Aron England, Chief Product & Technology Officer i Accruent – Intervju-serie

Aron England, Chief Product and Technology Officer i Accruent, er en erfaren teknologi- og produktleder kjent for å bygge og skalerer globale team som leverer SaaS og agensløsninger fra tidlig forskning til høyvoksende, kundeorienterte produkter. Han kombinerer dypt ekspertise overforbrukermarkeder, B2B SaaS, e-handel og kommersiell teknologi med sterk ledelse av mennesker, og parer innovasjon med en skarp forståelse av kundeproblemene for å drive varig produkt-markedsfit og målbare forretningsresultater, inkludert vekst gjennom oppkjøp og IP-drevet strategi.

Accruent tilbyr programvare som hjelper organisasjoner å kjøre den fysiske siden av deres forretning mer effektivt, ved å samle sammen verktøy for fasiliteter, aktiver, rom og arbeidsplassoperasjoner i ett sammenhengende system. Plattformen er designet for å redusere fragmentering, forbedre synlighet og beslutningstaking, og hjelpe team med å planlegge, vedlikeholde og optimalisere bygninger og utstyr over en bred rekke av industrier.

DU har bygget og ledet høytytende globale team i over 25 år. Når du ser tilbake på startups, store bedrifter og nå Accruent, hva er den avgjørende erfaringen som har formet hvordan du tenker om å bygge pålitelig teknologi i stor skala?

Fra å ha tilbragt tid i Fortune 50-selskaper og å ha arbeidet i teknologiledelse i tidlige startups, mid-sized og større offentlige og private selskaper, har jeg fått en bred erfaring når det gjelder å fremme digital transformasjon i ulike industrier. Det mest bemerkelsesverdige var at jeg var ansatt nummer ni i DocuSign (DOCU ), og vi måtte rette oss mot en marked som trengte en ekte sjøendring. Å drive den analoge kontraktindustrien gjennom en total digital transformasjon, ikke bare krevde å bygge markedstilgang, men også lovgivning for å gjøre skiftet trygt. Det er mange lærdommer fra min tid der som kan anvendes på dagens marked for LLMs og AI-verktøy.

På et høyt nivå har mønsteret over min erfaring vært konsistent: pålitelige systemer oppstår ikke ved en tilfeldighet. De kommer fra bevisst arkitektur, datakonsistens, transparens og en dypt forståelse av hvordan virkelige mennesker bruker teknologi.

DU har advart om at teknikerne vil ikke lenger akseptere AI-systemer som bare sier “tillit meg” fra 2026. Fra din posisjon i Accruent, hva er det som driver denne endringen i forventningene blant frontline- og felt-tjenesteprofesjonelle?

I miljøer der fasilitetsledere og teknikerer utnytter AI til å diagnostisere utstyrfeil og guide komplekse reparasjoner, kan et feilskritt fra en feil eller uriktig anbefaling føre til store forretnings- og sikkerhetsrisiko.

Ofte skaper LLMs blandede svar fra flere sider, uten å henviser tilbake til de underliggende bevis. Som et resultat, hvis en tekniker følger en AI-generert steg som aldri direkte eksisterte i OEM-manualen, kan en organisasjon møte større compliance-tilbakegang, da de ikke vil ha en forsvarlig beviskjede for auditor eller sikkerhetsgjennomgang. Mens AI blir mer “usynlig” i programvare, vil viktigheten av sporing øke.

AI-hallusinasjoner kan være mer enn en ulempe i regulerte industrier — de kan skape reelle sikkerhets-, compliance- og operasjonelle risiko. Hva slags hallusinasjonsscenarier bekymrer deg mest når det gjelder vedlikehold, fasilitetsledelse eller aktiveringsoperasjoner?

I produksjon, hvis en AI-generert anbefaling forteller en fabrikkarbeider å ta feil handling på et kritisk stykke utstyr, kan det føre til uventet nedtid, ødelagt materiale, defekte slutprodukter eller skadet maskineri. Disse kan være milliondollarsfeil som produksjonslinjer står stille eller til og med ødelegger omdømme hvis det senere fører til tilbakekall.

Disse hallusinasjonene fra AI-verktøy er også spesielt skadelige for industrier som helsevesenet, da ansvar og pasienters liv er i fare når det er en maskinfeil som ikke ble riktig vedlikeholdt eller fikset i tide. Når du håndterer industrier som samhandler med den virkelige verden, er det ikke så enkelt å fikse feil som å trykke på slett og starte på nytt.

DU har betonet at hver AI-utgang må peke tilbake til originale kilder — manualer, datatabeller, diagrammer, historiske logger. Hvordan designer Accruent systemer som sikrer sporbarhet og eliminerer “black box”-svar?

Vi sikrer at AI-anbefalinger kan spores tilbake til meningsfulle utgangspunkter i kildematerialet, som den spesifikke manualsidene, diagrammet, datatabellen eller loggen som informerte anbefalingen. For eksempel, hvis AI-anbefalingene forteller en fasilitetsleder i helsevesenet hvordan de skal vedlikeholde en kompressor, bør de kunne spore tilbake til den eksakte paragrafen som støtter det trinnet i ett klikk, for å sikre nøyaktighet. For å lukke den økende tillitsgapet i dagens bedrifts-AI, er det viktig at disse systemene også kan avsløre hvilke punkter eller sider som faktisk ble evaluert, så brukerne vet om AI-en gjennomgikk alle relevante dokumenter eller bare en undergruppe.

Mange bedrifts-AI-verktøy prioriterer hastighet, men regulerte miljøer krever auditor, dokumentasjonsnøyaktighet og verifiserbar grunn. Hvordan balanserer du innovasjon med behovet for transparens og compliance?

Å innbygge AI i eksisterende arbeidsflyter er nøkkelen. Dette forenkler prosessen med å legge til godkjenninger, dokumentasjon, vedlikeholds rutiner og compliance-kontroller for å supplere kjente praksiser, i stedet for å implementere et nytt isolert verktøy. Dette betyr å unngå en fullstendig ombygging av operasjoner og å la ansatte fortsette å arbeide på samme måte som de har, men med manuelle, tidskrevende prosesser som blir automatisert.

Teknikere i feltet er avhengige av nøyaktige instruksjoner. Hvordan nærmer Accruent seg utfordringen med å grunne AI-utgang i autoritative kildeinformasjon for å redusere risiko og forbedre teknikerens tillit?

Vår tilnærming starter med å fange og organisere manualer, diagrammer, tegninger, leieavtaler og historiske arbeidsordrer for å sikre at AI gir svar fra et selskaps spesifikke innhold, ikke generisk treningdata. Når det gjelder å generere prosedyrer, anbefalinger eller sjekklister, er våre systemer designet for å sikre at hvert steg kan spores tilbake til den originale dokumentasjonen.

Uten denne funksjonen ville teknikerne, som allerede er under ressurspress, måtte bruke enda mer tid på å manuelt grave gjennom dokumenter for å verifisere nøyaktighet, og ytterligere forsinke prosesser og arbeidsordrer.

Levering av transparent, auditor-klar AI krever store mengder strukturert data. Hvilke datautfordringer — fra ustrukturerte legacy-dokumenter til inkonsistente aktiver-historier — må løses for å gjøre denne visjonen virkelig?

Levering av auditor-klar AI starter med pålitelig og velformet data. Imidlertid bor det meste av den bygde miljøet fortsatt i analoge prosesser, med manuelle datainntastinger, skannede PDF-er og siloede regneark. Når det er hull i data og aktiver-historier som er ufullstendige eller inkonsistente, øker AI-hallusinasjonsrisiko. For å gjøre AI-utgang pålitelig i regulerte miljøer, må selskaper først løse legacy-data-veiblokkeringer, fra ustrukturerte formater til inkonsistente historier, manglende styring, ved å migrere til strukturerte, versjonskontrollerte, sentraliserte dokument- og aktiver-data-systemer.

Vår EDMS (Engineering Document Management System) kan gjøre dette for flere industrier, inkludert gruvedrift, utilitar, produksjon og mer. Disse industrene avhenger ofte av fysiske ingeniørtegninger og dokumentasjon, som kan skape versjonskontroll-nøkter. Ved å bruke vår EDMS-løsning til å digitalisere disse dokumentene er det første skrittet. Deretter hjelper programvaren med å håndtere versjonskontroll, arbeidsflyt-styring og auditor-spor for å sikre at inkonsistenser elimineres.

Når AI blir mer integrert i vedlikehold, fasilitetsledelse og aktiveringslivssyklus, hvor ser du de største mulighetene til å forbedre produktivitet uten å kompromittere sikkerhet eller regulatoriske krav?

En av de største mulighetene er å automatisere mundane, ikke-verdi-tillegg-oppdrag for ansatte, som manuell datainntastning og planlegging av arbeidsordrer for teknikerne. Fra utsiden ser det ut som en relativt enkel, men tidskrevende oppgave. Imidlertid kan AI nærme seg oppgaven mer strategisk.

Først, hvis utstyret i spørsmål overvåkes med sensorer, kan en arbeidsordre utløses basert på anomali-detteksjon, før noen virkelig feil skjer. For det andre kan AI hjelpe med å automatisk prioritere arbeidsordrer basert på急het og planlegge reparasjoner på tidspunkter som forårsaker minst mulig forstyrrelse for en bedrift – det kan også vurdere flere samtidige problemer, kostnader, sikkerhet og inntekter på en gang for den beste mulige fremtid.

AI har potensialet til ikke bare å “assistere” vedlikehold og fasilitetslag – det vil økende fungere som en digital operatør.

Tillit blir det nye krav for bedrifts-AI. Hva tror du leverandører må gjøre annerledes de neste to årene for å tjene — og beholde — den tilliten?

Leverandører må slutte å anta at kunder bare vil “tillit modellen” når det gjelder bedrifts-AI. Anbefalinger fra AI må vise bevis for hvordan de ble generert. En måte å håndtere dette på er i form av sitater og klare beskrivelser av hva dokumenter AI-en faktisk vurderte. For eksempel, hvis en ansatt ber AI om å analysere 1 000 leieavtaler, bør de vite eksplisitt om det vurderte alle 1 000 eller bare 700, og hvorfor eller hvorfor ikke.

Som en del av dette, er det viktigste faktoren leverandører må prioritere transparens i data-bruk. Det inkluderer klart beskjed om hvem som ser data, hvordan det brukes (inkludert eventuelle treningsimplikasjoner), og hvordan det er adskilt eller isolert fra andre kunders miljøer.

De neste to årene vil det å tjene tillit være avgjørende, og leverandører kan få overtaket ved å være eksplisitt om AI-verktøyens begrensninger, holde mennesker i løkken for høyrisikodecisions, og starte med smale, velavgrensede bruksområder som leverer konkrete verdier uten å sette kunder i en “black box”-situation.

Ser fremover, hvordan ser du på AI-evolusjonen i kritiske operasjoner, og hva rolle forventer du Accruent vil spille i å sette bransjestandarder for pålitelig, transparent AI?

AI i kritiske operasjoner utvikler seg raskt fra isolerte enkelt-oppgave-automatiseringer til intelligente, multi-agentsystemer som kan koordinere og optimalisere hele arbeidsflyter. I stedet for bare å assistere brukerne, vil AI gi autonom beslutningsstøtte, kontinuerlig overvåke operasjonelle forhold, forutsi risiko og anbefale handlinger med full transparens og sporbarhet. Mens AI lærer å kombinere ustrukturerte dokumenter, strukturerte operasjonelle data og sanntids-signaler, vil det bli innbygd direkte i daglige prosesser, og drive raskere, sikrere og mer pålitelige resultater.

Over tid vil dette muliggjøre en overgang mot autonome operasjoner, hvor systemer kan selv-optimalisere og selv-korrigeres, mens mennesker fokuserer på tilsyn og strategiske beslutninger. Som en markedsleder, vil Accruent hjelpe med å sette bransjestandarder for pålitelig og transparent AI ved å innbygge auditabilitet, forklarbarhet og sterk styring i plattformen, og samarbeide med kunder, partnere og regulatoriske organer for å definere beste praksis for trygg deployering i kritiske operasjoner, ved å innbygge auditabilitet, forklarbarhet og sterk styring i plattformen og ved å samarbeide med kunder, partnere og regulatoriske organer for å definere beste praksis for trygg deployering i kritiske operasjoner. Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Accruent.