Shiva Dhawan, mede-oprichter en CEO van Attentive.ai – Interviewreeks

Shiva Dhawan, mede-oprichter en CEO van Attentive.ai, is een ondernemer die zich richt op het toepassen van kunstmatige intelligentie om infrastructurele en bouwprocessen te transformeren. Voordat hij Attentive.ai oprichtte, had hij leidinggevende en operationele rollen in technologie en bedrijfsfuncties, waardoor hij het visie van het bedrijf rond het automatiseren van traditioneel handmatige processen in sectoren zoals bouw, mapping en geospatiale analyse heeft helpen vormgeven. Onder zijn leiding heeft het bedrijf zich internationaal uitgebreid en AI-systemen ontwikkeld om de efficiëntie in schattingen, afmetingen en infrastructuurbeheer voor ondernemingen en aannemers te verbeteren.

Attentive.ai is een AI-gebaseerd bouwtechnologiebedrijf dat zich richt op het automatiseren van preconstructie- en infrastructuurprocessen met behulp van computerzicht en geospatiale intelligentie. Het platform helpt aannemers, landschapsbedrijven en infrastructuurbeheerders om schattingen, metingen en siteanalyses te versnellen, taken die historisch gezien afhankelijk waren van handmatige arbeid. Het Beam AI-product van het bedrijf is ontworpen om luchtfoto’s en AI te gebruiken om zeer gedetailleerde eigendomsmetingen en landschapsinformatie te genereren, waardoor bedrijven hun biedingsnauwkeurigheid kunnen verbeteren, operationele knelpunten kunnen verminderen en projecten efficiënter kunnen opschalen door automatisering.

U hebt Attentive.ai opgericht na het opschalen van een dienstverleningsbedrijf in mapping en verzekeringen, en later Beam AI als uw vlaggenschipproduct geïntroduceerd. Wat waren de specifieke inzichten uit die eerdere fase die u ertoe hebben geleid om Beam AI te bouwen, en waarom koos u voor afmetingen en schattingen als ingangspunt voor het transformeren van bouwprocessen?

Mijn mede-oprichter, Rishabjit, en ik kwamen naar de Amerikaanse bouwmarkt tijdens COVID, toen aannemers offertes moesten indienen zonder ter plaatse te zijn. Wat steeds weer naar voren kwam, was hetzelfde probleem: aannemers verloren werk niet omdat ze de klus niet konden klaren, maar omdat ze geen tijd hadden om de prijs te bepalen. Een schatter, honderden pagina’s met plannen, 4 tot 8 uur per klus. U kunt geen bedrijf uitbouwen op die manier.

We kozen voor afmetingen omdat het het startpunt is voor alles. Niets anders gebeurt totdat iemand de omvang heeft gemeten. En het resultaat is verifieerbaar; u hebt de hoeveelheden goed of niet. Een afwijking van 2% bij een klus van $10 miljoen is $200.000 verloren. Dat is geen abstractie. Het is een echte kostenpost die schatters elke dag meedragen.

Bouw en veldservices worden vaak gezien als langzamer in het adopteren van nieuwe technologieën. Wat is de grootste barrière voor de adoptie van AI in deze sector, en hoe gaat u deze overwinnen?

Vertrouwen. Schatters hebben hun carrière opgebouwd op nauwkeurigheid. Wanneer ze iets missen, betaalt hun bedrijf de prijs. Dus toen we met AI kwamen, was de natuurlijke reactie: hoe weet ik of dit klopt?

We hebben mensen niet proberen te overtuigen van het tegendeel. We hebben het probleem recht aangepakt. Elke voor-u-gemaakte afmeting wordt door een getrainde persoon beoordeeld voordat deze naar de klant wordt gestuurd. De automatisering behandelt volume en snelheid.

De kwaliteitscontrole vangt alles op dat een tweede blik nodig heeft. Na een paar klussen zien klanten het patroon: de hoeveelheden kloppen, hun team zit niet meer in plannen, en de offertes gaan sneller uit. Een van onze klanten, Bommarito Construction, heeft 50 meer offertes ingediend in zes maanden met het platform. Dat is overtuigender dan elke demo.

Beam AI richt zich op het automatiseren van afmetingen, een traditioneel handmatig en tijdrovend proces. Waarom is deze workflow zo’n kritiek ingangspunt voor AI-gedreven transformatie?

Elk project begint hier. Voordat u iets kunt prijzen, moet iemand de plannen zitten en alles meten. Een enkele afmeting kan een hele dag duren. Wanneer het druk wordt, wordt dat het plafond voor de hoeveelheid werk die een team kan nastreven.

Aannemers weigeren klussen niet omdat ze ze niet willen. Ze weigeren ze omdat er geen tijd is om ze te prijzen.

Afmetingen hebben ook een duidelijk, controleerbaar resultaat: materiaalhoeveelheden. U weet of iets is gemist. Dat maakt het een redelijke plek om vertrouwen te bouwen in een nieuw systeem, vooral wanneer de inzet hoog is.

Uw platform stelt bedrijven in staat om de offertevolume te verhogen zonder extra personeel toe te voegen. Hoe ziet u dit de concurrentie en marges in de industrie veranderen?

Het gebeurt al. Wanneer een aannemer drie keer zoveel klussen kan nastreven met hetzelfde team, wordt hij selectief. Hij gaat achter hogere marges aan. Hij kan snel reageren wanneer een grote kans zich voordoet, in plaats van deze voorbij te laten gaan omdat hij al maximaal bezet is.

De aannemers die hier niet over nadenken, zullen de druk voelen van degenen die het wel doen. Rays Stairs heeft de offertevolume verdubbeld en de omzet verhoogd van $900.000 naar $2 miljoen in twee maanden. Guardian Roofing heeft de afmetingstijd teruggebracht van 25 uur per week tot 5. Dat zijn geen kleine winsten. Ze veranderen wat een bedrijf daadwerkelijk kan nastreven.

Beam AI omvat een mens-in-de-lus kwaliteitscontrolelaag naast automatisering. Hoe bepaalt u de juiste balans tussen AI-autonomie en menselijke toezicht?

We denken daarover na in termen van vertrouwen en wat op het spel staat. De AI behandelt het gestructureerde, repetitieve werk goed: plannen lezen, documenten parseren en hoeveelheden extraheren. Maar de uitvoer is specifiek voor elke branche in manieren die ertoe doen. Hoe u HVAC-apparatuur meet, is niets zoals het meten van structurele staal of betonwapening.

De kwaliteitscontrolelaag is er voor die situaties. Voor de voor-u-gemaakte service bekijkt een getrainde reviewer elke uitvoer voordat deze naar de klant wordt gestuurd. Voor de geautomatiseerde 10-minuten afmetingen hebben we voldoende gegevens verzameld, met name in HVAC en sanitair, om sneller te werken zonder die stap. Staal wordt nu spoedig gelanceerd. Het niveau van autonomie volgt de branche en de complexiteit van de klus.

Naarmate modellen verbeteren, denkt u dat de kwaliteitscontrolelaag minder centraal wordt in de toekomst, of zal deze blijven bestaan als een permanent onderdeel van hoge-inzetprocessen zoals schatting?

Beide, afhankelijk van hoe u het definieert. De vorm die het aanneemt, zal veranderen. Een groot deel van wat een menselijke reviewer vandaag vindt, zal verschuiven naar geautomatiseerde controles in het systeem naarmate de modellen verbeteren en we meer gegevens verzamelen. Maar ik denk niet dat u ooit verificatie uit een workflow zoals deze haalt. Als een aannemer een klus van $50 miljoen aan staal prijst, zal hij een controlepunt willen.

Wat we naar streven, is dat controlepunt sneller en minder arbeidsintensief te maken. Het doel is niet om kwaliteitscontrole te elimineren. Het is om het lichter te maken.

Attentive.ai combineert AI-automatisering met werkelijke operationele workflows. Denkt u dat de toekomst van AI in de bouw inherent hybride is in plaats van volledig autonoom?

Voor de voorziene toekomst, ja. En ik zou terugkomen op het idee dat “hybride” een troostprijs is. Bouw omvat oordeel dat niet wordt vastgelegd in een plan. Een goede schatter weet zijn lokale onderaannemersmarkt. Hij weet hoe een bepaalde aannemer specificeert. Hij weet wat een klus daadwerkelijk zal kosten om te bouwen, wat niet altijd is wat de tekeningen zeggen.

AI behandelt het kwantificeerbare werk. De mens brengt de context. Het doel is niet om schatters te vervangen. Het is om ze uit het repetitieve meten te halen, zodat ze tijd kunnen besteden aan het werk dat daadwerkelijk hun oordeel vereist. Dat is ook waarom we Beam AI hebben gebouwd als een augmentator, zoals een inplugbare junior-schatter die mechanische taken behandelt.

U hebt AI omschreven als de operationele ruggengraat van preconstructie. Hoe ziet u die visie eruit over de komende vijf jaar?

Op dit moment zijn we gefocust op het front-end: plannen naar materiaalhoeveelheden, zo snel en nauwkeurig mogelijk. De volgende laag is offertebeheer. We hebben al OfferteDashboard en OfferteSniper gelanceerd, die aannemers een enkel overzicht geven van hun pijplijn, deadlines, RFIs en addenda.

Over de komende vijf jaar wil ik dat het platform afmetingen rechtstreeks verbindt met prijzen en inkoop. Een aannemer uploadt plannen en heeft binnen enkele uren een echt beeld van wat de klus kost en wat hij moet inkopen. Dat is een wezenlijk andere manier van preconstructie uitvoeren dan wat de meeste teams vandaag doen.

Beam AI ondersteunt meerdere branches, van landschapsarchitectuur tot civiele en elektrische werken. Hoe balanceert u het opbouwen van gegeneraliseerde AI-systemen met de behoefte aan diepe, branche-specifieke optimalisatie?

Het is een echte spanning. De onderliggende werkzaamheden zijn gedeeld over branches: documenten lezen, tekeningen parseren en hoeveelheden extraheren. Maar de uitvoer is branche-specifiek op manieren die ertoe doen. Hoe u HVAC-apparatuur meet, is niets zoals het meten van structurele staal of betonwapening.

We hebben branche-specifieke modellen gebouwd en geïnvesteerd in trainingsgegevens voor elke branche. Dat is waarom we zijn begonnen met HVAC en sanitair, waar onze gegevensset het sterkst was, voordat we zijn uitgebreid naar sanitair en staal. We dekken 15 of meer branches, maar we zijn eerlijk dat niet elke branche op hetzelfde niveau van volwassenheid zit. We bouwen diepte op naarmate we ons uitbreiden.

AI begint traditioneel offline-industrieën te veranderen. Denkt u dat bouw een van de meest getransformeerde sectoren kan worden in de komende decennium, en hoe zou die transformatie er in de praktijk uitzien?

Ik denk van wel. Een deel van de reden waarom het onderschat wordt, is dat het zo lang handmatig is geweest. Er is geen diep ingeworteld softwarelaag om te vervangen, zoals er is in financiën of gezondheidszorg. De gegevens zijn niet gedigitaliseerd. De workflows zijn niet gestandaardiseerd. Dat klinkt als een probleem, maar vanuit ons perspectief is het een opening. We vervangen geen bestaand systeem. In veel gevallen bouwen we het eerste.

Voeg daarbij de kapitaal dat momenteel in datacenters, fabricage en infrastructuur wordt gestoken, en de druk om sneller te prijzen en te bouwen, neemt alleen maar toe. De aannemers die dit figuur uit krijgen, zullen voorop lopen. Degenen die het niet doen, zullen zich afvragen wat er is gebeurd.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Attentive.ai of Beam AI bezoeken.