Shiva Dhawan, Mitgründer und CEO von Attentive.ai – Interview-Serie

Shiva Dhawan, Mitgründer und CEO von Attentive.ai, ist ein Unternehmer, der sich auf die Anwendung von künstlicher Intelligenz konzentriert, um Infrastruktur- und Bauprozesse zu transformieren. Bevor er Attentive.ai gründete, hatte er Führungs- und operative Rollen in Technologie- und Geschäftsfunktionen inne und half dabei, die Vision des Unternehmens um die Automatisierung traditionell manueller Prozesse in Branchen wie Bauwesen, Kartierung und geografischer Analyse zu gestalten. Unter seiner Führung hat das Unternehmen international expandiert und AI-Systeme entwickelt, die darauf ausgelegt sind, die Effizienz bei der Kostenschätzung, der Abnahme und der Infrastrukturverwaltung für Unternehmen und Auftragnehmer zu verbessern.

Attentive.ai ist ein auf künstlicher Intelligenz basierendes Bauunternehmen, das sich auf die Automatisierung von Vor- und Infrastrukturprozessen mithilfe von Computer-Vision und geografischer Intelligenz konzentriert. Seine Plattform hilft Auftragnehmern, Landschaftsunternehmen und Infrastrukturbetreibern, die Kostenschätzung, die Messung und die Baustellenanalyse zu beschleunigen, die historisch von manueller Arbeit abhängig waren. Das Beam AI-Produkt des Unternehmens ist darauf ausgelegt, Luftbildaufnahmen und künstliche Intelligenz zu nutzen, um hochdetaillierte Eigentumsmessungen und Landschaftsinsights zu generieren, um Unternehmen dabei zu helfen, die Genauigkeit der Angebote zu verbessern, betriebliche Engpässe zu reduzieren und Projekte effizienter durch Automatisierung zu skalieren.

Sie haben Attentive.ai gegründet, nachdem Sie ein Dienstleistungsunternehmen im Bereich Kartierung und Versicherung aufgebaut und später Beam AI als Ihr Flaggschiff-Produkt eingeführt haben. Welche spezifischen Erkenntnisse aus dieser früheren Phase führten Sie dazu, Beam AI zu entwickeln, und warum wählten Sie die Abnahme und die Kostenschätzung als Einstiegspunkt für die Transformation von Bauprozessen?

Mein Mitgründer, Rishabjit, und ich kamen auf den US-Baumarkt, als die Auftragnehmer während der COVID-Pandemie Angebote ohne Vor-Ort-Termin abgeben mussten. Was immer wieder auftauchte, war das gleiche Problem: Auftragnehmer verloren Aufträge nicht, weil sie die Arbeit nicht erledigen konnten, sondern weil sie nicht genug Zeit hatten, um sie zu bewerten. Ein Schätzer, hunderte Seiten Pläne, 4 bis 8 Stunden pro Auftrag. Man kann kein Geschäft mit dieser Methode aufbauen.

Wir wählten die Abnahme, weil sie der Ausgangspunkt für alles ist. Nichts anderem kann beginnen, bevor jemand den Umfang misst. Und das Ergebnis ist überprüfbar; man hat entweder die Mengen richtig oder nicht. Ein Fehler von 2 % bei einem Auftrag im Wert von 10 Millionen Dollar bedeutet 200.000 Dollar Verlust. Das ist kein abstraktes Konzept. Es ist ein reales Kostenrisiko, das Schätzer jeden Tag tragen.

Der Bau und die Feldservices gelten oft als Branchen, die langsam neue Technologien annehmen. Was ist das größte Hindernis für die Einführung von künstlicher Intelligenz in diesem Sektor, und wie überwinden Sie es?

Vertrauen. Schätzer haben ihre Karrieren auf Genauigkeit aufgebaut. Wenn sie etwas übersehen, zahlt ihr Unternehmen den Preis. Als wir also mit künstlicher Intelligenz auftauchten, war die natürliche Reaktion: Wie kann ich sicherstellen, dass das richtig ist?

Wir versuchten nicht, die Leute von dieser Sorge zu überzeugen. Wir gingen direkt darauf ein. Jede fertige Abnahme wird von einem ausgebildeten Mitarbeiter überprüft, bevor sie an den Kunden geht. Die Automatisierung übernimmt das Volumen und die Geschwindigkeit.

Die Qualitätssicherung fängt alles, was einer zweiten Überprüfung bedarf. Nach einigen Aufträgen sehen die Kunden das Muster: Die Mengen sind richtig, ihr Team ist nicht von Plänen überfordert, und die Angebote gehen schneller raus. Einer unserer Kunden, Bommarito Construction, reichte in sechs Monaten 50 weitere Angebote ein, nachdem er die Plattform genutzt hatte. Das ist überzeugender als jedes Demo.

Beam AI konzentriert sich auf die Automatisierung von Abnahmen, einem traditionell manuellen und zeitaufwändigen Prozess. Warum ist diese Arbeitsabfolge ein so kritischer Einstiegspunkt für die von künstlicher Intelligenz getriebene Transformation?

Jedes Projekt beginnt hier. Bevor man etwas bewerten kann, muss jemand die Pläne durchgehen und alles messen. Eine Abnahme kann einen ganzen Tag dauern. Wenn es viel zu tun gibt, wird das zur Decke, wie viel Arbeit ein Team bewältigen kann.

Auftragnehmer lehnen Aufträge nicht ab, weil sie sie nicht wollen. Sie lehnen sie ab, weil sie nicht genug Zeit haben, um sie zu bewerten.

Abnahmen haben auch ein klares, überprüfbares Ergebnis: Materialmengen. Man weiß, wenn etwas übersehen wurde. Das macht es zu einem vernünftigen Punkt, um Vertrauen in ein neues System aufzubauen, besonders wenn die Einsätze hoch sind.

Ihre Plattform ermöglicht es Unternehmen, die Anzahl der Angebote zu erhöhen, ohne den Personalbestand zu erhöhen. Wie sehen Sie die Auswirkungen auf den Wettbewerb und die Margen in der Branche?

Es passiert bereits. Wenn ein Auftragnehmer mit dem gleichen Team dreimal so viele Aufträge bearbeiten kann, wird er selektiver. Er geht nach höheren Margen. Er kann schnell reagieren, wenn eine große Gelegenheit auftritt, anstatt sie abzulehnen, weil er bereits ausgelastet ist.

Die Auftragnehmer, die nicht darüber nachdenken, werden den Druck von denen spüren, die es tun. Rays Stairs verdoppelte die Anzahl der Angebote und erhöhte den Umsatz von 900.000 auf 2 Millionen Dollar in zwei Monaten. Guardian Roofing reduzierte die Abnahmzeit von 25 Stunden pro Woche auf 5. Das sind keine kleinen Gewinne. Sie verändern, was ein Unternehmen tatsächlich anstreben kann.

Beam AI integriert eine menschliche Qualitätssicherungsschleife neben der Automatisierung. Wie bestimmen Sie das richtige Gleichgewicht zwischen der Autonomie der künstlichen Intelligenz und der menschlichen Überwachung?

Wir denken darüber nach in Bezug auf Vertrauen und was auf dem Spiel steht. Die künstliche Intelligenz übernimmt die strukturierte, repetitive Arbeit gut: das Lesen von Plänen, das Identifizieren von Komponenten und das Extrahieren von Mengen. Aber die Ausgaben sind branchenspezifisch in einer Weise, die wichtig ist. Wie man HVAC-Geräte misst, ist nichts wie das Messen von Stahl oder Beton.

Die Qualitätssicherungsschleife ist für diese Situationen da. Für den fertigen Service überprüft ein ausgebildeter Prüfer jedes Ergebnis, bevor es an den Kunden geht. Für die automatisierten 10-Minuten-Abnahmen haben wir genug Daten gesammelt, insbesondere im Bereich HVAC und Sanitär, um ohne diesen Schritt schneller zu sein. Stahl wird bald veröffentlicht. Das Maß an Autonomie hängt von der Branche und der Komplexität des Auftrags ab.

Wenn die Modelle verbessert werden, sehen Sie die Qualitätssicherungsschleife als weniger zentral an oder wird sie ein permanenter Bestandteil von Prozessen mit hohen Einsätzen wie der Kostenschätzung?

Beides, je nachdem, wie man es definiert. Die Form, die es annimmt, wird sich ändern. Viele Dinge, die ein menschlicher Prüfer heute auffängt, werden zu automatisierten Überprüfungen innerhalb des Systems werden, wenn die Modelle verbessert werden und wir mehr Daten aufbauen. Aber ich denke nicht, dass man jemals die Überprüfung aus einem Prozess entfernt, der so hoch ist. Wenn ein Auftragnehmer einen Auftrag im Wert von 50 Millionen Dollar für Stahl bewertet, wird er einen Prüfpunkt wollen.

Was wir anstreben, ist, diesen Prüfpunkt schneller und weniger arbeitsintensiv zu machen. Das Ziel ist nicht, die Qualitätssicherung zu eliminieren. Es ist, sie leichter zu machen.

Attentive.ai kombiniert die Automatisierung durch künstliche Intelligenz mit realen betrieblichen Arbeitsabläufen. Sehen Sie die Zukunft der künstlichen Intelligenz im Bauwesen als inhärent hybride und nicht als vollständig autonome?

Für die absehbare Zukunft, ja. Und ich würde mich gegen die Idee wehren, dass “hybrid” ein Trostpreis ist. Der Bau umfasst Urteilsvermögen, das nicht in einem Plan erfasst ist. Ein guter Schätzer kennt den lokalen Subunternehmermarkt. Er kennt, wie ein bestimmter GC Spezifikationen schreibt. Er weiß, was ein Auftrag tatsächlich kosten wird, um ihn zu bauen, was nicht immer das ist, was die Zeichnungen sagen.

Die künstliche Intelligenz übernimmt die quantifizierbare Arbeit. Der Mensch bringt den Kontext. Das Ziel ist nicht, Schätzer zu ersetzen. Es ist, sie aus der repetitiven Messung herauszuholen, damit sie Zeit auf die Arbeit verwenden können, die tatsächlich ihr Urteilsvermögen erfordert. Deshalb haben wir Beam AI als eine Art Plug-and-Play-Juniorschätzer entwickelt, der mechanische Aufgaben übernimmt.

Sie haben die künstliche Intelligenz als das operative Rückgrat der Vorplanung beschrieben. Wie sieht diese Vision in den nächsten fünf Jahren aus?

Aktuell konzentrieren wir uns auf die Front: Pläne zu Materialmengen, so schnell und genau wie möglich. Die nächste Ebene ist die Angebotsverwaltung. Wir haben bereits Bid Dashboard und Bid Sniper veröffentlicht, die Auftragnehmern eine einzige Ansicht ihres Angebots, der Fristen, der RFIs und der Änderungen bieten.

In den nächsten fünf Jahren möchte ich, dass die Plattform die Abnahmen direkt mit der Kostenschätzung und der Beschaffung verbindet. Ein Auftragnehmer lädt Pläne hoch und hat innerhalb weniger Stunden ein reales Bild davon, was der Auftrag kostet und was er beschaffen muss. Das ist eine wirklich andere Art, die Vorplanung zu betreiben, als das, was die meisten Teams heute tun.

Beam AI unterstützt nun mehrere Gewerke, von Landschaftsbau bis hin zu zivilem und elektrischem Ingenieurbau. Wie balancieren Sie die Entwicklung allgemeiner künstlicher Intelligenz-Systeme mit der Notwendigkeit einer tiefen branchenspezifischen Optimierung?

Es ist eine echte Spannung. Die zugrunde liegende Arbeit ist über die Gewerke hinweg geteilt: das Lesen von Dokumenten, das Parsen von Zeichnungen und das Extrahieren von Mengen. Aber die Ausgaben sind branchenspezifisch in einer Weise, die wichtig ist. Wie man HVAC-Geräte misst, ist nichts wie das Messen von Stahl oder Beton.

Wir haben branchenspezifische Modelle entwickelt und in Trainingsdaten für jedes Gewerk investiert. Deshalb begannen wir mit HVAC und Sanitär, wo unsere Datenmenge am stärksten war, bevor wir uns auf die Sanitär- und Stahlindustrie ausdehnten. Wir decken 15 oder mehr Gewerke ab, aber wir sind ehrlich, dass nicht jedes Gewerk auf dem gleichen Reifegrad ist. Wir bauen Tiefe, während wir expandieren.

Die künstliche Intelligenz beginnt, traditionell offline-Branchen zu verändern. Glauben Sie, dass der Bau einer der am stärksten transformierten Sektoren in den nächsten zehn Jahren sein könnte, und wie würde diese Transformation in der Praxis aussehen?

Ja, ich glaube es. Teilweise wird es unterschätzt, weil es so lange manuell war. Es gibt keine tief verwurzelte Softwareebene, die man ersetzen muss, wie es in der Finanz- oder Gesundheitsbranche der Fall ist. Die Daten wurden nicht digitalisiert. Die Arbeitsabläufe sind nicht standardisiert. Das klingt wie ein Problem, aber aus unserer Sicht ist es eine Chance. Wir ersetzen kein bestehendes System. In vielen Fällen bauen wir das erste auf.

Dazu kommt der Kapitalzufluss in Rechenzentren, Fertigung und Infrastruktur, und der Druck, schneller zu bauen und zu bewerten, steigt. Die Auftragnehmer, die das herausfinden, werden vorankommen. Diejenigen, die es nicht tun, werden sich fragen, was passiert ist.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Attentive.ai oder Beam AI besuchen.