Eshan Jayamanne, grunnlegger og administrerende direktør i Krane – Intervju-serie

Eshan Jayamanne, grunnlegger og administrerende direktør i Krane, kombinerer dypt kunnskap om byggeindustrien med en bakgrunn i ingeniørvitenskap, analyse og teknologi. Før han grunnla Krane i 2023, arbeidet han med større prosjekter for organisasjoner som Microsoft (MSFT ), Chevron (CVX ), UCSF og Caltrans, med fokus på å forbedre produktiviteten, optimalisere leverandørkjeden, bygge lean og øke operasjonell effektivitet. Hans erfaring med å håndtere komplekse byggeprosjekter avdekket bransjens vedvarende koordinerings- og innkjøpsutfordringer, og inspirerte ham til å bygge teknologi som hjelper team til å ta bedre beslutninger og redusere dyre forsinkelser.

Krane er en AI-drevet byggeleverandørplattform designet for å forbedre synligheten og koordineringen over innkjøp, materialestyring og prosjektoperasjoner. Plattformen bruker AI-agenter til å automatisere oppgaver som materialesporing, leverandørstyring, risikoidentifisering og fakturarekonsiliasjon, og hjelper byggeteamene til å redusere forsinkelser og forbedre effektiviteten. Fokusert på større prosjekter som datacenter, helsefasiliteter og infrastrukturutviklinger, har Krane som mål å modernisere en av byggeindustriens mest fragmenterte og dataintensive arbeidsflyter.

Du tilbrakte flere år med å arbeide med byggeingeniørvitenskap, produksjonsanalyse, prosjektoptimalisering og større infrastrukturprosjekter før du grunnla Krane. Etter å ha sett hvordan innkjøpsforsinkelser, materialesporingsproblemer og fragmenterte arbeidsflyter påvirkte større prosjekter, hva var det spesifikke øyeblikket som overbeviste deg om at AI kunne løse problemer som byggeindustrien hadde kjempet med i tiår?

Jeg tilbrakte over ett tiår med å arbeide med komplekse energi-, infrastruktur- og datacentersprosjekter, inkludert å lede prosjekter for selskaper som Microsoft og Chevron. Uansett prosjektstørrelsen, så jeg alltid de samme utfordringene: Teamene var overveldet av innleveringer, materialer ble frigitt for sent, og leveranser ble ikke koordinert riktig, og skapte dyre forsinkelser.

Det som overbeviste meg om at AI kunne gjøre en forskjell, var å se hvor mye av dette arbeidet fortsatt ble håndtert gjennom frakoplinger av regneark, e-poster og telefonopprettinger. Byggeteamene manglet ikke ekspertise; de tilbrakte for mye tid med å jakte på informasjon over fragmenterte arbeidsflyter.

De nyeste fremgangene i AI gjorde det mulig å lese byggespesifikasjoner, tegninger, planer og innkjøpsrekorder, og å automatisere mange av koordineringsoppgavene som tradisjonelt krevde betydelig manuell innsats. Da ble det klart at AI kunne hjelpe til å flytte den operative byrden bort fra prosjektteamene og gi dem mer tid til å fokusere på bygging.

Den ideen ble til slutt Krane. I dag håndterer plattformen over 17 milliarder dollar i aktive byggeprosjekter over hele Nord-Amerika og har nylig samlet inn 9 millioner dollar i en Seed-runde for å fortsette å utvide vårt AI-naturlige byggeoperasjonscrew.

Byggeindustrien har historisk sett ligger etter andre industrier som finans og programvare når det gjelder teknologisk tilpasning. Hvorfor tror du at den nåværende bølgen av AI er annerledes, og hvorfor er industrien endelig klar for mer autonome systemer?

Industrien står overfor to utfordringer samtidig: økende prosjektkompleksitet og en voksende arbeidskraftmangel. Etterspørselen og kompleksiteten i datacenter, helsefasiliteter og andre større prosjekter setter mer press på byggeleverandørkjedene enn noen gang før. Samtidig går erfarne fagfolk raskere i pensjon enn de erstattes.

Verktøy som ChatGPT hjalp også til å demonstrere hva AI faktisk kunne gjøre på en praktisk og brukervennlig måte. Det gjorde teknologien mer tilgjengelig og akselererte tilpasningen av AI-løsninger bygget for spesifikke industrier, inkludert bygging.

I dag blir byggeteamene bedt om å levere større og mer komplekse prosjekter med mindre margin for feil, samtidig som de håndterer volatile og vanskelige å forutsi leverandørkjeder. Det er derfor vi ser så mye interesse for AI. Industrien tilpasser ikke teknologi for teknologiens skyld; den søker etter praktiske måter å hjelpe teamene å håndtere kompleksitet, opprettholde synlighet og holde prosjektene i gang.

Krane beskriver seg selv som en AI-naturlig plattform for å håndtere byggeleverandørkjeder. Hva er de største ineffektivitetene som fortsatt eksisterer i dag i innkjøp, innleveringer, leveranser og leverandørkoordinering som de fleste mennesker utenfor industrien ikke er klar over?

De fleste mennesker er overrasket over hvor mye av byggeinnkjøpet fortsatt kjører gjennom regneark, e-poster, telefonopprettinger og manuell oppfølging. Et stort prosjekt kan involvere hundrevis av materialer, dusinvis av leverandører, tusenvis av dokumenter og stadig endrende planer, og likevel blir mange innkjøpsbeslutninger fortsatt tatt basert på leverandørerestimeringer, historisk erfaring og antagelser om markedet.

Da vi så over prosjektene som kjører på Krane, fant vi at mange av de mest kostbare tidsforsinkelsene og budsjettoverskridelsene kunne spores tilbake til innkjøpsbeslutninger tatt måneder tidligere. Utfordringen var å identifisere risiko tidlig nok til å kunne gjøre noe med dem.

I våre egne data fant vi at innkjøpsrisiko dukket opp i gjennomsnitt 47 dager før de dukket opp i prosjektplanen. Det betyr at teamene kan ha uker med eksponering for en risiko før den blir synlig nok til å kunne gjøre noe med den.

Det er nettopp derfor vi lanserte Innkjøps-OS. Krane’s nye Innkjøps-OS-modul bringer live leverandørkjedeintelligens direkte inn i innkjøpsarbeidsflytene. Fordi Krane allerede håndterer den daglige flyten av materialer over mer enn 17 milliarder dollar i aktive byggeprosjekter, er vi i stand til å fange virkelige ledtider, leverandørprestasjoner, innleveringssyklustider og materialetilgjengelighet mens de skjer.

Innkjøps-OS identifiserer automatisk kritiske materialer fra prosjektspesifikasjoner, sammenligner live-ledtider, vurderer leverandører basert på faktisk prestasjon og skanner budsjetter for overensstemmelse før de tildeles. Vi flytter byggingen fra innkjøp basert på antagelser til innkjøp basert på bevis.

Mange AI-selskaper fokuserer på å generere innsikt, mens Krane ser ut til å bevege seg mot AI-agenter som kan aktivt utføre oppgaver. Hvordan ser du på rollen til AI som utvikler seg fra assistent til operatør i byggearbeidsflytene?

Vi tror at den neste utviklingen av AI i bygging er å gå fra å gi informasjon til å hjelpe teamene med å utføre arbeid. Byggeprosjekter genererer en enorm mengde data, men å identifisere et problem er bare det første steget. Teamene må fortsatt koordinere med leverandører, validere ledtider, håndtere innleveringer og holde materialer i gang.

Det er derfor vi har bygget en AI-byggecrew hvor hver agent eier en spesifikk del av materialearbeidsflyten.

• Milo gjør om spesifikasjoner, tegninger og planer til komplette innleverings- og innkjøpslogger på minutter
• Arlo kobler sammen siloede planer, innleveringer og innkjøpslogger til ett system og gir en klar innkjøpsstrategi for for-prosjektteamene
• Chase følger opp med underleverandører for å prioritere innleveringer, validere ledtider og materialestatus
• Lana lager innleveringsskabeloner og QCs så GCs og underleverandører kan forbedre kvaliteten på innleveringspakker og levere dem på tide
• Rio automatiserer leveringsplanlegging, forhindrer konflikter og analyserer utstyrbruk
• Theo kontrollerer innkjøpsprosessen fra sammenligning av tilbud, RFP-oppbygging til levering

Mennesker tar fortsatt de viktige beslutningene, men AI håndterer arbeidet som historisk sett har forbrukt timer av en prosjektgruppes dag.

Datacenter har blitt ett av Krane’s viktigste fokusområder. Mens AI-etterspørselen driver en global byggeboom for digital infrastruktur, hvilke nye leverandørkjedeutfordringer oppstår som tradisjonelle prosjektledelsesverktøy sliter med å håndtere?

Datacenter avdekker grensene for tradisjonelle innkjøpsprosesser.

Mange av de kritiske komponentene som driver disse fasilitetene har ekstremt lange ledtider. Krafttransformatorer kan ta tre til fem år å innkjøpe, mens mediumspenningsskifter kan overstige 60 uker. Samtidig kan elektrisk og mekanisk utstyr representere opptil 75% av et prosjekts garanterte maksimums pris, noe som betyr at innkjøpsbeslutninger har enorme finansielle konsekvenser.

Tradisjonelle prosjektledelsesverktøy er designet for å spore prosjektstatus etter at beslutninger allerede er tatt. De gir ikke sanntids synlighet inn i leverandørprestasjon, skiftende ledtider eller oppdykkende leverandørkjede begrensninger.

Innkjøps-OS løser disse utfordringene. Ved å utnytte sanntids leverandørkjede data fra aktive prosjekter, kan teamene ta innkjøpsbeslutninger basert på hva som skjer i markedet i dag, i stedet for hva som skjedde på det siste prosjektet.

En av de største bekymringene rundt AI-agenter er tillit. I bygging, hvor forsinkelser eller feil kan ha multimillion-konsekvenser, hvordan balanserer du automatisering med menneskelig tilsyn?

Tillit er kritisk fordi byggebeslutninger har reelle tids- og budsjettkonsekvenser.

Vår filosofi er at AI skal håndtere koordinering, mens mennesker forblir ansvarlige for dømmekraft og beslutningstaking. Hver AI-handling i Krane inkluderer en tillitskoeffisient, kritiske beslutninger krever menneskelig godkjenning, og aktivitet logges gjennom revisjonslogger. Det gir teamene synlighet inn i hva systemet gjør og hvorfor.

Den andre siden av tillit er resultater. Over vårt portefølje har Krane sporet over 2 000 leverandørkjederisiko før de nådde byggeplassen og hjulpet kunder til å oppnå en 92% på tide-leveringsrate. Når teamene konsekvent ser risiko identifisert tidligere og koordinering skje raskere, følger tillit naturlig.

Byggeprosjekter involverer ofte dusinvis av entreprenører, underentreprenører, leverandører og interessenter som arbeider over frakoplinger av systemer. Hvor vanskelig er det å skape en sanntids kilde til sannhet, og hva rolle spiller AI i å gjøre det mulig?

Det er ett av de hardeste problemene i bygging.

Gjennomsnittlig prosjekt involverer informasjon spredt over flere interessenter og systemer. Entreprenører, underentreprenører, eiere, leverandører og konsulenter arbeider alle fra forskjellige datakilder, noe som skaper hull, motstridende informasjon og forsinkelser.

AI spiller en viktig rolle fordi den kan koble og tolke informasjon over disse miljøene. Krane bringer sammen planer, tegninger, innkjøpslogger, innleveringer og leverandørkommunikasjon i ett miljø hvor teamene kan se den nåværende tilstanden av et prosjekt i sanntid.

Når alle arbeider fra samme informasjon, får teamene bedre synlighet for å hjelpe dem til å ta raskere og mer informerte beslutninger gjennom hele prosjektets livssyklus. Like viktig er det at det tillater organisasjonene å lære fra ett prosjekt og å bruke disse innsiktene til det neste. Historisk sett har mye av denne kunnskapen levd i regneark, e-poster og enkeltteammedlemmers erfaring, noe som gjorde det vanskelig å bære det videre. Ved å fange og strukturere leverandørkjede data over prosjekter, hjelper Krane teamene til å ta bedre innkjøps- og planleggingsbeslutninger over tid.

Krane integrerer med plattformer som allerede brukes over hele industrien, i stedet for å prøve å erstatte dem. Tror du at fremtiden for bygge-AI vil bli bygget rundt augmentering av eksisterende programvareøkosystemer eller helt nye operasjonssystemer for bygging?

På kort sikt er augmentering essensielt.

Byggeselskaper har investert tungt i plattformer som Autodesk, Procore, Microsoft Project, CMiC, SharePoint, Trimble Viewpoint og Oracle Primavera P6. Å be dem om å erstatte disse systemene er ikke realistisk, og ærlig talt, er det ikke nødvendig.

Vår tilnærming er å integrere med verktøyene teamene allerede bruker og skape en koblet lag over dem. Det tillater kundene å fortsette å arbeide innenfor kjente arbeidsflyter samtidig som de nyter godt av AI-drevet innkjøp, materialestyring og leverandørkoordinering.

Over tid tror jeg vi vil se flere AI-naturlige systemer dukke opp. Men selskapene som lykkes, vil være de som passer naturlig inn i det bredere byggeteknologiske økosystemet, i stedet for å tvinge kundene til å starte fra scratch.

Den bredere AI-industrien beveger seg raskt mot agente arbeidsflyter. Hva lærdommer fra bygging kan andre industrier lære om å deployere AI-agenter i miljøer hvor sanntids eksekvering og logistikk like mye som digitale arbeidsflyter?

En lærdom er at AI blir langt mer verdifullt når det kobles til operasjonell data.

Innkjøps-OS fungerer fordi det ikke er bygget på teoretiske modeller av hvordan byggeleverandørkjeder bør fungere. Det er bygget på den faktiske bevegelsen av materialer over aktive prosjekter. Hver beslutning tatt i Krane skaper data som hjelper til å forbedre fremtidig prosjektutførelse.

Vi har sett at dette har resonert med kunder som spenner fra helsevesen til noen av de største entreprenørene i industrien, inkludert Boldt, HITT Contracting, UCSF Health og Juneau Construction. De søker ikke etter AI som bare genererer innsikt; de søker etter systemer som hjelper teamene til å ta bedre beslutninger og utføre arbeid mer effektivt.

En annen lærdom er at eksekvering betyr mer enn innsikt. Å identifisere et problem er nyttig, men å løse det er der verdien skapes. I industrier hvor fysiske operasjoner og logistikk betyr noe, må AI hjelpe organisasjonene til å handle.

Ser fremover fem år, hva ser et fullstendig AI-koordinert byggeprosjekt ut som? Hvilke beslutninger vil fortsatt tilhøre mennesker, og hvilke deler av prosjektutførelsen forventer du at intelligente systemer vil håndtere selvstendig?

Jeg tror vi vil se AI bli dypt integrert over hele byggeleverandørkjeden.

Oppgaver som er svært repetitive, administrative og forbruker prosjektteamets tid, vil bli mer og mer automatisert.

På mange måter er vi allerede på vei i den retningen med Innkjøps-OS og vår AI-byggecrew. Visjonen er et system som lærer fra hvert prosjekt og hjelper teamene til å ta bedre beslutninger tidligere i prosjektets livssyklus.

Det sagt, bygging vil alltid være et menneskebasert virke. Prosjektstrategi, interessentstyring, kommersielle forhandlinger og store avveiningsbeslutninger vil fortsatt kreve menneskelig dømmekraft og erfaring. AI vil håndtere mer av den operative byrden, mens mennesker fokuserer på ledelse, relasjoner og beslutningstaking.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Krane.