Aron England, Chief Product & Technology Officer at Accruent – Interview Series

Aron England, Chief Product and Technology Officer at Accruent, 는 기술 및 제품 리더로서 글로벌 팀을 구축하고 확장하여 초기 연구에서부터 고성장, 고객 맞춤형 제품까지 SaaS 및 에이전트 솔루션을 제공하는 것으로 알려져 있습니다. 그는 소비자 시장, B2B SaaS, 전자상거래, 상업 기술에 대한 깊은 전문 지식과 강한 인재 리더십을 결합하여 고객 문제를 이해하고 측정 가능한 비즈니스 결과를驱動하는 내구성 있는 제품-시장 적합성을 구현합니다. 이는 성장, 인수, 지적 재산 전략을 포함합니다.

Accruent는 조직이 비즈니스의 물리적 측면을 더 효율적으로 운영하도록 도와주는 소프트웨어를 제공합니다. 시설, 자산, 공간, 작업장 운영을 하나의 연결된 시스템으로 통합하여 조각모음 현상을 줄이고 가시성을 개선하며 의사결정을 지원합니다. 이를 통해 팀은 다양한 산업에서 건물 및 장비를 계획, 유지, 최적화할 수 있습니다.

25년 이상으로 높은 성과를 발휘하는 글로벌 팀을 구축하고 리드했습니다. 스타트업, 대기업, 그리고 현재 Accruent에서 일하면서, 신뢰할 수 있는 기술을 구축하는 방식에 가장 큰 영향을 미친 결정적인 경험은 무엇인가?

포춘 50대 기업과 초기 스타트업, 중간 규모, 공공 및 민간 기업에서 기술 리더십을 맡아온 경험을 통해 다양한 산업에서 디지털 변환 채택을 촉진하는 폭넓은 경험을积累했습니다. 가장 주목할 만한 것은 DocuSign의 9번째 직원으로 시작하여 아날로그 계약 산업을 디지털로 전환하는 것을 목표로 했습니다. 이는 시장의 신뢰를 구축하는 것만이 아니라 안전한 전환을 위한 입법도 필요했습니다. 그곳에서 얻은 교훈은 현재 LLM 및 AI 도구 시장에 적용할 수 있습니다.

私の 경험에 걸쳐 일관된 패턴은 신뢰할 수 있는 시스템이 우연히 나타나지 않는다는 것입니다. 의도적인 아키텍처, 데이터 일관성, 투명성, 그리고 실제 사용자가 기술을 어떻게 사용하는지에 대한 깊은 이해에서 비롯됩니다.

2026년까지 기술자들은 단순히 “나를 믿어라”는 AI 시스템을 더 이상 받아들이지 않을 것이라고 경고했습니다. Accruent의 관점에서 기술자와 현장 서비스 전문가의 기대가 어떻게 변하고 있는지 설명해 주십시오.

시설 관리자와 기술자가 장비 고장을 진단하고 복잡한 수리를 안내하기 위해 AI를 사용하는 환경에서 잘못된 또는 부정確한 추천으로 인해 주요 비즈니스 및 안전 위험이 발생할 수 있습니다.

종종 LLM은 여러 페이지에서 혼합된 답변을 생성하지만 기본 증거를 인용하지 않습니다. 결과적으로 기술자가 AI 생성 단계를 따르면 OEM 수동에서 직접 존재하지 않는 경우 조직은 주요 컴플라이언스 반발을 겪을 수 있으며 감사 또는 안전 검토를 위해 방어 가능한 증거 사슬을 갖지 못할 것입니다. AI가 더 “보이지 않는” 소프트웨어가 되면서 추적 가능성의 중요성이 증가할 것입니다.

AI의 환상은 규제 산업에서 불편함을 넘어서 실제 안전, 컴플라이언스, 운영 위험을 초래할 수 있습니다. 유지 보수, 시설 관리 또는 자산 운영에서 가장 우려되는 환상 시나리오는 무엇인가?

제조업에서 AI 생성 제안이 공장 작업자에게 중요한 장비에 대해 잘못된 조치를 취하도록 지시하면 계획되지 않은 다운타임,浪費된 재료, 불량의 최종 제품, 또는 손상된 기계가 발생할 수 있습니다. 이러한 오류는 제조 라인이 중단되거나 이후 리콜로 이어질 경우 명성에도 손상을 줄 수 있는 백만 달러의 실수로 이어질 수 있습니다.

이러한 AI 도구의 환상은 또한 의료와 같은 산업에서 특히 유해합니다. 기계 고장이 적절하게 유지되거나 시간에 따라 고장나면 책임과 환자들의 생계가 위험에 빠질 수 있습니다. 실제 세계와 상호 작용하는 산업에서 오류를 수정하는 것이 삭제하고 다시 시작하는 것만큼 간단하지 않습니다.

매번 AI 출력이 원본 소스 — 수동, 데이터 테이블, 도면, 기록 로그 — 를 가리켜야 한다고 강조했습니다. Accruent는 “블랙 박스” 답변을 제거하고 추적 가능성을 보장하는 시스템을 어떻게 설계하고 있나요?

우리는 AI 추천이 의미 있는 출력 포인트로 추적될 수 있도록 합니다. 예를 들어, AI 추천이 의료 시설 관리자에게 압축기를 서비스하는 방법을 알려줄 때 정확성을 보장하기 위해 지원하는 단계의 정확한 문단으로 1클릭으로 추적할 수 있어야 합니다. 오늘날의 기업 AI에서 증가하는 신뢰 격차를 닫기 위해 이러한 시스템은 평가된 실제 문서나 페이지를 나타내는 지를 사용자가 알 수 있도록 해야 합니다.

많은 기업 AI 도구는 속도를 우선시하지만 규제 환경에서는 감사 추적, 문서 정확성, 검증 가능한 추론이 필요합니다. 어떻게 혁신과 투명성 및 컴플라이언스의 필요성을 균형 있게 조절합니까?

기존 워크플로에 AI를 통합하는 것이 핵심입니다. 이는 승인, 문서화, 유지 보수 루틴, 컴플라이언스 확인을 알려진 관행에 추가하는 과정을 단순화하여 새로운 분리된 도구를 구현하는 대신 알려진 관행을 증강합니다. 이는 운영의 전체적인 전면 재구성을 피하는 것을 의미하며 직원이 기존 방식으로 계속 작업할 수 있지만 수동으로 시간이 걸리는 프로세스가 자동화됩니다.

현장 기술자들은 정확한 지침을 신뢰합니다. Accruent는 위험을 줄이고 기술자의 신뢰도를 높이기 위해 권위 있는 원천 자료에 AI 출력을 기반으로 하는 데 어떻게 접근하고 있습니까?

우리의 접근 방식은 수동, 도면, 도면, 임대 계약, 역사적 작업 주문 등을 캡처하고 조직화하여 AI가 회사별 콘텐츠에서 답변을 제공하고 일반적인 훈련 데이터에서 답변을 제공하지 않는지 확인하는 것에서 시작됩니다. 절차, 추천, 체크리스트를 생성할 때 시스템은 각 단계가 원본 문서로 추적될 수 있도록 설계되었습니다.

이 기능이 없으면 이미 자원이 부족한 기술자는 정확성을 확인하기 위해 문서를 수동으로 더 많이 탐색해야 하며 프로세스와 작업 주문이さらに 지연됩니다.

투명한 감사 준비 AI를 제공하려면大量의 구조화된 데이터가 필요합니다. 이 비전을 실현하기 위해 해결해야 할 데이터 도전 — 비구조화된 레거시 문서에서 일관되지 않은 자산 기록까지 — 는 무엇입니까?

감사 준비 AI를 제공하는 것은 신뢰할 수 있고 잘 조직된 데이터에서 시작됩니다. 그러나 대부분의 구축된 환경은 아직 아날로그 프로세스에 살고 있으며 수동 데이터 입력, 스캔된 PDF, 분리된 스프레드시트가 있습니다. 데이터에 간격이 있고 자산 기록이 불완전하거나 일관되지 않은 경우 AI 환상 위험이 증가합니다. 규제 환경에서 AI 출력을 신뢰할 수 있게 하려면 기업은 먼저 레거시 데이터 장벽, 비구조화된 형식, 일관되지 않은 기록, 관리 부족을 해결하여 중앙 집중식 문서 및 자산 데이터 시스템으로 마이그레이션해야 합니다.

우리의 EDMS(엔지니어링 문서 관리 시스템)는 채굴, 공공事業, 제조 등 여러 산업에서 이를 수행할 수 있습니다. 이러한 산업은 종종 물리적 엔지니어링 도면 및 문서에 의존하여 버전 제어의 악몽을 만들 수 있습니다. 이러한 문서를 디지털화하기 위한 첫 단계는 우리의 EDMS 솔루션을 사용하는 것입니다. 그 다음 소프트웨어는 버전 제어, 워크플로우 거버넌스, 감사 추적을 관리하여 불일치를 제거합니다.

AI가 유지 보수, 시설, 자산 수명 주기 관리에 내장됨에 따라 안전이나 규제 요구 사항을 손상시키지 않고 생산성을 향상시키기 위한 가장 큰 기회는 어디에 있습니까?

가장 큰 기회 중 하나는 기술자에게 무의미한 작업, 즉 수동 데이터 입력 및 기술자에 대한 작업 주문 예약과 같은 작업을 자동화하는 것입니다. 외부에서 보면 비교적 간단하지만 시간이 걸리는 작업으로 보일 수 있습니다. 그러나 AI는 이러한 작업에 대해 더 전략적으로 접근할 수 있습니다.

첫째, 장비를 센서로 모니터링하는 경우 실제 고장이 발생하기 전에 이상 감지를 기반으로 작업 주문이 트리거될 수 있습니다. 둘째, AI는 작업 주문에 대한 우선순위를 자동으로 지정하여 비즈니스에 최소한의 방해를 줄 수 있습니다. 또한 안전, 비용, 수익을 동시에 고려하여 최상의 경로를 찾을 수 있습니다.

AI는 단순히 유지 보수 및 시설 팀을 “지원”하는 것만이 아니라 점점 더 디지털 운영자로서 행동할 것입니다.

신뢰는 기업 AI의 새로운 표준이 되고 있습니다. 다음 2년 동안 신뢰를 얻고 유지하기 위해 벤더는 무엇을 다르게 해야 합니까?

벤더는 더 이상 고객이 단순히 “모델을 신뢰”할 것이라고 가정해서는 안 됩니다. AI의 추천은 생성된 방법에 대한 증거를 보여주어야 합니다. 이를 해결하는 한 가지 방법은 인용 및 AI가 어떤 문서를 평가했는지 명확히 하는 것입니다. 예를 들어, 직원이 AI에 1,000개의 임대 계약을 분석하도록 요청할 때 명확히 1,000개 모두를 평가했는지 또는 700개만 평가했는지, 그리고 왜 그런지 알 수 있어야 합니다.

이와 함께 벤더가 우선시해야 할 최상위 요인은 데이터 사용의 투명성입니다. 이는 데이터를誰가 보는지, 어떻게 사용하는지(트레이닝 의미를 포함하여), 고객 환경에서 어떻게 분리 또는 분리되는지에 대한 명확성을 포함합니다.

다음 2년 동안 신뢰를 얻는 것이 중요하며 벤더는 AI 도구의 한계를 명확히 하여 인간이 고위험 결정에 참여하도록 하고 좁고 잘 정의된 사용 사례에서 시작하여 고객을 “블랙 박스” 상황에 빠지지 않도록 하여 신뢰를 얻을 수 있습니다.

미션 크리티컬 운영에서 AI의 진화를 예상해 본다면, Accruent는 신뢰할 수 있고 투명한 AI에 대한 산업 표준을 설정하는 데 어떤 역할을 할 것으로 생각합니까?

미션 크리티컬 운영에서 AI는 단일 작업 자동화에서 지능형 멀티 에이전트 시스템으로 빠르게 진화하고 있으며 전체 워크플로우를 조정하고 최적화할 수 있습니다. 사용자를 보조하는 것만이 아니라 자율적 의사 결정 지원을 제공하며 운영 조건을 지속적으로 모니터링하고 위험을 예측하며 투명성과 추적 가능성이 있는 조치를 추천할 것입니다. AI가 비구조화된 문서, 구조화된 운영 데이터, 실시간 신호를 결합하는 방법을 배우면 일상적인 프로세스에 직접 내장되어 더 빠르고, 더 안전하고, 더 신뢰할 수 있는 결과를 구현할 것입니다.

시간이 지남에 따라 이는 자율 운영으로의 전환을 가능하게 할 것입니다. 여기서 시스템은 자율적으로 최적화되고 자율적으로 수정되며 인간은 감독과 전략적 의사 결정에 집중할 수 있습니다. 시장 리더로서 Accruent는 감사 가능성, 설명 가능성, 강력한 거버넌스를 플랫폼에 내장하고 고객, 파트너, 규제 기관과 협력하여 미션 크리티컬 환경에서 안전한 배포를 위한 모범 사례를 정의함으로써 신뢰할 수 있고 투명한 AI에 대한 산업 표준을 설정하는 데 도움을 줄 것입니다.

멋진 인터뷰 감사합니다. 더 많은 정보를 원하는 독자는 Accruent를 방문할 수 있습니다.