Voormalige Google-CTO deelt hoe hij AI gebruikt om zijn bedrijf vanaf de grond op te bouwen

Valliappa Lakshmanan is de medeoprichter en CTO van Obin, een op AI gebaseerd bedrijf dat autonome agenten bouwt voor financiële werkstromen. Daarvoor was hij directeur van data-analyse- en AI-oplossingen bij Google Cloud. En hij heeft uitgebreide ervaring met AI-integratie.

We gingen met Lak om tafel om te begrijpen hoe hij een op AI gebaseerd bedrijf opbouwt. Dit is wat hij te zeggen had.

Uitgebreide expertise in AI-integratie

Ik ben Lak, medeoprichter en CTO bij Obin. We bouwen autonome AI-agenten die financiële werkstromen van begin tot eind uitvoeren.

Ik begon mijn loopbaan als onderzoeker op het gebied van machine learning, met een focus op het voorspellen van zwaar weer. Wij waren een van de eerste sectoren die realtime ML-modellen bouwden en deze in productie implementeerden. Vervolgens bracht de golf van deep-learningtechnologie in 2014 mij naar het bedrijfsleven.

Ik leidde het team voor data-analyse- en AI-oplossingen bij Google Cloud en werkte met veel klanten die AI in productie implementeerden. Daarna stapte ik over naar Silver Lake, een private-equityfirma, waar ik hielp de AI-strategie te creëren en uit te voeren voor de bedrijven in hun portefeuille.

Ik breng dus uitgebreide expertise mee, zowel in het implementeren van AI in productie als in het opnieuw bedenken van de manier waarop bedrijven zich aanpassen aan en gebruikmaken van de mogelijkheden van de nieuwe technologie.

Werken volgens een hoge standaard

Obin bestaat nog geen jaar, maar we hebben een snelgroeiend team. De technische uitdaging bij het bouwen van autonome AI-agenten voor de financiële sector is dat we het model omdraaien: in plaats van chatbots en copiloten te bouwen — waarbij mensen elke stap van de cyclus beheren — werken we nu in een modus waarin de AI de werkstroom van begin tot eind uitvoert en mensen deze controleren en toezicht houden.

Dit sluit ook nauw aan bij de manier waarop we software bouwen — AI-agenten schrijven het grootste deel van de code onder zorgvuldig toezicht van onze engineers.

We werken met enkele van de grootste financiële bedrijven aan hun meest kritieke functies, dus de eisen aan taakvoltooiing en nauwkeurigheid zijn zeer hoog.

Daarom werken we met Robin — ons agentenplatform dat het bouwen van agenten voor gereguleerde sectoren vereenvoudigt en ervoor zorgt dat ze aan alle noodzakelijke vereisten voor compliance en controleerbaarheid voldoen.

Waarom op AI gebaseerde bedrijven in het voordeel zijn

Valliappa deelt

Zolang we de werking van de code kunnen verifiëren en de code klein genoeg is, is deze zeer betrouwbaar.

Omdat het bedrijf relatief nieuw is, hebben we het geluk gehad dat we agentgestuurd konden bouwen. We zijn volledig op AI gebaseerd in al onze functies.

Het meest opvallend is dat we AI uitgebreid gebruiken bij softwareontwikkeling. Claude Code genereert vrijwel al onze oorspronkelijke code. Zolang we de werking van de code kunnen verifiëren en de code klein genoeg is, is deze zeer betrouwbaar. Daarnaast hebben we een Claude-reviewbot in onze CI/CD die elke commit en PR beoordeelt. De "snelle successen" en problemen die onze bot signaleert, hebben de werklast voor codebeoordelaars verminderd, waardoor we sneller kunnen werken.

Een ander voordeel is dat we geen gebruikersverhalen of PRD's meer nodig hebben om software te bouwen. Nu maken we gewoon prototypes en herhalen we het proces.

AI genereert ook ontwerpdocumentatie uit de code, en we gebruiken AI eveneens om die documentatie opnieuw op te maken voor verschillende doelgroepen (beveiliging, data-architecten, AI-engineers enzovoort). We kunnen de documentatie veel sneller oppakken, markeren en opnieuw opmaken dan wanneer een mens dit handmatig zou doen.

En als laatste voorbeeld: we maken ook presentaties voor investeerders en verkoop met behulp van AI.

Waarom het beheren van AI-medewerkers uitdagingen met zich meebrengt

Elke engineer bij ons is in feite een technisch manager die toezicht houdt op een groep AI-medewerkers. Dankzij deze aanpak hebben we de implementatietijd van functies verkort en is de codekwaliteit zelfs verbeterd door een betere foutafhandeling.

De snelheid van implementatie vormde echter een uitdaging. Nu moeten we ontwikkelomgevingen zorgvuldig beheren om het testen van functies mogelijk te maken.

Waarom AI-artefacten nieuwe beoordelingsprocessen vereisen

Nu het aantal door AI gemaakte artefacten — code, configuratiebestanden, documenten, pipelines enzovoort — toeneemt, is het belangrijk dat technologieleiders hun beoordelingsmogelijkheden uitbreiden. Je kunt en moet controles op juistheid creëren voor elk artefact.

Hier is een voorbeeld: je kunt de informatie in een betalingsbericht vergelijken met eerdere betalingsberichten voor dezelfde deal, kredietnemer enzovoort.

Het is beter om controles op juistheid vooraf uit te voeren dan pas tijdens de uitvoering een probleem met het door AI gegenereerde artefact te ontdekken!

En gebruik natuurlijk menselijke beoordelingsmomenten.

Waar mensen nog steeds aanwezig moeten zijn in AI-softwareontwikkeling

Bij code is er een duidelijke scheiding tussen wat AI doet en wat mensen doen.

Momenteel worden alle commits en PR's vooraf door AI beoordeeld. Mensen voeren echter de definitieve samenvoegingen van PR's uit. Een senior technicus blijft alle PR's beoordelen op architectuur.

De grens ligt bij alles waarbij context buiten de broncode betrokken is. Dit betekent bijvoorbeeld dat mensen alles moeten afhandelen wat te maken heeft met belanghebbenden en regelgevingscomplexiteit.

Waarom domeinexpertise belangrijk is bij AI-integratie

AI werkt het best op gebieden waarop je diepgaande expertise hebt. Het is belangrijk om te weten hoe "goed" eruitziet, zodat je met het model kunt itereren totdat het goed presteert.

Op gebieden waarop we geen expertise hebben, waren de resultaten van AI doorgaans oppervlakkig.

Hier is een voorbeeld. Zonder verdere aanpassingen werkte AI niet goed voor het genereren van onze dealsamenvattingen. Het kon tegenstrijdige informatie in de brondocumenten niet verwerken en richtte zich vaak op de meest extreme uitspraken in plaats van op de belangrijkste. Voor niet-onderbouwde informatie had AI niet genoeg informatie over de private markt gezien om nuances op te merken. En omdat we er geen experts in waren, vonden we het moeilijk om het model op niveau te brengen.

Valliappa deelt

Het is belangrijk om te weten hoe “goed” eruitziet, zodat je met het (AI-)model kunt itereren totdat het goed presteert.

Waarom technologieleiders voorzichtig moeten zijn met het automatiseren van bestaande processen

Als het om automatisering gaat, moet je je huidige processen niet automatiseren. Gebruik AI in plaats daarvan om de tussenstappen weg te laten en rechtstreeks tot het eindresultaat te komen.

Neem bijvoorbeeld de stappen die je uitvoert om een PowerPoint-dia te maken. Het is verleidelijk om de AI precies die stappen te laten volgen, maar een dia bestaat uiteindelijk uit XML + afbeeldingen. De AI kan de dia genereren zonder jouw stappen te doorlopen. Dit idee is ook van toepassing op bedrijfsprocessen — je kunt een factuur maken zonder het huidige systeem voor factuurcreatie te gebruiken. Roep gewoon de relevante back-end-API's aan om de juiste prijzen en hoeveelheden op te halen.

Waarom AI cognitieve overbelasting kan veroorzaken

Hier is een van de grootste nadelen die ik bij technologieleiders heb gezien: de snelheid waarmee AI-tools werken, veroorzaakt een aanzienlijke cognitieve overbelasting.

Om de overbelasting te verminderen, hebben we elke middag twee uur gereserveerd voor "diep nadenken". Of het helpt, moet nog blijken.

Volg mee

Je kunt Valliappa Lakshmanan volgen op LinkedIn, of een kijkje nemen bij Obin.

Er volgen nog meer interviews met experts bij The CTO Club!