Shiva Dhawan, Co-founder dan CEO Attentive.ai – Seri Wawancara

Shiva Dhawan, Co-founder dan CEO Attentive.ai, adalah seorang wirausaha yang fokus menerapkan kecerdasan buatan untuk mengubah alur kerja infrastruktur dan konstruksi. Sebelum meluncurkan Attentive.ai, ia memegang peran kepemimpinan dan operasional di berbagai fungsi teknologi dan bisnis, membantu membentuk visi perusahaan sekitar mengotomatisasi proses manual tradisional di industri seperti konstruksi, pemetaan, dan analisis geospatial. Di bawah kepemimpinannya, perusahaan telah berkembang secara internasional sambil mengembangkan sistem AI yang dirancang untuk meningkatkan efisiensi dalam estimasi, takeoff, dan manajemen infrastruktur untuk perusahaan dan kontraktor.

Attentive.ai adalah perusahaan teknologi konstruksi yang ditenagai AI, fokus pada mengotomatisasi alur kerja prekonstruksi dan infrastruktur menggunakan visi komputer dan kecerdasan geospatial. Platformnya membantu kontraktor, perusahaan lanskap, dan operator infrastruktur mempercepat tugas estimasi, pengukuran, dan analisis situs yang secara historis bergantung pada tenaga kerja manual. Produk Beam AI perusahaan ini dirancang untuk memanfaatkan citra udara dan AI untuk menghasilkan pengukuran properti yang sangat terperinci dan wawasan lanskap, membantu bisnis meningkatkan akurasi penawaran, mengurangi bottleneck operasional, dan menskala proyek dengan lebih efisien melalui otomatisasi.

Anda mendirikan Attentive.ai setelah mengembangkan bisnis jasa di bidang pemetaan dan asuransi, dan kemudian memperkenalkan Beam AI sebagai produk andalan. Apa saja wawasan spesifik dari fase sebelumnya yang memimpin Anda untuk membangun Beam AI, dan mengapa Anda memilih takeoff dan estimasi sebagai titik awal untuk mengubah alur kerja konstruksi?

Co-Founder saya, Rishabjit dan saya datang ke pasar konstruksi AS selama COVID, ketika kontraktor harus mengestimasi pekerjaan tanpa hadir di lokasi. Yang terus muncul adalah keterbatasan yang sama: kontraktor kehilangan pekerjaan bukan karena mereka tidak bisa melakukan pekerjaan, tetapi karena mereka kehabisan waktu untuk menentukan harga. Satu estimator, ratusan halaman rencana, 4 hingga 8 jam per pekerjaan. Anda tidak bisa mengembangkan bisnis dengan cara itu.

Kami memilih takeoff karena itu adalah titik awal untuk semuanya. Tidak ada yang bergerak sampai seseorang mengukur cakupan. Dan outputnya dapat diverifikasi; Anda mendapatkan kuantitas yang benar, atau Anda tidak. Keterlewatkan 2% pada pekerjaan sebesar $10 juta adalah $200.000 yang hilang. Itu bukan abstrak. Ini adalah biaya nyata yang dibawa oleh estimator setiap hari.

Konstruksi dan layanan lapangan sering dianggap lebih lambat dalam mengadopsi teknologi baru. Apa yang menjadi hambatan terbesar dalam adopsi AI di sektor ini, dan bagaimana Anda mengatasi hal itu?

Kepercayaan. Estimator telah membangun karir mereka berdasarkan akurasi. Ketika mereka melewatkan sesuatu, perusahaan mereka membayar untuk itu. Jadi ketika kami tiba dengan AI, reaksi alami adalah: bagaimana saya tahu ini benar?

Kami tidak mencoba membujuk orang untuk keluar dari kekhawatiran itu. Kami mengatasi langsung. Setiap takeoff yang sudah jadi ditinjau oleh orang terlatih sebelum dikirim kembali ke pelanggan. Otomatisasi menangani volume dan kecepatan.

QA menangkap apa pun yang memerlukan pandangan kedua. Setelah beberapa pekerjaan, pelanggan melihat pola: kuantitasnya benar, tim mereka tidak terbenam dalam set rencana, dan penawaran keluar lebih cepat. Salah satu pelanggan kami, Bommarito Construction, mengajukan 50 penawaran lebih banyak dalam enam bulan menggunakan platform. Itu lebih meyakinkan daripada demo apa pun.

Beam AI berfokus pada mengotomatisasi takeoff, proses manual dan waktu-intensif secara tradisional. Mengapa alur kerja ini merupakan titik awal kritis untuk transformasi yang digerakkan AI?

Setiap proyek dimulai di sini. Sebelum Anda bisa menentukan harga apa pun, seseorang harus duduk dengan rencana dan mengukur semuanya. Satu takeoff dapat memakan waktu sehari penuh. Ketika hal-hal menjadi sibuk, itu menjadi langit-langit untuk seberapa banyak pekerjaan yang bisa dikejar oleh tim.

Kontraktor tidak menolak pekerjaan karena mereka tidak menginginkannya. Mereka menolak karena tidak ada waktu untuk menentukan harga.

Takeoff juga memiliki output yang jelas dan dapat diperiksa: kuantitas material. Anda tahu jika sesuatu terlewat. Itu membuatnya menjadi tempat yang masuk akal untuk membangun kepercayaan pada sistem baru, terutama ketika taruhannya tinggi.

Platform Anda memungkinkan perusahaan untuk meningkatkan volume penawaran tanpa menambahkan jumlah karyawan. Bagaimana Anda melihat ini mengubah persaingan dan margin di seluruh industri?

Hal itu sudah terjadi. Ketika kontraktor dapat mengejar tiga kali lebih banyak pekerjaan dengan tim yang sama, mereka menjadi lebih selektif. Mereka mengejar pekerjaan dengan margin yang lebih tinggi. Mereka dapat merespons dengan cepat ketika kesempatan besar muncul, bukan melewatinya karena mereka sudah maksimal.

Kontraktor yang tidak memikirkan hal ini akan merasakan tekanan dari mereka yang melakukannya. Rays Stairs menggandakan volume penawarannya dan meningkatkan pendapatan dari $900K menjadi $2 juta dalam dua bulan. Guardian Roofing mengurangi waktu takeoff dari 25 jam seminggu menjadi 5. Itu bukan keuntungan kecil. Mereka mengubah apa yang bisa dilakukan oleh bisnis.

Beam AI menggabungkan lapisan QA manusia-dalam-lingkaran bersama dengan otomatisasi. Bagaimana Anda menentukan keseimbangan yang tepat antara otonomi AI dan pengawasan manusia?

Kami memikirkannya dalam hal kepercayaan dan apa yang dipertaruhkan. AI menangani pekerjaan terstruktur dan berulang dengan baik: membaca set rencana, mengidentifikasi komponen, dan menarik kuantitas. Tapi outputnya spesifik untuk perdagangan dalam cara yang penting. Bagaimana Anda mengukur peralatan HVAC tidak seperti mengukur baja struktural atau tulangan beton.

Lapisan QA ada untuk situasi tersebut. Untuk layanan yang sudah jadi, seorang reviewer terlatih melihat setiap output sebelum dikirim. Untuk takeoff otomatis 10 menit, kami telah mengumpulkan cukup data, terutama di HVAC dan plumbing, untuk bergerak lebih cepat tanpa langkah itu. Baja sekarang diluncurkan segera. Tingkat otonomi melacak perdagangan dan kompleksitas pekerjaan.

Seiring model menjadi lebih baik, apakah Anda melihat lapisan QA menjadi kurang sentral seiring waktu, atau akan tetap menjadi bagian permanen dari alur kerja dengan taruhan tinggi seperti estimasi?

Keduanya, tergantung pada bagaimana Anda mendefinisikannya. Bentuknya akan berubah. Banyak hal yang ditangkap oleh reviewer manusia hari ini akan bergeser ke pemeriksaan otomatis di dalam sistem ketika model menjadi lebih baik dan kami mengumpulkan lebih banyak data. Tapi saya tidak berpikir Anda pernah menghilangkan verifikasi dari alur kerja ini yang memiliki taruhan tinggi. Jika kontraktor menentukan harga pekerjaan baja sebesar $50 juta, mereka ingin memiliki titik pemeriksaan.

Apa yang kami tuju adalah membuat titik pemeriksaan itu lebih cepat dan kurang memerlukan tenaga kerja. Tujuan bukanlah menghilangkan QA. Ini membuatnya lebih ringan.

Attentive.ai menggabungkan otomatisasi AI dengan alur kerja operasional dunia nyata. Apakah Anda melihat masa depan AI di konstruksi sebagai hybrid secara inheren daripada sepenuhnya otonom?

Untuk masa depan yang dapat dilihat, ya. Dan saya akan menantang gagasan bahwa “hybrid” adalah hadiah penghiburan. Konstruksi melibatkan penilaian yang tidak tertangkap dalam set rencana. Seorang estimator yang baik tahu pasar subcontractor setempat. Mereka tahu bagaimana sebuah GC menulis spesifikasi. Mereka tahu apa yang sebenarnya akan dikenakan biaya untuk membangun, yang tidak selalu apa yang dikatakan oleh gambar.

AI menangani pekerjaan kuantitatif. Manusia membawa konteks. Tujuan bukanlah menggantikan estimator. Ini untuk mendapatkan mereka keluar dari pengukuran berulang sehingga mereka dapat menghabiskan waktu pada pekerjaan yang benar-benar memerlukan penilaian mereka. Yang juga mengapa kami membangun Beam AI untuk menjadi augmentator, seperti estimator junior plug-and-play yang menangani tugas mekanis.

Anda telah menjelaskan AI sebagai tulang punggung operasional prekonstruksi. Apa visi itu terlihat seperti dalam lima tahun ke depan?

Saat ini kami fokus pada bagian depan: dari rencana ke kuantitas material, secepat dan seakurat mungkin. Lapisan berikutnya adalah manajemen penawaran. Kami telah meluncurkan Bid Dashboard dan Bid Sniper, yang memberikan kontraktor pandangan tunggal tentang pipa, tenggat waktu, RFIs, dan addenda.

Di lima tahun ke depan, saya ingin platform ini menghubungkan takeoff langsung ke penentuan harga dan pengadaan. Kontraktor mengunggah rencana dan, dalam beberapa jam, memiliki gambaran nyata tentang biaya pekerjaan dan apa yang perlu mereka sumber. Itu adalah cara yang benar-benar berbeda untuk menjalankan prekonstruksi daripada apa yang dilakukan oleh sebagian besar tim saat ini.

Beam AI sekarang mendukung beberapa perdagangan, dari lanskap hingga sipil dan pekerjaan listrik. Bagaimana Anda menyeimbangkan membangun sistem AI yang umum dengan kebutuhan akan optimasi spesifik domain yang mendalam?

Ini adalah ketegangan nyata. Pekerjaan dasar yang umum di seluruh perdagangan: membaca dokumen, memparsir gambar, dan menarik kuantitas. Tapi outputnya spesifik untuk perdagangan dengan cara yang penting. Bagaimana Anda mengukur peralatan HVAC berbeda dengan mengukur baja struktural atau tulangan beton.

Kami telah membangun model spesifik untuk perdagangan dan berinvestasi dalam data pelatihan untuk masing-masing. Itu sebabnya kami memulai dengan HVAC dan mekanik, di mana set data kami paling kuat, sebelum memperluas ke plumbing dan baja. Kami mencakup 15 atau lebih perdagangan, tapi kami jujur bahwa tidak semua perdagangan memiliki tingkat kematangan yang sama. Kami membangun kedalaman ketika kami berkembang.

AI mulai mengubah industri yang tradisional offline. Apakah Anda percaya konstruksi bisa menjadi salah satu sektor yang paling berubah dalam dekade mendatang, dan apa bentuk transformasi itu dalam prakteknya?

Saya percaya. Sebagian alasannya adalah karena itu telah menjadi manual selama sehingga lama. Tidak ada lapisan perangkat lunak yang telah tertanam dalam, seperti yang ada di keuangan atau perawatan kesehatan. Data belum didigitalkan. Alur kerja belum distandarisasi. Itu terdengar seperti masalah, tapi dari sudut pandang kami, itu adalah kesempatan. Kami tidak menggantikan sistem yang ada. Dalam banyak kasus, kami membangun yang pertama.

Tambahkan ke dalamnya modal yang masuk ke pusat data, manufaktur, dan infrastruktur saat ini, dan tekanan untuk menentukan harga dan membangun lebih cepat hanya meningkat. Kontraktor yang memahami hal ini akan melangkah maju. Mereka yang tidak akan bertanya-tanya apa yang terjadi.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Attentive.ai atau Beam AI.