Neal Lathia, Співзасновник і технічний директор Gradient Labs – Серія інтерв’ю

Neal Lathia, співзасновник і технічний директор Gradient Labs, є лідером у галузі машинного навчання та науки про дані з майже двома десятиліттями досвіду, що охоплює фінтех, споживчі платформи та академічні дослідження. До того як у 2023 році співзаснував Gradient Labs, він провів понад п’ять років у Monzo, просуваючись від старшого дата‑науковця до директора машинного навчання та старшого інженера машинного навчання, де створював інфраструктуру машинного навчання та допомагав масштабувати цю дисципліну для підтримки застосувань у операціях, фінансових злочинах та продуктах. Раніше Латхія працював старшим дата‑науковцем у Skyscanner та займав дослідницькі посади в University of Cambridge та University College London, де його робота досліджувала системи рекомендацій, поведінкові дані, сенсори смартфонів та персоналізовані цифрові сервіси. У Gradient Labs він зараз очолює технології, що стоять за AI‑агентами, призначеними для складних, регульованих робочих процесів у фінансових послугах.

Gradient Labs — це лондонська AI‑компанія, що створює спеціалізованих автономних агентів для фінансових послуг, орієнтованих на автоматизацію операцій обслуговування клієнтів, які традиційно вимагають значного залучення людей. Заснована колишніми лідерами Monzo Dimitri Masin, Neal Lathia та Danai Antoniou, компанія розробляє агентів для таких сфер, як кредитування та стягнення, спори, Know Your Business (KYB), onboarding, страхові претензії та обслуговування клієнтів, працюючи через голос, чат і електронну пошту, при цьому впроваджуючи механізми дотримання нормативних вимог, розраховані на регульовані середовища. Gradient Labs повідомляє, що її технології зараз обслуговують понад 32 мільйони кінцевих користувачів серед клієнтів, включаючи Wise, Zego, Current, Stash та Rho. У червні 2026 року компанія оголосила про розширення фінансування раунду Series A до $26 млн у рамках реалізації ширшого бачення автоматизації складних банківських та фінтех‑операцій за допомогою взаємопов’язаних спеціалізованих AI‑агентів.

Ви провели понад п’ять років, будуючи та керуючи машинним навчанням у Monzo перед тим, як у 2023 році співзаснувати Gradient Labs. Що ви побачили безпосередньо в Monzo, що переконало вас у наявності можливості створити нову компанію навколо автономних AI‑агентів, і чому появу великих мовних моделей зробило цю можливість реальною?

У Monzo я багато років будував системи машинного навчання, які мали працювати в регульованому середовищі, де помилки мають реальні наслідки, а все потребує аудиторського сліду. Найбільший вплив на мене справила потреба розробляти інфраструктуру на замовлення, оскільки жодне готове рішення не могло безпечно функціонувати за цих суворих обмежень. Цей досвід сформував у мене два переконання. Перше — технології нарешті можуть звільнити банки від операційного навантаження, яке стримувало галузь протягом десятиліть. Друге — загальне, горизонтальне AI не зможе суттєво змінити ситуацію — нюанси регульованої роботи надто специфічні. Коли великі мовні моделі стали достатньо здатними розмірковувати над багатокроковими, іноді неоднозначними взаємодіями з клієнтами, стало можливим створювати агентів, які можуть керувати повними регульованими робочими процесами від початку до кінця, а не лише допомагати людині. Ця розрив між тим, чого насправді потребують регульовані компанії, і тим, що вже існувало, став причиною створення Gradient Labs і нашої ставки на вертикальне AI, спеціально розроблене для фінансів.

Ви описали те, що споживачі відчувають, як «зубчастий край досвіду»: AI‑агент може виконати надзвичайно складне завдання, тоді як інша система зазнає невдачі у чомусь такому простому, як розрізнення телефонного номера та імені. Що насправді спричиняє такий драматичний розрив у AI‑досвіді, коли базові моделі можуть бути приблизно однаковими за можливостями?

Я б сказав, що розрив більше пов’язаний з тим, скільки інженерії вкладено в модель, ніж з чистою компетентністю самої моделі. Якщо система не справляється з простим завданням, наприклад плутає телефонний номер з іменем, це означає, що не інвестували в оточуючу її інфраструктуру — валідацію, логіку резервних варіантів, обробку структурованих даних тощо. Більш вражаючий агент, ймовірно, був інженерно оптимізований саме під своє завдання. Це та сама фундаментальна сімейство моделей, але з абсолютно різним рівнем суворості навколо неї, і саме це створює зубчастий край.

У міру того, як передові моделі продовжують удосконалюватись, чому, здається, базові помилки AI залишаються? Чи це переважно обмеження самих моделей, чи провали в оточуючій системній архітектурі, даних, робочих процесах, оцінюванні та дизайні продукту?

Головним чином це система, а не модель. Передові моделі продовжують покращуватись у розумінні. Однак компанії часто підключають їх до систем, які не були розроблені для поведінки, заснованої на ймовірності. У системах існують крихкі інтеграції та неповні дані, без реального циклу оцінки перед випуском змін. Тому базова AI‑помилка в продакшені не є справжньою AI‑помилкою, а скоріше провалом інвестування в процеси оцінки, моніторингу та проєктування робочих процесів.

Багато компаній, здається, оптимізують AI‑обслуговування клієнтів за швидкістю, утриманням або відхиленням запитів. Які метрики варто використовувати замість цього, якщо компанії хочуть вимірювати, чи AI‑агент дійсно покращує досвід клієнта?

Для цього нам доведеться розглядати точність вирішення. Швидкість і утримання використовуються для оцінки того, чи змогли ви зняти клієнта з лінії, а не того, чи змогли ви вирішити його проблему. Точність вирішення, яку слід використовувати для вимірювання можливостей AI‑агента, враховує, чи агент зробив правильне, а не лише швидко відповів. Це працює разом з іншими сигналами, такими як частота повторних контактів, обсяг скарг і те, як часто після цього доводиться втручатися людині. Ви зрозумієте, що оптимізуєте неправильний результат, якщо відхилення зростає, а повторні контакти та скарги також збільшуються.

Gradient Labs зосереджується на регульованих фінансових послугах, де неправильна відповідь може мати набагато серйозніші наслідки, ніж типова помилка у службі підтримки клієнтів. Як визначити, коли AI‑агент достатньо надійний, щоб самостійно обробляти процеси, пов’язані з кредитуванням, спорами, onboarding‑ом або перевірками Know Your Customer?

Типовим шляхом, який обирає більшість команд, є роль співавтора: хтось схвалює кожну дію, бо це здається безпечнішим. І більшість вважає це безпечнішим. Але насправді, коли AI правильно виконує більшість завдань, ревізори схвалюють їх без реальної перевірки, і безпека втрачається. Це не зменшує існуюче навантаження, а лише прискорює процес і знижує отриману цінність.

Саме тому поняття достатньої надійності AI‑агента у Gradient Labs дуже процесно‑специфічне. Для нас це має розвиватися через поетапну автономність і не розглядатися як єдина мета, яку треба відмітити. Агент може отримати більшу незалежність у питаннях KYC або спорів лише після того, як його протестували на великому, живому наборі реальних випадків, а також після вибіркової людської перевірки його рішень навіть після запуску в продакшн. Цікавим є те, що це підтверджує важливість зворотності: якщо щось можна скасувати, воно набуде автономії швидше, ніж те, що не підлягає скасуванню.

Guardrails все частіше подаються як рішення для підвищення безпеки AI‑агентів, проте додавання більшої кількості правил може зробити системи жорсткими або завадити їм виконувати легітимні завдання. Як збалансувати автономність і guardrails, не перетворюючи агента на ще один надмірно обмежений чат‑бот?

Помилкою є сприйняття guardrails як стіни, від якої агент просто відскакує. У нашій системі вони виконують дві функції одночасно. Ми застосовуємо guardrails на кожному кроці розмови — деякі перевіряють, що говорить клієнт, щоб виявити вразливість, фінансові труднощі чи скаргу, а інші перевіряють, що збирається сказати агент, щоб забезпечити відповідність. Коли одна з них спрацьовує, вона не просто блокує дію: вона перенаправляє агента до правильної процедури, і це рішення прозоро відображається у міркуваннях агента, тож оператори бачать, чому він діяв так. Глибші guardrails також вбудовані у спосіб, яким агент навчається мислити про завдання, у дані, до яких він має доступ, і у інструменти, які може використовувати. Це поєднання забезпечує безпеку без жорсткості: агент розуміє, що таке guardrails і навіщо вони потрібні, тому виконує легітимне завдання, а не відмовляється від усього, що лише схоже на заборонене.

Тут, на мій погляд, проблема полягає у сприйнятті guardrails як цегляної стіни, від якої агент відскакує. Конкретніше, ми застосовуємо два різних типи guardrails на кожному кроці розмови. По-перше, це guardrails клієнта, які аналізують, що говорить клієнт, і мають виявляти вразливості, фінансові труднощі, скарги та подібне. По-друге, це guardrails агента, які працюють у зворотному напрямку і перевіряють, що агент збирається сказати перед відправкою повідомлення, щоб забезпечити відповідність.

Тобто, замість повного блокування дії, коли спрацьовує один із guardrails, система перенаправляє її на правильний шлях. Таким чином зберігається прозорість процесу прийняття рішень агентом і оператори отримують пояснення, чому було вжито саме таку дію.

Ми можемо це робити, бо не кожен аспект міркувань агента змушений проходити через LLM. Guardrails такого типу детерміновані, оскільки вони спрацьовують не лише в кінці розмови, а протягом усього життєвого циклу агента. Саме завдяки цьому ми можемо довіряти агенту у чутливих комунікаціях і дозволяти налаштовувати конкретних агентів для масштабних випадків у передбачуваний спосіб.

Найважливіше — це те, як агент навчається мислити над завданням спочатку, забезпечуючи доступ до релевантних даних і розуміння інструментів, які треба використати. Ця здатність виконувати легітимне завдання, а не відмовлятися від усього, що здається забороненим, сприяє підвищенню безпеки та запобігає жорсткості.

Де люди повинні залишатися в циклі, коли AI‑агенти стають все більш автономними? Чи є певні рішення або взаємодії з клієнтами, які, на вашу думку, мають і надалі вимагати людського судження, незалежно від того, наскільки потужними стануть підлягаючі моделі?

Людина повинна бути залучена, якщо рішення вимагає чесного розсуду, має суттєві наслідки для клієнта або стосується результату, проти якого агент ще не був оцінений. Людина не обов’язково повинна виконувати всю роботу, але вона має переглянути або схвалити її за потреби. Це, ймовірно, залишатиметься правдою й у міру підвищення спроможності моделей, оскільки часто мова йде не про можливості, а про відповідальність і право клієнта на людське рішення у випадках, таких як кредитні результати чи спори.

Людина повинна бути залучена, якщо рішення вимагає чесного розсуду, має суттєві наслідки для клієнта або стосується результату, проти якого агент ще не був оцінений. Я б навіть пішов далі типового підходу з резервним варіантом і стверджував, що агенти все більше займають своє місце в організаційній структурі поряд з людьми. Це, у свою чергу, змінює те, куди спрямовуються людські зусилля — тепер вони зосереджуються на ескалаціях і рішеннях, залишаючи агенти займатися координацією та маршрутизацією.

Але для успішної реалізації це вимагає, щоб агенти мали той самий інституційний контекст, що й люди, і знали, кого залучати до певних питань і коли. Ось чому ми створили Collaborate. Щоб оператори, інженери та агенти могли працювати разом як рівноправні партнери, використовуючи контроль версій, оцінки та безперервне навчання. Це забезпечує повну участь людей, а форма циклу просто змінюється, щоб враховувати, наскільки добре координуються агент і людина.

Gradient Labs зосередився на спеціалізованих агентах, розроблених для конкретних робочих процесів у фінансових послугах, а не на одному універсальному агенті. Чи вважаєте ви, що майбутнє корпоративного ШІ переважно складатиметься з мереж спеціалізованих агентів, чи все більш потужні базові моделі зрештою зменшать значення такої спеціалізації?

Я вважаю, що навіть коли базові моделі покращуються, спеціалізація залишається важливою. Клієнти платитимуть не лише за «розумну» модель, а за оцінку, специфічну для робочого процесу, захисні механізми та інтеграцію даних, побудовані навколо неї. І ця робота не зникне лише тому, що підлегла модель стане кращою. Я бачу це як мережу спеціалізованих агентів, усі побудовані на спільній і потужній базовій моделі, а не як одного універсального агента, що робить усе.

Агенти ШІ все більше потребують навчання та вдосконалення після розгортання, але в регульованих середовищах навіть невелика зміна поведінки може створити нові ризики. Як компанії можуть безперервно покращувати агента, забезпечуючи, що оновлення не призводять до регресій, проблем з відповідністю або непередбачуваної поведінки?

Принцип, яким ми керуємось, полягає в тому, що кожне оновлення розглядається як новий випуск моделі, а не як інкрементальна зміна конфігурації, тому кожна зміна проходить повний набір оцінок перед випуском. Це включає регресійні тести проти прецедентів, де помилка могла б мати реальний вплив, і нічого не виходить у всіх клієнтів одночасно: ми впроваджуємо поступово та моніторимо, щоб у разі появи дрейфу виявити його на обмеженій частині трафіку, а не на повному масштабі. Саме це лежить в основі нашого недавнього випуску Collaborate. Collaborate дозволяє операторам, інженерам і агенту ШІ працювати разом як рівноправні партнери над живим визначенням того, як агент має мислити, з контролем версій, оцінками та безперервним навчанням, вбудованими безпосередньо у робочий процес. Тож коли хтось покращує спосіб, яким агент обробляє випадок, ця зміна версіонується, тестується проти минулих розмов і впроваджується під тими ж контролями, що й будь-який інший випуск. Це означає, що агент може продовжувати ставати кращим після розгортання, не перетворюючи саме покращення на джерело регресії чи проблеми з відповідністю.

Дивлячись у майбутнє, коли доступ до потужних базових моделей стає все більш коммодитизованим, звідки ж вийде реальна конкурентна перевага в застосуваннях ШІ? Чи переможуть ті, у кого найкращі моделі, чи ті, хто найкраще інженерує надійні системи та забезпечує стабільно хороші користувацькі враження навколо них?

Тепер, коли все більше базових моделей починає збігатися, перевага майже повністю перейде до того, хто найкраще інженерує більш надійні системи навколо цих моделей, включаючи оцінку, захисні механізми, дані та дизайн робочих процесів. Модель стає товаром‑вхідним ресурсом, а стабільність і надійність у продакшені — це справжній продукт.

Навіть поза цим я бачу перевагу в тому, наскільки глибоко агент інтегрований у операції компанії. Агенти, які можуть вбудовуватись у різні частини операцій компанії, переможуть інструменти, що здатні вирішувати лише конкретні проблеми або досягати лише фронтальної лінії. Коли агент може працювати як у фронт‑офісі, так і в бек‑офісі, він приносить більше контексту до взаємодій і може вирішувати складніші проблеми від початку до кінця, так само, як це робить людина. Способність агента вписатися у реальний спосіб роботи компанії — це те, звідки, на мою думку, випливатиме тривала перемога.

Дякуємо за чудове інтерв’ю, читачі, які хочуть дізнатися більше, повинні відвідати Gradient Labs.