Matt Fitzpatrick：让企业 AI 真正运作、专家数据与部署

Harry Stebbings 与 Invisible Technologies CEO Matt Fitzpatrick 讨论企业 AI 部署、专家数据、招聘和公司的商业模式。Fitzpatrick 销售 AI 训练和企业实施服务，这一商业利益影响了他对人类反馈和部署工程师价值的看法。

Fitzpatrick 说，他在 McKinsey 工作了 12 年，并领导技术开发团队 QuantumBlack Labs。他回忆，在职期间公司的工程师从约 100 人增至 7,000 人，自己负责其中约五分之一。这些是他的回忆，并非经过独立验证的员工数据。

他在社交场合认识了 Invisible 创始人 Francis Pedraza，后来接受邀请出任 CEO。他说，离开稳定的工作很困难，但他希望围绕自己研究了十年的领域建立一家公司。一位导师劝他考虑如果不尝试会留下多少遗憾。

Fitzpatrick 说，Invisible 将模型训练与企业软件平台结合起来。他认为，模型能力和消费者使用的进展快于企业采用，因为部署不仅需要强大的模型，还需要可用的数据、重新设计的流程、负责的业务人员、监控和信任。

他引用了几份报告，包括生成式 AI 部署中只有 5% 有效的说法，以及到 2027 年 40% 的企业项目可能被取消的预测。访谈没有确定这些报告的具体研究对象、定义或方法；不能将这些数字视为针对所有企业 AI 的已验证比例。

在他看来，风险管理、验证和系统集成会使企业采用成为一个五到十年的过程，而非一到两年的转变。这是他的预测，不是测得的采用时间表。

Stebbings 问大型银行会购买外部工具还是内部开发。Fitzpatrick 说，答案因行业而异，银行往往偏好内部开发。他引用一项称外部推动的项目更有效的比较，但访谈没有说明项目如何选择，也没有明确衡量效果的方式。

Fitzpatrick 认为，外部供应商通常要遵守明确的里程碑和回报要求，内部项目则可能缺少同样的纪律。他还说，经验丰富的 AI 人才稀缺。他的公司参与竞争提供外部部署，因此这些判断有直接商业利益背景。

他讲述了一家未具名零售商据称花费 2,500 万美元开发退货智能体，后来又回到确定性流程。据他所述，其评估强调速度和用户情绪，却忽略了可能造成高额损失的错误答案。这只是他的叙述，不能说明典型成本或失败率。

他建议高管和财务负责人明确具体项目需要的数据、指定负责的业务人员、设立里程碑，并根据已证明的结果付款。他认为，财务负责人不必亲自成为 AI 专家，也可以提出这些问题。

Fitzpatrick 建议不要资助数百项实验，而是选择三到四个运营重点，为业务负责人设定可衡量目标。对呼叫中心来说，指标可能包括问题解决质量、每通电话成本和路由方式，而不只是模型是否给出回答。

Stebbings 问，买家如何在说法相似的大量供应商中选择。Fitzpatrick 引用一项智能体评估，称单轮和多轮任务的结果不理想，但访谈没有提供足够的基准细节，不能将这些比例推广到所有智能体。

他建议先进行概念验证，确认技术有用后再付款。他说，Invisible 为客户提供八周免费的解决方案冲刺。这是对其公司销售方式的描述，并非对供应商报价进行独立验证后的比较。

Fitzpatrick 介绍了 Invisible 平台的五个部分：数据集成、智能体构建、工作流程工具、专家平台和评估。他说，同一架构可以按行业配置，并称每年约有 130 万名专家进入平台。这些公司数字由其自行披露，专家人数的具体定义并不清楚。

他以礼宾医疗公司 Lifespan MD 的项目为例，描述整合分散的记录与业务数据、构建报告，并加入预约等任务。他提出的时间和能力是公司方面的描述，不能证明该系统经过临床验证，也不能证明任何具体医疗干预有效。

他说，当客户需要改变工作流程和连接系统时，前沿部署工程师至关重要。Invisible 已开设办公室并组建部署团队；他认为没有这一模式企业部署就无法成功，是他作为此类服务销售方的广泛判断。

Fitzpatrick 区分了仅回答产品问题的人员与构建特定客户工作流程的工程师。他说，Invisible 通常花约三个月定制一次部署，并预期随着业务环境和模型变化持续调整。这些时间说法不是通用基准。

他说，Invisible 不单独收取前沿部署工程师费用，软件运行后才收款。他解释，公司将开支从销售转向部署人员；但人员仍有成本，访谈没有独立证明最终利润率。

他向创始人提出的区分是：相对标准的信息产品可能不需要驻场工程师，而工作流程转型需要系统集成和客户采用。即便如此，认为部署工程师是唯一可行方式，仍反映的是他自己的方法。

Fitzpatrick 认为，企业软件一直涉及大量配置，通常由系统集成商提供。他认为，小额 SaaS 合同可能难以支撑密集定制，而生成式 AI 部署往往需要更多客户专属数据和验证。

他说，Invisible 通常在通过用户验收测试时开始收款，往往是在两到三个月后。他将这一方式与过去的企业机器学习部署作比较，而不是假设每个 AI 产品都能作为完全相同的现成软件安装。

Stebbings 问 Invisible 是否主要是人才平台。Fitzpatrick 更愿意称其为 AI 训练平台：他说，寻找专家只是一步，还需要评估、组织任务和验证输出。他没有披露平台收入所占的准确比例。

他说，AI 训练在早期业务中占有重要份额，企业部署如今是增长重点。他称公司在 45 天内达成 12 项企业交易，但没有披露金额，也没有说明这些是订单还是已确认收入。

他承认，模型开发商数量较少，使客户集中成为训练市场的一个特点。他预计企业客户和专业模型开发商会扩大客户基础，但没有提供 Invisible 的准确客户集中度数据。

Stebbings 问，供应商如何与贡献大量收入的客户谈判。Fitzpatrick 说，优质数据可以避免浪费算力，并称客户会比较供应商的结果。他反对买家愿意支付任何价格的说法，并表示项目有价格边界；这些都是他的市场观察。

Fitzpatrick 预计，人类专业知识仍然重要，尤其是在复杂、多语言和多模态任务中。他将这些任务与数学等有时可以根据明确结果检验答案的任务作对比。他对未来十年需求的预测体现了一家数据供应商的利益和展望。

他引用了“组织记忆”的概念：反复寻找专家、组织任务并评估输出的团队可能难以复制。他提到某一周约有 26,000 名专家工作，同时也提到更大的平台人数；访谈没有证明 130 万人同时活跃。

他说，数据工作已经从简单图像标注转向狭窄领域的专业知识，并以懂法语的 17 世纪建筑专家为例。他强调的是招聘、评估和累积的绩效数据，而非独占每一位专家。

Fitzpatrick 将专家报酬比作平台的价格发现：费率取决于技能、时间和地点。他说，支付更多并不保证找到优秀专家。访谈没有提供工资分布、劳动条件或任何特定费率是否公平的独立证据。

他不预计某一家公司会控制固定的专家群体或主导整个市场。他说，需求会变化，平台必须维持足够的供需。他认为会有多个供应商，这是一种预测，而不是对市场结构的实测。

作为专业企业项目的例子，他描述了与 SAIC、Vantor 和美国海军合作，为水下无人系统开发模型。他说，这项工作涉及解释传感器信息和可能的应对方式。访谈没有提供对系统性能或部署情况的独立评估。

Fitzpatrick 说，公开基准有助于人们了解模型进步，但可能无法预测某个企业任务是否达到客户要求。他预计会出现更多针对具体任务的测试、验证和风险管理，尤其是在错误后果严重的领域。

Stebbings 问，自动化初级任务是否会损害未来的人才培养路径。Fitzpatrick 预计采用速度足够缓慢，员工有时间适应，并说自己的公司正在招聘年轻员工。他用会计工作作类比，说明技术既可能自动化工作，也可能扩大工作量，但这不能证明 AI 时代的就业结果。

他预测，AI 训练和企业服务市场都会容纳多个供应商，而不是只有一个赢家。他称赞 Palantir 早期投资定制部署，同时表示 Surge、Mercor 等公司与 Invisible 的不同业务部分存在竞争。

Stebbings 质疑大型数据标注数字究竟代表收入还是平台交易总额。Fitzpatrick 将其称为收入，并指出项目利润率和专家费率不同。仅凭这个解释无法解决总额法与净额法的会计区分；访谈也没有提供经审计的收入确认细节。

他反对合成数据会在几年内消除人类反馈需求的说法。他认为，具体情境、私有信息和复杂判断可能需要专家审查。他预测人类将在未来几十年继续参与；这是来自一家销售人类专业服务的公司经营者的预测。

被问及盈利能力时，Fitzpatrick 说 Invisible 过去获得的主要融资相对较少，后来融资约 1.3 亿美元并增加投入。他表示，公司当年不会盈利。这些融资和盈利说法由他自行披露，访谈没有提供财务报表。

他认为，当前机会足以支持继续投资而非回收现金，并描述了企业和训练产品的长期计划。更多资本也带来执行风险；访谈提供的是他的理由，而非对实际回报的预测。

他希望扩展的一个领域是物理世界数据。他描述工程师走访农场、连接偏远地点并构建用于牲畜监测的计算机视觉模型。他认为能源和机器人领域也有类似机会，同时承认这些工作需要时间和资本。

Fitzpatrick 说，Invisible 过去一直保持低调，但现在更加重视品牌。他认为曝光有助于建立信任，并表示对外叙述应与客户和员工的实际体验一致。

Stebbings 质疑初创公司是否必须先销售再交付。Fitzpatrick 区分了透明地提出尚未建成的解决方案，与声称智能体已经无所不能。他说，非确定性系统可能以精致演示无法揭示的方式失败。

回顾在 McKinsey 的早期工作，他说自己通过解释某个想法为何可能有效，并与客户共同迭代来建立信任，而不是承诺确定结果。他认为，招聘有能力的人是打造有用产品的核心。

他的招聘建议既强调招聘优秀人才，也强调留住和培养他们。他偏好能够承担多个角色、适应变化的员工，并认为有智力挑战的工作环境有助于留住人才。

Stebbings 认为高要求的文化能够造就获胜团队。Fitzpatrick 对先前回答作出限定：重执行的企业与研究导向的 AI 公司可能采用不同组织方式。他说，Invisible 也会全力推动交付，同时尝试为工程师保留探索空间。

他描述了资本配置中的张力：是保持稳定增长，还是投入更多资金加速扩张。他说，Invisible 打算在近期投入，同时保留通向盈利的路径。这是管理目标，而非未来盈利的证据。

Fitzpatrick 说，Invisible 多年来完全远程办公，现在主要采用线下办公，同时保留一些远程员工。他认为办公室改善了协作、与客户的距离和公司文化。他声称生产率提高，但没有披露测量方法或对照比较。

他将办公地点与工作时间分开看待：在他看来，人们可以大部分工作日线下协作，同时保留需要时居家工作的灵活性。他说，他不要求所有人每周六天到办公室，希望避免失去灵活性。

在管理方面，他说，随着客户和项目增多，集中控制的作用会下降。他的做法是扁平化组织、共享工具与决策框架，并授权接近客户的团队采取行动。他将此比作军事组织中的现场决策。

长期文化和运营原则仍然重要，但 Fitzpatrick 认为，在技术快速变化时，详细的五年 AI 产品计划用处较小。他倾向于保持核心信念稳定，同时频繁迭代并使用可互操作的系统；这是他的运营理念。

他谈到自己花大量时间旅行，并说频繁沟通和伴侣的支持有助于维持关系。他预计这种强度反映特定的成长阶段，而不会无限期持续。

在快问快答中，他拒绝在模型供应商之间选择投资对象，称赞 Databricks 的数据基础设施，并重申 CEO 的重点：招聘优秀人才，建立让他们良好合作的文化，并帮助他们从共同创造的成果中受益。

他认为，现成智能体不会自动修复每一种业务流程。他感兴趣的投资包括利用 AI 提供现实世界服务的公司，而不只是销售智能体软件的供应商。他关于软件利润率和潜在回报的评论是前瞻性判断，并非经过审计的比较。

展望未来，Fitzpatrick 对能源、医疗和教育持乐观态度。他引用了若干有关用电、医疗支出和医疗错误的数字，但访谈没有提供足以验证这些数字的定义或证据。他认为 AI 会带来净环境收益或改善临床结果，这些是愿望和预测，并非已确立的结果。

在教育方面，他希望易获取的工具能扩大人们的学习机会，也希望雇主除了学历外能依据技能评估人才。他提到 Invisible 招聘了一些没有大学学历的人。访谈以这一愿景结束，但没有确定 AI 将如何影响整体教育不平等。