Sohrab Hosseini, medgrundare av orq.ai – Intervju-serie

Sohrab Hosseini, medgrundare av orq.ai, är en teknisk ledare och entreprenör baserad i Amsterdam med djup erfarenhet av SaaS, storskaliga system och tillämpad AI. Sedan han grundade orq.ai 2022 har han fokuserat på att bygga praktisk infrastruktur som hjälper team att flytta stora språkmodeller från experiment till pålitlig produktionsanvändning. Hans bakgrund omfattar seniora ledningsroller som COO och CTO på Neocles, CTO för framtida teknik på Transdev där han arbetade med autonom routing och flottledning, och COO på TradeYourTrip. Samtidigt är han aktiv som rådgivare och ängelinvesterare, som stöder tidiga AI-företag med produktledning, teknisk bedömning och exekveringsstrategi.

orq.ai är en generativ AI-samarbets- och LLMOps-plattform som är byggd för att hjälpa organisationer designa, driva och skala AI-drivna produkter och agenter i verkliga miljöer. Plattformen kombinerar prompt-hantering, experiment, feedback-insamling och realtidsövervakning av prestanda och kostnader i en enda arbetsyta, samtidigt som den förblir kompatibel med alla stora språkmodell-leverantörer. Genom att möjliggöra nära samarbete mellan tekniska och icke-tekniska team hjälper orq.ai företag att förkorta utgivningscykler, förbättra styrning och transparens, och minska komplexiteten och kostnaden för att köra AI-system i produktion.

Du har haft seniora tekniska och operativa roller inom autonoma system, flottledningsteknik och SaaS-plattformar innan du grundade Orq.ai — hur formade den karriärsvägen ditt beslut att bygga en företagsklassad kontrollskikt för AI-agenter 2022?

Vår bakgrund har alltid handlat om att leda ingenjörsteam och fokusera på enablement-plattformar; saker som moln, DevOps och data-enablement, särskilt under vår tid som tekniska konsulter. När den generativa AI-boomen började frågade min medgrundare och jag oss själva: vad för slags enablement kommer företag att behöva inte bara för att bygga AI, utan för att styra och kontrollera den ordentligt?

Vi såg att det verkliga behovet var en företagsklassad kontrollskikt för AI-agenter. Det ledde oss till att bygga Orq.ai från början.

När du först lanserade Orq.ai, vad såg du på marknaden som övertygade dig om att den verkliga flaskhalsen inte var modellkvalitet utan oförmågan att ta agenter från demonstrationer till pålitlig produktion?

Vi trodde alltid att när du bygger innovativ mjukvara, måste du bygga för framtiden. Från början antog vi att stora språkmodeller skulle fortsätta bli bättre och smartare över tiden. Så, den verkliga utmaningen vi såg var inte modellkvaliteten i sig, utan alla kontroll-, styrnings- och livscykelhanteringsproblem som uppstår när du försöker flytta från en demo till en riktig produktionsmiljö.

I andra ord, även om modellerna förbättras, är den verkliga värdet för våra kunder (och för oss) att se till att dessa system faktiskt fungerar tillförlitligt i produktion. Och det är vad vi satte oss att lösa.

De flesta team kan bygga imponerande prototyper men kämpar med runtime-orkestrering, styrning och övervakning. Enligt din åsikt, vad är den största brottspunkten när ingenjörsteam försöker skala från en bevis-miljö till en live-produktionsagent?

Den största brottspunkten är att team ofta tror att det är en rak, linjär väg från att börja bygga en agent till att ha den färdig. I verkligheten är det en mycket iterativ process.

Du justerar ständigt dina antaganden, testar dem, flyttar saker till produktion och övervakar sedan vad som händer i den verkliga världen. Du hittar kanter, och sedan börjar du den cykeln igen.

Utmaningen är att det inte är en engångsinsats; det är en kontinuerlig loop av förfining. Och för att bygga på det, är det inte bara att det är iterativt, utan att det ofta inte finns tillräckligt med verktyg eller stödstrukturer för att stödja den processen smidigt.

Du behöver ett sätt för domänexperter, produktchefer och ingenjörer att samarbeta utan att skapa silos eller dyra överlämningar som slösar bort mycket tid. Så det är en annan stor del av pusslet: att se till att alla dessa intressenter kan iterera tillsammans effektivt. Och det är något vi har försökt lösa också.

Orq.ai positionerar sig som ett enhetligt kontrollskikt som omfattar experiment, utvärdering, observerbarhet och runtime. Varför trodde du att en änd-till-änd-arkitektur var essentiell, snarare än att erbjuda isolerade verktyg som många punktlösningar?

När du börjar, är det naturligt att välja ett verktyg som löser ditt största smärtpunkt just då, ofta är det observabilitet. Men när ditt team utvecklas, träffar du på nästa flaskhals och lägger till ett annat verktyg, till exempel en AI-gateway. Innan du vet ordet av, har du fem till sju olika verktyg i ditt landskap. Data blir fragmenterad, människor förlorar synlighet och du slösar bort resurser bara på att underhålla alla dessa integrationer. Du förlorar den enhetliga vy över din livscykel.

Vi trodde att när agent-drivna företag uppstår, behöver du verkligen den änd-till-änd-arkitekturen. Du behöver en enhetlig vy över vad alla dina agenter gör över hela organisationen, inte bara fragmenterade punktlösningar. Det är därför vi inte såg något annat sätt än att omfatta dessa stora delar av arbetsflödet i en enhetlig plattform.

När du först lanserade Orq.ai, vad såg du på marknaden som övertygade dig om att den verkliga flaskhalsen inte var modellkvalitet utan oförmågan att ta agenter från demonstrationer till pålitlig produktion?

Vi såg att team använde alla sorters öppen källkods-bibliotek för att bygga sina agenter, trots att den faktiska arkitekturen för en agent kan vara ganska ren och enkel. De slutade med svullna bibliotek, mycket överhuvud och en stor inlärningskurva bara för att få ut även enkla agenter. Med Orq ville vi avlägsna den bördan.

I stället för att oroa sig för arkitekturen, beräkningen, autoskalningen, all den infrastrukturen, kan team fokusera på att konfigurera sina agenter och ge dem rätt verktyg och API:er. Vi hanterar de tunga lyften så att de kan koncentrera sig på att bygga sina faktiska användningsfall. Och på toppen av det, eftersom vi stöder hela livscykeln, har vi byggt specialiserade arbetsbänkar som låter dig verkligen testa dina agenter i stor skala.

Det betyder att du kan hitta kanter snabbare och härdar dina agenter mer effektivt. Det handlar om att ge teamen rätt verktyg inte bara för att bygga agenter lätt, utan för att förfinar och stärka dem i verkliga världsscenarier, utan allt extra besvär.

Som GDPR och EU:s AI-lagstiftning skärper kraven, hur påverkar dessa regleringar hur företag designar, övervakar och distribuerar agenter — och hur anpassar sig Orq.ai?

Det är inte så att dessa krav plötsligt skärps, de är bara en del av lagen, och våra kunder måste följa dem. Vad vi gör är att se till att under hela livscykeln ger vi teamen rätt verktyg, utvärderare och skyddsräcken så att de kan bygga in efterlevnad från dag ett.

Vi ser till att dataresidens, datasekretess, allt det där är inbyggt från början. Och med de geopolitiska spänningarna och trycket för teknisk och AI-suveränitet i Europa, har vi sett en stor efterfrågan på det. Eftersom vi kan köras fullständigt på plats och hjälpa företag att minska beroendet, är vi i en bra position för att hjälpa dem att behålla kontrollen över sin egen öde.

Företag frågar alltmer efter suveräna arkitekturer och hybrid-/lokala distributioner. Vad berättar den här skiftningen för dig om vart företags AI-infrastruktur är på väg?

Varje företag och även varje användningsfall innebär avvägningar. Det handlar om hur färdiga kontra hur säkra och lokala de behöver vara. Vi stöder alla smaker längs den spektrumet. Men vad vi ser är ett starkt fokus på suveränitet och dataresidens på modellnivå.

Kunder vill ha klarhet på var deras data bor och förmågan att minska beroendet av stora molnleverantörer. Tack vare vår AI-gateway, som körs över alla stora molnplattformar och på plats, kan team enkelt göra dessa avvägningar på ett användningsfall-basis. De får flexibiliteten att behålla kontrollen och flytta smidigt mellan miljöer.

Vi ser en enorm efterfrågan från större företag och offentliga institutioner.

Hur ser du att multi-agent-flöden, säkerhetsräcken och mer avancerade resonemangssystem utvecklas när företag flyttar från experiment till riktig agentindustrialisering 2026?

När användningen av agenter verkligen industrialiseras, ser vi nya typer av problem uppstå, särskilt med multi-agent-uppsättningar. Du kan ha dussintals eller till och med hundratals agenter som körs runt din organisation vid varje tillfälle, precis som anställda.

Frågan är: hur styr du alla när du har den här multi-dimensionella uppsättningen problem, som kostnader, datakvalitet, dataresidens, korrekthet, hallucinationsmått och så vidare? Du behöver ett nytt styrningsskikt för att hantera det, och du behöver säkerhetsräcken som kan distribueras top-down.

Du behöver också top-down-synlighet och nya aggregeringslager så att din CFO, COO, CISO kan se vad som händer och ingripa med handlingsbara insikter. Vi tror verkligen att 2026 kommer att bli ett mycket hetare ämne för hela “agentavdelnings”-konceptet och tekniken för att stödja det.

Agentdrift, kvalitetsregression och oklara dataflöden är återkommande problem i produktions-AI. Hur hanterar Orq.ai:s kontrollskikt dessa långvariga glapp i versionering, utvärdering och kontinuerlig övervakning?

Varje agent behöver verkligen sitt eget utvärderingsharnes. Dessa utvärderingar definierar vad som är rätt och fel för den specifika scenariot. Genom att lägga tid i förväg på att ställa in dessa utvärderingssatser på rätt sätt, kan team göra bättre offline-experiment för att se hur saker och ting beter sig innan de går live. Och sedan, genom att övervaka dessa utvärderingar online, kan du upptäcka när modeller drar eller när agentbeteende börjar förändras över tiden. Det sättet har du en konsekvent uppsättning kvalitetsmått under offline-tester, online-övervakning och räcken.

Om du ser framåt, vad tror du kommer att definiera nästa generation av företagsklassade AI-agenter — och hur positionerar sig Orq.ai för att bli den standardoperativa plattformen för den världen?

Om jag ser framåt, tror jag att vad som kommer att definiera nästa generation av företagsklassade AI-agenter är att varje leverantör kommer att tillhandahålla sina egna agenter. I större företag kommer det att vara ett brett landskap av första- och tredjepartsagenter som alla arbetar tillsammans och anropar varandra.

Det kommer inte att vara bara en typ av agent eller en leverantör; det är ett helt ekosystem som behöver styrning och efterlevnad. Och det är där Orq kommer in. Vi positionerar oss som agentkontrolltornet som ger olika lager i organisationen rätt aggregerad vy och handlingsbara insikter för att ingripa vid vilket stadium som helst.

Antingen om det handlar om att bygga, skala, driva eller till och med avveckla agenter, kommer olika funktioner att behöva olika vyer av det landskapet. Och vi kommer att vara den gå-till-leverantör för den funktionen.

Tack för det underbara samtalet, läsare som vill lära sig mer kan besöka orq.ai.