Baptiste Bouvier, CEO en medeoprichter van Daptic – Interviewreeks

Baptiste Bouvier is CEO en medeoprichter van Daptic, waar hij werkt aan het verbinden van regelgevingsinformatie met productontwikkeling. Hij studeerde informatica en engineering aan MIT. Zijn ervaring omvat onderzoek naar AI en autonome systemen bij MIT CSAIL, AI in de gezondheidszorg bij Babylon Health, kwantitatief onderzoek bij J.P. Morgan, engineering op het gebied van AR/VR bij Meta en advieswerk bij McKinsey. Hij richt zich op het helpen van fabrikanten om complexe wettelijke vereisten te vertalen naar praktische engineeringbeslissingen.

Daptic biedt een AI-gestuurd platform voor productconformiteit dat veranderingen in regelgeving, de interpretatie ervan en productvereisten met elkaar verbindt gedurende de hele levenscyclus van een product. De software helpt specialisten op het gebied van regelgeving, engineers en productteams om wereldwijde vereisten te volgen, de impact ervan te beoordelen en ze op te nemen in ontwikkelprocessen, met traceerbaarheid naar de bronnen en menselijk toezicht. In dit interview bespreekt Bouvier regelgevingsinformatie, fysieke AI, machineleesbare ontwerpbeperkingen en de verschuiving naar doorlopend lifecyclemanagement voor productconformiteit.

Je carrière bracht je van onderzoek naar AI en autonome systemen bij MIT CSAIL naar AI in de gezondheidszorg bij Babylon Health, kwantitatief onderzoek bij J.P. Morgan, engineering op het gebied van AR/VR bij Meta en advieswerk bij McKinsey. Hoe hebben die ervaringen je beslissing gevormd om medeoprichter van Daptic te worden, en wat overtuigde je ervan dat AI regelgevingsinformatie ingrijpend kon veranderen?

Voor mij viel het kwartje toen ik zag hoeveel invloed regelgeving heeft op productontwikkeling en hoe weinig software er is om dat werk te ondersteunen.

Mijn achtergrond ligt vooral in de informatica, met daarnaast enige ervaring in werktuigbouwkunde. Voordat ik Daptic oprichtte, werkte ik in uiteenlopende technische omgevingen. Bij McKinsey kreeg ik echter pas echt inzicht in de manier waarop grote bedrijven fysieke producten ontwikkelen en in hoe regelgeving dat proces kan vertragen.

Ik zag uiterst geavanceerde bedrijven een cruciaal onderdeel van productontwikkeling beheren met documenten, spreadsheets, e-mails en gesprekken tussen allerlei teams. Een regel kan beginnen als juridische tekst die door een overheid wordt gepubliceerd, maar uiteindelijk moet iemand die vertalen naar een concrete technische eis die bepaalt hoe een product wordt ontworpen.

Die kloof tussen regelgeving en engineering sprak me aan. Er was enorm veel expertise bij betrokken, maar er was nauwelijks infrastructuur om het werk met elkaar te verbinden. We vatten die bredere categorie samen als lifecyclemanagement voor productconformiteit: veranderingen in regelgeving, de interpretatie ervan en productvereisten verbinden met de beslissingen die teams nemen tijdens de productontwikkeling en gedurende de levenscyclus van het product.

AI verandert wat mogelijk is, omdat ermee grote hoeveelheden regelgevingsteksten, productinformatie en kennis binnen organisaties tegelijk kunnen worden verwerkt. Daardoor kunnen we infrastructuur ontwikkelen voor een werkproces dat van oudsher enorm veel handmatig werk vereiste. Dat vormde de basis voor Daptic.

Productengineers in sectoren als de automobielindustrie, lucht- en ruimtevaart, defensie, medische hulpmiddelen en robotica kunnen te maken krijgen met duizenden veranderende regels. Waar biedt AI het grootste voordeel bij het omzetten van die enorme hoeveelheid regelgevingsinformatie in iets waar engineers tijdens de productontwikkeling daadwerkelijk mee aan de slag kunnen?

Het grootste voordeel is dat er een verbinding kan blijven bestaan tussen wat er op regelgevingsgebied gebeurt en wat er met het product gebeurt.

Stel dat je een complex fysiek product ontwikkelt dat uiteindelijk in 30 of 40 verschillende geografische markten wordt verkocht. Je moet weten welke regels van toepassing zijn, bijhouden hoe die veranderen, bepalen welke veranderingen relevant zijn voor je product en de toepasselijke vereisten vertalen naar technische beslissingen.

AI kan de regelgeving voortdurend volgen en de hoeveelheid informatie beperken die een team moet beoordelen. Als een vereiste verandert, kan het systeem helpen vaststellen welke producten, onderdelen of technische beslissingen mogelijk worden geraakt en de relevante context onder de aandacht brengen van de mensen die die nodig hebben.

De interessantste kans doet zich voor wanneer die regelgevingscontext deel wordt van het technische werkproces zelf. Een engineer die een ontwerpbeslissing neemt, moet snel inzicht kunnen krijgen in de vereisten die daarbij horen, zonder handmatig te hoeven zoeken in verschillende rechtsgebieden, normen en domeinen van regelgeving.

Regelgeving verandert en producten veranderen. De echte waarde zit in het verbonden houden van die twee systemen, zodat teams de gevolgen kunnen overzien zolang ze nog tijd hebben om een andere technische beslissing te nemen. Die voortdurende verbinding is een essentieel onderdeel van lifecyclemanagement voor productconformiteit.

Naleving van regelgeving is een AI-toepassing met bijzonder grote risico’s: het over het hoofd zien van een vereiste of het geven van een onjuiste interpretatie kan ernstige gevolgen hebben. Hoe zorgt Daptic bij de toepassing van AI op regelgevingsinformatie voor nauwkeurigheid, uitlegbaarheid en menselijk toezicht?

Vertrouwen is in deze sector van fundamenteel belang.

Voor regelgevingsbesluiten is een hoge mate van zekerheid vereist. Daarom moet traceerbaarheid in de workflow zijn ingebouwd. Teams moeten kunnen zien waar informatie vandaan komt, het onderliggende bronmateriaal kunnen controleren en begrijpen hoe een bepaalde interpretatie tot stand is gekomen.

Menselijke expertise blijft bijzonder belangrijk, omdat regelgeving ruimte laat voor interpretatie. Een regel kan veel duidelijk maken, maar de toepassing ervan op een specifiek product vereist vaak context, ervaring en beoordelingsvermogen. Verschillende experts kunnen dezelfde eis bovendien anders interpreteren.

Onze aanpak is om AI in te zetten ter ondersteuning van die expertise. AI kan informatie vinden en structureren, die koppelen aan de relevante productcontext en de redenering die al heeft plaatsgevonden vastleggen. Ingenieurs en professionals op het gebied van regelgeving blijven bij dat proces betrokken: zij kunnen het beoordelen en verfijnen en hun eigen expertise inbrengen.

Dat levert de organisatie op termijn ook iets waardevols op. De redenering achter een regelgevingsbesluit wordt organisatiekennis waarop kan worden teruggegrepen en voortgebouwd, in plaats van informatie die alleen in een e-mailwisseling of bij één persoon beschikbaar is. Om levenscyclusbeheer van productconformiteit op grote schaal mogelijk te maken, moeten die context en het deskundige beoordelingsvermogen behouden blijven bij verschillende teams, producten en ontwikkelcycli.

Fysieke AI maakt snel de overstap van gecontroleerde industriële omgevingen naar producten die in woningen en openbare ruimten kunnen worden ingezet. Welke uitdagingen op het gebied van regelgeving zullen volgens u de grootste obstakels vormen voor brede acceptatie door consumenten, nu mensachtige robots en systemen zoals robothonden steeds capabeler worden?

Fysieke AI brengt regelgevingsgebieden samen die vroeger veel onafhankelijker van elkaar konden worden behandeld.

Neem een mensachtige robot die in een woning of openbare omgeving werkt. Bij één en hetzelfde product kunnen fysieke veiligheid, elektrische systemen, batterijen, draadloze communicatie, cyberbeveiliging, privacy en autonoom gedrag een rol spelen. Afhankelijk van wat de robot doet, kunnen ook aanvullende eisen gelden voor machines, vervoer, medisch gebruik of andere gereguleerde activiteiten.

Wat dit bijzonder interessant maakt, is dat deze producten steeds vaker door software worden bepaald. Software kan een fysiek product ingrijpend veranderen nadat het al is verkocht. Nieuwe mogelijkheden of nieuw gedrag die via een update worden toegevoegd, kunnen van invloed zijn op de regelgeving die voor dat product geldt.

Dat betekent dat bedrijven regelgeving gedurende de volledige levenscyclus van een product moeten meenemen, en niet alleen op één moment vóór de marktintroductie. De verschuiving van naleving op één specifiek moment naar doorlopend levenscyclusbeheer van productconformiteit wordt vooral belangrijk voor producten waarvan de mogelijkheden kunnen veranderen nadat ze op de markt zijn gekomen.

Ook speelt de internationale dimensie een rol. Verschillende rechtsgebieden ontwikkelen regels voor deze technologieën in uiteenlopend tempo en vaak vanuit verschillende uitgangspunten.

Voor bedrijven die producten met fysieke AI ontwikkelen, wordt de regelgevingsstrategie steeds vaker onderdeel van de productstrategie. Keuzes over sensoren, autonomie, gegevensverzameling, materialen, connectiviteit en productgedrag kunnen bepalen waar een product kan worden ingezet, hoe het moet worden getest en aan welke eisen het moet voldoen. Die samenhang moet al tijdens het ontwerp van het product duidelijk zijn.

Compliance wordt tegenwoordig vaak gezien als iets wat tegen het einde van de productontwikkeling plaatsvindt. Wat verandert er wanneer regelgeving vanaf het allereerste begin als input wordt meegenomen in engineering en productontwerp?

Je geeft ingenieurs veel meer ruimte om oplossingen te bedenken.

Een nuttige analogie uit de engineering is ontwerpen met het oog op maakbaarheid. Je kunt iets in CAD ontwerpen dat er volkomen haalbaar uitziet, om vervolgens te ontdekken dat productie op grote schaal een heel andere aanpak vereist. De sector ontwikkelde tools en methoden om informatie over maakbaarheid eerder in het ontwerpproces beschikbaar te maken, zodat ingenieurs al rekening konden houden met die beperkingen terwijl ze nog voldoende ontwerpvrijheid hadden.

Regelgevingseisen kunnen op dezelfde manier eerder in het proces worden meegenomen.

Als ingenieurs tijdens het ontwerpen inzicht hebben in de beperkingen die voortvloeien uit regelgeving, kunnen ze verschillende architecturen, materialen, componenten en productgedragingen met veel meer context beoordelen. Ook kunnen ze begrijpen welke gevolgen een beslissing kan hebben voor tests, certificering of markttoegang, voordat ze er maanden ontwikkelwerk aan besteden.

Dat kan de ontwikkelsnelheid en -kosten aanzienlijk beïnvloeden. Belangrijker nog is dat regelgeving zo een input voor het engineeringproces wordt, in plaats van informatie die pas beschikbaar komt nadat veel belangrijke productbeslissingen al zijn genomen. Dat is een van de fundamentele veranderingen achter levenscyclusbeheer van productconformiteit: informatie over regelgeving wordt onderdeel van de productontwikkeling en is niet slechts een drempel die het product later moet nemen.

Zouden regels uiteindelijk bijna machineleesbare ontwerpbeperkingen kunnen worden, zodat AI-systemen ingenieurs in realtime waarschuwen wanneer een voorgesteld onderdeel, materiaal, softwarefunctie of productgedrag mogelijk in strijd is met de eisen op een bepaalde markt? Hoe dicht zijn we bij zo’n werkwijze?

We bewegen in die richting, maar het belangrijkste is niet simpelweg om regelgeving machineleesbaar te maken. Het gaat erom de regelgevende taal te vertalen naar randvoorwaarden die betekenisvol zijn in de context van een specifiek product.

Regelgeving is doorgaans niet opgesteld als technische specificaties. Overheden en normalisatie-instellingen schrijven regels voor mensen, en tussen de regelgevende tekst en de technische randvoorwaarde die een ingenieur daadwerkelijk nodig heeft, liggen meerdere interpretatielagen.

AI biedt ons veel betere middelen om die lagen met elkaar te verbinden. Een systeem kan de wettelijke vereisten, officiële interpretaties en de context van het product in ontwikkeling begrijpen. Wanneer een ingenieur een materiaal, onderdeel, softwarefunctie of productgedrag wijzigt, kan het systeem aangeven welke vereisten mogelijk gevolgen ondervinden en uitleggen hoe dat verband zit.

De productcontext is daarbij essentieel. Dezelfde regelgevende tekst kan heel verschillende gevolgen hebben, afhankelijk van het product, de markt, het onderdeel of het beoogde gebruik.

We zetten al stappen in de richting van onderdelen van deze werkwijze. Om regelgevende feedback diepgaand te integreren in technische werkomgevingen zijn een gestructureerde productcontext en betrouwbare verbindingen nodig tussen regelgevende taal, interne interpretaties en technische vereisten. AI heeft ons vermogen om die verbindingen tot stand te brengen versneld.

Ik verwacht dat regelgevende feedback na verloop van tijd veel sterker wordt geïntegreerd in de hulpmiddelen die ingenieurs al gebruiken, net zoals andere technische randvoorwaarden dichter zijn komen te liggen bij het punt waarop ontwerpbeslissingen worden genomen.

Wereldwijde fabrikanten moeten vaak voldoen aan uiteenlopende en soms tegenstrijdige regels in tientallen rechtsgebieden. Hoe kan AI technische teams helpen bepalen welke regelgeving van toepassing is én hoe een ontwerpbeslissing in de ene markt wereldwijd gevolgen kan hebben voor het product?

Juist hier levert de combinatie van regelgevingsinformatie en productcontext veel op.

Fabrikanten willen doorgaans zoveel mogelijk onderdelen van hun producten in alle markten gelijk houden, omdat het onderhouden van veel verschillende versies van hetzelfde product aanzienlijke kosten en complexiteit met zich meebrengt. Tegelijkertijd verschillen de vereisten per rechtsgebied, waardoor het product soms moet worden aangepast.

AI kan teams helpen die verbanden veel systematischer in kaart te brengen. Als je een bepaald materiaal, onderdeel of een bepaalde functie overweegt, kun je nagaan in welke markten het product wordt verkocht en welke vereisten daar in elk van die markten gelden.

Zo kunnen technische teams veel eerder zien welke wereldwijde gevolgen een ontwerpbeslissing heeft. Een keuze kan in 25 markten werken, maar in vijf andere extra vereisten met zich meebrengen. Het team kan dan besluiten of het het wereldwijde ontwerp aanpast, een regionale variant maakt of een andere afweging maakt.

Fabrikanten maken dit soort keuzes nu al. De kans ligt erin mensen veel beter inzicht te geven in de manier waarop regelgeving samenhangt met het product, zodat die afwegingen eerder en met meer context kunnen worden gemaakt.

Regelgevingsinformatie omvat meer dan alleen het volgen van wetten die al zijn aangenomen. Hoe kan AI vroege signalen herkennen in ontwerpregels, overheidsdiscussies, normalisatie-instellingen, handhavingsmaatregelen en andere bronnen, zodat bedrijven kunnen anticiperen op vereisten voordat die gevolgen hebben voor de productlancering?

Het vroegtijdig signaleren van ontwikkelingen wordt vooral belangrijk wanneer productontwikkelingscycli meerdere jaren duren.

Voor een fabrikant is inzicht in wat er gisteren is veranderd maar een deel van het verhaal. Teams moeten ook kunnen zien wat er kan veranderen terwijl een product wordt ontworpen, getest en klaargemaakt voor de lancering.

Er zijn veel mogelijke signalen. Overheden publiceren voorgestelde regels en consultatiedocumenten. Normalisatie-instellingen bespreken wijzigingen. Toezichthouders geven richtlijnen uit en nemen handhavingsmaatregelen. Samen kunnen deze bronnen nuttige aanwijzingen geven over de richting waarin vereisten zich ontwikkelen.

De schaal is aanzienlijk. Een wereldwijde fabrikant moet mogelijk bronnen volgen in tientallen rechtsgebieden, talen en regelgevingsdomeinen, en vervolgens bepalen welke ontwikkelingen daadwerkelijk relevant zijn voor zijn producten.

AI kan die bronnen voortdurend volgen, mogelijk relevante ontwikkelingen signaleren en ze koppelen aan specifieke producten, onderdelen of bedrijfsonderdelen. Daardoor kunnen regelgevingsdeskundigen meer tijd besteden aan het beoordelen van ontwikkelingen die de productroadmap wezenlijk kunnen beïnvloeden.

Hoe eerder die context het productteam bereikt, hoe meer ruimte het bedrijf heeft om bij te sturen. Als een vereiste over twee jaar waarschijnlijk verandert en je volgende product over 18 maanden op de markt komt, kan dat vandaag al een beslissing over de productplanning worden.

Nu AI-agenten steeds dieper worden geïntegreerd in technische werkprocessen, zouden we uiteindelijk gespecialiseerde nalevingsagenten naast ingenieurs, productmanagers en andere AI-systemen kunnen zien werken gedurende de volledige levenscyclus van een product? Hoe zou zo’n architectuur er in de praktijk uitzien?

Ja, en ik denk dat het belangrijkste is dat deze systemen beide kanten van de vergelijking in de gaten houden. Regelgeving verandert, maar het product ook.

Je zou gespecialiseerde agents continu ontwikkelingen in regelgeving kunnen laten volgen en laten bepalen welke veranderingen relevant zijn voor een bepaald productportfolio. Andere agents zouden kunnen helpen om die vereisten te vertalen naar gevolgen voor de engineering.

Tegelijkertijd zouden agents veranderingen aan het product zelf kunnen volgen. Een team kan een materiaal aanpassen, software bijwerken, van leverancier veranderen, een component wijzigen of een nieuwe productfunctionaliteit introduceren. Elk van die beslissingen kan veranderen welke vereisten van toepassing zijn of hoe een bestaande vereiste moet worden geïnterpreteerd.

Die systemen moeten context delen. Een agent voor regelgeving moet het product begrijpen. Een engineeringagent moet toegang hebben tot de relevante wettelijke beperkingen. Beide moeten toegang hebben tot de eerdere beslissingen en interpretaties van de organisatie.

Menselijk inzicht blijft een belangrijk onderdeel van die architectuur. Wanneer een agent op onduidelijkheid, tegenstrijdige vereisten of een beslissing met ingrijpende gevolgen stuit, moet de juiste expert de onderliggende bronnen kunnen beoordelen, een interpretatie kunnen aandragen en die redenering kunnen vastleggen voor de rest van de organisatie.

Ik zie de architectuur uitgroeien tot een netwerk van gespecialiseerde systemen en experts die vanuit een gedeeld begrip van het product werken. Voor fysieke producten is dat bijzonder krachtig, omdat één engineeringbeslissing gevolgen verderop in het proces kan hebben voor productie, veiligheid, certificering, regelgeving en markttoegang. In veel opzichten kan dat gedeelde raamwerk uitgroeien tot levenscyclusbeheer van productconformiteit: een systeem dat gedurende de volledige levenscyclus regelgevingsinformatie, productcontext, AI en menselijke expertise coördineert.

Als we vijf tot tien jaar vooruitkijken, hoe verwacht je dan dat de relatie tussen engineering, AI en regelgeving zich zal ontwikkelen wanneer fysieke AI, autonome machines en steeds meer softwaregedefinieerde producten gemeengoed worden, en welke rol zie je Daptic in dat ecosysteem spelen?

Ik verwacht dat regelgevingsinformatie een standaardinput wordt bij het ontwerpen van fysieke producten.

We hebben dit zien gebeuren in andere onderdelen van de engineering. Informatie die ooit deel uitmaakte van een afzonderlijk proces, komt uiteindelijk dichter bij de engineer te staan en is beschikbaar op het moment dat een beslissing wordt genomen. Ontwerpen voor maakbaarheid is daar een goed voorbeeld van.

Regelgeving beweegt in die richting, omdat AI ons een manier biedt om de schaal en complexiteit ervan aan te pakken en wettelijke vereisten te koppelen aan specifieke producten en engineeringbeslissingen.

Dat wordt steeds belangrijker naarmate producten autonomer en meer softwaregedefinieerd worden. Een software-update kan na de introductie veranderen hoe een fysiek product zich gedraagt. Een leverancier of component kan veranderen. Een nieuwe functionaliteit kan van invloed zijn op welke vereisten relevant zijn. Tegelijkertijd blijven regelgeving en normen zich in verschillende markten ontwikkelen.

Het product verandert en de regelgeving verandert. Bedrijven hebben infrastructuur nodig die die twee voortdurend met elkaar kan verbinden.

Dat is de richting waarin we Daptic ontwikkelen. We willen regelgevingsinformatie onderdeel maken van de infrastructuur voor productontwikkeling, zodat engineers inzicht krijgen in de gevolgen voor de regelgeving zolang ze nog ontwerpvrijheid hebben, en regelgevingsdeskundigen hun expertise binnen veel grotere organisaties kunnen inzetten.

Uiteindelijk zien we levenscyclusbeheer van productconformiteit uitgroeien tot een essentieel onderdeel van die infrastructuur. Het doel is om regelgeving en engineering gedurende de volledige levenscyclus van een product met elkaar te verbinden, zodat bedrijven betere productbeslissingen kunnen nemen, cruciale kennis binnen de organisatie kunnen behouden en fysieke innovatie sneller op de markt kunnen brengen.

Bedankt voor het geweldige interview. Lezers die meer willen weten over AI-gestuurde regelgevingsinformatie en levenscyclusbeheer van productconformiteit, kunnen terecht op Daptic.