Matthew Fitzpatrick, VD för Invisible Technologies – Intervju-serie

Matthew Fitzpatrick är en erfaren specialist inom drift och tillväxt med djup kunskap om att skala komplexa arbetsflöden och team. Med en bakgrund som omfattar konsultverksamhet, strategi och operativ ledning är han för närvarande VD på Invisible Technologies, där han fokuserar på att designa och optimera slut-till-slut-lösningar för företag. Matthew är passionerad om att kombinera mänsklig talang med automation för att driva effektivitet i stor skala, vilket hjälper företag att låsa upp transformerande tillväxt genom processinnovation.

Invisible Technologies är ett AI-produktionslager och företagsprogramvaruföretag som hjälper organisationer att bygga, distribuera och skala AI-system över komplexa affärsmiljöer. Deras plattform kombinerar AI-driven programvara, mänsklig expertis och operativ infrastruktur för att stödja produktionsarbetsflödena som krävs för att träna, utvärdera och driva avancerad AI. Invisible arbetar med företag för att hantera komplexa data, automatisera arbetsflöden och integrera AI i affärsprocesser, vilket ger den infrastruktur och expertis som behövs för att flytta AI-initiativ från experiment till tillförlitlig, produktions skalbar distribution.

Du har nyligen gått från att leda QuantumBlack Labs på McKinsey till att bli VD för Invisible Technologies. Vad drog dig till den här rollen, och vad är det som exciterar dig mest om Invisibles uppdrag?

På McKinsey hade jag privilegiet att arbeta i framkanten av AI-innovation – att bygga AI-programvaruprodukter, leda FoU-insatser och hjälpa företag att utnyttja kraften i data. Det som drog mig till Invisible Technologies var möjligheten att göra det operativt i stor skala med en kombination av en unikt flexibel AI-programvaruplattform och en expertmarknad för mänsklig återkoppling – jag tror att förstärkt inlärning från mänsklig återkoppling (RLHF) är nyckeln till korrekt och tillförlitlig GenAI-implementering. Invisible stöder AI över hela värdekedjan, från datarengöring och datainmatningsautomatisering till kedjetänkande och anpassad utvärdering. Vårt uppdrag är enkelt: kombinera mänsklig intelligens och AI för att hjälpa företag att uppfylla AI:s potential, som i företaget har varit mycket svårare än de flesta människor förväntat sig.

Du har övervakat 1 000+ ingenjörer och skalat flera AI-produkter över branscher. Vilka lärdomar från McKinsey tillämpar du på Invisibles nästa tillväxtfas?

Två lärdomar sticker ut. Först är framgångsrik AI-antagande lika mycket om organisatorisk transformation som det är om teknologi. Du behöver rätt människor och processer på plats – utöver bra modeller. För det andra är de företag som vinner i AI de som bemästrar “sista milen” – övergången från experiment till produktion. På Invisible tillämpar vi samma struktur och rigor för att hjälpa kunder att flytta bortom piloter och in i produktion, vilket ger verkligt affärsvärde.

Du har sagt att “2024 var året för AI-experiment och 2025 handlar om att förverkliga ROI.” Vilka specifika trender ser du bland företag som faktiskt uppnår den här ROI?

Företag som ser verklig ROI i år gör tre saker bra. Först är de AI-användningsfall som är tätt länkade till kärnaffärsnyckeltal – såsom operativ effektivitet eller kundnöjdhet. För det andra investerar de i bättre kvalitetsdata och mänskliga återkopplingsloopar för att kontinuerligt förbättra modellprestanda. För det tredje flyttar de från generiska lösningar till anpassade, domänspecifika system som återspeglar komplexiteten i deras miljöer. Dessa företag testar inte längre bara AI – de skalar det med syfte.

Hur utvecklas efterfrågan på domänspecifik och doktorsexamen-nivå dataetikettering över hela grundmodellsleverantörer som AWS, Microsoft (MSFT ), och Cohere?

Vi ser en ökning av efterfrågan på specialiserad etikettering när grundmodellsleverantörer trycker på i mer komplexa vertikaler. På Invisible har vi en 1% årlig antagningsfrekvens på vår expertpool, och 30% av våra utbildare har master- eller doktorsexamen. Den djupa expertisen är alltmer nödvändig – inte bara för att korrekt annotera data, utan för att ge nyanserad, kontextmedveten återkoppling för att förbättra resonemang, noggrannhet och samstämmighet. När modellerna blir smartare blir kraven på att träna dem högre.

Invisible ligger i framkanten av agens AI, med betoning på beslutsfattande i realvärldens arbetsflöden. Vad är din definition av agens AI, och var ser vi mest löfte?

Agens AI hänvisar till system som inte bara svarar på instruktioner – de planerar, fattar beslut och vidtar åtgärder inom definierade ramar. Det är AI som beter sig mer som en medarbetare än ett verktyg. Vi ser mest dragkraft i högvolym, komplexa arbetsflöden: till exempel kundsupport och försäkringsanspråk. I dessa områden kan agens AI minska manuellt arbete, öka konsekvens och leverera resultat som annars skulle kräva stora mänskliga team. Det handlar inte om att ersätta människor – istället förstärker vi dem med intelligenta agenter som kan hantera det repetitiva och det rutinmässiga.

Kan du dela exempel på hur Invisible tränar modeller för kedjetänkande och varför det är kritiskt för företagsdistribution?

Kedjetänkande (CoT) har låst upp ny potential för företags AI. På Invisible tränar vi modeller att resonera steg för steg, vilket är avgörande när insatserna är höga – oavsett om du diagnostiserar en patient, analyserar ett kontrakt eller validerar en finansiell modell. CoT förbättrar inte bara transparensen, utan möjliggör också felsökning, förfining och prestandavinster utan stora nya datamängder. Vi har sett ledande modeller som Gemini, Sonnet och Grok börja avslöja sina resonemangsvägar, vilket låter oss observera inte bara vad modellerna producerar, utan hur de kommer dit. Detta lägger grunden för mer avancerade metoder som Träd av tankar (där modeller utvärderar flera möjliga resonemangsvägar innan de fastställer ett svar) och Självkonsekvens (där flera resonemangsvägar utforskas).

Invisible stöder utbildning över 40+ programmeringsspråk och 30+ mänskliga språk. Hur viktigt är kulturell och språklig precision i att bygga globalt skalbar AI?

Det är avgörande. Språk handlar inte bara om översättning – det handlar om kontext, nyans och kulturella normer. Om en modell missförstår ton eller missar regional variation kan det leda till dåliga användarupplevelser eller till och med regelefterlevnad. Våra flerspråkiga utbildare är inte bara flytande – de är inbäddade i de kulturer de representerar.

Vilka är de vanliga felpunkterna när företag försöker skala från bevis på koncept till produktion, och hur hjälper Invisible att navigera den “sista milen”?

De flesta AI-modeller når aldrig produktionen eftersom företag underskattar den operativa ansträngningen som krävs. De saknar ren data, robusta utvärderingsprotokoll och en strategi för att infoga modeller i riktiga arbetsflöden. På Invisible kombinerar vi djup teknisk erfarenhet med produktionsklassad datainfrastruktur för att hjälpa företag att överbrygga gapet. Våra symbiotiska förmågor i utbildning och optimering låter oss bygga bättre modeller och distribuera dem framgångsrikt.

Kan du gå igenom Invisibles tillvägagångssätt för RLHF (Reinforcement Learning from Human Feedback) och hur det skiljer sig från andra i branschen?

På Invisible ser vi Reinforcement Learning from Human Feedback (RLHF) som mer än bara finjustering – det möjliggör mer sofistikerad anpassad utvärdering (“eval”) design och en skiftning mot att träna modeller med nyanserad mänsklig bedömning snarare än binära signaler som tummen upp och tummen ner. Medan branschansatser ofta prioriterar skala genom högvolym, lågsignaldata fokuserar vi på att samla strukturerad, högkvalitativ återkoppling som fångar resonemang, kontext och avvägningar. Den rikare signalen möjliggör att modellerna generaliserar mer effektivt och samstämmer mer nära med mänsklig avsikt. Genom att prioritera djup över bredd bygger vi infrastrukturen för mer robusta, samstämmiga AI-system.

Hur ser du den framtida utvecklingen av AI-mänsklig samverkan, särskilt i högriskområden som finans, hälsovård eller offentlig sektor?

AI ersätter inte mänsklig expertis – det blir den infrastruktur som stöder den. Jag ser en framtid där AI-agenter och mänskliga experter arbetar tillsammans – där kliniker stöds av diagnostiska copiloter, myndigheter använder AI för att gallra förmåner mer effektivt, och finansiella analytiker är fria att fokusera på strategi snarare än kalkylblad. Vårt fokus ligger på att designa system där AI förstärker mänsklig förmåga, snarare än att dölja eller åsidosätta den.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Invisible Technologies.