Adi Bathla, CEO og grunnlegger av Revv – Intervju-serie

Adi Bathla, CEO og grunnlegger av Revv, er en produkt-dreven operatør og innovasjonsleder basert i New York som har bygget sin karriere på skjæringspunktet mellom teknologi, systemtenkning og skala. Før han grunnla Revv, ledet han produkt- og digitale kundeopplevelse-initiativer i vekstbaserte handelsbedrifter, hjalp til å lansere nye forretningslinjer innen store bedriftsplattformer, utførte forskning på kunstig intelligens og kollektiv intelligens ved MIT Sloan, og tidligere i sin karriere ledet han prisvinnende romsystemdesign-lag koblet til NASA-forskningsprogrammer.

Revv er en AI-drevet bilreparasjonsplattform som fokuserer på å forenkle ADAS-kalibrering og diagnostikk for kollisjons- og mekaniske reparasjonsverksteder. Ved å kombinere OEM-gradert dokumentasjon, intelligente arbeidsflyter og dypt integrasjon med eksisterende verksted- og estimasjonssystemer, hjelper Revv reparasjonsverkstedene å redusere manuell forskning, forbedre overholdelse og sikkerhet, og omdanne stadig mer komplekse kalibreringskrav til skalerbare, data-drevne operasjoner. Ettersom kjøretøy blir mer programvare-definert, stiller Revv seg selv som kjerneinfrastruktur for moderne reparasjonsarbeidsflyter på tvers av Nord-Amerika.

Din tidlige eksponering for bilreparasjonsindustrien synes å ha formet din vei. Kan du dele et spesifikt øyeblikk fra den tiden som gjorde deg realisere at dette området trengte en AI-drevet løsning?

Det var ett slikt telefonoppp tilkalt som fullstendig endret min syn på industrien. En verkstedseier ringte meg i panikk: han hadde reparert en bil, men fellesystemet fungerte ikke etterpå, og han var redd for å bli saksøkt. Det øyeblikket gjorde meg til å se nærmere på ADAS-systemer, og jeg innsett at denne usynlige kompleksiteten var et massivt problem som verkstedene ikke kunne løse på egen hånd. Ettersom ADAS-reparasjoner ikke var åpenbare som en bule eller skramme, var det lett for dem å gå ubemerket. Tekniske ansatte brukte 3-4 timer bare på å dokumentere arbeid og finne reparasjonsprosedyrer, som om de lette etter en nål i en høystak. Da visste jeg at AI kunne kutte gjennom all støy og gi teknikerne eksakt det de trengte på sekunder i stedet for timer.

Din tid som arbeidet med AI- og kollektiv intelligens-forskning ved MIT og tidligere systemnivå-arbeid ved NASA eksponerte deg for komplekse, sikkerhetskritiske miljøer tidlig. Hvordan påvirkte disse erfaringene din beslutning om å grunnlegge Revv og fokusere på kjøretøy-kalibrering som et programvare-problem?

Mine erfaringer ved NASA og MIT lærte meg at for å bygge og være en suksessfull entreprenør, trenger du bare å lære raskt og omgi deg med de riktige ekspertene. Denne mentaliteten ga meg selvtiliten til å gå inn i en bransje jeg visste svært lite om og utfordre måten ting hadde tradisjonelt blitt gjort.

Da jeg begynte å tilbringe tid i bilverksteder, så jeg tekniske ansatte drukne i håndbøker, prøvde å kalibrere sensorer som kontrollerer om en bil kan bremse ordentlig eller holde seg i sin lane. Det minnet meg om de sikkerhetskritiske miljøene jeg hadde vært eksponert for ved NASA, hvor presisjon er nøkkel. Dette er livsreddende teknologi, men verkstedene håndterte det med papirprosedyrer og utdaterte systemer. Jeg innsett raskt at dette var et programvare-problem forkledd som et mekanisk ett. Biler hadde blitt datamaskiner på hjul, men infrastrukturen for å servicere dem hadde ikke holdt tritt. Det bragte meg tilbake til den entreprenør-mentaliteten jeg utviklet ved MIT og NASA, og det er hvordan vi bygde Revv: å pare en outsiders ferske perspektiv med dypt ekspertise fra de tekniske ansatte som faktisk gjorde arbeidet.

Før Revv, ledet du produkt- og innovasjons-initiativer hos Jet og Walmart i enorm skala. Hva lærte du fra å bygge 0→1-produkter i handel som gikk over mest tydelig når du designet programvare for det bilreparasjons-økosystemet?

Den største lærdommen jeg lærte fra min tid hos Walmart var om å møte brukerne der de er, ikke der du ønsker at de skal være. Jeg bygde for leverandører og produsenter som ikke var teknisk kyndige og hadde gjort ting på samme måte i tiår. Du kan ikke be dem om å erstatte hele systemet. I stedet embedder du din ekspertise i deres eksisterende arbeidsflyter så de ikke må løfte en finger utenfor det de allerede gjør.

Det ble Revvs hele tese. Vi integrerer med verkstedets eksisterende verktøy og programvare, kjører i bakgrunnen og leverer innsikt uten å forstyrre hva som allerede er muskelminne for dem. Men jeg tok også med meg hva jeg lærte hos Jet om talent: A+-spillere bringer A+-spillere, og du må være besatt av å bygge det riktige teamet fra dag én. Jeg innarbeidet dette som vår rekrutteringspraksis hos Revv, fordi ingen av arbeidet vi gjør ville være mulig uten teamet av stjerner vi har bygget.

Bilreparasjon er en av de største, men minst moderniserte industrier i USA. Da du først begynte å bygge Revv, hva motstand eller skepsis møtte du, og hvordan overvant du det?

Motstanden i begynnelsen var en stor utfordring fordi verksteder hadde gjort ting på samme måte i over 40 år, og endring er ubehagelig. Men her er hva som fungerte: Jeg pitcha dem ikke bare programvare, jeg forpliktet meg til å forstå hver enkelt smertepunkt. Jeg delte ut kort med min telefonnummer og sa: “hvis du har et problem, ring meg.” Og de gjorde. Jeg tilbrakte år med å bygge denne databasen av tillit og kunnskap.

Gjennombruddet var å vise dem at vi ikke ba dem om å erstatte sine systemer eller endre hvordan de arbeidet. Vi bygde Revv for å integrere direkte i deres eksisterende programvare og arbeidsflyter, kjøre i bakgrunnen og levere hva de trenger uten å forstyrre deres nåværende prosesser. Når verkstedene så at vi faktisk forstod deres verden og gjorde jobben deres enklere, ikke vanskeligere, begynte skepsisen å forsvinne.

Revv stiller seg selv som et operativsystem for programvare-definerte kjøretøy i stedet for en enkelt løsning. Hva betyr å være et operativsystem i praktiske termer for kalibreringsverksteder og reparasjonsnettverk?

Det betyr at vi ikke bare løser ett problem, men blir infrastrukturen som driver deres hele ADAS-arbeidsflyt. En bil kommer inn i båsen, Revv kobler seg til deres eksisterende verktøy, henter data direkte fra produsenten og leverer en komplett pakke til teknikerne på sekunder. Det gir dem trinn-for-trinn reparasjonsinstruksjoner, hver påkrevd kalibrering, original produsent-dokumentasjon og forsikringsklar rapport klar til å sende til forsikringsselskapet.

Vi utvikler oss fra et system for å registrere til et system for handling, ikke bare fortelle dem hva som må gjøres, men håndtere den administrative arbeidet for dem. Innen 2025, er over 74% av våre brukere i ferd med å adoptere våre nye produkter fordi de ser på oss som den eneste plattformen som håndterer deres hele ADAS-drift fra ende til ende. Dette stemmer overens med hva vi ser bransjevidt. Vår nylige ADAS Benchmark Survey av 300 karosseri-profesjonelle fant at in-house kalibreringer forventes å øke fra 57% til 64% over de neste to årene.

Biler er nå rullende datamaskiner pakket med sensorer, kameraer og programvare-avhengigheter. Hvor sliter menneskelige tekniske ansatte mest i dag, og hvordan støtter AI meningsfullt deres beslutningsprosess uten å ta kontrollen fra dem?

Tekniske ansatte sliter mest med den administrative byrden som nå kommer med moderne reparasjoner. Fra kalibrering av sensorer til å spore opp produsent-manualer og sette sammen forsikringsklare rapporter, hver enkelt trinn må forskes, dokumenteres og godkjennes, og omdanner en hånd-til-hånd-jobb til en jobb fylt med papirarbeid. Hver estimat har 100-200 linje-elementer, og hver enkelt har en rippleffekt. Tilbake i 2023, krevde hver reparasjon to til tre kalibreringer. Nå er det over fem. Tekniske ansatte bruker tre til fire timer bare på å dokumentere arbeid og jakte på prosedyrer, men med Revv og AI, prosessen synker til tre til fem minutter.

Revv sin AI prosesserer all kompleksitet i bakgrunnen, kobler seg direkte til produsentdata, identifiserer hver påkrevd kalibrering og leverer trinn-for-trinn instruksjoner. Vi har prosessert over 300 000 reparasjoner, med over 5 000 kunder som nå bruker plattformen. For dokumentasjon, kan tekniske ansatte sende inn bilder og Revv genererer hele forsikringsklare rapporten automatisk. Vår plattform flagger potensielle manglende trinn og automatiserer det repetitive arbeidet, men teknikerne holder full kontroll over beslutningen uten den administrative byrden.

Revv sine modeller er trent på hundredtusenvis av virkelige reparasjons hendelser. Hvordan sikrer du datakvalitet, nøyaktighet og overholdelse når AI-anbefalinger er direkte knyttet til sikkerhetskritiske resultater?

For oss, begynner datakvalitet og nøyaktighet med å grunnlegge AI i virkelige reparasjons-erfaringer, med våre modeller bygget direkte på innsikt fra erfarne tekniske ansatte på tvers av flere regioner og kjøretøy-typer.

Vi bygger også inn kontinuerlige tilbakemeldings-løkker, så tekniske ansatte kan validere AI-anbefalinger i sanntid. Hver kalibrering og prosedyre er dobbeltsjekket mot de eksakte OEM-manualer og tekniske dokumenter for et bestemt kjøretøy. Med en database på over 300 000 reparasjoner fra to land, vår plattform holder på å lære og forbedre, mens tekniske ansatte holder kontrollen gjennom hele prosessen.

Revv fungerer på tvers av kalibratorer, reparasjonsnettverk, forsikringsselskap og OEM-systemer. Hvordan designer du en AI-plattform som skaper tillit og verdi på tvers av interessenter med svært forskjellige incitamenter?

Vi tenker på Revv som bindevev mellom tekniske ansatte, forsikringsselskap og kunder, så vi arbeider for å møte alle deres kollektive behov.

For tekniske ansatte, sparer vi timer med administrativt arbeid mens vi hjelper dem å fange opp manglende inntekter ved å identifisere kalibreringer som ville ha glidd gjennom fingerspissene. Forsikringsselskapene får raskere godkjenninger, nøyaktig dokumentasjon og færre tvister. Kunder får bilene sine tilbake tryggere og raskere fordi vi sikrer at hver påkrevd kalibrering faktisk er gjennomført.

Ettersom kjøretøy fortsetter å utvikle seg til fullstendig programvare-definerte plattformer, hva ser suksess ut som for Revv tre år fra nå, og hva kapasiteter må reparasjons-infrastrukturen utvikle for å holde tritt?

For å holde tritt, må verkstedene ha interne kapasiteter, en pipeline av neste-generasjons tekniske talenter og et sterkt samarbeidsnettverk for å sikre at hver reparasjon er nøyaktig og effektiv. Innen 2029, vil reguleringer kreve at alle nye bilmodeller har nødbremsing, og verkstedene begynner å se hvor mye verdi det å gjøre in-house kalibreringer bringer til deres forretninger. I vår nylige undersøkelse, rapporterer 74% av karosseri-profesjonelle nå at ADAS er en inntekts-genererende kategori, med 60% som betrakter å øke ADAS-inntekt som ‘ekstremt eller veldig viktig’.

Hva vi allerede ser, er at ADAS-kalibrering blir sin egen kategori, med nye spesialister som oppstår hver måned og virkelig forretnings-momentum bygges opp rundt det. Ettersom vi ser fremover, ser vi Revv som ryggraden i dette hele økosystemet. Det betyr at plattformen blir standarden på tvers av kollisjonsverksteder, og gir tekniske ansatte, forsikringsselskap og kunder ett forent system for å håndtere og levere trygge, overholdende kalibreringer i stor skala. Vi bygger infrastrukturen som definerer hvordan programvare-drevne kjøretøy repareres, og til slutt, setter vi standardene som vil forme bransjens fremtid.

For grunnleggere som bringer AI inn i dypere etablerte, tradisjonelt analoge industrier, hva vanlige feil ser du, og hva antagelser måtte du personlig avlære mens du skalerte Revv?

Noe jeg lærte tidlig, er å kutte gjennom støyen og fokusere på problemet først, ikke løsningen. Det er lett å bli fanget opp i buzz-en og begynne å bygge noe imponerende, men det ofte ender opp som en løsning på jakt etter et problem.

Hva betyr noe, er å finne problemet kundene faktisk opplever hver dag. Antagelsen jeg måtte avlære, var å tro at bedre teknologi alene ville vinne. Jeg undervurderte hvor sterkt arbeidsflyter er i denne industrien. Da jeg startet Revv i 2022, tilbrakte jeg tid i verksteder med tekniske ansatte for å se deres arbeidsflyt nært og forstå hva som holdt dem tilbake. Dette lærte meg at ekte endring kommer ikke fra å implementere imponerende teknologi eller overtale verksteder til å adoptere en ny måte å gjøre ting på. Det kommer fra å embedde din løsning så seamless i deres eksisterende arbeidsflyt at de ikke må endre noe. Du ber dem ikke om å endre, du gjør deres nåværende måte bedre.