Shiva Dhawan, medstifter og administrerende direktør for Attentive.ai – Intervju-serie

Shiva Dhawan, medstifter og administrerende direktør for Attentive.ai, er en iværksætter, der fokuserer på at anvende kunstig intelligens til at transformere infrastruktur- og byggeprocesser. Før han startede Attentive.ai, havde han ledelses- og operationsroller i teknologi- og forretningsfunktioner, hvilket hjalp med at forme virksomhedens vision om at automatisere traditionelt manuelle processer i brancher som bygge, kortlægning og geospatial analyse. Under hans ledelse har virksomheden udvidet sig internationalt, samtidig med at den udvikler AI-systemer, der er designet til at forbedre effektiviteten i estimering, takeoffs og infrastrukturledelse for virksomheder og entreprenører.

Attentive.ai er et AI-drevet byggeteknologiselskab, der fokuserer på at automatisere forbygnings- og infrastrukturprocesser ved hjælp af computer vision og geospatial intelligens. Dets platform hjælper entreprenører, landskabsfirmaer og infrastrukturoperatører med at accelerere estimerings-, målings- og analyseopgaver, der historisk set har afhængigt af manuelt arbejde. Virksomhedens Beam AI-produkt er designet til at udnytte luftfotografier og AI til at generere meget detaljerede ejendomsmål og landskabsinsights, hvilket hjælper virksomheder med at forbedre budgivningsnøjagtighed, reducere operationelle flaskehals og skala projekter mere effektivt gennem automatisering.

De grundlagde Attentive.ai efter at have skaleret en servicesvirksomhed inden for kortlægning og forsikring, og introducerede derefter Beam AI som deres flagship-produkt. Hvad var de specifikke indsighter fra den tidligere fase, der fik dem til at bygge Beam AI, og hvorfor valgte de takeoff og estimering som indgangspunkt for at transformere byggeprocesser?

Min medstifter, Rishabjit, og jeg kom til det amerikanske bygge marked under COVID, hvor entreprenører måtte estimerer job uden at være på stedet. Det, der hele tiden kom op, var det samme problem: entreprenører tabte arbejde, ikke fordi de ikke kunne udføre jobbet, men fordi de løb tør for tid til at prissætte det. En estimator, hundredvis af sider med planer, 4 til 8 timer per job. Du kan ikke vokse en forretning på den måde.

Vi valgte takeoffs, fordi de er startpunktet for alt. Intet andet bevæger sig, før nogen måler omfanget. Og outputtet er verificerbart; du fik enten kvantiteterne ret, eller også gjorde du det ikke. En 2% fejl på et job på 10 millioner dollars er 200.000 dollars væk. Det er ikke abstrakt. Det er en reel omkostning, som estimatore bærer hver dag.

Bygge og felttjenester ses ofte som langsommere til at adoptere nye teknologier. Hvad har været det største barrier for AI-adopterings i denne sektor, og hvordan overvinder de det?

Tillid. Estimatore har bygget deres karriere på nøjagtighed. Når de fejler noget, betaler deres virksomhed for det. Så når vi dukkede op med AI, var den naturlige reaktion: hvordan ved jeg, det her er rigtigt?

Vi prøvede ikke at tale folk ud af den bekymring. Vi adresserede det direkte. Hver færdig takeoff bliver gennemgået af en trænet person, før den sendes tilbage til kunden. Automatiseringen håndterer volumen og hastighed.

QA-fasen fanger alt, der kræver en anden kig. Efter et par job ser kunderne mønsteret: kvantiteterne er rigtige, deres team er ikke begravet i plansæt, og budene kommer ud hurtigere. En af vores kunder, Bommarito Construction, indsendte 50 flere bud i løbet af seks måneder ved hjælp af platformen. Det er mere overbevisende end nogen demo.

Beam AI fokuserer på at automatisere takeoffs, en traditionelt manuel og tidskrævende proces. Hvorfor er denne workflow så kritisk som indgangspunkt for AI-dreven transformation?

Hvert projekt starter her. Før du kan prissætte noget, må nogen sidde med planerne og måle alt. En enkelt takeoff kan tage en hel dag. Når tingene bliver travle, bliver det taget i vejret på, hvor meget arbejde et hold kan jagte.

Entreprenører afviser ikke job, fordi de ikke vil have dem. De afviser job, fordi der ikke er tid til at prissætte dem.

Takeoffs har også et klart, kontrollerbart output: materialekvantiteter. Du ved, hvis noget blev missed. Det gør det til en rimelig placering til at bygge tillid til et nyt system, især når indsatsen er høj.

Hvor ser du, at denne udvikling kommer til at forme konkurrencen og margenerne på tværs af branchen?

Det sker allerede. Når en entreprenør kan jagte tre gange så mange job med samme hold, bliver de selektive. De går efter højere margener. De kan reagere hurtigt, når en stor mulighed kommer ind, i stedet for at afvise den, fordi de allerede er maksimeret.

Entreprenører, der ikke tænker over dette, vil føle presset fra dem, der gør. Rays Stairs fordoblede deres budvolumen og voksede omsætningen fra 900.000 dollars til 2 millioner dollars på to måneder. Guardian Roofing reducerede takeoff-tiden fra 25 timer om ugen til 5. Det er ikke små gevinster. Det ændrer, hvad en forretning kan gå efter.

Beam AI inkorporerer et menneske-i-løkken kvalitetskontrol (QA) lag sammen med automatisering. Hvordan bestemmer du den rette balance mellem AI-autonomi og menneskelig oversigt?

Vi tænker over det i forhold til tillid og hvad der er på spil. AI håndterer det strukturerede, repetitive arbejde godt: læser plansæt, identificerer komponenter, trækker kvantiteter. Men outputtet er specifikt for branchen på måder, der betyder meget. Hvordan du måler HVAC-udstyr er ikke det samme som at måle strukturalt stål eller betonstænger.

QA-laget er der for disse situationer. For den færdige takeoff-service ser en trænet reviewer på hver output, før det sendes tilbage til kunden. For de automatiserede 10-minutters takeoffs har vi samlet nok data, især inden for HVAC og plumbing, til at flytte hurtigere uden den ekstra kontrol. Stål er nu på vej til at blive lanceret snart. Niveauet af autonomi følger branchen og jobkompleksiteten.

Når modellerne bliver bedre, ser du, at QA-laget bliver mindre centralt over tid, eller vil det blive en permanent del af højrisiko-processer som estimering?

Begge dele, afhængigt af, hvordan du definerer det. Formen ændrer sig. Meget af det, en menneskelig reviewer fanger i dag, vil skifte til automatiserede kontroller inde i systemet, når modellerne bliver bedre, og vi bygger mere data. Men jeg tror ikke, du nogensinde fjerner verifikation fra en workflow, der er så højrisiko. Hvis en entreprenør prissætter et job på 50 millioner dollars, vil de gerne have en kontrol.

Hvad vi arbejder på, er at gøre den kontrol hurtigere og mindre arbejdskrævende. Målet er ikke at eliminere QA. Det er at gøre det lettere.

Attentive.ai kombinerer AI-automatisering med virkelige operationelle workflows. Ser du fremtiden for AI i byggebranchen som inherent hybrid og ikke fuldt autonome?

For den nærmeste fremtid, ja. Og jeg ville modsætte mig idéen om, at “hybrid” er en trøstpris. Byggebranchen indebærer en dømmekraft, der ikke er fanget i en plansæt. En god estimator kender deres lokale underentreprenørmarked. De kender, hvordan en bestemt entreprenør skriver specifikationer. De ved, hvad et job vil faktisk koste at bygge, hvilket ikke altid er, hvad tegningerne siger.

AI håndterer det kvantificerbare arbejde. Mennesket bringer konteksten. Målet er ikke at erstatte estimatore. Det er at få dem ud af det repetitive målingsarbejde, så de kan bruge tid på arbejdet, der faktisk kræver deres dømmekraft. Det er også derfor, vi har bygget Beam AI til at være en augmentator, som en plug-and-play junior estimator, der håndterer mekaniske opgaver.

De har beskrevet AI som det operativa rygrad i forbygning. Hvad ser den vision ud til over de næste fem år?

Lige nu fokuserer vi på frontenden: plansæt til materialekvantiteter, så hurtigt og nøjagtigt som muligt. Næste lag er budstyring. Vi har allerede sendt Bid Dashboard og Bid Sniper, som giver entreprenører en enkelt visning af deres pipeline, deadlines, RFIs og addenda.

Over de næste fem år vil jeg gerne se, at platformen forbinder takeoffs direkte til prissætning og indkøb. En entreprenør uploader plansæt, og inden for få timer har de en reel fornemmelse af, hvad jobbet koster, og hvad de skal indkøbe. Det er en virkelig anderledes måde at køre forbygning på end det, de fleste hold gør i dag.

Beam AI understøtter nu multiple brancher, fra landskabsarbejde til civil og elektrisk arbejde. Hvordan balancerer du bygning af generaliserede AI-systemer med behovet for dyb brancheforståelse?

Det er en reel spænding. Det underliggende arbejde er fælles på tværs af brancher: læsning af dokumenter, parsing af tegninger og trækning af kvantiteter. Men outputtet er brancheforstået på måder, der betyder meget. Hvordan du måler HVAC-udstyr er intet som at måle strukturalt stål eller betonstænger.

Vi har bygget brancheforståede modeller og investeret i træningsdata for hver enkelt. Det er derfor, vi startede med HVAC og mekanik, hvor vores datasæt var stærkest, før vi udvidede til plumbing og stål. Vi dækker 15 eller flere brancher, men vi er ærlige om, at ikke hver enkelt branche er på samme niveau af modenhed. Vi bygger dybde, mens vi udvider.

AI begynder at forme traditionelt offline-industrier. Tror du, at byggebranchen kunne blive en af de mest transformerende sektorer over de næste ti år, og hvilken transformation ville det se ud til i praksis?

Jeg gør. En del af hvorfor det er undervurderet, er, at det har været så manuelt i så lang tid. Der er ingen dybt rodfæstet softwarelag at erstatte, som der er i finans eller sundhedssektoren. Dataene er ikke blevet digitaliseret. Workflows er ikke standardiseret. Det lyder som et problem, men fra vores synspunkt er det en åbning. Vi erstatter ikke et eksisterende system. I mange tilfælde bygger vi det første.

Tilføj til det, at kapitalen, der går ind i datacentre, fremstilling og infrastruktur lige nu, og presset på at prissætte og bygge hurtigere er kun stigende. Entreprenører, der finder ud af det, vil trække fra. De, der ikke gør, vil undre sig over, hvad der sker.

Tak for det gode interview. Læsere, der ønsker at lære mere, kan besøge Attentive.ai eller Beam AI.