Voor ingenieur en innovator Matteo Zamparini is een van de belangrijkste productiviteitsflesjes in de moderne wereld niet talenttekort of gebrek aan ambitie, het is tijd verspild aan repetitieve taken.
Van het traceren van pakketkaarten als data science-stagiair tot het mede-oprichten van een start-up die hernieuwbare energiemogelijkheden voor commerciële eigenaars identificeerde, heeft zijn carrière een consistent thema gevolgd: het bouwen van technologie om gruntwerk te automatiseren zodat menselijk werk kan worden gebruikt voor meer strategische taken.
Als oprichter-ingenieur bij PropRise, een bedrijf dat wordt ondersteund door Y Combinator, bouwt hij AI-agenten die 24 uur per dag werken om enorme hoeveelheden uiteenlopende vastgoedgegevens te volgen en inzichten te genereren die potentiële investeringsmogelijkheden onthullen.
Het draait allemaal om zijn visie van een wereld waar AI mensen niet alleen helpt, maar ze ook bij het personeel brengt om langlopende taken uit te voeren.
De werkelijke kosten van handmatige gegevensanalyse
In een door software ondersteunde wereld is het gebrek aan digitale hulpmiddelen niet langer het grootste probleem.
Als student-stagiair bracht hij maanden door met hulpmiddelen zoals digitale kaarten, waardoor sites, statistische computing-software en websites voor vastgoedvermeldingen gegevens konden verzamelen en uiteindelijk analyseren die konden worden gebruikt voor het maken van investerings- en ontwikkelingsbeslissingen. „Ik herinner me dat ik dacht: ‘Satellietbeelding gebouwd met Lidar is cool,’” vertelt hij. „Maar is het wekenlang doorbrengen op kaarten en websites om de juiste gegevenspunten te vinden echt het beste gebruik van menselijk intellect?”
Dit was een van de inzichten die het idee ontstond voor Spaceflare, een start-up die hij na zijn afstuderen in 2021 met collega-studenten van UC Irvine oprichtte.Het model dat hij bouwde, gebruikte publieke records en satellietbeelden om eigenschappen te identificeren die geschikt kunnen zijn voor installatie van zonnepanelen, waardoor schone energiebedrijven en eigenaars snel potentiële kansen voor energieproductie en inkomsten kunnen identificeren.
Een proces dat waarschijnlijk weken van handmatige analyse zou hebben genomen, kan nu in minuten worden gedaan met Spaceflare.
Building AI Agents that Act and Reason—Within Reason
Het bouwen van AI-agenten die handelen en reden - binnen redenVandaag de dag is Zamparini de ontwikkelaar achter de AI-agenten die de macht
PropRise is niet alleen een ander machine learning-instrument dat de gegevensverzameling automatisert; zijn agenten werken onafhankelijk, structureren de gegevens die ze vinden en evalueren voortdurend de geloofwaardigheid en nauwkeurigheid van een breed scala aan bronnen.
“We hebben agentsystemen ontwikkeld die kunnen redeneren, handelen en zelfs menselijke feedback of goedkeuring in het midden van de taak kunnen zoeken,” legt hij uit.
Hij ziet deze mens-in-the-loop benadering als een cruciaal onderdeel van een toekomst waarin AI-agenten alle handmatige werkzaamheden kunnen overnemen zonder het risico te lopen controle te verliezen over strategische beslissingen.
Betrouwbaarheid boven nieuwheid: architectuur van agentische systemen voor gebruik in de echte wereld
In Zamparini’s ogen is de opkomst van open standaarden zoals Model Context Protocol (MCP), AGNTCY, HumanLayer of de taal BAML de belangrijkste trend in AI.
Wanneer software-outputs in financiële modellen of strategische beslissingen worden gevoed, moeten de resultaten die ze produceren verifieerbaar zijn.
Opkomende frameworks zoals HumanLayer, BAML, MCP en AGNTCY creëren een basislijn die dit type agensecosysteem mogelijk kan maken.
HumanLayer, bijvoorbeeld, levert een protocol dat robuuste menselijke-in-the-loop toezicht toe te voegen aan autonome AI-agenten. het onderschept high-stakes acties en routes ze naar mensen - via Slack, e-mail, SMS, en andere kanalen - voor goedkeuring, feedback, of escalatie, dan voedt de reactie terug zodat agenten veilig kunnen blijven werken.
MCP is een open standaard die standaardiseert hoe AI-modellen verbinding maken met data-inputs, waardoor grote taalmodellen (LLM's) rechtstreeks kunnen worden aangesloten op diverse databases en API's om een meer uitgebreide pool van informatie en agent-to-agent-samenwerking te creëren.
AGNTCY is een open ecosysteem voor agent-to-agent-interoperabiliteit dat het concept een stap verder brengt door een gedeelde identiteitslaag en interactiemodel voor AI-agenten te definiëren, waardoor tools gemaakt door verschillende ontwikkelaars informatie veilig en voorspelbaar over platforms kunnen delen.
Samen maken deze kaders AI-agenten mogelijk die niet alleen krachtig zijn, maar ook uit te voeren, te testen en te onderhouden.
Building a Template for the Future of Work
Een template bouwen voor de toekomst van het werkGemeenschappelijke normen en talen zijn de sleutel tot de ontwikkeling van AI die op betrouwbare wijze wereldwijd werk kan automatiseren.En ze zijn veel verder van toepassing dan commerciële onroerend goed; op zijn best, ze stellen AI-agenten en agentsystemen in staat om te transformeren hoe professionals en experts werken in verschillende industrieën.
“Met behulp van AI kunnen we mensen tijd vrijmaken”, concludeert Zamparini. „Wanneer we echt kunnen vertrouwen op geautomatiseerd werk en aanbevelingen om uitgebreid en nauwkeurig te zijn, kunnen deze systemen meer doen dan alleen bestaande workflows verbeteren, ze kunnen ruimte maken voor nieuwe industrieën en innovatie.
Voor Zamparini is de toekomst van AI niet een betere digitale assistent, het is een systeem dat mensen in staat stelt om nieuwe dingen sneller te bouwen, bestaande industrieën te bevorderen en zelfs nieuwe te genereren.
AI-agenten verwijderen het lawaai, waardoor bouwers sneller kunnen bewegen, dieper kunnen denken en groter kunnen dromen.
