Baptiste Bouvier, administrerende direktør og medstifter af Daptic – interviewserie

Baptiste Bouvier er administrerende direktør og medstifter af Daptic, hvor han arbejder på at forbinde regulatorisk indsigt med produktudvikling. Han er uddannet i datalogi og ingeniørvidenskab fra MIT, og hans erfaring spænder over forskning i AI og autonome systemer ved MIT CSAIL, AI inden for sundhedsvæsenet hos Babylon Health, kvantitativ forskning hos J.P. Morgan, udvikling inden for AR/VR hos Meta og rådgivning hos McKinsey. Hans arbejde fokuserer på at hjælpe producenter med at omsætte komplekse regulatoriske krav til praktiske ingeniørmæssige beslutninger.

Daptic tilbyder en AI-drevet platform til produktcompliance, der forbinder regulatoriske ændringer, fortolkning og produktkrav gennem hele produktets livscyklus. Softwaren hjælper specialister i regulatoriske forhold, ingeniører og produktteams med at overvåge globale krav, vurdere deres betydning og indarbejde dem i udviklingsarbejdsgange med sporbarhed til kilderne og menneskeligt tilsyn. I dette interview taler Bouvier om regulatorisk indsigt, fysisk AI, maskinlæsbare designbegrænsninger og overgangen til løbende styring af produktcompliance gennem hele livscyklussen.

Din karriere har ført dig fra forskning i AI og autonome systemer ved MIT CSAIL til AI inden for sundhedsvæsenet hos Babylon Health, kvantitativ forskning hos J.P. Morgan, udvikling inden for AR/VR hos Meta og rådgivning hos McKinsey. Hvordan har disse erfaringer præget din beslutning om at være med til at grundlægge Daptic, og hvad overbeviste dig om, at AI grundlæggende kunne ændre regulatorisk indsigt?

Det, der for alvor gik op for mig, var, hvor meget produktudvikling formes af regulering, og hvor lidt software der fandtes til at understøtte dette arbejde.

Min baggrund er primært inden for datalogi med et vist indslag af maskinteknik, og inden jeg startede Daptic, arbejdede jeg i en række forskellige tekniske miljøer. Hos McKinsey fik jeg dog et nærmere indblik i, hvordan store virksomheder udvikler fysiske produkter, og hvordan regulering kan forsinke processen.

Jeg så utroligt avancerede virksomheder håndtere en kritisk del af produktudviklingen ved hjælp af dokumenter, regneark, e-mail og samtaler på tværs af mange forskellige teams. En regulering kan begynde som juridisk tekst, der offentliggøres af en myndighed, men før eller siden skal nogen omsætte den til et konkret ingeniørkrav, der ændrer den måde, et produkt designes på.

Det var denne kløft mellem regulering og ingeniørarbejde, der interesserede mig. Der var brug for en enorm mængde ekspertise, men kun meget lidt infrastruktur til at forbinde arbejdet. Vi ser dette som den bredere kategori, der handler om at styre produktcompliance gennem hele livscyklussen. Det handler om at forbinde regulatoriske ændringer, fortolkning og produktkrav med de beslutninger, teams træffer under produktudviklingen og gennem hele produktets levetid.

AI ændrer mulighederne, fordi teknologien på én gang kan arbejde med store mængder regulatorisk materiale, produktinformation og organisatorisk viden. Det giver os mulighed for at opbygge en infrastruktur omkring en arbejdsgang, der historisk har krævet en enorm mængde manuelt arbejde. Det var grundlaget for Daptic.

Produktudviklere i sektorer som bilindustrien, luftfart, forsvar, medicinsk udstyr og robotteknologi kan stå over for tusindvis af regler, der hele tiden ændrer sig. Hvor giver AI den største fordel, når den enorme mængde regulatorisk information skal omsættes til noget, ingeniører rent faktisk kan bruge under produktudviklingen?

Den største fordel er muligheden for at bevare forbindelsen mellem udviklingen inden for regulering og udviklingen af produktet.

Forestil dig, at du udvikler et komplekst fysisk produkt, som til sidst skal sælges på 30 eller 40 forskellige geografiske markeder. Du skal finde ud af, hvilke regler der gælder, holde øje med, hvordan de ændrer sig, afgøre, hvilke ændringer der har betydning for dit produkt, og omsætte de relevante krav til ingeniørmæssige beslutninger.

AI kan løbende overvåge det regulatoriske landskab og begrænse den mængde information, et team skal gennemgå. Hvis et krav ændres, kan systemet hjælpe med at identificere, hvilke produkter, komponenter eller ingeniørmæssige beslutninger der kan blive berørt, og give de relevante personer den nødvendige sammenhæng.

Den mest interessante mulighed opstår, når den regulatoriske kontekst bliver en del af selve ingeniørarbejdsgangen. En ingeniør, der træffer en designbeslutning, bør hurtigt kunne forstå de krav, der knytter sig til beslutningen, uden manuelt at skulle søge på tværs af jurisdiktioner, standarder og regulatoriske områder.

Regler ændrer sig, og produkter ændrer sig. Den reelle værdi ligger i at holde de to systemer forbundet, så teams kan forstå konsekvenserne, mens der stadig er tid til at træffe en anden ingeniørmæssig beslutning. Denne løbende forbindelse er en central del af arbejdet med at styre produktcompliance gennem hele livscyklussen.

Regulatorisk compliance er et område, hvor meget står på spil ved brug af AI, da oversete krav eller en forkert fortolkning kan få alvorlige konsekvenser. Hvordan arbejder Daptic med nøjagtighed, forklarbarhed og menneskeligt tilsyn, når AI anvendes til regulatorisk indsigt?

Tillid er helt afgørende på dette område.

Regulatoriske beslutninger kræver stor sikkerhed, så sporbarhed skal være indbygget i arbejdsgangen. Teams skal kunne se, hvor oplysningerne stammer fra, gennemgå kildematerialet og forstå, hvordan man er nået frem til en fortolkning.

Menneskelig ekspertise er stadig yderst vigtig, fordi regler kan være tvetydige. En regel kan fortælle dig meget, men det kræver ofte kontekst, erfaring og dømmekraft at anvende den på et bestemt produkt. Forskellige eksperter kan også nå frem til forskellige fortolkninger af det samme krav.

Vores tilgang er at bruge AI til at understøtte denne ekspertise. AI kan finde og strukturere oplysninger, sætte dem i forbindelse med den relevante produktkontekst og bevare de overvejelser, der allerede har fundet sted. Ingeniører og fagfolk inden for regulering er fortsat en del af processen og kan gennemgå, forfine og bidrage med deres egen ekspertise.

Det skaber også noget værdifuldt for organisationen på længere sigt. Overvejelserne bag en regulatorisk beslutning bliver til institutionel viden, som man kan henvise til og bygge videre på, i stedet for at være gemt i en e-mailtråd eller hos én enkelt person. Hvis livscyklusstyring af produktcompliance skal fungere i stor skala, skal denne kontekst og faglige dømmekraft bevares på tværs af teams, produkter og udviklingscyklusser.

Fysisk AI bevæger sig hurtigt fra kontrollerede industrielle miljøer til produkter, der kan fungere i private hjem og offentlige rum. I takt med at humanoide robotter og systemer som robothunde bliver mere avancerede, hvilke regulatoriske udfordringer mener du så vil blive de største hindringer for, at forbrugerne tager dem bredt til sig?

Fysisk AI samler områder inden for regulering, som historisk set har kunnet behandles langt mere uafhængigt af hinanden.

Tag for eksempel en humanoid robot, der fungerer i et hjem eller et offentligt miljø. Det samme produkt kan omfatte fysisk sikkerhed, elektriske systemer, batterier, trådløs kommunikation, cybersikkerhed, privatliv og autonom adfærd. Afhængigt af hvad robotten gør, kan der også komme yderligere krav til maskiner, transport, medicinsk anvendelse eller andre regulerede aktiviteter i spil.

Det særligt interessante er, at disse produkter i stigende grad er softwaredefinerede. Et fysisk produkt kan ændres væsentligt ved hjælp af software, efter at det allerede er solgt. En ny funktion eller adfærd, der indføres via en opdatering, kan ændre de regulatoriske forhold, der gælder for produktet.

Det betyder, at virksomheder skal tænke på regulering gennem hele produktets livscyklus og ikke kun på ét bestemt tidspunkt før lanceringen. Dette skifte fra compliance på et enkelt tidspunkt til løbende livscyklusstyring af produktcompliance bliver især vigtigt for produkter, hvis funktioner kan udvikle sig, efter at de er kommet på markedet.

Der er også en global dimension. Forskellige jurisdiktioner udarbejder regler for disse teknologier i forskelligt tempo og ofte med forskellige udgangspunkter.

For virksomheder, der udvikler produkter baseret på fysisk AI, bliver den regulatoriske strategi i stigende grad en del af produktstrategien. Beslutninger om sensorer, autonomi, dataindsamling, materialer, konnektivitet og produktets adfærd kan påvirke, hvor et produkt kan anvendes, hvordan det skal testes, og hvilke krav det skal opfylde. Disse sammenhænge skal forstås, mens produktet stadig er under udvikling.

I dag betragtes compliance ofte som noget, der finder sted hen imod slutningen af produktudviklingen. Hvad ændrer sig, når regulatoriske krav bliver en del af grundlaget for ingeniørarbejdet og produktdesignet helt fra begyndelsen?

Det giver ingeniørerne et langt større løsningsrum.

Der er en nyttig parallel inden for ingeniørarbejde til design med henblik på fremstilling. Man kan udforme noget i CAD, der ser helt fornuftigt ud, og så opdage, at det kræver en helt anden tilgang at fremstille det i stor skala. Branchen udviklede værktøjer og metoder, der bragte oplysninger om fremstillingsegnethed tidligere ind i designprocessen, så ingeniørerne kunne tage højde for disse begrænsninger, mens de stadig havde mulighed for at ændre designet.

Regulatoriske krav kan udvikle sig på samme måde.

Hvis ingeniørerne forstår de regulatoriske begrænsninger, mens de designer, kan de vurdere forskellige arkitekturer, materialer, komponenter og produktadfærd med langt bedre kontekst. De kan også forstå, hvordan en beslutning kan påvirke testning, certificering eller markedsadgang, før de bruger måneder på udviklingsarbejde.

Det kan have stor betydning for udviklingstempoet og omkostningerne. Endnu vigtigere er det, at regulering bliver et input i ingeniørarbejdet i stedet for oplysninger, der først kommer, efter at mange af de vigtige produktbeslutninger allerede er truffet. Det er en af de grundlæggende ændringer, der ligger bag livscyklusstyring af produktcompliance: Regulatorisk viden bliver en del af produktudviklingen og ikke blot en kontrol, produktet skal igennem senere.

Kan regler med tiden blive næsten maskinlæsbare designbegrænsninger, så AI-systemer kan advare ingeniører i realtid om, at en foreslået komponent, et materiale, en softwarefunktion eller en produktadfærd kan være i strid med kravene på et bestemt marked? Hvor tæt er vi på denne type arbejdsgang?

Vi bevæger os i den retning, men det afgørende er ikke blot at gøre regler maskinlæsbare. Det handler om at omsætte reguleringssprog til begrænsninger, der giver mening i forbindelse med et bestemt produkt.

Regler er generelt ikke skrevet som tekniske specifikationer. De udarbejdes af regeringer og standardiseringsorganer til mennesker, og der er flere lag af fortolkning mellem regelteksten og den tekniske begrænsning, som en ingeniør faktisk har brug for.

AI giver os langt bedre værktøjer til at forbinde disse lag. Et system kan forstå de regulatoriske krav, de officielle fortolkninger og konteksten for det produkt, der designes. Når en ingeniør ændrer et materiale, en komponent, en softwarefunktion eller produktets adfærd, kan systemet fremhæve de krav, der kan blive påvirket, og forklare sammenhængen.

Det afgørende er produktkonteksten. Det samme regelsprog kan have meget forskellige konsekvenser afhængigt af produktet, markedet, komponenten eller den tilsigtede anvendelse.

Vi er allerede på vej mod at realisere dele af denne arbejdsgang. For at integrere regulatorisk feedback dybt i tekniske arbejdsmiljøer kræves der struktureret produktkontekst og pålidelige forbindelser mellem regelsprog, interne fortolkninger og tekniske krav. AI har fremskyndet vores arbejde med at skabe disse forbindelser.

Med tiden forventer jeg, at regulatorisk feedback bliver langt mere integreret i de værktøjer, ingeniører allerede bruger, på samme måde som andre tekniske begrænsninger er rykket tættere på det sted, hvor designbeslutninger træffes.

Globale producenter skal ofte overholde forskellige og til tider modstridende regler i snesevis af jurisdiktioner. Hvordan kan AI hjælpe ingeniørteams med ikke blot at fastslå, hvilke regler der gælder, men også hvordan en designbeslutning på ét marked kan påvirke produktet globalt?

Det er her, det bliver meget effektivt at kombinere regulatorisk indsigt med produktkontekst.

Producenter ønsker generelt at maksimere fælles løsninger på tværs af markeder, fordi det medfører betydelige omkostninger og kompleksitet at vedligeholde mange forskellige versioner af det samme produkt. Samtidig varierer kravene fra jurisdiktion til jurisdiktion, så i nogle tilfælde er produktet nødt til at blive ændret.

AI kan hjælpe teams med at kortlægge disse sammenhænge langt mere systematisk. Hvis man overvejer et bestemt materiale, en komponent eller en funktion, kan man undersøge de markeder, hvor produktet skal sælges, og få overblik over de relevante krav på hvert enkelt marked.

Det gør det muligt for ingeniørteams langt tidligere at se de globale konsekvenser af en designbeslutning. Én løsning kan fungere på tværs af 25 markeder, men medføre yderligere krav på fem. Teamet kan derefter beslutte, om det globale design skal ændres, om der skal udvikles en regional variant, eller om man skal vælge en anden afvejning.

Producenter træffer allerede disse beslutninger i dag. Muligheden består i at give medarbejderne langt bedre indsigt i, hvordan reguleringen hænger sammen med produktet, så disse afvejninger kan foretages tidligere og på et bedre oplyst grundlag.

Regulatorisk indsigt handler om mere end at holde styr på love, der allerede er vedtaget. Hvordan kan AI identificere tidlige signaler fra udkast til regler, drøftelser i myndigheder, standardiseringsorganer, håndhævelsessager og andre kilder, så virksomheder kan forudse krav, før de påvirker en produktlancering?

Det bliver særligt vigtigt at holde øje med kommende ændringer, når produktudviklingsforløb strækker sig over flere år.

For en producent er det kun en del af det samlede billede at forstå, hvad der ændrede sig i går. Teams har også brug for indsigt i, hvad der kan ændre sig, mens et produkt designes, testes og klargøres til lancering.

Der er mange mulige signaler. Regeringer offentliggør forslag til regler og høringsdokumenter. Standardiseringsorganer drøfter ændringer. Tilsynsmyndigheder udsender vejledning og træffer håndhævelsesforanstaltninger. Tilsammen kan disse kilder give nyttige indikationer på, hvilken retning kravene bevæger sig i.

Omfanget er betydeligt. En global producent kan være nødt til at overvåge kilder fra snesevis af jurisdiktioner, på flere sprog og inden for forskellige reguleringsområder, og derefter fastslå, hvilke udviklinger der faktisk er relevante for virksomhedens produkter.

AI kan løbende overvåge disse kilder, identificere udviklinger, der potentielt er relevante, og knytte dem til bestemte produkter, komponenter eller forretningsområder. Det giver de regulatoriske eksperter mulighed for at bruge mere af deres tid på at vurdere de udviklinger, der kan få væsentlig betydning for produktplanen.

Jo tidligere produktteamet får denne indsigt, desto større fleksibilitet har virksomheden. Hvis et krav sandsynligvis ændres om to år, og jeres næste produkt lanceres om 18 måneder, kan det gøre ændringen til et spørgsmål, der bør indgå i produktplanlægningen allerede i dag.

Efterhånden som AI-agenter bliver dybere integreret i tekniske arbejdsgange, kan vi så på sigt få specialiserede compliance-agenter, der arbejder side om side med ingeniører, produktchefer og andre AI-systemer gennem hele produktets livscyklus? Hvordan ville en sådan arkitektur fungere i praksis?

Ja, og jeg mener, at det afgørende er, at disse systemer skal overvåge begge sider af ligningen. Reglerne ændrer sig, men det gør produktet også.

Man kunne have specialiserede agenter, der løbende overvåger den regulatoriske udvikling og afgør, hvilke ændringer der er relevante for en bestemt produktportefølje. Andre agenter kunne hjælpe med at omsætte kravene til konsekvenser for ingeniørarbejdet.

Samtidig kunne agenter overvåge ændringer i selve produktet. Et team kunne ændre et materiale, opdatere software, skifte leverandør, ændre en komponent eller introducere en ny produktfunktion. Alle disse beslutninger kan ændre, hvilke krav der gælder, eller hvordan et eksisterende krav skal fortolkes.

Disse systemer skal dele kontekst. En regulatorisk agent skal forstå produktet. En ingeniøragent skal have adgang til de relevante regulatoriske begrænsninger. Begge skal have adgang til organisationens tidligere beslutninger og fortolkninger.

Menneskelig dømmekraft er fortsat en vigtig del af denne arkitektur. Når en agent støder på tvetydighed, modstridende krav eller en beslutning med væsentlige konsekvenser, bør den relevante ekspert kunne gennemgå de underliggende kilder, bidrage med en fortolkning og bevare begrundelsen, så resten af organisationen kan få adgang til den.

Jeg ser for mig, at arkitekturen udvikler sig til et netværk af specialiserede systemer og eksperter, der arbejder ud fra en fælles forståelse af produktet. For fysiske produkter er det særligt værdifuldt, fordi én enkelt ingeniørbeslutning kan få afledte konsekvenser for produktion, sikkerhed, certificering, regulering og markedsadgang. På mange måder kan denne fælles infrastruktur blive til styring af produkters overholdelse af krav gennem hele livscyklussen: et system til at koordinere regulatorisk indsigt, produktkontekst, AI og menneskelig ekspertise gennem hele livscyklussen.

Ser vi fem til ti år frem, hvor fysisk AI, autonome maskiner og stadig flere softwaredefinerede produkter bliver almindelige, hvordan forventer du så, at forholdet mellem ingeniørarbejde, AI og regulering vil udvikle sig, og hvilken rolle ser du Daptic spille i dette økosystem?

Jeg forventer, at regulatorisk indsigt bliver et standardinput i udviklingen af fysiske produkter.

Vi har set det ske inden for andre dele af ingeniørarbejdet. Information, der tidligere indgik i en separat proces, flyttes efterhånden tættere på ingeniøren og bliver tilgængelig, når en beslutning skal træffes. Design med henblik på produktionsvenlighed er et godt eksempel.

Reguleringen bevæger sig i den retning, fordi AI giver os mulighed for at håndtere den omfattende kompleksitet og forbinde regulatoriske krav med specifikke produkter og ingeniørbeslutninger.

Det bliver stadig vigtigere, efterhånden som produkter bliver mere autonome og softwaredefinerede. En softwareopdatering kan ændre den måde, et fysisk produkt fungerer på efter lanceringen. En leverandør eller komponent kan blive ændret. En ny funktion kan ændre, hvilke krav der er relevante. Samtidig udvikler regler og standarder sig fortsat på tværs af markeder.

Produktet ændrer sig, og de regulatoriske rammer ændrer sig. Virksomheder har brug for en infrastruktur, der løbende kan forbinde de to.

Det er den retning, vi udvikler Daptic i. Vi ønsker, at regulatorisk indsigt bliver en del af infrastrukturen for produktudvikling, så ingeniører får indblik i de regulatoriske konsekvenser, mens de stadig har frihed til at ændre designet, og regulatoriske eksperter får mulighed for at bringe deres ekspertise i spil på tværs af langt større organisationer.

I sidste ende ser vi styring af produkters overholdelse af krav gennem hele livscyklussen som en central del af denne infrastruktur. Målet er at forbinde regulering og ingeniørarbejde gennem hele produktets livscyklus, så virksomheder kan træffe bedre beslutninger om produkter, bevare kritisk organisatorisk viden og få fysiske innovationer hurtigere på markedet.

Tak for et godt interview. Læsere, der gerne vil vide mere om AI-drevet regulatorisk indsigt og styring af produkters overholdelse af krav gennem hele livscyklussen, kan besøge Daptic.