Matthew Fitzpatrick es un especialista experimentado en operaciones y crecimiento con una profunda experiencia en la escala de flujos de trabajo y equipos complejos. Con un fondo que abarca consultoría, estrategia y liderazgo operativo, actualmente se desempeña como CEO de Invisible Applied sciences, donde se enfoca en diseñar y optimizar las soluciones comerciales de extremo a extremo. A Matthew le apasiona combinar el talento humano con la automatización para impulsar la eficiencia a escala, ayudando a las empresas a desbloquear el crecimiento transformador a través de la innovación de procesos.
Tecnologías invisibles es una empresa de automatización de procesos de negocios que combina tecnología avanzada con experiencia humana para ayudar a las organizaciones a escalar de manera eficiente. En lugar de reemplazar a los humanos con la automatización, Invisible crea flujos de trabajo personalizados donde los trabajadores digitales (software program) y los operadores humanos colaboran sin problemas. La compañía ofrece servicios en áreas como enriquecimiento de datos, generación de leads, atención al cliente y operaciones de back-office, lo que está estableciendo a los clientes para delegar tareas complejas y repetitivas y centrarse en los objetivos estratégicos centrales. El modelo único de “trabajo como servicio” de Invisible proporciona a las empresas un soporte operativo escalable, transparente y rentable.
Recientemente hizo la transición de los principales laboratorios Quantumblack en McKinsey para convertirse en CEO de Invisible Applied sciences. ¿Qué te atrajo a este papel y qué te emociona más de la misión de Invisible?
En McKinsey, tuve el privilegio de trabajar a la vanguardia de la innovación de IA: construir productos de software program de IA, liderar esfuerzos de I + D y ayudar a las empresas a aprovechar el poder de los datos. Lo que me atrajo a Tecnologías invisibles fue la oportunidad de hacerlo operativo a escala con una combinación de una plataforma de software program de IA de IA única y un mercado experto para la retroalimentación humana en bucle. Creo que el aprendizaje de refuerzo de la retroalimentación humana (RLHF) es la clave para las implementaciones de Genai precisas y confiables. Invisible admite IA en toda la cadena de valor, desde la limpieza de datos y la automatización de la entrada de datos hasta el razonamiento de la cadena de pensamiento y las evaluaciones personalizadas. Nuestra misión es easy: combinar la inteligencia humana y la IA para ayudar a las empresas a cumplir con el potencial de la IA, que en la empresa ha sido mucho más difícil de lo que la mayoría de la gente esperaba.
Ha supervisado más de 1,000 ingenieros y ha ampliado múltiples productos de IA en todas las industrias. ¿Qué lecciones de McKinsey estás aplicando a la próxima fase de crecimiento de Invisible?
Dos lecciones se destacan. Primero, la adopción exitosa de IA se trata tanto de la transformación organizacional como de la tecnología. Necesita las personas y procesos adecuados en su lugar, además de los excelentes modelos. En segundo lugar, las compañías que ganan en IA son las que dominan la “última milla”, la transición de la experimentación a la producción. En Invisible, estamos aplicando ese mismo rigor y estructura para ayudar a los clientes a ir más allá de los pilotos y a la producción, ofreciendo un valor comercial actual.
Has dicho que “2024 fue el año de la experimentación de IA, y 2025 se trata de realizar el ROI”. ¿Qué tendencias específicas estás viendo entre las empresas realmente logrando ese ROI?
Las empresas que ven el ROI actual este año están haciendo bien tres cosas. Primero, están alineando los casos de uso de AI con fuerza con KPI comerciales centrales, como la eficiencia operativa o la satisfacción del cliente. En segundo lugar, están invirtiendo en datos de mejor calidad y bucles de retroalimentación humana para mejorar continuamente el rendimiento del modelo. Tercero, están cambiando de soluciones genéricas a sistemas personalizados y específicos de dominio que reflejan la complejidad de sus entornos. Estas compañías ya no solo están probando la inteligencia synthetic, lo están reduciendo con un propósito.
¿Cómo es la demanda de etiquetado de datos específicos de dominio y a nivel de doctorado que evoluciona entre proveedores de modelos de fundación como AWS, Microsoft y Cohere?
Estamos viendo un aumento en la demanda de etiquetado especializado a medida que los proveedores de modelos de la fundación empujan a verticales más complejos. En Invisible, tenemos una tasa de aceptación anual del 1% en nuestro grupo de expertos, y el 30% de nuestros entrenadores tienen maestría o doctorados. Esa experiencia profunda es cada vez más necesaria, no solo para anotar con precisión los datos, sino para proporcionar comentarios matizados y conscientes del contexto para mejorar el razonamiento, la precisión y la alineación. A medida que los modelos se vuelven más inteligentes, la barra para entrenarlos aumenta.
Invisible está a la vanguardia de la IA agente, enfatizando la toma de decisiones en los flujos de trabajo del mundo actual. ¿Cuál es su definición de IA de agente y dónde vemos la promesa más?
La IA agente se refiere a sistemas que no solo responden a las instrucciones: planean, toman decisiones y toman medidas dentro de las barandillas definidas. Es la IA que se comporta más como un compañero de equipo que como una herramienta. Estamos viendo la mayor tracción en flujos de trabajo complejos y de alto volumen: como la atención al cliente y las reclamaciones de seguros, por ejemplo. En estas áreas, la IA agente puede reducir el esfuerzo guide, aumentar la consistencia y ofrecer resultados que de otro modo requerirían grandes equipos humanos. No se trata de reemplazar a los humanos, en cambio, los estamos aumentando con agentes inteligentes que pueden manejar lo repetitivo y la rutina.
¿Puede compartir ejemplos de cómo los modelos invisibles de trenes para el razonamiento de la cadena de pensamiento y por qué es basic para la implementación empresarial?
El razonamiento de la cadena de pensamiento (COT) ha desbloqueado un nuevo potencial para la IA empresarial. En Invisible, capacitamos modelos para razonar paso a paso, lo cual es esencial cuando las apuestas son altas, ya sea que esté diagnosticando a un paciente, analizando un contrato o validando un modelo financiero. COT no solo mejora la transparencia, sino que también permite la depuración, el refinamiento y las ganancias de rendimiento sin nuevos conjuntos de datos. Hemos visto modelos líderes como Gemini, Sonnet y Grok comienzan a revelar sus rutas de razonamiento, lo que nos permite observar no solo qué modelos producen, sino cómo llegan allí. Esto está sentando las bases para métodos más avanzados como el árbol de pensamiento (donde los modelos evalúan múltiples rutas de razonamiento posibles antes de establecerse en una respuesta) y autoconsistencia (donde se exploran múltiples rutas de razonamiento).
Invisible apoya la capacitación en más de 40 idiomas de codificación y más de 30 idiomas humanos. ¿Qué tan importante es la precisión cultural y lingüística en la construcción de IA escalable globalmente?
Es crítico. El lenguaje no se trata solo de la traducción: se trata de contexto, matices y normas culturales. Si un modelo malinterpreta el tono o pierde la variación regional, puede conducir a malas experiencias del usuario o incluso riesgos de cumplimiento. Nuestros entrenadores multilingües no solo son fluidos: están integrados en las culturas que representan.
¿Cuáles son los puntos de falla comunes cuando las empresas intentan escalar de prueba de concepto a producción, y cómo ayuda invisible a navegar por esa “última milla”?
La mayoría de los modelos de IA nunca llegan a la producción porque las empresas subestiman el ascensor operativo requerido. Carecen de datos limpios, protocolos de evaluación robustos y una estrategia para integrar modelos en flujos de trabajo reales. En Invisible, combinamos una experiencia técnica profunda con la infraestructura de datos de grado de producción para ayudar a las empresas a cerrar la brecha. Nuestras capacidades simbióticas en capacitación y optimización nos permiten construir mejores modelos y implementarlos con éxito.
¿Puede guiarnos a través del enfoque de Invisible para RLHF (refuerzo de aprendizaje de la retroalimentación humana) y cómo difiere de los demás en la industria?
En Invisible, vemos el aprendizaje de refuerzo de la retroalimentación humana (RLHF) como algo más que un ajuste fino: permite un diseño de evaluación personalizada (“eval”) más sofisticada y un cambio hacia modelos de entrenamiento con juicio humano matizado en lugar de señales binarias como pulgares y pulgares hacia abajo. Si bien los enfoques de la industria a menudo priorizan la escala a través de datos de alta señal y de baja señal, nos enfocamos en recopilar comentarios estructurados y de alta calidad que capturan razonamiento, contexto y compensaciones. Esta señal más rica permite que los modelos se generalicen de manera más efectiva y se alinen más estrechamente con la intención humana. Al priorizar la profundidad sobre la amplitud, estamos construyendo la infraestructura para sistemas de IA más robustos y alineados.
¿Cómo se imagina el futuro de la colaboración ai-humana que evoluciona, especialmente en campos de alto riesgo como finanzas, atención médica o sector público?
La IA no está reemplazando la experiencia humana: se está convirtiendo en la infraestructura lo que la respalda. Imagino un futuro en el que los agentes de IA y los expertos humanos trabajan en tándem, donde los médicos son respaldados por copilotos de diagnóstico, las agencias gubernamentales usan la IA para los beneficios de triaje de manera más eficiente y los analistas financieros son libres de centrarse en la estrategia en lugar de las hojas de cálculo. Nuestro enfoque es diseñar sistemas donde la IA mejora la capacidad humana, en lugar de oscurecerla o anularla.
Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Tecnologías invisibles.
