att göra idag.

Beständig minnesförmåga innebär att systemet känner dig. Det känner till dina projekt, dina arbetsflöden, dina preferenser och hur saker har utvecklats över tid. Du behöver inte etablera kontexten varje session. AI bär den vidare.

Lokal kontext är lika kritisk, eftersom ditt arbete inte bor i molnet. Det bor på din dator, i filer, applikationer, e-post, webbläsartabbar. IrisGo körs på din enhet, vilket innebär att den har tillgång till hela din arbetsmiljö och kan operera på din vägnar över allt.

Dessa två saker tillsammans — minne och lokal åtkomst — är vad som låter AI sluta vara ett verktyg du använder och börja bli ett system som arbetar för dig. Vi ser mer av teknikindustrin börja inse vikten av detta, inklusive de stora teknikföretagen, så det är en tydlig validering av vår tillvägagångssätt.

Integritet förblir en av de största problemen som omger AI. Hur balanserar du behovet av personlig anpassning och minne med användarens förväntningar kring säkerhet och dataägarskap?

Antagandet att integritet och personlig anpassning är i konflikt är det första som ska utmanas. Vi byggde IrisGo så att personlig anpassning kan ske på enheten, inte bara i molnet.

Den överväldigande majoriteten av IrisGos bearbetning sker lokalt, på din dator. Dina arbetsflöden, dina filer, din kontext stannar med dig. Molnbearbetning sker bara när du uttryckligen auktoriserar det, och när det sker är det krypterat från slutpunkt till slutpunkt. Du är i kontroll över vad som skickas vart.

Den här modellen gör IrisGo mer kraftfull, eftersom den har tillgång till den fulla kontexten av din arbetsmiljö. Och det innebär att användare inte behöver välja mellan en användbar AI och en säker.

Människor litar på sina persondatorer med känsligt arbete. Vårt mål är att göra IrisGo värdig det förtroendet. Detta är grundläggande för hur produkten är utformad.

IrisGo levereras redan på AI-PC från Acer, med planer på att expandera till ytterligare tillverkare. Hur viktigt tror du att distributionspartnerskap kommer att vara för att avgöra vilka AI-plattformar som slutligen når mainstream-användning?

Distribution är absolut avgörande för mainstream-användning. Bara titta på historien om plattformstävling i teknik. Windows vann eftersom det var på nästan varje PC. Android vann eftersom det var det mest använda operativsystemet för mobila enheter som inte var iPhones. Företagen som försökte vinna genom ren produktkvalitet, utan distribution för att backa upp det, vann inte mestadels.

AI-PC-marknaden följer ett liknande mönster. När IrisGo är förinstallerat på en enhet är det där när du öppnar lådan. Du behöver inte söka efter det, ladda ner det eller bestämma dig för att ge det en chans. Det är en enorm fördel.

Vi är redan i 3 miljoner Acer-laptoppenheter som kommer att levereras i år, och vi är i samtal med ytterligare topp-tillverkare av PC. Målet är att vara AI-operativsystemet för PC som standard. Den distributionsstrategin är central för hur vi blir standarden i den här kategorin.

När AI-agenter blir kapabla att hantera fakturor, forskning, rapporter och andra affärsarbetsflöden, vilka nya styrnings-, övervaknings- och förtroendeproblem bör organisationer förbereda sig för idag?

Det första utmaningen är granskning. När en AI-agent slutför ett arbetsflöde, till exempel bearbetar en faktura eller genererar en rapport, kan du se vad den gjorde, varför den gjorde det och var data kom ifrån? Den typen av transparent granskningslogg är avgörande för regelefterlevnad och för att catcha fel innan de förvärras.

Den andra är att definiera gränser. Vilka arbetsflöden är lämpliga för autonom körning, och vilka kräver mänsklig granskning? Företag behöver tydliga riktlinjer kring detta. Tendensen är att låta AI göra mer och mer, gradvis, och sedan inse för sent att viktiga beslut fattas utan tillräcklig övervakning.

Tredje är förtroendekalibrering. Anställda behöver förstå vad AI kan och inte kan göra, och när de ska verifiera dess utdata snarare än anta att det är korrekt. Det är en fråga om kultur och utbildning lika mycket som teknik.

Jag tror att de organisationer som förbereder sig för detta idag kommer att ha en betydande fördel, eftersom ju mer AI-kapacitet som växer, desto mer kommer styrningsramar att förstärkas.

Om fem år, tror du att människor fortfarande kommer att tillbringa mest tid med att interagera med AI genom chatsystem, eller kommer AI alltmer att försvinna i bakgrunden och proaktivt slutföra arbete utan att bli ombedd?

Trenden visar redan att AI kommer att alltmer försvinna i bakgrunden. Modellen vi bygger mot är en där din dator förstår ditt arbete och tar hand om de rutinmässiga delarna av det, så att din uppmärksamhet frigörs för de saker som faktiskt kräver dig.

Tänk på hur autopilot fungerar i flyg. Piloter är inte manuellt engagerade varje sekund av varje flygning. Systemet hanterar grunden, och den mänskliga delen engageras när bedömning och expertis behövs. Det är framtiden för AI-assisterat kunskapsarbete. Din dator hanterar det repetitiva, regelbundna arbetsflödet. Du fokuserar på strategi, kreativitet och de beslut som kräver riktigt mänskligt omdöme.

Om fem år kommer de mest produktiva människorna att vara de som arbetar bredvid system som förstår hur användaren opererar. I det förflutna gjorde människor allt arbetet på sina datorer. I framtiden kommer din dator också att göra arbete för dig.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka IrisGo.