Shiva Dhawan, medgrunnlegger og CEO av Attentive.ai – Intervju-serie

Shiva Dhawan, medgrunnlegger og CEO av Attentive.ai, er en entrepreneur som fokuserer på å bruke kunstig intelligens til å transformere infrastruktur- og byggeprosesser. Før han startet Attentive.ai, hadde han ledelses- og operative roller i teknologi- og forretningsfunksjoner, og hjalp til å forme selskapets visjon om å automatisere tradisjonelt manuelle prosesser i industrier som bygging, kartlegging og geospasial analyse. Under hans ledelse har selskapet utvidet seg internasjonalt samtidig som det har utviklet AI-systemer som er designet for å forbedre effektiviteten i estimat, takeoffs og infrastrukturhåndtering for bedrifter og entreprenører.

Attentive.ai er et AI-drevet byggeteknologiselskap som fokuserer på å automatisere forbygging- og infrastrukturprosesser ved hjelp av datavisning og geospasial intelligens. Plattformen hjelper entreprenører, landskapsfirmaer og infrastrukturoperatører å akselerere estimat-, målings- og analyseoppgaver som tidligere har avhengig av manuelt arbeid. Selskapets Beam AI-produkt er designet for å utnytte luftfotografi og AI for å generere svært detaljerte eiendomsmålinger og landskapsinnsikt, og hjelper bedrifter å forbedre budgivningsnøyaktigheten, redusere operative flaskhals og skalerer prosjekter mer effektivt gjennom automatisering.

Du grunnla Attentive.ai etter å ha skalert opp en tjenestevirksomhet i kartlegging og forsikring, og introduserte deretter Beam AI som ditt flaggskipprodukt. Hva var de spesifikke innsiktene fra den tidligere fasen som ledet deg til å bygge Beam AI, og hvorfor valgte du takeoff og estimat som inngangspunktet for å transformere byggeprosesser?

Min medgrunnlegger, Rishabjit, og jeg kom til den amerikanske byggebransjen under COVID, da entreprenører måtte estimere jobber uten å være på stedet. Det som stadig dukket opp, var den samme begrensningen: entreprenører tapte arbeid ikke fordi de ikke kunne gjøre jobben, men fordi de løp tom for tid til å prissette den. En estimator, hundredvis av sider med planer, 4 til 8 timer per jobb. Du kan ikke vokse et bedrift på den måten.

Vi valgte takeoff fordi det er startpunktet for alt. Ingenting annet beveger seg før noen måler omfanget. Og utgangen er verifiserbar; du får enten mengdene riktige, eller du gjør det ikke. En 2% feil på en jobb på 10 millioner dollar er 200 000 dollar borte. Det er ikke abstrakt. Det er en reell kostnad som estimatoren bærer hver dag.

Bygging og felttjenester er ofte sett på som langsommere til å adoptere nye teknologier. Hva har vært den største barrieren for AI-adoptsjon i denne sektoren, og hvordan overvinner du den?

Tillit. Estimatoren har bygget karrieren sin på nøyaktighet. Når de misser noe, betaler selskapet for det. Så når vi viste opp med AI, var den naturlige reaksjonen: hvordan vet jeg at dette er riktig?

Vi prøvde ikke å overtale folk ut av den bekymringen. Vi adresserte den direkte. Hver ferdig-for-deg-takeoff blir gjennomgått av en trent person før den returneres til kunden. Automatiseringen håndterer volum og hastighet.

QA-fasen fanger noe som trenger en andre blikk. Etter noen jobber, ser kundene mønsteret: mengdene er riktige, teamet er ikke begravd i plansett, og budene går ut raskere. En av våre kunder, Bommarito Construction, sendte inn 50 flere bud i løpet av seks måneder ved hjelp av plattformen. Det er mer overbevisende enn noen demo.

Beam AI fokuserer på å automatisere takeoffs, en tradisjonelt manuell og tidkrevende prosess. Hvorfor er denne arbeidsflyten så kritisk for AI-drevet transformasjon?

Hvert prosjekt starter her. Før du kan prissette noe, må noen sitte med planene og måle alt. En takeoff kan ta en hel dag. Når ting blir travle, blir det taket for hvor mye arbeid et team kan jakte.

Entreprenører nekter ikke jobber fordi de ikke vil ha dem. De nekter jobber fordi det ikke er tid til å prissette dem.

Takeoffs har også en klar, kontrollerbar utgang: materialekvantiteter. Du vet om noe ble misset. Det gjør det til et rimelig sted å bygge tillit til et nytt system, spesielt når innsatsen er høy.

Ditt plattform muliggjør at selskaper kan øke budvolum uten å øke antall ansatte. Hvordan ser du på at dette omformer konkurranse og marginer i bransjen?

Det skjer allerede. Når en entreprenør kan jakte på tre ganger så mange jobber med samme team, blir de selektive. De går etter høyere margin-arbeid. De kan reagere raskt når en stor mulighet dukker opp, i stedet for å gå glipp av den fordi de allerede er maksimalt belastet.

Entreprenører som ikke tenker på dette, vil føle presset fra de som gjør det. Rays Stairs doblet budvolumet og økte omsetningen fra 900 000 dollar til 2 millioner dollar på to måneder. Guardian Roofing kutte takeoff-tiden fra 25 timer per uke til 5. Det er ikke små gevinster. De endrer hva en bedrift kan gå etter.

Beam AI inkorporerer en menneske-i-løkken kvalitetsikring (QA) lag sammen med automatisering. Hvordan bestemmer du den riktige balansen mellom AI-autonomi og menneskelig tilsyn?

Vi tenker på det i termer av tillit og hva som står på spill. AI håndterer det strukturerte, repetitive arbeidet godt: lese dokumenter, parse tegninger og trekke mengder. Men utgangene er bransjespesifikke på måter som betyr mye. Hvordan du måler HVAC-utstyr er ingenting som å måle strukturert stål eller betong.

QA-laget er der for disse situasjonene. For ferdig-for-deg-tjenesten, ser en trent gjennomgående på hver utgang før den returneres til kunden. For de automatiserte 10-minutters takeoffs, har vi samlet nok data, spesielt i HVAC og mekanisk, til å flytte raskere uten denne fasen. Stål er nå i ferd med å rulle ut. Nivået av autonomi sporer bransjen og kompleksiteten i jobben.

Når modellene blir bedre, ser du på at QA-laget blir mindre sentralt over tid, eller vil det forbli en permanent del av høyrisikoproesser som estimat?

Begge, avhengig av hvordan du definerer det. Formen det tar, vil endre seg. Mye av det en menneskelig gjennomgående fanger i dag, vil skifte til automatiserte sjekker inne i systemet når modellene blir bedre og vi bygger opp mer data. Men jeg tror ikke du noen gang fjerner verifisering fra en prosess så høyrisikabel. Hvis en entreprenør prissetter en 50 millioner dollar ståljobb, vil de ønske en sjekkpunkt.

Hva vi jobber mot, er å gjøre det sjekkpunktet raskere og mindre arbeidskrevende. Målet er ikke å eliminere QA. Det er å gjøre det lettere.

Attentive.ai blander AI-automatisering med virkelige operative prosesser. Ser du på fremtiden for AI i bygging som inherent hybrid og ikke fullstendig autonom?

For den nærmeste fremtiden, ja. Og jeg ville gå imot ideen om at “hybrid” er en trøstpris. Bygging involverer dømmekraft som ikke er fanget i en plansett. En god estimator kjenner den lokale underentreprenørmarkedet. De kjenner hvordan en bestemt GC skriver spesifikasjoner. De vet hva en jobb vil faktisk koste å bygge, som ikke alltid er hva tegningene sier.

AI håndterer det kvantifiserbare arbeidet. Mennesket bringer konteksten. Målet er ikke å erstatte estimatoren. Det er å få dem ut av det repetitive målinger, så de kan bruke tid på arbeidet som faktisk krever deres dømmekraft. Som også er grunnen til at vi har bygget Beam AI for å være en augmentator, som en plug-and-play junior estimator som håndterer mekaniske oppgaver.

Du har beskrevet AI som blir det operasjonelle ryggsøylet i forbygging. Hva ser denne visjonen ut som over de neste fem årene?

Aktuelt fokuserer vi på frontenden: planer til materialekvantiteter, så raskt og nøyaktig som mulig. Neste lag er budhåndtering. Vi har allerede levert Bid Dashboard og Bid Sniper, som gir entreprenører en enkelt visning av pipelinen, frister, RFIs og addenda.

Over de neste fem årene, ønsker jeg at plattformen skal koble takeoffs direkte til prissetting og innkjøp. En entreprenør laster opp planer og, innen få timer, har en virkelig bilde av hva jobben koster og hva de må innkjøpe. Det er en genuint annen måte å drive forbygging på enn det de fleste team gjør i dag.

Beam AI støtter nå flere bransjer, fra landskapsarkitektur til sivil og elektrisk arbeid. Hvordan balanserer du bygging av generaliserte AI-systemer med behovet for dyp bransjespesifik optimering?

Det er en reell spenning. Den underliggende arbeidet er felles over bransjer: lese dokumenter, parse tegninger og trekke mengder. Men utgangene er bransjespesifikke på måter som betyr mye. Hvordan du måler HVAC-utstyr er ingenting som å måle strukturert stål eller betong.

Vi har bygget bransjespesifikke modeller og investert i treningsdata for hver enkelt. Det er grunnen til at vi startet med HVAC og mekanisk, hvor vår datamengde var sterkest, før vi utvidet til plumbing og stål. Vi dekker 15 eller flere bransjer, men vi er ærlige om at ikke hver enkelt bransje er like moden. Vi bygger dybde mens vi utvider.

AI begynner å omforme tradisjonelt offline-industrier. Tror du at bygging kan bli en av de mest transformerte sektorene over de neste ti årene, og hva ville den transformasjonen se ut som i praksis?

Jeg tror det. En del av hvorfor det er undervurdert, er at det har vært så manuelt i så lenge. Det er ingen dypt etablert programvarelag å erstatte, slik det er i finans eller helsevesen. Dataene er ikke digitalisert. Arbeidsflytene er ikke standardisert. Det høres ut som et problem, men fra der vi sitter, er det en åpning. Vi erstatter ikke et eksisterende system. I mange tilfeller bygger vi det første.

Legg til det kapitalen som går inn i datasentre, produksjon og infrastruktur nå, og presset for å prissette og bygge raskere er bare økende. Entreprenører som figurerer dette ut, vil trekke foran. De som ikke gjør det, vil undre seg over hva som skjer.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Attentive.ai eller Beam AI.